CN102436654B - 建筑点云的自适应分割方法 - Google Patents

Abstract

本发明涉及数字媒体技术领域，公开了一种建筑点云的自适应分割方法，包括：a、获取建筑点云数据；b、提取建筑点云数据中的边界点以及每个边界点的边界方向；c、根据提取得到的边界点和边界方向，计算惩罚函数，得到初始的分割方向、分割平面的数目和分割平面的位置，从而分割得到子点云块；d、对于分割得到子点云块，通过点云配准方法进行配准，将相似值高于阈值的子点云块划分为同一组；e、补全缺失的分割平面；f、优化分割平面的位置；g、根据步骤f的优化结果，确定最终分割出来的子点云块；h、将相似的子点云块合并，然后递归地执行步骤b-g。本发明能够实现建筑点云的自动分割。

Description

建筑点云的自适应分割方法

技术领域

本发明涉及数字媒体技术领域，尤其涉及一种建筑点云的自适应分割方法。

背景技术

随着三维激光扫描技术的发展，建筑点云数据(也简称为建筑点云)已经可以被方便地获取。这类建筑点云数据将建筑采样为三维空间中的离散点。建筑点云数据是建筑重构、数字城市等应用的重要数据来源。建筑点云在采集过程中容易受到光照、阴影、遮挡等的影响，使得采集得到的数据往往存在缺失和噪音。由于点云数据的无规则性，因此直接从这类建筑点云数据中重构出质量良好的三维建筑模型是十分困难的。处理这类建筑点云数据的核心问题就是如何将它分割为有语义的结构单元，并且检测出结构单元之间的相似性。

现有的建筑点云数据分析方法十分依赖于用户的交互。Zheng等人在2010年提出的“Non-local scan consolidation for 3d urban scenes”方法，需要用户显示地选择建筑点云数据中的一块采样良好的结构单元，再根据此结构单元去寻找与之相似的其他结构单元。Nan等人在2010年提出的“Smartboxes for interactive urban reconstruction”，也需要用户交互来绘制矩形状的网格面片，从而实现建筑的重构。自动、有效的建筑点云结构分析方法是建筑点云处理方面亟待解决的问题。

与建筑点云处理不同的是建筑图像的结构分析。和建筑点云相比，建筑图像具有规则的二维参数域，而且缺失和噪音并不严重。因此，对建筑图像的分析是目前日趋成熟的技术。Muller等人在2007年提出的“Image-based procedural modeling of facades”方法，将建筑图像在水平和竖直两个方向上分解为一系列的基本单元。与此类似的，Musialski等人在2010年提出的“Tiling of ortho-rectified facadeimages”方法，也是用水平和竖直的线对建筑图像进行分割。这些方法都假定建筑结构单元的分布是二维的均匀格点状，因此适用范围非常有限。此外，这些二维图像上的方法也很难直接推广到三维建筑点云上，因为三维建筑往往有突出的阳台等立体结构。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何实现建筑点云的自动分割。

(二)技术方案

为解决上述技术问题，本发明提供了一种建筑点云的自适应分割方法，包括以下步骤：

a、获取建筑点云数据；

b、提取所述建筑点云数据中的边界点以及每个边界点的边界方向；

c、根据提取得到的边界点和边界方向，计算在水平和竖直两个方向上放置的分割平面的惩罚函数，得到初始的分割方向、分割平面和分割平面的位置，从而分割得到子点云块；

d、对于分割得到子点云块，通过点云配准方法进行两两配准，将相似值高于一定阈值的子点云块划分为同一组；

e、利用同一组中子点云块间的相似关系，补全缺失的分割平面；

f、利用同一组中子点云块间的相似关系，优化分割平面的位置；

g、根据步骤f的优化结果，确定最终分割出来的子点云块。

优选地，步骤b具体为：

首先检测所述建筑点云数据中的平面，对于每个检测出的平面，将属于该平面的所有点投影到该平面上，对于投影后的点集中的每个点，选取它的10个最邻近的点做主分量分析，主分量分析得到的特征值由小到大依次记为r1，r2，r3，对应的特征向量分别为d1，d2，d3，把r2/r3小于某一预设值的点提取为边界点，对应的边界方向为d3，所有平面上检测出的边界点的集合为该建筑点云数据的边界点集。

优选地，步骤c具体包括：

c1、用累积函数(1)表示平面P和竖直方向dv＝(0，0，1)的相交程度：

$\mathrm{Cv}\left(P\right)={\mathrm{\Σ}}_i{\mathrm{\θ}}^{{-\mathrm{Li}}^2/{2\mathrm{\σ}}^2}{|\mathrm{di}\·\mathrm{dv}|}^2---\left(1\right)$

