基于点云强度与颜色的机载雷达点云滤波方法

基于点云强度与颜色的机载雷达点云滤波方法

方忠平、李洪

珠海华成电力设计院股份有限公司 广东省珠海市       519000

摘要：机载激光雷达集成了全球定位系统、惯性导航系统、激光测距系统。相较于传统的摄影测量方法，机载激光雷达能够主动发射激光脉冲信号，并且穿透雾霾和稀疏植被直达地面，获取地面的三维坐标信息。这每一个反射回激光雷达的脉冲信号就是一个点云。虽然机载激光雷达可以大范围的获取地面点云，但是同时获取的点云还有可能是植被、建筑物、桥梁等地物。因此为了获得测区的DEM数据，我们必须把点云数据中的地面点分离出来。从LiDAＲ点云数据中分离出地形表面激光脚点数据子集的过程，称为滤波。基于此，对基于点云强度与颜色的机载雷达点云滤波方法进行研究，以供参考。

关键词：机载激光雷达;点云滤波;点云强度;点云颜色

引言

点云是用来描述三维空间信息的一组数据，点云的获取是实现三维重构的重要环节。点云采集中难免会出现一些噪声和离群点，而这些干扰会对重构结果造成很大的影响。在降低噪声和离群点对重构效果的影响过程中，点云滤波是数据处理的关键，滤波结果将直接影响生成模型的准确性与精度。可将滤波方法分为传统的基于模型的滤波方法以及基于深度学习的滤波方法。

1基于点云强度与颜色的滤波方法

不同的地物类型会使得地物点云的颜色和强度属性存在差异，植被普遍是绿色，并且因为含水量较高所以强度值偏低。土壤普遍颜色偏暗，强度值较高。建筑物顶普遍是蓝色和黄色，强度值也很高。（1）技术流程图，本文算法的基本技术流程如图1所示。（2）基于颜色的区域生长分割，基于颜色的区域生长分割的基本思想是点云颜色相似并且距离相近，那么它们是同一地物的概率很大，所以将它们划分为同一个点云簇。具体算法为:1)设置距离阈值，如果两点相邻，则两点间距小于阈值，用于聚类临域点搜索。2)设置两点之间颜色阈值，如果当前种子点和相邻点之间色差小于颜色阈值，则归为一个点云簇。3)设置聚类间的颜色阈值，如果相邻点云簇的色差小于颜色阈值，则归为一个点云簇。4)设置点云簇中点云数量的最小值，如果当前点云簇中点云数量小于设定值，则与最近的一个点云簇合并。5)设置点云簇中点云数量的最大值。

图1技术流程图

2渐进加密三角网滤波

渐进式三角滤波算法是Axelsson在2000年提出并广泛使用的经典插值方法。流中的算法选择局部窗口的最低点作为土壤种子的起始点来构造初始三角网,通过计算预期点P到ABC平面的距离D和连接点α,β,γ之间的角度来确定距离和角度是否符合给定的门槛,如果满足,则将P点添加到地球点并构造一个新的三角网,重复直到没有新的点,过滤完成。渐进式三角形滤波器的原理如图2所示。该算法的具体步骤如下:(1)地面种子的选择。对于所研究的区域,定期进行网格划分,网格尺寸设置为该区域建筑物的最大尺寸,并选择网格的最低点作为地面截面的起点。(2)建立初始网络。构建基于在(1)中选择的种子的地面点的初始三角形网格。(3)要进行分类。轮流交叉所有预期点,分别计算预期点与三角形平面之间的距离和角度,如果距离和角度符合规定的门槛,则将该点除以地面。(4)网络更新。使用最近添加的地面点更新三角形,创建一个新的。(5)重复步骤(3)和(4),直到添加一个新的地球点,算法结束。该算法原理简单,效果稳定,对城市和林区都有很强的适用性。其算法的准确性主要取决于三网格初始构建的准确性以及迭代门槛的设置。在植被覆盖密集和地形复杂的森林地区,使用局部最小值获得的种子点的可靠性降低,影响初始三角网格的准确性,最终导致滤波精度降低。

