一种基于机载激光雷达点云的建筑物识别方法

摘 "要： 以三维激光雷达数据为基础进行目标自动检测识别具有重要现实意义。针对传统的以人工判读识别目标的方法已经远不能满足从海量数据中确定目标的要求，文中提出一种基于机载激光雷达点云的建筑物识别方法。通过使用改进后的金字塔方法构建三维激光雷达点云，鉴于三维激光点云具有地物本身的语义信息，可根据点云的多尺度复杂地物特征实现三维激光点云数据的自动分类，对分类后的非地面点进行区域生长分割，通过点云与建筑物平面特征的匹配，确定建筑物的识别结果。整个方案实现过程清晰、简单，而且该方法的实现对计算机硬件配置要求不高，能够从海量三维激光雷达数据中快速、准确地识别类建筑物，正确率高达81.25%，在目标识别领域具有较高的应用价值。

关键词： 激光雷达； 点云； 金字塔方法； 点云分割； 智能识别； 区域生长分割

中图分类号： TN959.3⁃34 " " " " " " " " " " " " "文献标识码： A " " " " " " " " " " " 文章编号： 1004⁃373X（2024）21⁃0097⁃04

Building recognition method based on airborne LiDAR point cloud

FANG Shuyan， ZHAO Jianle， WANG Xin， ZHAO Jian

（Qingdao Branch of China Research Institute of Radiowave Propagation， Qingdao 266107， China）

Abstract： The automatic target detection and recognition based on 3D LiDAR data is of great practical significance. The traditional manual interpretation and recognition methods have limitations to identify the target from massive data. To address this issue， a building recognition method based on airborne LiDAR point cloud is proposed. The improved pyramid method is used to construct 3D LiDAR point cloud. Because the 3D LiDAR point cloud has the semantic information of the ground object itself， its data can be classified automatically according to the multi⁃scale complex ground object features of the point cloud. The non⁃ground points can be segmented by region growing. The recognition result of the building is determined by matching the point cloud and the planar features of building. The implementation process is clear and easy. Furthermore， this method does not require high computer hardware configurations， and can quickly and accurately identify building⁃like structures in point cloud with an impressive accuracy rate of 81.25%. It has high application value in the field of target recognition.

Keywords： LiDAR; point cloud; pyramid method; point cloud segmentation; intelligent recognition; region growing segmentation

0 "引 "言

机载激光雷达以有人、无人飞行器为载体，在搭载于飞行器的飞行过程中对地面进行探测，采集地物的反射回波，并与定位、定姿数据联合解算为激光点云。激光点云可提供以距离和强度为基础的高分辨率三维空间信息，具有更加准确的目标自动检测识别能力。因此，发展以三维激光雷达数据为基础的目标自动检测识别，在数字城市、巡检规划等民用领域可发挥重要作用。

目前，机载激光雷达探测频率可达数十万赫兹，生成的激光点云数据量巨大，单架次数据量在数亿点甚至数百亿点，传统的以人工判读识别目标的方法已经远不能满足从海量数据中确定目标的需求，因此，迫切需要一种基于机载激光雷达点云的建筑物识别方法，自动、快速、准确地提取类建筑物目标。

1 "方案设计

建筑物识别需频繁对三维激光雷达数据进行读写。为了提高数据读写效率和速度，将雷达与定位、定姿数据联合解算后的点云以金字塔结构进行存储；然后，通过基于语义特征的激光大数据自动分类算法，在多尺度空间上提取复杂地物点云特征，根据特征[1]性质确定点云类别，实现三维激光点云数据的地物自动分类[2]；最后，对地物分类后的非地面点进行区域生长分割，根据建筑物的点云平面特征进行类别聚合，确定建筑物的识别结果。

基于机载三维激光雷达点云的建筑物检测方法流程如图1所示。

1.1 "雷达数据管理

针对激光雷达采集数据的特点，对通用的数据存储、构建点云金字塔[3⁃4]的方法进行了改进，为后续建筑物目标的快速、有效识别奠定了基础。

理论上构建点云金字塔的方法是：首先根据点云的整体空间范围，将空间划分为多个大小一致的方格；再依据坐标将每个点放入对应的方格，实现原始点云（第一层）与空间的对应；第二层中的点云由第一层等比例抽稀得到，第三层的点云由第二层等比例抽稀得到，依次类推，直至抽稀后的全部点云都在某一层的同一个方格内部，金字塔构建完成。

