【關(guan) 鍵詞】激光掃描儀(yi) ；組合對地觀測；新4D產(chan) 品；實景模型；三維DLG

從(cong) 20世紀90年代開始，機載激光掃描儀(yi) 開始在國際上嶄露頭角，出現在林業(ye) 、地形測繪、工程測量等領域。機載激光雷達(Light Detection And Ranging，簡稱LiDAR)是一種精度高、耗時少、成本低的新型航空遙感傳(chuan) 感器，由激光掃描儀(yi) 、全球定位係統(GPS)和慣性導航設備(IMU)3部分組成，可以直接快速地獲取地球表麵的三維空間信息。

確切來講，最初機載LiDAR係統在測繪中的應用僅(jin) 限於(yu) 製作高精度數字高程模型，因此，如何針對激光點雲(yun) 進行地麵點與(yu) 非地麵點精確二義(yi) 分類，就在相當長一段時間內(nei) 成為(wei) 該領域的研究熱點。但隨著激光掃描儀(yi) 硬件係統技術指標的升級，以及載荷平台的多樣化發展，人們(men) 開始著手考慮將激光掃描儀(yi) 與(yu) 其他類傳(chuan) 感器進行集成，實現組合對地觀測應用。如：①電力線路安全巡檢不僅(jin) 需要獲取電力線路走廊幾何位置信息，而且需要對電力線的異常發熱區域進行探測，還需對絕緣子放電異常進行有效診斷，因此，電力線路巡檢傳(chuan) 感器平台可能需要同時集成可見光數碼相機、激光掃描儀(yi) 、熱紅外相機、紫外相機等多種傳(chuan) 感器；②森林火災應急測繪為(wei) 了能對災情進行定量、合理的評估，則同時需要集成熱紅外相機以及高分辨率可見光數碼相機；③在林業(ye) 遙感應用中，多采用LiDAR波形特征提取生物量信息，而同時需借助可見光或近紅外光譜數據提取樹木分類信息等；④在日益增長的精細三維建模應用中，依靠高密度激光雷達點雲(yun) 獲取實體(ti) 幾何結構信息，而光學數碼相機則能較好地獲取實體(ti) 表麵紋理信息，因此，滿足該項應用需求至少需集成激光雷達掃描儀(yi) 與(yu) 多視角可見光數碼相機等。

鑒於(yu) 激光雷達點雲(yun) 與(yu) 影像所獲取的空間地理信息數據能廣泛地作為(wei) 其他行業(ye) 應用的基礎性、框架性數據支撐。因此，通過從(cong) 各式各樣的行業(ye) 應用中凝練出激光雷達點雲(yun) 與(yu) 影像聯合測圖所涉及的通用技術方法是非常必要的。論文重點從(cong) 通用數據後處理技術與(yu) 新4D產(chan) 品體(ti) 係建設等兩(liang) 個(ge) 共性方麵進行闡述，以期對激光掃描軟硬件係統在相關(guan) 行業(ye) 應用推廣中具有一定參考意義(yi) 。

1　點雲(yun) 與(yu) 影像聯合測圖進展

從(cong) 數據處理流程角度來講，點雲(yun) 與(yu) 影像聯合製圖技術，主要包含3個(ge) 核心部分，即：點雲(yun) 數據獲取係統的集成檢校與(yu) 數據配準技術、點雲(yun) 分類與(yu) 濾波技術，以及精細建模與(yu) 矢量製圖技術，具體(ti) 闡述如下：

