一種基于SVM的傾斜攝影測量點云植被檢測方法

王 剛

（廣東省國土資源測繪院，廣州510500）

1 引言

隨著遙感和攝影測量技術的發展，地表植被覆蓋數據的獲取方式逐漸由傳統的地面測繪，發展為基于多光譜遙感影像和激光雷達的植被特征檢測。其中多光譜影像能夠通過植被的光譜特征有效識別植被分布；而激光點云由于其獨特的多次回波特性，能夠準確提取地表植被點云。然而多光譜遙感和激光點云設備較為昂貴，且體積和重量較大，難以掛載到小型無人機上，限制了其在小范圍、低成本項目中的應用。

相比之下，無人機掛載普通可見光鏡頭進行傾斜攝影測量，能夠低成本、高效率的獲取地表三維點云。因此越來越多的學者開始研究可見光點云中的植被檢測方法。Natrajan 等［1］提出了使用卷積神經網絡（Convolutional Neural Network，CNN）和遷移學習方法對植被三維點云進行分類。這種方法能夠有效識別葡萄等農作物，但是容易將苔蘚識別為植被，影響了分類精度。Zhao 等［2］提出了一種基于參考光譜背景去除（Reference Spectral Background Removal，RSBR）的新算法，可以通過去除圖像背景來提取高密度植物區域，然而在植被密度較低的環境里精度不夠理想。Brodu 和Lague［3］設計了針對復雜自然環境的三維點云分類方法，獲得了較高的植被識別精度，但是這種方法需要相當程度的人工干預才能獲取理想的精度。因此，本文以可見光點云的植被特征提取為切入點，提出了一種能夠從傾斜攝影測量點云中有效檢測出植被特征的方法，并通過實驗對本方法的可行性進行了驗證。

2 理論方法

2.1 點云預處理

2.1.1 點云平滑 傾斜攝影測量三維重建過程中，通常會在重疊度較高或具有明顯特征的區域生成大量數據，而在邊緣等重疊度較低或特征不明顯的區域生成較少點云。雖然密集點云包含更多信息，但是大量的點在訓練階段需要更高的處理能力，同時也引入了三維重建過程中的誤差。因此，為了減少分類時的計算量和分類時的誤差，需要對點云進行平滑處理。首先采用基于密度的聚類（DBSCAN）算法對點云進行初步的聚類［4］，然后對每個聚類構造超平面，將與此超平面距離超過閾值的點剔除，從而生成更加平滑和均勻的點云。

2.1.2 數據壓縮 為了減少了機器學習必須處理的信息量，提升處理性能，需要對點云進行壓縮。本文選擇CIR 1991 模型［5］，如式（1）所示對點云的灰度信息進行壓縮。該式根據植被中的顏色分布頻率為每個通道設定了權重，并將其轉換為單一的灰度信息。由于綠色是植被中最常見的顏色，因此綠色通道比紅色通道和藍色通道的權重更大。

隨后，該灰度通道被壓縮成直方圖，用作分類過程中的參數。由于灰度值介于0—255 之間，因此可以通過將灰度值的直方圖估計為八類，每類代表32個灰度值的頻率來實現壓縮。

2.2 植被特征提取

本文采用PFH （Point Feature Histogram，點特征直方圖）描述子進行特征提取，該幾何特征通過使用多維直方圖對點周邊鄰域的平均曲率進行編碼，從而實現中心點鄰域范圍內空間差異的量化［6］。這種高維度特征表達方式不僅具有信息密度高的特點，同時具有平移和縮放不變性，能夠較好的適應不同采樣密度和噪聲的影響。其主要流程如下圖所示：首先對點云進行計算，生成特征向量。然后根據特征向量生成直方圖，最后根據直方圖的匹配情況進行分類。

