摘 "要： 以三維激光雷達數(shù)據(jù)為基礎(chǔ)進行目標(biāo)自動檢測識別具有重要現(xiàn)實意義。針對傳統(tǒng)的以人工判讀識別目標(biāo)的方法已經(jīng)遠不能滿足從海量數(shù)據(jù)中確定目標(biāo)的要求，文中提出一種基于機載激光雷達點云的建筑物識別方法。通過使用改進后的金字塔方法構(gòu)建三維激光雷達點云，鑒于三維激光點云具有地物本身的語義信息，可根據(jù)點云的多尺度復(fù)雜地物特征實現(xiàn)三維激光點云數(shù)據(jù)的自動分類，對分類后的非地面點進行區(qū)域生長分割，通過點云與建筑物平面特征的匹配，確定建筑物的識別結(jié)果。整個方案實現(xiàn)過程清晰、簡單，而且該方法的實現(xiàn)對計算機硬件配置要求不高，能夠從海量三維激光雷達數(shù)據(jù)中快速、準確地識別類建筑物，正確率高達81.25%，在目標(biāo)識別領(lǐng)域具有較高的應(yīng)用價值。

關(guān)鍵詞： 激光雷達； 點云； 金字塔方法； 點云分割； 智能識別； 區(qū)域生長分割

中圖分類號： TN959.3?34 " " " " " " " " " " " " "文獻標(biāo)識碼： A " " " " " " " " " " " 文章編號： 1004?373X（2024）21?0097?04

Building recognition method based on airborne LiDAR point cloud

FANG Shuyan， ZHAO Jianle， WANG Xin， ZHAO Jian

（Qingdao Branch of China Research Institute of Radiowave Propagation， Qingdao 266107， China）

Abstract： The automatic target detection and recognition based on 3D LiDAR data is of great practical significance. The traditional manual interpretation and recognition methods have limitations to identify the target from massive data. To address this issue， a building recognition method based on airborne LiDAR point cloud is proposed. The improved pyramid method is used to construct 3D LiDAR point cloud. Because the 3D LiDAR point cloud has the semantic information of the ground object itself， its data can be classified automatically according to the multi?scale complex ground object features of the point cloud. The non?ground points can be segmented by region growing. The recognition result of the building is determined by matching the point cloud and the planar features of building. The implementation process is clear and easy. Furthermore， this method does not require high computer hardware configurations， and can quickly and accurately identify building?like structures in point cloud with an impressive accuracy rate of 81.25%. It has high application value in the field of target recognition.

Keywords： LiDAR; point cloud; pyramid method; point cloud segmentation; intelligent recognition; region growing segmentation

0 "引 "言

機載激光雷達以有人、無人飛行器為載體，在搭載于飛行器的飛行過程中對地面進行探測，采集地物的反射回波，并與定位、定姿數(shù)據(jù)聯(lián)合解算為激光點云。激光點云可提供以距離和強度為基礎(chǔ)的高分辨率三維空間信息，具有更加準確的目標(biāo)自動檢測識別能力。因此，發(fā)展以三維激光雷達數(shù)據(jù)為基礎(chǔ)的目標(biāo)自動檢測識別，在數(shù)字城市、巡檢規(guī)劃等民用領(lǐng)域可發(fā)揮重要作用。

目前，機載激光雷達探測頻率可達數(shù)十萬赫茲，生成的激光點云數(shù)據(jù)量巨大，單架次數(shù)據(jù)量在數(shù)億點甚至數(shù)百億點，傳統(tǒng)的以人工判讀識別目標(biāo)的方法已經(jīng)遠不能滿足從海量數(shù)據(jù)中確定目標(biāo)的需求，因此，迫切需要一種基于機載激光雷達點云的建筑物識別方法，自動、快速、準確地提取類建筑物目標(biāo)。

1 "方案設(shè)計

建筑物識別需頻繁對三維激光雷達數(shù)據(jù)進行讀寫。為了提高數(shù)據(jù)讀寫效率和速度，將雷達與定位、定姿數(shù)據(jù)聯(lián)合解算后的點云以金字塔結(jié)構(gòu)進行存儲；然后，通過基于語義特征的激光大數(shù)據(jù)自動分類算法，在多尺度空間上提取復(fù)雜地物點云特征，根據(jù)特征[1]性質(zhì)確定點云類別，實現(xiàn)三維激光點云數(shù)據(jù)的地物自動分類[2]；最后，對地物分類后的非地面點進行區(qū)域生長分割，根據(jù)建筑物的點云平面特征進行類別聚合，確定建筑物的識別結(jié)果。

