基于无人机LiDAR的道路勘测DEM构建研究

宋冬冬

关键词： 滤波 LiDAR 无人机 DEM 构建

中图分类号： U412.2 文献标识码： A 文章编号： 1672-3791（2024）01-0022-04

在当前道路建设不断新增的大环境下，道路建设行业必须提高工作效率，优化工艺技术、缩短建设周期。机载LiDAR（Light Detection And Ranging）是近年来发展较快的一种新型对地观测技术，其将激光测距、计算机控制以及惯性测量等技术融为一体，利用无人机、有人机等搭载设备，实现非接触、远距离、高效率对地面点云数据采集［1］。数字高程模型（Digital ElevationModel，DEM）作为重要的基础地理数据之一，已经成为国家经济发展、全球战略实施的核心，而随着空间数据应用的不断扩大，如何快速获取高精度的DEM 数据已经成为测绘行业的热点问题。传统的DEM 主要依靠数字化地形图或者空中三角立体测量技术。前者需要外业采集大量地形数据，一般使用RTK（RealTime Kinematic）进行外业数据采集，耗时耗力，并且对于复杂区域，人工无法到达，将导致部分DEM 数据缺失；后者包括航空摄影、摄影处理、地面测量（空中三角测量）、立体测量和制图生产等过程，生产周期长，难以适应当前信息化社会需求。作为新型的对地观测技术，机载LiDAR 为DEM 获取提供了一种全新的技术手段，由于其能够准确地获取地物的三维坐标，具有航空摄影测量和地面常规测量的综合优势［2］，因此能够将复杂的地形（地貌）精确、形象地展示出来。

DEM 作为数字模型数据可以利用计算机快速获取道路勘测中的纵横断面，解决当前道路勘测中纵横断面生成的繁琐问题，同时DEM 作为一类3D 数据，可以直观地显示地形、地势、地貌，为道路建设中的可视化分析、道路选线、土方量计算等提供重要的数据支撑。而无人机LiDAR 技术和单波束测深技术相比于传统测量技术有着精度高、速度快、获取数据量大、自动化程度高等优点，采用无人机LiDAR 技术，可以大大提高地形数据的獲取效率，解决当前道路勘测对海量高精度地形数据的强烈需求［3］。

1 无人机LiDAR 点云数据获取

1.1 无人机LiDAR 外业测量

本文利用无人机LiDAR 技术获取实验区地形数据，测量面积约5.65×105 m2。利用无人机LiDAR 技术外业采集数据流程主要包括：（1）实验区环境资料收集；（2）航飞设计；（3）架设基站；（4）飞行前调试；（5）激光扫描仪工作；（6）惯性导航系统工作；（7）数码成像系统工作；（8）导出数据。

1.2 外业数据处理

为了生成实验区的点云数据，还需对无人机Li‐DAR 外业采集数据进行进一步处理。其主要处理工作有基站数据结算、POS 数据解算、影像数据融合、点云坐标转换等［4］。数据处理流程如图1 所示。

1.3 点云数据去噪处理

获得点云数据后，在对点云数据进行相关处理应用前，必须先进行去噪处理。无人机LiDAR 扫描作业过程中非常容易受到各种因素的干扰，产生各种各样的噪点，此类噪点往往突兀于正常点云数据。为获得更准确的激光数据，需要进行点云去噪处理［5］。

1.4 无人机LiDAR 点云数据获取结果

本文利用广州市某港口区域获取的点云数据来构建DEM，其覆盖面积约为5.65×105 m2，含有激光雷达点约3.72×107个，点云平均密度为65.791 per/m2，点的间距在0.01～0.18 m 之间，实验区最小高程为+0.568 m，最大高程为+38.159 m。原始点云如图2 所示。在实验区中河西的沙滩区只有一些挖机、吊车等施工车辆和一些生长在沙土中较稀疏的低矮灌木丛，其余地物类型较少；在河东的生活区内包括较多低矮密集的植被、路旁的行道树、厂房建筑物、低矮棚户区、庙宇、输电塔和电线、防风墙等地物。

2 点云数据滤波

在构建DEM 之前，须进行点云数据滤波去除掉不用的地物点数据。滤波的效果越好，构建的DEM 精度就越高［6］。本文选用数学形态学滤波、布料模拟滤波和三角网迭代滤波来进行对比实验。

2.1 数学形态学滤波结果

根据实验区点云数据地形地物实际情况，本次数学形态学设置的格网分辨率大小为0.2，采取线性增加滤波窗口，初始窗口尺寸为3 m，最大窗口尺寸大小为35 m，地形斜率为0.3，初始高差阈值为0.5 m，最大高差阈值为2 m。

