车载激光雷达点云数据处理及应用

第1章绪论 　　1.1激光扫描 　　完备与及时更新的城市空间设施及要素资产清单，包括道路面、建筑物、行道树、路灯杆和交通标志等，对一个城市的管理、经济发展等是不可或缺的。一般地，城市要素特征和物体的三维坐标由经纬仪、全站仪和水准仪等传统测量技术量测而得。然而，传统测量技术需要直接接触目标，抑或测量距离有限。自20世纪70年代以来，全球定位系统（global positioning system，GPS）的出现使得获取物体或感兴趣目标的三维坐标更便捷（McNeff，2002）。然而，GPS存在诸如在城市特定环境下精度低、信号不稳定等问题。特别地，GPS采集空间三维点坐标的频率为1Hz，不满足城市及道路场景的大数据量和精细测量的应用需求。近年来，随着诸如自动驾驶、智慧城市及智能交通等领域的快速发展，对高精度的城市地图有着越来越广泛的需求。有效和定期可更新的城市空间及道路环境数据库对于保证城市的整体社会服务功能等至关重要。然而，传统的空间数据采集技术，存在诸如劳动强度大、效率低等特点，已不能满足当前日益增长的高精度、高效测量的应用需求。 　　在过去的四十年里，固态电子学、光学和计算机科学等领域的快速发展使得构建可靠、高分辨率和精准的激光扫描系统成为可能（Vosselman et al.，2010）。1977年，美国国家航空和航天局（National Aeronautics and Space Administration，NASA）研制了一种四波长的机载海洋物理激光雷达探测系统。该系统通过激光器发射激光脉冲并接收后向散射返回探测器的激光能量，定量估计了藻类中的叶绿素浓度和其他生物和化学物质含量（Browell et al.，1977），然后将距离量测值与全球导航卫星系统（global navigation satellite system，GNSS）和惯性导航系统（inertial navigation system，INS）相结合，求得物体表面在激光照射下的三维坐标（Vosselmanetal.，2010）。得益于全球导航卫星系统和惯性导航系统的发展，1993年，专门用于地形测绘的**架商用机载激光扫描样机问世（Floodetal.，1997），实现了精确的位置和方向测量（King，1998）。 　　一般地，一套经典的激光扫描系统主要包括：①激光测距单元；②光电机械装置；③定位与测姿单元；④控制、处理和记录单元（Wehr et al.，1999）。现代激光扫描系统每秒可釆集数百万个高度精确的点，这使得获取高精度三维坐标数据变得非常高效（Nelson et al.，1984;Scheier et al.，1985）。20世纪七八十年代，剖面扫描式激光雷达被广泛用于测高、林业等领域，建立了激光用于遥感的基本原理及方法（Clarke et al.，1970;Menenti et al.，1994；Winker et al.，1996;Liebowitz，2002）。在近二十几年的时间里，激光扫描已被广泛应用于地形测绘、基础设施建模和对感兴趣对象的重建及变化监测（Kraus et al.，1998;Garvin et al.，1998;Maas et al.，1999;Hyyppa et al.，2001;Vosselman et al.，2010）。 　　1.2激光扫描系统 　　根据激光雷达系统的安装平台，可将激光扫描系统分为星载激光扫描（spaceborne laser scanning，SLS）、机载激光扫描（airborne laser scanning，ALS）、地面激光扫描（terrestrial laser scanning，TLS）和移动激光扫描（mobile laser scanning，MLS）四大类。由于这些系统有不同的测量原理和不同的扫描机制，所釆集的数据集也有很大的不同。图1.1给出了上述四种激光雷达系统以及相应的釆集数据集示例。 　　图1.1（a）为ICESat（Ice，Cloud，and land Elevation Satellite，冰、云和陆地高程卫星）/GLAS（geoscience laser altimeter system，地球科学激光测高系统）所搭载的星载激光扫描（SLS）系统所釆集样本点云数据。SLS点云已广泛应用于大尺度的地形、冰川监测及林业调查研究中。但由于点云数据分布过于稀疏，并不适用于城市环境监测和测绘。 　　机载激光扫描（ALS）系统所釆集的点云数据，具有更高的点密度和高精度的空间三维坐标，如图1.1（b）所示。基于ALS点云数据，面向不同的应用需求已进行了大量的研究并取得了一系列成果。例如，基于机载激光雷达点云数据进行数字高程模型（digital elevation model，DEM）和数字地形模型（digital terrain model，DTM）等的生产（Vosselman，2000;Pfeifer，2001;Briese et al.，2002），三维建筑重建（Maas et al.，1999;Vosselman et al.，2001;Rutzinger et al.，2009;Xiong et al.，2014），森林资源调查和参数估算（Hyyppa et al.，2001;Persson et al.，2002;Gorte et al.，2004;Morsdorf et al.，2006），土地分类（Rutzinger et al.，2008;Guo et al.，2011;Mallet et al.，2011）等领域。然而，机载激光雷达的扫描机制使得它不太可能获得精细的建筑立面、较窄的街道道路表面及树干信息。此外，对于路灯杆、交通标志、交通灯等街道基础设施，机载激光扫描系统只能采集较少的点云。