1.1 集成檢校與(yu) 數據配準技術

機載LiDAR係統工作時，由POS係統提供激光掃描儀(yi) 的實時位置和姿態數據，結合激光掃描儀(yi) 激光束的角度和測距信息計算地麵點的物方三維坐標。其中，由激光掃描儀(yi) 坐標係到POS係統坐標係之間的轉換需要獲得激光掃描儀(yi) 與(yu) POS係統之間的安置參數，包括偏心分量和安置角。隨著設備的長期使用，安置參數會(hui) 發生變化，因此需要對其進行檢校。傳(chuan) 統的檢校方式是，在多條帶的LiDAR點雲(yun) 覆蓋範圍內(nei) 人工測量若幹地麵控製點，然後經過條帶平差計算檢校參數。在缺乏控製點時，可根據多條帶點雲(yun) 數據之間提取並匹配的平麵特征建立平差檢校模型，計算檢校參數。在係統搭載數碼相機時，數碼相機與(yu) POS係統之間的安置參數檢校可采用航空影像自檢校區域網平差的方式計算。

機載LiDAR點雲(yun) 數據與(yu) 航空影像的集成應用中，需要解決(jue) 多條帶機載LiDAR點雲(yun) 之間的配準問題，以及機載LiDAR點雲(yun) 與(yu) 航空影像之間的配準問題。若係統原始觀測值（POS航跡、激光掃描儀(yi) 測距和測角數據、激光點和影像獲取時刻等）已知，通過係統檢校可解決(jue) 配準問題；反之，需要采用數據驅動的方法解決(jue) 配準問題。

機載LiDAR點雲(yun) 條帶之間配準（成為(wei) LiDAR條帶平差），通常采用旋轉和平移6參數剛體(ti) 變換模型表達點雲(yun) 條帶之間的坐標變換，有時也加上尺度參數。LiDAR條帶平差的核心是點雲(yun) 條帶間連接基元的獲取。如采用三維最鄰近點的迭代最鄰近點(Iterative ClosestPoint, ICP)配準算法，最小法向距離的配準算法，最小高程差的配準算法，基於(yu) 平麵特征的配準方法以及基於(yu) 表麵匹配的配準方法。其中最小高程法無法處理平麵坐標誤差，基於(yu) 平麵特征的方法隻適合於(yu) 城市地區，其他方法的適應性較強。當前的大多數條帶平差方法都需要較好的初值，不過由於(yu) 機載LiDAR點雲(yun) 條帶本身的坐標誤差不大，良好的初值常常很容易獲得。

LiDAR點雲(yun) 與(yu) 光學影像之間的配準，主要有兩(liang) 類方法：基於(yu) 特征的配準和基於(yu) 點雲(yun) 的配準。基於(yu) 特征的配準方法有多種，主要是通過在LiDAR點雲(yun) 與(yu) 光學影像間人工或自動匹配同名點、同名線特征進行配準，采用的配準模型主要是共線、共麵方程等。在LiDAR點雲(yun) 中提取點、線特征可以基於(yu) LiDAR強度圖、LiDAR距離圖或離散LiDAR點雲(yun) ，同名特征的匹配測度主要有互信息、相關(guan) 係數及直線間距離等。基於(yu) 點雲(yun) 的配準首先由光學影像密集匹配生成離散點雲(yun) ，然後采用點雲(yun) 與(yu) 點雲(yun) 匹配的方法實現激光點雲(yun) 與(yu) 影像匹配點雲(yun) 的，從(cong) 而通過約束修改光學影像的方位元素實現兩(liang) 者的配準，或者直接采用影像空三加密點結合法向量約束實現光學影像與(yu) 點雲(yun) 的配準等。總體(ti) 來說，由於(yu) LiDAR點雲(yun) 與(yu) 光學影像為(wei) 異源數據，目前對於(yu) 兩(liang) 者配準方麵的研究仍將集中在對同名特征匹配困難、需要較好的初值等問題的解決(jue) 方麵。

1.2 高質量濾波與(yu) 分類技術

基於(yu) 點雲(yun) 的地物自動提取方麵(或分類)具有代表性的方法有：Peter Axelsson采用最小描述長度(Minimum Description Length，MDL)準則對地物進行分類，分類結果僅(jin) 以離散麵片形式進行表達並交由後續建模軟件進行處理；也有學者分別在原始點雲(yun) 上提取建築物，或結合點雲(yun) 與(yu) 光譜影像提取建築物或樹木；也有學者嚐試基於(yu) 高程紋理圖像將地麵、建築物及樹木進行分類，或是將點雲(yun) 與(yu) 高光譜影像結合提取建築、樹木與(yu) 草坪區域。

