吳 賓，余柏蒗，岳文輝，談文琦，胡春凌，吳健平

（1．華東師范大學 地理信息科學教育部重點實驗室，上海 200062；2．上海市綠化與市容管理信息中心，上海 200040）

0 引 言

行道樹是城市生態(tài)系統(tǒng)和城市景觀的重要組成部分，它在減緩暴雨引起的城市地表徑流［1］、降低汽車尾氣對于環(huán)境的污染［2，3］、緩解城市街道峽谷（street canyon）區(qū)域夏季的熱量聚集［4］和減弱街道噪聲［5］等方面有特殊的作用．當前城市行道樹信息獲取以人工實測為主，效率及技術(shù)水平相對落后．由于行道樹形態(tài)特征復雜，且城市道路兩側(cè)植被受人為因素影響較大、形態(tài)變化較快，探索一種基于現(xiàn)代數(shù)據(jù)采集手段，實現(xiàn)自動、快速、準確的提取植被信息的方法具有重要的理論意義和實踐價值．

車載激光掃描（Vehicle－borne Laser Scanning，簡稱VLS）是新近出現(xiàn)的一種三維信息獲取方式．車載激光掃描測量系統(tǒng)以汽車為平臺，用激光掃描儀和CCD相機獲取物體表面信息，以差分GPS動態(tài)定位，以慣性測量裝置（IMU）獲取測定系統(tǒng)的姿態(tài)參數(shù)［6－8］．因其搭載平臺和作業(yè)方式的特點，VLS可以獲取道路等城市物體的側(cè)面信息，適用于城市近景三維空間信息的快速準確測量［8，9］．

車載激光掃描測量系統(tǒng)獲取的原始激光掃描數(shù)據(jù)通常稱為“激光掃描點云數(shù)據(jù)”，由海量的激光掃描點組成，每個掃描點記錄了目標物體對應(yīng)位置的三維空間坐標．基于激光掃描點云數(shù)據(jù)的信息提取，需從激光掃描點中分割出組成不同物體的掃描點．例如：使用OcTree方法用于激光點云的分割，實現(xiàn)邊緣檢測、表面擬合和平面擬合［10，11］；通過建立基于OcTree結(jié)構(gòu)的體元網(wǎng)實現(xiàn)對點云的分割［12］；Elseberg等對激光點云的多重回波采用全波分析方法實現(xiàn)了對植物的識別［13］；利用空間聚類的方法實現(xiàn)道路表面提?。?4］；利用本地遠程學習方法實現(xiàn)了對點云的三維目標識別和分割［15］；Rusu和Cousins建立了一個開放的點云庫（PCL）方便用戶實現(xiàn)點云的可視化、濾波、分割、3D建模等［16］；Douillard等提出了一套針對稀疏和密集點云的分割處理方法等［17］．而從車載激光掃描點云數(shù)據(jù)中進行信息提取的方法尚處于發(fā)展階段并已取得了一定的成果．吳芬芳等將激光掃描點投影到二維的水平格網(wǎng)中，并根據(jù)投影點高度的最大值來判定數(shù)據(jù)點類別［9］；史文中等提出了基于投影點密度的車載激光掃描距離圖像分割方法，根據(jù)投影密度的差異區(qū)分不同的地物［18］；楊必勝等提出一種適合于車載激光點云數(shù)據(jù)快速分類與目標提取的點云特征圖像生成方法［19］；Lehtom?ki等提出了一種從VLS數(shù)據(jù)中提取柱狀實體（例如：交通標志桿、電線桿、樹干）的方法［20］；Lin等結(jié)合VLS和地面激光掃描（TLS）點云數(shù)據(jù)對單株樹木的生物量進行了估算［21］．這些方法對激光掃描點云進行了初步的分類，但是對于單株行道樹的識別能力有限，且沒有進一步獲取行道樹相關(guān)的特征信息，如樹高和冠徑等．

綜上，對于車載激光掃描數(shù)據(jù)的處理方法尚處于發(fā)展階段，鮮見從車載激光掃描數(shù)據(jù)中提取單株行道樹的研究．本文提出一種新的基于分層網(wǎng)格點密度的行道樹提取方法，從車載激光掃描系統(tǒng)獲取的點云數(shù)據(jù)中提取出組成單株行道樹的激光掃描點，進而獲取行道樹部分的特征信息．

