顾及上下文信息的城区机载LiDAR建筑物自动化提取方法研究
点击图片上方蓝色字体“慧天地”即可订阅
作者信息：
陈宇琪，罗一芬（海口市土地测绘院，海南 海口 570100）；
龙竞帅（海南水文地质工程地质勘察院，海南 海口 570102）；
郭雪莹（中材地质工程勘察研究院有限公司，海南 海口 571127）
【摘要】针对从LiDAR点云数据中提取建筑物难的问题，提出一种顾及上下文信息的机载点云建筑物自动化提取方法。首先，以点为分类基元提取视觉分类特征，构建描述点云场景的视觉空间，并利用随机森林分类器初步分类场景。然后基于条件随机场模型将空间上下文信息引入点云分类中，使得分类结果满足局部连续和全局最优的特点。实验结果表明，建筑物可以有效地被分离出来，分离正确率超过96%，将为后续建筑物的自动矢量化提供理论支撑。
【关键词】机载LiDAR；随机森林；条件随机场；点云分类
【中图分类号】P234.4
【文献标识码】A
【文章编号】1672-1586（2019）05-0058-06
引文格式：陈宇琪，罗一芬，龙竞帅，等. 顾及上下文信息的城区机载LiDAR建筑物自动化提取方法研究[J].地理信息世界,2019,26(5):58-63.
正文
0 引 言
LiDAR（Light Detection And Ranging，LiDAR）技术是结合激光技术、计算机技术、全球定位系统（GPS）和惯性导航系统（INS）等先进技术的产物。机载LiDAR技术将数据采集方式从人工的单点获取转变为自动化的连续获取，这提高了数据获取的效率，而且也使后续的数据处理更加智能化和自动化。因为其高效全天候的三维空间信息获取能力，机载LiDAR技术在诸多应用领域起到至关重要的角色。然而，机载点云数据处理费时费力，且人类视觉上很难适应三维数据的处理。因此，从机载点云数据中自动化提取建筑物区域一直是一项研究热点。
城市建筑物的三维建模与可视化仍是建立智慧城市的重点和难点。近年来，国内外学者提出了一系列从机载LiDAR点云数据中自动提取建筑物的方法。这些方法大致可以分成两大类。一类是将LiDAR点云数据规则格网化并插值生成数字表面模型（DSM），然后从DSM中计算各种特征（如高程、梯度、面积阈值等）来提取建筑物。Elberink利用高程纹理的各向异性将点云数据分割成不同类，被分类的对象主要包括建筑物、树、基础设施以及几种农业用地。另一类是基于机器学习的方法（如Adaboost、决策树、支持向量机等分类器），通过提取点云视觉特征，然后采用监督分类的方法完成点云分类。Lodha计算点云中包含的绝对高度、高程变化方差和反射强度等信息构建特征向量空间，利用SVM、Adaboost分类器自动标记地物点。Chehata利用随机森林分类器定量化地分析从点云中计算的常用的局部几何形状特征对LiDAR分类结果的贡献。Guo认为空间中相邻点间存在一定的类别关联性和制约性，因此基于这一假设，建立贝叶斯模型，将场景的上下文信息引入分类决策中。同时，针对电力线场景点云的独特性，分析和定义了多种点云分布特征描述，用于场景的分类。Niemeyer认为不同的分类基元产生不同的分类结果，基于这种假设，利用条件随机场模型建立一种多层次的分类框架，整合点基元和分割对象基元的分类结果，以优化全局的分类。Dittrich则定性和定量地分析了3D结构张量的特征对点云分类识别应用中的特性。Garstka也从定性和定量两个角度对经典的局部点云特征描述进行了分析。彭晨则在格网空间提出一种从粗到精的基于移动激光扫描点云建筑物立面提取算法。Shi对原始点云数据进行多种方法的分割，并定义一定的规则集来提取建筑物的组成部件（如门窗、屋顶等）。江炯利用词袋模型分类无人机点云数据，有效地改善了分类质量。赵刚计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征和投影特征等，构建点云特征直方图和垂直分布直方图，并利用Gradient Boosting分类方法进行自动分类。
针对从LiDAR点云数据中提取建筑物难的问题，本文提出了一种顾及上下文信息的机载点云建筑物自动化提取方法。建筑物自动化提取的流程图如图1所示。首先，以点为单位提取视觉分类特征，构建描述点云场景的视觉空间。然后利用随机森林分类器初步分类场景。最后基于条件随机场模型将空间上下文信息引入点云分类中，使得分类结果满足局部连续和全局最优的特点。
图1 建筑物自动化提取的示意图
Fig.1 Schematic chart of automatic extraction of building
1 研究方法
1.1 基于坡度变化的地面点剔除
