激光雷达点云数据处理的发展趋势

通过激光三维扫描系统可以快速获取大量的距离点数据，被称为点云数据。对点云数据的处理方法很多，典型的处理方法有：

(1)滤波

由于激光雷达点云中既含有地面点又含有非地面点，从中提取数字地面/高程模型(DTM/DEM)，就需要将其中的非地面点去除，这个过程叫做激光雷达点云数据的滤波(龚亮，2011；肖贝，2011；王扶，2011；曹飞飞，2014)。

(2)去噪

去噪是为了去除在真实数据点中混有的不合理的噪声点，以避免重构的曲线、曲面不光滑(冯义从等，2015；张新磊，2009；董明晓等，2004)。

(3)配准

配准是将两个或者两个以上坐标系中的大容量的三维空间数据点集转换到统一坐标系下的数学计算过程(董秀军，2007；李彩林等，2015；王炜辰，2015；袁夏，2006；李贝贝，2013；吕琼琼，2009)。

(4)拼接

由于测量结果是多块具有不同系统参数且存在冗余的点云数据，不能为许多三维重构系统接受，因而必须进行坐标归一化和消除冗余数据的处理。这一过程称为测量数据的重定位，也就是三维数据拼接(吕琼琼，2009；雷家勇，2005；雷玉珍，2013；卿慧玲，2005；赵庆阳，2008)。

(5)三维目标重建

三维目标重建是指对三维物体建立适合计算机表示和处理的数学模型，是在计算机环境下对其进行处理、操作和分析其性质的基础，也是在计算机中建立表达客观世界的虚拟现实的关键技术(熊邦书，2001；焦宏伟，2006，2012；T.T. Nguyen et al.，2011；王晓南，2014)。

在激光三维扫描技术广泛应用的今天，人们对目标的三维高精度数字表面模型(Digital Surface Model，DSM)提出了更高的要求。针对采用不同的点云数据后处理方法得到的目标DSM 有极大区别，越来越多的科研学者投入到对点云数据后处理算法的研究工作中。

1. 国外发展现状

在国际上，激光雷达点云数据处理的发展一直受到重视，发展了大量的算法和方法，概括起来，主要分为以下几个方面。(www.xing528.com)

在目标识别方面：Fehr 等(2016)采用点云顶点、目标RGB 值协方差变化相结合的方法，实现对被测量物体的外形检测和识别；Ochmann 等(2016)利用室内点云数据，实现建筑物内外部之间的关系研究，例如房屋墙壁厚度、房屋面积等；Buscombe(2016)运用光谱信息与高分辩率点云相结合，实现地理空间数据的识别分类处理；Riquelme 等(2015)更是通过对岩体三维点云进行坡度分级(Slope Mass Rating，SMR)处理分析获取三维目标表面坡度大小，并以此实现岩体分类和岩体稳定性预测；Mendez 等(2014)针对落叶乔木点云数据，采用柱面拟合算法进行树木表面三维重建，以此实现区分植被中树叶面积、树冠面积或者从大量点云中辨别森林面积；Gomes 等(2013)提出一种移动中心点云快速识别的方法，该方法使机器人视觉系统模拟人眼视角范围寻找视网膜最中心位置，实现投影点云数据进行目标识别，且通过实验证明该方法较全点云数据识别时间缩减为1/7，正确识别率达到91.6%；Yan 等(2016)针对车载点云在道路三维重建中辨识问题，提出一种算法提取道路两边的路灯或灯塔，首先设置阈值利用自动滤波区初步分地面点和非地面点，然后采用聚类提取出精确非地面点集合，最后根据对提取的路灯区域路面进行填充去除路面空洞，在加拿大多伦多市实验表明，对于5 类路灯和灯塔的正确识别率可达91%。

在数据配准方面：Ge 和Wunderlich(2016)采用非线性高斯-赫尔默特模型(Gauss-Helmert Model)避免出现二次约束最小二乘问题，该模型可以实现不同时刻、不同传感器的数据进行点云配准；Yun 等(2015)对多视角球体点云提出一种改进型数据配准算法，首先在每一个视角点云中找到球体目标的重心位置，然后将多视角间点云相对重心位置做初配准，最后以更加细微的几何形状进行配准和数据拼接；Torabi 等(2015)通过迭代就近点(Iterative Closest Point，ICP)算法进行点云特征点获取，然后利用主成分分析(Principal Component Analysis，PCA)算法获取点云目标正切面，并建立点到正切面之间的一个关系变量，将点云配准问题转换为最优解问题。同时他们将该配准方法用于两不同视角下火车车轮点云数据的配准，然后与经典ICP 算法点云特征点配准进行比较，实验结果表明基于主成分分析的迭代就近点算法有更小的误差及更快的配准速度；Takimoto 等(2015)提出一种改进的三维表面重建算法，主要是利用被测物体遵循的尺度不变特征变换(Scaleinvariant Feature Transform，SIFT)，对经典ICP 算法进行动态修正，避免陷入局部最优解问题；Bosché(2012)提出一种基于机载三维激光点云半自动快速配准算法，将三维点云坐标数据转换为同一视角距离信息，然后当用户在一个视角下点击到任意一配准点时，系统自动提取出所有同等距离点集合，以此来减少配准点云数量，加快点云配准速度。

