稠密的无人机激光雷达点云数据处理与分析方法与工具科普系列（六）

**

06 稠密点云之“喜”

内容摘要：目前，无人机LiDAR硬件系统已经达到了操作简便、价格亲民、数据质量好、平民化的可持续发展阶段，但是无人机LiDAR点云数据处理仍然面临人才短缺、多数软件不给力的窘境。其中，十年树木、百年树人，人才的培养要相对需要更多时间；是不是软件更容易破局呢？我们认为，软件的确是破局的关键，但也存在诸多挑战。过去，整体上而言，无人机LiDAR点云数据处理软件存在工具多、操作步骤繁琐、算法原理复杂、算法普适性有待进一步提高、参数多、严重依赖操作员知识和经验、专业性强等现象，对用户的要求很高，软件的问题反而又反推回人才的问题。如何走出这种纠缠的困境？目前，平民化、无参数化、一键式的稠密无人机LiDAR点云处理与分析软件是当前更容易实现的途径，才是破局的关键。

我们认为，无参数化、一键式、平民化的无人机LiDAR点云处理与分析软件研发需要解决的核心技术问题如下：

**

1、点云数据的组织和管理

海量的点云数据必须依靠高效的空间索引技术。八叉树、四叉树、kd-树、不规则三角网、格网 索引、金字塔，各种高效的空间索引技术必须齐上阵、该谁冲锋谁冲锋、八仙过海各显神通才能有效的组织和管理海量的点云数据。
2、滤波
滤波是一个分离地面点和非地面点的过程，是点云数据处理的基础和必经步骤。目前，基于渐进加密不规则三角网的方法是一种普适性较强的滤波方法，但该方法仍然存在所需大量参数的问题。如何去除渐进加密不规则三角网的方法的参数是一个亟待解决的问题。
3、基于几何形态的点云分类

目前，点、线、面被认为是点云中普遍存在的基本几何形态。但是，基于主成分分析（PCA）特征值法的点度、线度、面度划分方法却面临地物尺寸大小不一、点云密度不均质、识别精度不稳定的难题。有效解决点、线、面的识别问题是实现无参数化点云分类的途径之一。
4、高性能计算
基于CPU、GUP的高性能计算或者云计算也是十分关键的问题，是解决海量数据高效处理的有效途径。
5、行业知识表达与推理
基于样本的机器学习策略严重依赖样本库，在无人机LiDAR点云处理中的泛化性有待进一步提高；而基于结构与关系的推理更适合处理无人机LiDAR点云。我们的研发理念深受国际计算机视觉和人工智能大师朱松纯教授的影响，将行业知识表达为简单的规则，依靠点云本身反应的结构与关系特征开展行业信息的专题提取。
当然，上述分析仅仅是抛砖引玉。条条大道通罗马，每个研发团队有各自的解决之道。我们的研发团队经过长时间努力，克服各种困难，目前在地形测绘、点云（包含电力线路点云）分类、林业资源调查等三个方面实现了无参数化、一键式的无人机LiDAR点云处理与分析，相关工具如图21所示。平民化、无参数化、一键式的无人机LiDAR点云处理与分析可为从业人员提供入门级的服务和帮助。图21展示了无参数化、一键式的精细地形提取工具获取的黄土高原某区域的稠密无人机LiDAR点云的数字高程模型提取效果。


图 20 平民化、无参数化、一键式的无人机LiDAR点云处理与分析工具

（a）河道DEM（顶视图）
（b）丘陵区域DEM（透视图）
图 20 平民化、无参数化、一键式的无人机LiDAR点云处理与分析工具获取的数字高程模型。