1 車載激光掃描系統(tǒng)

本試驗采用華東師范大學自主研制的車載激光掃描系統(tǒng)“GPS／北斗雙星制導高維實景采集系統(tǒng)”（簡稱ECNU－VLS）（見圖1a）進行數(shù)據(jù)采集．系統(tǒng)使用汽車作為平臺，在車上搭載激光掃描儀（見圖1b）、CCD相機（見圖1c）、計算機、GPS接收機（見圖1d）、北斗定位接收機、國產(chǎn)慣性導航等設(shè)備，使用控制軟件能夠?qū)崿F(xiàn)影像數(shù)據(jù)的采集，并能記錄車輛行駛的軌跡，同時通過激光掃描儀還能夠記錄周圍地物的三維空間信息．

圖1 車載激光掃描系統(tǒng)的組件Fig．1 Components of ECNU－VLS

系統(tǒng)有兩個激光掃描儀（見圖1b），安裝在汽車頂部，位置如圖2所示．激光掃描儀掃描的有效距離為80m，掃描精度為±15mm；擁有180°的掃描角度，每條掃描線上有181個點．工作時，在沿汽車行進方向上一個掃描儀向下45°掃描，另一個向上45°掃描．兩個掃描儀獲取的激光掃描點云數(shù)據(jù)在合并后形成完整的數(shù)據(jù)．系統(tǒng)直接獲取的激光掃描點數(shù)據(jù)記錄下對應(yīng)位置的三維坐標（X，Y，Z）．系統(tǒng)的兩臺激光掃描儀同時獲取不同角度的數(shù)據(jù)，處理以后得到的激光點云數(shù)據(jù)在合并后形成完整數(shù)據(jù)．

2 基于分層網(wǎng)格點密度的單株行道樹提取方法

由于不同的地物表現(xiàn)出來的三維表面信息不同，在不同的高度上獲得的激光點也不同（例如，行道樹靠近地面的主干部分獲得的激光點較少，遠離地面的樹冠部分獲取的激光點較多），因此，可以采用分層處理的方法獲取地物在不同高度范圍的激光點．本文對史文中等提出的投影點密度方法［18］進行了改進，提出了一種基于分層網(wǎng)格點密度的單株行道樹提取方法．方法包括單株行道樹的識別、其他地物的排除、行道樹特征信息的計算等過程，總體技術(shù)流程如圖3所示．

圖2 車載激光掃描系統(tǒng)的頂視圖Fig．2 Top view of ECNU－VLS

圖3 總體技術(shù)流程圖Fig．3 Flowchart of the method for identifying street trees using VLS data

2．1 單株行道樹的識別

2．1．1 建立規(guī)則網(wǎng)格

為了確保點云分層之后各層點云投影所采用的網(wǎng)格標準（即網(wǎng)格大小和網(wǎng)格所在的行列號）一致，在進行分層之前，根據(jù)點云投影到水平面（X－Y坐標系中）的范圍建立一個適用于各層的網(wǎng)格標準，各層對應(yīng)的網(wǎng)格具有相同的行列號．網(wǎng)格建立時，選取汽車的初始位置為原點，以南北方向為Y軸，以東西方向為X軸．網(wǎng)格大小確定后即可建立研究區(qū)域點云的投影規(guī)則網(wǎng)格．

2．1．2 基于高程的點云分層

為了實現(xiàn)點云的平均分層，首先獲得所有點云數(shù)據(jù)中高程的最大值（Emax）與最小值（Emin），然后根據(jù)高程值的極差，將點云平均分成N層，即每層激光點數(shù)據(jù)的高程間隔為（Emax－Emin）／N．針對于大場景點云數(shù)據(jù)，搜索所有點云而獲取點云高程的最大最小值是不可取的，可以根據(jù)經(jīng)驗值或者實地的高程測量采樣進行估算．分別將每層的激光點賦予層標記，記為Layer i，不同層內(nèi)的激光點具有不同的Layer i屬性．

2．1．3 逐層計算網(wǎng)格點密度

參照史文中等提出的投影點密度［18］概念，將三維坐標點直接垂直投影到X－Y水平面上，統(tǒng)計每個網(wǎng)格內(nèi)的投影點數(shù)，以此數(shù)值作為該網(wǎng)格的點密度．本文所述的網(wǎng)格點密度即為分層投影點密度，用D表示．將各層內(nèi)的激光點云分別投影到預(yù)先建立好的標準網(wǎng)格中，逐層計算網(wǎng)格點密度．