其中Li是第i个边界点到平面P的距离，di是该边界点的边界方向，σ通常设为0.5m，i＝1，...，N，N为边界点总数；

c2、用累积函数(2)表示平面P和水平方向dh＝(0，1，0)的相交程度定义：

$\mathrm{Ch}\left(P\right)={\mathrm{\Σ}}_i{\mathrm{\θ}}^{-{\mathrm{Li}}^2/{2\mathrm{\σ}}^2}{|\mathrm{di}\·\mathrm{dh}|}^2---\left(2\right)$

c3、用式(3)的惩罚函数提取水平放置的分割平面：

Fh(P)＝Cv(P)-t*Ch(P)                            (3)

其中t为预设常数，对于竖直放置的分割平面，类似地定义其惩罚函数Fv(P)＝Ch(P)-t*Cv(P)来提取竖直放置的分割平面；

c4、记Ph和Pv分别为水平和竖直放置的分割平面的惩罚函数的局部极小值点的平均值，Lh和Lv为水平和竖直方向上的点云的长度，取Ph/Lh和Pv/Lv中的值较小的点的方向作为分割方向，该方向上的惩罚函数的局部极小值点对应的位置作为该方向上初始的分割平面的位置，从而分割得到子点云块。

优选地，步骤d具体为：

使用迭代最近点的方法，将步骤c分割得到的子点云块两两配准，对于配准后的两块子点云A和B，计算它们在三维空间中的包围盒，将包围盒在三个方向上进行等间隔的划分。对于划分得到的每个小立方体，如果它包含有某块子点云中的点，则记为被该子点云占用，记被A占用的立方体数目为Na，被B占用的立方体数目为Nb，同时被A和B占用的立方体数目为Nab，如果(Nab/Na+Nab/Nb)/2大于预设阈值，则这两块子点云被认为是相似的，将子点云划分为同一组。

优选地，步骤e具体为：

选取在同组的子点云块中长度最小的子点云块和其它点云块配准：记La为配准后某一较大点云块的长度，Da和Db为该较大点云和某一较小点云的左端点的位置，如果|Da-Db|/La大于一定阈值，则在该较大点云块的Db位置处增加一个分割平面，对于右端点，采用相同的策略来增加缺失的分割平面。

优选地，步骤f中，对于属于同组的子点云块A和B，固定子点云块A不动，将子点云块B进行平移，记T为使得子点云块B和A配准后，子点云块B的位移量。通过调整分割平面的位置，使得在进行点云配准前，子点云块A的左端点Ea和子点云块B的左端点Eb之间的差值Ea-Eb与T之差最小，同时，使得A与B的右端点Fa和Fb之间的差值Fa-Fb与T之差最小，从而得到在该方向上的分割平面的最终位置。

优选地，步骤g之后，对于属于同一组的子点云，将它们合并，对于合并后的结果，递归地调用步骤b-g对其进行进一步的分割，直到无法在步骤c中找到分割平面，或者该子点云的长度小于一定阈值。

(三)有益效果

本发明以建筑点云数据作为输入，自动地确定自顶向下的分割方向、分割平面的数目和分割平面的位置，并且将分割得到的子点云进行相似性的检测，通过一系列递归的分割操作，从建筑点云数据中提取出结构单元以及它们之间的相似关系，该本方法能够自动地从输入建筑点云数据中提取出结构单元以及它们之间的相似关系，自动完成，不需要用户交互，因此适用于大批量的建筑点云处理。由于本方法的自适应性，使得它的适用性更加广泛，可以处理结构单元分布呈交错、级联等的建筑。本方法检测得到的相似结构单元，可以用于建筑点云的自动补全和重构。

附图说明

图1是本发明的方法流程图；

图2是确定初始分割平面的示意图；

图3是对一个建筑点云进行自适应分割的示例。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参照图1表示本发明的方法流程图。该流程按以下步骤操作：

a、获取一个任意的建筑点云数据；

b、提取建筑点云数据中的边界点以及每个边界点的边界方向；

c、根据提取得到的边界点和边界方向，计算在水平和竖直两个方向上放置的分割平面的惩罚函数，得到初始的分割方向、分割平面和分割平面的位置，根据初始的分割方向、分割平面和分割平面的位置分割得到子点云块；

d、对于分割得到子点云块(也称为子点云)，通过点云配准方法进行两两配准，将相似值高于一定阈值的子点云块划分为同一组；

e、利用同一组中子点云块间的相似关系，补全缺失的分割平面；

f、利用同一组中子点云块间的相似关系，优化分割平面的位置；

g、根据步骤f的优化结果，确定最终分割出来的子点云块；

然后将相似的子点云块合并，递归地执行步骤b-g。

对于步骤a，假定输入的建筑点云数据放置在笛卡尔坐标系中，建筑的竖直方向为Z轴，建筑的水平方向为Y轴，建筑的正面朝向为X轴。图2中21是输入建筑点云数据的示意图。

对于步骤b，首先检测建筑点云数据中的平面结构。对于每个检测出的平面，将属于该平面的所有点投影到该平面上。对于投影后的点集中的每个点，选取它的10个最邻近的点做主分量分析。主分量分析得到的特征值由小到大依次记为r1，r2，r3，对应的特征向量分别为d1，d2，d3。把r2/r3小于0.3的点提取为边界点，对应的边界方向为d3。所有平面上检测出的边界点的集合为该建筑点云数据的边界点集。图2中22是提取出的边界点的示意图。

