CN106204611B - 一种基于HASM模型的LiDAR点云数据处理方法及装置 - Google Patents

Abstract

本发明公开了一种基于HASM模型的LiDAR点云数据处理方法及装置，所述方法包括：S1、对原始点云数据进行除噪处理；S2、利用常规的伪扫描线方法进行初始滤波；S3、运用HASM模型进行动态模拟，生成DTM曲面和DSM曲面；S4、对DTM曲面和DSM曲面进行迭代优化，当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代，执行S5，否则，重复执行S4；S5、根据DTM曲面和DSM曲面的模拟结果，生成地物模型，进行地表物体识别，获得地表要素。本发明完善并发展了已有的HASM模型，新的HASM模型，可以同时对两个曲面DTM和DSM进行模拟，克服以前的HASM只模拟单一曲面的问题。

Description

一种基于HASM模型的LiDAR点云数据处理方法及装置

技术领域

本发明涉及点云数据处理技术领域，具体涉及一种基于HASM模型的 LiDAR点云数据处理方法及装置。

背景技术

随着全球定位系统和惯性导航系统定位精度的提高，以激光测距技术为代表的空间对地观测为获取高时空分辨率的地球表面空间信息提供了一种全新的技术手段，利用机载激光LiDAR数据获取数字高程模型及其地物特征已经日益得到应用。长期以来，制约机载LiDAR应用的一个关键问题就是点云数据的分类。

由于LiDAR获取的激光足印数据在空间上的分布很不规则，呈现为随机的离散点云，在这些点中，有些点位于真实地形表面，有些点位于人工建筑物或自然植被，因此，运用LiDAR点云数据的首要任务就是有效地识别地面点和非地面点，通常称之为点云的滤波处理。也就是说，滤波是对激光扫描点云数据进行地面点和非地面点进行分类的过程。滤波效果的好坏直接影响数字高程模型的生成精度和地物的提取精度。

发明内容

为了克服现有技术的不足不缺陷，本发明提供了一种基于HASM模型的 LiDAR点云数据处理方法及装置。

本发明解决上述技术问题的技术方案如下：

一方面，本发明提供了一种基于HASM模型的LiDAR点云数据处理方法，包括：

S1、对原始LiDAR点云数据进行除噪处理；

S2、利用常规的伪扫描线方法对除噪后的原始点云数据进行初始滤波，得到对应的初始地面点数据和初始非地面点数据；

S3、对于初始地面点数据和初始非地面点数据，运用HASM模型进行动态模拟，生成数字地形模型DTM曲面和数字表面模型DSM曲面；

S4、对DTM曲面和DSM曲面进行迭代优化，当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代，执行S5，否则，重复执行S4；

S5、根据DTM曲面和DSM曲面的模拟结果，生成地物模型，进行地表物体识别，获得地表要素。

另一方面，本发明提供了一种基于HASM模型的LiDAR点云数据处理装置，包括：

除噪模块，用于对原始LiDAR点云数据进行除噪处理；

滤波模块，用于利用常规的伪扫描线方法对除噪后的原始点云数据进行初始滤波，得到对应的初始地面点数据和初始非地面点数据；

动态模拟模块，用于对于初始地面点数据和初始非地面点数据，运用 HASM模型进行动态模拟，生成数字地形模型DTM曲面和数字表面模型 DSM曲面；

迭代优化模块，用于对DTM曲面和DSM曲面进行迭代优化，当DTM 曲面和DSM曲面的模拟结果满足预设要求，终止迭代，执行地物模型生成模块，否则，重复迭代；

地物模型生成模块，用于根据DTM曲面和DSM曲面的模拟结果，生成地物模型，进行地表物体识别，获得地表要素。

本发明提供的一种基于HASM模型的LiDAR点云数据处理方法及装置，完善并发展了现有技术中的HASM模型，之前的HASM算法，只是模拟单一曲面，新的HASM算法，可以同时模拟有一定关联度的两个曲面——DTM 和DSM；在对点云数据进行滤波的同时，实现了完成DTM曲面和DSM曲面的模拟；对滤波结果进行多次迭代，不断调整地面点和非地面点，不断优化DTM和DSM曲面，最终得到DTM和DSM的最优模拟结果。