基于機載三維激光雷達點云的建筑物檢測方法流程如圖1所示。

1.1 "雷達數(shù)據(jù)管理

針對激光雷達采集數(shù)據(jù)的特點，對通用的數(shù)據(jù)存儲、構(gòu)建點云金字塔[3?4]的方法進行了改進，為后續(xù)建筑物目標(biāo)的快速、有效識別奠定了基礎(chǔ)。

理論上構(gòu)建點云金字塔的方法是：首先根據(jù)點云的整體空間范圍，將空間劃分為多個大小一致的方格；再依據(jù)坐標(biāo)將每個點放入對應(yīng)的方格，實現(xiàn)原始點云（第一層）與空間的對應(yīng)；第二層中的點云由第一層等比例抽稀得到，第三層的點云由第二層等比例抽稀得到，依次類推，直至抽稀后的全部點云都在某一層的同一個方格內(nèi)部，金字塔構(gòu)建完成。

理論上的點云金字塔存儲結(jié)構(gòu)如圖2所示。

上述構(gòu)建點云金字塔的方法如下。

1） 要求將全部激光點云按照行、列順序（對應(yīng)地理坐標(biāo)的[x]、[y]）進行排序，由于激光點云數(shù)據(jù)量大，在對一次作業(yè)采集的全部點云數(shù)據(jù)按照地理坐標(biāo)排列時，將面臨巨大的計算復(fù)雜度和時間復(fù)雜度。因此，采用分塊式las文件存儲方式，在解析激光雷達采集原始數(shù)據(jù)、構(gòu)建點云存儲結(jié)構(gòu)時，將飛行探測區(qū)域按照地理坐標(biāo)劃分為多個大小相等的矩形空間，并為每個空間建立一個獨立的las文件，使得las文件中包括目標(biāo)區(qū)域在多個航帶、多次掃描中的激光點集。這種分塊式las文件存儲點云的數(shù)據(jù)組織方式在las文件內(nèi)部實現(xiàn)了臨近位置激光點之間的關(guān)聯(lián)。

2） las文件采用行號+列號的方式命名，同一行號的las文件按照列號遞增的順序在地理位置上相鄰，同一列號的文件按照行號遞增的方式在地理位置中相鄰，多個名稱相關(guān)的文件共同構(gòu)建采集區(qū)域的全景點云模型。

3） 由于使用的實驗采集數(shù)據(jù)的密度較大，為節(jié)省數(shù)據(jù)處理時間，同一las文件內(nèi)的激光點仍按采集順序存儲。在構(gòu)建點云金子塔時，先把las文件對應(yīng)的地理區(qū)域劃分為[N×M]個上層矩型小空間，按照點云數(shù)據(jù)的存儲順序?qū)ο噜忺c云進行等間隔抽稀，如上層矩形小空間內(nèi)的點云數(shù)已滿足抽稀要求，則后續(xù)不再將點加入該空間內(nèi)，直至所有小矩形空間都被填滿則認為第二層點云構(gòu)建完畢。按照上述方法逐層進行點云抽稀構(gòu)建高層點云結(jié)構(gòu)，直至所有l(wèi)as文件中的點均被構(gòu)建到一層中時即認為金字塔構(gòu)建完成。

1.2 "基于語義特征的自動分類

傳統(tǒng)的分類方法不能滿足三維激光雷達點云數(shù)據(jù)利用高時效性的要求。鑒于三維激光點云具有地物本身的語義信息，可根據(jù)點云的多尺度復(fù)雜地物特征，實現(xiàn)三維激光點云數(shù)據(jù)的自動分類。

基于語義特征的激光大數(shù)據(jù)自動分類是基于TIN漸進加密過濾地面點的算法[5]，在多尺度空間上提取復(fù)雜地物點云特征，根據(jù)特征性質(zhì)確定點云類別，實現(xiàn)三維激光點云數(shù)據(jù)的自動分類，流程如下。

