一种面向对象的机载激光雷达点云滤波方法
【技术领域】
[0001] 本发明涉及一种机载激光雷达点云滤波方法，具体地说是一种面向对象的机载激 光雷达点云滤波方法，属于激光雷达点云数据信息提取技术领域。
【背景技术】
[0002] 机载激光雷达设备作业中，激光扫描过程是盲目的，即激光脉冲既可能打在地面 上，又可能打在建筑物、桥梁、电力线、灯塔、车辆等人工地物或者植被上。因此，获取的机载 激光雷达点云数据中既有地面点，又有地物点。点云分类是后续应用的基础。工程应用过程 中，机载激光雷达点云数据分类往往采用了分层分类的思路，即首先把点云数据中的地面 点和地物点（非地面点）分离开、并利用地面点生成数字高程模型(DEM);然后，按照归一化 数字表面高程特征(地物点到DEM的高度特征)可以依次将地物点划分到低矮植被、中等高 度植被、高植被等类别。可见，其中，地面点和非地面点的分离是该类分类方法的基础。从机 载激光雷达点云数据中分离出地形表面激光脚点数据子集的过程，称为滤波。目前，机载激 光雷达点云滤波是机载激光雷达点云数据后处理的关键步骤之一，也是研究的热点和难 点。
[0003] 目前，研究人员已经提出了众多的滤波方法。由于对地面点和非地面点的理解概 念或者思路不同，研究人员从而设计出不同的滤波方法。有些方法可直接应用于不规则分 布的点集，有些方法需将原始点集重采样为规则格网，以利用成熟的图像处理技术;从对点 的处理方式上看，有些方法是考察单点与单点，有些是单点与点集或者点集与点集等。有些 滤波方法通过量测某种不连续测度，如高程差、坡度、到结构表面的最小距离或到参数平面 的最小距离等;各种滤波方法基于各种不同的假设前提，如坡度、平面、表面和分割等;有些 算法的处理方式是一次单步完成，有些是通过迭代处理，这也意味着它们分别在准确性与 速度方面的劣势。目前，比较有代表性的滤波方法有:三角网渐进加密、最小二乘分层稳健 线性内插、基于点云分割的方法、基于数学形态学的方法、基于坡度的方法、基于曲面拟合 的方法等。
[0004] 尽管目前存在众多的滤波方法，但缺乏统一、规范的比较。为此，在2003年，国际摄 影测量与遥感协会(ISPRS)第三委员会的机载激光雷达数据处理小组组织了滤波算法的测 试。测试中，提供了8个数据集，这些数据覆盖了城区、农村区域和森林地区，有八种滤波算 法参加 了测试，算法的作者分别为：Elmqvist、Sohn、Axel sson、Pfeifer、Brovel 1 i、 Roggero、Wack/Wimme;rNSithole/VosselmaruSithole和Vosselman在测试报告中，对比了八 种不同滤波算法在不同场景中的滤波结果，对滤波算法做出了比较详细的分析和比较，旨 在研究现存滤波算法的特点，影响滤波结果的因素和存在的问题。测试结果表明参与比较 的滤波算法，对于不太复杂的场景(坡度平缓，只包含小型建筑物，植被稀疏，能采集到大量 地面点的区域)表现普遍较好，但当处理复杂场景时其可靠性明显下降。综合而言，在已有 的方法中，三角网渐进加密滤波方法取得了最好的效果。
[0005] 在已有的机载激光雷达点云滤波方法中，三角网渐进加密滤波方法原理简洁、所 需参数数量少，且对于多数场景取得了较好的滤波效果。但是，三角网渐进加密滤波方法也 有一个显著的弱点，对于丘陵和山地区域，它很容易将地形陡变处的地面点误认为是非地 面点，如图2所示;对于城市区域，它很容易将车辆下部的地物点误认为是地面点。
[0006] 上述问题导致已有的三角网渐进加密滤波方法在对地形、地物复杂区域(包括:存 在大量的地形断裂现象的高山丘陵区域、车辆密集的城区）的机载激光雷达点云滤波时，存 在滤波精度较低、需要大量人工干预的问题，无法满足用户对快速、高精度、自动滤波的迫 切需求。
【发明内容】
[0007] 针对现有滤波方法的不足，本发明提出了一种面向对象的机载激光雷达点云滤波 方法，其利用对象的特征点替代对象包含的原始点进行面向对象的机载激光雷达点云滤 波，能够有效提尚机载激光雷达点75Γ滤波的精度。
[0008] 本发明解决其技术问题采取的技术方案是:一种面向对象的机载激光雷达点云滤 波方法，其特征是，包括以下步骤：
[0009] 步骤一，加载机载激光雷达点云数据；
[0010] 步骤二，识别机载激光雷达点云中的粗差点，并剔除粗差点；
[0011]步骤三，进行基于光滑表面生长的机激光雷达点云分割以获取对象；