附图说明

图1为本发明实施例1的一种基于HASM模型的LiDAR点云数据处理方法流程图；

图2为本发明实施例2的一种基于HASM模型的LiDAR点云数据处理装置连接框图示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1、一种基于HASM模型的LiDAR点云数据处理方法。

参见图1，本实施例提供的方法包括：

S1、对原始LiDAR点云数据进行除噪处理；

S2、利用常规的伪扫描线方法对除噪后的原始点云数据进行初始滤波，得到对应的初始地面点数据和初始非地面点数据；

S3、对于初始地面点数据和初始非地面点数据，运用HASM模型进行动态模拟，生成数字地形模型DTM曲面和数字表面模型DSM曲面；

具体的，所说的HASM模型为：

其中C为(2I·J)行(I·J)列的矩阵，u⁽ⁿ⁾为(2I·J)行的列向量，dtm为DTM 曲面，dsm为DSM曲面。

S4、对DTM曲面和DSM曲面进行迭代优化，当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代，执行S5，否则，重复执行S4；

具体的，所述步骤S4采用如下迭代方式对DTM曲面和DTM曲面进行迭代优化：

其中，为行(2I·J)列的矩阵；为第n次迭代时的地面点集合，为集合的点数；为第n次迭代时的地物表面点集合，为集合的点数；为行(2I·J)列的矩阵；为行的列向量；为行的列向量；(I·J)为计算网格内部点数。

所述步骤S4，在迭代的过程中，当DTM曲面和DSM曲面的模拟结果满足不等式约束条件dtm⁽ⁿ⁺¹⁾≤dsm⁽ⁿ⁺¹⁾且满足 (abs(dtm⁽ⁿ⁺¹⁾-dtm⁽ⁿ⁾)+abs(dsm⁽ⁿ⁺¹⁾-dsm⁽ⁿ⁾))≤预设阈值时，终止迭代；其中，n为迭代次数。迭代终止后，得到迭代优化后的DTM曲面和DSM曲面的最佳模拟结果。在进行迭代处理的过程中，采样点和可动态调整。

S5、根据DTM曲面和DSM曲面的模拟结果，生成地物模型，进行地表物体识别，获得地表要素。

实施例2、一种基于HASM模型的LiDAR点云数据处理装置。

参见图2，本实施例提供的装置包括除噪模块21、滤波模块22、动态模拟模块23、迭代优化模块24和地物模型生成模块25。

其中，除噪模块21，用于对原始LiDAR点云数据进行除噪处理。

滤波模块22，用于利用常规的伪扫描线方法对除噪后的原始点云数据进行初始滤波，得到对应的初始地面点数据和初始非地面点数据。

动态模拟模块23，用于对于初始地面点数据和初始非地面点数据，运用HASM模型进行动态模拟，生成数字地形模型DTM曲面和数字表面模型 DSM曲面。

迭代优化模块24，用于对DTM曲面和DSM曲面进行迭代优化，当DTM 曲面和DSM曲面的模拟结果满足预设要求，终止迭代，执行地物模型生成模块，否则，重复迭代。

地物模型生成模块25，用于根据DTM曲面和DSM曲面的模拟结果，生成地物模型，进行地表物体识别，获得地表要素。

其中，所述HASM模型具体为：

其中C为(2I·J)行(I·J)列的矩阵，u⁽ⁿ⁾为(2I·J)行的列向量，dtm为DTM 曲面，dsm为DSM曲面。

所述迭代优化模块采用如下迭代方式对DTM曲面和DTM曲面进行迭代优化：

其中为行(2I·J)列的矩阵；为第n次迭代时的地面点集合，为集合的点数；为第n次迭代时的地物表面点集合，为集合的点数；为行(2I·J)列的矩阵；为行的列向量；为行的列向量；(I·J)为计算网格内部点数。

所述的当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代具体包括：

当满足不等式约束条件dtm⁽ⁿ⁺¹⁾≤dsm⁽ⁿ⁺¹⁾且满足 (abs(dtm⁽ⁿ⁺¹⁾-dtm⁽ⁿ⁾)+abs(dsm^{(n +1)}-dsm⁽ⁿ⁾))≤预设阈值时，终止迭代，其中，n为迭代次数。其中的采样点和可动态调整。

