基于机载LiDAR和GIS数据的建筑物变化信息自动检测方法

来源：《国土资源遥感》2016年28卷1期

作者：唐菲菲,, 阮志敏等, 张亚利, 彭丽

摘要：建筑物的变化信息对地图更新和相关地理要素的统计至关重要。首先,通过LiDAR数据提取建筑物信息,应用alpha-shapes算法得到建筑物的边缘信息; 然后,将该信息和GIS地图矢量数据对比,应用多级变化检测策略进行自动检测,得出变化的建筑物并精确到建筑物变化的细部特征。该方法不仅能实现建筑物的定性变化检测,而且能对变化信息进行定量统计,检测结果的准确率达到95%。与以往单纯利用影像数据的方法相比,该方法自动化程度和效率均较高,且处理流程简捷。

关键词： 机载LiDAR; GIS; alpha-shapes算法; 建筑物; 变化检测

0 引言

随着经济的高速发展, 建筑物的变化更新频率不断加快, 及时掌握建筑物的变化情况对于研究城市格局的发展变化趋势和进行相关地理数据统计意义重大。在现有的变化检测研究中, 卫星或航摄影像和激光扫描数据是主要数据源。使用影像数据对变化信息进行检测[1，2,3,4]的前提是对目标进行正确识别。Tian等[4]用多时相立体影像生成数字表面模型(digital surface model, DSM)数据集, 对不同时相的DSM做相减得到变化的建筑物信息; Bouziani等[5]对高分辨率影像进行分割, 应用建筑物的先验知识定义变化检测规则, 其检测正确率达到90%; Chen等[6]应用双阈值策略改进变化检测的精度。在上述利用影像进行变化信息检测的方法中, 对影像目标的正确识别和影像质量密切相关, 但在遥感成像过程中, 地物阴影和遮挡对于建筑物分布密集的城区不可避免, 使得利用影像进行变化检测具有一定的局限性, 且对影像进行相关处理也比较繁琐。

相对影像数据而言, 激光扫描数据受外界环境影响小, 一些学者将采集于不同时段的激光扫描数据的DSM相减, 然后对相减得到的变化数据进行分割, 最后再对变化进行分类并赋予相应属性[7,8,9,10]。但该方法通常采用对原始数据内插处理的方式进行, 在一定程度上降低了数据精度; 另外, 该方法多采用对变化目标先检测后分类的策略, 邻近建筑物的植被对检测结果影响较大。Xu等[11]首先对不同时段采集的激光数据进行地物分类, 然后根据特定的地物类别制定相应的检测原则, 变化检测正确率达到80%; Vosselman[12]利用激光扫描数据更新中等比例尺GIS地图; Matikainen等[13,14]从激光扫描数据中检测建筑物的内外边界变化, 并通过附加准则修正分类误差, 变化检测的正确性和完整性达到70%。虽然激光扫描数据较影像数据有一定的优势, 但是要想获取同一地区的2期激光数据, 有时也较为困难。随着激光技术被逐渐应用, 利用激光扫描数据和GIS数据完成变化检测是一种符合现实情况的新策略。

本文基于机载LiDAR和GIS数据实现建筑物变化信息的自动检测, 其工作流程简捷, 工作效率和自动化程度高, 对变化信息的检测从以往的以建筑物为单元进一步精确到建筑物的细部。

1   数据源

实验数据由荷兰鹿特丹市政府提供, 为鹿特丹市中心某区域的机载LiDAR数据和对应区域的GIS数据。实验区面积约1 km2。LiDAR数据包含了地表、道路、建筑物、植被、车辆以及在建建筑物楼顶的吊塔等施工设施的激光点云, 点云密度约为40点/m2; GIS数据只包含实验区域内建筑物(多为商业和居民建筑)的屋顶, 部分建筑物处于在建中, 此外, 还有一些地铁和地下车库的出入口数据。GIS数据中的建筑物特征点为建筑物的屋顶特征点而非墙面特征点, 平均点间距为1 m。GIS数据中记录了建筑物特征点的二维空间坐标信息、多边形拓扑关系和地物属性信息。原始数据如图1所示。由于Google Earth数据的现势性落后于GIS数据, 从图上可以看出相当一部分建筑物已经发生了变化。

图1 原始数据

2 检测方法

2.1 检测流程

　　首先, 对机载LiDAR数据进行滤波、分类处理, 得到建筑物屋顶点云, 并对建筑物点云应用alpha-shapes算法得到建筑物的内外边界; 然后根据制定的变化判定准则和GIS数据中的建筑物进行多级变化检测, 并对检测到的变化信息进行定性和定量统计分析。变化检测流程如图2所示。

图2 变化检测流程

2.2 LiDAR数据的滤波、分类和连通分析

　　激光点云数据的滤波和分类算法采用的是Xu等[15]提出的基于多实体的分类算法。与基于单实体的分类方法比较, 该算法采用点、面(片)和由均值漂移得到的面提取特征, 并使用5个监督分类器对面(片)特征和均值漂移面进行特征分类。该方法的分类最高精度达到99%。