2.2 布料模拟滤波结果

布料模拟滤波算法进行滤波时需要设置5 个参数，分别是格网分辨率、高差阈值、最大迭代次数、布料硬度和坡度后处理。格网分辨率就是布料格网的大小，设置过小，则布料模拟粒子数就会过多，会导致计算量过大，设置过大则会导致布料格网过于粗糙，会将很多点云的属性误判。原则上格网分辨率应和点云密度相当或者是点云密度的2～3 倍，文章设置为0.3 m。高差阈值是用来判断将距离模拟布料多高的点判定为地面点的依据，文章设置为0.2 m。最大迭代次数，布料质子运动次数达到最大迭代次数时将会停止布料模拟，文章将迭代次数设置为500。布料硬度可以结合地形坡度的变化来确定布料刚性参数。一般来说，区域越平坦，则RI 值需要越大；反之，区域越陡峭，RI 值需要越小。本文将RI 值设置为2。坡度后处理是一个可开关选项，当地形较陡峭时，需要进行坡度后处理；当地形较平坦时，则不需要进行坡度后处理。本文对实验对象开启了坡度后处理。

2.3 三角网迭代滤波结果

三角网迭代滤波算法主要参数有最大建筑物尺寸、最大地形坡度、迭代角度和迭代距离。每个格网中都需要有一个地面点作为种子点，所以最大的格网尺寸需要大于等于点云中最大建筑物尺寸。根据测区实际情况，设置最大建筑物尺寸为35 m。最大地形坡度是改变地形地貌所允许的最陡坡度，以实际情况为准，设置其为88°。迭代角度和迭代距离，待定点到三角网的角度和距离是否在迭代角度和迭代距离阈值范围内，将决定其能否被分为地面点并加入三角网中。本文设置迭代角度为20°，迭代距离为0.5 m。

3 滤波精度评价

3.1 评价指标

本文以广泛使用的点云滤波评价指标对实验成果进行定量分析，其中主要有Ⅰ类误差、Ⅱ类误差和总误差这3 个误差评价指标。Ⅰ类误差表示错分地面点占总地面点的比例；Ⅱ类误差表示错分非地面点占总非地面点的比例；总误差表示总的错分点占总点的比例。

3.2 对比分析

本文为比对数学形态学滤波、布料模拟滤波、三角网迭代滤波这3 种滤波算法对不同地区的适应性，选取了实验区中厂房、密集低矮植被、防风堤和行道树、带有零散植被的小沙丘等8 个具有不同地形特征和土地利用类型的样本区域进行滤波精度评定。其参考数据是根据测区的航摄影像辅助进行人工分类所获得的。下面以密集低矮植被为例进行对比说明。具体情况如图3 和表1 所示。

根据图3 和表1 所示，在密集低矮植被区，3 种滤波的Ⅰ类误差都较小，没有明显的丢失地形现象。3种滤波的Ⅱ类误差都较大，出现明显的将部分低矮植被归为地面点的现象。其主要原因是密集低矮植被的枝叶过于密集，激光没有穿透植被，得到的植被点下没有地面点，只有一层植被点。对于这类点，3 种滤波方法只能靠其与周边地面点的高差来进行滤除，低矮植被本身就矮，然而部分低矮植被点与周边地面点的高差在阈值范围内，导致3 种滤波都难以将这类点滤除。其中，由于三角网迭代滤波除了高差阈值外还有一个角度阈值，对这类点的滤除效果比其他两种滤波更好，这使得其Ⅱ类误差是3 种滤波中最小的。从总误差来看，在本区域三角网迭代滤波较好于其他两种滤波。

4 无人机LiDAR 点云数据的DEM 构建

点云数据滤波完后得到地面点数据依旧属于离散数据，同时滤波完后，部分区域还会出现空洞现象。所以，需对地面点数据进行内插生成DEM。考虑效率和精度因素，本文选用线性三角网插值法来为点云构建DEM。

4.1 点云构建DEM

由于点云的数据量大，本文首先是利用地面点云构建了TIN，然后将TIN 内插生成栅格DEM。TIN 是通过利用地面点数据构建不断连续的不规则三角面，以逼近真实地形。TIN 能够降低多余数据沉积，提高地形模拟的精度。实验区的TIN 模型局部图如图4所示。

生成TIN 后，由于地面点数据密度够大，要生成的DEM 中的每一像元都能有地面點数据对应，所以对TIN 进行线性内插就能生成逼近真实地貌的DEM。本文激光雷达点约3.72×107个，数据量大，线性三角网插值法有较快的插值速度，误差低，能有效提高构建DEM 的效率。生成DEM 如图5 所示。

4.2 DEM 精度评价

为检核DEM 的精度，在实验区范围，利用GPSRTK测取检核点，这些检核点应均匀分布于实验区内，数量适当。将DEM 与检核点高程值对比，评价其精度。采用中误差、平均绝对误差、平均误差作为数值指标。计算结果表明：DEM 的高程中误差为0.024 m，最大高程差为0.050 m，满足1∶500 地形图高程精度要求。

5 结语

本文采用数学形态学滤波算法、布料模拟滤波算法和三角网迭代滤波算法3 种云算法对点云数据进行滤波，并对滤波结果进行精度评价和对比分析。采用线性三角网插值法对滤波后点云进行插值，生成DEM，并利用检核点法对其进行精度评价。