基于LiDAR点云空间差异分析的城市建筑物变化检测方法

摘要

本发明公开了一种基于LiDAR点云空间差异分析的城市建筑物变化检测方法，步骤1，对不同时相的LiDAR点云数据分别进行预处理；利用线性插值算法获取不同时相的DSM和DTM；步骤2，将步骤1获取的两期DSM相减，获取高程差值模型；步骤3，对高程差值模型进行空间差异分析，提取候选变化区域；步骤4，利用LiDAR点云的空间特性，提取直接特征以及高程纹理特征；步骤5，实现于建筑物和植被的分类；步骤6，对候选变化区域进行套合叠置分析，确定建筑物的变化属性。本发明充分发挥了LiDAR数据在建筑物复杂结构、拓扑关系的三维表征上的优势，进行建筑物的三维变化检测。

说明书

技术领域

本发明涉及机载激光雷达技术领域，尤其是涉及一种基于LiDAR点云空间 差异分析的城市建筑物变化检测方法。

背景技术

随着经济建设的不断发展，我国的城市建设如火如荼，城市变化非常频繁 和剧烈。遥感(包括航空)影像几何精度高、语义信息丰富，是目前大范围、 高频率的城市变化检测最大的数据源。近几十年，有很多学者深入研究基于遥 感影像的变化检测，提出了很多代表性的算法，形成了丰富的理论体系。然而， 目前基于遥感影像的变化检测仍然面临如遮挡与阴影的问题，投影差的问题， 地物内部的异质性，过于丰富的纹理，混合像元等诸多问题。更重要的是，建 筑物的变化很多体现为空间结构的变化，由于影像缺乏直接的三维信息，通过 密集匹配技术可获取三维点集，但密集匹配效果受各种因素的制约，误差较大， 同时密集匹配的点云无法穿透植被，因此单独利用不同时相的影像数据监控城 市建筑物的更新有一定的局限性。

LiDAR数据提供的高质量三维点云数据，为城市建筑物的三维变化检测提 供了新的研究思路。激光束所具备的穿透能力可以在一定程度上克服植被形成 的遮档，减少局部区域的数据缺失，大大提高了建筑物提取的质量。与基于影 像手段的变化检测方法相比，LiDAR数据在建筑物复杂结构、拓扑关系的三维 表征上具有无可比拟的优势。因此基于多时相的LiDAR数据不仅能圈定变化区 域，检测变化类型，还可以使城市短期的微小的三维变化检测(如小规模违建) 成为可能。目前LiDAR数据还存在一些需要解决的问题，如未被激光束穿透的 遮挡所形成的数据缺失，由于飞行高度、扫描角以及地物反射率而形成的数据 点稀疏、区域空洞或数据噪声，基于离散点云的特征提取和分类问题等等。因 此如何利用LiDAR高精度的三维信息、实现高效率、高鲁棒性、高精度的基于 机载LiDAR点云的城市建筑物三维变化检测方法具有重要的理论意义和实践 价值。

发明内容

有鉴于此，本发明的目的在于提供一种基于LiDAR点云空间差异分析的城 市建筑物变化检测方法，LiDAR数据提供的高质量三维点云数据，充分发挥了 LiDAR数据在建筑物复杂结构、拓扑关系的三维表征上的优势，进行建筑物的 三维变化检测。

为达到上述目的，本发明采用以下技术方案：

一种基于LiDAR点云空间差异分析的城市建筑物变化检测方法，其特征在 于：包括以下步骤：

步骤1，对不同时相的LiDAR点云数据分别进行预处理；利用线性插值算法 获取不同时相的DSM和DTM；利用公式(1)将DSM中的地形起伏信息去除，获取 规则化数字表面模型nDSM；

nDSM(t)＝DSM(t)-DTM(t)   (1)

公式(1)中，DSM(t)、DTM(t)、nDSM(t)分别为t时相中的数字表面模 型、数字地面模型、规则化数字表面模型；

步骤2，通过公式(2)将步骤1获取的两期DSM相减，获取高程差值模 型dDSM；t₁、t₂表示前后不同两个时相；

dDSM＝nDSM(t₂)-nDSM(t₁)   (2)

步骤3，对高程差值模型进行空间差异分析，提取候选变化区域；消除低 矮植被噪声；通过形态学开运算，消除长条形配准误差；

步骤4，利用LiDAR点云的空间特性，提取直接特征以及高程纹理特征， 增加用于分类器的有效特征向量维数；

步骤5，利用步骤4提取的LiDAR点云特征构成特征向量，实现于建筑物 和植被的分类；

步骤6，结合步骤3获取的候选变化区域以及步骤5获取的类别信息，对 候选变化区域进行套合叠置分析，确定建筑物的变化属性。

作为优选，所述步骤1的预处理包括去噪、滤波步骤。

作为优选，所述步骤3形态学开运算采用如下公式：

[E_S(dDSM)](c_p,r_p)＝min{w}   (3)

D_S[E_S(dDSM)](c_p,r_p)＝max{w}   (4)

