激光雷达(LiDAR)点云数据

离散点云系统

全波形、离散点云、光子计数是目前 LiDAR 系统三种常用的探测与数字化记录模式。其中,全波形和离散点云记录方式将接收信号经过模数转换进行记录,光子计数则直接对光子进行记录。最简单的离散点云记录方法为阈值检测法,即对输出时间序列中超过阈值的位置进行记录,通常仅记录被激光照射到的一个或有限的几个地物的信息,极大地减少了记录的数据量。

离散点云系统的一个关键属性是每个激光脉冲可以记录的最大回波数。最早的离散点云 LiDAR 系统每个脉冲只能记录 1 个回波,随后逐渐发展出能够识别 2 个、3 个,最多 5 个回波的系统。离散点云探测器从记录的时间序列中识别并记录 n 个离散点,除了记录离散点的位置信息 (X, Y, Z),还可以对每个离散点的强度信息进行记录,大多数采用峰值检测法或高斯分解法从回波序列中识别离散点。峰值检测法记录回波序列中的峰值位置作为点位置,峰值幅值为点强度。高斯分解法对记录的回波序列进行高斯分解,组分的中心位置记录为点位置,振幅记录为点强度。根据脉冲发射与返回时间差来计算各点与传感器间的距离,结合 GPS、IMU 数据解算得到各点的三维坐标,这些带有地理坐标的海量离散点,通常称为“点云”(Point Cloud)。

点云数据处理

由于 LiDAR 系统记录方式的不同,离散点云、全波形、光子计数 LiDAR 数据的处理方法也有差别。一般而言,离散点云数据处理的关键步骤有点云去噪、点云滤波和点云分类 3 个环节。点云数据处理的目的即通过特定算法从海量、无序的三维点云中提取关键地物要素,为后续数字地面模型生成、地物三维建模和其他相关应用提供高精度数据和信息支撑。

点云去噪

在点云数据采集过程中,由于设备误差、人员操作、地物反射、环境干扰等因素,可能会引入一些噪声点云。

按照空间分布特征的不同,噪声点可简单划分为两类:

  • 典型噪声点 —— 指在局部范围内远离扫描目标的异常点或点簇,如飞鸟、云等形成的噪声点;
  • 非典型噪声点 —— 指与扫描目标混杂的不明显噪声点,如多路径效应、系统内部因素等形成的噪声点。

去噪目的是去除噪声点并最大限度保留扫描对象的局部细节特征。

根据噪声点的空间分布特点,目前常用的去噪方法大致可分为三大类:

  • 基于统计的方法 —— 考虑了噪声点的高程、密度等属性与非噪声点间存在的显著差异,通过设置适应性阈值来区分噪声点和非噪声点。
  • 基于频域的方法 —— 将点云变换到频率域空间,利用信号的差异来剔除噪声,例如使用小波变换将点云数据变换到频率域,通过滤除突变信号来剔除噪声,难点在于滤波器设计和变换函数的选择。
  • 基于表面的方法 —— 通过构建非噪声点的局部曲面来剔除空间上不连续的噪声点,如形态学运算。但窗口尺寸和阈值的选取是关键。

点云滤波

点云滤波是从原始点云数据分离地面点与非地面点的过程,通常基于一定的条件规则或者先验知识。例如,在一定区域内非地面点总是高于地面点、地形坡度变化总是在一个范围之内、地物具有特定的几何结构,如建筑物、植被等。

下面是 3 种典型的点云滤波算法:

  • 数学形态学点云滤波
  • 多级移动曲面拟合点云滤波
  • 渐进加密三角网点云滤波

除了以上三种典型滤波方法外,还有一些其他滤波方法,各种滤波方法各有优劣,许多国内外学者也致力于探索更优的点云滤波算法。

总体来说,对滤波算法的改进主要围绕三个方面:

  1. 提高算法的自动化程度。目前滤波算法分离地面和非地面点云的精度不足,且后续需要大量人工编辑。
  2. 提高算法智能化水平。多数滤波算法涉及复杂的参数设置,需要充分的先验知识才能达到较好的滤波效果。
  3. 提高算法效率。滤波算法的效率和精度往往无法同时满足,多数情况下存在循环迭代和大量邻域计算,导致算法时间复杂度高,难以满足追求时效性的实际生产需求。

点云分类

点云分类是指对场景中所有激光点云逐一赋予语义标签,它是点云数据后续应用的基础性工作,已有的点云分类算法可分为基于语义规则和基于机器学习两类。

  • 基于语义规则的点云分类
    • 基于模型拟合的点云分类算法
    • 基于聚类的点云分类算法
  • 基于机器学习的点云分类
    • 基于经典机器学习的点云分类算法
    • 基于深度学习的点云分类算法