数据压缩及传输优化方面：Masuda 和He(2015)针对点云的应用提出一种基于线扫描点云的压缩优化算法，同时针对不规则三角网(Triangulated Irregular Network，TIN)数据占用空间较大的问题(占用空间约为点云数据的2 ～3 倍)，提出一种基于车载三维激光扫描点云的即时转换方法，以此减少数据应用传输；Vo(2015)针对点云数据分割，提出一种八叉树区域增长算法，先将点云数据进行最小块粗划分，再对未处理点云根据距离阈值判断是插值还是去除处理，这也是用于点云数据压缩。

误差分析方面：Fana 等(2015)针对目前各厂家对地面三维激光扫描系统(Terrestrial Laser Scanning，TLS)测量误差数据进行实验分析，建立目标测量误差(Target Measurement Error，TME)、配准前目标差异(Post-registration Target Difference，PTD)、目标配准误差(Target Registration Error，TRE) 之间关系，并以此计算建立新的配准误差(Object Registration Error，ORE)标准；Polat 等(2015)针对机载、车载三维激光点云原始数据合成数字高程模型中不同点云密度、精度问题提出利用倒数加权法(Inverse Distance Weighted，IDW)结合邻近点插值法(Natural Neighbor，NN)生成光滑数字高程模型。

2. 国内发展现状

在国内，尽管我们对激光雷达点云数据处理的研究比较晚，但发展很快，也出了大量的算法和方法，概括为以下几个方面。

在数据处理方面：代世威(2013)利用模糊C 均值聚类算法提取目标点云特征，用于点云切割、去噪、标记配准中心点位；徐文学(2011)则提出根据三维激光扫描数据的结构和目标物的几何特点，提出一种基于反射值影像的地面三维激光扫描数据分割方法；焦宏伟(2012)针对激光雷达成像和双电荷耦合原件(Double Charge Coupled Device，DCCD)立体成像的不足，提出将两种三维测量技术进行融合，从而获得高分辨率、高测距精度的三维可视化图像数据；惠增宏(2002)对于常见的点云残缺、漏洞问题提出径向基函数(Radial Basis Function，RBF)人工神经网络算法，对残缺数据进行修复，在对秦始皇兵马俑点云模型修复实验效果较好。

在数据配准方面：彭博(2011)针对不同被测目标提出刚性配准和柔性配准两种模型，以实现多幅点云数据之间配准，经验证该方法对于畸变情况下点云具有较好的配准效果；李彩林等(2015)针对当前多种ICP 配准优化算法的局限性，提出针对多视点、无序点云配准处理算法，不过该算法需要根据经验估计两两点云重叠区域分布，目前处理效率略低；赵煦(2010)提出一种基于邻域平均度量计算网格定点曲率的配准算法，该算法假设配准点云网格面曲率变化在一定范围进行，以实现点云配准自动迭代；王炜辰(2015)则对点云两两配准点中，加入权重数据避免进入局部最优解。

在数据压缩及传输优化方面：卢波(2006)、龚亮(2011)提出一种粒子仿真-随机采样压缩点云简化算法，随机采样减少点云数据量，以粒子仿真确保被测物体外形特征数据点，实现点云特征点无损压缩；张会霞(2010)采用二叉树、四叉树、八叉树建立点云数据索引，实现点云的高效存储，并加快点云读取、处理、可视化速度。

在三维目标重建方面：周华伟(2011)提出采用NURBS(Non-Uniform Rational BSplines)曲面重构算法，处理基于ScanStation2 全站式三维激光扫描仪获取的点云，并以此探讨地面三维激光扫描技术对物质文化遗产的数字化和现代化保护解决新思路；熊邦书(2001)在三维激光点云数据的表面重构方面，提出一种新的三角片法重构表面模型，用相邻两三角边长之差的平方和最小值来确定是否是最优三角片划分。

在数据去噪方面：严剑锋(2014)在假设目标面为曲面的前提下，采用曲面拟合迭代算法实现点云去噪，以实现点云快速噪声处理；曹飞飞(2014)提出一种各向异性且自适应的点云滤波算法，先设定一个邻域集合要求该邻域内的点都是一个投影方向，若不是一个投影方向则缩小邻域区域继续迭代。

除了激光雷达成像仪硬件发展外，LiDAR 点云数据处理得到了迅速地发展，但在一系列的点云数据后处理过程中，还有许多难点尚未得到解决。点云数据滤波是机载激光雷达点云数据处理中最重要的处理过程，是数据后处理的基础步骤。滤波后的结果对点云的分类、分割都是至关重要的，它对后续地物识别以及建筑物三维重建存在很大的影响。点云数据滤波算法现已成为机载激光雷达数据后处理的热点，对点云滤波算法的研究具有很大的应用价值。