[0012] 步骤四，分析对象的多回波比例特征识别潜在的地物对象，并剔除地物对象及其 所包含的激光雷达点；
[0013] 步骤五，提取对象的特征点，并利用特征点替代对象包含的原始激光雷达点参与 后续运算；
[0014] 步骤六，进行基于特征点的对象类别判别，并更新对象包含的原始激光雷达点的 类别。
[0015] 进一步地，所述步骤二具体包括以下步骤：
[0016] (1)初始化预处理，对机载激光雷达点云的类别进行标记，将未分类的点标记为 U-, ?? 丄；
[0017] (2)目视分析机载激光雷达点云的高程分布特征，检查是否存在显著的粗差，如果 该点云数据中存在明显的高位粗差和低位粗差，则进入步骤(3);如果该点云数据中没有明 显的高位粗差和低位粗差，则进入步骤(4);
[0018] (3)建立点云的高程直方图识别机载激光雷达点云显著的粗差；
[0019] (4)建立kd-树空间索引，对于类别号为"Γ的激光雷达点集，利用该点集的水平坐 标信息建立二维的kd-树；
[0020] (5)识别低位粗差和高位粗差，利用kd-tree空间索引寻找粗差点。
[0021] 进一步地，所述高程直方图通过机载激光雷达点云的高程z特征来建立。
[0022] 进一步地，所述步骤三具体包括以下步骤：
[0023 ] (1)估计法向量和残差，点云数据中任意一点及其一定数量的k个三维空间中最邻 近点确定的平面的法向量为该点的法向量，三维空间中一定数量的离散点确定的平面由特 征值法确定，通过特征值法中获取的最小特征值记为离散点对应的残差；
[0024] (2)进行区域生长，将激光雷达点云划分为若干的对象，每个对象包含若干的激光 雷达点；
[0025] (3)赋予对象及相关激光雷达点初始的类别，对于任意一个对象，如果其多回波比 例大于50%，则将该对象包含的所有激光雷达点的类别号标记为地物点。
[0026] 进一步地，所述估计法向量和残差的具体过程包括以下步骤：
[0027] (1)对于类别号为"Γ的激光雷达点集，建立其三维的kd_树空间索引；
[0028] (2)对每一个类别号为"Γ的激光雷达点，逐一利用kd_树空间索引求取其k个最临 近点；
[0029] (3)对于每一点及其k个最临近点，利用特征值法求取其拟合平面的方程，即确定 每一点的法向量Φ i及其残差Μ。
[0030] 进一步地，所述区域生长的具体过程包括以下步骤：
[0031] 1)设置法向量间角度差异阈值α，角度差异阈值α的使用规则如下:对于当前要扩 张的种子点，利用kd_树求取其某一邻接点作为待处理的点，设当前种子点的法向量为h， 待处理的邻接点的法向量为如果待处理的邻接点与种子点之间法向量的点积| |aiaj| 小于阈值cosa，则将该待处理的邻接点加入到种子点队列中，并作为新的种子点，继续判别 其他的未处理的点；如果待处理的邻接点与种子点之间法向量的点积I |^七| I大于等于阈 值cosa，则跳过该待处理的邻接点，处理其他的未处理的点；
[0032] 2)设置给定距离阈值r，如果待处理的邻接点到种子点确定的种子平面的距离小 于给定距离阈值r，则将该待处理的邻接点加入到种子点队列中，并作为新的种子点，继续 判别其他的未处理的点；如果待处理的邻接点到种子点确定的种子平面的距离大于等于给 定距离阈值r则跳过该待处理的邻接点，处理其他的未处理的点；
[0033] 3)检查类别号为"Γ的激光雷达点集包含的点的数量，如果数量为0,则到步骤7)， 否则，将全部类别号为"Γ的激光雷达点的状态记为"未被分割"；从"未被分割"的激光雷达 点集中，寻找出残差λ最小的点，以残差λ最小的点为种子点并将该点压入一个种子点的队 列，开始进行区域生长；
[0034] 4)生长的过程中，取种子点队列中第一个尚未被处理过的种子点，利用kd-tree求 取该种子点的k个最临近点；
[0035] 5)对于每一个临近点，逐一进行判别，如果临近点已经被赋予分割号，则不予以处 理;如果临近点已经在种子点的队列中，则不予以处理;分别按照法向量间角度差异和距离 差异进行相似性的判别，如果邻近点同时满足两个相似性的条件，则将该邻近点加入到种 子点队列中；如果邻近点没有同时满足两个相似性的条件则不予以处理；
[0036] 6)回到步骤4)，检查种子点队列中是否有未被处理过的点，如果有，则进入步骤 5);否则，将种子点队列中的所有点标记一个相同的分割号，且该分割号与已有的分割号不 同，然后，返回步骤3);
[0037] 7)结束分割