３２ 铁道勘察 ２０１７年第４期 文章编号：１６７２—７４７９（２０１７）０４—００３２—０４ 车载激光点云典型地物提取技术研究 赵胜强 （中铁第四勘察设计院集团有限公司，湖北武汉４３００６３） Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｏｂｊｅｃｔ ｅｘｔｒａｃｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｔｈｅ ｖｅｈｉｃｌｅ ｌａｓｅｒ ｐｏｉｎｔ ｃｌｏｕｄ Ｚｈａｏ Ｓｈｅｎｇｑｉａｎｇ 摘要为了提高车栽移动激光扫描点云数据处理的自动化程度，提出一种适用于车载点云数据 的地物提取方法。首先对原始点云数据进行粗分类，划分为地面点云数据和非地面点云数据。对于非 地面点云数据，使用欧氏空间聚类的方法进行空间实体划分，再通过地物空间几何特征计算并建立提取 规则，对地物进行提取。最后，采用该算法对某地区街道扫描数据进行地物提取试验。试验结果表明， 该方法可有效（从车载点云数据中）提取地面、建筑、树木、路灯等不同类型的地物。 关键词 车载激光扫描 空间聚类分类地物提取 中图分类号：Ｐ２３７ 文献标识码：Ａ 随着城市数字化、信息化需求的日益增长，如何高 效、精确地获取城市地物信息，已成为实现城市数字 化、信息化的一个关键环节和技术难点。车载激光扫 描作为一种先进的测量手段，具有快速、实时、主动、高 密度及高精度等特点，可采集大面积的三维空间数据 １ 地物提取流程 传统的车载点云分类方法主要包括：（１）直接以 激光点的空间几何特征和属性信息进行分类，该类方 法只能区分点的类别属性，不能指出该点属于该类别 及建筑物、道路、植被等城市地物的表面信息，为有效 解决城市快速数字化遇到的一系列瓶颈问题提供了新 思路。目前，车载点云数据处理的自动化程度偏低，人 工内业作业量较大。因此，如何快速精确地从车载激 中的哪个具体实体，且分类效率较低；（２）基于扫描线 的方法，该类方法对于区分地面、建筑物立面等具有明 显平面特征的地物效果较好，但是对于树木、灯杆等平 面地物区分效果较差；（３）将点云数据投影为特征图 光点云数据中自动提取地物信息，已经成为城市数字 化领域首先需解决的问题之一¨ 。 像并通过图像处理的方法进行分类，但该类方法对于 局部构造特殊的地物或者空间投影重叠的地物无法 区分 。 提出一套面向对象的地物提取方法：首先对车载 点云数据进行粗分类，得到地面数据和非地面数据，然 后对非地面数据进行欧氏空问聚类，获取空间位置独 立的地物点云集合。根据地物点云几个空间特征和光 采用面向对象的分类方法，首先对原始车载扫描 数据进行去噪处理后粗分成地面数据和非地面数据， 然后对非地面数据进行欧氏空间聚类，获取空间位置 的地物点云集合，通过样本采集或者知识规则建 立地物提取规则，对目标地物进行提取，提取流程如图 １所示。 谱特征，建立地物对象的分类语法，并将这套语法转换 为计算机可以理解的特征约束，按一定的知识规则对 车载激光扫描数据中的地物目标进行分类提取。 １．１数据粗分类 为了提高数据处理的效率和精度，需要进行预处 收稿日期：２０１７—０６—０７ 作者简介：赵胜强（１９７７一），男，２０１４年毕业于武汉工程大学测绘工程 专业．助理工程师。 理。预处理主要包括重复点和孤立点的去除。孤立点 一般具有邻域点较少或者不存在邻域的特征，可利用 军载激光点云典型地物提取技术研究：越胜 ３３ 匝匦 ［ 匦蓝匝 Ｊ———一 ｌ欧 宅『｝】】聚炎 ｊＬ———一 ｌ地物分类Ｊ ’ Ｔ ’ ’ ［ ［壹］区 匹 图１ 车载激光点云地物提取流程 －＿・定邻域范Ⅲ的邻近点个数是含小于阈值进行判 断ｊ｜ｊ｝ １ 仃驶过 ・ｔ 存住重复扫描（线路、红灯、堵 乍等 观 ），挟收的点云数据中存在大量的重复 复 、Ｉ的大除采朋格 采样的办法，即先求出点 数 的外位 ，将外包盒均匀划分为边长等于扫拊 隔的小● ‘ ．