基于机载LIDAR点云数据的绿地快速统计

陈钰杰1,刘畅1,孙峰2

吉林建筑大学

摘  要：植被面积是衡量绿地生态效益的重要指标之一，对绿地规划建设具有十分重要的意义。三维激光扫描技术具有高效率、高精度的特点，可快速高效地实现测区内三维地表信息的获取。以机载点云数据为研究对象，针对植被曲率、法向量特征，利用区域生长算法来对植被目标分割，计算植被点云在XOY投影面表面积；最后与绿化管理处现有数据进行对比，验证了其精度。

关键词：机载雷达;点云;面积统计。

1 引言

植被绿化是生态系统的重要组成部分，在固碳释氧、净化环境、调节气温、保持水土和保护生物多样性等功能方面发挥着重要作用。绿地作为植被绿化的载体发挥着重要的生态功能。如何快速、高效、精确地实现绿地面积的测量对绿化林业部门有着十分重要的意义。

目前针对于绿地面积统计的方法主要有GPS-RTK法、全站仪测点法。上述方法都存在一些相应的限制，如当前常用的GPS-RTK法，虽然测量精度高，但效率缓慢。三维激光扫描技术可以快速获得高精度的目标数据，不仅具备实景复制，而且可量测，十分切合现在快速测量绿地面积的需求。鉴于此，本研究选择吉林建筑大学为研究对象，量化校园绿地的植被面积，以期为校园管理者更合理的规划校园提供依据。

2 研究区域概况及数据

2.1 研究区概况

吉林建筑大学坐落于长春市净月开发区，地理坐标为125°23′40″～125°24′25.5″E，43°47′17″～43°47′39″N，校园总面积约为94.8万㎡。研究区域位于松辽平原，地势平坦，属于温带大陆性湿润气候区，春季干燥多风，夏季湿热多雨，秋季天高气爽，冬季寒冷漫长，具有四季分明，雨热同季，干湿适中的气候特征。校区内适合植物生长，植物种类丰富，主要树种为柳树、槐树。从影像上看，校区内行道树的配置率较高，绿化规模在一定程度上已经接近饱和，如图1所示：

2.2 机载LIDAR系统技术原理

机载LIDAR系统基于边角测量原理进行地面点定位，即通过GPS定位技术、IMU惯性测量单元和激光测距技术获得激光雷达信号发射点与被测目标激光脚点间的距离、飞机等载体的空间三维坐标及姿态角（俯仰角α、侧滚角ω和航向角κ），从而利用边角的量测理论计算出目标激光脚点的三维坐标。

2.3 点云数据预处理

机载LIDAR获取的点云数据通过布料模拟滤波算法(Cloth Simulation Filter)分离地面点和地物点以便后续从地物点云中提取出植被。布料模拟滤波的基本原理是：原始点云被倒置过来，然后一块布从上方掉落到倒置的表面，完全覆盖在点云数据下表面形成类似于地表，通过分析布的节点与相应的LIDAR点之间的相互作用确定布的形状。如果布料足够软，那么布料最终形状构成数字表面模型(DSM)。如果布料刚度够硬,那么布料最终形状构成数字地面模型(DTM)，以此将原始点分类为地面和非地面。其原理图如图2所示：

2.4 植被点云分类提取

点云数据预处理后，依据法向量方向及曲率大小进行平面区域生长。区域生长可以将候选区域点云按照一定的相似性准则分割成多个对象，每个对象具有一定数量且性质相似的点云数据。中心思想是随机选取点云数据中未被检测的点，判断其规定邻域范围内的点数量是否满足预先最少数目，将满足要求的邻域点设置为种子点，形成种子面，计算种子面邻域点到拟合平面的距离，将符合距离阈值的点加入种子面，迭代计算，直到没有符合要求的点出现，迭代结束。本文选用各邻域内曲率最小点作为初始种子点，依据垂直距离和法向量夹角这两个相似性准则作为生长条件，确保将每一点划分到其对应的最优分割平面，提高了点云分割的准确性，使分割结果更趋稳定。其中相似性度量准则，一个是近邻点与初始种子点之间的法向量夹角，另一个是近邻点到初始种子平面的距离，并且分别用夹角阈值Tα和距离阈值Td表示。一个待处理的近邻点要同时满足这两个相似性准则才能生长为一个新的种子点。具体步骤为：

