一种基于车载激光扫描点云数据的单株行道树信息提取方法

吴 宾，余柏蒗，岳文辉，谈文琦，胡春凌，吴健平

（1．华东师范大学 地理信息科学教育部重点实验室，上海 200062；2．上海市绿化与市容管理信息中心，上海 200040）

0 引 言

行道树是城市生态系统和城市景观的重要组成部分，它在减缓暴雨引起的城市地表径流［1］、降低汽车尾气对于环境的污染［2，3］、缓解城市街道峡谷（street canyon）区域夏季的热量聚集［4］和减弱街道噪声［5］等方面有特殊的作用．当前城市行道树信息获取以人工实测为主，效率及技术水平相对落后．由于行道树形态特征复杂，且城市道路两侧植被受人为因素影响较大、形态变化较快，探索一种基于现代数据采集手段，实现自动、快速、准确的提取植被信息的方法具有重要的理论意义和实践价值．

车载激光扫描（Vehicle－borne Laser Scanning，简称VLS）是新近出现的一种三维信息获取方式．车载激光扫描测量系统以汽车为平台，用激光扫描仪和CCD相机获取物体表面信息，以差分GPS动态定位，以惯性测量装置（IMU）获取测定系统的姿态参数［6－8］．因其搭载平台和作业方式的特点，VLS可以获取道路等城市物体的侧面信息，适用于城市近景三维空间信息的快速准确测量［8，9］．

车载激光扫描测量系统获取的原始激光扫描数据通常称为“激光扫描点云数据”，由海量的激光扫描点组成，每个扫描点记录了目标物体对应位置的三维空间坐标．基于激光扫描点云数据的信息提取，需从激光扫描点中分割出组成不同物体的扫描点．例如：使用OcTree方法用于激光点云的分割，实现边缘检测、表面拟合和平面拟合［10，11］；通过建立基于OcTree结构的体元网实现对点云的分割［12］；Elseberg等对激光点云的多重回波采用全波分析方法实现了对植物的识别［13］；利用空间聚类的方法实现道路表面提取［14］；利用本地远程学习方法实现了对点云的三维目标识别和分割［15］；Rusu和Cousins建立了一个开放的点云库（PCL）方便用户实现点云的可视化、滤波、分割、3D建模等［16］；Douillard等提出了一套针对稀疏和密集点云的分割处理方法等［17］．而从车载激光扫描点云数据中进行信息提取的方法尚处于发展阶段并已取得了一定的成果．吴芬芳等将激光扫描点投影到二维的水平格网中，并根据投影点高度的最大值来判定数据点类别［9］；史文中等提出了基于投影点密度的车载激光扫描距离图像分割方法，根据投影密度的差异区分不同的地物［18］；杨必胜等提出一种适合于车载激光点云数据快速分类与目标提取的点云特征图像生成方法［19］；Lehtomäki等提出了一种从VLS数据中提取柱状实体（例如：交通标志杆、电线杆、树干）的方法［20］；Lin等结合VLS和地面激光扫描（TLS）点云数据对单株树木的生物量进行了估算［21］．这些方法对激光扫描点云进行了初步的分类，但是对于单株行道树的识别能力有限，且没有进一步获取行道树相关的特征信息，如树高和冠径等．

综上，对于车载激光扫描数据的处理方法尚处于发展阶段，鲜见从车载激光扫描数据中提取单株行道树的研究．本文提出一种新的基于分层网格点密度的行道树提取方法，从车载激光扫描系统获取的点云数据中提取出组成单株行道树的激光扫描点，进而获取行道树部分的特征信息．

1 车载激光扫描系统

本试验采用华东师范大学自主研制的车载激光扫描系统“GPS／北斗双星制导高维实景采集系统”（简称ECNU－VLS）（见图1a）进行数据采集．系统使用汽车作为平台，在车上搭载激光扫描仪（见图1b）、CCD相机（见图1c）、计算机、GPS接收机（见图1d）、北斗定位接收机、国产惯性导航等设备，使用控制软件能够实现影像数据的采集，并能记录车辆行驶的轨迹，同时通过激光扫描仪还能够记录周围地物的三维空间信息．

