无人机密集匹配点云与机载激光雷达点云的差异分析

无人机密集匹配点云与机载激光雷达点云的差异分析

赵吉祥

新疆疆海测绘院 新疆 乌鲁木齐 830000

摘要：航空激光雷达被广泛用于估算森林参数(树高、伐面积、积聚、封闭等)，从而能够准确地描绘森林的三维结构，它不仅提高了森林资源调查和监测的效率，而且降低了成本，产生了高精度数字高程模型和一系列森林参数估计产品，并向森林管理人员提供了关于森林结构的丰富而详细的信息。小区域无人机遥感图像的购置成本低于航空激光雷达。目前，大多数利用航空遥感获得的点云估算森林参数的研究是在分散的森林地区进行的。鉴于上述情况，本文件分析了不同密度无人机图像密集匹配点云与机载激光雷达点云之间的差异，以便为在森林资源调查监测中使用无人机提供技术参考。

关键词：点云；密集匹配；无人机；激光雷达

前言

鉴于"数字地球"和"智能城市"的迅速发展，迫切需要获得完整和准确的地理空间数据(特别是高精度的三维空间信息)。目前，快速准确地实现大规模三维场景目标的主要技术是航空LiDAR数字化和摄影测量。激光雷达技术通过回声测深和定向原理提供了高精度的三维数字信息数据，但其昂贵的硬件设备限制了其大规模使用。摄影测量技术可以从多个重叠的二维数字图像恢复目标对象曲面上的三维信息，这主要取决于同名图像之间具有相同名称的点的映射。近年来，无人机摄影测量技术的特点是成本低、寿命短、使用简便、速度快和获得高分辨率图像数据的速度快，从而成为进行高分辨率地球观测的最重要手段。

一、无人机点云数据处理概述

管理严重资料错误。从生成点云数据高程的角度来看，厚度差高程点可以大致分为两种类型。其中之一是明显位于目标区域中对象高程点上方或下方的点云异常，称为典型的低点；另一个类别是点云异常点，这些点云异常点不同于与局部区域相邻的地面特征，称为异常点。在实际生产中，非典型弱点的数量远远高于典型弱点的数量。由于局部区域的详细程度不同寻常，因此首先以虚拟方式剪裁目标区域，然后计算栅格中的平均高程并计算较高的差值。如果差值大于经验阈值，则将该点解释为不同寻常的厚度差值并将其删除。

数据分类和信息提取。使用ENVI软件可以对点云数据进行分类和提取，并自动提取诸如建筑边界、电线杆、树等特性，并完成三维模型的构建。然后，它将消除可见详图(例如树、房屋等)中的点云异常，并使用EPS或CASS软件生成和处理DLG数据，从而生成1 : 1000的DLG数据。

二、机载激光雷达点云数据处理概述

(1)由于点云数据总量太大，无法一次将所有数据导入到内存中，从而妨碍了后续工作的顺利进行。为了便于监测，数据在处理之前先以块方式处理，这是一个良好的数据处理业务单位和一个数据管理单位。在实际分割过程中，应全面考虑所采用软件的内存和处理速度，并进行相应的分析。每个点云的数据点数量通常应限制为3，000万个，存储大小应限制为700MB。(2)项目完成区域提供的点云数据标注栏之间存在重叠间隔，但不包括重叠标注栏点。完成块后，必须从重叠路径文件中删除每个点数据的重叠点，并建议和放置重叠标注栏点。(3)过滤噪声点。噪波点比地面上的目标点高得多，低于地面点、移动点或点编组，并且它们的存在可能会对其他点的数据显示和提取产生负面影响。因此，在对地面上的点进行分类之前，工作人员必须根据实际情况建立一种过滤算法，合理地对所有类型的噪声进行分类。

三、研究方法

1.数据采集系统与处理

(1)2020年6月，利用DJI Phantom4RTK收集无人机图像数据，飞行高度为50米，云台倾角为90(正交插头)，轨道重叠80-85%，横向重叠70%，空间图像分辨率为8月0.02-0.03米激光雷达传感器设置LMS-Q680i，波长1550nm，扫描角度30，采集全波形数据，扫描频率240KHz。110米相对飞行高度，水平重叠58%，单一飞行区域的点云密度为4.1点/平方米。

(2)机载激光雷达点云数据路径标记，平面位置精度控制在2厘米以下，飞行区域间点云误差为12 ~ 22厘米。使用lastools软件消除离散点云数据的噪音，并获得诸如DEM(LiDAR_DEM)之类的产品。