实施例3、以一个具体的例子来解释本实施例提供的基于HASM模型的 LiDAR点云数据处理方法。

天涝池流域(38°23′55″～38°26′57″N，99°53′45″～ 99°57′12″E)位于黑河上游，地处甘肃省肃南裕固族自治县寺大隆林区，海拔2600～4400m，属高寒半干旱山地森林草原气候，年平均气温0.6℃，1 月和7月平均气温分别为-13.1℃和12.1℃；年降水量437.2mm，雨季(5-9 月)降雨占84.2％，年蒸发量1066.2mm，年平均相对湿度59％，土壤和植被随山地地形和气候的差异形成明显的垂直分布带。土壤类型主要有山地灰褐土、亚高山草甸土、高山草甸土及寒漠土等。森林类型主要为青海云杉 (Piceacrassifolia)林和祁连圆柏(Sabina przewalskii)林，主要分布在中高山、亚高山地带。前者多在阴坡组成纯林，构成林区森林的主体；后者多在阳坡形成稀疏林分。灌木优势种有金露梅(Potentillafruticosa)、鬼箭锦鸡儿 (Caraganajubata)、吉拉柳(Salix gilashanica)、高山绣线菊(Spiraeaalpina) 等。草本植物主要有冰草(Agropyroncristatum)、针茅(Stipacapillata)、乳白香青(Anaphalislactea)和委陵菜(Potentillachinensis)等。

2013年8月，在天涝池流域设置森林样地30块，样地大小为10米×20 米，样地长边与山坡走向平行，其中青海云杉林样地26块，祁连圆柏林样地2块，云杉圆柏混交林样地2块。

在样地内，采用围尺测量每株树木的胸径(树干1.3m高度处的直径)，采用手持超声波测高器测量每株树木的树高、枝下高(树冠下端第一活枝的高度)，采用皮尺测量南北方向和东西方向冠幅，利用差分GPS对样地进行定位，其坐标系统为WGS84。

激光LiDAR点云数据来源于“黑河生态水文遥感试验(HiWATER)”，获取时间为2012年7月25日，利用的仪器是运12飞机搭载的Leica公司 ALS70LIDAR系统。ALS70发射的激光波长为1064nm，多次回波(1、2、3 和末次)。飞行绝对航高为4800m，平均点云密度为每平方米1个脚点。通过参数检校、点云自动分类和人工编辑等步骤，最终将激光点分成地面点(ground)、植被点(vegetation)和其它点(肖青等，2012)。

我们的模拟过程如下：

步骤1：对初始滤波结果，运用HASM动态模拟方法进行模拟，生成 DTM和DSM，所使用的HASM模型如下：

步骤2：对DTM和DSM进行优化。如果DTM大于DSM，说明该处初始滤波结果有错误，把该地区内的激光点，从地面点集合中剔除，转移到植被点集合或者将该处的激光点，从非地面点中剔除，转移到地面点；

步骤3：如果进行第n次迭代，DTM和DSM模拟结果满足精度要求，则终止迭代，否则重新执行步骤2；

原始滤波结果显示，在不少区域出现数字地面模型的值小于数字表面模型的值，滤波结果不够准确，导致模拟获得的树高出现负值，负值达到-11.7。因此，我们在其初始滤波基础上，运用HASM模型，进行重新滤波及数字表面模型和数字地面模型的构建，新的树高及其分布情况的模拟结果显示，本发明的新方法可以有效地消除错误滤波结果。

本发明提供的一种基于HASM模型的LiDAR点云数据处理方法及装置，完善并发展了已有的HASM模型，可以在模拟DTM曲面和DTM曲面的过程中，动态调整DTM和DSM采样点；改进后的HASM模型，可以同时对两个曲面DTM和DSM进行模拟，克服以前的HASM模型只模拟单一曲面的问题；在滤波过程中，以迭代的方式对数字地面模型DTM和数字表面模型DSM同时进行优化模拟，力图在尽可能获得最佳的滤波效果、同时实现最优的数字地面模型和数字表面模型模拟结果。

在本说明书的描述中，参考术语“实施例一”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体方法、装置或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、方法、装置或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于HASM模型的LiDAR点云数据处理方法，其特征在于，包括以下步骤：