图1 车载激光扫描系统的组件Fig．1 Components of ECNU－VLS

系统有两个激光扫描仪（见图1b），安装在汽车顶部，位置如图2所示．激光扫描仪扫描的有效距离为80m，扫描精度为±15mm；拥有180°的扫描角度，每条扫描线上有181个点．工作时，在沿汽车行进方向上一个扫描仪向下45°扫描，另一个向上45°扫描．两个扫描仪获取的激光扫描点云数据在合并后形成完整的数据．系统直接获取的激光扫描点数据记录下对应位置的三维坐标（X，Y，Z）．系统的两台激光扫描仪同时获取不同角度的数据，处理以后得到的激光点云数据在合并后形成完整数据．

2 基于分层网格点密度的单株行道树提取方法

由于不同的地物表现出来的三维表面信息不同，在不同的高度上获得的激光点也不同（例如，行道树靠近地面的主干部分获得的激光点较少，远离地面的树冠部分获取的激光点较多），因此，可以采用分层处理的方法获取地物在不同高度范围的激光点．本文对史文中等提出的投影点密度方法［18］进行了改进，提出了一种基于分层网格点密度的单株行道树提取方法．方法包括单株行道树的识别、其他地物的排除、行道树特征信息的计算等过程，总体技术流程如图3所示．

图2 车载激光扫描系统的顶视图Fig．2 Top view of ECNU－VLS

图3 总体技术流程图Fig．3 Flowchart of the method for identifying street trees using VLS data

2．1 单株行道树的识别

2．1．1 建立规则网格

为了确保点云分层之后各层点云投影所采用的网格标准（即网格大小和网格所在的行列号）一致，在进行分层之前，根据点云投影到水平面（X－Y坐标系中）的范围建立一个适用于各层的网格标准，各层对应的网格具有相同的行列号．网格建立时，选取汽车的初始位置为原点，以南北方向为Y轴，以东西方向为X轴．网格大小确定后即可建立研究区域点云的投影规则网格．

2．1．2 基于高程的点云分层

为了实现点云的平均分层，首先获得所有点云数据中高程的最大值（Emax）与最小值（Emin），然后根据高程值的极差，将点云平均分成N层，即每层激光点数据的高程间隔为（Emax－Emin）／N．针对于大场景点云数据，搜索所有点云而获取点云高程的最大最小值是不可取的，可以根据经验值或者实地的高程测量采样进行估算．分别将每层的激光点赋予层标记，记为Layer i，不同层内的激光点具有不同的Layer i属性．

2．1．3 逐层计算网格点密度

参照史文中等提出的投影点密度［18］概念，将三维坐标点直接垂直投影到X－Y水平面上，统计每个网格内的投影点数，以此数值作为该网格的点密度．本文所述的网格点密度即为分层投影点密度，用D表示．将各层内的激光点云分别投影到预先建立好的标准网格中，逐层计算网格点密度．

2．1．4 逐层提取激光点

由于各层采用了同一套网格标准，同一地物在各层网格中的邻域关系得以很好地表现．图4表明，单株行道树在各层网格中的网格点密度存在一定关系：由于行道树在三维空间上是连续的，因此在相邻的两层网格中网格点密度不为0的网格中，一定存在具有相同行列号的网格．

本文根据以上特点提出一种提取方法，具体步骤如下．

（1）为了消除近地面地物对行道树主干选取的影响，利用从地面向上的第二层（Layer 2）确定行道树主干位置．即先从第二层开始查找，选择出网格点密度大于某一阈值（预先给定，一般情况为0）的网格，并记录选取出来的网格行列号；对于在某个网格八邻域上网格密度都大于阈值的网格进行分组标记，各组网格内的激光点分别标记属性Treek，表示为组成编号为k的行道树的部分激光点．

（2）进行自上而下的搜索，为第一层（Layer 1）中具有相同网格行列号的网格内的激光点标记对应的Treek属性．

（3）进行自下而上的搜索，进入上一层（Layer 3），首先在本层网格中查找与上一层记录的网格行列号相同的网格，对于网格点密度为0的网格进行剔除；对于剩下的网格，若其八邻域的网格点密度大于给定的临界阈值，则将其邻域网格加入该组．