(3)使用SfM和MVS算法提取无人机图像的密集匹配点云。要在数据处理过程中获得树冠结构的详细信息，为了对齐照片并创建密集点云的生成质量，请分别选择最高模式和最高模式，密集点云生成中的深度过滤器为照明模式，而点云为密集匹配点云(UAV_DEM)的生成方法与航空lidar点云的生成方法相同。

2.点云数据差异性分析

数据通过视觉比较和统计测试进行分析。通过视觉对比，观察了三个密林中两点云的空间分布情况，并分析了其准确描绘不同密林三维结构的能力。在密林、空地林和未种植林中，分别随机布置了164、181和103片10 m空域。提取了两种类型的点云数据。采用无人机数字高程模型和激光雷达数字高程模型对密集匹配点云进行了高度标准化，从而产生了两组密集匹配点云标准化数据。航空LiDAR点云使用LiDAR_DEM高度标准化，两组密集的交点云和LiDAR点均以t型取样对进行测试。测试指标包括五个高度指标和四个密度指标:25%、50%、75%的十分位数高度(ph25、ph50、ph75)、平均高度(hmean)和高度分数密度25%、50%、75%。

四、结果与分析

1.点云空间分布的差异

在密林中，无人机的密集匹配点云和机载激光雷达点云在树冠表面分布大致相同，但树冠内部和地面上的密集匹配点云很少。在晴朗的森林中，密集映射点云和激光点云的空间分布比较接近，这就很好地说明了树冠层的三维结构。在不成熟的森林地区，密集映射点云比激光点云更能代表树冠较低的幼树的空间分布以上结果表明，密集匹配点云描述森林三维结构的能力随着植被密度的增加而下降。这是因为随着住区密度的增加，树枝的巢状化程度增加，树冠层下方的点云越来越难以提取。

2.点云统计特征参数的差异

由于密集森林中的无人机密集匹配点云没有地面点数据，因此无法生成无人机_DEM并将其用于标准化密集匹配点云。因此，将UAV_DEM与激光点云合并后，无法分析密集匹配点云的统计特性设置。无人机_DEM集成后，在天然林高度统计特性的五个参数中，无人机密集匹配点云与机载激光雷达点云有显着不同，ph25 ( P < 0.05)除外，其他参数不重要，四个密度统计特性参数关于高程统计特征参数，未成熟林地的情况与分散林地相似，但未成熟林地、密集对应点云和lidar点云的平均密度和最高密度(即50，即75)统计特征参数除外。

与LiDAR_DEM合并时，无人机密集匹配点云的ph25和ph50平均值与LiDAR点云的平均值(P < 0.001)相差很大，而ph75、hmean和hmax的平均值并无显着差异。在密林和不成熟林地中，只有ph25差异显着(P < 0.05)，其他四个高统计特征参数不显着。dh25、dh50和dh75点云的统计特性与lidar点云的统计特性有很大不同，而密集森林复盖密度的变化不大。

结束语

综上所述，对于密林，无人机密集匹配点云不能直接用于估算森林参数。根据现有的高精度DEM数据，有限数量的森林参数(如树冠层高度)可以反演。对于森林 无人机密度对应的点云统计参数与机载激光雷达点云的统计参数差别不大，因此无人机密度对应的点云可直接用于估算森林参数。对于不成熟的新林地，无人机密度对应点云更好 因此，在不成熟林地研究中，无人机密集匹配点云比机载激光雷达点云更有利。

参考文献：

[1]李涛，袁中朝，沈彪群，等.无人机影像匹配点云技术在道路测设中的应用[J].测绘通报，2018，（6）：156-159.

[2]奚歌，张福坤，颜培胜，等．基于miniLiDAR的山地大比例尺地形图测绘应用研究[J]．水利规划与设计，2018(2)：177-181．

[3]徐子扬．无人机航摄点云测图技术在夹岩水利枢纽建设中的应用与研究[J]．水利规划与设计，2019(1)：146-148．

[4]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．

[5]何敬，李永树，徐京华，等.无人机影像制作大比例尺地形图试验分析[J].测绘通报，2009，（8）：29-32.

[6]李亚东，冯仲科，明海军，等.无人机航测技术在森林蓄积量估测中的应用[J].测绘通报，2017（4）：66-69.