張繼賢，林祥國(guó)，梁欣廉

1. 國(guó)家測(cè)繪產(chǎn)品質(zhì)量檢驗(yàn)測(cè)試中心，北京 100830； 2. 中國(guó)測(cè)繪科學(xué)研究院，北京 100830; 3. 芬蘭地理信息研究所，芬蘭 基爾科努米 02431

點(diǎn)云信息提取研究進(jìn)展和展望

張繼賢1，林祥國(guó)2，梁欣廉3

1. 國(guó)家測(cè)繪產(chǎn)品質(zhì)量檢驗(yàn)測(cè)試中心，北京 100830； 2. 中國(guó)測(cè)繪科學(xué)研究院，北京 100830; 3. 芬蘭地理信息研究所，芬蘭 基爾科努米 02431

點(diǎn)云是目前攝影測(cè)量、遙感、計(jì)算機(jī)視覺(jué)等多個(gè)領(lǐng)域廣泛應(yīng)用的數(shù)據(jù)源之一，而信息提取是點(diǎn)云處理、分析和應(yīng)用的必經(jīng)環(huán)節(jié)。為此，學(xué)術(shù)界已經(jīng)提出了大量點(diǎn)云信息提取方法。本文從基元類(lèi)型、提取特征、特征選擇與分類(lèi)器等3個(gè)視角概括了點(diǎn)云信息提取的相關(guān)研究現(xiàn)狀,總結(jié)出點(diǎn)云信息提取存在的5個(gè)主要問(wèn)題，點(diǎn)明了點(diǎn)云信息提取的6個(gè)主要發(fā)展趨勢(shì)，并著重介紹了“融合多基元的點(diǎn)云信息提取范式”。

激光雷達(dá)點(diǎn)云；攝影測(cè)量點(diǎn)云；濾波；分類(lèi)；多基元融合；信息提取

目前，點(diǎn)云已經(jīng)成為攝影測(cè)量和遙感、計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)等多個(gè)領(lǐng)域常見(jiàn)數(shù)據(jù)源之一，且其類(lèi)型多樣。本文點(diǎn)云僅包含機(jī)載激光雷達(dá)(light detection and ranging，LiDAR)點(diǎn)云和攝影測(cè)量點(diǎn)云兩種類(lèi)型。機(jī)載LiDAR測(cè)量技術(shù)的出現(xiàn)和發(fā)展，為地理空間三維信息獲取提供了全新的技術(shù)手段，它被譽(yù)為是繼全球定位系統(tǒng)以來(lái)在測(cè)繪遙感領(lǐng)域的又一場(chǎng)技術(shù)革命[1]。其創(chuàng)新性、開(kāi)拓性，既表現(xiàn)在新穎的數(shù)據(jù)獲取方式、組織方式，又表現(xiàn)在數(shù)據(jù)處理和信息提取需要新理論、新方法。這種新穎的數(shù)據(jù)被稱(chēng)為機(jī)載LiDAR點(diǎn)云，它具有海量(數(shù)據(jù)量大)、高冗余、局部數(shù)據(jù)缺失、點(diǎn)密度不均一、非結(jié)構(gòu)化的特點(diǎn)[2]。同時(shí)，機(jī)載LiDAR點(diǎn)云類(lèi)型也正在日益多樣化。例如，將LiDAR點(diǎn)云賦予與之相匹配影像的色彩信息，可以產(chǎn)生影像點(diǎn)云；同時(shí)，隨著目前多光譜/高光譜激光雷達(dá)測(cè)量技術(shù)的發(fā)展，也可以直接獲取帶有多光譜[3]/高光譜特征的LiDAR點(diǎn)云。

另外，傾斜攝影成為近年來(lái)國(guó)內(nèi)外攝影測(cè)量與遙感領(lǐng)域發(fā)展十分迅速的一項(xiàng)高新技術(shù)。它通過(guò)在同一飛行平臺(tái)上搭載多臺(tái)傳感器，同時(shí)從垂直、傾斜等不同的角度采集影像，獲取地面物體更為完整準(zhǔn)確的信息。其關(guān)鍵內(nèi)容通常包括區(qū)域網(wǎng)聯(lián)合平差[4]、多視影像密集匹配[5]、數(shù)字表面模型生成、真正射糾正、三維建模[6-7]等。其中，多視影像密集匹配生成的攝影測(cè)量點(diǎn)云[8](或稱(chēng)影像匹配點(diǎn)云[9]、密集圖像匹配點(diǎn)云)不僅在精度上可與LiDAR點(diǎn)云相媲美，而且直接具有光譜信息，具有廣泛的應(yīng)用價(jià)值。

目前，點(diǎn)云已經(jīng)廣泛地應(yīng)用于高精度大比例尺數(shù)字高程模型(DEM)制作[10-11]、電力巡線(xiàn)[12-13]、建筑物三維建模[14-15]、地表覆蓋分類(lèi)[16]、變化檢測(cè)[17]、森林資源調(diào)查[18]、生物量估算[19]、基礎(chǔ)設(shè)施制圖[20]、海岸帶測(cè)量、礦山測(cè)量、災(zāi)害評(píng)估、濕地測(cè)圖、城市規(guī)劃等領(lǐng)域。盡管目前點(diǎn)云處理和應(yīng)用的領(lǐng)域十分廣泛，但是學(xué)術(shù)界和工業(yè)界也認(rèn)識(shí)到：點(diǎn)云信息提取(本文點(diǎn)云信息提取只涉及濾波、分類(lèi))是點(diǎn)云應(yīng)用的必經(jīng)步驟和基礎(chǔ)性工作。然而，盡管已有大量點(diǎn)云信息提取方法，且部分方法已經(jīng)工程化應(yīng)用，但是點(diǎn)云信息提取研究仍然處于發(fā)展階段，還有許多問(wèn)題沒(méi)有得到解決，尤其是目前主流的基于點(diǎn)的信息提取方法并未充分挖掘點(diǎn)云數(shù)據(jù)本身的自動(dòng)化潛力，迫切需要新的點(diǎn)云信息提取理論與方法。

1 研究進(jìn)展

過(guò)去的20年中，點(diǎn)云信息提取已經(jīng)取得了顯著的進(jìn)展[21-22]。本文按照點(diǎn)云信息提取過(guò)程中涉及的基本處理單元(基元)類(lèi)型、提取的特征、特征選擇與分類(lèi)方法等3個(gè)視角[23]分別對(duì)相關(guān)研究現(xiàn)狀進(jìn)行綜述。

1.1 基于多基元的點(diǎn)云信息提取

在點(diǎn)云信息提取領(lǐng)域，濾波通常指區(qū)分點(diǎn)云中的地面點(diǎn)和地物點(diǎn)(非地面點(diǎn))的過(guò)程[24]。另外，點(diǎn)云分類(lèi)有狹義與廣義之分。狹義的點(diǎn)云分類(lèi)，是將地物點(diǎn)進(jìn)一步區(qū)分為植被點(diǎn)、建筑物點(diǎn)、水體點(diǎn)等更精細(xì)類(lèi)別點(diǎn)的過(guò)程；廣義的點(diǎn)云分類(lèi)同時(shí)包含了濾波和狹義點(diǎn)云分類(lèi)的全部?jī)?nèi)容。點(diǎn)云信息提取中使用的基本處理單元，稱(chēng)為“基元”。按照基元類(lèi)型，可以將已有的方法劃分為基于點(diǎn)、剖面、體素、對(duì)象、多基元融合(如圖1所示)等4類(lèi)點(diǎn)云信息提取方式。