图5具体表示了这一过程．图5a进行网格邻域查寻时，向8个方向进行搜索满足条件的网格．图5b，第一步中灰色网格假设是与上一层选取的网格行列号相同的一个网格，同时假设此网格标记在Groupk中，以此网格为起始网格，进入第二步，查找网格外围的8个网格中点密度不为0的网格，将满足条件的网格同时标记为Groupk．第三步，进行邻域网格查询，如果满足点密度大于阈值（例子中为5）的网格则标记为Groupk．以此类推，完成后得到具有标记为Groupk的网格，这些网格内的点标记Treek属性．

图4 单株树分层投影到网格中的表现形式Fig．4 Grid points density distribution of layered points cloud that constitute an individual tree

图5 邻域扩展Fig．5 Neighborhood expansion

（4）入组完成后，继续完成其他组的查找，分别标记对应网格内的激光点为对应的Treek．当前所在层的操作完成后，记录该层对应组的网格行列号，并进入下一层进行以上操作，直至所有网格查找完成．

2．1．5 提取单株行道树

以上工作完成后，原始点云数据中部分激光点的属性中具有了Treek的标记，这些激光点构成行道树k；按照标记Treek，分别输出．

2．2 其他地物的排除

在多数道路环境中，基于分层网格点密度的单株行道树提取方法会提取出大量的路灯、电线竿、摄像头和指示牌等地物的点云，需要进一步的区分排除．如图6，由于路灯、摄像头及其他类似地物的特殊形态，在二维网格中其分布往往比较集中或者沿着某一方向排布，且网格密度也较大．因此可以根据点云的范围（可用网格个数定量）或者点云方向性分布（可用网格编号判断）区分路灯等杆状地物．据此，在输出前，可先对具有相同标记的网格进行范围及形状的判断，将不满足上述条件的激光点云进行输出．最后获得的即是构成单株行道树的点云．

图6 路灯等其他地物的排除Fig．6 Method for eliminating street lamps and other features

2．3 行道树特征信息的计算

单株行道树提取出来后可以进行相应特征信息的计算，例如树高、冠幅等．

图7a为组成单株行道树的激光扫面点，图7b是获取单株行道树树高信息的方法示意图．从构成单株行道树的激光点中可以得到高程值的最大值Zmax以及最小值Zmin，行道树的高度（H）可以由H＝Zmax－Zmin计算得到．

此外行道树的冠幅可以采用两种方式计算．冠幅是指树木在南北或者东西方向的宽度．图7c、d是计算冠幅的一个原理图．图7c，在平面坐标下可以得知冠幅可以通过所有激光点在X方向的极差值（Xmax－Xmin）以及在Y方向的极差值（Ymax－Ymin）计算得到．此外，也可以采用最优拟合椭圆（best－fit ellipse）［22，23］（见图7d），最优椭圆的长轴CD和短轴AB就是冠幅．

图7 行道树树高和冠幅信息的获取方法Fig．7 Method for deriving the height and crown diameter of individual tree

3 应用实例及结果

3．1 研究样区

本试验采用华东师范大学“GPS／北斗双星制导高维实景采集系统”于2010年12月2日采集到的华东师范大学中山北路校区及2011年7月13日采集到的滨江森林公园激光扫描数据，选取3个样区的点云数据进行试验．图8是3个样区对应的点云数据．试验区域1位于中北校区内，该区域内共有82 299个激光点，包含有行道树（梧桐树）5棵；试验区域2和试验区域3位于滨江森林公园内，分别包含27 343和46 616个激光点，各含有7棵行道树（榆树）．所选取的3个样区中行道树种类不同，且既有密集区域，也有相对稀松区域；同时试验区域1中包括近地面的栏网，试验区域3中包含路灯等杆状地物，对行道树提取具有一定的代表性．同时在数据采集当日，利用手持激光测高仪对样区内行道树的树高进行了实地测量，便于对提取出的树高进行精度检验．

图8 原始车载激光扫描点云数据Fig．8 Original VLS points cloud data of case study areas

3．2 单株行道树提取结果

图9为利用本文方法提取的单株行道树．所建立的网格大小为0．5m×0．5m，按照研究区域激光点云数据的高程信息将激光点分成8层，在进行逐层的点云提取时选用第二层作为起始层，以此尽可能地减少地面点对方法的影响，其中进行网格邻域搜索时所设阈值为5（D≥5）．