盡管國內(nei) 外學者針對點雲(yun) 信息提取這一問題不斷提出各種各樣的新方法，但是全自動地物提取仍是該領域的一個(ge) 公共難題，需後續研究更可靠、更智能、更高效的處理方法。基於(yu) 點雲(yun) 數據的智能信息提取方法正逐漸朝著多源數據融合的方向發展，如以高光譜影像數據輔助建築物提取、獨立樹建模等，以及利用現有的基礎地理信息數據，如DLG (Digital Line Graph)輔助進行城市道路、綠地等專(zhuan) 題信息提取等。

點雲(yun) 濾波方麵具有代表性的算法大概分3類：①以形態學為(wei) 基礎的濾波算法，該類算法通過定義(yi) 一係列形態學算子進行地麵點和非地麵點分離；②以點雲(yun) 平差為(wei) 基礎的線性預測濾波算法，並在Inpho公司進行產(chan) 品化。其基本思想是：通過計算每個(ge) 高程點與(yu) 預測趨勢麵的殘差，估計每個(ge) 點的內(nei) 插權重，通過權重的改變自動分離地麵點與(yu) 非地麵點；③以不規則三角網為(wei) 基礎的漸進加密算法，該算法以內(nei) 插三角網為(wei) 濾波基礎，根據一定閾值條件自動剔除非地麵點，某個(ge) 版本已在TerraScan中產(chan) 品化。另外，還有一些其他針對具體(ti) 地形的濾波算法就不再逐一列舉(ju) 。

從(cong) 總體(ti) 來看，形態學濾波算法比較適合場景較為(wei) 簡單的城市區域，較少應用在地貌信息複雜的山區，線性預測方法計算量較大，並且沒有針對地形特征變化進行內(nei) 插權重的自適應調整，而三角網算法也存在較為(wei) 明顯的缺陷，即：當初始地麵三角網與(yu) 地形特征相差較大時，濾波質量顯著降低，相應地，其他算法也隻適應有限的地形條件。同時，ISPRS (International Society for Photogrammetry and Remote Sensing)組織學者對各類濾波算法進行比較研究，認為(wei) ：大多數濾波算法針對特定地形可以取得良好結果，沒有哪一種算法適合各種地形條件，並指出未來的濾波算法需要融合多元數據分析，分類識別等輔助手段。因此，針對不同的地形條件，相應地調整濾波策略，並輔助有效的分類知識，將會(hui) 成為(wei) 未來點雲(yun) 濾波研究的重要發展方向。

1.3 精細建模與(yu) 矢量測圖技術

采用單一三維離散點雲(yun) 數據生成精細化網格模型起源於(yu) 逆向工程領域，算法後續的繁榮體(ti) 現在機器視覺與(yu) 計算機視覺這兩(liang) 個(ge) 學科分支中的三維場景曲麵重構理論。在逆向工程領域，由著名的Crust理論證明可知，離散點雲(yun) 能否恢複表麵幾何拓撲重構：最關(guan) 鍵影響因子在於(yu) 點雲(yun) 的局部采樣間隔，並總結推導出能滿足拓撲重構的最大采樣間隔公式。該項定理也從(cong) 理論上總結或指導了許多三維表麵重構方法的探索思路，最常見的方法包括：帶約束條件的Delaunay表麵重構、基於(yu) 局部法向投影的增量三角重構以及Marching Cube等重建算法等。