2．1．4 逐層提取激光點

由于各層采用了同一套網(wǎng)格標準，同一地物在各層網(wǎng)格中的鄰域關(guān)系得以很好地表現(xiàn)．圖4表明，單株行道樹在各層網(wǎng)格中的網(wǎng)格點密度存在一定關(guān)系：由于行道樹在三維空間上是連續(xù)的，因此在相鄰的兩層網(wǎng)格中網(wǎng)格點密度不為0的網(wǎng)格中，一定存在具有相同行列號的網(wǎng)格．

本文根據(jù)以上特點提出一種提取方法，具體步驟如下．

（1）為了消除近地面地物對行道樹主干選取的影響，利用從地面向上的第二層（Layer 2）確定行道樹主干位置．即先從第二層開始查找，選擇出網(wǎng)格點密度大于某一閾值（預(yù)先給定，一般情況為0）的網(wǎng)格，并記錄選取出來的網(wǎng)格行列號；對于在某個網(wǎng)格八鄰域上網(wǎng)格密度都大于閾值的網(wǎng)格進行分組標記，各組網(wǎng)格內(nèi)的激光點分別標記屬性Treek，表示為組成編號為k的行道樹的部分激光點．

（2）進行自上而下的搜索，為第一層（Layer 1）中具有相同網(wǎng)格行列號的網(wǎng)格內(nèi)的激光點標記對應(yīng)的Treek屬性．

（3）進行自下而上的搜索，進入上一層（Layer 3），首先在本層網(wǎng)格中查找與上一層記錄的網(wǎng)格行列號相同的網(wǎng)格，對于網(wǎng)格點密度為0的網(wǎng)格進行剔除；對于剩下的網(wǎng)格，若其八鄰域的網(wǎng)格點密度大于給定的臨界閾值，則將其鄰域網(wǎng)格加入該組．

圖5具體表示了這一過程．圖5a進行網(wǎng)格鄰域查尋時，向8個方向進行搜索滿足條件的網(wǎng)格．圖5b，第一步中灰色網(wǎng)格假設(shè)是與上一層選取的網(wǎng)格行列號相同的一個網(wǎng)格，同時假設(shè)此網(wǎng)格標記在Groupk中，以此網(wǎng)格為起始網(wǎng)格，進入第二步，查找網(wǎng)格外圍的8個網(wǎng)格中點密度不為0的網(wǎng)格，將滿足條件的網(wǎng)格同時標記為Groupk．第三步，進行鄰域網(wǎng)格查詢，如果滿足點密度大于閾值（例子中為5）的網(wǎng)格則標記為Groupk．以此類推，完成后得到具有標記為Groupk的網(wǎng)格，這些網(wǎng)格內(nèi)的點標記Treek屬性．

圖4 單株樹分層投影到網(wǎng)格中的表現(xiàn)形式Fig．4 Grid points density distribution of layered points cloud that constitute an individual tree

圖5 鄰域擴展Fig．5 Neighborhood expansion

（4）入組完成后，繼續(xù)完成其他組的查找，分別標記對應(yīng)網(wǎng)格內(nèi)的激光點為對應(yīng)的Treek．當前所在層的操作完成后，記錄該層對應(yīng)組的網(wǎng)格行列號，并進入下一層進行以上操作，直至所有網(wǎng)格查找完成．

2．1．5 提取單株行道樹

以上工作完成后，原始點云數(shù)據(jù)中部分激光點的屬性中具有了Treek的標記，這些激光點構(gòu)成行道樹k；按照標記Treek，分別輸出．

2．2 其他地物的排除

在多數(shù)道路環(huán)境中，基于分層網(wǎng)格點密度的單株行道樹提取方法會提取出大量的路燈、電線竿、攝像頭和指示牌等地物的點云，需要進一步的區(qū)分排除．如圖6，由于路燈、攝像頭及其他類似地物的特殊形態(tài)，在二維網(wǎng)格中其分布往往比較集中或者沿著某一方向排布，且網(wǎng)格密度也較大．因此可以根據(jù)點云的范圍（可用網(wǎng)格個數(shù)定量）或者點云方向性分布（可用網(wǎng)格編號判斷）區(qū)分路燈等桿狀地物．據(jù)此，在輸出前，可先對具有相同標記的網(wǎng)格進行范圍及形狀的判斷，將不滿足上述條件的激光點云進行輸出．最后獲得的即是構(gòu)成單株行道樹的點云．