图9表明，采用基于分层网格点密度的单株树提取方法可以较好的将灌木丛以及栏网等其他近地面物体排除，从而筛选出单株行道树．同时也需要指出，由于试验区域1内信息较为复杂，提取结果中也还保留了非常少量的组成其他近地面物体的激光扫描点；试验区域3由于行道树过于密集，提取结果相对比较粗糙．

图9 利用本文方法提取的单株行道树Fig．9 Extracted results of case study areas using the proposed method

3．3 树高信息的获取

在获取了组成单株行道树的激光扫描点后，试验区域内的行道树进行特征信息的提取，并结合实测数据进行对比．由于难以实测行道树的冠幅信息，文中没有对冠幅进行精度分析．树高精度分析如图10．

图10 研究区域内行道树树高信息的精度分析Fig．10 Accuracy estimation of derived height of trees

从图10可以看出，提取的树高信息与实测树高的误差较小，其RMSE为0．396m，误差约4．19%．总体上看来，获取的行道树树高信息比较接近实际值，具有实用性．

4 讨 论

4．1 网格大小的选取

基于分层网格点密度的提取方法依据平面划分的精细格网作为计算点云投影密度的基础，网格大小的选择对结果的提取尤为重要．分别采用1m×1m、0．50m×0．50m和0．25m×0．25m的网格大小对上海滨江森林公园内的部分点云进行试验，试验区域内树种均为榆树，如图11所示．

图11 网格大小的选择对提取结果的影响Fig．11 The impact of grid size selection on the derived results

结果表明网格大小越精细，提取的结果越精准．网格较小时，比较邻近的点分布在不同的网格中，易于区分；网格较大时，邻近的点可能被置于同一网格中，难以区分．由于网格过小时，分组及邻域搜索繁杂，提取耗时较长，因此需根据实际需要选择合适的网格大小．

4．2 结果对比

图12是采用投影点密度方法得到的提取结果．首先对点云进行了地面点的删除，试验采用的平面投影网格大小为0．5m×0．5m，在进行统计每个网格单元上的投影点数后，选取值大于5的网格内点云输出．结果表明，投影点密度方法在行道树密集区域（见图12a和12c），由于激光点云比较集中，相邻网格之间的投影点密度都比较接近且数值较大，很难通过阈值区分出单株行道树；此外，在近地面物体较多的区域（见图12a）提取的结果中还残留了大量组成其他物体的激光扫描点．

图12 基于投影点密度方法的提取结果Fig．12 Extracted results of case study areas based on the Density of Projected Points method

5 结 论

本文以车载激光扫描点云数据为研究对象，提出了一种基于分层网格点密度的单株行道树提取方法．作为对于投影点密度方法的改进，该方法首先将点云按照高程进行平均分层，然后将各层点云分别投影到对应的网格中并计算网格投影点密度，利用分层后点云数据之间的邻域关系判断属于同一株行道树的激光扫描点，之后进行逐层提取，在提取出组成单株行道树的激光扫描点后，计算行道树的特征信息．通过实例验证了此方法可以较好地提取出组成单株行道树的激光扫描点，并可以较准确的获取树高、冠幅等特征属性．本研究同时证明了，车载激光扫描数据可用于城市绿化管理信息的获取，为VLS的应用拓展了新的领域．

由于行道树形态复杂，本方法也受到了一定的限制．对于邻近的两株或者多株树在中层及以上各层由于叶冠间密集交叉或者有遮盖时，其相邻格网都具有很大的投影点密度，且同一网格包含了两株树共同的点云，难以区分．在后续研究中，将通过引入竞争算法等机制，对方法进行改进．

［1］STOVIN V R，JORGENSEN A，CLAYDEN A．Street trees and stormwater management［J］．The Arboricultural Journal，2008，30（4）：297－310．

［2］RIES K，EICHHORN J．Simulation of effects of vegetation on the dispersion of pollutants in street canyons［J］．Meteorologische Zeitschrift，2001，10（4）：229－233．