对于步骤c，以水平放置的分割平面为例，其选取策略是水平的分割平面应该尽量避免经过方向为竖直的边界点，但可以尽量经过方向为水平的边界点。为了度量平面P和竖直方向dv＝(0，0，1)的相交程度，首先定义如下的累积函数：其中Li是第i个边界点到平面P的距离，di是该边界点的边界方向，σ通常设为0.5m，i＝1，...，N，N为边界点总数。平面和水平方向dh＝(0，1，0)的相交程度的定义是类似的：

最后定义如下的惩罚函数用于提取水平放置的分割平面：Fh(P)＝Cv(P)-t*Ch(P)，其中t通常设为0.2。图2中23是该惩罚函数的示意图。对于竖直的分割平面，其惩罚函数是类似的，定义为：Fv(P)＝Ch(P)-t*Cv(P)。记Ph和Pv分别为水平和竖直的惩罚函数的局部极小值点的平均值，Lh和Lv为水平和竖直方向上的点云的长度，取Ph/Lh和Pv/Lv中的值较小的那个方向作为分割方向。该方向上的惩罚函数的局部极小值点对应的位置作为该方向上初始的分割平面的位置。图2中24是由惩罚函数的局部极小值确定初始的分割平面的示意图。

对于步骤d，使用迭代最近点(ICP)的方法，将前一步分割得到的子点云块两两配准。对于配准后的两块子点云A和B，计算它们在三维空间中的包围盒。将包围盒在三个方向上进行等间隔(0.2m)的划分。对于划分得到的每个小立方体，如果它包含有某块子点云中的点，则记为被该子点云占用。记被A占用的立方体数目为Na，被B占用的立方体数目为Nb，同时被A和B占用的立方体数目为Nab。如果(Nab/Na+Nab/Nb)/2大于某个阈值(通常设为0.7)，则这两块子点云被认为是相似的。将子点云划分为组，属于同一组的子点云是相似的。

对于步骤e，由于点云数据存在缺失和噪音，所以步骤c得到的初始分割平面也可能也会存在缺失。为此，考察分在同组的子点云块，选取其中长度最小的子点云块和其它点云块配准。记La为较大点云块的长度，Da和Db为配准后较大点云和较小点云的左端点的位置，如果|Da-Db|/La大于一定阈值(通常设为25％)，则在较大点云块的Db位置处增加一个分割平面。对于右端点，采用相同的策略来增加缺失的分割平面。

对于步骤f：这一步的目标是使得相似的子点云块之间通过分割平面之间确定的位移就可以很好地配准。以一系列水平的分割平面为例，对于属于同组的子点云块A和B，固定子点云块A不动，将子点云块B进行平移，记T为使得子点云块B和A配准后，子点云块B的位移量。通过调整分割平面的位置，使得在进行点云配准前，子点云块A的左端点Ea和子点云块B的左端点Eb之间的差值|Ea-Eb|与T之差最小，同时，使得A与B的右端点Fa和Fb之间的差值|Fa-Fb|与T之差最小(即使得(|Ea-Eb|-T)+(|Fa-Fb|-T)最小)，从而得到在该方向上的分割平面的最终位置。

对于步骤g，最终优化完以后的分割平面将目前的点云在某个方向上进行了划分，得到一系列的子点云(即结构单元)以及它们之间的相似关系，这是这一层自适应划分的结果。

最后，对于属于同一组的子点云，将它们合并。对于合并后的结果，递归地调用步骤b-g对其进行进一步的分割。该过程一直进行下去，直到无法在步骤c中找到分割平面，或者该子点云的长度小于某个阈值(通常设为2m)。

本方法可以有效地从建筑点云中提取到结构单元以及它们的相似关系。参照图3，表示对一个输入建筑点云进行自适应分割的过程。其中31是输入的建筑点云，32是对建筑点云进行第一次自适应分割后的结果，33是在上一次分割基础上再次进行自适应分割的结果。相似的结构单元用相同的字母标记在图3中的32和33中标出。可以看到，本方法可以有效地处理这种结构交错的建筑点云数据，并且具有很好的鲁棒性，对于这种有缺失点云数据，也可以有效地处理。