　　为了和GIS数据对应, 笔者只保留了建筑物屋顶的点云数据。结合激光点云数据的平均点密度、单幢建筑物激光脚点的几何关系以及相邻建筑物激光点云之间的几何位置关系, 设定邻域范围内最大距离小于1 m的激光脚点即属于同一个连通区域; 同时, 为了避免出现零碎的连通区域, 还设定每个连通区域内必须包含一定数量的激光脚点。应用上述规则, 完成连通区域分析, 将单幢建筑物从建筑物群中一一识别出来。

　　由于激光数据量较大, 笔者将其进行分块处理, 其中的部分原始激光点云数据(图1中蓝色多边形区域)及其对应区域内的建筑物屋顶点云提取和连通区域标识结果如图3所示。

图3 LiDAR数据的建筑物提取及连通区域分析

2.3 建筑物边缘检测

　　笔者应用alpha-shapes算法提取建筑物屋顶边界[16]。首先基于离散点计算得到Delauney三角网, 然后基于某一适当的alpha实数值(α )对三角网进行检测, 符合α 形状要求的边被保留下来组成最终的离散点的形状轮廓; 对于α 不同的取值, 边缘检测的结果也会不同。当α → ∞ 时, 得到的是“ 最粗糙” 的形状; 当α → 0时, 得到的是该点组的凸包; 当α → -∞ 时, 得到该点组“ 最细致” 的形状。对于本文的实验数据, 笔者通过对不同α 值的测试发现, 当取1≤ α ≤ 2时能得到比较准确的建筑物屋顶边缘。其中一组数据的实验结果如图4所示。

图4 基于不同alpha值的建筑物边缘探测结果

2.4 GIS数据插值

　　由于GIS数据记录的是建筑物的特征点, 点平均间距为1 m, 而激光点云数据的平均点间距约为0.2 m, 为满足上述检测需求且不影响判定结果, 笔者将GIS数据进行了加密计算, 其结果如图5所示。

图5 GIS多边形加密结果

2.5 变化检测

　　笔者将变化信息分为新增、消失和部分变化3大类, 根据数据的现势性, 将GIS数据中有但LiDAR数据中没有的信息判断为“ 拆除” , 反之判断为“ 新增” ; 对于2组数据中都部分存在的判定为局部发生变化(局部存在于GIS数据中, 而LiDAR数据中不存在的判断为“ 局部拆除” ; 反之为“ 局部扩建” )。

　　以判断“ 消失的建筑物” 为例, 首先以每幢建筑物每条边的每个点应用基于点(point-based)的变化检测, 判断加密后的GIS点在一定邻域范围内是否有LiDAR建筑物点云的边界点(图6)。

图6 判断LiDAR点云边界

　　然后统计邻域内不存在对应LiDAR点的比例, 对于单幢建筑物的每条边, 如果该条边中变化了的点的比例小于等于30%, 则认为该条边基本无变化; 否则, 判定该条边界发生了变化。

　　最后, 统计每幢建筑物中变化边的数量, 根据设定的阈值判断建筑物的变化类别。当单幢建筑物中发生变化的边界数量小于等于30%时, 则认为该建筑物没有变化; 当变化的边界数量大于30%但小于等于60%时, 认为该建筑物发生了局部变化; 否则, 认为该建筑物完全变化了。

　　上述为判断“ 消失建筑物” 的方法和流程。若“ 判定新增建筑物” , 则以LiDAR边界点为基准, 根据邻域范围内的GIS边界点进行判定。

　　根据上述判定准则, 对实验区进行变化检测的结果如图7所示。

图7 变化检测结果

局部发生变化的建筑物面积和数量统计如图8和表1所示。

图8 拆除与新增的建筑物面积统计直方图

　　为便于展示, 上述结果是以每100 m2为一个数量级进行的统计, 但是在实际变化检测结果中, 可以检测到的建筑物最小局部变化面积可以达到30 m2左右。

3  实验结果分析

为了验证实验结果的正确性和完整性, 笔者将检测到的比较细微的变化叠加到原始激光点云中, 由于图幅关系, 这里选取实验区局部区域进行放大显示。图9为拆除或局部拆除的建筑物叠加到原始激光点云中的结果。可以看出, 检测结果基本真实反映了实地变化情况。

图9 拆除(部分)的建筑物与原始激光点云的叠加

　　图10为将新增建筑物的变化区域叠加到GIS图层和原始激光点云数据中的结果显示。笔者选择2处细微新增变化(图10(a)中黑色椭圆框标识), 通过和原始激光点云数据叠加(图10(b)中蓝色椭圆框标识), 经量测发现局部新增或扩建的宽度约为4 m。

图10 新增建筑物分别与原始GIS图层和激光点云数据叠加

　　经过统计, 在本实验区域内有122处拆除变化和74处新增变化。为验证变化检测的准确性, 除了将变化区域叠加到原始激光点云数据中进行视觉检查外, 笔者还通过ArcGIS软件的叠加功能, 加上后期手动编辑得到GIS图层和LiDAR建筑物的变化区域作为检验标准。通过对比统计, 本文方法得到的变化检测正确率达95%。但一部分区域由于在LiDAR点云中显示为被植被遮挡, 因此无法判断是否被正确检测, 需要后期现场验证。