为了保留倾斜地形信息以保证属于地面点的激光点不被过滤掉，基于坡度变化的滤波算法根据地形坡度确定最优滤波函数，实现局部坡度自适应的滤波。其基本思想是基于相邻地面点一般情况下不会出现高程突变情况，即如果相邻点云高程差异较大，这种情况很小概率是因为地形起伏较大引起的，更有可能是两者属于不同类别。考虑到距离越小，高程较大的空间点属于地面点的概率越小，本文通过假设邻近点间的高差来分离地面点。本文，建立局部坡度自适应的滤波核函数Δhmax(d )=0.3d ，其中d 为两点之间的距离，通过比较两点之间的高差值来分离地面点和非地面点。
1.2 基于点的特征提取
诸多学者提出了一系列用于点云信息描述的特征描述子，这些信息的表达和提取在点云解译过程中至关重要，并且直接决定了解译结果的好坏。然而，机载激光点云数据的非结构化和高密度变化等问题，使得高效准确地提取点云中包含的有效信息一直是业内关注的焦点问题。
在综合分析建筑物与其他地物的特性基础上，本文主要计算法线、平面残差和基于特征值的特征作为分类特征。图2为部分特征的二维可视化结果图，不同大小的特征值被赋值为不同的颜色。在机载点云数据中，建筑物通常表现为平面结构，而植被则是散乱分布，因此点云的法线很好地反映了这一变化状况。同时，一定邻域范围内的高程变化也可以反映平面分布和散乱分布，因此通过计算当前点以及一定范围内到拟合平面的距离方差，如式（1），作为一个分类特征。通常情况下，建筑物区域平坦，平面残差较小，如图2a所示。
式中，di是指点pi到拟合平面的距离，l =1.2。
近年来，一些学者也致力于表示三维场景中富含的物体几何形态信息，其中基于特征值的特征因其稳健的性能得到了广泛的应用。假设CP表示当前点P的邻域协方差矩阵，那么，CP可以通过下式（2）进行计算，
式中，
这些提取的基于特征值的特征在不同的几何结构上表现出不同的取值，如λ3在平面区域值较低，非平面区域值较高，即建筑物屋顶处λ3值较低，高植被处λ3值较高，如图2d所示。同时，在计算协方差矩阵得到的特征值基础上，计算衍生特征如各向异性 Aλ=(λ1-λ3)/λ1、平面性Pλ=(λ2-λ3)/λ1、球面性Sλ=λ3/λ1和线性Lλ=(λ1-λ2)/λ1，可以辅助区分平面、边缘以及线性结构。
图2 视觉特征局部显示结果
Fig.2 Local views of visual features
1.3 面向点云数据分类的条件随机场模型
条件随机场模型是一种无向图模型G =<V ,E >，其中V 表示无向图中所有节点，E 表示节点之间的无向连接。对于建筑物提取任务而言，就是根据视觉特征和空间连续性，给任意点Pi分配一个类别标签ci(1 ≤i ≤m )。那么，最佳的结果L*既满足空间上的一致性，也与观测信息保持一致。
从条件随机场模型角度而言，建筑物提取问题可以被转换为一个二分类问题。为了能寻找最佳的标签L*，本文将其表达为能量最小化问题，因此本文按式（4），建立能量函数：
式中，一阶能量项Edata(L )主要是关于衡量分配标签L与被观测数据的不一致性，二阶能量项Esmooth(L )则是对分配标签L 的不平滑性的描述，γ是平衡一阶和二阶能量项的权重。一阶能量项Edata(L)一般被表示为：
式中，Dμ(lμ)是在已知当前视觉特征的情况下，定量地表达了标签lμ与观测数据的一致性。对于观测数据而言，相同的地物往往表现出相似的特性，不同的地物则特征差异明显。在本文中以随机森林分类器的后验概率定量地描述标签lμ与观测数据的一致性。
由于数据中噪声的存在和提取特征的不完整性，导致分类结果中往往存在一定的“椒盐”现象。为了缓解这种现象，使得分类结果具有空间上的一致性，文中将二阶能量项Esmooth(L)表示为：
式中 ，
在能量函数式中，一阶能量项根据无向图中节点的视觉特征向量来决定其被分配的类别标签，仅与该节点本身的特征向量有关，而二阶能量项则描述点云中相邻点之间的相互作用关系，根据无向图中相邻节点间相似性的度量来决定它们的标签。
2 实验与分析
2.1 实验数据与测试结果统计
为了验证本文提出模型的有效性，本文选用芬兰某地区的机载LiDAR点云数据进行试验。此数据是2011年采集的，其点云密度约为17个/
式中，TP为建筑物被分类为建筑物的点个数，FN为建筑物被分类为其他的点个数，FP为其他被分类为建筑物的点个数，TN为其他被分类为其他的点个数。
表1 训练数据和测试数据统计结果
Tab.1 Statistical results of test and training data
2.2 实验结果分析
2.2.1 上下文信息对分类结果的影响
将上下文信息引入分类决策中改善分类质量，目前已经成为一项共识。因此，文中以场景I为研究对象，进行对比试验来说明空间上下文约束对结果的影响程度。试验统计结果见表2。从表中可以看出，上下文信息的引入对于改善分类质量效果显著，总正确率提高了2.63%。而且，建筑物的召回率和精确率分别提高了2.25%和1.73%。图3为分类结果的对比图（图3中，红色点表示建筑物，绿色点表示其他），可以得出结论，将上下文信息引入后使得分类结果满足局部连续的特性。
