《IEEE Access》：Enhanced Multilevel Ground Segmentation for 3-D LiDAR Point Clouds Based on Shape Analysis
编辑推荐：
传统的大规模三维激光探测与测距（LiDAR）点云地面滤波方法，在输电走廊场景中常常对复杂地形及非地面干扰表现出适应性不足，因此难以获得稳定且精确的地面分割结果。为解决该问题，本文提出了一种面向输电走廊点云的增强型多层级地面分割方法。该方法首先利用基于网格的最小
传统的大规模三维激光探测与测距（LiDAR）点云地面滤波方法，在输电走廊场景中常常对复杂地形及非地面干扰表现出适应性不足，因此难以获得稳定且精确的地面分割结果。为解决该问题，本文提出了一种面向输电走廊点云的增强型多层级地面分割方法。该方法首先利用基于网格的最小高程采样构建初始候选地面点集，随后通过局部主成分分析（PCA）与平面性判据筛选可靠地面种子点，继而结合二维高斯过程回归（2D GPR）与基于连通性的细化策略，实现连续且空间一致的地面提取。在两个真实输电走廊场景上的实验结果表明，包括一个相对平坦场景和一个山地场景在内，所提出方法在对比方法中取得了最低总误差与最高 Kappa 系数。在场景 1 中，其 I 类误差为 4.8%，II 类误差为 0.3%，总误差为 1.7%，Kappa 系数为 96.6%；在场景 2 中，相应指标分别为 9.9%、1.6%、4.4% 和 90.0%。这些结果表明，所提出方法在复杂输电走廊环境中能够更有效地保留有效地面点，同时抑制非地面干扰。
该文发表于《IEEE Access》。研究聚焦于输电走廊三维激光雷达（LiDAR）点云中的地面分割问题。此类场景通常同时包含地形点、植被、杆塔、导线、道路及其他地上目标，且在山地与植被茂密区域常伴随地形起伏、遮挡、采样密度不均与数据规模巨大等特征，导致地面点提取成为后续数字地形建模、走廊安全评估与工程决策中的关键预处理环节。现有地面滤波方法虽然已较为丰富，但监督方法高度依赖高质量标注数据，代价较高；非监督方法中的渐进形态学滤波（PMF）、布料模拟滤波（CSF）、平面拟合滤波（PFF）及基于形状分析的多层级地面分割（MGS）等方法，在输电走廊场景中仍面临局部地形适应性不足、复杂非地面结构抑制不充分或计算代价偏高等问题。因此，开展一种兼顾局部几何适应性、分割精度与实际计算效率的改进方法具有明确必要性。
研究人员在原始 MGS 框架基础上提出增强型多层级地面分割方法，不再依赖对完整点云进行全局主成分分析（PCA），而是将基于网格的最小高程采样、局部 PCA 地面种子细化、二维高斯过程回归（2D GPR）地表建模以及连通性后处理加以组合，用以提升局部地形适应能力并降低不必要的前期处理负担。实验采用两个真实输电走廊场景进行验证，分别为相对平坦场景 S1 与山地场景 S2，参考真值由原始点云经 CloudCompare 初步分离后再人工精修获得。结果表明，所提方法在两个场景中均取得所有对比方法中的最低总误差和最高 Kappa 系数；同时，相较 MGS，该方法在代表性场景上的运行时间降低 29.26%，显示出更优的精度—效率平衡。这说明该方法在复杂输电走廊环境中具有较强应用潜力。
方法上，研究人员首先对原始点云实施体素网格下采样，最终统一采用 0.3 m 体素尺寸；随后以网格分辨率 r=2 提取各网格最小高程点构成初始候选集，再以 K=20 的局部邻域执行 PCA，并依据平面性指标 Π=0.6 细化地面种子；继而采用二维高斯过程回归（2D GPR）进行地形表面拟合，并结合高程残差阈值 h
thresh=0.8、最小连通距离 d
min=0.5 与最小聚类规模 n
min=1000 完成后处理；最终通过混淆矩阵、I 类误差、II 类误差、总误差与 Kappa 系数开展评估。样本来源为两个真实输电走廊 LiDAR 场景。
以下为论文结果部分的凝练解读。
“Test Scenes”：研究人员构建了两个具有代表性的真实场景。S1 为约 40,000 m
2 的相对平坦输电走廊，地面高差约 0–10 m，包含植被、输电塔与架空线；S2 为约 24,000 m
2 的山地输电走廊，地面高差约 0–30 m，除植被、输电塔与架空线外还包含桥墩，非地面目标几何复杂性更高。该设计保证了方法在不同地形起伏条件下的可检验性。
“Preprocessing”：考虑到原始点云规模巨大，研究人员在全部对比实验前进行体素下采样，以兼顾地形形态保真与计算可行性。敏感性分析表明，体素尺寸从 0.2 m 增至 0.3 m 时，运行时间明显下降而 Kappa 系数仅轻微损失；超过 0.3 m 后，精度下降加剧，因此后续实验统一采用 0.3 m。该步骤为各方法建立了公平一致的输入基础。
“Parameter Sensitivity Analysis”：研究人员以两场景平均 Kappa 系数为标准，采用单因素分析优化参数。结果显示，网格尺寸 r 过小会保留过多局部波动，过大则削弱局部地形描述，r=2 最优；邻域大小 K 在局部稳定性与结构区分能力之间需要折中，K=20 最佳；平面性阈值 Π 过低易引入非地面点，过高则可能排除坡地真实地面点，Π=0.6 最合适；高程残差阈值 h
thresh 需在容纳自然起伏与抑制误分之间取得平衡，h
thresh=0.8 最优；连通性参数 d
min=0.5 与 n
min=1000 分别在保持地面区域连续性和去除孤立误检方面表现最佳。由此形成了较均衡的最终参数组合。