圖6 路燈等其他地物的排除Fig．6 Method for eliminating street lamps and other features

2．3 行道樹特征信息的計算

單株行道樹提取出來后可以進行相應(yīng)特征信息的計算，例如樹高、冠幅等．

圖7a為組成單株行道樹的激光掃面點，圖7b是獲取單株行道樹樹高信息的方法示意圖．從構(gòu)成單株行道樹的激光點中可以得到高程值的最大值Zmax以及最小值Zmin，行道樹的高度（H）可以由H＝Zmax－Zmin計算得到．

此外行道樹的冠幅可以采用兩種方式計算．冠幅是指樹木在南北或者東西方向的寬度．圖7c、d是計算冠幅的一個原理圖．圖7c，在平面坐標下可以得知冠幅可以通過所有激光點在X方向的極差值（Xmax－Xmin）以及在Y方向的極差值（Ymax－Ymin）計算得到．此外，也可以采用最優(yōu)擬合橢圓（best－fit ellipse）［22，23］（見圖7d），最優(yōu)橢圓的長軸CD和短軸AB就是冠幅．

圖7 行道樹樹高和冠幅信息的獲取方法Fig．7 Method for deriving the height and crown diameter of individual tree

3 應(yīng)用實例及結(jié)果

3．1 研究樣區(qū)

本試驗采用華東師范大學“GPS／北斗雙星制導高維實景采集系統(tǒng)”于2010年12月2日采集到的華東師范大學中山北路校區(qū)及2011年7月13日采集到的濱江森林公園激光掃描數(shù)據(jù)，選取3個樣區(qū)的點云數(shù)據(jù)進行試驗．圖8是3個樣區(qū)對應(yīng)的點云數(shù)據(jù)．試驗區(qū)域1位于中北校區(qū)內(nèi)，該區(qū)域內(nèi)共有82 299個激光點，包含有行道樹（梧桐樹）5棵；試驗區(qū)域2和試驗區(qū)域3位于濱江森林公園內(nèi)，分別包含27 343和46 616個激光點，各含有7棵行道樹（榆樹）．所選取的3個樣區(qū)中行道樹種類不同，且既有密集區(qū)域，也有相對稀松區(qū)域；同時試驗區(qū)域1中包括近地面的欄網(wǎng)，試驗區(qū)域3中包含路燈等桿狀地物，對行道樹提取具有一定的代表性．同時在數(shù)據(jù)采集當日，利用手持激光測高儀對樣區(qū)內(nèi)行道樹的樹高進行了實地測量，便于對提取出的樹高進行精度檢驗．

圖8 原始車載激光掃描點云數(shù)據(jù)Fig．8 Original VLS points cloud data of case study areas

3．2 單株行道樹提取結(jié)果

圖9為利用本文方法提取的單株行道樹．所建立的網(wǎng)格大小為0．5m×0．5m，按照研究區(qū)域激光點云數(shù)據(jù)的高程信息將激光點分成8層，在進行逐層的點云提取時選用第二層作為起始層，以此盡可能地減少地面點對方法的影響，其中進行網(wǎng)格鄰域搜索時所設(shè)閾值為5（D≥5）．

圖9表明，采用基于分層網(wǎng)格點密度的單株樹提取方法可以較好的將灌木叢以及欄網(wǎng)等其他近地面物體排除，從而篩選出單株行道樹．同時也需要指出，由于試驗區(qū)域1內(nèi)信息較為復雜，提取結(jié)果中也還保留了非常少量的組成其他近地面物體的激光掃描點；試驗區(qū)域3由于行道樹過于密集，提取結(jié)果相對比較粗糙．

圖9 利用本文方法提取的單株行道樹Fig．9 Extracted results of case study areas using the proposed method

3．3 樹高信息的獲取

在獲取了組成單株行道樹的激光掃描點后，試驗區(qū)域內(nèi)的行道樹進行特征信息的提取，并結(jié)合實測數(shù)據(jù)進行對比．由于難以實測行道樹的冠幅信息，文中沒有對冠幅進行精度分析．樹高精度分析如圖10．

