三维激光扫描技术在1∶500地形图精细化制图中的应用研究

李逢清，陈科，易达，杨亚复

1.昆明理工大学津桥学院，昆明 650106；2.中国电建集团昆明勘测设计研究院有限公司，昆明 650000；3.云南省水利水电勘测设计研究院，昆明 650000)

1 引言

传统地形测量大致可以分为两类，一类是传统单点测量技术，如利用全站仪、经纬仪等获取单点数据进行成图，该类方法效率低，耗时长，采集的数据信息有限[1]。另一类则是后期发展起来的“面”式测量，如利用遥感技术通过对遥感影像数据的处理提取地面对象的三维坐标数据，该方法可以一次性获取大量数据信息，但是在数据处理前期需要花费大量时间进行影像数据预处理[2-3]，且提取成果的精度低于传统的“点”式测量成果。三维激光扫描技术是遥感新技术研究和应用的一种热点技术，又被称为“三维实景复制技术”，采用逆向思维对实体进行高精度曲面重构，并且以实时采集目标对象的三维坐标与影像照片的手段获取大型实体对象的三维立体信息[4]。通过曲面拟合与重构，精确再现实体对象的可量测模型。目前，相对成熟的三维激光扫描技术已经运用到了大比例尺精细化制图应用中，相比于传统的测量技术[5-7]，测量精度得到了明显提高，缩短了外业测量的时间，获取数据信息更丰富，信息冗余度小，改变了传统地形成图的作业流程[8]，并且该技术克服了传统测量在危险区域作业以及摄影测量对于禁飞区域的局限，通过资料的收集与查询[9-10]，现如今还没有一套完整成熟的基于激光点云地形成图的软件和云数据处理的工作流程[11]。

本文在基于三维激光扫描技术原理，选取了一块高海拔平原地区具有典型地形地貌特征信息的区域，利用扫描仪Polaris TLS配套的点云数据处理软件Polaris ATLAScan和Lidar360，CASS9.0等软件实现点云数据的高精度地形图成图，并进行了信息的提取与绘编，为进一步验证地面三维激光扫描技术在大比例精细化地形图绘制中的可靠性，选取平面与高程特征点与GPS RTK实测地形数据进行比较分析，通过三维空间中误差对三维激光点云成图精度进行评价，为后期点云数据在大比例尺精细化制图中提供了可行的技术依据。

2 数据的采集与处理

三维激光扫描技术的大比例尺地形图绘制是基于外业点云数据采集基础上实现点数据的配准、滤波、去噪以及地物提取、等高线绘制等，具体流程如图1所示。

图1 三维激光扫描技术数字测图流程图(自绘)

2.1 点云数据的外业采集

本文选取的实验区地处云南迪庆州香格里拉县西北部著名的旅游景点纳帕海自然保护区作为研究对象，距离县城8 km，属于亚热山沼泽和沼泽化草甸，三面环山，山峰海拔3 800～4 449 m，该区土壤类型属于沼泽土与泥炭土，工程地质条件极其脆弱，加之工程建设过程中破坏了原生地质环境，导致该区雨季库容量暴涨阻断道路，测量工作难以开展，并且测区面积较大，传统测量工作强度大、耗时长，并且该区域毗邻香格里拉机场，属于空管制约区域，只能采用传统单点测量与三维激光扫描技术相结合的方式进行测区地形地貌信息的获取。

鉴于该区域海拔高、面积大，研究工作采用Polaris TLS地面三维激光扫描仪(表1)进行外业点云数据采集，利用Polaris ATLAScan ，Lidar360软件完成灌溉水库堤坝的点云数据处理与三维场景构建。试验采用的仪器设备与处理软件具有数据获取操作简单、精度较高、后期处理方便等特点[12]。具体的扫描方案为：根据测区的地形地貌分布特征情况，结合前期布设的施工控制网，搭载GPS接收机实时获取测站坐标，且为了保证后期点云数据配准精度，必须保证外业扫描过程中相邻测站之间点云重叠度在30%以上。