圖1 點(diǎn)、剖面、體素、對(duì)象、關(guān)鍵點(diǎn)等多種基元的示意圖Fig.1 Illustration of multiple primitives such as point, profile, voxel, object and key points

1.1.1 基于點(diǎn)基元的信息提取

點(diǎn)云本質(zhì)上是點(diǎn)的集合，點(diǎn)是點(diǎn)云信息提取中最原始的基元，如圖1(a)所示。濾波方面，有代表性的基于點(diǎn)的濾波方法包括漸進(jìn)加密不規(guī)則三角網(wǎng)[10-11]、分層穩(wěn)健線(xiàn)性?xún)?nèi)插[25]、坡度[26]、漸進(jìn)窗口形態(tài)學(xué)[27]、Top-Hat形態(tài)學(xué)變換[28]、布料擬合[29]濾波等。

分類(lèi)方面，提出了大量的基于點(diǎn)的點(diǎn)云分類(lèi)方法。例如，文獻(xiàn)[30]以點(diǎn)為基元計(jì)算特征，進(jìn)行電力線(xiàn)路走廊機(jī)載LiDAR點(diǎn)云分類(lèi)。文獻(xiàn)[31]以點(diǎn)為基元提取了20余種特征、并顧及空間上下文關(guān)系進(jìn)行機(jī)載LiDAR點(diǎn)云分類(lèi)。商業(yè)軟件TerraSolid和LAStools中的分類(lèi)模塊也使用了點(diǎn)基元。在分類(lèi)過(guò)程中，基于點(diǎn)基元的分類(lèi)方法通常使用了3種近鄰鄰域關(guān)系確定任意一點(diǎn)的特征，這3種鄰近包括：球半徑鄰近[32]、圓柱體鄰近[33]、K最鄰近[34]；且這3種鄰近關(guān)系的查詢(xún)均可以借助kd-tree實(shí)現(xiàn)。另外，最優(yōu)鄰域的選擇[35-37]也是基于點(diǎn)基元的分類(lèi)方法關(guān)注焦點(diǎn)之一；但是，最優(yōu)鄰域選擇過(guò)程一般計(jì)算復(fù)雜度高、特別耗時(shí)[38]。

目前，使用點(diǎn)基元的點(diǎn)云信息提取方法較多。但該類(lèi)方法卻存在可利用的特征不足、特征計(jì)算耗時(shí)、難以確定最優(yōu)鄰域等問(wèn)題。

1.1.2 基于剖面基元的信息提取

掃描線(xiàn)是多數(shù)機(jī)載LiDAR系統(tǒng)獲取和組織點(diǎn)云數(shù)據(jù)的常見(jiàn)方式。可以將一條掃描線(xiàn)看作一個(gè)剖面，按照掃描線(xiàn)建立點(diǎn)云索引[39]，如圖1(b)所示。濾波方面，文獻(xiàn)[40]提出了基于剖面基元的雙向標(biāo)號(hào)機(jī)載LiDAR點(diǎn)云濾波方法。文獻(xiàn)[41]實(shí)現(xiàn)了基于剖面基元的并行濾波算法。分類(lèi)方面，文獻(xiàn)[42]首先把機(jī)載LiDAR點(diǎn)云表示為正交剖面的數(shù)據(jù)結(jié)構(gòu)，然后進(jìn)行點(diǎn)云分割和分類(lèi)。

目前，使用剖面基元的點(diǎn)云信息提取方法較少，主要是由于剖面能顧及的鄰域有限、可利用的上下文特征和知識(shí)不足。

1.1.3 基于體素基元的信息提取

體素將原始激光點(diǎn)云數(shù)據(jù)劃分到具有一定體積大小的長(zhǎng)方體中，每個(gè)長(zhǎng)方體內(nèi)的點(diǎn)集稱(chēng)為一個(gè)體素，如圖1(c)所示。濾波方面，文獻(xiàn)[43]提出了一種基于體素的濾波方法。該方法將點(diǎn)云數(shù)據(jù)劃分為不同分辨率等級(jí)的體素，以體素為單位通過(guò)與鄰域體素的高程加權(quán)均值比較剔除植被點(diǎn)、保留地面點(diǎn)，從而獲取森林地區(qū)的DEM。文獻(xiàn)[44]介紹了機(jī)載LiDAR點(diǎn)云的體素剖分過(guò)程及其濾波應(yīng)用。

分類(lèi)方面，鮮見(jiàn)體素在機(jī)載LiDAR和攝影測(cè)量點(diǎn)云分類(lèi)中的應(yīng)用。但體素在車(chē)載LiDAR點(diǎn)云信息提取中有應(yīng)用。文獻(xiàn)[45]使用體素組織點(diǎn)云數(shù)據(jù)來(lái)提取點(diǎn)云中的樹(shù)木。文獻(xiàn)[46]使用體素基元來(lái)提取點(diǎn)云中的建筑物。鑒于體素能夠很好地判別局部點(diǎn)云的共線(xiàn)、共面或球狀分布的狀態(tài)，文獻(xiàn)[47]用體素基元來(lái)識(shí)別點(diǎn)云中的電力線(xiàn)點(diǎn)云。

目前，體素對(duì)機(jī)載LiDAR和攝影測(cè)量點(diǎn)云信息提取的適用性有限，它比較適合作為車(chē)載LiDAR點(diǎn)云信息提取的基元。

1.1.4 基于對(duì)象基元的信息提取

鑒于點(diǎn)云分割獲取的對(duì)象可以增加信息提取精度、降低信息提取不確定性[48]的優(yōu)勢(shì)，面向?qū)ο蟮狞c(diǎn)云分析[49]方法以點(diǎn)云分割的對(duì)象(如圖1(d)所示)為基元進(jìn)行信息提取。

濾波方面，已經(jīng)有較多的面向?qū)ο蟮狞c(diǎn)云濾波方法，可參考文獻(xiàn)[50—55]。而且，多數(shù)的面向?qū)ο蟮狞c(diǎn)云濾波方法是對(duì)基于點(diǎn)的濾波方法的改進(jìn)。例如，前文已經(jīng)介紹了漸進(jìn)加密不規(guī)則三角網(wǎng)[10]、分層穩(wěn)健線(xiàn)性?xún)?nèi)插[25]兩種經(jīng)典的基于點(diǎn)的濾波方法。文獻(xiàn)[53]與文獻(xiàn)[25]的原理相似、文獻(xiàn)[55]與文獻(xiàn)[10]的原理相似；但前者的基元均為對(duì)象、后者的基元均為點(diǎn)。試驗(yàn)表明，在濾波原理相似的情況，面向?qū)ο蟮狞c(diǎn)云濾波方法比基于點(diǎn)的濾波方法精度高，但面向?qū)ο蟮臑V波方法更耗時(shí)[64]。

分類(lèi)方面，文獻(xiàn)[56]在面向?qū)ο蟮狞c(diǎn)云分類(lèi)中做了開(kāi)創(chuàng)性的工作。文獻(xiàn)[49]首先提出了面向?qū)ο蟮狞c(diǎn)云分析概念，并將其應(yīng)用于點(diǎn)云分類(lèi)。文獻(xiàn)[57]提取了對(duì)象的若干特征，使用SVM進(jìn)行分類(lèi)。文獻(xiàn)[58—59]將面向?qū)ο蟮狞c(diǎn)云分析方法用于車(chē)輛提取,該類(lèi)車(chē)輛提取方法被文獻(xiàn)[60]評(píng)價(jià)為“簡(jiǎn)單(simple)、高精度(sufficient accuracy)”。文獻(xiàn)[61]使用對(duì)象的多回波比例特征區(qū)分建筑物和植被。文獻(xiàn)[16]采用基于規(guī)則的分類(lèi)方式，同時(shí)利用幾何和光譜特征進(jìn)行分層的攝影測(cè)量點(diǎn)云專(zhuān)題信息提取。

