基于LIDAR的点云数据研究

（本篇文章仅仅是整理文档资料时，发现的一篇课程报告，感觉还挺有参考意义的）

摘要：LiDAR作为一种新型的遥感传感器，它能够直接快速地获得高精度的三维空间坐标信息和数字表面模型。因此，研究如何利用 LiDAR 数据自动提取建筑物的研究具有十分重要的现实意义。本文介绍了LIDAR点云数据特征和分割研究现状，并指出了现阶段遇到的困难，最后完成了基于车载LIDAR数据的建筑物提取实验。

关键词：LiDAR、点云数据、图像分割、边缘检测

1.引言

激光雷达（LiDAR）的点云数据的中每个点同时都是通过直接采集目标真实位置的数据生成的三维坐标，一般的数据误差较小，能够满足后续的处理数据的准确性和靠性。作为快速获取空间数据的有效手段，激光扫描技术能够真实的、实时的反映物体的形态及其变化。作为获取三维模型基础数据的一种重要手段，激光雷达按照工作平台不同通常可以分为星载激光雷达、机载激光雷达、车载激光雷达和地面激光雷达，其中星载激光雷达能够提供大尺度的地球气候变化现象。机载激光雷达能够提供大规模精细的地面三维信息，在军事和地理环境等多个领域有丰富的用途。车载和地面激光扫描能够提供高精度的物体三维信息，为建筑物等物体的重建提供数据。

LiDAR作为一种新型的遥感传感器，它能够直接快速地获得高精度的三维空间坐标信息和数字表面模型（DSM）。因此，LiDAR 技术使数据获取和处理向自动化的方向发展。同时随着城镇数字化进程的加快，基于快速且准确的数据源的城市建筑物研究逐渐成为一种新的发展趋势。这也成为促进 LiDAR 数据应用于城市区域特别是建筑物方面的重要原因。建筑物作为城市区域重要的地表特征之一，在现代城市规划与建设，灾害预防，自然资源勘查与利用，数字城市建设与三维数字模拟及军事侦察等很多领域都有着重要的应用。因此，研究如何利用 LiDAR 数据自动提取建筑物的研究具有十分重要的现实意义。

2.国内外研究现状

近些年来，国内外的学者们对基于车载 LiDAR 点云数据的建筑物信息提取方面的研究已经取得了较多的成果。大体上来看，他们通常是将 LiDAR 数据与其他数据源相互结合使用，利用不同数据源的自身特征，采用不同模型克服上述的困难。归纳起来，有如下几种方法：（1）基于两次回波信息的提取建筑物；（2）基于点云数据生成的 DSM 和 DTM 的提取建筑物；（3）结合点云数据与遥感影像的建筑物提取。

目前，基于 LiDAR 数据的建筑物信息提取的一般方法是：首先将 LiDAR 点云数据栅格化得到 DSM 深度图像，然后利用图像处理技术，例如图像分割技术，边缘检测算子等方法对 DSM 深度图像进行建筑物的边缘检测，从而得到建筑物的边缘信息。这样，如何从复杂的城市区域 DSM 中分割出建筑物区域成为建筑物边缘信息提取首先应该解决的问题。迄今为止，国内外研究者们经过大量的研究，引入不同学科中新的技术，提出各种新的分割方法。但是这些算法通常都是针对一些具体的问题，尚无一种可通用于各种图像，各类问题的通用分割算法。一般而言，图像的分割大都是基于亮度值的相似性或不连续等特征进行分割的。大体上，把图像的分割方法分成以下三大类：基于边缘的分割方法、基于区域的分割方法和其它分割方法。

我们可以通过点云的局部几何特征和整体几何特性分析点云数据，进一步实现目标识别和三维模型重建，也有研究人员通过融合光谱信息的处理来提高分析和处理的效率，从而可以进一步提高三维模型的真实性和可靠性，满足人们更高的视觉需求。

3.实验方法流程

总体流程图如下：

图1 整体流程图

3.1平面分割

首先计算每个点的法向量和平面拟合残差标准差，选择平面拟合残差标准差最小的点作为种子平面进行区域生长。生长的条件是邻域点到种子平面的距离小于一定阈值，并且邻域点的法向量与种子点的法向量夹角小于一定阈值。通过平面分割得到的较大的平面为建筑物立面，路面等目标，可以通过设定阈值，删除点数大于一定阈值的平面，保留剩下的区域。

3.2连通性分析

通过平面的分割滤除掉较大的平面后剩余的点包括汽车，行人，交通标志牌，树木等目标。对剩余的点进行连通性分析，得到一个个的目标。当相邻两点的距离小于某一阈值时就认为该点之间连通，通过连通性分析可以得到每个目标的区域。

3.3 粗糙度和点密度比例计算

计算每个目标的粗糙度和密度比例特征。粗糙度定义为邻域点组成的协方差矩阵的最小特征值除以三个特征值的和；密度比例特征定义为目标中小于某一高度的点的个数占目标中所有点个数的半分比。根据实际可知，建筑物点的粗糙度较小，密度比例特征较大，因此可以通过设置一定的阈值来区分建筑物，从而得到建筑物的精确分类结果。

4.结果

图2 原始景象显示

图3

图4分割结果

图5最终结果

以上为具体的实验结果。图2：原始数据，彩色点云截图；地面点和非地面点分离，非地面点抽稀。图3：计算非地面点的点分布、主方向等分类（面状分布、杆状分布、球状分布），赋色；每一类别的点区域生长，聚类分割。

图4：分割结果，按类别序号赋色；目标识别，相同类别合并。图5：最后结果，建筑物--青，树木--绿，道路--蓝，未分类--粉。