CN104200212A - 一种基于机载LiDAR数据的建筑物外边界线提取方法 - Google Patents

Abstract

本发明公开了一种基于机载LiDAR数据的建筑物外边界线提取方法，包括步骤：一、LiDAR点云数据获取；二、LiDAR点云数据处理：对建筑物点云数据进行处理，并提取出建筑物外边界线；对建筑物点云数据进行处理时，过程如下：201、建筑物外轮廓点提取；202、特征点提取；203、最小二乘法直线拟合及初始边界线获取；204、建筑物主方向及副方向确定；205、初始边界线规则化：根据所确定的主方向和副方向，对初始边界线中的多个直线段分别进行规则化处理；206、规则化边界线获取。本发明方法步骤简单、设计合理且实现方便、使用效果好，能简便、快速完成建筑物外边界线的提取过程，所得到外边界矢量规则化程度高。

Description

一种基于机载LiDAR数据的建筑物外边界线提取方法

技术领域

本发明涉及一种外边界线提取方法，尤其是涉及一种基于机载LiDAR数据的建筑物外边界线提取方法。

背景技术

三维城市建模广泛应用在数字城市规划等GIS领域。而建筑物外边界线的提取更是建筑物模型重建的关键步骤。在传统摄影测量中，需要在立体相对中手工勾画建筑物外边界轮廓，费时费力，效率较低。

随着机载激光扫描技术的广泛应用，利用机载lidar数据提取建筑物外边界线(即轮廓线)的技术已经有了一定的发展。目前，机载激光扫描数据提取建筑物轮廓线的方法，主要分为基于栅格化的提取方法和基于点云数据空间结构的提取方法。其中，采用点云数据栅格化的方法是在点云分割的基础上，将建筑物点云集合栅格化处理成二值影像图，利用像素的膨胀腐蚀原理补充填满影像中的空洞，再利用图像的分割算法及边界线提取算法等图像分析手段实现轮廓线提取。如吴杭彬等采用数学形态学中的膨胀和腐蚀方法进行序贯运算，再将建筑物边缘矢量化得到每个地物所对应的矢量边缘和数据点；尤红建等对激光点云进行二次内插加密生成影像数据，以图像处理的方法提取建筑物轮廓。这种方法将lidar点云处理为灰度图像，处理速度块、方法简单明了，然而栅格化的处理过程会引入新的误差，无法得到精确的建筑物矢量边界。

另一种基于点云数据空间的提取方法更多倾向于构建空间Tin数据结构，利用三角网间的空间信息对点云进行聚类分析检测。在聚类后的点云三角网基础上利用长边限制的方法提取三角网外接凸包提取边界点，或者采用经典的Alpha Shape算法从无序点集中进行集合边界判定提取建筑物外边界点。例如：Maas等采用TIN构建点云空间拓扑关系，对所有三角面进行聚类分析检测平面屋顶；曾齐红等以屋顶Lidar的TIN的外围三角形边作为边界点；Lach和沈蔚采用Alpha Shapes算法从无序点击中提取建筑物外轮廓。这些方法都通过分析建筑物点云空间结构，建立三角网，得到了较为精确建筑物边界轮廓，但依旧存在以下缺点：第一、三角网结构较复杂，三角网的数量多为点云数量的2倍左右；当点云数据量较大时，三角网构网速度慢，且占用空间大。第二、利用长边限制的方法，只能提取比阈值长度长的三角网边界(当阈值无限大时，提取外接凸包)；在建筑物拐角或凹边处就会造成细节的丢失。Alpha Shape算法能很好的检测符合建筑物外边界的三角网，但当建筑物内部出现空洞时，无法区分是外边界还是内部空洞，且提取到的外边界为离散的线段，不具有连续结构。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于机载LiDAR数据的建筑物外边界线提取方法，其方法步骤简单、设计合理且实现方便、使用效果好，能简便、快速完成建筑物外边界线的提取过程。

为解决上述技术问题，本发明采用的技术方案是：一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于该方法包括以下步骤：

步骤一、LiDAR点云数据获取：采用机载LiDAR测量系统获取待测区域的点云数据，并将所获取的点云数据传送至数据处理设备；所述点云数据中包括待测区域内多个建筑物的点云数据，每个建筑物的点云数据均包括该建筑物顶部的多个测点及各测点的三维坐标；

步骤二、LiDAR点云数据处理：采用所述数据处理设备分别对多个建筑物的点云数据进行处理，并提取出各建筑物的外边界线；多个建筑物的点云数据处理过程均相同；对待测区域内的任一个建筑物的点云数据进行处理时，过程如下：

