利用KD-树剔除机载雷达点云粗差的方法研究

内容摘要：粗差剔除是机载LiDAR点云数据后处理中的关键步骤之一，它对后续的滤波操作具有重要的影响。但已有的粗差剔除方法存在需要大量人工干预或者普适性差的缺点。本文在使用高程直方图剔除显著的高位、低位粗差基础上，利用KD-树组织机载LiDAR点云数据，通过判断当前点与其k个最邻近点的平均距离的大小来自适应的识别粗差点。

01前言

机载激光雷达（LiDAR）技术是一项能够直接、快速获取地球表面三维空间信息的主动式遥感技术，已经在测绘、林业、电力、海岸线保护等领域得到了广泛的应用。本质上，机载LiDAR获取的原始点云数据反映的是一个区域的数字表面模型（DSM），因为原始点云数据中既包含地面点，又包含树木、建筑物、桥梁、车辆等非地面点（即地物点）；而通常人们需要一个区域的数字高程模型（DEM）。从激光脚点数据点云中提取DEM，需要将其中的地物数据脚点去掉，这就是所谓的LiDAR数据的滤波。滤波及其配套的质量控制是机载LiDAR数据后处理生成DEM过程中最关键、也是最耗费时间的一步，几乎占到了后处理流程时间的60%～80%。为此，研究人员提出了多种滤波方法，如渐进加密不规则三角网法、迭代线性最小二乘内插法、多分辨率分析法等。虽然滤波算法研究较多，但缺乏真正高效、准确、适用性强的算法。产生这种困境的原因是多方面的，但机载LiDAR数据本身的缺陷也是造成这种现状的因素之一。

02粗差成因及分类

机载LiDAR系统在数据采集时，由于激光束可能会打在机载测量平台下正在飞翔的鸟群或其他低空飞行物上，如果误将这些物体反射回来的信号当作被测目标的反射信号记录下来，则会形成明显高于地面和地物的高位粗差。同时，测量过程中，如果激光束打在运动中的车辆、密实的植被、高大建筑物的侧面等物体上时，可能会产生的“多路径”效应，这样会测到一些高程异常点，称为低位粗差；另外，激光测距仪的误差也可能产生低位粗差。高位粗差和低位粗差统称为粗差。另外，按照粗差的密度，又可以分为孤立的粗差和成簇的粗差。

粗差是影响机载LiDAR点云数据滤波效果的关键因素之一，因为目前几乎所有滤波算法都假设激光扫描得到的最低点是足够准确的地面点。如果该局部最低点为粗差点，则很容易将与该粗差点邻近的地面点判别为地物点，会严重地影响一定区域范围内的滤波效果。因此，尽管多数的滤波方法对粗差有一定程度的鲁棒性，但粗差剔除仍是机载LiDAR数据滤波的前提之一。已有的粗差剔除方法往往是针对特定的数据、或者特定的滤波方法所设计的，并不通用；或者需要较多的人工交互和经验参数。可见，机载LiDAR的粗差剔除仍然是一个薄弱环节，亟待研究。因此，本文基于KD-树空间索引方式，提出了一种粗差剔除方法，以剔除孤立的或者成簇的高位粗差、低位粗差或者与地表接近的粗差。

03数据组织

KD-树是BSP树在空间上扩展的空间索引技术，最初是由Bentley在1975年提出的，特别适用于建立空间海量点状目标的空间索引。它本质是一个二叉树，其通过不断地将一空间递归划分为两个子空间实现搜素。KD-树的根结点包含了整个空间，在二维的情况下，整个空间为一个矩形；而在三维情况下，整个空间是一个立方体，本文使用了二维KD-树。

04技术流程

对于孤立的粗差点，其与周边k个最邻近点的平均距离显著的大于一个正确点与周边k个最邻近点的平均距离；

对于成簇的粗差点，假设该簇中有T个粗差点，当k的取值大于T时，则对于该粗差点，其与周边k个最邻近点的平均距离也同样显著的大于一个正确点与周边k个最邻近点的平均距离。

为了度量粗差点与正确点的k个最邻近点的平均距离之间差异的显著性，本文采用了3倍的平均距离的标准差作为阈值，即：求平均距离的平均值M和标准差σ，如果一个点的平均距离值与M的差大于3σ，则认为该平均值对应的LiDAR激光脚点为粗差点。

处理流程

1、通过高程直方图分析来剔除明显的高位粗差和低位粗差。由于部分机载LiDAR点云数据中的粗差呈现出显著的高 于或者低于其他LiDAR点的现象，对于此类粗差可以通过高程直方图分析进行剔除。如果目视分析后，该点云数据中没有明显的高位粗差和低位粗差，此步骤可以省略，直接进入步骤2；
2、建立点云数据的KD树。对于经过直方图分析后保留的点，构造其KD树，转入步骤3；
3、输入k的经验值，并利用已构建的KD树来高效、快速的查找和计算任一一点与其k个最邻近点的平均距离，转入步骤4；
4、求点云数据中所有点平均距离的平均值M及其标准差σ，转入步骤5；
5、依次遍历点云数据中的点，如果该点与其k个最邻近点的平均距离与M的差（注意：差没有取绝对值）大于3σ，则将该点标识为粗差点，并将其从该LiDAR点云数据中予以剔除。上述过程用于孤立粗差的剔除，如果机载LiDAR点云数据中还存在成簇的粗差，则输入新的k值、从步骤2重新开始。