另外，面向?qū)ο蟮狞c(diǎn)云分析、面向?qū)ο蟮挠跋穹治鰞煞N理論的發(fā)展也促進(jìn)了面向?qū)ο蟮亩嘣磾?shù)據(jù)融合的信息提取。例如，文獻(xiàn)[14]融合LiDAR點(diǎn)云和影像進(jìn)行基于方位圖的建筑物提取和三維重建；文獻(xiàn)[62—63]集成機(jī)載LiDAR點(diǎn)云和影像進(jìn)行地表覆蓋制圖；綜述文獻(xiàn)[22]列舉了大量的融合點(diǎn)云與光學(xué)影像的信息提取方法。

目前，基于對(duì)象的點(diǎn)云信息提取方法方興未艾。但該類(lèi)方法信息提取效果嚴(yán)重依賴(lài)于點(diǎn)云分割的質(zhì)量，且十分耗時(shí)。

1.1.5 融合多基元的信息提取

融合多基元的點(diǎn)云信息提取是一類(lèi)嶄新的方法，其原理是在信息提取的不同階段使用不同類(lèi)型的基元，或者采用多種基元以實(shí)現(xiàn)更優(yōu)的提取效果。濾波方面，文獻(xiàn)[64]提出了一種基于多基元的三角網(wǎng)漸進(jìn)加密濾波方法，它包括點(diǎn)云分割、對(duì)象關(guān)鍵點(diǎn)提取(如圖1(e)所示)、基于關(guān)鍵點(diǎn)的對(duì)象類(lèi)別判別3個(gè)主要階段，且三階段的基元分別為點(diǎn)、對(duì)象、關(guān)鍵點(diǎn)。文獻(xiàn)[65]將原始的點(diǎn)云劃定為兩個(gè)子集：對(duì)象子集、孤立點(diǎn)子集，然后綜合采用對(duì)象和點(diǎn)兩種基元開(kāi)展濾波和地形結(jié)構(gòu)線(xiàn)提取。

分類(lèi)方面，多基元融合分類(lèi)方法開(kāi)始涌現(xiàn)。例如，文獻(xiàn)[66]首先采用體素組織點(diǎn)云，然后基于若干規(guī)則將體素合并為超級(jí)體素，最后對(duì)超級(jí)體素進(jìn)行分類(lèi)。在多基元融合的點(diǎn)云分類(lèi)方面，文獻(xiàn)[67]進(jìn)行了富有成效的探索，提出基于多實(shí)體的點(diǎn)云分類(lèi)方法，在分類(lèi)的不同階段使用不同的實(shí)體(點(diǎn)、平面對(duì)象、均值漂移對(duì)象)以實(shí)現(xiàn)更優(yōu)的分類(lèi)效果。文獻(xiàn)[68]設(shè)計(jì)了一種基于指數(shù)的多層次點(diǎn)集結(jié)構(gòu)，并利用SCLDA(sparse coding and latent dirichlet allocation)表達(dá)多層次點(diǎn)集特征，得到了較好的分類(lèi)效果。

目前，融合多基元的點(diǎn)云分析方法剛剛嶄露頭角。由于多尺度的多基元結(jié)構(gòu)能夠充分顧及不同尺度空間的特性，采用多基元結(jié)構(gòu)有利于提高分類(lèi)識(shí)別的效果[69]。但是，該類(lèi)方法缺乏相關(guān)理論框架的探討，尤其是多數(shù)點(diǎn)云分割方法還無(wú)法實(shí)現(xiàn)點(diǎn)云的多尺度分割和多基元獲取，這阻礙了融合多基元的點(diǎn)云信息提取的深入發(fā)展。

1.2 提取的點(diǎn)云特征

點(diǎn)云分類(lèi)精度與特征有效性是密切相關(guān)的，高效構(gòu)建有效的點(diǎn)云特征是提高點(diǎn)云分類(lèi)效果的重要方面[69]。同時(shí)，特征與基元是密切關(guān)聯(lián)的。已有的文獻(xiàn)中，屬于點(diǎn)和對(duì)象兩種基元的特征較多，而其他類(lèi)型基元的特征可以參考點(diǎn)或?qū)ο蟮奶卣鳌?/p>

常用的點(diǎn)基元特征包括：

(1) 高程及高程紋理特征。包括：點(diǎn)與點(diǎn)間相對(duì)高差[27]、歸一化數(shù)字表面模型(normalized digital surface model，nDSM)高度、局部高程紋理特征[31]、彎曲能量[70]、數(shù)字表面模型的差分形態(tài)學(xué)剖面特征[71]。

(2) 幾何形態(tài)特征。主要是基于局部鄰接點(diǎn)集的主成分分析特征，即線(xiàn)性、平面性、球面型、各向異性等[31,72]特征。對(duì)于局部鄰接點(diǎn)集可以求取其水平和垂直投影特征[31]。另外，點(diǎn)到面的距離[10-11]、夾角[10-11]、點(diǎn)與點(diǎn)間坡度[26]也是常用的特征。

(3) 回波特征。涉及回波類(lèi)型、首次尾次回波高差等特征[1]、回波率[87]。

(4) 反射強(qiáng)度和光譜特征[73]。

面向?qū)ο蟮狞c(diǎn)云分析中，對(duì)象的常用特征包括：距離地面的平均高度[67]、距離地面的最小高度[67]、距離地面的最大高度[67]、面積[57,67]、平均點(diǎn)間距[67]、平面擬合殘差[67]、對(duì)象傾角[57,67]、矩形度[52]、狹長(zhǎng)度[52]、緊致度[52]、多回波比例[61]、平均反射強(qiáng)度[57]等。

對(duì)于其他類(lèi)型的基元，可以根據(jù)基元類(lèi)型適當(dāng)?shù)男薷南鄳?yīng)的上述特征。比如，文獻(xiàn)[68]不斷地?cái)U(kuò)大尺度獲取不同等級(jí)的局部鄰接點(diǎn)集，進(jìn)而可以求取多個(gè)等級(jí)的幾何形態(tài)特征。

1.3 點(diǎn)云信息提取的特征選擇和分類(lèi)器

目前，點(diǎn)云信息提取中，常用的分類(lèi)器涉及隨機(jī)森林[30,74]、支持向量機(jī)[57]、JointBoost[31]、Expectation Maximum[75]、條件隨機(jī)場(chǎng)[76]、Neural Oscillator Network[77]、深度學(xué)習(xí)[78]、Adaptive Boosting(AdaBoost)[68]等。而且，隨機(jī)森林[23,30,74,87]和JointBoost[31]還常被用來(lái)進(jìn)行特征的選擇。

另外，點(diǎn)云信息提取中還涉及分層分類(lèi)策略。例如，文獻(xiàn)[67]進(jìn)行基于規(guī)則的機(jī)載LiDAR點(diǎn)云分層分類(lèi)。該方法首先區(qū)分地面點(diǎn)、非地面點(diǎn)；然后從地面點(diǎn)中分離出水體點(diǎn)；接著對(duì)非地面點(diǎn)進(jìn)行分割獲取平面對(duì)象進(jìn)而識(shí)別建筑物屋頂、立面點(diǎn)，對(duì)剩余的點(diǎn)進(jìn)行聚類(lèi)識(shí)別植被點(diǎn)。

