第39卷 第5期测 绘 学 报Vol .39,No .5 2010年10月Acta Geodaetic a et Cartogra phica Sinic aOct .,2010文章编号:1001-1595(2010)05-0540-06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杨必胜1,2,魏 征1,2,李清泉1,2,毛庆洲1,21.武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;2.武汉大学时空数据智能获取技术与应用教育部工程研究中心,湖北武汉430079A Classification -oriented Method of Feature Image Generation for Vehicle -borne LaserScanning Point CloudsYANG Bisheng 1,2,W EI Zheng 1,2,LI Qingquan 1,2,MAO Qing zhou 1,21.State Key Laboratory of Information Engineering in Survey ing ,Ma pping and R emote Sensing ,Wuha n University ,Wuhan 430079,China ;2.Engineering Resea rch Center for Spatio -temporal Da ta Smart Acquisit ion and Applica tion ,Ministry of Educa tion of China ,W uhan University ,W uha n 430079,ChinaAbstract :An efficient method of feature image gener at ion of point clouds to automatical ly classify dense point cl ouds into d ifferent categories is proposed ,such as terra in points ,build ing points .The method first uses pl anar proj ect ion to sort points into d ifferent grids ,then calculates the weight s and fe ature val ues of grids according to the dist ribut ion of l aser scanning points ,and finall y generates the fe ature image of point clouds .Thus ,the proposed method adopt s contour extr act ion and tr acing me ans to extr act the bound aries and point clouds of man -made o bjects (e .g .bu ildings and trees )in 3D based on the image generated .Exper iments show that the proposed method provides a promising sol ut ion for cl assifying and extract ing man -made objects from vehicl e -borne l aser scanning point clouds .Key words :vehicl e -borne laser scanning ;data cl assi fication ;object extract ion ;image segmentat ion摘 要:以车载激光点云数据为研究对象,提出一种适合于其快速分类与目标提取的点云特征图像生成方法。
首先将扫描区域进行平面规则格网投影,通过分析格网内部点云的空间分布特征(平面距离、高程差异、点密集程度等)确定激光扫描点的定权,从而生成车载激光扫描点云的特征图像。
利用生成的点云特征图像,可采用阈值分割、轮廓提取与跟踪等手段提取图像分割的建筑物目标的边界,从而确定边界内部点云数据,实现目标分类与提取。
本文以Optech 公司的车载激光扫描数据为试验对象,验证本文提出方法的可行性和实用性。
关键词:车载激光扫描;数据分类;目标提取;图像分割中图分类号:P 208 文献标识码:A基金项目:国家自然科学基金(40871185);教育部新世纪优秀人才支持项目(NCET -07-0643);对地观测技术国家测绘局重点实验室经费;测绘遥感信息工程国家重点实验室专项科研经费1 引 言三维扫描技术起源于20世纪80年代,在获取空间信息方面提供了一种全新的技术手段,使传统的单点采集数据变为连续自动获取数据,且激光扫描仪能够直接获取被测目标表面点云的三维空间坐标,具有采样密度高、点云分布密集等特点,其已被广泛地运用于文物保护、三维重建、数字地面模型生产、城市规划等领域。
