平面特征保持的城市三维点云高精度分类方法
黄俊杰，郭仁忠，王伟玺，李晓明，钟国熙，谢林甫
（深圳大学 建筑物与城市规划学院智慧城市研究院，广东 深圳 518601）
摘要:
针对基于单一尺度点簇的分类算法无法满足大范围城市三维点云高精度分类的问题，该文提出了一种平面特征保持的多尺度点簇城市场景三维点云分割分类方法。该方法首先以超体素为基元进行动态区域生长，将具有平面特征的超体素逐步合并，生成平面特征保持的多尺度点簇，然后基于多尺度点簇进行特征计算并使用随机森林分类器进行分类。为验证本方法的有效性，分别采用机载LiDAR点云和影像密集匹配点云进行实验，并与基于不同分类基元的分类方法进行对比。实验结果表明，与原始区域生长方法相比本文提出的分割方法得到的点簇更加准确，分割准确度达到97%，并且分割效率提升了一倍以上，同时分类准确度也优于其它方法，达到94.1%、87.5%。
0 引言
近年来，随着三维数据采集技术的发展，通过激光雷达或摄影测量技术可方便地获取大范围、高精度的三维点云数据。点云已成为一种表达三维空间的理想数据载体，为三维城市建模提供了丰富的空间信息[1]。精确的点云分类是其后续空间信息提取与应用的基础[2]。按分类基元，点云分类方法可以划分为以点[3-5]或以点簇[6-8]为基元的方法。在以点为基元进行分类时，离散点通常只包含激光反射强度或颜色信息，因此需要基于点云邻域计算如点云表面几何特征、法向量等局部特征。如今，专家学者已经提出了多种邻域选择和局部特征计算的方法来提升点云分类的整体精度[9-10]，但由于点云数据存在密度变化剧烈、噪声分布不均匀等问题，导致固定数量或范围的点云邻域选择方法并不适用于复杂场景，特别是在不同地物之间的边缘区域。同时考虑到，城市三维点云中点的数量通常是以千万或者亿计的，若以每个离散点为基元进行局部特征计算效率低下。
基于点簇的分类方法更加适用于场景复杂、点云数量巨大的城市点云分类中[7]。点簇可以拟合点云密度不均区域以及噪声，为局部特征计算提供一个明确边界的自然邻域，显著提升特征计算精度[8]。此外点簇可以有效减少分类基元数量，提升分类效率。有效的点云分割是基于点簇进行分类的重要前提。目前常见的点云分割方法可以分为基于模型拟合的分割方法[11]、基于特征聚类的分割方法[12]以及基于区域生长的分割方法[13]。基于模型拟合的方法能够拟合噪声和异常点，但是对参数设置十分敏感，泛用性差。基于特征聚类的方法与前者相比可以拟合多种几何形态点簇，泛用性更强，但是聚类效果受点云特征计算精度影响，并不适用复杂场景。基于区域生长的方法实现简单，初始化时只需要指定若干个种子点，在生长聚类阶段也仅计算点云法向量和残差，但是其本质上是一种迭代算法，计算效率低。同时由于城市三维场景存在人造物与自然物混杂交错的问题，地物尺寸与其形状的规整性变化较大。采用现有点云分割方法处理三维城市场景点云时，较大的分割单元设置容易造成不同地物之间的欠分割问题，降低地物交界处点云的分类精度。使用较小的分割单元虽能确保不同地物之间的过分割，但丢失了地物完整结构中蕴含的有效分类信息（如几何信息），而且使得分类基元数量增大、降低了分类效率。
针对上述问题，本文根据城市场景特有的空间几何特点，提出了一种平面特征保持的多尺度点簇分割方法用于城市三维点云高精度分类。该方法采用多尺度的空间表达方式，以超体素为基元进行区域生长获得平面特征保持的多尺度点簇用于分类。
1 研究方法
1.1 总体流程
本文顾及城市区域存在大量人造平面这一先验知识，提出一种平面特征保持的点云分类方法，具体流程如图1所示。该方法首先将点云划分为具有稳健邻域关系的超体素，保持地物的局部几何结构特征；然后针对于城市场景中存在大量人造平面结构这一特点，采用动态区域生长方法，将相邻的超体素合并为平面点簇，保持地物的全局平面特征；并且将剩余超体素和平面点簇合并为多尺度点簇；最后计算点簇局部和全局特征，并使用随机森林分类器进行监督分类。
1.2 平面特征保持的多尺度点簇分割方法
相较于离散点，超体素具有更好的平面性和连通性[14]。因此本文以超体素为基元进行区域生长分割平面点簇，并且将平面点簇与未被生长的剩余超体素合并生成平面特征保持的多尺度点簇用于分类。其基本思想如图2所示。
首先为获取有效保持局部平面特征的生长基元，采用一种利用局部信息的启发式分割算法，通过实现能量函数的最优解，完成对原始点云的超体素分割获得区域生长所需的生长基元。