理论上的点云金字塔存储结构如图2所示。

上述构建点云金字塔的方法如下。

1） 要求将全部激光点云按照行、列顺序（对应地理坐标的[x]、[y]）进行排序，由于激光点云数据量大，在对一次作业采集的全部点云数据按照地理坐标排列时，将面临巨大的计算复杂度和时间复杂度。因此，采用分块式las文件存储方式，在解析激光雷达采集原始数据、构建点云存储结构时，将飞行探测区域按照地理坐标划分为多个大小相等的矩形空间，并为每个空间建立一个独立的las文件，使得las文件中包括目标区域在多个航带、多次扫描中的激光点集。这种分块式las文件存储点云的数据组织方式在las文件内部实现了临近位置激光点之间的关联。

2） las文件采用行号+列号的方式命名，同一行号的las文件按照列号递增的顺序在地理位置上相邻，同一列号的文件按照行号递增的方式在地理位置中相邻，多个名称相关的文件共同构建采集区域的全景点云模型。

3） 由于使用的实验采集数据的密度较大，为节省数据处理时间，同一las文件内的激光点仍按采集顺序存储。在构建点云金子塔时，先把las文件对应的地理区域划分为[N×M]个上层矩型小空间，按照点云数据的存储顺序对相邻点云进行等间隔抽稀，如上层矩形小空间内的点云数已满足抽稀要求，则后续不再将点加入该空间内，直至所有小矩形空间都被填满则认为第二层点云构建完毕。按照上述方法逐层进行点云抽稀构建高层点云结构，直至所有las文件中的点均被构建到一层中时即认为金字塔构建完成。

1.2 "基于语义特征的自动分类

传统的分类方法不能满足三维激光雷达点云数据利用高时效性的要求。鉴于三维激光点云具有地物本身的语义信息，可根据点云的多尺度复杂地物特征，实现三维激光点云数据的自动分类。

基于语义特征的激光大数据自动分类是基于TIN渐进加密过滤地面点的算法[5]，在多尺度空间上提取复杂地物点云特征，根据特征性质确定点云类别，实现三维激光点云数据的自动分类，流程如下。

1） 粗差剔除，去除点云中的离散点。

2） 利用二维分块索引技术对点云数据建立索引结构，进行网格划分。根据点云空间范围计算合适的网格尺寸（网格尺寸一般要大于该区域内建筑物的尺寸），将点云按照空间坐标划分到网格内。

3） 以每一块内的最低点为种子点，构造初始的狄洛尼三角网，对剩余点逐个判断加入TIN网后构成的三角面片法向。如法向与水平法向夹角小于一定的度数，认为该点为地面点；否则，认为是非地面点（角度的度数为经验值，一般根据点云区域的起伏状态确定）。

4） 过滤出新地面点后，将新地面点加入地面点TIN网中，更新TIN网。所有点遍历结束后，提取出地面点，对于非地面点，由于植被点占据了其中的大头，因此将其认为是植被点。最后将类别值写入到点云文件或金字塔文件中。

大数据自动分类流程如图3所示，点云分类后的效果如图4所示。

1.3 "目标智能识别

以深度学习为思路的目标智能识别方法能够从复杂场景中识别多样的物体，但机器学习的方法需要大量的人工标记数据来进行前期训练，且对计算机的硬件配置要求很高，需要数量众多的服务器做支撑，时间成本较高[6]。

点云和模型匹配的目标智能识别方法只需根据建筑物的平面特征即可在探测场景点云中进行识别[7]，这种方法对训练数据和计算机硬件配置要求大为降低，完全可以满足本文设计的需求。

点云和模型匹配[8]的目标智能识别方法实现流程如图5所示。

点云和模型匹配的目标智能识别方法具体步骤如下。

1） 点云分割[9]。在采集点云过程中，由于采样的方式、扫描仪设备的局限等导致点云数据的密度不是均匀的；同时，采样场景中也存在遮挡、噪声等造成了点云数据的无序、冗余，没有固定或者鲜明的统计分布模式。因此，需要将自动分类后的非地面点云分割成若干个互不相交的子集，每一个子集中的数据具有相同的属性特征或一定的语义信息。