表1 Polaris TLS三维激光扫描仪参数性能

经统计测区面积约10 km2，架设扫描测站108站，由于数据量较大，选取其中7站数据，约0.5 km2，进行基于点云数据的全要素信息提取。具体测站信息如表2所示。

表2 测站信息

2.2 点云数据的内业处理

2.2.1 多站点数据的空间配准

多站点云数据配准实质是将各独立测站模型之间空间坐标的刚性转变，一般采用六参数法，忽略尺度因素的变化。配准方式一般分为逐站点配准、全局配准、基于特征地物的配准，不同的数据采集模式以及不同的数据类型采用不同的数据配准方法。点云数据的配准是后期三维模型曲面构建的一个重要环节，由于本文研究区点云数据获取测站相对较少，以及测区地形地物信息比较突出，故点云数据的配准利用逐站点与基于特征地物配准相结合的方式进行[13-14]。

(1) 逐站点配准

逐站点数据配准主要采用扫描仪配套软件ATLAScan 平台进行点云数据配准。具体操作为：导入测站点，以第一测站数据作为基准站，把相邻测站数据配准到第一测站坐标系统下，为了保证配准精度，当进行相邻测站两两配准时，及对其进行平差处理，并检查配准精度是否满足精度要求，以此迭代类推，直到所有测站数据配准完毕，这样的配准方式能够保证点云数据整体配准后的相对准确性。

(2) 基于特征地物的配准

基于特征地物的配准是对逐站配准基础上进行的精细化配准处理。当逐点配准后，配准效果或者精度不理想时，通过利用特征地物如电杆、栅栏、房屋等通过手动干预的方式对点云数据进行同名点对或者同名面的配准，最终实现测区的精确配准。

2.2.2 点云滤波去噪

基于三维激光扫描系统对目标物进行扫描时，常常会受到周围环境与仪器自身的影响，获取的点云数据通常会包含着许多噪声点，如树木、电线、房屋、汽车等。在数据预处理阶段需要对获取的点云数据进行滤波处理，把不需要的噪声点从海量点云中提取出来以确保后期三维曲面构建的质量和提高数据处理的质量。通过统计分析，在获取的点云数据中至少存在着1%～5%的噪声点需要剔除，所以再进行点云数据的曲面拟合之前需要对配准后点云数据进行滤波处理。针对不同的噪声类型，Lidar360软件平台提供了多种滤波去噪的方案。结合实地踏勘，研究区的噪声主要来源于车辆行人、粉尘以及地表植被等，由于数据量较大，在滤波过程中把点云数据裁剪分块进行处理[15-16]，必要时需结合人工进行噪声点的手动剔除。

2.2.3 点云空洞修复

由于扫描死角、地物遮挡或者是滤波处理等问题容易形成地表点云空洞，如果不进行空洞修补会对后期模型建立造成地表失真、地形和地物特征要素的缺失等问题。因此在进行下一步点云数据处理之前需要通过编辑模型对点云的空洞区域进行修复，如果点云空洞属于地形复杂区域或者空洞较大，那么基于TerraSolid软件平台的空洞修复效果与实际地形特征相差较大，需要更加精细专业的空洞修补软件或者算法进行空洞修补。本文研究对象的大面积空洞修补采用Geomagic Studio软件平台进行曲面重建。

3 地理信息提取与制图

基于点云数据制作数字大比例地形图时，数据源主要包括DEM与DOM数据。由于地面三维扫描系统提供了POS定位定向系统，可以扫描得到高精度点云数据，并且通过搭载全景相机可以实时获取到测区的影像信息，为后期DOM制作提供基础数据，利用获取的高精度点云数据可全自动获取DEM数据。在测图和采集方面，数字地形图直接采用DOM作为底图，DEM生产等高线，矢量数据也不需要全要素采集，相比传统作业方式，很大程度上缩短了周期，节省了人力。