表2 上下文信息对分类结果的影响
Tab.2 Effect of context information for classification
图3 上下文信息引入前后的对比结果
Fig.3 Comparison of classification with and without context information
2.2.2 能量函数中权重对分类精度的影响
在能量函数式（4）中的权重γ 平衡了一阶和二阶能量项之间的重要性。文中以场景I为研究对象，进行对比试验来说明权重γ对分类结果的影响程度。试验结果如图4所示。从试验结果来看，随着权重γ 的变化对分类的总正确率值产生一定的影响，但是总正确率值的波动范围小于2%。
图4 分类精度受权重的影响
Fig.4 Effect of weight for classification
为了验证本文提出模型的稳健性，文中将其应用于不同的试验场景（即场景I和场景II），并将分类结果统计于混淆矩阵中，见表3和表4。场景I和场景II的分类结果整体效果图如图5所示（图5中，红色点表示建筑物，绿色点表示其他）。试验结果表明，本文提出的模型，能有效地分离建筑物和其他，分类总正确率超过96%。然而，对于点云缺失部分建筑物以及屋顶存在附属物的情况，依然会存在识别较差的情况。
表3 混淆矩阵（场景I，总正确率为96.19%）
Tab.3 Confusion matrix (scene I, overallaccuracy 96.19%)
表4 混淆矩阵（场景II，总正确率为96.75%）
Tab.4 Confusion matrix (scene II, overallaccuracy 96.75%)]
图5 两个场景分类效果图
Fig.5 Classification results of two scenes
2.2.3 与其他方法的结果比较
为了进一步验证本文方法的有效性，文中将本文方法与传统方法（RANSAC方法和区域增长法）进行定性和定量的对比。因为建筑物通常表现为平面特性，RANSAC方法和区域增长法是传统的从点云中提取平面的方法。表5和表6分别为场景I和场景II的实验对比结果。实验结果表明，本文提出的方法在从其他类别中分离建筑物的能力上要优于传统的RANSAC方法和区域增长法。图6为从分类结果中局部显示的结果对比图（图6中，红色点表示建筑物，绿色点表示其他）。从图6中我们也可以得出结果，本文提出的方法在识别建筑物面片方面的优势，尤其是在建筑物屋顶包含细小附属结构的情况下。
表5 不同方法的对比（场景I）
Tab.5 Comparisons among different methods (scene I)
表6 不同方法的对比（场景II）
Tab.6 Comparisons among different methods (scene II)
图6 分类结果局部对比图
Fig.6 Local comparisons of classification results
3 结束语
改善自动化提取建筑物的效率，改善提取的精确度和降低生产成本是一项工程性的需求。因此，本文提出一种机载LiDAR点云数据建筑物自动提取的方法。文中首先基于单点提取点云的视觉特征向量。相比于面向对象的点云分类方法，基于点的方法不需要考虑分割阈值的选择等问题。然后将随机森林嵌入条件随机场框架中使得分类结果满足局部连续和全局最优的特点。实验结果表明，建筑物可以有效地被分离出来，分离正确率超过96%。对LiDAR数据进行分类和提取对三维城市模型的建立具有重要的现实意义。
内容转载、商务活动、投稿等合作请联系
微信号：huitiandi321
邮箱：geomaticshtd@163.com
欢迎关注慧天地同名新浪微博：
ID：慧天地_geomaticser
往期精彩推荐机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述
激光雷达：自动驾驶行业的兵家必争之地
自动驾驶汽车传感器雷达和激光雷达: 竞争还是协作？
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，探索企业核心竞争力，传播测绘地理信息文化，为测绘、地信、遥感等相关专业的同学提供日常学习、考研就业一站式服务，旨在打造政产学研用精准对接的平台。
《慧天地》高度重视版权，对于原创、委托发布的稿件，会烦请作者、委托方亲自审核通过后オ正式推发；对于来自网站、期刊、书籍、微博、微信公众号等媒介的稿件，会在作者栏或者文章开头显著标明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！
指导：万剑华教授