每个● 体中只保留１个点，即叮去 除人：ｌ Ｃ余数 ，义完整保留了点云的特征信息 颅处 ，即ｒ叮对点云数据进行粗分类，粗分类的 Ｉ Ｉ的址将点 数据划分为地面数据和非地面数据，具 ｆ小斡：法流 女¨下： （１）对 始 ・ 数据建立规则格网索引。 （２）对 １＼格网 元取高程最低点做为初始地 点数据，将邻近离 差异赶ｉ过阈值的初始点剔除，以提 取的｛ＪＪ始地 点数据为基准，１人Ｊ插生成规则格 Ｉ）ＥＭ （３）遍 点 数据，对ｊ 每个点，通过式（１）插ｆｆｌ（ 求…陔点 块准１）ＥＭ巾的高程，并与该点的高程值求 ， 捅ｆｆ【小于闽仳，则判定为地面点；否则为非地 ＝（－一手）（・一 ） ，＋ （ 一 ） ＋ （１一≠） ，＋≠ ｚ。 （１） １．２ 欧氏空间聚类分割 卡、ｆ１分炎 ，ｌ 数据失去ｒ地面的联系，在空『¨Ｊ ｉ』『、 分 状忿 根据这 问分布特征，采用欧 ・孙Ｉ】聚炎分割的力 法进行目标实体划分，该方法以 ｒ ，“ 之问的瞅氏距离作为测度函数，即该点与某类 合 ・ 的瞅氏距离小于阈值时，则将其归为同一 ｊ 体实现算法为：（Ｉ）将所有点标记为未处理点， 建● ｋ ｌ－ｌｌ ｒ ｎ｛Ｊ索 １．（２）仟取一未处理点作为种 ｆ ｒ ：建、 新 合，以距离阈值为搜索半径搜索邻域 － （标ｉ 为已处理），并加入到种子点队列中；（３）从种 Ｊｌ点队列一｛Ｊ取 ｌＩ新的种子点，重复第二步操作，直到种 ｒ点队列 为Ｉｊ：，并将昕有搜索点加入到新的集合 ＩｆＩ；（４）霞新选取一末处理点作为种子点进行聚类，直 到所仃点都处理完 、、图２分别列举ｒ灯仟、树小、广 僻牌、车辆、栏杆等聚类分割后的典型地物。 图２典型地物分割结果 １．３地物典型特征描述 通过对非地 －＿ 数据的欧氏空问聚类处理后，每 个独 地物点云集合邵足／ｆ 能 划分的实体单丸，不同 地物类圳，尢沦址 儿何统计特征还是光谱特征郁仃 较明娃的 圳，・ ｊ 暴Ｊ 这些特 对午载扫描数据进 分 类提取、、根 乍裁¨描场景中儿种典型地物的彤状特 ，选取以下儿种典 特征作为分类特 子 （１）高度 地物岛度町以通过陔地物集合中最高点的离程坐 怀减去最低，－ 离氍＾Ｊ＾杯获得车载扫描获取的地物Ｊ 寸ｔ－ｊ地物实际尺寸卡¨㈨，ｒＩ．旧一类犁地物高度差异较 小，通过高度特 町以快速筛选 Ｈ＝Ｚ 一Ｚ （２） （２）“真实”Ｋ宽比 地物长宽比即地物住ｘｌ，半 投影后的长宽比 率 然Ｉ 地物的Ｋ轴并 一定平 丁坐标轴，直接汁 钟：得剑的长宽比未必准确。通过计算ＰＣＡ特征 量 估汁地物在水 方向的长轴干¨短轴，并以此为坐标 轴，建、 新的坐标系，将地物 ｒ 云变换列恢坐标系下， 汁算得到的长宽比ｆ！『Ｊ为“真实”长宽比（如 ３） ‰ ＼ （ ，）跚灯 ｚ （Ｉ ）【乇宽比 （ｔ－）“真 ’Ｋ说比 图３“真实“长宽比示例 （３）投影陬积 投影而积是住汁算山“真实”长和宽之后卡日乘所 得到的而积。一般而青，建筑的投影而积较大，路灯等 巾ｒ状物的投影面积较小． ．（４）杆状度 杆状度是用于表达地物杆状部分在地物整体中所 占的比率，如路灯、广告牌的杆状度较高，树术杆状度 适中，建筑、栏杆等的杆状度为零 。。 （５）特征值 特征值是从点集构造的协方差矩阵中获取的，一 般表示为Ａ。，Ａ ，Ａ （Ａ ＞Ａ ＞Ａ ），特征值可以单独作为 特征来使用，例如，Ａ 越小，点周围区域就越接近于平 面。电可以提供更多额外的特征信息，如异向性、平面 度、线性度等，具体汁算如式（３）所示 平面度：Ｐ ： ＡＩ 线性：Ｌ ： （３） ＾Ｉ ２地物分类方法 在完成对点云数据的宅问聚类处理之后，即可对 地物集合进行判别分类。地物分类主要针对城市 环境中的路面、建筑物、树木和路灯４类，其中路而在 数据粗分类过程中已经分离出，其余３种地物类型则 根据其典型的地物特征，采用分类器进行分类。 ２．１ 属于建筑物的实体 点云数据外包同盒投影面积较大；建筑物实体的 高度一般情况下高于其他类别；杆状度为零；特征值巾 线性较／Ｊ、，平面度较大。 ２．２ 属于树木的实体 点云投影后的真实长宽比约为ｌ；高度一般比建 筑物低；杆状度适中；特征值中平面度、线性度较小。 ２．３ 属于路灯的实体 点云投影后外包围盒面积最小；真实长宽比较大， 杆状度最高，特征值中平面度、线性度较小。 为了验证地物特征的区分度，从点云数据中获取 一系列地物实体样本进行分析，计算各类样本地物特 征后，取平均值生成特征分布图，如图４所示。 一建筑＿树木 路灯 隧 从图４中叮以看出，不同类别地物的地物特征差 别较大 将这 特征信息作为地物分类依据，并通过 人机交互的方式采集样本数据进行训练后，采用决策 树分类的方法对地物点云集合进行类别划分 ３试验分析 选择…西某街区作为研究区来进行试验分析 研 究区地物种类包括建筑、树木、路灯等典型地物 并基 于ＶｉｓｕａｌＳｔｕｄｉｏ ２０１０平台．开发了车载点云分类软件 在对点云数据进行分割聚类并提取特征的 础上，运 用决策树分类对点云集合进行划分；Ｉ７时人１ 选取验 证数据，对点云数据的分类结果进行精度验证、、 ３．１ 地物聚类 地物聚类主要包括两个步骤．第一步通过粗分类 方法滤除地面数据，保留空间位置独 的地物点云 （如图５所示）；然后对非地面数据采用欧氏空问聚类 分割的方法进行实体划分（如图６所示）；不Ｉ—ｊ的点云 实体对象采用不同的颜色进行渲染 图５地面分割结果 图６地物聚类 从图５、图６可以看出，地 数据和非地 数据得 到有效区分，并且能够将建筑、树木、路灯等地物划分 为的点云集合。 ３．２ 地物分类 对城市车载扫描点云数据进行地物聚类处理 ， 手工选取一些建筑、路灯、树ｌ小等点云集合作为训练样 本并进行训练，获取模型后，即可对其他地物集合进行 判别分类。采用决策树分类的方法对地物点云集 合进行类别划分，分类结果如图７所示 ．红色地物为 建筑，黄色地物为路灯、广告牌等杆状物，绿色地物为 树木，蓝色为道路，灰色为其他非兴趣地物 （下转第３８页） ３８ ｊ］；铁道勘 察 ２０１７年第４期 较小，而丰水季节（每年５～９月）涌水量较大。 根据其微地貌单元、水文地质单元特点，运用大气 降水入渗法、地下水径流模数法、地下水动力学法计算 其涌水量，综合分析评价隧道的涌水量，提出了在通过 断层、节理密集带等处发生突水突泥的可能性，并给出 工程学报，２０１１（１２）：７４—７９ ［６］ 庞练．成兰铁路龙门山段水文地质条件及其对隧道工程的影响研 究［Ｄ］．成都：成都理工大学，２０１０ ［７］ 李显伟．深长隧道涌水量预测影响因素评价分析［Ｊ］．铁道建筑， ２０１４（２）：７０—７３ ［８］ 飞，张顶立，周烨．隧道涌水量的预测方法及影响因素研究 ［Ｊ］．北京交通大学学报，２０１０（４）：１１—１５ 隧道在通过太阳沟流域段落的防排水设计原则和治理 措施。 参考文献 高如．复杂环境下山岭隧道区域水流场分布及涌水量预测［Ｄ］． 成都：西南交通大学，２０１５ ［９］ 张雷，赵建，张和平．隧道涌水量预测的计算方法研究［Ｊ］．公路交 通技术，２００７（１）：１２１—１２９ ［１０］田海涛，董益华，王延辉．隧道涌水量预测的研究［Ｊ］．水利与建筑 工程学报，２００７（３）：７５—９７ 国家铁路局．ＴＢ１００４９－－２０１４铁路工程水文地质勘察规范［ｓ］．北 京：中国铁道出版社，２０１５ 薛禹群，朱学愚，吴吉春，等．地下水动力学：第二版［Ｍ］．北京：地 质出版社，１９９７ 朱大力，李秋枫．预测隧道涌水量的方法［Ｊ］．工程勘察，２０００（４）： １８—３２ ［１１］王振字，陈鲁银，刘国华，等．隧道涌水量预测计算方法研究［Ｊ］． 水利水电技术，２００９（７）：４１—４４ ［１２］刘俊新，尹洪波，刘玉田．