從(cong) 商業(ye) 軟件精細建模結果來推斷，目前國際上大致分為(wei) 三類：第一類是以擬合重建為(wei) 主導的泊鬆重建理論（Poisson Reconstruction Method, PRM）：如著名逆向工程領域的Polyworks、Geomagic studio，計算機視覺領域的pix4d等這類軟件的模型構建都是采用PRM方式；第二類是以馬克科夫隨機場框架(Markov RandomField ,MRF)為(wei) 基礎的三維Delaunay重建理論，如法國的Acute3d，PixelFactory等，這類軟件所構建的模型比較精致，沒有節點內(nei) 插擬合誤差的引入；最後第三類則是還停留在針對地形地表建模的地圖生產(chan) 類軟件，如國際上大部分的機載LiDAR軟件，以及國產(chan) 攝影測量軟件係統等。其共同特點是構建簡單的平麵三角網格，然後為(wei) 每一個(ge) 節點附上高程屬性值即可滿足大部分生產(chan) 製圖需求。

矢量化測圖是一類典型結構化信息提取技術，攝影測量軟件多采用立體(ti) 模式下交互式量測方法，即：左右立體(ti) 影像對量測同名像點，再通過空間前方交會(hui) 或是三角化算法實時計算三維點坐標，最後輔助簡單的矢量編輯與(yu) 符號化工具獲取地形圖，如德國Inpho，美國SSK、國產(chan) VirtuoZo、JX4/5等；另外還有一類機載LiDAR測圖軟件係統則直接在三維點雲(yun) 環境中，以高程、強度以及紋理色彩等輔助信息判讀地物輪廓，再進行矢量線劃圖采集與(yu) 編輯。值得指出的是，該類軟件一般要在AutoCAD或MicroStation等矢量編輯平台環境下進行二次開發而成。

總體(ti) 來講，用於(yu) 生產(chan) 不同用途模型產(chan) 品的精細建模技術與(yu) 矢量測圖技術，不能簡單用技術先進性指標來衡量比較：精細建模技術主要考慮的是模型完整性保持、建模效率、模型有效簡化等工作內(nei) 容；而矢量建模技術則主要考慮利用自動化方法識別大部分強特征地物，開發更為(wei) 友好的半自動建模軟件實現等。

2　點雲(yun) 與(yu) 影像聯合測圖趨勢

2.1 數據質量方麵

隨著硬件平台與(yu) 傳(chuan) 感器的高速發展，獲取高質量的離散三維點雲(yun) 或是高分辨率光學數碼影像已屬於(yu) 普遍現象。近年來，由於(yu) 無人機平台在專(zhuan) 業(ye) 或消費領域的普及性應用，催生該項技術的快速成熟。一方麵單一掃描儀(yi) 獲取的數據質量在逐步提高：據最新報道無人機搭載機載LiDAR掃描儀(yi) ，能獲取的最大點陣密度能達到近千點/m²，其獲取地表物體(ti) 的結構完整性也非常良好；另一方麵是通過不同傳(chuan) 感器的數據融合提升數據質量：①由於(yu) 機載LiDAR係統所獲取數據主要集中在物體(ti) 頂部區域，車載LiDAR係統獲取建築物側(ce) 麵點雲(yun) ，兩(liang) 者幾何配準後能獲得相對全麵的表麵點雲(yun) 數據；②在機載LiDAR點雲(yun) 的引導下，先通過對同步或異步獲取的光譜影像進行精確配準，進而采用局部稠密匹配來獲得更高質量的表麵點雲(yun) 。

總體(ti) 來看，點雲(yun) 數據的密度方麵還能進一步獲得突破，甚至達到或超過光學影像分辨率，達到亞(ya) 厘米級；而完整性方麵，鑒於(yu) 主動傳(chuan) 感器的波譜反射特性，地物表麵的點雲(yun) 難免出現數據丟(diu) 失現象，本文認為(wei) 通過光學影像稠密匹配結果進行有效修補方式將會(hui) 更為(wei) 有效，成本也相對低廉，是值得學者進一步鑽研的課題方向之一。

