基于车载LiDAR数据的单株树提取

杨莎莎，李永强，李框宇，毛 杰

(河南理工大学 测绘与国土信息工程学院，河南 焦作 454000)

基于车载LiDAR数据的单株树提取

杨莎莎，李永强，李框宇，毛 杰

(河南理工大学 测绘与国土信息工程学院，河南 焦作 454000)

车载LiDAR数据能提供地物表面不同视角且具有容易获得高密度点云数据等优点，能为树木信息的精细提取提供有力保障。基于不同地物具有不同特征等性质，从车载LiDAR数据中对地物进行识别，将三维图形投影到二维平面上进行识别、分离、去噪及细化，运用Matlab编程实现对车载LiDAR数据中树木信息的提取。用全站仪对测区树木进行实地测量并进行定量分析，结果表明，方法可以较好地分离出构成树木的激光扫描点，达到树木提取的目的。

车载LiDAR；树木信息；Matlab；定量分析

车载激光扫描具有数据获取速度快、精度高、成本低、不受天气和光照影响等特点，对于城市环境地物信息获取具有明显优势，“是当今测绘界最为前沿的科技之一”[1]。车载LiDAR系统在车辆正常行进过程中快速获取道路两侧地物详尽的三维空间信息，行道树的所有信息(包括树干、树冠等)都能被详尽记录下来。然而由于树木形态的多样性及在车载LiDAR点云中的空间复杂性等因素，目前从点云中进行数据信息提取的研究成果有限。相关研究有：基于机载LiDAR点云的城区树木提取[2]，该方法利用机载LiDAR点云滤波生成DTM，从而提取出地物点，在此基础上对地物点运用区域增长法及梯度阈值分割相结合的方法实现树木信息的提取；联合影像数据的车载LiDAR点云中树木的提取[3]，该方法将影像数据与点云数据同时处理，先将数据分为地面数据与非地面数据，从非地面数据中基于高程对点云进行分层、分割并初步提取出树木，在此基础上对单棵树进行分离以获取树高及树冠区信息；基于机载LiDAR和航空影像城区树木的提取[4]，同样针对城区树木特点，计算点与点之间的相似性，运用两步算法，即先利用区域增长法将LiDAR点云数据分割成块，并计算每一块的特征向量，在此基础上采用支持向量机(SVM)算法对点云数据进行分类，最后有效地将树木信息提取出来；基于车载LiDAR点云数据的单株行道树信息提取方法[5]，采用史文中等人的基于投影点密度的车载激光扫描距离图像分割方法，并提出基于分层格网点密度进行单株树信息提取，主要包括树高、冠幅等特征信息。另外，Martin 和 Arun Kumar[6]基于移动LiDAR数据提取出树木的参数并且建立模型，但是实验证明该方法只有在相邻树木互不遮挡的情况下才有效。针对不同地物具有不同属性的特性，本文提出一种联合高程、投影面积、投影点密度的方法，实现车载LiDAR点云中树木的提取。

1 车载LiDAR系统获取树木点云

车载LiDAR系统是多传感器集成的综合数据采集系统，以车辆为承载平台，将POS系统、激光扫描系统、影像系统等高度集成起来。其中车载线阵激光扫描仪是主要传感器，以极高的速度获取道路两侧地物详尽的三维空间点云信息，POS系统为各传感器提供精确的位置和姿态信息，是点云坐标解算和影像参数解算的主要依据，影像系统获取道路两侧地物高清的影像信息(全景照片/立体相对等)。图1为车载LiDAR系统组成示意图。

由于树木在空间上的结构特征使得传统数据获取方式具有一定的局限性，而车载LiDAR系统是一种新型空间三维信息获取工具，适合于如树木这种空间分布不连续且结构复杂地物的三维空间信息采集。数据获取方式具有以下优点：①树木在空间分布上具有离散性。相对于传统的数据获取方式其结构过于复杂，后期运用数据建模或者模拟场景时很难达到理想效果，而车载LiDAR系统在获取数据时可以从各个角度进行采集，获取点云数据密度大，信息量比较丰富;②在高程上比其它地物明显增高，但是要比建筑物低，而车载激光扫描技术可以利用自身CCD相机拍摄地物表面纹理信息，可以辅助后期点云数据处理，且该系统利用全球导航卫星GPS及惯性测量系统确保各个测量单元的同步性，是系统获取高精度信息坐标的有力保证;③从整体上来讲，其上端点云比较离散且密度相对较小，下端分布集中且密度较大，且一般呈干状分布。若将其XOY面投影将会出现一个长宽大致相等或近似圆形的外包围盒，中间局部密度较大，与其它地物明显不同。综上可知，运用车载LiDAR系统获取树木的点云数据量大且丰富，有利于后续处理的可视化表达。

