基于无人机影像的3D点云数据的分类与识别

基于无人机影像的3D点云数据的分类与识别

辛伟1

(1.重庆交通大学,重庆,400074)

摘    要

近几年来，集成了GIS、RS和GPS的无人机倾斜摄影的相关理论和技术日趋成熟，低空无人机机动灵活，可以做到近地、多角度观测，能够快速获取大范围高密度、高精度的地表三维空间信息，已在城市三维建模、数字高程模型构建、BIM、林业调查等方面得到广泛应用[1]，而点云数据的分类则是这些应用的首要任务。本选题主要是指在详细了解点云数据分类方法的基础上，以无人机影像数据构建的三维点云模型为基础，采用PhtotoScan软件平台对点云数据进行分类，识别并分类出地面、植被、道路等信息，为后续处理提供数据基础。

实验表明结果表明，采用无人机影像数据生成3D点云数据，再对点云数据进行分类与识别工作，不仅数据处理过程方便快捷，全自动化，成本低廉。而且点云的分类与识别的效果与精度也能满足日常生活生产要求。

关键词：无人机影像；PhtotoScan；点云数据；分类与识别

1引言

摄影测量作为当今测绘领域的新兴分支，正占据着重要的地位。它是以获取航摄像片，通过一系列的处理最终得到地形图的测绘方式。毫无疑问航空摄影测量技术对于大范围内地理数据的获取有着重要的意义。然而，对于小范围内的大比例尺地形图的获取，若是生硬地运用传统航摄技术，不仅会带来极大的成本与工程周期，而且往往无法达到大比例尺测图的精度要求，此外对于特定建筑物的轮廓表达往往也无法达到理想的效果。因此，无人机低空摄影测量技术便开始如雨后春笋般出现在测绘研究者的眼中。如何运用无人机低空摄影测量技术达到成本低、工程周期短且影像数据精度高的效果，以此代替传统航空摄影测量复杂和繁琐的数据处理程序，一直是困扰国内外测绘学者的问题之一。

本选题主要是指在了解三维点云数据分类方法的基础上，以无人机影像数据构建的三维点云模型为基础，采用PhtotoScan软件平台对点云数据进行分类，识别出地面、植被、道路等信息，为后续处理提供数据基础。

2实验数据准备

2.1实验区概况

此次用于实验的无人机影像数据拍摄内容为重庆市云阳红狮某滑坡区域，拍摄的实地面积大约874489平方米，地势高低起伏，高程变化区间约为540米到870米。拍摄当天天气晴朗，没有影响无人机飞行姿态的较大风向，使用的是大疆PHANTOM 4PRO无人机，装载非量测型数码相机，相机型号为DJI-FC330。

为满足《低空数字航空摄影规范》中对航向重叠和旁向重叠的要求，对拍摄区域共设立了10条航线，设计行高为270米，设计飞行航向中的旁向重叠度59%~74%，航向重叠度为62%~74%，最终拍摄取得了108张像素尺寸为4000*3000 的无人机航摄像片。

2.2密集点云数据的构建

利用PhtotoScan 软件流程化构建密集点云，该软件根据估算的相机位置计算深度信息，从而合并成单一的密集点云，在生成密集点云时可以选择合成的质量，同样由最低低到最高共五个等级，质量越高，生成的密集点云点数越多，更为细致，但同时计算机处理照片的时间也更多，在应急时刻的航摄像片拼接处理时可酌情考虑低质量的拼接处理。譬如某地在发生泥石流、山体滑坡等地质灾害之后，道路被封堵，在救援部队开路抵达受灾区之前，可以先用无人机航拍受灾区域，快速建立三维点云，从而生成数字高程模型，快速计算出灾区受灾面积，以及滑坡体方量等等，为国家制定紧急救援方案提供支持。

3点云数据分类

点云分类可分为基于局部特征的分类和空间上下文分类两类。其中基于局部特征的点云分类方法，利用从单点邻域提取的局部特征对点云数据进行分类，其分类精度严重依赖邻域的准确选取。而合理的邻域有助于提高特征提取的精度，进而可以显著提升点云分类的精度。目前，由诸多学者提出了多种估算自适应邻域的方法来提高点云分类精度。其中，基于矩阵分析来估算点云邻域的方法，可以得到自适应的邻域，但是该方法需要额外的训练数据和仪器参数，这在某些分类任务下难以满足。基于最小嫡值的邻域估算方法，理论上能够得到每个点的最稳健的邻域，但是，当场景中的点云分布不均匀时，在全局范围内邻域的稳健性难以保证，造成分类的整体精度难以提高。在复杂场景中，不同区域的点云分布差异通常较大，而上述邻域估算方法并没有考虑到这点，这对于分类整体精度的提升还有一定的欠缺。

本论文采用的方法是利用PhtotoScan软件“手自结合”的方法，以自动化的分类结果为基础，在此基础上，基于地物的外部轮廓特征点、线，以及点云的颜色信息，对自动化分类结果进行目视辨别，手动纠正被错误分类的地物类。

由于涉及到的区域面积比较大（约为803175m2），因而为了方便展示说明，截取一片包含建筑物、土质生产路的区域。

利用PhtotoScan自适应分类程序，结合人工目视判别以辅助，将裁剪得到的三维点云进行分类，分类结果如图1所示。

图 1分类结果

4

实验结果分析

由图4可以看出，绿色的部分表示为高等植物，红色的部分表示为建筑物，黑灰色的部分表示为土质生产路，灰色部分表示裸露的地表，白色的部分表示未分类的三维点云。可以看出，采用PhtotoScan“自动分类+手动纠正”的分类方式分类三维密集点云的方法是可行的。在软件自动分类的基础上，通过目测观察，基于地物的外部轮廓以及点云点的颜色信息，将默认归为“地面点”的某些错误点，“纠正”为正确的类别的设想是可行的。

同时也可以看出，在图中的白色部分也就是被归类为未分类部分的点云，其中含有低级作物等其他应被分类的点云，并且这样的“手自结合”的方式工作量是比较大的，不适合做大范围的分类工作。分类的效果也会直接受到构建密集点云质量的高低影响，而点云质量的高低又与实验电脑性能、原始航片息息相关。

综上所述，本实验采用的方法和思想适合于小范围的三维密集点云分类工作，主要适用于自动分类后的目视观察纠正工作。

参考文献：

[1]高仁强 张显峰 孙敏 赵庆展. 融合无人机LiDAR和高分辨率光学影像的点云分类方法[D]. 北京大学遥感与地理信息系统研究所, 2018.

[2]吴忠林.四川地区轻型无人机低空摄影测量系统市场潜力分析[D].成都理工大学，2012.

[3]段广明.基于随机森林的机载激光雷达点云数据分类研究[D].西安电子科技大学,2018.

[4]宋伟东.稀少控制点下遥感影像纠正模型研究[D].辽宁工程技术大学，2005.

[5]秦平.高分辨率逼感影像的快速几何纠正研究与实现[D].武汉大学，2005.

[6]张过.缺少控制点的高分辨率卫星遥感影像几何纠正[D]武汉大学，2005.

[7]赵筱榕.基于控制点影像数据库的国产卫星影像几何纠正[D]测绘通报,2013(08)-52-56.

[8]段广明.基于随机森林的机载激光雷达点云数据分类研究[D].西安电子科技大学,2018.

[9] 杨永明.无人机遥感系统数据获取与处理关键技术研究[D].昆明:昆明理工大学国土资源工程学院, 2016.

[10] 陈贤铿. 空中像片三角测量的高程精度[J]. 测绘通报,1955,(04):124-126.