S1、对原始LiDAR点云数据进行除噪处理；

S2、利用常规的伪扫描线方法对除噪后的原始点云数据进行初始滤波，得到对应的初始地面点数据和初始非地面点数据；

S3、对于初始地面点数据和初始非地面点数据，运用HASM模型进行动态模拟，生成数字地形模型DTM曲面和数字表面模型DSM曲面；

S4、对DTM曲面和DSM曲面进行迭代优化，当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代，执行S5，否则，重复执行S4；

S5、根据DTM曲面和DSM曲面的模拟结果，生成地物模型，进行地表物体识别，获得地表要素。

2.如权利要求1所述的基于HASM模型的LiDAR点云数据处理方法，其特征在于，所述HASM模型具体为：

其中C为(2I·J)行(I·J)列的矩阵，u⁽ⁿ⁾为(2I·J)行的列向量，dtm为DTM曲面，dsm为DSM曲面。

3.如权利要求2所述的基于HASM模型的LiDAR点云数据处理方法，其特征在于，所述步骤S4采用如下迭代方式对DTM曲面和DTM曲面进行迭代优化：

其中为行(2I·J)列的矩阵；为第n次迭代时的地面点集合，为集合的点数；为第n次迭代时的地物表面点集合，为集合的点数；为行(2I·J)列的矩阵；为行的列向量；为行的列向量；(I·J)为计算网格内部点数。

4.如权利要求3所述的基于HASM模型的LiDAR点云数据处理方法，其特征在于，所述步骤S4中当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代具体包括：

当满足不等式约束条件dtm⁽ⁿ⁺¹⁾≤dsm⁽ⁿ⁺¹⁾且满足(abs(dtm⁽ⁿ⁺¹⁾-dtm⁽ⁿ⁾)+abs(dsm⁽ⁿ⁺¹⁾-dsm⁽ⁿ⁾))≤预设阈值时，终止迭代；

其中，n为迭代次数。

5.如权利要求4所述的基于HASM模型的LiDAR点云数据处理方法，其特征在于，采样点和可动态调整。

6.一种基于HASM模型的LiDAR点云数据处理装置，其特征在于，包括：

除噪模块，用于对原始LiDAR点云数据进行除噪处理；

滤波模块，用于利用常规的伪扫描线方法对除噪后的原始点云数据进行初始滤波，得到对应的初始地面点数据和初始非地面点数据；

动态模拟模块，用于对于初始地面点数据和初始非地面点数据，运用HASM模型进行动态模拟，生成数字地形模型DTM曲面和数字表面模型DSM曲面；

迭代优化模块，用于对DTM曲面和DSM曲面进行迭代优化，当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代，执行地物模型生成模块，否则，重复迭代；

地物模型生成模块，用于根据DTM曲面和DSM曲面的模拟结果，生成地物模型，进行地表物体识别，获得地表要素。

7.如权利要求6所述的基于HASM模型的LiDAR点云数据处理装置，其特征在于，所述HASM模型具体为：

其中C为(2I·J)行(I·J)列的矩阵，u⁽ⁿ⁾为(2I·J)行的列向量，dtm为DTM曲面，dsm为DSM曲面。

8.如权利要求7所述的基于HASM模型的LiDAR点云数据处理装置，其特征在于，所述迭代优化模块采用如下迭代方式对DTM曲面和DTM曲面进行迭代优化：

其中为行(2I·J)列的矩阵；为第n次迭代时的地面点集合，为集合的点数；为第n次迭代时的地物表面点集合，为集合的点数；为行(2I·J)列的矩阵；为行的列向量；为行的列向量；(I·J)为计算网格内部点数。

9.如权利要求8所述的基于HASM模型的LiDAR点云数据处理装置，其特征在于，当DTM曲面和DSM曲面的模拟结果满足预设要求，终止迭代具体包括：

当满足不等式约束条件dtm⁽ⁿ⁺¹⁾≤dsm⁽ⁿ⁺¹⁾且满足(abs(dtm⁽ⁿ⁺¹⁾-dtm⁽ⁿ⁾)+abs(dsm⁽ⁿ⁺¹⁾-dsm⁽ⁿ⁾))≤预设阈值时，终止迭代；

其中，n为迭代次数。

10.如权利要求9所述的基于HASM模型的LiDAR点云数据处理装置，其特征在于，采样点和可动态调整。