2 問(wèn)題與挑戰(zhàn)

目前，點(diǎn)云信息提取研究已經(jīng)取得了顯著的進(jìn)展，但是也還存在諸多不足之處。主要的問(wèn)題包括：

2.1 方法研究的理論性有待進(jìn)一步提高，配套商業(yè)軟件的功能有待進(jìn)一步增強(qiáng)

在點(diǎn)云信息提取領(lǐng)域，盡管存在大量方法研究，但并未上升到理論或者范式的層次。另外，已有點(diǎn)云信息提取的商業(yè)軟件是基于點(diǎn)基元的實(shí)現(xiàn)的，相關(guān)技術(shù)的理念已經(jīng)十分陳舊、需要大量人機(jī)交互，尚未見(jiàn)使用其他類(lèi)型基元的商業(yè)軟件出現(xiàn)。目前，點(diǎn)云信息提取軟件的水平依然嚴(yán)重滯后于硬件水平，已經(jīng)成為目前激光雷達(dá)測(cè)量技術(shù)進(jìn)步的最大障礙[72]。

2.2 缺乏融合多基元的點(diǎn)云分析理論、方法研究

如前所述，已有點(diǎn)云信息提取方法中涉及的基元包括點(diǎn)、剖面、體素、對(duì)象、關(guān)鍵點(diǎn)等，且后4種基元具有一定的共性，本質(zhì)上是點(diǎn)基元的一種集合和再組織方式。但是，任何單一的基元都無(wú)法全面描述復(fù)雜的點(diǎn)云場(chǎng)景，需要融合多基元實(shí)現(xiàn)全息的點(diǎn)云分析。然而，融合多基元的點(diǎn)云分析剛剛興起，對(duì)點(diǎn)云數(shù)據(jù)的多種類(lèi)型基元的描述表達(dá)、多尺度分割、同一尺度不同基元的三維空間拓?fù)潢P(guān)系建立和描述、不同尺度基元的上下文關(guān)系建立和描述、多尺度特征提取和選擇等核心問(wèn)題還缺乏深入的研究。

2.3 缺乏點(diǎn)云分析的不確定性研究

點(diǎn)云數(shù)據(jù)是一種新穎的空間數(shù)據(jù)，不僅需要新的數(shù)據(jù)組織管理方法[79]，而且需要對(duì)點(diǎn)云數(shù)據(jù)信息提取過(guò)程進(jìn)行機(jī)理上的分析。另外，空間數(shù)據(jù)及其處理和信息提取本身是具有不確定性的[80]。點(diǎn)云數(shù)據(jù)的精度、粗差、密度與地物類(lèi)型、地物尺度、地物關(guān)聯(lián)度等6個(gè)要素等對(duì)點(diǎn)云分析(尤其是多尺度點(diǎn)云分割和分類(lèi)精度)具有很大的影響，但對(duì)相關(guān)不確定性分析缺乏定量的研究。

2.4 新機(jī)器學(xué)習(xí)方法的使用有待進(jìn)一步深入

盡管經(jīng)典的機(jī)器學(xué)習(xí)方法已經(jīng)廣泛應(yīng)用于點(diǎn)云分析，但是機(jī)器學(xué)習(xí)領(lǐng)域最近幾年有著突飛猛進(jìn)的發(fā)展，尤其是深度學(xué)習(xí)的發(fā)展開(kāi)啟了又一輪人工智能熱潮。目前，深度學(xué)習(xí)在影像分析與理解領(lǐng)域得到了深入研究和部分應(yīng)用，但在點(diǎn)云分析領(lǐng)域卻剛剛興起。

2.5 缺乏高性能計(jì)算技術(shù)的應(yīng)用

一方面，隨著測(cè)量技術(shù)的提高，點(diǎn)云數(shù)據(jù)的密度越來(lái)越高，其數(shù)據(jù)量越來(lái)越大。同時(shí)，點(diǎn)云濾波、分割、特征提取等工作相當(dāng)?shù)暮臅r(shí)。另一面，計(jì)算機(jī)硬件的性能有了顯著的提升、高性能計(jì)算技術(shù)有了飛速的發(fā)展，而點(diǎn)云本身數(shù)據(jù)獲取的特點(diǎn)決定了其適合并行計(jì)算[41,81]。盡管有少量點(diǎn)云并行方法的探索[41,82-83]，但是目前多數(shù)的點(diǎn)云分析算法仍然未采用并行計(jì)算技術(shù)，這導(dǎo)致其效率仍然很低，且相關(guān)的高性能計(jì)算研究仍十分欠缺。

3 發(fā)展趨勢(shì)

今后點(diǎn)云信息提取發(fā)展主要集中下述6個(gè)方面：

3.1 融合光譜與三維幾何特征的點(diǎn)云將成為信息提取的熱點(diǎn)數(shù)據(jù)源之一

機(jī)載多光譜LiDAR系統(tǒng)能夠同時(shí)獲取地表面上地物的表面幾何和光譜數(shù)據(jù)，其獲取的數(shù)據(jù)能夠保證光譜與空間幾何數(shù)據(jù)在空間和時(shí)間上相對(duì)完整和一致性。例如，加拿大Optech公司的Titan機(jī)載多光譜LiDAR系統(tǒng)包括3個(gè)獨(dú)立的主動(dòng)波束(成像通道)：532、1064和1550 nm，且這3個(gè)成像通道的激光脈沖在相同的震蕩鏡像上有3.5°偏轉(zhuǎn)角的間隔。因此，該系統(tǒng)可提供3個(gè)獨(dú)立點(diǎn)云，且經(jīng)過(guò)后續(xù)處理可獲得攜帶多光譜信息的點(diǎn)云。從數(shù)據(jù)源的角度展望，機(jī)載多光譜LiDAR點(diǎn)云將成為未來(lái)一段時(shí)間研究的熱點(diǎn)數(shù)據(jù)源之一。

3.2 多尺度多層次點(diǎn)云分割

點(diǎn)云數(shù)據(jù)中往往包含地面、建筑物、樹(shù)木、電塔等不同類(lèi)型的、不同尺寸的、具有不同幾何特性的目標(biāo)，為了實(shí)現(xiàn)海量點(diǎn)云的快速、高精度、自動(dòng)化的模型重建，點(diǎn)云數(shù)據(jù)的高效、高精度分割是其中非常重要且關(guān)鍵的環(huán)節(jié)。可靠高效的進(jìn)行點(diǎn)云分割，不僅能夠降低數(shù)據(jù)冗余、提高點(diǎn)云數(shù)據(jù)的信息提取效率，而且還能為目標(biāo)的三維重建提供可靠的數(shù)據(jù)。然而，目前的點(diǎn)云分割普遍存在過(guò)分割、欠分割、效率低、分割尺度單一的問(wèn)題。從分割方法的角度展望，多尺度多層次點(diǎn)云分割方法亟待研究。

