1、第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展0211001-1研究论文提取桥梁点云的组合滤波算法谷帆1，张长伦1*，郭志光2，王恒友1，何强1，安彤11北京建筑大学北京未来城市设计高精尖创新中心，北京 100044；2中国建筑土木建设有限公司，北京 100071摘要 在土木桥梁施工场景中，点云数据包含大量植被、地面和桥梁建筑点云。现有滤波算法对桥梁建筑的提取完整度仍存在一些问题，因此提出一种基于组合滤波的桥梁点云提取算法。首先，该算法根据植被点云分布发散这一特征运用分散度法对植被进行粗滤除；其次，基于半径滤波与充分利用颜色与高程特征思想进行半径滤波算法的改进，对剩余植被点
2、云进行精细滤除；最后，利用法向滤波模型对地面点云进行滤除。实验结果表明，所提算法提取桥梁点云的完整率为 99.3%，误差为 0.73%，对比现有滤波算法，可更完整地提取桥梁点云，准确率更高。关键词 成像系统；桥梁建筑提取；分散度；半径滤波；法向滤波中图分类号 P2 文献标志码 A DOI：10.3788/LOP212709Combined Filtering Algorithm for Extracting Bridge Point CloudGu Fan1,Zhang Changlun1*,Guo Zhiguang2,Wang Hengyou1,He Qiang1,An Tong11Beij
3、ing Advanced Innovation Center for Future Urban Design,Beijing University of Civil Engineering and Architecture,Beijing 100044,China;2China Construction Civil Engineering Co.,Ltd.,Beijing 100071,ChinaAbstract The point cloud data in the civil bridge construction scene includes a large number of vege
4、tation,ground,and bridge construction point clouds.The extraction integrity of bridge buildings is still an issue for the existing filtering algorithms.This study proposes a bridge point cloud extraction algorithm based on combined filtering.First,the proposed algorithm applies the dispersion method
5、 to coarsely filter the vegetation by the feature of dispersion of vegetation point cloud distribution.Second,the radius filtering algorithm is improved to finely filter the residual vegetation point clouds based on the idea of radius filtering and making full use of color and elevation features.Fin
6、ally,the ground point cloud is filtered using the normal filtering method.The experimental results demonstrate that the proposed algorithm for extracting bridge point clouds has a 99.3%integrity rate and 0.73%error rate.When compared to existing filtering algorithms,the proposed algorithm extracts t
7、he bridge point cloud more completely and accurately.Key words imaging system;bridge building extraction;dispersion;radius filtering;normal filtering1引言随着三维激光扫描技术的飞速发展，利用激光扫描仪可直接快速地获取具有一系列特征的点云数据。在土木施工作业中，激光扫描技术也被大量使用，获取的数据将用于三维建模等。本文基于土木施工工地扫描的点云数据展开对桥梁的提取研究，该数据具有范围广、数据量大、非目标点云分布不规则等特点。因此，需要采用合适的滤波
8、算法对颜色、形状、范围大小各不相同的非目标点进行滤除。当前算法大都基于聚类、统计、起伏变化、密度等特征提取目标点云。陈光洲等1提出一种基于强度信息和地形信息的滤波算法，运用渐进三角网滤波算法设置不同的构网优先级，但算法的计算量较大，并不适用于处理大型点云。陈宇2采用基于高程统计绘制地物点云的高程频率直方图确定植被高程阈值，剔除植被点云，该方法虽易操作，但只适用于较平坦和植被点云高程较为统一的地区。魏硕等3采用基于密度空间收稿日期：2021-10-11；修回日期：2021-11-04；录用日期：2021-11-16；网络首发日期：2021-11-27基金项目：国家自然科学基金（62072024）
