基于LiDAR点云的城区地表变化检测

曾静静，张晓刚，王刚

(1.青岛市勘察测绘研究院，山东 青岛 266032； 2.青岛市西海岸基础地理信息中心有限公司，山东 青岛 266555；3.海陆地理信息集成与应用国家地方联合工程研究中心(青岛)，山东 青岛 266032)

1 引 言

近年来，我国社会经济快速发展，城市地表变化迅速且复杂，对基础地理信息数据的现势性要求也越来越高。而作为基础地理信息数据的重要组成部分，地形图及数据库成果的快速准确更新对城市管理具有重要意义。更新的关键之一在于对变化区域的检测，准确的变化检测结果是合理选择更新方法和更新模式的重要依据，根据整体变化检测结果设计合理的更新方案，可以有效提高更新效率，确保成果质量。

城市区域地表变化的检测方法主要有：全野外巡图、影像人工解译对比、影像自动检测变化以及利用已有资料等。其中，全野外巡图方法准确度高，但效率低、投入的人力和时间成本高；利用两期影像目视解译、人工勾绘变化区域的方法准确度高，但是效率低；利用两期影像自动检测变化方法误判率高；利用已有资料方法易产生变化丢漏，只能作为一种补充手段。以上几种方法均有各种弊端，无法满足快速、准确识别变化区域的要求。

LiDAR技术融合了激光测量、飞行器姿态控制、GNSS等多种前沿技术[1，2]，能快速获取地表形态，数据精度高、处理成本低，是一种新型的三维信息数据获取手段。目前，利用LiDAR数据进行地表变化检测已有一定的研究成果：张良提出了基于多层局部ICP匹配的地形三维变化探测算法，通过差异信息熵判断窗口变化，在最优窗口下匹配，实现了基于多时相LiDAR数据的地表变化检测[3]。巩翼龙等人提出了一种利用多层次规则分类算法解决点云与影像建筑物变化检测难题，形成了基于多源数据的建筑物变化检测技术方法[4]。奚以成针对城市地表变化特点，重点研究了改进型ICP算法的匹配、基于坡度熵的地表抽稀算法，并在此基础上提出了变化检测的策略[5]。总的来看，前人研究主要集中于多期点云数据的配准算法，而针对城市区域地表变化检测的实际应用研究及生产总结较少。本文主要探索使用成熟的商业LiDAR处理软件对城市区域进行变化检测，根据生产经验总结出一套完整的数据处理流程，对实际工程应用具有一定的指导意义。

2 研究区域和数据

区域1：研究区域总面积2 km2，属于人工岛屿一部分(图1)。2017年～2019年整个岛屿属于建筑施工阶段。该岛屿是人工填海而成，地形平坦，建筑物较多、植被较少，地面全部是硬化地表和铺装路面。

图1 区域1范围图

区域2：总面积为5 km2，包含平地和丘陵地两种地形，属于城乡接合部(图2)。建筑物包括：农村房屋、棚房、城市居民楼房、商场、工业厂房；道路包括城市道路、等级路；桥梁包括一般桥梁、立交桥、高架桥；测区内有三条地面河流；植被以阔叶林和针叶林为主。实验区地形、地物丰富，具有代表性。

图2 区域2范围图

本研究所用到的两期LiDAR点云数据如表1所示：

研究区域数据参数列表 表1

3 技术方法

采用两期机载LiDAR点云数据进行快速变化检测的主要流程是：

(1)数据预处理：分别对两期点云数据进行数据预处理，主要包括解算点云数据、剔除粗差点、坐标转换匹配、计算数据相对精度等。其中，相对精度的作用是确定变化阈值。在计算相对精度之前首先需根据研究区域的面积判断是否需要将整个区域分成多个区块，并分别计算各个区块的相对精度，以防止区域过大导致整体相对精度与局部最优相对精度差异较大，影响后续变化分析。

利用两期影像数据，通过目视解译法均匀地选取未变化的平坦的铺装路面以及硬化地表作为未变化区域，计算两期数据中相对应的未变化区域的高程差异均值作为该两期数据的相对高程精度。经过计算，区域1相对精度为 6 cm，区域2相对精度为 10 cm。

基于建筑物房屋角点、地物特征点等进行局部平面位置匹配，采用局部四参数纠正方案，进一步提高原始数据的相对一致性精度，使得后续变化分析更加准确。

(2)数据分类：可将地物点云分为道路、水域、房屋、植被四大类。其中部分房屋比如尖顶房屋和屋顶结构复杂的房屋，不同期的点云数据栅格化后高程差异较大，如图3所示：A、B、C点和D、E、F点为不同时期的点云数据，虽然都在同一个栅格中，但很明显用不同时期的点云数据得到的高程均值差异是比较大的，因此房屋的检测阈值选取原则是数值尽量大，但要小于测区内最低房屋的高度值。地面相对比较平缓，检测阈值选取应尽量小，因房屋和地面点所用的检测阈值不同，需要将地面和房屋点区分出来；道路和河流都属于地面点层，应用同一检测阈值；植被无法根据高度判断变化，只可以判断是否新增和消失。数据分类将点云数据分为：地面层、建筑物层、植被层。