（1）法向量夹角

设当前种子点的法向量为n1，待处理邻近点的法向量为ni，两者之间的夹角为法向量的角度差α

                         （1）      

如果α＜Tα，则证明这个待处理的近邻点满足相似性准则。

（2）点到平面距离

（3）将所有已确定为种子点的激光脚点进行平面拟合，确定种子面，计算每个待处理的近邻点到种子面的距离。

                         （2）

a，b，c表示拟合平面的单位法向量，为坐标原点拟合平面的距离。任意一点pi到种子点拟合平面的垂直距离Si定义为：

                          （3）

如果Si＜Td，证明这个待处理的近邻点满足相似性准则。

通过上述步骤对全部点云完成分割，形成聚类。提取出植被点云。

3 应用案例

3.1 实验区点云获取及处理

3.1.1 测量设备及实验区概况

2022年6月通过大疆经纬M300四旋翼无人机，搭载有RIEGL激光雷达扫描仪器、禅思P1光学镜头，设置飞行航向重叠度80%，旁向重叠度70%，飞行高度150m，航线速度9m/s采集得到每㎡点云密度50个的点云数据，航飞数据及KML范围如图3所示：

3.1.2 布料滤波提取地面点和地物点

设置布料分辨率为1.0，最大迭代次数为300，用来分离地面点和非地面点的分类阈值设置为0.5m，对点云数据进行滤波。图4为地面点与地物点的提取结果。

 

3.1.3 植被点云的提取

选取经布料滤波后的地面点云和地物点云，将点云集合按曲率大小排列，选取最小的点当作初始种子点设置距离阈值Td为0.5m，角度阈值Tα为10°。按照2.4节中的算法进行区域生长分割，提取出植被点云。

3.14 植被点云平面面积测算

根据采集到的植被点云投影到X0Y平面内，对平面植被点云通过alpha shape定位提取植被点云轮廓。测算过程见图6-图7。

将通过alpha shape提取出的植被点云数据使用Delaunay三角生成三角面片网格，通过三角网法计算绿化面积。与学校绿化管理处统计数据进行比对。

经Delaunay三角剖面统计出植被绿化点云面积为126354.3㎡。面积测算相对误差为=0.85％。

4 结论

本文对实测数据先进行场景分类，筛选出地面点与地物点，然后利用邻域点云的法向量和曲率通过区域生长算法对植被点云进行提取。使用Delaunay三角剖面法对植被点云平面投影进行面积测算。经与绿化管理部门现有数据对比，结果差异较小。该算法计算简单高效，实现了大面积植被点云面积的快速统计。但由于测算植被面积采用投影到X0Y的平面可能使得树冠最宽径处超过绿化花池导致测算数据较之绿化管理处数据略大。

参考文献

[1] 戴莫凡,邢帅,徐青,李鹏程,陈坤.多特征融合与几何卷积的机载LiDAR点云地物分类[J].中国图象图形学报,2022,27(02):574-585.

[2] 宋德云,蔡来良,谷淑丹.基于颜色空间的矿区地表彩色点云分类[J].测绘通报.2019(S2):56-60.

[3] 熊艳,高仁强,徐战亚.机载LiDAR点云数据降维与分类的随机森林方法[J].测绘学报.2018,047(004):508-518.

[4] 赵中阳，程英蕾，释小松，秦先祥，李鑫.基于多尺度特征和PointNet的LiDAR点云地物分类方法[J].激光与光电子学进展,2019,56(05):243-250.

[5] 李梦一.基于三维点云的树木检测算法研究及工具实现[D].大连理工大学,2021.002558.

[6] 刘子初.基于点云数据的植株茎叶分类方法研究[D].北京林业大学,2021.000652.

[7] 杨必胜,梁福逊,黄荣刚.三维激光扫描点云数据处理研究进展、挑战与趋势[J].测绘学报,2017,46(10):1509-1516.

[8] 刘竽含.基于机载激光雷达的单木分割算法研究及系统开发[D].电子科技大学硕士学位论文,2020.

吉林省大学生创新创业训练计划项目(S202210191042)