2.2 自動目標識別分類方麵

多年來，在測繪領域自動目標識別研究一直是局限在衛星遙感光譜影像像素分類方麵，因此也出現了一批優(you) 秀的軟件係統，如美國Erdas、ENVI、加拿大PCI、德國eCognition等係統。但由於(yu) 同物異譜，異物同譜現象的普遍性導致僅(jin) 僅(jin) 依賴單一來源的像素灰度信息獲取滿意的目標識別效果非常困難。另外，光譜信息不能直接反映地物的空間屬性，單一灰度一致性也難以直接恢複物體(ti) 的輪廓信息。因此，本文從(cong) 以下幾個(ge) 方麵來建議點雲(yun) 與(yu) 影像目標識別分類方法的趨勢：

1）確立稠密點雲(yun) 在目標識別中的重要位置，光譜數據主要作為(wei) 色彩、紋理等輔助信息占據較小的比重；

2）結合已有的基礎地理信息數據庫，對現有林區、城市等複雜地形區域的點雲(yun) 分類結果進行控製約束或定向優(you) 化；

3）加大基礎學科開源算法庫的引入，采用機器學習(xi) 的方式對地形環境或目標特征進行訓練，在分類過程中不斷調整針對待識別目標的抽象條件以達到最優(you) 識別效果。若希望采用非監督分類模式，應著力加大知識樣本庫的建立工作，該數據庫健全程度應是影響全自動識別算法執行的首要因素。

關(guan) 於(yu) 前沿的無人駕駛汽車，值得指出的是：目前國外Google公司與(yu) 國內(nei) 百度公司已先後推出準實用化的無人駕駛汽車。無疑這項工作是人工智能成功應用的典型案例，增強了人工智能領域科研人員的信心。但從(cong) 技術角度討論，無人駕駛汽車主體(ti) 識別工作在於(yu) 障礙物的實時檢測、各類特征明確的已知交通標誌的動態識別，以及已知道路中心線準確坐標後的路麵識別等方麵。這與(yu) 實現目標區域的全要素地物識別之間差距還是非常大。總體(ti) 來看，全要素全自動目標識別係統建設是一項非常具有挑戰性的工作，研究人員務必立足行業(ye) 需求，全麵整合全球最先進的知識係統、最寶貴智力資源進行聯合攻關(guan) ，方能再有所突破。

2.3 新產(chan) 品體(ti) 係建設方麵

在數字攝影測量製圖曆史上，以數字高程模型、數字正射影像、數字線劃圖、數字柵格地圖等為(wei) 主導的4D產(chan) 品，長期作為(wei) 定型的基礎測繪地理信息產(chan) 品為(wei) 行業(ye) 大眾(zhong) 所認同。但隨著測繪遙感技術的發展，如激光雷達技術、傾(qing) 斜攝影測量技術(一種近景攝影測量模式在航空中的複製，由於(yu) 數據采集相對規則，其處理難度遠小於(yu) 近景攝影數據)等新型遙感技術的進步，催生出新的產(chan) 品類型需求，需要布局新的產(chan) 品體(ti) 係建設。本文立足於(yu) 機載激光雷達與(yu) 光學影像聯合測圖技術研究經驗，對新產(chan) 品體(ti) 係進行理論上的梳理，以期對新產(chan) 品體(ti) 係建設具備一定借鑒意義(yi) ：

1）數字表麵模型(Digital Surface Model，DSM)產(chan) 品製作工藝規範與(yu) 產(chan) 品定型工作迫在眉睫。從(cong) 製作工藝來講，激光掃描儀(yi) 是一種能直接獲取三維表麵信息的新型傳(chuan) 感器，而傾(qing) 斜攝影測量則是一種多角度航空攝影作業(ye) 方式，後續再通過立體(ti) 視覺手段進行場景重構。前者場景重構速度塊，但目前成本較高，非專(zhuan) 業(ye) 領域推廣普及還比較困難；後者成本較低、宜於(yu) 推廣，但需要較為(wei) 複雜的算法計算來保證場景重構的可用性，時效性稍有不足。兩(liang) 者的共同特點是都能構建複雜場景的精細三維模型，即目前行業(ye) 大眾(zhong) 所熟知的三維實景建模。另外，從(cong) 產(chan) 品定型來講，數字表麵模型記錄的是空間物體(ti) 表麵真實三維信息的數據集，其本身具備滿足航路規劃、三維導航、資源普查等功能需求，同時也是一切後續4D產(chan) 品生產(chan) 的基本源數據。