4  结论

1) 本文首先通过对原始激光点云数据应用滤波、分类和连通区域识别操作等方法得到建筑物屋顶点云数据, 然后利用alpha-shapes算法得到建筑物屋顶点云的内外边界信息; 将其和加密后的GIS多边形进行对比, 根据制定的多级变化检测规则判定建筑物的变化。实验证明, 用本文方法得到的变化检测结果正确率达到95%, 30 m2左右的局部细微变化也可以被检测到。

2)利用机载LiDAR数据和GIS数据实现建筑物变化信息自动检测的方法, 较以往方法处理步骤简单, 检测结果准确率和自动化程度高, 使工作效率大大提高。

3)基于LiDAR数据的变化检测, 是一种快速、准确的变化检测方法。但是后续研究中仍然有一些需要改进的地方。首先, alpha-shapes算法中alpha的值比较固定, 缺乏一定的自适应性, 需通过多次试验获得适合实验区域的alpha实数值, 如何根据激光点云密度自动选择alpha值的方法值得研究; 其次, 对激光点云数据中被植被遮挡区域的变化检测结果的判定需要深入研究。

志谢：感谢荷兰特文特大学国际航天测量与地球学学院(International Institute for Aerospace Survey and Earth Science, University of Twente, the Netherlands)提供实验数据。

参考文献：

[1]徐宏根, 宋妍. 顾及阴影信息的高分辨率遥感图像变化检测方法[J]. 国土资源遥感, 2013, 25(4): 16-21. doi. DOI: 106046/gtzyyg. 2013. 04. 03.

[2]李亮, 舒宁, 龚龑. 考虑时空关系的遥感影像变化检测和变化类型识别[J]. 武汉大学学报: 信息科学版, 2013, 38(5): 533-537.

[3]张晓东, 李德仁, 龚健雅, 等. 遥感影像与GIS分析相结合的变化检测方法[J]. 武汉大学学报: 信息科学版, 2006, 31(3): 266-269.

[4]Tian J J, Reinartz P. Multitemporal 3D change detection in urban areas using stereo information from different sensors[C]//2011 International Symposium on Image and Data Fusion(ISIDF). Yunnan, China: IEEE,2011: 1-4. 

[5]Bouziani M, Goïta K, He D C. Automatic change detection of buildings in urban environment from very high spatial resolution images using existing geodatabase and prior knowledge[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 143-153. 

[6]Chen L C, Lin L J. Detection of building changes from aerial images and light detection and ranging(LIDAR) data[J]. Journal of Applied Remote Sensing, 2010, 4(1): 041870. 

[7]Rehor M. Classification of Building Damages based on Laser Scanning data[C]//Proceedings of ISPRS Workshops on Laser Scanning 2007 and SilviLaser 2007. Espoo, 2007: 326-331. 

[8]Choi K, Lee I, Kim S. A feature based approach to automatic change detection from LiDAR data in urban areas[C]//Laserscanning09, Volume XXXVIII. France: International Achieves of Photogrammetry and Remote Sensing, 2009: 259-264. 

[9]Rutzinger M, Rüf B, Höfle B, et al. Change detection of building footprints from airborne laser scanning acquired in short time intervals[C]//ISPRS Technical Commission VII Symposium. Australia: International Archives of Photogrammetry and Remote Sensing, 2010: 475-480.

[10]Teo T A, Shih T Y. Lidar-based change detection and change-type determination in urban areas[J].International Journal of Remote Sensing, 2013, 34(3): 968-981.

[11]Xu S, Vosselman G, Elberink S O. Detection and classification of changes in buildings from airborne laser scanning data[C]//ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume II-5/W2: ISPRS Workshop Laser Scanning. Antalya, Turkey: ISPRS, 2013: 343-348. 

[12]Vosselman G, Gorte B G H, Sithole G. Change detection for updating medium scale maps using laser altimetry[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2004, 34(B3): 207-212. 

[13]Matikainen L, Hyyppä J, Ahokas E, et al. An improved approach for automatic detection of changes in buildings[C]//Proceedings of the ISPRS Workshop: Laserscanning’09. France: International Archives of Photogrammetry and Remote Sensing, 2009: 61-67.

[14]Matikainen L, Hyyppä J, Ahokas E, et al. Automatic detection of buildings and changes in buildings for updating of maps[J]. Remote Sensing, 2010, 2(5): 1217-1248. 

[15]Xu S, Vosselman G, Elberink S O. Multiple-entity based classification of airborne laser scanning data in urban areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88: 1-15.

[16]Edelsbrunner H, Kirkpatrick D, Seidel R. On the shape of a set of points in the plane[J]. IEEE Transactions on Information Theory, 1983, 29(4): 551-559. 

声明：勘测联合网转载本文仅限行业学习交流之用，版权、著作权归原载平台及作者所有。

推荐阅读

----------------    推  广    ---------------