“Accuracy Evaluation”：研究人员基于混淆矩阵定义 I 类误差、II 类误差、总误差与 Kappa 系数，对所提方法与 MGS、PMF、CSF、PFF 进行系统比较。定性结果显示，在较易处理的 S1 中，各方法总体表现尚可，但 MGS 与 PFF 在开阔地、地形过渡区及道路邻近区域出现明显过滤；PMF 与 CSF 虽较稳定，但在植被边界和局部复杂地表仍存在零散错误；所提方法的红蓝误差点最少，错误主要局限于边界。于地形起伏更大的 S2 中，各方法差异进一步扩大，MGS 与 PFF 在山地表面出现大范围 I 类误差，PMF 与 CSF 在陡坡和目标边界也表现出真实地面点漏分，而所提方法与参考真值最为接近，表明其在复杂地形中更能平衡漏分与误分。
“Quantitative accuracy comparison of different methods on Scene 1”：在 S1 中，所提方法获得 I 类误差 4.8%、II 类误差 0.3%、总误差 1.7%、Kappa 系数 96.6%，综合性能最佳。尽管其 II 类误差并非所有方法中最低，但其 I 类误差和总误差最低，说明该方法更善于保留真实地面点，同时有效抑制非地面干扰。PMF 与 CSF 的 Kappa 系数分别为 95.6% 和 95.2%，表现接近但地面保留能力略逊。MGS 的 II 类误差较低而 I 类误差高达 20.3%，体现出明显过于保守的过滤倾向。PFF 则表现最差，说明单一平面假设难以适应输电走廊地形变化。
“Quantitative accuracy comparison of different methods on Scene 2”：在更复杂的 S2 中，所有方法精度均较 S1 下降，但所提方法依然最优，其 I 类误差为 9.9%、II 类误差为 1.6%、总误差为 4.4%、Kappa 系数为 90.0%。PMF 和 CSF 仍是较强基线，但在强起伏区与复杂结构干扰下更易漏分真实地面点。MGS 的 I 类误差升至 30.0%，Kappa 系数降至 72.0%，说明全局 PCA 特征建模在复杂地形中难以维持足够的局部适应性。PFF 依旧最不适合该类数据。
“Computational Efficiency Analysis”：在以 S1 为基准的效率分析中，所提方法总运行时间为 312.435 s，MGS 为 441.670 s，前者较后者降低 29.26%。尽管所提方法并非绝对最快，但相对于 MGS，其在明显降低 I 类误差、II 类误差和总误差的同时，还将 Kappa 系数由 0.8366 提升至 0.9663，体现出更佳的综合实用性。分阶段分析表明，新增的网格最小高程候选提取几乎不增加额外负担，主要加速来源于局部 PCA 阶段，因为候选点集规模被显著压缩。下采样后 S1 含 2,221,024 个点，经最小高程提取后减至 633,799 个候选点，再经局部 PCA 细化后保留 390,982 个地面种子点进入 2D GPR 阶段，即仅有 17.60% 的下采样点参与后续地形建模。该渐进式缩减是降低前处理成本的关键原因。但同时，2D GPR 仍是主要时间瓶颈。
“Robustness and Limitations Discussion”：研究人员指出，所提方法在平坦与山地输电走廊场景中均表现出较强鲁棒性，并对不同保留点密度条件具有一定稳定性，在体素尺寸 0.2–0.3 m 范围内精度变化较小。与 MGS 相比，该方法减轻了全局 PCA 带来的过滤问题；与 PMF、CSF 相比，在起伏地形与复杂局部结构中能保留更多有效地面点。然而论文也明确指出其局限性：2D GPR 地形建模阶段仍占据较大计算开销；当前验证仅基于两个输电走廊场景，尚不足以扩展至所有 LiDAR 环境；在极陡地形、严重稀疏区域及低矮且局部近平面的植被覆盖区，真地面与非地面之间的区分仍可能变得困难。
综合讨论可见，本文的核心贡献并不在于完全重构 MGS，而在于针对输电走廊这一高复杂度应用场景，对其初始候选构建与种子筛选流程进行局部化、轻量化和适应性增强。基于网格的最小高程采样使候选集更聚焦于潜在地面区域，局部 PCA 平面性约束进一步提高了种子纯度，随后通过 2D GPR 构建连续地形表面，并辅以连通性后处理修正离散错误。由此，方法在精度与效率两方面均优于原始 MGS，并在多个经典非监督方法中取得最佳总体表现。
论文结论部分可译为：本文提出了一种面向输电走廊环境大规模 LiDAR 点云的增强型地面分割方法。通过结合基于网格的最小高程采样、基于局部 PCA 的种子细化、二维高斯过程回归（2D GPR）地形建模以及基于连通性的后处理，该方法改进了地面保留与非地面抑制之间的平衡。两个真实输电走廊场景的实验结果表明，与对比方法相比，所提方法获得了最低总误差和最高 Kappa 系数。在场景 1 中，其 I 类误差、II 类误差、总误差和 Kappa 系数分别为 4.8%、0.3%、1.7% 和 96.6%；在场景 2 中，相应指标分别为 9.9%、1.6%、4.4% 和 90.0%。这些结果证明该方法在相对平坦和山地输电走廊场景中均有效。在相同预处理和硬件条件下，所提方法在保持较优分割精度的同时还表现出有竞争力的计算性能，尤其在代表性基准场景上其运行时间低于 MGS，表明该改进框架具有实际应用潜力。然而，2D GPR 阶段仍占总运行时间较大比例，且当前验证场景数量有限。未来工作将致力于提升地形建模的可扩展性，并在更多样化的地形与点密度条件下进一步验证该方法。