以上所述仅是本发明的实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种建筑点云的自适应分割方法，其特征在于，包括以下步骤：

a、获取建筑点云数据；

b、提取所述建筑点云数据中的边界点以及每个边界点的边界方向；

c、根据提取得到的边界点和边界方向，计算在水平和竖直两个方向上放置的分割平面的惩罚函数，得到初始的分割方向、分割平面和分割平面的位置，从而分割得到子点云块；

d、对于分割得到子点云块，通过点云配准方法进行两两配准，将相似值高于一定阈值的子点云块划分为同一组；

e、利用同一组中子点云块间的相似关系，补全缺失的分割平面；

f、利用同一组中子点云块间的相似关系，优化分割平面的位置；

g、根据步骤f的优化结果，确定最终分割出来的子点云块；

步骤c具体包括：

c1、用累积函数（1）表示平面P和竖直方向dv=(0,0,1)的相交程度：

$\mathrm{Cv}\left(P\right)=\underset{i}{\mathrm{\Σ}}{e}^{-{\mathrm{Li}}^2/2{\mathrm{\σ}}^2}{|\mathrm{di}\·\mathrm{dv}|}^2---\left(1\right)$

其中Li是第i个边界点到平面P的距离，di是该边界点的边界方向，σ设为0.5m，i=1,…,N，N为边界点总数；

c2、用累积函数（2）表示平面P和水平方向dh=(0,1,0)的相交程度定义：

$\mathrm{Ch}\left(P\right)=\underset{i}{\mathrm{\Σ}}{e}^{-{\mathrm{Li}}^2/2{\mathrm{\σ}}^2}{|\mathrm{di}\·\mathrm{dh}|}^2---\left(2\right)$ c3、用式（3）的惩罚函数提取水平放置的分割平面：

Fh(P)=Cv(P)-t*Ch(P)（3）

其中t为预设常数，对于竖直放置的分割平面，用惩罚函数Fv(P)=Ch(P)-t*Cv(P)来提取竖直放置的分割平面；

c4、记Ph和Pv分别为水平和竖直放置的分割平面的惩罚函数的局部极小值点的平均值，Lh和Lv为水平和竖直方向上的点云的长度，取Ph/Lh和Pv/Lv中的值较小的点的方向作为分割方向，该方向上的惩罚函数的局部极小值点对应的位置作为该方向上初始的分割平面的位置，从而分割得到子点云块；

步骤e具体为：

选取在同组的子点云块中长度最小的子点云块和其它点云块配准：记La为配准后某一较大点云块的长度，Da和Db为该较大点云块和某一较小点云块的左端点的位置，如果|Da-Db|/La大于一定阈值，则在该较大点云块的Db位置处增加一个分割平面，对于右端点，采用相同的策略来增加缺失的分割平面；

步骤f中，对于属于同组的子点云块A和B，固定子点云块A不动，将子点云块B进行平移，记T为使得子点云块B和A配准后，子点云块B的位移量；通过调整分割平面的位置，使得在进行点云配准前，子点云块A的左端点Ea和子点云块B的左端点Eb之间的差值Ea-Eb与T之差最小，同时，使得A与B的右端点Fa和Fb之间的差值Fa-Fb与T之差最小，从而得到在该方向上的分割平面的最终位置。

2.如权利要求1所述的方法，其特征在于，步骤b具体为：

首先检测所述建筑点云数据中的平面，对于每个检测出的平面，将属于该平面的所有点投影到该平面上，对于投影后的点集中的每个点，选取它的10个最邻近的点做主分量分析，主分量分析得到的特征值由小到大依次记为r1，r2，r3，对应的特征向量分别为d1，d2，d3，把r2/r3小于某一预设值的点提取为边界点，对应的边界方向为d3，所有平面上检测出的边界点的集合为该建筑点云数据的边界点集。

3.如权利要求1所述的方法，其特征在于，步骤d具体为：

使用迭代最近点的方法，将步骤c分割得到的子点云块两两配准，对于配准后的两块子点云A和B，计算它们在三维空间中的包围盒，将包围盒在三个方向上进行等间隔的划分，对于划分得到的每个小立方体，如果它包含有某块子点云中的点，则记为被该子点云占用，记被A占用的立方体数目为Na，被B占用的立方体数目为Nb，同时被A和B占用的立方体数目为Nab，如果(Nab/Na+Nab/Nb)/2大于预设阈值，则这两块子点云被认为是相似的，将子点云划分为同一组。

4.如权利要求1～3中任一项所述的方法，其特征在于，在步骤g之后，对于属于同一组的子点云，将它们合并，对于合并后的结果，递归地调用步骤b-g对其进行进一步的分割，直到无法在步骤c中找到分割平面，或者该子点云的长度小于一定阈值。

Images