这也导致机载激光扫描系统所采集的点云数据不适用于识别和监测这些道路元素。 　　地面激光扫描（TLS）系统可以安置在一个固定架设的三脚架上获取感兴趣目标的精细稠密三维点云，如图1.1（c）所示。TLS传感器能够近距离扫描感兴趣目标，其*突出的优点是所采集的点云数据三维精度及点密度高，每平方米可以高达数万个点。TLS点云已被广泛用于文化遗产的三维信息米集及重建（Fr6hlich et al.，2004；Haddad，2011；Fregonese et al.，2013），感兴趣目标变化检测（Monserrat et al.，2008;Zogg et al.，2008;Abellan et al.，2010;Hohenthal et al.，2011），隧道测量及形变检测（van Gosliga et al.，2006），3D重建（Pu et al.，2006;Li et al.，2010b）和三维建模（Aschoff et al.，2004;Henning et al.，2006;Brenner，2005；Liang et al.，2013）。然而，TLS系统是从一个固定的三脚架对感兴趣目标进行数据采集，扫描范围有限。因此，TLS系统在城市级大区域数据采集等应用领域并不适用。 　　移动激光扫描（MLS）系统的出现克服了在面向城市和道路环境的高精度精细三维重建及变化监测等应用时，SLS和ALS点云数据的低点密度及TLS系统低敏捷性的应用缺陷。MLS采集的点云数据具有与TLS相似的点密度，但部署更加灵活。如图1.1（d）所示，安装在车辆上的激光雷达系统在行驶方向上连续地描绘道路环境要素。MLS系统集成了高精度定位测姿系统（position and orientation system，POS）。与TLS系统相比，MLS系统在空间覆盖效率上有了巨大的改进，并能获得大区域高精度稠密三维点云数据。此外，诸如建筑物立面和树干，都可以通过MLS系统进行高精度精细扫描。这些特性使得MLS在需要高分辨率地面数据的道路环境场景尤其具有优势（Barber et al.，2008;Puente et al.，2013a）。近年来，国际上该领域学者及工业界相关人员研发了多种MLS系统，这些系统的详细信息及系统特点均可在Puente等（2013a）中查询。利用MLS采集的点云数据，可提取出多种道路环境要素的几何信息，如路面几何、路边树、灯杆、交通标志和交通灯等。到目前为止，MLS点云已经应用于城市路面几何提取（Jaakkola et al.，2008;Brenner，2009;Guan et al.，2015），道路基础设施清查（LehtomSki et al.，2010;Pu et al.，2011;Yang et al.，2013a），道路标识识别提取（Kumar et al.，2014;Guan et al.，2014），道路要素提取（LehtomSkietal.，2010;Cabo et al.，2014;Yang et al.，2015）和路边树的提取和监测（Rahman et al.，2009;Rutzinger et al.，2010;Li et al.，2012;Vega et al.，2014）。 　　1.3数据处理与信息提取的挑战 　　尽管MLS数据应用取得了上述成就，但是许多现有方法存在要么只提取特定类型的对象，要么只在有限案例研究的级别上进行感兴趣目标识别及信息提取的问题。然而，有许多种类的城市和城市道路设施的数据库更新、监测和管理至关重要。与此同时，城市道路环境MLS点云釆集量急剧增长，现有方法大多缺乏可扩展性，使得处理的计算量和输出质量都不可控。因此，迫切需要研究可扩展的方法来有效地从庞大的MLS点云数据中提取更详细的几何信息。 　　然而，在将MLS和获取的点云应用于道路环境评价中还存在以下几个问题。 　　1.道路环境高度复杂 　　城市道路本身由三大部分组成，即道路结构、路面和路边设施（Turner，2007）。如图1.2（a）和图1.2（b）所示，城市道路的每个部分都有许多类型的设施组件。这些因素决定了道路环境几何信息的整体复杂性，使得道路环境几何信息的提取变得复杂。 　　在山区道路环境下，与道路拓宽和养护有关的工程施工中，开挖是不可避免的（图1.2（c））。地形的复杂性给挖掘量的估算带来了困难。此外，水流侵蚀是道路损坏的一个主要原因，如图1.2（d）所示。MLS和三维点云数据处理与信息提取为山区道路工程的损伤评估和道路工作准备提供了一种有效的方法。 　　2.采集的数据集庞大 　　图1.3（a）显示了在一条100m长的道路上扫描获取的点云。它由2421748个点组成，标准的LAS格式的文件大小为102.8MB。当考虑城市级别的道路时，获取的数据集将是巨大的。例如，图1.3（b）显示了荷兰代尔夫特市完整的道路网络，代尔夫特的城市道路总长度为397544.66m。估计对应的点数约为100亿，LAS格式的点云大小约为400GB。此外，还釆集了视频和全景图像。对于普通计算机来说，存储、操作和处理这些数据将会比较耗时。 　　3.点云数据差异大 　　由于MLS系统的扫描机制和道路环境的复杂性相关，釆集到的MLS点云在点密度、噪声水平、数据间隙和离群值等方面具有不同的质量。图1.3（a）中点云数据的缝隙是由遮挡和反射造成的。由于扫描几何和MLS系统的原理，点密度随物体的距离而变化。对象上的点密度越高，捕获的对象细节就越多。此外，激光入射角、扫描范围和不同的反射材料也会影响点的噪声水平。入射光线与物体表面法线的偏差越大，信号水平就越弱（Soudarissanane et al.，2011）。此外，目标距离扫描仪越远，获得的点的精度越低（Vosselman et al.，2010;Puenteet al.，2013a）。