《文献翻译》 Part2 基于差分形态轮廓和局部拟合曲面的激光雷达地面和建筑物提取

基于差分形态轮廓和局部拟合曲面的激光雷达地面和建筑物提取

Domen Mongus ⇑, Niko Lukacˇ, Borut Zˇalik

摘要

提出了一种新的激光雷达数据地面提取和建筑物检测框架。这个提出的方法在LiDAR点云上构造网格的连通性，以执行多尺度数据分解。这是通过在近似曲面的点残差上使用微分形态轮廓（DMPs）形成顶帽尺度空间来实现的。几何属性通过映射来自DMPs的特征值来估计包含的特征。地面定义是通过使用特征的几何结构来实现，同时它们的表面和区域属性也被用于建筑物检测。提出了一种新的局部拟合曲面提取算法平面点。最后，观察到平面地面和非地面区域之间的转换分离几何和表面性质相似但环境不同的区域（即桥梁和建筑物）。使用ISPRS基准数据集对这些方法进行了评估，结果表明与当前最先进的技术进行比较。

一。介绍
光探测和测距（LiDAR）技术已经成为近年来，随着地球观测越来越受到重视，研究的重点也越来越突出。自机载激光雷达系统为快速高分辨率3D提供了一种有效的解决方案对地球表面的测绘，目前的主要研究重点是从激光雷达数据中提取信息的研究。提取生成数字地形模型（DTM）的基础是这个过程的关键步骤。它可以解释为一个背景当考虑到对地表以上物体的探测时作为建筑物。也就是说，许多方法执行所谓的通过从激光雷达数据中减去DTM进行归一化（Lohmann等人，2000年）。
根据文献（Sithole and Vosselman，2004；Liu，2008），地面滤波方法可以描述为基于坡度的（Vosselman，2000年；Sithole，2001年；Shan and Sampath，2005年；Wang和Tseng，2010），基于线性预测（Brovelli等人，2004；Kraus和Pfeifer，1998年；Pfeifer等人，1999年；Lee和Younan，2003），和基于数学形态学的方法（张等人，2003；张和惠特曼，2005；陈等人，2007；蒙格斯 Zˇalik，2012年，出版；Pingel等人，2013年）。基于坡度的方法基于以下假设过滤非接地点它们的梯度与接地点。因此，它们非常适合平坦地区的地面提取，但其精度随着越来越陡的斜坡（Liu，2008）。基于线性预测的方法使用粗糙表面近似以最小化地形起伏对滤波的影响从近似曲面中提取阈值点的残差。因此，它们在过滤小对象和探测地形细节，如悬崖或尖锐的山脊 （Sithole and Vosselman，2004年；Liu，2008年）。尽管形态学方法通常对这些条件更为稳健，当考虑到它们的准确度。一个小的结构元素可以有效地过滤掉小的物体，不管大的物体（如建筑物）如何，都会保留下来。尽管较大的结构元素提供了一个解决方案，对于这个问题，另一方面它使地形细节变得平坦，像山峰、山脊和悬崖一样。近年来，基于渐进结构元素的所谓层次形态学方法在地面滤波上有一些优势（Zhang等人，2003），提出在增加尺度时应用形态开运算前后比较高程差（Chen等人，2007）将这一方法扩展到通过定义一组描述地形的可调参数来改变坡度。Mongus和Zˇalik（2012）提出陈（et al. 2013) 最近升级的无参数方法地形起伏近似为曲面插值与层次形态学方法应用于曲面上点的残差。Pingel等人（2013）提出了一种简单的形态滤波器（SMRF），其方法是对由高差比定义的斜率进行阈值化以及开口尺寸。另一方面，Mongus和Zˇalik（In press版）提出了一种基于多尺度的高效计算方法使用连通算子分解。在大多数情况下是地面提取被认为是一个独立的问题，其中目标检测是独立地在非地面点上进行的。
建筑物是特别重要和广泛研究的在激光雷达数据中包含的众多特征中。根据我们的研究，建筑物检测的方法可以分为基于拟合的方法，形态学方法，监督学习方法。基于拟合的方法是更受欢迎，因为它们允许对现有的关于建筑物形状的知识（Rottensteiner和Briese，2002年；You等人，2003年）。不是所有可能的建筑物形状可以预先建模平面拟合方法提供更通用的解决方案（Alharthy and Bethel，2002；Rottensteiner，2003年；周等，2004年；瑞金，2005年；维玛等，2006年；张等人，2006年；Tarsha Kurdi等人，2007年；Neidhart和Sester，2008年；Dorninger和Pfeifer，2008年；Sampath和Shan，2010年；Kim和山，2011年）。通常通过最小化均方误差，这些方法执行曲面分析以识别平面建筑物与自然建筑的区别点植被等特征。最先进的算法，如随机样本一致性RANSAC）（Verma等人，2006年）和可以考虑Hough变换（Tarsha Kurdi等人，2007）将建筑物检测问题转换为曲面拟合问题时。Hough变换在计算上效率低下，并且对拟合参数敏感。此外，投票程序形成累加器空间需要额外的过滤以获得精确的曲面定义。尽管计算上更有效的是，RANSAC经常检测到随机抽样的植被面积。（Tarsha Kurdi等人，2007）提出了一个修订版的RANSAC，其中考虑到建筑物的屋顶几何形状。Kim和Shan（2011）使用水平集方法进行平面拟合，从而检测建筑物。现实地说，合适的方法一般来说，由于它们是迭代的，所以需要计算。此外，附加几何属性（如尺寸和形状）需要考虑以获得足够的精度。
近年来有几种形态学方法建议用于更依赖其几何结构的建筑物检测财产。Zhang等人。（2006）提出了一个简单的建筑基于植被过滤观测的检测明显更小的过滤尺度。Vu等人。（2009）考虑多尺度形态空间中的激光雷达数据采用聚类方法进行建筑物检测。面积和形状在建筑物检测中考虑了紧凑性属性Meng等人。（2009），而Chen等人（2012）进步型附加区域生长的形态滤波基于RANSAC的算法。Cheng等人（2013）有所改善Zhang等人提出的逆迭代数学形态学（RIMM）方法（2003年）。这种方法克服了采用动态阈值函数对渐进滤波引入的高度差进行恒斜率约束。Mongus等人（2013）解决通过应用差分属性配置文件。然而，所提出的方法有困难区分建筑物和具有相似几何结构的物体（例如桥梁或未分类的地形高原）。尽管如此几个作者（如Forlani）已经揭露了这个问题等（2006）和Rottensteiner等人（2007年），它还没有充分处理。然而，可以找到部分解在考虑道路开采范围内的桥梁时，eg.Clode等人（2005）和埃文斯（2008）提出了几种基于监督的方法学习，模式识别的一个著名范例。在这个案例，一个已经贴上标签的激光雷达点云作为训练人工神经网络数据集（Priestnall等人，2000），期望最大化（Charaniya等人，2004），Bayes分类器（Wang等人，2006年），支持向量机（Mallet等人，2008年），自组织地图（Salah等人，2009）和决策树（Hermosilla等人，2011年）。这些方法需要预处理从点提取几何（如斜率、方向）、拓扑（如k近邻数）或纹理（如小波变换）特征的步骤。尽管这些方法经证明是准确的，它们的性能在很大程度上取决于训练数据集和所考虑特征的属性。它们的计算效率也较低（Dieterich，2002）。在建筑物检测方面可以取得额外的改进将激光雷达数据与多种航空图像融合。这个可以通过以下方法显著提高方法的准确性提供超出激光雷达范围的补充信息系统（如多重电磁中的表面反射率乐队）。然而，这些数据可能并不总是可用的，而且仍然需要对激光雷达数据进行精确处理。
本文提出了两种新的特征检测算法在LiDAR中，数据连接在一个公共框架内，即如图1所示。首先，一种新的映射模式地面提取是将曲面逼近与多尺度差分数据分解相结合得到的形态轮廓。估计几何性质进一步考虑建筑检测表面分析是通过一种新的估计算法来实现的局部拟合面（lof）。最后，区域分析是通过检查接地和为了包含上下文信息的非基础区域允许区分共享相似对象的几何和表面特性，如建筑物和桥梁。
本文中提出的关键创新点可以被揭示为如下：