图2渐进加密三角网滤波原理

3基于点云强度与颜色的机载雷达点云滤波方法应用策略

3.1 收集机载雷达系统的地形数据

为了实现变电站地形坡度的最佳测量,首先采集变电站地形坡度数据,结合车载雷达方法,建立了地理信息库GIS,用于监测变电站地形坡度。结合变电站机载雷达地形信息扫描结果,对点云数据进行三维分析,采用三维扫描技术,对变电站机载地形雷达进行回波检测,结合区域规划数据进行综合评估,得到了变电站地形雷达地形的空中雷达噪声点,研究了地形雷达地形的空中雷达地形数据分布,通过现场地形测量获得了准确的当前地形数据。所采集的地形测量数据对信息进行三维融合处理,基于变电站地形数据的三维拓扑重建方法,可以得到变电站地形数据的变化特征,信息越多,得到的变电站地形数据的像素特征越大,评价点分布的方法越接近于获得变电站地形数据的统计特征量。

3.2 三维结构相似性评估方法

为了充分评估三维结构相似性评估方法的可能性,本文使用在实验室中收集的点云数据集测试了三维结构相似性评估方法。首先,在实验室采集的点云数据集,提取在同一位置、同一目标的不同时间获得的相同点云数据,得到100%置信度的点云数据集,然后手动校准,去除噪声,得到该评估中的标准点云数据集,然后将点云数据集按目标提取并处理各种过滤算法,然后将经过处理的点云数据集和标准点云数据集进行x、y、z三维结构相似度评估和三维结构评估。

3.3改进的渐进加密三角网滤波

传统的渐进式三角加密筛选算法选择种子使用网格区域的最低点,在森林环境中选择的种子较少,可靠性低,导致迭代操作时的错误积累。因此,本文改进了选种策略,利用组织建模算法和薄板局部插值,获得大量均匀分布、可靠的地面种子,解决了传统的渐进式密码三角形滤波器在森林环境中的分散性问题,提高了林区的适应性。先进的渐进密码三角滤波如下:(1)种子选择。首先使用组织建模算法提取LiDAR点空气云中的潜在地面点,然后用薄板局部内插去除潜在地面点中的非地面点,以获得均匀可靠的地面种子分布。(2)初步建立网络。在机载LiDAR点云周围设置一个宽度为m的缓冲区,并以固定的间隔n构造辅助点,辅助点标记为最近的种子点标记。使用种子点和辅助点创建初始三角形网格。(3)三角形过滤。计算从给定点到相邻三角形的距离和角度,如果距离和角度小于给定距离和角度的门槛,则将其除以地球上的点。(4)网络更新。在步骤(3)中使用现有种子点重建三角网。(5)迭代操作。重复步骤(3)和(4),直到添加新的地球点。

3.4DCGAN网络

DCGAN是CNN（ConvolutionalNeuralNetwork）和GAN的结合，在生成模型引入卷积网络，代替GAN的生成器和判别器并且进行无监督训练。该模型充分利用了卷积网络中的特征抽取特性，从而有效地改善了生成网络的学习性能。DCGAN在原始生成对抗网络模型上的主要改进为：1）生成器和判别器结构去除了卷积网络中的池化层，但是它的识别部分继续保持了卷积神经网络的总体结构，在生成程序中使用了反向卷积层。2）将批量归一化（BatchNormalization,BN）层应用在判别器和生成器的各个层上。这是一种在卷积层之后经常使用的标准化算法，可以使网络收敛。3）删除全连接层。全局均值池化可以帮助模型稳定，但会导致模型的收敛速率下降。4）生成器除了输出层使用Tanh函数外，其余层均采取ReLU函数。

结束语

随着计算机视觉的发展和点云采集设备的普及,三维重建已广泛应用于自动驾驶、文物数字保护、虚拟现实技术、卫星导航等各个行业。点云操纵是三维重建中的关键环节,点云操纵效果影响三维模型的结果。在点云采集过程中,可能会出现噪点和异常,而噪点和异常会对点云的注册造成重大干扰。

参考文献

[1]周钦坤,岳建平,李子宽,杨恒.一种改进的形态学LiDAR点云滤波算法[J].甘肃科学学报,2020,32(05):1-5.

[2]王波,赵亮,江木春.基于机载点云数据的电力线悬高测量方法研究[J].中国水运.航道科技,2020(05):67-71.

[3]韩东升,徐茂林,金远航.多源异构点云配准数据的滤波及精度分析[J].测绘科学技术学报,2020,37(05):503-508.

[4]于洋洋.机载激光雷达点云滤波与分类算法研究[D].中国科学技术大学,2020.

[5]杨旭.激光雷达点云数据的滤波和分割处理[D].哈尔滨工业大学,2020.