1） 粗差剔除，去除點云中的離散點。

2） 利用二維分塊索引技術(shù)對點云數(shù)據(jù)建立索引結(jié)構(gòu)，進行網(wǎng)格劃分。根據(jù)點云空間范圍計算合適的網(wǎng)格尺寸（網(wǎng)格尺寸一般要大于該區(qū)域內(nèi)建筑物的尺寸），將點云按照空間坐標(biāo)劃分到網(wǎng)格內(nèi)。

3） 以每一塊內(nèi)的最低點為種子點，構(gòu)造初始的狄洛尼三角網(wǎng)，對剩余點逐個判斷加入TIN網(wǎng)后構(gòu)成的三角面片法向。如法向與水平法向夾角小于一定的度數(shù)，認為該點為地面點；否則，認為是非地面點（角度的度數(shù)為經(jīng)驗值，一般根據(jù)點云區(qū)域的起伏狀態(tài)確定）。

4） 過濾出新地面點后，將新地面點加入地面點TIN網(wǎng)中，更新TIN網(wǎng)。所有點遍歷結(jié)束后，提取出地面點，對于非地面點，由于植被點占據(jù)了其中的大頭，因此將其認為是植被點。最后將類別值寫入到點云文件或金字塔文件中。

大數(shù)據(jù)自動分類流程如圖3所示，點云分類后的效果如圖4所示。

1.3 "目標(biāo)智能識別

以深度學(xué)習(xí)為思路的目標(biāo)智能識別方法能夠從復(fù)雜場景中識別多樣的物體，但機器學(xué)習(xí)的方法需要大量的人工標(biāo)記數(shù)據(jù)來進行前期訓(xùn)練，且對計算機的硬件配置要求很高，需要數(shù)量眾多的服務(wù)器做支撐，時間成本較高[6]。

點云和模型匹配的目標(biāo)智能識別方法只需根據(jù)建筑物的平面特征即可在探測場景點云中進行識別[7]，這種方法對訓(xùn)練數(shù)據(jù)和計算機硬件配置要求大為降低，完全可以滿足本文設(shè)計的需求。

點云和模型匹配[8]的目標(biāo)智能識別方法實現(xiàn)流程如圖5所示。

點云和模型匹配的目標(biāo)智能識別方法具體步驟如下。

1） 點云分割[9]。在采集點云過程中，由于采樣的方式、掃描儀設(shè)備的局限等導(dǎo)致點云數(shù)據(jù)的密度不是均勻的；同時，采樣場景中也存在遮擋、噪聲等造成了點云數(shù)據(jù)的無序、冗余，沒有固定或者鮮明的統(tǒng)計分布模式。因此，需要將自動分類后的非地面點云分割成若干個互不相交的子集，每一個子集中的數(shù)據(jù)具有相同的屬性特征或一定的語義信息。

點云分割時采用區(qū)域生長法[10?11]，以平面幾何特性作為生長約束，識別場景中的建筑物點云和植被點云。由于建筑物點云平面特征比較明顯，在進行區(qū)域生長時，可拓展為較大面積的平面，而且建筑物點云距離地面的高度相對較高，結(jié)合對地高程和分割片區(qū)域大小，可從場景中過濾出建筑點。植被點則非常零散，沒有明顯的平面特征，在進行區(qū)域生長時只能分割成數(shù)量眾多的小分割片，通過判斷分割片的點數(shù)及分割片之間的空間距離，可以過濾出植被點。

2） 對平面分割片進行特征提取，分析其大小、法向、對地高度等信息，用于進一步確認建筑物平面。

3） 對識別的建筑平面點云進行歐氏距離聚類分割[12]。屬于同一建筑的平面在距離上很近，在歐氏距離聚類分割時，能夠分割到一個點云簇內(nèi)，即聚合為同一個建筑物。不同建筑物的平面點云距離較遠，被分割到不同的建筑物[13]。