(h)A+hB+hC)/3>(h)D+hE+hF)/3

(1)

注：h是点的高程值。

图3 尖顶建筑物不同时期点云数据高程均值差值图

首先对原始点云数据构建不规则三角网，设置高度阈值，通过不断的迭代计算各个点的高差与阈值的关系，判断该点是否为地面点，从而将地面点与非地面点分开[6]。然后在非地面点云中通过判断点云的平整度以及高度识别出建筑物屋顶区域。

(3)点云栅格化：分别对两期建筑物、地面、植被点进行栅格化处理，在栅格化过程中，两期数据采用的网格大小需要相同，即保证两期数据生成的栅格图像的分辨率一致[7]。网格大小需根据点云密度选取，网格阈值Z由有下面的公式得出：

Z=(z1+z2+z3+…+zi)/i

(2)

其中Z表示每个格网点高程值，zi表示每个点的高程值，i表示每个栅格内点的个数。

(4)变化检测：对建筑物栅格图像进行聚类约束差值计算，首先按照空间邻域高程相近原则进行聚类平滑，降低孤立噪声干扰；然后基于聚类后的栅格进行比较，计算待分析格网到上一期同名格网的高程差值，得到提取变化图斑后计算变化率，最后对结果进行精度验证。

4 变化结果分析与评价

4.1 实验结果

房屋的检测阈值选取原则是数值尽量大，避免尖顶房屋或者房屋细部结构对结果造成的影响，但要小于测区内最低房屋的高度值。本次实验区最低房屋的高度 2.3 m，因此选择 2 m为建筑物检测阈值，分类统计结果如图4、表2所示：

图4 建筑物变化检测结果

建筑物变化结果统计 表2

对两个不同时期地面图像进行计算并按照阈值进行分割，主要分为地面升高区域、地面降低区域、未变化区域，结果如图5、表3所示：

图5 地形变化检测结果

表3

4.2 分析与评价

(1)总体分析

测区1是填海造陆的人工岛屿，2017年～2019年间测区变化大。基于本文提出方法得出的变化检测结果可知，整个测区大部分区域呈高度增加趋势，与实际相符。根据建筑物变化检测结果可以得出近年来该区域内建筑物变化明显，其中消失的建筑较多，多为建设工地中临时搭建的棚房。

测区2是属于城乡接合部，2017年～2019年总体变化较小，变化区域多集中在新建小区、新建厂房多，拆迁村庄。经过图像对比验证，实验提取的变化图斑，符合实际变化情况。

(2)准确性分析

建筑物分析结果：基于两期影像利用人工判读的方法验证建筑物的变化检测结果，所有变化情况全部符合实际情况，利用该方法不但能够判断出是否变化，而且还能进一步分析出建筑物的新增、扩建、拆除情况。其中，点云分类结果的正确性对变化检测结果有影响，所以选择合适的分类参数，保证分类的正确性对于建筑物变化检测至关重要，实验区建筑物的正确率达到87%。

图6 (a)建筑物旁存在安全网 (b)建筑物安全网拆除

在研究区域中存在第一期数据中建筑物已经封顶，安全网没有拆除，而在第二期数据中该建筑物安全网拆除的情况，如图6所示。此时由于建筑物高程未变化，本文方法将该建筑归为未变化建筑物，而人工统计方法更加依赖影像纹理信息会将该建筑归为变化建筑物。

地形分析结果：基于两期影像利用人工判读的方法验证地形的变化检测结果，两个实验区的地形变化情况全部符合实际情况。试验区准确率达到76.5%，可以很好地检测出地形变化情况，且目前滤波算法比较成熟，准确率和流程自动化程度高。

水域、植被分析结果：不同时期河流、湖泊水位差异和不同季节植被长势差异会对变化分析结果产生较大的影响，因此直接利用该方法求水域和植被的变化情况，准确率低。

(3)效率分析

本文提出的方法简单、自动化程度高，可以借助Terrasolid、LiDAR360等成熟软件对点云进行批处理，不需要过多的人工干预，降低了生产成本。通过本文提到的方法，节约了38%的人工工作量，具体分析如表4所示：

表4

以建筑物和地形变化检测结果为依据选择基础地形图和数据库更新方式、更新机制、更新频次，对于城市的基础地理信息数据定期更新具有重要意义[8]。该方法已经成功应用于地形图更新项目中。

5 结 论

本文利用两期点云数据检测城市地表变化，得到城市区域地表变化图斑和变化率。所用方法准确率较高、自动化程度高，能减少人工判读的工作量，提高了地表变化检测的效率，满足了地形图、数据库更新前期了解区域变化情况的需求。但该方法也存在局限性，对植被、水域的变化检测准确率低于50%，不建议用该方法对植被和水域进行变化检测，因此如何提高变化检测的全面性仍是后续研究的重点。