点云分割时采用区域生长法[10⁃11]，以平面几何特性作为生长约束，识别场景中的建筑物点云和植被点云。由于建筑物点云平面特征比较明显，在进行区域生长时，可拓展为较大面积的平面，而且建筑物点云距离地面的高度相对较高，结合对地高程和分割片区域大小，可从场景中过滤出建筑点。植被点则非常零散，没有明显的平面特征，在进行区域生长时只能分割成数量众多的小分割片，通过判断分割片的点数及分割片之间的空间距离，可以过滤出植被点。

2） 对平面分割片进行特征提取，分析其大小、法向、对地高度等信息，用于进一步确认建筑物平面。

3） 对识别的建筑平面点云进行欧氏距离聚类分割[12]。属于同一建筑的平面在距离上很近，在欧氏距离聚类分割时，能够分割到一个点云簇内，即聚合为同一个建筑物。不同建筑物的平面点云距离较远，被分割到不同的建筑物[13]。

4） 最后保存建筑物敏感目标检测识别结果。

2 "实验结果

根据上述基于机载三维激光雷达点云的建筑物检测方法，实现了软件设计。在软件中加载约14.2 GB机载激光雷达点云数据（200 m航高采集），软件后台进行数据存储并构建点云金子塔后，依次使用自动分类、点云分割、区域特征识别等方法进行建筑物目标的自动识别，识别时间约为10 min，主要的建筑物都能被识别，虽然存在建筑物的边缘无法识别以及少量在建筑物周围的植被点被错误识别为建筑物的情况，但并不影响整体的识别效果。

目标识别结果如图6所示。

测试区域经人工实地考察，确认共有房屋12座、亭子4座，软件智能检测共发现目标13处，目标发现正确率高达81.25%。

3 "结 "语

本文通过使用改进后的金字塔方法构建点云，采用基于语义特征的大数据自动分类算法以及点云和模型匹配方法进行类建筑物的智能识别。该方法能够从海量三维激光雷达数据中快速、准确地识别类建筑物，正确率高达81.25%，而且该方法的软件实现对计算机硬件配置要求不高，无需大量的模拟训练数据，在类建筑物等目标识别领域具有较高的应用价值。

参考文献

[1] 张靖，江万寿.激光点云与光学影像配准：现状与趋势[J].地球信息科学学报，2017，19（4）：528⁃539.

[2] 王斌，宋冬梅，戴嵩，等.基于高光谱影像和LiDAR点云的城市地物分类实验方案设计[J].实验室研究与探索，2023，42（2）：5⁃10.

[3] 徐田野，丁海勇.数据融合及图卷积下的深度学习点云分类研究[J].测绘科学，2022，47（2）：126⁃134.

[4] 张名芳，吴禹峰，王力，等.基于金字塔特征融合的二阶段三维点云车辆检测[J].交通运输系统工程与信息，2022，22（5）：107⁃116.

[5] 柳红凯.基于渐进加密三角网机载LIDAR点云滤波改进算法研究[D].赣州：江西理工大学，2016.

[6] 刘桂宇.面向激光雷达点云的三维目标识别算法研究综述[J].信息记录材料，2022，23（4）：243⁃245.

[7] 郭子明.基于激光雷达点云的目标识别与跟踪方法[J].照明工程学报，2023，34（5）：64⁃67.

[8] 王震.图像匹配点云与激光扫描点云的模型重建对比[J].矿山测量，2020，48（4）：109⁃113.

[9] 洪霄.基于激光雷达的3D点云目标识别[D].哈尔滨：哈尔滨工程大学，2020.

[10] 封功源，施卫，李展峰，等.基于区域生长的复杂场景点云分割[J].江苏理工学院学报，2023，29（2）：56⁃63.

[11] 彭丽君，陆玲，舒丽君.基于PCL库的三维点云区域生长分割[J].电脑与信息技术，2020，28（3）：17⁃19.

[12] 李欣，李京英.基于激光雷达点云多特征提取的车辆目标识别算法[J].传感器与微系统，2020，39（10）：138⁃141.

[13] 宋淑雅.基于改进欧式聚类的点云分割方法[J].计量与测试技术，2022，49（5）：96⁃100.

作者简介：方淑燕（1982—），女，山东阳信人，硕士研究生，高级工程师，研究方向为工程侦察装备。

赵健乐（1993—），男，山东青岛人，硕士研究生，工程师，研究方向为工程侦察装备。

王 "辛（1981—），女，甘肃兰州人，高级工程师，研究方向为通信工程、短波和超短波通信。

赵 "健（1983—），男，山东青岛人，工程师，研究方向为工程侦察装备。