3.3 基于深度學(xué)習(xí)的點(diǎn)云信息提取

模式識(shí)別領(lǐng)域的研究表明，好的特征可以極大提高模式識(shí)別系統(tǒng)的性能。傳統(tǒng)的模式識(shí)別過(guò)程中，手工設(shè)計(jì)的特征處于統(tǒng)治地位。這些特征主要依靠設(shè)計(jì)者的先驗(yàn)知識(shí)；另外，手工設(shè)計(jì)出有效的特征是一個(gè)相當(dāng)漫長(zhǎng)的過(guò)程。另外，傳統(tǒng)的模式識(shí)別方法由于依賴(lài)手工調(diào)參數(shù)，特征的設(shè)計(jì)中只允許出現(xiàn)少量的參數(shù)。文獻(xiàn)[84]認(rèn)為，深度學(xué)習(xí)與傳統(tǒng)模式識(shí)別方法的最大不同在于它是從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，而非采用手工設(shè)計(jì)的特征；同時(shí)，深度學(xué)習(xí)可以針對(duì)新的應(yīng)用從訓(xùn)練數(shù)據(jù)中很快學(xué)習(xí)得到新的有效的特征；并且，深度學(xué)習(xí)自動(dòng)學(xué)習(xí)特征中可以包含成千上萬(wàn)的參數(shù)。2017年，文獻(xiàn)[85]提出了基于深度學(xué)習(xí)、集成學(xué)習(xí)框架的高分辨率遙感圖像語(yǔ)義標(biāo)注方法，該方法在國(guó)際攝影測(cè)量與遙感學(xué)會(huì)基準(zhǔn)數(shù)據(jù)測(cè)試中獲得了最高的分類(lèi)精度。然而，深度學(xué)習(xí)在點(diǎn)云信息提取中的研究才剛剛開(kāi)始[86]，亟待深入研究和應(yīng)用。

3.4 基于遷移學(xué)習(xí)的點(diǎn)云信息提取

經(jīng)典的機(jī)器學(xué)習(xí)方法假設(shè)訓(xùn)練數(shù)據(jù)與待分類(lèi)數(shù)據(jù)的分布是一致的。因此，在使用經(jīng)典機(jī)器學(xué)習(xí)方法進(jìn)行分類(lèi)時(shí)，只有訓(xùn)練數(shù)據(jù)和待分類(lèi)數(shù)據(jù)具有基本一致特征時(shí)，才能達(dá)到較好分類(lèi)效果。但是自然界場(chǎng)景千變?nèi)f化，同一場(chǎng)景隨著時(shí)間的推移也在發(fā)生變化。這嚴(yán)重限制了機(jī)器學(xué)習(xí)在點(diǎn)云信息提取中的廣泛推廣和應(yīng)用。目前，遷移學(xué)習(xí)[88-89]正在尋找一種能在不同場(chǎng)景中可擴(kuò)展的類(lèi)別區(qū)分算法，它在點(diǎn)云信息提取中亦有廣泛的應(yīng)用潛力。

3.5 海量點(diǎn)云數(shù)據(jù)并行處理

并行計(jì)算的模式有很多種，可以單機(jī)并行，也可以集群并行；可以將任務(wù)分解并行，也可以將數(shù)據(jù)分解并行。點(diǎn)云并行算法的設(shè)計(jì)可以對(duì)數(shù)據(jù)進(jìn)行劃分,也可以對(duì)算法本身的計(jì)算過(guò)程進(jìn)行并行化改造。另外，點(diǎn)云數(shù)據(jù)信息提取算法復(fù)雜多樣，不同算法的并行化設(shè)計(jì)其結(jié)果也不盡相同。因此，針對(duì)不同的數(shù)據(jù)處理任務(wù)研究特定的并行算法，或者對(duì)特定算法進(jìn)行并行化設(shè)計(jì)是點(diǎn)云高性能信息提取的主要任務(wù)。

3.6 融合多基元的點(diǎn)云分析范式

“融合多基元的點(diǎn)云分析范式”是對(duì)面向?qū)ο蟮挠跋穹治龇妒皆邳c(diǎn)云信息提取領(lǐng)域的延伸和拓展。它將充分利用點(diǎn)云數(shù)據(jù)的幾何、光譜、形狀、紋理、反射強(qiáng)度、回波等特征，主要圍繞融合多基元的逐層分類(lèi)框架設(shè)計(jì)、多尺度點(diǎn)云分割和多基元獲取、融合多基元的特征提取和選擇、融合多基元的模式分類(lèi)，并行計(jì)算等關(guān)鍵方法開(kāi)展系統(tǒng)的研究，并結(jié)合典型場(chǎng)景的點(diǎn)云分析開(kāi)展信息提取的不確定性分析。

4 結(jié) 語(yǔ)

點(diǎn)云是目前攝影測(cè)量和遙感領(lǐng)域常見(jiàn)的數(shù)據(jù)源之一，信息提取是點(diǎn)云應(yīng)用的必經(jīng)步驟。經(jīng)過(guò)20多年的發(fā)展，點(diǎn)云信息提取研究已經(jīng)取得了長(zhǎng)足的進(jìn)展，提出了大量的濾波和分類(lèi)方法、且部分方法已經(jīng)被業(yè)界廣泛應(yīng)用。但是如何充分挖掘點(diǎn)云的潛力，并從點(diǎn)云數(shù)據(jù)中快速、高精度地提取更多的信息仍然亟待研究。本文主要圍繞機(jī)載LiDAR和攝影測(cè)量點(diǎn)云的濾波、分類(lèi)、典型目標(biāo)識(shí)別涉及的信息提取方法進(jìn)行了系統(tǒng)的總結(jié)和歸納，指出了存在的主要問(wèn)題和發(fā)展趨勢(shì)，并著重提出了“融合多基元的點(diǎn)云分析范式”，以期促進(jìn)點(diǎn)云信息提取的研究和應(yīng)用。

[1] 張小紅. 機(jī)載激光雷達(dá)測(cè)量技術(shù)理論與方法[M]. 武漢: 武漢大學(xué)出版社, 2007.

ZHANG Xiaohong. Theories, Methods of Airborne LiDAR Technique[M]. Wuhan: Wuhan University Press, 2007.

[2] ZHANG Zhenxin, ZHANG Liqiang, TONG Xiaohua, et al. Discriminative-dictionary-learning-based Multilevel Point-cluster Features for ALS Point-Cloud Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12): 7309-7322.

[3] CHEN Biwu, SHI Shuo, GONG Wei, et al. Multispectral LiDAR Point Cloud Classification: A Two-Step Approach[J]. Remote Sensing, 2017, 9(4): 373.

[4] 張力, 艾海濱, 許彪, 等. 基于多視影像匹配模型的傾斜航空影像自動(dòng)連接點(diǎn)提取及區(qū)域網(wǎng)平差方法[J]. 測(cè)繪學(xué)報(bào), 2017, 46(5): 554-564. DOI: 10.11947/j.AGCS.2017.20160571.

ZHANG Li, AI Haibin, XU Biao, et al. Automatic Tie-point Extraction Based on Multiple-image Matching and Bundle Adjustment of Large Block of Oblique Aerial Images[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(5): 554-564. DOI: 10.11947/j.AGCS.2017.20160571.

[5] 朱慶, 陳崇泰, 胡翰, 等. 顧及紋理特征的航空影像自適應(yīng)密集匹配方法[J]. 測(cè)繪學(xué)報(bào), 2017, 46(1): 62-72. DOI: 10.11947/j.AGCS.2017.20150608.

ZHU Qing, CHEN Chongtai, HU Han, et al. An Adaptive Dense Matching Method for Airborne Images Using Texture Information[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(1): 62-72. DOI: 10.11947/j.AGCS.2017.20150608.

[6] MUSIALSKI P, WONKA P, ALIAGA D G, et al. A Survey of Urban Reconstruction[J]. Computer Graphics Forum, 2013, 32(6): 146-177.

[7] LAFARGE F, MALLET C. Creating Large-Scale City Models from 3D-point Clouds: A Robust Approach with Hybrid Representation[J]. International Journal of Computer Vision, 2012, 99(1): 69-85.