机载激光扫描数据在DEM 生成、建筑物顶部重建等方面的处理技术已相对成熟[1-6]。
但机载激光扫描只能获取地物的顶部数据,缺乏立面的细节信息(如建筑物墙面)。
近年来,以车辆为搭载平台,集成GPS 、INS 、激光扫描仪、CCD 相机等多种传感器,在传感器同步控制的基础上实现道路以及道路两侧建筑物、树木等地物的表面数据的快速获取已成为国际上研究的热点。
国际摄影测量与遥感协会已开设多个专题组从事这方面的研究与讨论。
国内外的研究机构与公司也相继推出了一些车载激光扫描系统,如:日本东京大学空间信息科学中心研制的VLMS [7-8],3D Laser Mapping 和IG I 公司合资开发的S treetM apper 系统[9],加拿大Optech 公司的Ly nx 系统[10]。
与机载激光扫描点云数据相比,车载激光扫描点云数据中存在大量Z 平面上的点云数据,如垂直于地面的一些竖直面上的点云数据。
因而针第5期杨必胜,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对机载激光扫描数据处理的一些滤波分类算法,如基于TIN 的方法不能满足车载激光扫描数据的需求[2]。
一些学者针对车载激光扫描点云数据的特点提出了相应的分类算法。
文献[8,11]根据每个断面扫描点的点位空间分布特征对扫描点进行分类,可以将建筑物、道路和树木等初步分离。
文献[12]通过分析断面直方图以及点云在Z 轴、Y 轴方向投影来实现目标分类。
但此类方法需要扫描数据的断面信息,因而难以处理散乱的点云。
李必军等[13-14]通过投影点密度和阈值分割的方式实现建筑物边界几何特征的提取。
这种方法对于平坦地区的单个对象的处理比较有效。
然而,对于大范围的车载激光扫描数据而言,由于受到地形起伏和多目标的影响,上述方法难以奏效,而且效率较低。
针对上述问题,本文提出一种面向车载激光扫描数据快速分类的点云特征图像生成方法。
该方法将扫描区域进行平面规则格网投影,通过分析格网内部点云的空间分布特征(平面距离、高程差异、点密集程度等)生成扫描区域的点云特征图像。
进而结合图像处理的方法对点云特征图像进行分割和特征提取,从而实现点云数据的快速分类,为进一步的高精度三维重建提供可靠的数据源。
2 车载点云的特征图像生成由于车载激光扫描获取的点云数据量大,难以直接对点云的几何数据进行分类和特征提取。
针对机载激光扫描数据,文献[15]采用距离图像进行分类、目标提取,但简单的距离图像并不能满足车载近距离且包含丰富立面信息的点云分类要求。
文献[16]和文献[17]分别将激光点云的反射强度图像和CCD 相机获取的地面图像与点云数据融合进行分类和特征提取。
但多数情况下系统获取的只有点云数据,在缺少影像数据辅助的情况下从点云数据中提取几何特征仍是一个首要的技术问题。
受上述方法的启发,笔者提出一种利用散乱点云几何数据生成能够反映不同目标几何属性的特征图像生成方法,从而可以利用影像分割、轮廓提取与几何分析相结合的方法对散乱的点云数据进行分类和特征提取。
2.1 点云特征图像的生成算法假设扫描区域的最大最小X YZ 坐标分别为:X min 、Y min 、Z min 、X max 、Y max 、Z max ,将整个点云区域投影到XOY 平面,并将其分成W ×H 的格网,格网间隔为GSD ,如图1,则有W =(X max -X min )/GSDH =(Y max -Y min )/GS D(1)对于上述W ×H 的格网而言,一旦通过分析格网内部点云的分布特征(平面距离、高程差异、点密集程度等)确定了每个最小单元的属性(灰度)即可生成一幅能反映整个扫描区域点云分布特征的图像。
图1 格网示意图Fig .1 Sketch map o f grids and data points假设落在第(i ,j )个格网中的激光扫描点个数为n ij ,格网(i ,j )的中心点为P ij 0(x ij 0,y ij0,0),利用n ij 个扫描点的三维坐标加权计算格网(i ,j )的特征值F ij ,然后将其归化到0～255之间形成格网(i ,j )所代表的特征灰度G ij 。
显然,每个最小单元格内的特征值受落在该单元格内的扫描点的个数、空间分布形式(即平面距离、高程差异等)决定。
扫描点距离格网中心点越远则其权值越小;扫描点的高程值越大则其权值越大。
根据以上描述,需要确定落在单元格(i ,j )内每个点(如:第k 个点,0<k ≤n ij )的权值W ijk 。
将格网的特征值F ij 的计算分为两个部分:第一部分由格网中所有点与格网中心点之间的X OY 平面距离D k ij 决定;第二部分由格网中所有点与格网中最低点之间的高程差异H k ij 决定。
因此对于单元格(i ,j )内的扫描点k 而言,其权可以描述为W ijk =αW XY ijk +βW Hijk (2)W XYijk =2GSD /D kij WH ijk =H k ij (h min (ij )-Z min )(Z max -h max (ij ))α+β=1.0(3)式中,WXYijk、W H ijk 分别为扫描点k 与格网点中心距离的权以及扫描点k 高程的权;h min (ij )、h max (ij )分别为格网(i ,j )中的最小高程和最大高程;Z max ,Z min 分别是整个扫描区域的最大高程和最小高程。