1. 提出了一种将DMPs与曲面逼近相结合的方法，以减小地形起伏的影响。它提供分析包含对象的几何特性的数学正确概念。
2. 通过补充用于地面的几何属性针对这两个问题。提出了一种通用的基于表面和区域属性的过滤框架。经确认结果两种方法的准确度显著相关。
3. 介绍了LoFS的概念及其表面效率并与相关方法进行了比较分析。区分建筑物和共享通过区域附着分析，可以有效地获得相同的几何和表面属性（例如桥梁）。

本文的其余工作如下：第二节提出了一种新的地面滤波方法。第三节介绍建筑物检测的新方法。两种方法的结果见第4节。第五节对论文进行总结。

2 生成数字地形模型

本节使用激光雷达数据提出了一种生成数字地形模型的新方法（DTM）。该方法对地形起伏的鲁棒性是通过估计粗糙表面近似来实现的，其中基于微分形态轮廓（DMPs）的多尺度分解允许对不同大小和形状的目标进行滤波。方法概述包括以下三个步骤：

1. 初始化在输入激光雷达上构建规则网格点云。
2. DMP的构建是基于接近地面。
3. .点滤波是通过在DMP中注册的最大响应阈值来完成的，生成的DTM用于标记激光雷达点云。

在某种意义上，这种方法可以被认为是Mongus和Zˇalik（2012年出版）的概念扩展，通过结合多尺度分解的曲面逼近。然而，Mongus和Zˇalik（2012）使用了自下而上的方法，其中在每一步进行曲面插值，不考虑网格的分解。另一方面，Mongus和Zˇalik（in press）单独使用数据分解。在他们的工作中，使用微分属性剖面和θ-映射来估计标准差，而且提出的方法是基于DMPs的。每一个步骤在下文中都有说明。