3.1 地物数据的提取与编辑

地物数据的提取主要是采用人机交互的方式利用完成配准后的点云数据进行信息的提取，如房屋、道路、电力线等，在完成配准后的点云数据中进行手动提取，在进行地物信息提取之前需要将点云数据格式转换为AutoCAD2018可识别的格式，再进行后期数据的提取处理。采集过程中需要按照标准规范对地物进行代码分层记录与量测，以便后期地形图的整合处理。如图2所示，根据点云数据结合DOM 数据进行地物数据的全要素提取。

图2 基于点云数据的地物数据的提取(自绘)

3.2 地貌数据的提取与编辑

由于三维激光扫描技术是对整个测区空间信息的表达，包括了地表所有信息，所以在点云数据地物信息提取之后需要将非地貌点数据剔除，才能保证区域地貌信息的真实性。

基于高密度激光点云数据进行DEM制作，需要在点云数据进行滤波与分类处理之后提取正确的地形点。由于激光点云数据获取地形点数据量较大，容易出现数据冗余，所以在进行点云数据地形点提取时要根据具体成图要求设置地形关键点的提取间隔阈值以及容差参数的控制。DEM数据主要有两种表现形式：①矢量格式：不规则三角网(TIN)模型；②栅格格式。TIN格式下的DEM要求真实，栅格形式下的DEM主要用于大面积查询，一定程度上要求平滑美观，不同的数据格式处理方式有所区别。本文主要获取TIN格式下的DEM，最后用于地貌数据的提取。

(1) 数据分块与检查

预处理后的点云数据量大，覆盖面积较广，对电脑CPU等硬件配置要求较高，为了提高数据处理效率，需要对数据进行分块处理，在分块的基础上进行DEM的制作。对分块处理的点云数据重采样，采样间隔为0.5 m,通过创建TIN模型(如图3所示)进行数据检查，包括数据的完整性、地形模型的正确性，重点检查模型是否存在最低点，沟、坎是否能完整的体现以及是否有未剔除的地物数据等。

图3 TIN模型构建(自绘)

(2) 提取地形关键点

在地形成图时，实际地形往往只需要少量的点构建不规则三角网就可以进行表达，但如果地面点数据量较大，容易出现地面点信息的冗余，地面信息表达错误，地面渲染效果较慢以及数据存储较大等情况。TIN模型利用实体模式显示，会出现许多尖峰，结合地形分析得出大部分情况是由于地物滤波不干净，残留树木遮挡地表造成的。因此，在选择地形关键点时，还需要对这部分点云数据进行剔除。由于目前软件自动化程度不高，只能用人机交互的方式进行处理，本文利用区域切割点云数据剖面，进行非地形关键点剔除如图4所示。

图4 分块切割剖面点云数据(自绘)

(3) DEM的制作与地貌数据提取

在利用TIN进行DEM制作时，为了较大程度地保持地形细节信息完整，以及对横纵断面精度的控制，对DEM不做平滑处理。但是在实际生产运用中，大面积的DEM要求适度平滑，增强DEM三维显示的顺畅性以及美观性，因此，在DEM数据进行平滑处理。首先，利用原始DSM和该二值图就可以滤除非地面点，然后使用地面点重新内插，就可以得到DEM；其次，直接内插的结果比较粗糙，而且很多非地面点，仍然没有被滤除掉，此时，可以将在该DEM的基础上继续编辑非地面点掩膜并滤波非地面点，然后再次内插得到新的DEM；基于新的二值图重新滤除非地面点，并重新内插DEM，就可以得到更精确的DEM如图5所示，对于预处理之后的DEM会出现区域不平滑现象，需要利用人机交互的方式对该区域进行手动处理即可。

图5 DEM平滑处理(自绘)

利用平滑之后的地形关键点进行等高线的自动生成，由于提取的地形关键点密度较大，分布不均，直接利用平滑之后的地形关键点追踪等高线，其细节表达信息过多，会出现等高线絮乱等情况，所以在追踪等高线之前需要对关键点按照成图要求进行抽稀处理。最后利用EPS软件处理平台进行等高线的自动生成，如图6所示。