图1 车载LiDAR系统

2 原理与步骤

2.1 实现原理

树木是城市地表信息的重要组成部分，在城市三维重建及可视化中不可缺少。因此，本文提出一种联合高程、投影面积、投影点密度的方法，实现对车载LiDAR点云中树木信息的提取。

由于车载LiDAR点云的数据量大且复杂，导致数据后续处理速度慢，因此在对树木信息提取之前首先要滤除数据量比例较大的地面点，即滤波。在城市和郊区等地形起伏较小的地方，其地形可以看作是连续分布的曲面，在局部范围内，该曲面可以近似为平面[7]。滤波时本文采用最小二乘法对地面点进行平面拟合，使得一定高程范围内的点到拟合平面的距离平方和最小，并基于高程去除地面点。平面拟合模型为[8]

z+Vz=a+bx+cy.

式中：x，y为自变量，且不含误差；z为因变量；a，b，c为拟合平面待求参数。在包含误差的情况下对平面待求参数利用最小二乘准则进行解算得出

滤波后的点云成为一个个失去连接纽带的数据块，将数据块投影到XOY平面上，对其进行格网划分、编号并统计每个网格内点云数目。由树木空间分布特征可知，树木点云投影后平面上将出现一个长宽大致相等或者近似圆形的外包围盒，且中间局部网格内投影点密度具有较周围明显增大的趋势，投影点密度即包围盒单位面积内所含投影点的个数。

2.2 操作步骤

通过上述原理结合实际进行验证，具体流程如图2所示，具体步骤如下：

1)地面点滤除。车载激光扫描系统获取的点云数据是单个点的三维坐标信息，具有空间离散性，但是属性相同的地物被扫描点与点之间存在紧密联系[9]，各类地物由于地面这条纽带而束缚在一起，因此在对树木点云信息提取之前需要对点云数据进行滤波。

2)点云投影。联合高程信息设置阈值，将大部分地面干扰点滤除，通过式(1)将分割后的点云数据投影到XOY平面上，对其进行格网划分、编号，并统计每个网格内点云数目。

(1)

3)投影面积及投影点密度分析。拟合平面上的地面点云去除之后，将投影后呈现在二维平面点云的投影面积大小、形状编号以及内点云数目等与地物空间分布特性相结合进行分析，初步确定行道树分布的位置。

4)树木信息提取。根据步骤3)的分析结果，得到行道树在二维平面的大致位置，设定最大投影X坐标、最小X坐标、最大Y坐标、最小Y坐标为阈值(本实验设置的是Xmin=0，Xmax=26；Ymin=0，Ymax=30)，对树木大致位置进行圈定。

5)模型细化。对于提取之后的树木，有噪声点存在的情况需要继续进行分析并滤波，将多余不属于行道树的地物进行进一步滤除，并将提取的行道树与实际场地树木进行比较，检验是否与实际场景相吻合。

6)单株树提取。根据数据分割之后的二维显示图，针对其中投影面积近似圆形并与周围其它区域无关联的树木进行单株树木提取(对于树木紧密相连的有待于进一步研究)。

7)针对实验与分析过程中出现的问题，进行进一步改进。

图2 操作流程图

上述对于树木信息提取的操作步骤路线如图3所示。

图3 操作步骤路线图

3 实验分析与检核

3.1 实验分析

为验证算法的有效性，本文选用某高校采集的部分数据为研究对象对算法进行验证，图4为原始点云图像。按文中所述原理对地面点拟合，对整个场景中点云分类并赋予不同地物不同颜色，结果如图5所示。

图4 原始点云图像

图5 点云分类后图像

图5中紫色(1处)点云为地面点，绿色(2处)点云为灌木及树木，红色(3处)点云为路灯。上述结果滤除地面点示意图如图6所示，对树木信息进行提取并细化三维效果如图7所示。

图6 去除地面点效果图

图7 树木信息细化效果图

通过细化之后树木的形态表现得更加清晰，而在实际应用中无论是对树木进行数字化还是对其进行建模都是针对单棵树进行研究，为后续研究基于上述结果的二维显示图选择其中投影面积近似圆形，与周围其它区域无相联(对于树木紧凑型还有待于进一步研究)的树木进行单株提取，但是由于树冠部分点云密度不大使得树冠形态表现的比较稀疏，地面上还存在少量的噪声点，如图8所示。

图8 单棵树木提取示意图

3.2 精度检核

针对本文算法所提取出的树木，利用其高度信息对算法精度进行检核。从试验区选取30棵树并对其进行编号，利用TerraScan中View Laser作为检测本文算法提取树木的树高信息，同时利用全站仪实地对这30棵树木进行量测作为实测树高,具体结果如表1所示[10]。