圖10 研究區(qū)域內(nèi)行道樹樹高信息的精度分析Fig．10 Accuracy estimation of derived height of trees

從圖10可以看出，提取的樹高信息與實測樹高的誤差較小，其RMSE為0．396m，誤差約4．19%．總體上看來，獲取的行道樹樹高信息比較接近實際值，具有實用性．

4 討 論

4．1 網(wǎng)格大小的選取

基于分層網(wǎng)格點密度的提取方法依據(jù)平面劃分的精細格網(wǎng)作為計算點云投影密度的基礎(chǔ)，網(wǎng)格大小的選擇對結(jié)果的提取尤為重要．分別采用1m×1m、0．50m×0．50m和0．25m×0．25m的網(wǎng)格大小對上海濱江森林公園內(nèi)的部分點云進行試驗，試驗區(qū)域內(nèi)樹種均為榆樹，如圖11所示．

圖11 網(wǎng)格大小的選擇對提取結(jié)果的影響Fig．11 The impact of grid size selection on the derived results

結(jié)果表明網(wǎng)格大小越精細，提取的結(jié)果越精準．網(wǎng)格較小時，比較鄰近的點分布在不同的網(wǎng)格中，易于區(qū)分；網(wǎng)格較大時，鄰近的點可能被置于同一網(wǎng)格中，難以區(qū)分．由于網(wǎng)格過小時，分組及鄰域搜索繁雜，提取耗時較長，因此需根據(jù)實際需要選擇合適的網(wǎng)格大?。?/p>

4．2 結(jié)果對比

圖12是采用投影點密度方法得到的提取結(jié)果．首先對點云進行了地面點的刪除，試驗采用的平面投影網(wǎng)格大小為0．5m×0．5m，在進行統(tǒng)計每個網(wǎng)格單元上的投影點數(shù)后，選取值大于5的網(wǎng)格內(nèi)點云輸出．結(jié)果表明，投影點密度方法在行道樹密集區(qū)域（見圖12a和12c），由于激光點云比較集中，相鄰網(wǎng)格之間的投影點密度都比較接近且數(shù)值較大，很難通過閾值區(qū)分出單株行道樹；此外，在近地面物體較多的區(qū)域（見圖12a）提取的結(jié)果中還殘留了大量組成其他物體的激光掃描點．

圖12 基于投影點密度方法的提取結(jié)果Fig．12 Extracted results of case study areas based on the Density of Projected Points method

5 結(jié) 論

本文以車載激光掃描點云數(shù)據(jù)為研究對象，提出了一種基于分層網(wǎng)格點密度的單株行道樹提取方法．作為對于投影點密度方法的改進，該方法首先將點云按照高程進行平均分層，然后將各層點云分別投影到對應(yīng)的網(wǎng)格中并計算網(wǎng)格投影點密度，利用分層后點云數(shù)據(jù)之間的鄰域關(guān)系判斷屬于同一株行道樹的激光掃描點，之后進行逐層提取，在提取出組成單株行道樹的激光掃描點后，計算行道樹的特征信息．通過實例驗證了此方法可以較好地提取出組成單株行道樹的激光掃描點，并可以較準確的獲取樹高、冠幅等特征屬性．本研究同時證明了，車載激光掃描數(shù)據(jù)可用于城市綠化管理信息的獲取，為VLS的應(yīng)用拓展了新的領(lǐng)域．

由于行道樹形態(tài)復雜，本方法也受到了一定的限制．對于鄰近的兩株或者多株樹在中層及以上各層由于葉冠間密集交叉或者有遮蓋時，其相鄰格網(wǎng)都具有很大的投影點密度，且同一網(wǎng)格包含了兩株樹共同的點云，難以區(qū)分．在后續(xù)研究中，將通過引入競爭算法等機制，對方法進行改進．

［1］STOVIN V R，JORGENSEN A，CLAYDEN A．Street trees and stormwater management［J］．The Arboricultural Journal，2008，30（4）：297－310．

［2］RIES K，EICHHORN J．Simulation of effects of vegetation on the dispersion of pollutants in street canyons［J］．Meteorologische Zeitschrift，2001，10（4）：229－233．