9、、北京建筑大学北京未来城市设计高精尖创新中心资助项目（UDC2017033322，UDC2019033324）、北京建筑大学市属高校基本科研业务费专项资金项目（X20084，ZF17061）通信作者：*0211001-2研究论文第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展聚类和统计滤波的点云去噪方法，该方法无法有效地去除距离近且密度大的团状点云。焦亚男等4运用并行的点云去噪方法解决了不同尺度噪声去除困难的问题。曹雄等5提出基于颜色聚类的点云去噪算法，该算法利用色差对点云进行聚类，在每一簇中对噪声进行去除。朱滨等6利用主成分分析法估计样点表面的法线方向，提取建筑物表面，同时
10、植被的边界也会被提取出，但无法明确区分建筑物与植被。毛亚纯等7使用渐进式形态学滤波算法分割地面点与非地面点，但该方法对倾斜地面点云的分割效果不佳。马东岭等8利用高差信息和扫描线方向的二次导数来判断相邻点云是否连续，进而区分建筑物与植被，但粗壮的树干的表面也较为规则、连续，故无法准确区分。余和顺等9针对建筑物提取不完整问题，提出 EXG（过绿指数）模型对植被点云进行滤除，但该颜色模型只适用于颜色区别明显的无人机点云，对颜色特征混合的点云并不适用。陈朋等10提出基于点云均匀度的植被剔除方法，该方法可有效去除分布散乱的点云，但分布密集均匀的非目标点会被错误保留。通过对实际数据进行计算发现上述算法的提
11、取效果并不理想，为此本文提出一种基于组合滤波的桥梁点云提取算法。为有效剔除植被与地面点云，所提算法利用点云的分散度、颜色特征、高程特征和统计特征对植被点云进行滤除，之后进一步分析地面与桥梁点云的分布特征，建立法向滤波模型滤除地面点云，从而更加精确地提取桥梁点云。2算法原理与流程基于组合滤波的桥梁建筑提取流程如图 1 所示。通过观察实验点云数据发现，根据分布特点可分为散乱、线状和面状点云。所提算法先根据点云的分布特点，运用分散度对散乱植被点云进行滤除；其次依据线状植被点云局部邻域点数较少的特点，运用组合半径滤波算法进行滤除，但结果中仍存在少量粗壮树干点云，可应用统计方法对其进行滤除；最后运用法向
12、滤波模型对面状地面点云进行滤除，得到最终的桥梁建筑点云。2.1原始点云的预处理以土木建筑工地扫描的桥梁建筑作为研究对象，由于点云数据巨大，截取部分点云作为实验数据，该点云 数 据 量 是 11804344。实 验 点 云 数 据 最 终 以(x，y，z，R，G，B，I)的格式输出，其中x，y，z表示数据的几何位置信息；R，G，B表示颜色信息；I表示回波强度信息。在处理过程中，利用 Cloud Compare 软件对实验数据进行可视化，如图 2所示。由于扫描设备和环境等多种因素的影响，实验点云中会产生稀疏的离群噪声点11。此时，计算法向量12等局部点云特征时运算复杂，会导致错误的数值，进而影响后
13、期的桥梁建筑提取的准确率。因此，进行滤除植被和地面等非目标点云操作之前，需要对实验点云数据运用统计去噪法去除噪声点。统计去噪的思想是基于 KD-Tree 的k邻域搜索，确定查询点与邻域点的平均距离，再由平均距离的统计特征确定截断阈值，对离群噪声点进行去除。去除噪声后的点云数据的数量是 11256372。效果如图 3和图 4所示。2.2滤除植被点云为了提取完整的桥梁建筑点云，需分析植被点云与桥梁建筑点云的分布差异，依据差异特征滤除非目标点云。图 1桥梁建筑点云提取流程图Fig.1Flow chart of bridge construction point cloud extraction图 2
14、实验点云数据Fig.2Experimental point cloud data0211001-3研究论文第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展2.2.1基于分散度的点云滤波算法桥梁建筑点云分布均匀且邻域的密度相近，而散乱的植被点云具有分布参差、邻域密度差异大13等特点，因此利用分散度信息可以区分桥梁建筑点云与散乱的植被点云10。由于点的密度不同，不同点的局部邻域构成的最大包围体也不同，但必然存在一个能包含该局部邻域的最小包围体，如图 5 所示。基于分散度的点云滤波算法首先构建以点k邻域的最大坐标差为边长的最大包围体和包围该局部点的最小包围体，然后计算体积比来判别植
15、被点。算法具体操作如下：首先，对点云数据构造 KD-Tree，建立点云的拓扑关系，并构建点云中所有点的k邻域；任选其中一个k邻域，计算该邻域x，y，z三个方向上的最大坐标差，以其为边长构建最大包围体，并计算出体积为Vmax；接着计算x，y，z三个方向上的坐标差分别作为最小包围体的长宽高，并计算出体积为Vmin。如图 6所示，植被点云分布发散，Vmin/Vmax较大，占用的空间范围较大，而桥梁建筑点云都集中在一个平面内，Vmin/Vmax较小，分布较均匀。令D为最小包围体与最大包围体的体积之比，根据统计法得到滤除阈值，若D ，则认为该点是植被点，若D T，被标记为植被可疑点，否则为非植被可疑点。
16、至此，全部点云数据都被标记处理。4）根据获取点云中任意球邻域的邻近点，计算邻域点云个数，若邻域点云总个数大于阈值M1或邻域内植被可疑点所占比例小于M2，则被认为是非植被点，予以保留，否则认为是植被点予以滤除。5）重复步骤 1）4），直至点云中的所有点都处理完毕。对滤除后的点云进行整合，得到滤波后的点云，滤除后的点云数据量是 9749609，滤除结果如图 9和图 10所示。改进的半径滤波算法滤除后的剩余点云中只留下了少量粗壮树干点云。沿x轴的方向发现粗壮树干点云稀疏地分布在桥梁建筑的两侧。依据此特点，通过统计单位长度点云数目，计算出相应区间点云的分布概率，确定分割阈值，并由此分割植被点云与桥梁建筑点云，滤除结果如图 11和图 12所示。2.3滤除地面点云经过一系列处理后植被点云已被大量滤除，为准确提取桥梁建筑点云，现需对地面点进行滤除。现有布料模拟滤波（CSF）能有效滤除地面点云，但该算法会将与地面相连的桥墩部分点错误滤除。针对此问题，提出一种法向滤波算法。该算法通过计算地面与桥墩的法向量，将高程与法向信息17相结合滤除地面点云。表 1不同地物红绿蓝波段特征统计值Table 1 Char