图6 等高线的自动追踪(自绘)

三维激光扫描技术获取点云数据密度大，灵活性较大，能够满足多种测量要求。通过以上步骤的数据处理，将提取的地物地貌数据进行数据综合，导入CASS软件平台，并添加符号及其文字注记，生产图廓及其局部地形图的修饰。通过野外地形图调绘，对基于三维激光扫描仪点云成图进行全面检查，如独立地物，交通设施，水系水工设置以及各类地物地类要素等，以保证精细化成图的准确性，如图7所示，最后按照规范标准输出相应比例尺地形图。

图7 点云数据的全要素采集(自绘)

4 精度对比分析

4.1 平面精度

在测区范围内，利用GPS RTK实测方式，选取130处地物特征点进行平面精度统计，平面位置较差最小为0.27 cm，最大为6.8 cm，精度统计表如表3所示。

表3 地物特征点平面精度统计表

点位中误差是反映地形图数学精度的一个重要指标，通过外业实测与图上抽样选点，通过计算各轴向误差及点位中误差(式(1)平面中误差计算，式(2)高程中误差计算)来衡量三维激光扫描技术在1∶500地形图成图精度:

(1)

(2)

以GPS RTK实测值作为真值，通过式(1)计算三维激光扫描数据平面位置的中误差为3.8 cm，满足规范精度要求。

4.2 高程精度

利用GPS RTK随机测点，将RTK测量高程与地面三维激光扫描点云数据最邻近点进行高程精度对比，共检查点数105个，经公式(2)计算，以RTK实测值为真值，计算三维激光扫描数据高程中误差为12.5 cm，最大误差27.5 cm，最小误差0.4 cm，精度满足成图规范要求。

5 结论

三维激光扫描技术与传统测绘相比，不仅可以快速高效采集外业数据，还可以很大程度上节约成本输入，降低外业强度，把测绘工作中大部分的外业工作转移到了内业的数据处理上，并且可以准确快速地构建对象目标的三维场景，满足用户的不同需求。

本文通过以一个工程应用实践为基础，对将三维激光扫描技术应用于大比例尺精细化制图各个环节的技术要点进行了实验验证和总结。其中，重点对三维激光点云数据的外业采集、内业数据预处理，地理信息数据的提取、编辑以及制图等方面的技术要点进行了分析和总结。并对最终的制图成果进行了精度分析，分析结果表明，平面位置的中误差为3.8 cm，对高程精度计算时，最大误差27.5 cm，最小误差0.4 cm，剔除粗差后，高程中误差为12.5 cm，该方法的平面与高程精度能够满足大比例尺精细化制图的要求。本文相关技术路线和要点也可以为三维激光扫描技术应用于大比例尺精细化制图相关的工程实践提供一定的指导和技术参考。

地面三维激光扫描技术非接触式的测量模式很大程度上减少了人工作业的难度，并且获取的数据可以同多种处理软件交互使用，但是基于三维激光扫描技术的大比例尺精细化成图还属于初步探索阶段，仍然存在着许多亟待解决的问题。

(1) 目前还没有推出一套完整的基于激光点云进行精细化大比例尺地形图测绘软件，导致在绘制过程中需要多种软件交互使用辅助成图，如何集成各软件之间的处理优势，形成一套完整的数据处理流程，是激光点云成图的一个重大突破。

(2) 对于大面积植被茂密区域，激光无法穿透时，后期点云数据滤波处理后会存在大范围空洞，如何保证空洞修复时能够还原真实地表信息是目前面对的一个巨大挑战。

(3) 如何实现三维激光扫描点云全自动高精度提取地表特征点，这将是三维激光技术运用在地形测绘中长期研究的课题之一。

(4) 多源数据融合以弥补单一数据采集时的局限，例如地面三维激光技术精准位置信息与无人机摄影测量丰富的纹理信息相结合，实现两者数据优势互补，为后期数据多元化应用提供数据基础。