圖1 PFH特征提取流程圖

圖2 不同地物點直方圖示意

具體計算步驟如下：

（1）對于給定點P，其鄰域空間內有N個相鄰點；

（2）令P1、P2為領域中的任意兩點，其法線向量分別為n1、n2；

（3）在點P1上建立局部坐標系，坐標系的三個單位向量u、v、w依次為

（4）基于已建立的坐標系，可以通過三個角度(α，φ，θ)來計算兩個法線之間的差異，具體如下：

圖3 局部坐標系示意圖

（5）遍歷鄰域中的全部n個點，計算出每兩個點之間的(α，φ，θ)三元角度組，總計得到個三元角度組。三元組中的每個特征值根據經驗拆分為5等分，將其轉換成一個125維的直方圖，其中每一個維度代表了一個角度的取值范圍。則P點的特征即表現為全部三元組分布在每個取值范圍內的頻率統計結果。

（6）不同類型的地物點的PFH 特征之間會有很大的差別，而相似的地物直接則會有接近的直方圖分布。因此我們可以利用這個特征，根據直方圖的相似程度，對點云進行分類。

2.3 分類后處理

完成分類后，根據地面點的顏色和與相鄰植被點之間的距離綜合考慮，找出其中未正確識別出的地面點加以剔除，進一步優化植被點云。具體思路為：當某個植被點與相鄰地面點之間的距離小于地面點之間的平均距離，且該點顏色與最近的植被點聚類的平均顏色差距較大時，則認為該點為地面點，從植被點云中剔除。

3 實驗分析

確定特征描述子后，采用基于支持向量機（SVM）的監督分類方法進行訓練。本文采用大疆精靈4RTK 無人機，在梅州市蕉嶺縣龍潭林場進行了傾斜攝影測量。飛行高度120 m，航向重疊度為80%，旁向重疊度為70%，有效航測面積3.2 km2，采用Mirauge3D 三維建模軟件進行三維重建，生成的點云按照4∶1 的比例拆分為訓練集和測試集［7］。

首先采用商用點云處理軟件LiDAR360 對訓練集進行初步分類，并對自動分類結果進行人工檢查和修改，將點云標識為植被點和地面點兩類作為訓練樣本。然后根據訓練樣本學習后的結果對測試集進行監督分類，得到結果如圖4所示，其中灰色為正確分類的地面點，綠色為正確分類的植被點，紅色為被錯誤分類的植被點，黃色為被錯誤分類的地面點。

圖4 植被檢測結果

分類結果統計如下：

從實驗結果分析來看，本方法具有較高的準確率和召回率，這說明植被檢測的精度是比較高的，能夠將絕大多數植被點提取出來。然而精確率相對不高，說明本方法雖然基本將植被都檢測出來了，但是檢測到的結果中存在一定比例的錯誤結果，將部分非植被點如建筑物、車輛誤認為是植被了。從較高的F1 值來看，總體的植被檢測結果具有較強的健壯性，能夠穩定可靠的檢測出植被點。

相比其他植被檢測方法，高光譜遙感多采用NDVI（歸一化差值植被指數）、RVI（比值植被指數）及SAV（土壤調節植被指數）［8］等植被指數結合支持向量機、決策樹等方法進行植被提取，一般能夠達到77.25%—91.87%的提取精度［8-9］，與本方法對比沒有明顯的精度提升，但是對數據源的要求則高出很多?；贚idar 的植被提取精度雖然精度比較高，可達98.3%［10］甚至更高，但是激光設備昂貴，難以滿足低成本、小型化的項目需求。

表1 分類結果統計表

4 結論

傾斜攝影測量獲取的三維點云由于可見光無法穿透植被的原因，無法利用多次回波的方式來檢測植被；同時由于缺乏近紅外光譜數據，難以通過NDVI 等方法進行植被檢測。因此本文工作旨在通過傾斜三維點云中包含的幾何特征和可見光信息來提取植被特征。首先對數據進行預處理，通過聚類至超平面的距離閾值對點云進行平滑，然后對點云光譜信息進行壓縮，減少數據處理量；接著通過PFH 特征描述子進行特征提取，將植被典型特征描述為直方圖；然后根據直方圖匹配對植被點進行分類，分類后根據色彩和距離進一步對分類結果進一步過濾；最后采用基于SVM 的監督分類方法進行訓練和分類。

總的來說，本方法只需要通過無人機掛載光學相機進行傾斜攝影測量，即可從三維重建獲取的點云中提取出植被特征，在人工構筑物較少的區域具有比較高的精度，具有一定實際應用價值。