[8] FRITSCH D, ABDEL-WAHAB M, CEFALU A, et al. Photogrammetric Point Cloud Collection with Multi-camera Systems[M]∥IOANNIDES M, FRITSCH D, LEISSNER J, et al. Progress in Cultural Heritage Preservation. Berlin Heidelberg: Springer, 2012: 11-20.

[9] 馮帥. 影像匹配點(diǎn)云與機(jī)載激光點(diǎn)云的比較[J]. 地理空間信息, 2014, 12(6): 82-83.

FENG Shuai. Comparison of Image Matching Point Clouds with LiDAR Point Clouds[J]. Geospatial Information, 2014, 12(6): 82-83.

[10] AXELSSON P. DEM Generation from Laser Scanner Data Using Adaptive TIN Models[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B4): 110-117.

[11] 隋立春, 張熠斌, 張碩, 等. 基于漸進(jìn)三角網(wǎng)的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)濾波[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2011, 36(10): 1159-1163.

SUI Lichun, ZHANG Yibin, ZHANG Shuo, et al. Filtering of Airborne LiDAR Point Cloud Data Based on Progressive TIN[J]. Geomatics and Information Science of Wuhan University, 2011, 36(10): 1159-1163.

[12] 林祥國(guó), 張繼賢. 架空輸電線(xiàn)路機(jī)載激光雷達(dá)點(diǎn)云電力線(xiàn)三維重建[J]. 測(cè)繪學(xué)報(bào), 2016, 45(3): 347-353. DOI: 10.11947/j.AGCS.2016.20150186.

LIN Xiangguo, ZHANG Jixian. 3D Power Line Reconstruction from Airborne LiDAR Point Cloud of Overhead Electric Power Transmission Corridors[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(3): 347-353. DOI: 10.11947/j.AGCS.2016.20150186.

[13] XIE Xiaowei, LIU Zhengjun, XU Caijun, et al. A Multiple Sensors Platform Method for Power Line Inspection Based on a Large Unmanned Helicopter[J]. Sensors, 2017, 17(6): 1222.

[14] ZHOU Guoqing, ZHOU Xiang. Seamless Fusion of LiDAR and Aerial Imagery for Building Extraction[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7393-7407.

[15] YANG Bisheng, HUANG Ronggang, LI Jianping, et al. Automated Reconstruction of Building LoDs from Airborne LiDAR Point Clouds Using An Improved Morphological Scale Space[J]. Remote Sensing, 2017, 9(1): 14.

[16] RAU J Y, JHAN J P, HSU Y C. Analysis of Oblique Aerial Images for Land Cover and Point Cloud Classification in An Urban Environment[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3): 1304-1319.

[17] QIN Rongjun. Change Detection on LOD 2 Building Models with Very High Resolution Spaceborne Stereo Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,96: 179-192.

[18] LIANG Xinlian, KANKARE V, HYYPPJ, et al. Terrestrial Laser Scanning in Forest Inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016,115: 63-77.

[19] WANG Cheng, NIE Sheng, XI Xiaohuan, et al. Estimating the Biomass of Maize with Hyperspectral and LiDAR Data[J]. Remote Sensing, 2017, 9(1): 11.

[20] 徐景中, 萬(wàn)幼川, 賴(lài)祖龍. 機(jī)載激光雷達(dá)數(shù)據(jù)中道路中線(xiàn)的多尺度提取方法[J]. 紅外與激光工程, 2009, 38(6): 1099-1103.

XU Jingzhong, WAN Youchuan, LAI Zulong. Multi-Scale Method for Extracting Road Centerlines from LIDAR Datasets[J]. Infrared and Laser Engineering, 2009, 38(6): 1099-1103.

[21] YAN W Y, SHAKER A, EL-ASHMAWY N. Urban Land Cover Classification Using Airborne Lidar Data: A Review[J]. Remote Sensing of Environment, 2015,158: 295-310.

[22] ZHANG Jixian, LIN Xiangguo. Advances in Fusion of Optical Imagery and LiDAR Point Cloud Applied to Photogrammetry and Remote Sensing[J]. International Journal of Image and Data Fusion, 2017, 8(1): 1-31.

[23] NI Huan, LIN Xiangguo, ZHANG Jixian. Classification of ALS Point Cloud with Improved Point Cloud Segmentation and Random Forests[J]. Remote Sensing, 2017, 9(3): 288.

[24] 黃先鋒, 李卉, 王瀟, 等. 機(jī)載LiDAR數(shù)據(jù)濾波方法評(píng)述[J]. 測(cè)繪學(xué)報(bào), 2009, 38(5): 466-469.

HUANG Xianfeng, LI Hui, WANG Xiao, et al. Filter Algorithms of Airborne LiDAR Data: Review and Prospect[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(5): 466-469.

[25] KRAUS K, PFEIFER N. Determination of Terrain Models in Wooded Areas with Airborne Laser Scanner Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1998, 53(4): 193-203.

[26] VOSSELMAN G. Slope Based Filtering of Laser Altimetry Data[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B3): 935-942.

[27] ZHANG Keqi, CHEN S C, WHITMAN D, et al. A Progressive Morphological Filter for Removing Nonground Measurements from Airborne LIDAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4): 872-882.

[28] LI Yong, YONG Bin, WU Huayi, et al. An Improved Top-Hat Filter with Sloped Brim for Extracting Ground Points from Airborne Lidar Point Clouds[J]. Remote Sensing, 2014, 6(12): 12885-12908.

[29] ZHANG Wuming, QI Jianbo, WAN Peng, et al. An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation[J]. Remote Sensing, 2016, 8(6): 501.

[30] KIM H B, SOHN G. Point-based Classification of Power Line Corridor Scene Using Random Forests[J]. Photogrammetric Engineering & Remote Sensing, 2013, 79(9): 821-833.

[31] 郭波, 黃先鋒, 張帆, 等. 顧及空間上下文關(guān)系的Joint Boost點(diǎn)云分類(lèi)及特征降維[J]. 測(cè)繪學(xué)報(bào), 2013, 42(5): 715-721.

GUO Bo, HUANG Xianfeng, ZHANG Fan, et al. Points Cloud Classification Using Joint Boost Combined with Contextual Information for Feature Reduction[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(5): 715-721.

[32] LEE I, SCHENK T. Perceptual Organization of 3D Surface Points[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2002, 34(3A): 193-198.

[33] FILIN S, PFEIFER N. Neighborhood Systems for Airborne Laser Data[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(6): 743-755.

[34] LINSEN L, PRAUTZSCH H. Local Versus Global Triangulations[M]∥ROBERTS J C. Eurographics 2001. Oxford, UK: Eurographics Association, 2001: 1.

[35] DEMANTKé J, MALLET C, DAVID N, et al. Dimensionality Based Scale Selection in 3D Lidar Point Clouds[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2011, 38(5-W12): 97-102.

[36] WEINMANN M, JUTZI B, MALLET C. Semantic 3D Scene Interpretation: A Framework Combining Optimal Neighborhood Size Selection with Relevant Features[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2014, 2(3): 181-188.

[37] YANG Bisheng, DONG Zhen. A Shape-based Segmentation Method for Mobile Laser Scanning Point Clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013,81: 19-30.

[38] WANG Yu, CHENG Liang, CHEN Yanming, et al. Building Point Detection from Vehicle-Borne Lidar Data Based on Voxel Group and Horizontal Hollow Analysis[J]. Remote Sensing, 2016, 8(5): 419.

[39] 劉如飛, 盧秀山, 岳國(guó)偉, 等. 一種車(chē)載激光點(diǎn)云數(shù)據(jù)中道路自動(dòng)提取方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2017, 42(2): 250-256.