4） 最后保存建筑物敏感目標(biāo)檢測識別結(jié)果。

2 "實驗結(jié)果

根據(jù)上述基于機載三維激光雷達點云的建筑物檢測方法，實現(xiàn)了軟件設(shè)計。在軟件中加載約14.2 GB機載激光雷達點云數(shù)據(jù)（200 m航高采集），軟件后臺進行數(shù)據(jù)存儲并構(gòu)建點云金子塔后，依次使用自動分類、點云分割、區(qū)域特征識別等方法進行建筑物目標(biāo)的自動識別，識別時間約為10 min，主要的建筑物都能被識別，雖然存在建筑物的邊緣無法識別以及少量在建筑物周圍的植被點被錯誤識別為建筑物的情況，但并不影響整體的識別效果。

目標(biāo)識別結(jié)果如圖6所示。

測試區(qū)域經(jīng)人工實地考察，確認共有房屋12座、亭子4座，軟件智能檢測共發(fā)現(xiàn)目標(biāo)13處，目標(biāo)發(fā)現(xiàn)正確率高達81.25%。

3 "結(jié) "語

本文通過使用改進后的金字塔方法構(gòu)建點云，采用基于語義特征的大數(shù)據(jù)自動分類算法以及點云和模型匹配方法進行類建筑物的智能識別。該方法能夠從海量三維激光雷達數(shù)據(jù)中快速、準確地識別類建筑物，正確率高達81.25%，而且該方法的軟件實現(xiàn)對計算機硬件配置要求不高，無需大量的模擬訓(xùn)練數(shù)據(jù)，在類建筑物等目標(biāo)識別領(lǐng)域具有較高的應(yīng)用價值。

參考文獻

[1] 張靖，江萬壽.激光點云與光學(xué)影像配準：現(xiàn)狀與趨勢[J].地球信息科學(xué)學(xué)報，2017，19（4）：528?539.

[2] 王斌，宋冬梅，戴嵩，等.基于高光譜影像和LiDAR點云的城市地物分類實驗方案設(shè)計[J].實驗室研究與探索，2023，42（2）：5?10.

[3] 徐田野，丁海勇.數(shù)據(jù)融合及圖卷積下的深度學(xué)習(xí)點云分類研究[J].測繪科學(xué)，2022，47（2）：126?134.

[4] 張名芳，吳禹峰，王力，等.基于金字塔特征融合的二階段三維點云車輛檢測[J].交通運輸系統(tǒng)工程與信息，2022，22（5）：107?116.

[5] 柳紅凱.基于漸進加密三角網(wǎng)機載LIDAR點云濾波改進算法研究[D].贛州：江西理工大學(xué)，2016.

[6] 劉桂宇.面向激光雷達點云的三維目標(biāo)識別算法研究綜述[J].信息記錄材料，2022，23（4）：243?245.

[7] 郭子明.基于激光雷達點云的目標(biāo)識別與跟蹤方法[J].照明工程學(xué)報，2023，34（5）：64?67.

[8] 王震.圖像匹配點云與激光掃描點云的模型重建對比[J].礦山測量，2020，48（4）：109?113.

[9] 洪霄.基于激光雷達的3D點云目標(biāo)識別[D].哈爾濱：哈爾濱工程大學(xué)，2020.

[10] 封功源，施衛(wèi)，李展峰，等.基于區(qū)域生長的復(fù)雜場景點云分割[J].江蘇理工學(xué)院學(xué)報，2023，29（2）：56?63.

[11] 彭麗君，陸玲，舒麗君.基于PCL庫的三維點云區(qū)域生長分割[J].電腦與信息技術(shù)，2020，28（3）：17?19.

[12] 李欣，李京英.基于激光雷達點云多特征提取的車輛目標(biāo)識別算法[J].傳感器與微系統(tǒng)，2020，39（10）：138?141.

[13] 宋淑雅.基于改進歐式聚類的點云分割方法[J].計量與測試技術(shù)，2022，49（5）：96?100.

作者簡介：方淑燕（1982—），女，山東陽信人，碩士研究生，高級工程師，研究方向為工程偵察裝備。

趙健樂（1993—），男，山東青島人，碩士研究生，工程師，研究方向為工程偵察裝備。

王 "辛（1981—），女，甘肅蘭州人，高級工程師，研究方向為通信工程、短波和超短波通信。

趙 "?。?983—），男，山東青島人，工程師，研究方向為工程偵察裝備。