通过上述方法将原始点云分割为超体素后能够确保其作为生长基元具有局部平面性，但是并没能够建立超体素间的邻接关系。由于区域生长算法要求生长基元具有局部连通性[13]，因此，根据图3中所示方法建立超体素间的稳健邻域关系。
完成超体素间稳健邻域关系的生成后，使用区域生长算法对相邻超体素进行合并操作，算法流程：先按生长顺序选择超体素作为种子超体素；然后根据稳健邻域关系进行生长，只允许具有平面相似性的超体素分割到同一点簇中；一旦没有新的超体素可以分割到种子超体素所在点簇中，则选择下一个种子超体素进行生长，直到所有超体素被生长；完成所有平面点簇分割后，将未合并超体素与平面点簇集合合并生成平面特征保持的多尺度点簇。为生成平面特征较好的多尺度点簇用于分类，对区域生长中的几个关键问题作如下处理。
1）超体素选取。选取所有超体素为种子超体素。
2）生长顺序。按照超体素平面性对超体素生长顺序进行排序，计算每一个超体素中所有点到该超体素拟合平面的残差，残差越小则此超体素进行区域生长的优先级更高。
3）生长准则。依次判断超体素与其邻接超体素之间的残差大小和法向量角度差异，根据所设置的阈值来判断是否将超体素合并到同一个点簇中。经过多次实验，为激光点云和密集匹配点云设置了不同的生长阈值，在激光点云中设置最大残差大小为0.5 m、法向量角度差异为45°；在密集匹配点云中设置最大残差大小为1 m、法向量角度差异为55°。
详细流程如表1所示。
表1 基于超体素的区域生长算法
1.3 分类特征及分类器配置
为充分发挥平面特征保持的多尺度点簇在城市三维点云分类中的作用，本文使用随机森林算法基于点簇的几何特征及颜色特征进行类别标注。
所用的几何特征可以分为局部形状特征（线性特征、平面特征、散度特征、各向异质性、特征熵）、高程特征（绝对高程、最小高程差、最大高程差、高程差）、方向特征（法向量、垂直度）、表面特征（残差）、属性特征（点簇大小）。
本文参考文献[17]中提出的方法基于RGB波段进行植被指数计算。绿度估计指数用于区分几何形状类似于绿色植被的地物。表2具体罗列了所使用的特征及其计算方式。
表2 分类特征
2 结果与分析
2.1 实验数据
为验证本文方法的有效性，分别采用不同城市获取的机载LiDAR点云和影像密集匹配点云进行对比实验。如图4所示，数据集Ⅰ是在广东省深圳市采集的机载LiDAR点云，数据覆盖范围约1.2 km×1.6 km，点云分辨率约为0.1 m，共包含93 891 485个数据点。该数据场景中包含了大量离散树木和成片树林，部分小尺度地物如灯杆、车辆等由于被树木遮挡无法被机载激光设备有效采集，因此该数据集在手工标注阶段仅对地表、植被、建筑物点云进行标注。在实验阶段，对地表、植被、建筑物三种类别点云进行分类，并以手工标注结果为基准值对分类结果开展定量分析。数据集Ⅱ是在芬兰赫尔辛基市通过无人机倾斜影像经过摄影测量流程生成的密集匹配点云[18]，数据覆盖范围约为2 km×2 km，点云分辨率约为0.3 m，共包含67 620 130个数据点。该数据集中本身包含六类已标记地物：地表、建筑物、水面、植被、车辆、船只。根据地物的平面性将地表和水面分为一类，将车辆和船只分为其它类别，因此数据集中分类对象共包含地面（地表、水面）、建筑物、植被、其它（车辆、船只）四个类别。该数据的测试区域、训练区域、评估区域的设置参考文献[18]中的设置。
2.2 实验结果
本文对两个数据集的分割和分类结果分别进行分析。对分割后点簇内点的标签按照简单多数原则进行重分配后，计算重分配后点云标签的准确率（precision）从而对分割结果进行定量评估。
2.2.1 分割结果评价
图5中展示了所提出的平面特征保持的多尺度点簇分割方法的效果。
为测试本文分割方法的有效性，与原始区域生长方法分割得到的单一尺度点簇结果进行对比，对比结果如图6所示。原始区域生长方法以原始点云中的离散点为基元进行分割，区域生长过程中种子点的选取、生长顺序、生长准则等设置与1.2中关于区域生长关键问题所述策略保持一致。
图6黄框内为两种方法在数据集Ⅰ上对于建筑物立面的分割对比结果。如图6红框内分割结果所示，本文方法可对散乱植被点云区域的局部范围内具有同质性的点进行有效分割，生成保持地物几何特点的点簇，而原始区域生长方法分割得到的点簇中存在很多不具备地物几何特点的噪声点簇。在图6篮框内为两种方法在密集匹配点云上的分割对比结果，可以看出原始区域生长方法不能将建筑物不同立面交界处的点分割到平面点簇中，并且部分点簇不具有连通性，基于边界保持的超体素进行稳健的邻域搜索后进行区域生长有效解决了这一问题。