雁门关隧道涌水量预测与防护措施研究 ［ｊ］．铁道工程学报，２００９（１１）：３５—３９ ［１３］陈秀义．北天山特长隧道涌水量预测及治理措施［Ｊ］．隧道设计， ２００９（９）：３３—３９ 毛建安．山岭地区隧道涌水量预测计算方法的应用分析［Ｊ］．铁道 （上接第３４页） 一种适用于车载系统的分类方法，即先提取出路面点 云，然后进行地物实体划分和地物分类，并选择某 街区车载扫描数据进行试验验证。试验结果中，几类 典型的城市地物具有较高的分类精度，验证了算法的 有效性和适用性，为拓宽车载激光点云数据的分类方 法提供了一个新的思路。在后续研究中，可考虑引入 强度、颜色等光谱特征参与分类，并可加入典型场景地 图７地物分类结果 物的先验知识，以提高分类精度和效率。 参考文 献 ［１］ 李婷，詹庆明，喻亮．基于地物特征提取的车载激光点云数据分 类方法［Ｊ］．国土资源遥感，２０１２（１）：１７ ２１ ［２］ 史文中，李必军，李清泉．基于投影点密度的车载激光扫描距离 图像分割方法［Ｊ］．测绘学报，２００５，３４（２）：９５—１００ ［３］谭贲，钟若飞，李芹．车载激光扫描数据的地物分类方法『Ｊ］． 遥感学报，２０１２，１６（１）：５Ｏ一６６ ３．３ 精度分析 为评估本方法的精度，对试验数据的分类结果进 行人工判别，选取试验区的部分数据和分类结果进行 对比分析。每类地物各选取了５０处进行验证，生成的 矩阵如表１所示。 表１混淆矩阵 ［４］ 喻亮．基于车载激光扫描数据的地物分类和快速建模技术研究 ［Ｄ］．武汉：武汉大学，２０１１ ［５］Ｖｏｓｓｅｌｍａｎ Ｇ．Ｐｏｉｎｔ ｃｌｏｕｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｏｒ ｕｒｂａｎ ｓｃｅｎｅ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ［Ｊ］．ＩＳＰＲＳ Ｉｎｔ．Ａｒｃｈ．Ｐｈｏｔｏｇｒａｍｍ．Ｒｅｍｏｔｅ Ｓｅｎｓ．Ｓｐａｔ．Ｉｎｆ． Ｓｃｉ，２０１３ 从表１可以看出，总体分类精度达到９０．６％。其 中，建筑、杆状物的分类精度较高，而树木由于其形状、 大小等特征变化较大，导致其提取精度较差。从试验 ［６］ 杨必胜，魏征，李清泉，等．面向车载激光扫描点云快速分类的 点云特征图像生成方法［Ｊ］．测绘学报，２０１０，３９（５）：５４０—５４５ ［７］Ｌｉ Ｄ，Ｅｌｂｅｆｉｎｋ Ｓ Ｏ．Ｏｐｔｉｍｉｚｉｎｇ ｄｅｔｅｃｔｉｏｎ ｏｆ ｒｏａｄ ｆｕｒｎｉｔｕｒｅ（ｐｏｌｅ—ｌｉｋｅ ｏｂｊｅｃｔｓ）ｉｎ ｍｏｂｉｌｅ ｌａｓｅｒ ｓｃａｎｎｅｒ ｄａｔａ［Ｊ］．ＩＳＰＲＳ Ａｎｎ．Ｐｈｏｔｏｇｒａｍｍ． Ｒｅｍｏｔｅ Ｓｅｎｓ．Ｓｐａｔ．Ｉｎｆ．Ｓｃｉ，２０１３，１：１６３—１６８ 结果可以看出，本方法对建筑、路灯等兴趣地物的分类 有较高精度，可以为后续的矢量提取、建模提供有效的 数据支持。 ［８］Ｎｉｅｍｅｙｅｒ Ｊ，Ｒｏｔｔｅｎｓｔｅｉｎｅｒ Ｆ，Ｓｏｅｒｇｅｌ Ｕ．Ｃｏｎｄｉｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄｓ ｆｏｒ ｌｉｄａｒ ｐｏｉｎｔ ｃｌｏｕｄ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｉｎ ｃｏｍｐｌｅｘ ｕｒｂａｎ ａｒｅａｓ［Ｊ］．ＩＳＰＲＳ ａｎｎａｌｓ ｏｆ ｔｈｅ ｐｈｏｔｏｇｒａｍｍｅｔｒｙ，ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｎｄ ｓｐａｔｉａｌ ｉｎｆｏｒｍａｔｉｏｎ ４ 结束语 根据城市车载扫描点云数据的特点，提出并设计 ｓｃｉｅｎｃｅｓ，２０１２，１（３）：２６３—２６８