步骤201、建筑物外轮廓点提取：调用外轮廓点提取模块，从当前所处理建筑物的二维数据集中，提取当前所处理建筑物的外轮廓点，并获得外轮廓点集合；所提取外轮廓点的数量为N个，所述外轮廓点集合中包含N个外轮廓点的二维数据，N个所述外轮廓点连接形成当前所处理建筑物的外轮廓线；

所述二维数据集包括当前所处理建筑物的点云数据中多个测点在X-Y平面直角坐标系上的二维坐标；

步骤202、特征点提取：采用道格拉斯-普扑克算法对步骤201中所述外轮廓线进行特征点提取，并从所述外轮廓点集合提取出S个特征点，S个特征点分别记作S₁、S₂、…、S_S；

步骤203、最小二乘法直线拟合及初始边界线获取：对S个特征点中相邻两个特征点所在的直线分别进行拟合，并获得S条拟合直线；S条拟合直线相交形成的封闭曲线为当前所处理建筑物的初始边界线，所述初始边界线由多个直线段连接而成；

对S个特征点中相邻两个特征点S_a和S_b进行直线拟合时，先将特征点S_a和S_b以及步骤201中所述外轮廓点集合中特征点S_a和S_b之间的所有外轮廓点组成直线点集，再利用最小二乘法对所述直线点集进行直线拟合，获得特征点S_a和S_b所在的拟合直线；其中，a和b均为正整数且a≠b，a＝1、2、…、S，b＝1、2、…、S；

步骤204、建筑物主方向及副方向确定：先对步骤203中所述初始边界线中的多个直线段的方向向量进行确定，再对多个直线段的方向向量的权重分别进行计算，并将权重最大的直线段的方向向量作为当前所处理建筑物的主方向，将当前所处理建筑物的主方向的正交向量作为当前所处理建筑物的副方向；

步骤205、初始边界线规则化：对步骤203中所述初始边界线中的多个直线段分别进行规则化处理；

对所述初始边界线中任一个直线段进行规则化处理时，过程如下：

步骤2051、规则化方向确定：根据步骤204中所确定的主方向和副方向以及当前所处理直线段的方向向量，对当前所处理直线段的规则化方向进行确定：当当前所处理直线段的方向向量更靠近主方向时，以主方向作为规则化方向；反之，当当前所处理直线段的方向向量更靠近副方向时，以副方向作为规则化方向；

步骤2052、是否需进行规则化判断：计算当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L，并根据投影长度L对当前所处理直线段是否需进行规则化进行判断：当投影长度L≤L₀时，进入步骤2053；否则，无需进行规则化处理，将当前所处理直线段所在的直线作为其规则化直线；其中，L₀＝0.5m～1m；

步骤2053、规则化处理：以当前所处理直线段的中点为起点，且以步骤2051中所确定的规则化方向为方向向量，生成当前所处理直线段的规则化直线；

步骤206、规则化边界线获取：步骤205中所述初始边界线中的多个直线段均规则化处理完成后，多个直线段的规则化直线相交形成的封闭曲线为当前所处理建筑物的规划化边界线。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取后，所提取的特征点数量为M个，其中M为正整数且M≥S；M个特征点组成特征点集合，S个特征点分别记作S₁、S₂、…、S_M，特征点S₁又记作特征点S_M+1；

特征点提取完成后，还需对所提取的M个特征点分别进行判定；其中，对M个特征点中任一个特征点S_h进行判定时，判断特征点S_h与直线S_h-1S_h+1之间的距离d_h是否大于d0：当d_h＞d0时，在所述特征点集合中保留特征点S_h；否则，从所述特征点集合中删除特征点S_h，并将特征点S_h标记为非特征点；

直线S_h-1S_h+1为特征点S_h-1和S_h+1所在的直线，特征点S_h-1和S_h+1为与特征点S_h相邻的两个特征点；其中，h为正整数且h＝1、2、…、M；

对M个特征点分别进行判定后，所述特征点集合中特征点的数量为S个。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤201中N个所述外轮廓点，分别记作A₀、A₁、A₂、…、A_N-1；

步骤201中进行建筑物外轮廓点提取时，过程如下：

步骤2011、构建kd树：将当前所处理建筑物的点云数据中，多个测点在X-Y平面直角坐标系上的二维坐标构建kd树；

步骤2012、邻域搜索：利用步骤2011中所构建的kd树在X-Y平面上进行邻域搜索，找出当前所处理建筑物的所有外轮廓点，X-Y平面为X-Y平面直角坐标系所在的水平面；邻域搜索过程如下：

