顾及分层动态区域增长的车载LiDAR点云行道树提取方法

研究摘要

行道树的准确提取对生态园林城市建设及城市智慧化发展具有重要意义。但车载LiDAR点云数据中经常出现行道树与近邻地物相互遮掩、连接的情况，从而导致无法准确进行行道树提取。

针对这一问题，本文提出一种分层动态区域增长行道树提取方法。首先，通过点云栅格化滤除地面点并根据地物投影特征进行行道树初步提取。然后，根据地物分布特征对点云数据进行等高度分层处理，构建层次化点云空间，进一步获取行道树与干扰地物信息。

本文选用激光雷达大会提供的竞赛数据及Open DataLab官网提供的里尔、巴黎两地区街道点云数据进行实验。实验结果表明，本文方法行道树提取的正确率与完整率分别在98.69与97.73之上。

研究背景

生态园林城市建设与城市智慧化发展

生态园林城市建设与城市智慧化发展成为当前城市发展的主要目标。城市绿化对于建设生态园林城市具有重要作用。行道树是指种植在道路两旁及分车带的树木，具有降低噪音、美化环境等作用，其是生态园林城市建设中重要的绿化部件。

根据行道树信息可以有效评价城市绿化程度，同时行道树等绿化植被也具有一定的生态价值。因此，及时、准确的获取行道树信息具有重要意义。

与传统人工实地测量采集方法和无人机高空采集高分辨率影像方法相比，车载LiDAR系统能够快速、高效、360°全方位地获取地物的三维点云数据，且不易受场地及天气情况约束，方便数据处理与分析，为行道树信息提取提供良好的途径。

研究方法

1. 数据预处理

通过点云栅格化滤除地面点并根据地物投影特征进行行道树初步提取。建立规则格网、地面点滤除、二维格网区域增长以及行道树初提取4个部分。

2. 分层动态区域增长

根据地物分布特征对点云数据进行等高度分层处理，构建层次化点云空间，进一步获取行道树与干扰地物信息。在层次化点云空间内部进行动态区域增长。

3. 行道树精细化提取

根据干扰地物的几何特征和行道树杆状特征，滤除干扰地物实现准确的行道树提取。利用地物几何特征及形态特征将与行道树相互遮掩或交叉的地物识别并滤除。

图1 顾及分层动态区域增长的车载LiDAR点云行道树提取方法流程

技术细节

分层动态区域增长

本文动态区域增长是在建立层次化点云空间的基础上，进行相邻层及同层点云区域增长的算法。该方法在层次化空间内根据点云分布情况赋予点云属性信息，使属性相同点云生成聚类簇，以便区分行道树与干扰地物。

由图7中行道树逐层投影示意图可知，当点云分层合理时，同一地物的各层投影格网存在位置关联，相邻层投影区域存在坐标相同格网。根据此特征进行动态区域增长能够找到同地物各层点云间的关联，将同地物点云赋予相同属性。

图2 层次化点云空间工作示意图

构建层次化点云空间

为了加强点云数据之间的属性关联，完成精细化聚类效果，本文根据点云的三维坐标信息构建层次化点云空间。在层次化点云空间的构建过程中，主要考虑3个影响因素：空间覆盖范围、格网尺寸S以及每层的层高h。

建立层次化点云空间后，将点云数据载入三维坐标中，点云空间自下向上逐层进行动态区域增长，能够获得点云数据属性信息，以便后续地物识别。

行道树精细化提取

因二维格网投影法的点云数据适用性不强，经过行道树初步提取后点云数据中仍然存在部分干扰地物。干扰地物多为被树干遮掩的低矮地物（如车辆、路桩等），以及与树冠相连的路灯及矮墙等地物。

为提高行道树提取精度，需进一步精细化提取行道树。经分层动态区域增长后，基于属性信息将行道树与低矮地物划分为不同聚类簇，可通过聚类簇高差等几何特征精细化滤除低矮地物。

地物与树冠相连现象在街道中较为常见，该地物为路灯及少量的其他干扰地物（矮墙、公告牌等），当该类地物与树冠点云交叉时，对行道树提取精度有较大影响。

图3 检测并滤除路灯杆示意图

实验结果

实验数据及参数

实验数据基本信息

点云采集地区	数据名称	包含点数/个	全长/m
里尔	数据1	5,635,833	80
里尔	数据2	8,162,684	140
巴黎	数据3	11,403,871	130
巴黎	数据4	13,278,047	140
国内某地	数据5	11,203,614	80
国内某地	数据6	12,299,317	105

实验参数设置

参数	数值
二维格网尺寸s/m	0.3
Z轴高度阈值K_zmin/m	2
X轴格网跨度K_x/个	19
Y轴格网跨度K_y/个	18
层次化点云空间格网尺寸S/m	0.3
层次化点云空间层高h/m	0.2

精度评估

正确提取率 (%)

方法	数据1	数据2	数据3	数据4	数据5	数据6
文献[20]方法	82.80	70.23	75.66	76.70	91.28	92.33
文献[22]方法	93.60	89.28	90.49	93.12	92.58	94.68
文献[23]方法	96.88	92.58	95.39	91.02	93.93	96.69
本文方法	98.82	98.69	99.46	99.36	99.58	99.37

提取完整率 (%)

方法	数据1	数据2	数据3	数据4	数据5	数据6
文献[20]方法	88.78	97.63	95.14	91.37	98.38	98.90
文献[22]方法	97.70	78.39	88.19	88.45	95.17	97.78
文献[23]方法	98.70	96.49	95.79	93.89	98.37	98.09
本文方法	98.77	97.86	97.73	98.81	99.40	99.64

不同方法提取代表性行道树结果对比

图4 不同方法提取代表性行道树结果

结论与讨论

结论

针对街道点云中经常出现行道树与近邻地物相互遮掩、连接的情况，本文提出了基于点云分层进行动态区域增长方法对街道中的行道树进行提取。依靠点云分层建立层次化点云空间获取地物信息，能有效避免因树冠与地物相互遮掩、连接导致的二维投影时部分地物信息丢失情况。

本文选择6组存在上述情况的车载LiDAR点云数据进行实验，结果表明，本文所述算法提取行道树的正确提取率及提取完整率均达到97%之上，能在行道树独立性不强的情况下有效提取行道树。

讨论

本文在设计实验时，优先考虑了行道树与近邻地物相互遮掩、连接等问题，但街道点云数据中行道树与周围地物的分布情况复杂，不能兼顾解决某些问题是本文的不足之处。

当树干点云缺失或树干聚类受到干扰时，地物各层格网间的关联不显著，动态区域增长后也无法将行道树准确识别。另外，当路灯与树干直径相近或灯头与树冠交叉时，路灯特征并不明显，难以将其识别并滤除。

与二维平面栅格化方法的比较

与二维平面栅格化方法相比，本文实验方法考虑到行道树自身特征及地物空间分布情况，当地物分布情况复杂时，能够大大降低干扰地物对行道树提取结果造成的影响，提高了行道树正确提取率及提取完整率。

未来研究方向

上述情况是影响本文实验结果的主要因素，后续会对其进行深入研究。将尝试在分层动态区域增长基础上引入地物栅格骨架模型，或与深度学习分类网络模型相结合，使分层动态区域增长方法的数据适用性更强，降低上述情况对实验结果造成的影响。