LIU Rufei, LU Xiushan, YUE Guowei, et al. An Automatic Extraction Method of Road from Vehicle-borne Laser Scanning Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 250-256.

[40] SHAN Jie, SAMPATH A. Urban DEM Generation from Raw Lidar Data: A Labeling Algorithm and Its Performance[J]. Photogrammetric Engineering and Remote Sensing, 2005, 71(2): 217-226.

[41] HU Xiangyun, LI Xiaokai, ZHANG Yongjun. Fast Filtering of LiDAR Point Cloud in Urban Areas Based on Scan Line Segmentation and GPU Acceleration[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(2): 308-312.

[42] SITHOLE G, VOSSELMAN G. Automatic Structure Detection in a Point-cloud of an Urban Landscape[C]∥Proceedings of the 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas. Berlin, Germany: IEEE, 2003: 67-71.

[43] 唐菲菲, 劉經(jīng)南, 張小紅, 等. 基于體素的森林地區(qū)機(jī)載LiDAR數(shù)據(jù)DTM提取[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2009, 31(1): 55-59.

TANG Feifei, LIU Jingnan, ZHANG Xiaohong, et al. A Voxel-based Filtering Algorithm for DTM Data Extraction in Forest Areas[J]. Journal of Beijing Forestry University, 2009, 31(1): 55-59.

[44] WANG Liying, XU Yan, LI Yu. Aerial Lidar Point Cloud Voxelization with Its 3D Ground Filtering Application[J]. Photogrammetric Engineering & Remote Sensing, 2017, 83(2): 95-107.

[45] WU Bin, YU Bailiang, YUE Wenhui, et al. A Voxel-based Method for Automated Identification and Morphological Parameters Estimation of Individual Street Trees from Mobile Laser Scanning Data[J]. Remote Sensing, 2013, 5(2): 584-611.

[46] WANG Yu, CHENG Liang, CHEN Yanming, et al. Building Point Detection from Vehicle-borne LiDAR Data Based on Voxel Group and Horizontal Hollow Analysis[J]. Remote Sensing, 2016, 8(5): 419.

[47] CHENG Liang, TONG Lihua, WANG Yu, et al. Extraction of Urban Power Lines from Vehicle-Borne LiDAR Data[J]. Remote Sensing, 2014, 6(4): 3302-3320.

[48] FILIN S, PFEIFER N. Segmentation of Airborne Laser Scanning Data Using A Slope Adaptive Neighborhood[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2006, 60(2): 71-80.

[49] RUTZINGER M, HFLE B, HOLLAUS M, et al. Object-based Point Cloud Analysis of Full-waveform Airborne Laser Scanning Data for Urban Vegetation Classification[J]. Sensors, 2008, 8(8): 4505-4528.

[50] LOHMANN P. Segmentation and Filtering of Laser Scanner Digital Surface Models[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2002,34: 311-315.

[51] LEE I. A Feature Based Approach to Automatic Extraction of Ground Points for DTM Generation from LiDAR Data[C]∥Proceedings of the ASPRS Annual Conference. Denver, CO, 2004.

[52] SITHOLE G, VOSSELMAN G. Filtering of Airborne Laser Scanner Data Based on Segmented Point Clouds[C]∥ISPRS WG Ⅲ/3, Ⅲ/4, V/3 Workshop “Laser Scanning 2005”. Enschede, the Netherlands: ISPRS, 2005: 66-71.

[54] YAN Menglong, BLASCHKE T, LIU Yu, et al. An Object-based Analysis Filtering Algorithm for Airborne Laser Scanning[J]. International Journal of Remote Sensing, 2012, 33(22): 7099-7116.

[55] LIN Xiangguo, ZHANG Jixian. Segmentation-based Filtering of Airborne LiDAR Point Clouds by Progressive Densification of Terrain Segments[J]. Remote Sensing, 2014, 6(2): 1294-1326.

[56] SITHOLE G. Segmentation and Classification of Airborne Laser Scanner Data[D]. Delft: Netherlands Commission of Geodesy, 2005.

[57] ZHANG Jixian, LIN Xiangguo, NING Xiaogang. SVM-based Classification of Segmented Airborne LiDAR Point Clouds in Urban Areas[J]. Remote Sensing, 2013, 5(8): 3749-3775.

[58] YAO Wei, STILLA U. Comparison of Two Methods for Vehicle Extraction from Airborne LiDAR Data Toward Motion Analysis[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(4): 607-611.

[59] ZHANG Jixian, DUAN Minyan, YAN Qin, et al. Automatic Vehicle Extraction from Airborne LiDAR Data Using an Object-based Point Cloud Analysis Method[J]. Remote Sensing, 2014, 6(9): 8405-8423.

[60] EUM J, BAE M, JEON J, et al. Vehicle Detection from Airborne LiDAR Point Clouds Based on A Decision Tree Algorithm with Horizontal and Vertical Features[J]. Remote Sensing Letters, 2017, 8(5): 409-418.

[61] DARMAWATI A T. Utilization of Multiple Echo Information for Classification of Airborne Laser Scanning Data[D]. Enschede, the Netherlands: International Institute for Geo-Information Science and Earth Observation, 2008.

[62] CHEN Yunhao, SU Wei, LI Jing, et al. Hierarchical Object Oriented Classification Using Very High Resolution Imagery and LIDAR Data over Urban Areas[J]. Advances in Space Research, 2009, 43(7): 1101-1110.

[63] O’NEIL-DUNNE J P M, MACFADEN S W, ROYAR A R, et al. An Object-based System for LiDAR Data Fusion and Feature Extraction[J]. Geocarto International, 2013, 28(3): 227-242.

[64] 林祥國(guó), 張繼賢, 寧曉剛, 等. 融合點(diǎn)、對(duì)象、關(guān)鍵點(diǎn)等3種基元的點(diǎn)云濾波方法[J]. 測(cè)繪學(xué)報(bào), 2016, 45(11): 1308-1317. DOI: D10.11947/j.AGCS.2016.20160372.

LIN Xiangguo, ZHANG Jixian, NING Xiaogang, et al. Filtering of Point Clouds Using Fusion of Three Types of Primitives Including Points, Objects, and Key Points[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(11): 1308-1317. DOI: DOI: 10.11947/j.AGCS.2016.20160372.

[65] YANG Bisheng, HUANG Ronggang, DONG Zhen, et al. Two-step Adaptive Extraction Method for Ground Points and Breaklines from Lidar Point Clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016(119): 373-389.

[66] AIJAZI A K, CHECCHIN P, TRASSOUDAINE L. Segmentation Based Classification of 3D Urban Point Clouds: A Super-voxel Based Approach with Evaluation[J]. Remote Sensing, 2013, 5(4): 1624-1650.

[67] 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.

[68] ZHANG Zhenxin, ZHANG Liqiang, TONG Xiaohua, et al. A Multilevel Point-cluster-based Discriminative Feature for ALS Point Cloud Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(6): 3309-3321.

[69] FARABET C, COUPRIE C, NAJMAN L, et al. Learning Hierarchical Features for Scene Labeling[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 1915-1929.

[70] HU Han, DING Yulin, ZHU Qing, et al. An Adaptive Surface Filter for Airborne Laser Scanning Point Clouds by Means of Regularization and Bending Energy[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,92: 98-111.

[71] ZHANG Qian, QIN Rongjun, HUANG Xin, et al. Classification of Ultra-high Resolution Orthophotos Combined with DSM Using A Dual Morphological Top Hat Profile[J]. Remote Sensing, 2015, 7(12): 16422-16440.