对分割结果进行定量评估结果如表3示。从表中可以看到，本文提出的分割方法能够对实验区域进行有效过分割，整体分割精度达到96.7%，较原始区域生长算法提升了1.6%。同时，分割效率相较于原始区域生长方法提升了60%；一方面因为本文以超体素为基元进行区域生长，生长基元数量显著减少；另一方面本文构建了超体素间稳健邻域关系，减少了生长过程中不必要的迭代过程。
表3 分割方法定量分析结果
2.2.2 分类结果评价
图7中列举了本文方法在数据集Ⅰ和数据集Ⅱ上的分类结果。
图8中展示了通过本文方法分类得到建筑物点云，可以看出得到的建筑物点云结构完整。本文方法保障了地物对象语义的完整性，便于后续应用。
本文与以离散点为基元以及与以单一尺度点簇为基元的分类结果进行对比，其中除点簇属性特征外，以离散点为分类基元的方法所用分类特征与其它两中方法保持一致，但是采用固定范围的点邻域进行特征计算。所用分类器均为随机森林。表4给出了不同方法分类结果的定量分析结果。从表4中可以看出，本文提出的方法相较于基于离散点的分类方法以及基于单一尺度点簇的分类方法在两种不同类型数据集上均取得了更高的精度和召回率，特别是对于建筑物类别，本文方法在两个数据集上达到了95%以及97%的准确率，同时召回率也达到了95%和98%。
表4 分类定量分析结果
图9和图10为不同方法在两个数据集上的分类细节对比。在数据集Ⅰ上本文方法的错误分类主要集中在植被与建筑物立面交叠区域，主要是因为通过机载激光雷达进行数据采集时由于地物遮挡以及本身航高的问题，无法对建筑物立面进行准确采集，导致建筑物立面点云几何特征不明显，以其它基元进行分类时也存在这一问题，但是在另外两种分类结果上多处本应被分类为树木的点被错误分类。
在数据集Ⅱ上除了小部分其它类别地物被错误标记，在建筑物、植被以及地面的分类上本文方法均取得了理想的效果。其它类别地物点云主要为各类交通工具。这类交通工具尺度小，并且在与地面链接处存在遮挡，通过密集匹配生产得到的点云无法准确恢复这类小尺度地物几何特征，导致此类地物与相邻地面边界不明确。但在以离散点为分类基元的结果上，建筑物屋顶不同立面交界区域被大范围错分，同时在以单一尺度点簇为基元的结果上，由于原始区域生长算法会在全局范围内分割得到大量的噪声点簇，导致不同地物上都出现了离散区域被错分的问题。
根据分类结果在细节上的对比，可以看出分类结果会受到不同分类基元的影响。不合理尺度的分类基元无法准确反应地物特征，从而影响最终分类结果。本文提出的基于具有稳健邻域的超体素进行区域生长分割得到平面特征保持的多尺度点簇可以在一定程度上解决这一问题。
3 结束语
本文顾及城市中存在大量人造平面结构这一事实，提出了一种平面特征保持的城市三维点云分类方法，该方法首先对原始点云进行超体素分割并建立超体素之间的稳健邻域，并以超体素为基元进行动态区域生长，获得平面特征保持的多尺度点簇。在此基础上，以多尺度点簇为分类基元，使用其几何特征与颜色特征对随机森林分类器进行分类，得到三维点云的类别标签。使用不同区域获得的机载LiDAR点云和影像密集匹配点云进实验，并与传统方法进行对比，结果表明：本文提出的多尺度点簇分割方法和分类方法优于传统方法。其中，三维点云分割精确度达到97%。分类精度在两个数据集中分别达到94.1%和87.5%，其中建筑物分类精度达到95.3%和96.9%，具有一定的使用推广价值。目前，本文的分割方法仅针对具有平面结构的城市地物，并未有效保持如圆柱、锥形等结构的几何特征，对后续分类结果精度有一定影响，因此，下一阶段工作的重点是在分割点簇过程中更有效保持各类异形结构的几何特征。同时，研究利用基于深度学习的分类器进行多尺度点簇分类也是本文下一阶段工作的重点。
作者简介黄俊杰（1998—），男，江苏苏州人，硕士研究生，主要研究方向为三维点云数据处理。
huangjunjie2020@email.szu.edu.cn
基金项目：国家自然科学基金青年项目（42001407）；广东省基础与应用基础研究基金粤深青年项目（2019A1515110729）
引用格式：黄俊杰，郭仁忠，张舵，等．平面特征保持的城市三维点云高精度分类方法 ［Ｊ］．测绘科学，２０２３，４８（３）：６-1５。
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