［3］GROMKE C，BUCCOLIERI R，DI SABATINO S，et al．Dispersion study in a street canyon with tree planting by means of wind tunnel and numerical investigations－Evaluation of CFD data with experimental data［J］．Atmospheric Environment，2008，42（37）：8640－8650．

［4］ALI－TOUDERT F，MAYER H．Effects of asymmetry，galleries，overhanging facades and vegetation on thermal comfort in urban street canyons［J］．Solar Energy，2007，81（6）：742－754．

［5］FANG C F，LING D L．Investigation of the noise reduction provided by tree belts［J］．Landscape and Urban Planning，2003，63（4）：187－195．

［6］MANANDHAR D，SHIBASAKI R．Vehicle－borne Laser Map－ping System（VLMS）for 3－D Urban GIS Database［C］／／7th Internatioanal Conference on Computers in Urban Planning and Urban Management［CD－ROM］．University of Hawaii at Manoa，USA，2001．

［7］TALAYA J，ALAMUS R，BOSCH E．Integration of A Terrestrial Laser Scanner with GPS／IMU Orientation Sensors［C］／／International Society for Photogrammetry and Remote Sensing，Istanbul Turkey，2004：12－23．

［8］卢秀山，李清泉，冯文灏，等．车载式城市信息采集与三维建模系统［J］．武汉大学学报：工学版，2003（3）：76－80．

［9］吴芬芳，李清泉，熊卿．基于车载激光扫描数据的目标分类方法［J］．测绘科学，2007，32（4）：75－77．

［10］WOO H，KANG E，WANG S Y，et al．A new segmentation method for point cloud data［J］．International Journal of Machine Tools ＆Manufacture，2002，42（2）：167－178．

［11］WANG M，TSENG Y H．Automatic segmentation of lidar data into coplanar point clusters using an octree－based split－and－merge algorithm［J］．Photogrammetric Engineering and Remote Sensing，2010，76（4）：407－420．

［12］WANG M，TSENG Y H．Incremental segmentation of lidar point clouds with an octree－structured voxel space［J］．The Photogrammetric Record，2011，26（133）：32－57．

［13］ELSEBERG J，BORRMANN D，NUCHTER A．Full wave analysis in 3Dlaser scans for vegetation detection in urban environments［C］／／Information，Communication and Automation Technologies（ICAT），2011：1－7．

［14］CHOI Y W，JANG Y W，LEE H J，et al．Three－dimensional lidar data classifying to extract road point in urban area［J］．IEEE Geoscience and Remote Sensing Letters，2008，5（4）：725－729．

［15］LAI K，FOX D．Object recognition in 3Dpoint clouds using web data and domain adaptation［J］．The International Journal of Robotics Research，2010，29（8）：1019－1037．

［16］RUSU R B，COUSINS S．3Dis here：Point Cloud Library（PCL）［C］／／International Conference on Robotics and Automation（ICRA），2011：1－4．

［17］DOUILLARD B，UNDERWOOD J，KUNTZ N，et al．On the Segmentation of 3DLIDAR Point Clouds［C］／／International Conference on Robotics and Automation（ICRA），2011：2798－2805．

［18］史文中，李必军，李清泉．基于投影点密度的车载激光扫描距离图像分割方法［J］．测绘学报，2005，34（2）：95－100．

［19］杨必胜，魏征，李清泉，等．面向车载激光扫描点云快速分类的点云特征图像生成方法［J］．测绘学报，2010（5）：540－545．

［20］LEHTOMÄKI M，JAAKKOLA A，HYYPPÄJ，et al．Detection of vertical pole－like objects in a road environment using vehicle－based laser scanning data［J］．Remote Sensing，2010（2）：641－664．

［21］LIN Y，JAAKKOLA A，HYYPPÄJ，et al．From TLS to VLS：Biomass estimation at individual tree level［J］．Remote Sensing，2010（2）：1864－1879．

［22］TEAGUE M R．Image－analysis via the general theory of moments［J］．Journal of the Optical Society of America，1980，70（8）：920－930．

［23］MULCHRONE K F，CHOUDHURY K R．Fitting an ellipse to an arbitrary shape：implications for strain analysis［J］．Journal of Structural Geology，2004，26（1）：143－153．