[72] YANG Bisheng, DONG Zhen, ZHAO Gang, et al. Hierarchical Extraction of Urban Objects from Mobile Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,99: 45-57.

[73] GUAN Haiyan, JI Zheng, ZHONG Liang, et al. Partially Supervised Hierarchical Classification for Urban Features from LiDAR Data with Aerial Imagery[J]. International Journal of Remote Sensing, 2013, 34(1): 190-210.

[74] GUAN Haiyan, LI J, CHAPMAN M, et al. Integration of Orthoimagery and LiDAR Data for Object-based Urban Thematic Mapping Using Random Forests[J]. International Journal of Remote Sensing, 2013, 34(14): 5166-5186.

[75] LODHA S K, FITZPATRICK D M, HELMBOLD D P. Aerial Lidar Data Classification using Expectation-Maximization[C]∥Proceedings of the SPIE Volume 6499, Vision Geometry XV. San Jose, CA: SPIE, 2007(6499): 64990.

[76] NIEMEYER J, ROTTENSTEINER F, SOERGEL U. Contextual Classification of Lidar Data and Building Object Detection in Urban Areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014(87): 152-165.

[77] LIU Chun, SHI Beiqi, YANG Xuan, et al. Automatic Buildings Extraction From LiDAR Data in Urban Area by Neural Oscillator Network of Visual Cortex[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 2008-2019.

[78] YU Yongtao, LI J, WEN Chenglu, et al. Bag-of-visual-phrases and Hierarchical Deep Models for Traffic Sign Detection and Recognition in Mobile Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016(113): 106-123.

[79] GONG Jun, ZHU Qing, ZHONG Ruofei, et al. An Efficient Point Cloud Management Method Based on a 3D R-tree[J]. Photogrammetric Engineering & Remote Sensing, 2012, 78(4): 373-381.

[80] 史文中. 空間數(shù)據(jù)與空間分析不確定性原理[M]. 北京: 科學(xué)出版社, 2005.

SHI Wenzhong. Principle of Modelling Uncertainties in Spatial Data and Analysis[M]. Beijing: Science Press, 2005.

[81] WU Huayi, GUAN Xuefeng, GONG Jianya. ParaStream: A Parallel Streaming Delaunay Triangulation Algorithm for LiDAR Points on Multicore Architectures[J]. Computers & Geosciences, 2011, 37(9): 1355-1363.

[82] 亢曉琛, 劉紀(jì)平, 林祥國(guó). 多核處理器的機(jī)載激光雷達(dá)點(diǎn)云并行三角網(wǎng)漸進(jìn)加密濾波方法[J]. 測(cè)繪學(xué)報(bào), 2013, 42(3): 331-336.

KANG Xiaochen, LIU Jiping, LIN Xiangguo. Parallel Filter of Progressive TIN Densification for Airborne LiDAR Point Cloud Using Multi-core CPU[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(3): 331-336.

[83] 王宗躍, 馬洪超, 徐宏根, 等. LiDAR點(diǎn)云數(shù)據(jù)的分布式組織及其并行獲取方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2009, 34(8): 936-939.

WANG Zongyue, MA Hongchao, XU Honggen, et al. An Approach for Distributed Organization and Paralleled Access of LiDAR Point Clouds Data[J]. Geomatics and Information Science of Wuhan University, 2009, 34(8): 936-939.

[84] LECUN Y, BENGIO Y, HINTON G. Deep Learning[J]. Nature, 2015, 521(7553): 436-444.

[85] SUN X, SHEN S, LIN X, et al. Semantic Labeling of High Resolution Aerial Images Using an Ensemble of Fully Convolutional Networks[J]. Journal of Applied Remote Sensing, 2017. (in Press)

[86] GUAN Haiyan, YU Yongtao, JI Zheng, et al. Deep Learning-based Tree Classification Using Mobile LiDAR Data[J]. Remote Sensing Letters, 2015, 6(11): 864-873.

[87] 范士俊, 張愛(ài)武, 胡少興, 等. 基于隨機(jī)森林的機(jī)載激光全波形點(diǎn)云數(shù)據(jù)分類(lèi)方法[J]. 中國(guó)激光, 2013, 40(9): 0914001.

FAN Shijun, ZHANG Aiwu, HU Shaoxing, et al. A Method of Classification for Airborne Full Waveform LiDAR Data Based on Random Forest[J]. Chinese Journal of Lasers, 2013, 40(9): 0914001.

[88] DU Bo, ZHANG Liangpei, TAO Dacheng, et al. Unsupervised Transfer Learning for Target Detection from Hyperspectral Images[J]. Neurocomputing, 2013(120): 72-82.

[89] 吳田軍, 駱劍承, 夏列鋼, 等. 遷移學(xué)習(xí)支持下的遙感影像對(duì)象級(jí)分類(lèi)樣本自動(dòng)選擇方法[J]. 測(cè)繪學(xué)報(bào), 2014, 43(9): 908-916. DOI: 10.13485/j.cnki.11-2089.2014.0163.

WU Tianjun, LUO Jiancheng, XIA Liegang, et al. An Automatic Sample Collection Method for Object-oriented Classification of Remotely Sensed Imageries Based on Transfer Learning[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9): 908-916. DOI: 10.13485/j.cnki.11-2089.2014.0163.

(責(zé)任編輯：張艷玲)

Advances and Prospects of Information Extraction from Point Clouds

ZHANG Jixian1,LIN Xiangguo2,LIANG Xinlian3

1. National Quality Inspection and Testing Center for Surveying and Mapping Products, Beijing 100830, China； 2. Chinese Academy of Surveying and Mapping, Beijing 100830, China； 3. Finnish Geospatial Research Institute, Kirkkonummi 02431, Finland

Point cloud is one type of the widely used data sources in many communities such as photogrammetry, remote sensing, and computer vision etc. Moreover, information extraction is a necessary step in the process of point cloud processing, analysis and applications. As result, the scholars have proposed a great number of methods for point cloud information extraction. According to the three view points of primitive types, extracted features, and methods for feature selection and classification, this review paper summarizes the research status of point cloud information extraction. This paper also point out five main problems and six main trends in point cloud information extraction, especially introduces a new paradigm: fusion of multiple primitives for point cloud information extraction.

LiDAR point cloud; photogrammetric point cloud; filtering; classification; fusion of multiple primitives; information extraction

The National Natural Science Foundations of China (Nos. 41671440；41371405); The Foundation for Remote Sensing Young Talents by the National Remote Sensing Center of China

ZHANG Jixian(1965—), male, research fellow PhD supervisor, majors in remote-sensing-based monitoring of resources and environments.

LIN Xiangguo

張繼賢，林祥國(guó)，梁欣廉.點(diǎn)云信息提取研究進(jìn)展和展望[J].測(cè)繪學(xué)報(bào)，2017,46(10)：1460-1469.

10.11947/j.AGCS.2017.20170345.

ZHANG Jixian,LIN Xiangguo,LIANG Xinlian.Advances and Prospects of Information Extraction from Point Clouds[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10):1460-1469. DOI:10.11947/j.AGCS.2017.20170345.

P237

A

1001-1595(2017)10-1460-10

國(guó)家自然科學(xué)基金(41671440；41371405)；遙感青年科技人才創(chuàng)新資助計(jì)劃

2017-06-22

修回日期： 2017-09-07

張繼賢(1965— )，男，研究員，博士生導(dǎo)師，研究方向?yàn)橘Y源與環(huán)境遙感監(jiān)測(cè)。

E-mail： zhangjx@casm.ac.cn

林祥國(guó)

E-mail： linxiangguo@casm.ac.cn