綜上，從(cong) 產(chan) 品技術角度討論，今後相當長一段時間與(yu) 數字表麵模型相關(guan) 主要研究工作將會(hui) 聚焦在海量網格模型高效率高保真簡化、多時相海量模型的數據分布式存儲(chu) 管理與(yu) 網絡傳(chuan) 輸、海量模型數據的高逼真可視化等方麵；從(cong) 產(chan) 品屬性討論，針對數字表麵模型的生產(chan) 工藝進行規範化，並逐步提升該類產(chan) 品在國家基礎數據層麵的重要性已十分必要，至少應重新定義(yi) 新的4D產(chan) 品體(ti) 係，以滿足行業(ye) 技術進步要求。

2）結構化信息提取與(yu) 三維DLG產(chan) 品。與(yu) 結構化後的矢量模型數據比較，無論采用何種算法進行模型簡化，以網格方式進行表達的DSM產(chan) 品數據量都非常龐大。因此，對模型數據進行結構化信息提取，是今後重要的研發工作，其研究內(nei) 容至少包括模式識別、計算機圖形學、數據庫管理等交叉學科知識。

另外，關(guan) 於(yu) 三維DLG，盡管目前業(ye) 內(nei) 還沒有明確定義(yi) ，但論文認為(wei) 應遵從(cong) 以下兩(liang) 個(ge) 原則：①三維DLG完全涵蓋二維DLG的表現內(nei) 容，通過簡單的視圖轉換與(yu) 打印便能生產(chan) 傳(chuan) 統二維DLG；②三維DLG應涵蓋三維實體(ti) 模型的骨架內(nei) 容，因此需要存儲(chu) 更多的地物側(ce) 麵坐標信息，能通過簡單的拓撲重構(有限元剖分)與(yu) 視圖轉換便能生成普通的3D模型，但較傳(chuan) 統3D模型占有更小的存儲(chu) 空間與(yu) 複雜度，更利於(yu) 國家或地區進行基礎測繪產(chan) 品入庫存檔等。

概括來講，本文認為(wei) 目前數字表麵模型應被逐步提升到國家基礎測繪產(chan) 品這一戰略高度上來，與(yu) 數字高程模型、數字正射影像、數字線劃圖共同組成新的4D產(chan) 品體(ti) 係；建議重新拓展數字線劃圖的概念，使得傳(chuan) 統線劃圖與(yu) 三維實體(ti) 模型能有效統一，能直接滿足地表實體(ti) 的數字化構建、表達、傳(chuan) 輸等應用需求。

3　結束語

本文針對機載激光雷達點雲(yun) 與(yu) 影像聯合測圖幾類通用技術進展展開討論，並對未來的技術發展趨勢和新的產(chan) 品體(ti) 係建設需求進行簡要分析，具體(ti) 總結如下：

1）從(cong) 傳(chuan) 感器集成檢校與(yu) 數據配準技術、高質量濾波與(yu) 分類技術，以及精細建模與(yu) 矢量測圖技術等3個(ge) 方麵對機載激光雷達點雲(yun) 與(yu) 影像聯合測圖通用技術現狀進行描述，並簡要指出現有方法所存在的不足；

2）在激光點雲(yun) 數據處理方麵，從(cong) 點雲(yun) 數據質量、自動點雲(yun) 目標分類等方麵討論了未來點雲(yun) 數據後處理的優(you) 勢與(yu) 趨勢；

3）在產(chan) 品體(ti) 係構建方麵，論文圍繞DSM為(wei) 核心提出建設新4D產(chan) 品體(ti) 係的構想，隨後初步給出三維DLG的概念，以期統一現有的數字線劃圖與(yu) 三維單體(ti) 模型數據類型，成為(wei) 未來主流的結構化數據表述形式。