式中：E_S为腐蚀算子，D_S代表膨胀算子，dDSM代表高程差值模型，(c_p,r_p)代 表窗口中心像素点，w为窗口中的其他栅格点的高程值。

作为优选，所述步骤4的直接特征包括归一化高度信息，以及从原始点云 提取的多重回波信息和回波强度信息；所述高程纹理特征通过灰度共生矩阵进 行描述。

作为优选，所述分类器采用非线性多类支持向量机，SVM核函数选用了 RBF核，

以一对一法为多类分类模式。

作为优选，所述步骤5分类器的工作流程为：

步骤51，将提取的LiDAR点云特征，包括直接特征、高程纹理特征和曲 面属性特征，构成特征向量进行特征分析与选择；进行归一化处理，得到处理 结果；

步骤52，将处理结果在分类器中计算最优平面，交叉验证后得到分类结 果的类别信息。

作为优选，所述步骤3，通过设定两期LiDAR点云的相对高差阈值，消除 低矮植被噪声。

作为优选，所述步骤6建筑物的变化属性判断步骤为：

步骤61，检测地面点数是否大于50％，如结果为是，则建筑物销毁；如结 果为否，继续检测植被点数是否大于50％，如结果为是，则建筑物销毁；如结 果为否，执行下一步；

步骤62，检测面积是否变化，如变化，则为建筑物重建；如无变化，继 续检测高程变化，如高程有变化，则为建筑物扩建，如无变化，执行步骤63；

步骤63，检测变化点数是否大于20％，如是，则结果特定；如否，则建筑 物未变化。

本发明的有益效果是：

本发明充分发挥LiDAR数据在建筑物复杂结构、拓扑关系的三维表征上的 优势，进行建筑物的三维变化检测研究。首先，通过分析不同时相点云的空间 差异，确定候选变化区域。然后以候选变化区域为约束，引入SVM算法实现多 时相点云的自动分类；通过提取LiDAR点云纹理特征和局部几何特征以提高分 类精度；最后，联合分类结果和空间分析结果分析建筑物变化属性。

本发明有效解决了现有技术中LiDAR数据存在的问题，如未被激光束穿透 的遮挡所形成的数据缺失，由于飞行高度、扫描角以及地物反射率而形成的数 据点稀疏、区域空洞或数据噪声，心脏基于离散点云的特征提取和分类问题， 利用LiDAR高精度的三维信息，实现了高效率、高鲁棒性、高精度的城市建筑 物三维变化检测方法。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐 述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显 而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可 以通过下面的说明书或者附图中所特别指出的结构来实现和获得。

附图说明

图1是基于多时相LiDAR数据的建筑物三维变化检测技术流程图；

图2是SVM用于LiDAR地物分类的工作流程图；

图3是建筑物变化类型判断流程图；

图4是规则化数字表面模型nDSM提取的前时相示意图；

图5是规则化数字表面模型nDSM提取的后时相示意图；

图6是高程差值模型dDSM提取示意图；

图7是高程差值模型空间差异分析优化提取的dDSM；

图8建筑物三维变化属性分析。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。

如图1所示，本发明首先通过分析不同时相点云的空间差异，确定候选变 化区域。然后以候选变化区域为约束，引入SVM算法实现多时相点云的自动分 类；通过提取LiDAR点云纹理特征和局部几何特征以提高分类精度；最后，联 合分类结果和空间分析结果分析建筑物变化属性。具体步骤如下：

步骤1：首先，对点云数据进行预处理，包括去噪、滤波等步骤。在此基 础上，利用线性插值算法对点云数据进行栅格化，获取不同时相的DSM和DTM。 接着，利用公式(1)将DSM中的地形起伏信息去除，获取规则化数字表面模型 nDSM，如图4、图5所示。

nDSM(t)＝DSM(t)-DTM(t)   (1)

dDSM＝nDSM(t₂)-nDSM(t₁)   (2)

公式(1)中，DSM(t)、DTM(t)、nDSM(t)分别为t时相中的数字表面模型、 数字地面模型、规则化数字表面模型。

步骤2：通过公式(2)将步骤1获取的两期DSM相减，提取高程差值模型dDSM， 公式(2)中的t₁、t₂表示前后不同两个时相，dDSM即为高程差值模型。

步骤3：如图6所示，初始的dDSM中除了表示空间形态变化的区域，还有一 些比较破碎的图斑。这是因为不同时相的liDAR点云的匹配误差，随机性误差， DSM的插值误差，时间推移、季节变换导致的植被生长差异造成的，我们把这 些影响因素统称为噪声。为了去伪存真，确定真正发生变化的区域，对高程 差值模型进行空间差异分析，提取候选变化区域。

高差阈值处理：大部分噪声有汽车、棚屋等移动的小型物体造成。因此， 通过设定两期点云相对高差阈值，可以消除大部分伪变化区域。形态学算子处 理：由于两期点云的配准误差、插值误差等因素的影响，在高差阈值处理之后， dDSM中仍然有一部分伪变化区域。上述伪变化区域通常呈细长形态，面积较小， 因此本发明通过形态学开运算(公式(3)(4))进行处理，空间差异分析优化 后提取的dDSM如图7所示。