［3］GROMKE C，BUCCOLIERI R，DI SABATINO S，et al．Dispersion study in a street canyon with tree planting by means of wind tunnel and numerical investigations－Evaluation of CFD data with experimental data［J］．Atmospheric Environment，2008，42（37）：8640－8650．

［4］ALI－TOUDERT F，MAYER H．Effects of asymmetry，galleries，overhanging facades and vegetation on thermal comfort in urban street canyons［J］．Solar Energy，2007，81（6）：742－754．

［5］FANG C F，LING D L．Investigation of the noise reduction provided by tree belts［J］．Landscape and Urban Planning，2003，63（4）：187－195．

［6］MANANDHAR D，SHIBASAKI R．Vehicle－borne Laser Map－ping System（VLMS）for 3－D Urban GIS Database［C］／／7th Internatioanal Conference on Computers in Urban Planning and Urban Management［CD－ROM］．University of Hawaii at Manoa，USA，2001．

［7］TALAYA J，ALAMUS R，BOSCH E．Integration of A Terrestrial Laser Scanner with GPS／IMU Orientation Sensors［C］／／International Society for Photogrammetry and Remote Sensing，Istanbul Turkey，2004：12－23．

［8］盧秀山，李清泉，馮文灝，等．車載式城市信息采集與三維建模系統(tǒng)［J］．武漢大學學報：工學版，2003（3）：76－80．

［9］吳芬芳，李清泉，熊卿．基于車載激光掃描數(shù)據(jù)的目標分類方法［J］．測繪科學，2007，32（4）：75－77．

［10］WOO H，KANG E，WANG S Y，et al．A new segmentation method for point cloud data［J］．International Journal of Machine Tools ＆Manufacture，2002，42（2）：167－178．

［11］WANG M，TSENG Y H．Automatic segmentation of lidar data into coplanar point clusters using an octree－based split－and－merge algorithm［J］．Photogrammetric Engineering and Remote Sensing，2010，76（4）：407－420．

［12］WANG M，TSENG Y H．Incremental segmentation of lidar point clouds with an octree－structured voxel space［J］．The Photogrammetric Record，2011，26（133）：32－57．

［13］ELSEBERG J，BORRMANN D，NUCHTER A．Full wave analysis in 3Dlaser scans for vegetation detection in urban environments［C］／／Information，Communication and Automation Technologies（ICAT），2011：1－7．

［14］CHOI Y W，JANG Y W，LEE H J，et al．Three－dimensional lidar data classifying to extract road point in urban area［J］．IEEE Geoscience and Remote Sensing Letters，2008，5（4）：725－729．

［15］LAI K，F(xiàn)OX D．Object recognition in 3Dpoint clouds using web data and domain adaptation［J］．The International Journal of Robotics Research，2010，29（8）：1019－1037．

［16］RUSU R B，COUSINS S．3Dis here：Point Cloud Library（PCL）［C］／／International Conference on Robotics and Automation（ICRA），2011：1－4．

［17］DOUILLARD B，UNDERWOOD J，KUNTZ N，et al．On the Segmentation of 3DLIDAR Point Clouds［C］／／International Conference on Robotics and Automation（ICRA），2011：2798－2805．

［18］史文中，李必軍，李清泉．基于投影點密度的車載激光掃描距離圖像分割方法［J］．測繪學報，2005，34（2）：95－100．

［19］楊必勝，魏征，李清泉，等．面向車載激光掃描點云快速分類的點云特征圖像生成方法［J］．測繪學報，2010（5）：540－545．

［20］LEHTOM?KI M，JAAKKOLA A，HYYPP?J，et al．Detection of vertical pole－like objects in a road environment using vehicle－based laser scanning data［J］．Remote Sensing，2010（2）：641－664．

［21］LIN Y，JAAKKOLA A，HYYPP?J，et al．From TLS to VLS：Biomass estimation at individual tree level［J］．Remote Sensing，2010（2）：1864－1879．

［22］TEAGUE M R．Image－analysis via the general theory of moments［J］．Journal of the Optical Society of America，1980，70（8）：920－930．

［23］MULCHRONE K F，CHOUDHURY K R．Fitting an ellipse to an arbitrary shape：implications for strain analysis［J］．Journal of Structural Geology，2004，26（1）：143－153．