对其进行定量分析，以本文算法提取树木的树高为自变量x，实测树高为因变量y，对树高进行一元线性回归拟合，结果如图9所示[11]。

图9 两种方法提取树高相关分析

从图9中可以看到，本文算法提取树高与实测树高进行线性回归拟合时，相关因子R2高达0.9833，说明本文算法提取树木的高度信息和实测数据相差很小。但是不排除个别超出限差的情况，分析原因主要有两点：①车载激光扫描系统在获取数据时受扫描角度的限制，对于树顶较尖的树木无法达到树顶位置[12]，提取的树木达不到实际高度；②可能受噪声点影响或者树木过于密集而造成“混淆点”的增多，使得算法提取的树木比实际树木要高[10]。从整体上来看，本算法能够有效地从植被信息中提取出树木，且经检验提取出的树木的高度信息比较接近实际值。

表1 本文算法提取树高与实测树高结果对比 m

4 结束语

本文结合实际车载LiDAR数据对所提出的算法进行验证，对单棵树木进行提取及分析。从实验结果来看，获取的树木信息比较接近实际情况，具有一定的实用性，为车载LiDAR数据的应用拓展了新领域。

由于本次试验过程中，选取的场地为校园内某一段较为理想区域，道路上没有车辆行人的过多干扰，树木周围的其它地物特征较为容易提取。在实际情况中复杂程度比较高，例如树木形态的复杂性(树木过于紧凑、外形非近似圆形等)、实际地形的多变性以及车载LiDAR数据在采集过程中实际情况的复杂性，因此，本实验所用的方法有待于进一步改善和提高，以适应不同的情况。

[1]李德仁.移动测量技术及其应用[J].地理空间信息,2006,4(4):1-5.

[2]张齐勇,岑敏仪,周国清,等.城区LiDAR点云数据的树木提取[J].测绘学报,2009,38(4):330-335.

[3]R ZHONG,et al.A method for extracting trees from vehicle-borne laser scanning data,Mathematical and Computer Modelling,doi:10.1016/j.mcm.2012,12.038.

[4]J SECORD,A ZAKHOR.Tree Detection in Urban Regions Usin g Aerial LiDAR and Image Data[C].//IEEE Southwest Symposium on Image Analysis and Interpretation,2006.Denver:Institute of E2 lectrical and Electronics Engineers,2006:86290.

[5]吴宾,余柏蒗,岳文辉,等.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[J].华东师范大学学报:自然科学版,2013,2(38):38-49.

[6]R MARTIN, P A KUMAR.Tree modeling from mobile laser scanning data-sets[J].The Photogrammetric Record 2G,(135) (2011) 3G1-372.

[7]张皓,张永生,刘军,等.一种基于平面拟合的LiDAR点云滤波方法[J].测绘科学,2009,34(4):141-143.

[8]叶珉吕,花向红,陈西江,等.基于正交整体最小二乘平面拟合的点云数据去噪方法研究[J].测绘通报,2013(11):37-39.

[9]李婷,詹庆明,喻亮.基于地物特征提取的车载激光点云数据分类方法[J].国土资源遥感,2012(1):17-21.

[10]杨伯钢,冯仲科,罗旭,等.LIDAR技术在树高测量上的应用与精度分析[J].北京林业大学学报,2007,(Z2):78-81.

[11]韩光瞬,冯仲科,刘永霞,等.三维激光扫描系统测树原理及精度分析[J].北京林业大学学报,2005(Z2):187-190.

[12]HOLM G J,NILSSON H.Simulating the effects of lidar scanning angle for estimation of mean tree height and canopy closure[J].Can J Remote Sensin g,2003,29(5):623-632.

[责任编辑：张德福]

Tree extraction from vehicle-borne LiDAR data

YANG Sha-sha,LI Yongqiang,LI Kuang-yu,MAO Jie

(School of Surveying and Mapping and Land Information Engineering,He’nan Polytechnic University,Jiaozuo 454000,China)

Vehicle-borne LiDAR data can provide the feature on the surface of different angle of views and has a higher point density,which can provide powerful guarantee for information extraction of trees. Different features have different characteristics. Based on vehicle-borne LiDAR data, the features of the nature are identified, and the 3D graphics are projected into a two-dimensional plane for recognition, separation, denoisin g and refinement. The tree information from the vehicle-borne LiDAR data based on Matlab procedure.Usin g total station for trees in survey area to field measurements and quantitative analysis, the result shows that this method can better identify the composition of individual trees of laser scanning points, which basically achieves the purpose to extract the trees.

vehicle-borne LiDAR; tree information; matlab; quantitative analysis

2013-09-25

国家自然科学基金资助项目(41001304)；国家“十二五”科技支撑项目(2012BAH34B00)；河南理工大学博士基金(B2009-33)

杨莎莎(1989-)，女，硕士研究生.

P237

：A

：1006-7949(2014)08-0023-05