[E_S(dDSM)](c_p,r_p)＝min{w}   (3)

D_S[E_S(dDSM)](c_p,r_p)＝max{w}   (4)

式中：E_S为腐蚀算子，D_S代表膨胀算子，dDSM代表差值DSM，(c_p,r_p)代 表窗口中心像素点，w为窗口中的其他栅格点的高程值。本发明将运算核大 小设置为10×10像素，比如DTM分辨率为0.5m，则5m×5m作为提取的建筑物最 小面积，通过该方式可快速滤除大部分伪变化区域。

步骤4：为了判断城市建筑物的变化属性，获取候选变化区域之后，下一 个关键步骤就是对城市地物进行分类，并确定建筑物的变化类型。特征提取在 提高分类精度中起着至关重要的作用。机载LiDAR数据是一种新型的遥感数 据，具有较高的空间精度，然而由于光谱信息、纹理信息的不足，分类精度往 往不够理想。针对该问题，本发明优化点云特征提取策略，通过提取LiDAR点 云高程纹理特征提高分类精度及普适性。

直接特征提取：

机载LiDAR系统获取的点云密度高，具有一定的穿透性，除了能够直接获 取物体表面的三维坐标以外，还记录了每个激光脉冲的回波数、回波号、反射 强度、GPS时间、航带号、扫描角度等信息。上述信息在点云分类中也有很大 的作用。本发明主要提取归一化高度、多重回波信息和强度信息这几个分类中 作用较大的直接特征，提取方法及特征描述详见表1。

表1 LiDAR点云直接特征

高程纹理特征提取：

高程纹理指检测窗口内的地面对象高程变化的统计，是识别地面对象的主 要信息来源之一。本发明通过灰度共生矩阵对高程纹理进行描述。灰度共生矩 阵(Gray Level Co-occurrence Matrix，GLCM)是一种经典的描述区域纹理 的统计算子，对微小结构的描述非常准确。本发明选取最为有效的六种高程纹 理，用于机载LiDAR点云的分类。GLCM特征的提取方法及描述详见表2。

表2 GLCM特征提取方法及描述

步骤5：以非线性多类支持向量机(RBF-SVM)为分类器，利用步骤4提 取的LiDAR点云特征构成特征向量，实现于建筑物和植被的分类。

地物类型的设定需要考虑它们在遥感数据源中的可分性。本发明中，地面 点已经通过改进的迭代三角网加密算法获取，大部分的低矮植被、临时性的小 型建筑、汽车、帐篷等范围小、变化频繁的地物已经在步骤2、步骤3的变化 区域提取过程中当做噪声去除，因此，本发明只考虑如何从高地物中提取建筑 物和高植被这两种类别。

分类器选择：

选择支持向量机(SVM)为分类器，SVM核函数选用了RBF核(公式5)， 以一对一法(One Against One，OAO)为多类分类模式。SVM用于LiDAR地 物分类的工作流程如图2所示，步骤5分类器的工作流程为：

步骤51，将提取的LiDAR点云特征，包括直接特征、高程纹理特征和曲 面属性特征，构成特征向量进行特征分析与选择；进行归一化处理，得到处理 结果；

步骤52，将处理结果在分类器中计算最优平面，交叉验证后得到分类结 果的类别信息。

在此基础上，本发明采取由粗到细的网格搜索策略确定RBF-SVM的两个 最优参数，为了避免数据过拟合的问题，对全部训练样本均采取5折交叉验 证。

${\mathrm{Kx}}_i,x_j=\exp (-\frac{{(x_i-x_j)}^2}{{\sigma }^2})---\left(5\right)$

步骤6：本发明将建筑物变化类型定义为“未变化建筑”“新建建 筑”“销毁建筑”，“扩建建筑”和“重建建筑”五个类别，具体的定义可参 考表3。

表3 建筑物变化类别确定

变化类型 前时相 后时相 高程变化 面积变化 未变化 建筑物 建筑物 否 否 新建建筑 植被/裸地 建筑物 — — 销毁建筑 建筑物 裸地/植被 — — 扩建建筑 建筑物 建筑物 是 否 重建建筑 建筑物 建筑物 是 是

如图8所示，结合步骤3获取的候选变化区域；以及步骤5获取的类别信 息，对候选变化区域进行套合叠置分析，利用图3设定的判断流程，确定建筑 物的变化属性。

步骤6建筑物的变化属性判断步骤为：

步骤61，检测地面点数是否大于50％，如结果为是，则建筑物销毁；如结 果为否，继续检测植被点数是否大于50％，如结果为是，则建筑物销毁；如结 果为否，执行下一步；

步骤62，检测面积是否变化，如变化，则为建筑物重建，如无变化，继 续检测高程变化，如高程有变化，则为建筑物扩建，如无变化，执行步骤63；

步骤63，检测变化点数是否大于20％，如是，则结果特定；如否，则建筑 物未变化。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领 域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱 离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。