步骤20121、第一次搜索：以极值点A₀作为本次搜索的搜索点O₁且以X坐标轴的负半轴作为基准向量进行邻域搜索，并在当前搜索点O₁的邻域内找出旋转角度最小的测点，所找出的测点为第一次搜索出的外轮廓点A₁；

当前搜索点的邻域内任一测点C_i的旋转角度为由基准向量逆时针旋转至向量的旋转角度；极值点A₀为当前所处理建筑物的点云数据中X轴坐标值最大、X轴坐标值最小、Y轴坐标值最大或Y轴坐标值最小的测点；

步骤20122、第j次搜索：以第j-1次搜索出的外轮廓点A_j-1作为本次搜索的搜索点O_j且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_j的邻域内找出旋转角度最小的测点，所找出的测点为第j次搜索出的外轮廓点A_j；

其中，j为正整数且j≥2；当j＝2时，A_j-2＝A₀；当j＞2时，A_j-2为第j-2次搜索出的外轮廓点；

步骤20123、多次重复步骤20122，直至搜索出的外轮廓点为A₀时，完成邻域搜索过程。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤2012中进行邻域搜索过程中，将极值点A₀和各次搜索到的外轮廓点均标记为已用点；

步骤20123中，多次重复步骤20122且完成第n次搜索后，获得第n次搜索出的外轮廓点A_n，并将外轮廓点A_n标记为已用点；之后，按照步骤20122中所述的方法，将A_n作为搜索点，进行第n+1次搜索，且当第n+1次搜索过程中搜索到的外轮廓点为标记的已用点时，将外轮廓点A_n标记为不可用点；然后，按照A_n-1、A_n-2、…、A₁顺序，由先至后对标记为有用点的外轮廓点进行回滚搜索，过程如下：

步骤Ⅰ、第一次回滚搜索：对第(n-1)次搜索出的外轮廓点A_n-1进行回滚搜索，过程如下：

步骤Ⅰ-1、第一次邻域搜索：按照步骤20121中所述的方法，以外轮廓点A_n-1作为本次搜索的搜索点O₁₁且以向量为基准向量进行邻域搜索；

步骤Ⅰ-2、第一次邻域搜索结果处理：步骤Ⅰ-1中搜索完成后，当在当前搜索点O₁₁的邻域测点集合S'(n-1)中不能找出旋转角度最小的测点时，将外轮廓点A_n-1标记为不可用点，并进入步骤Ⅱ，进行下一次回滚搜索；

反之，当在邻域测点集合S'(n-1)中找出旋转角度最小的测点时，将所找出的测点作为回滚搜索过程中第一次搜索出的外轮廓点A₁₁，且将外轮廓点A₁₁标记为已用点，并判断外轮廓点A₁₁是否为极值点A₀：当外轮廓点A₁₁为极值点A₀时，完成回滚搜索过程；否则，进入步骤Ⅰ-3，进行下一次邻域搜索；

步骤2012中进行邻域搜索过程中，第(n-1)次搜索时，当前搜索点O_n-1的邻域内所有测点组成邻域测点集合S(n-1)；所述邻域测点集合S(n-1)中的所有未标记的测点组成邻域测点集合S'(n-1)；

步骤Ⅰ-3、第k次邻域搜索：以回滚搜索过程中第(k-1)次搜索出的外轮廓点A_1(k-1)作为本次搜索的搜索点O_1k且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_1k的邻域内找出旋转角度最小的测点，所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A_1k；

其中，k为正整数且k≥2；当k＝2时，A_1(k-2)＝O₁₁，A_1(k-1)＝A₁₁；当j＞2时，A_1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点；

步骤Ⅰ-3、第k次邻域搜索：以回滚搜索过程中第(k-1)次搜索出的外轮廓点A_1(k-1)作为本次搜索的搜索点O_1k且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_1k的邻域内找出旋转角度最小的测点，所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A_1k，并将外轮廓点A_1k标记为已用点；

其中，k为正整数且k≥2；当k＝2时，A_1(k-2)＝O₁₁，A_1(k-1)＝A₁₁；当j＞2时，A_1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点；

步骤Ⅰ-4、第k次邻域搜索结果处理：步骤Ⅰ-3中搜索完成后，判断第k次搜索出的外轮廓点A_1k是否为极值点A₀：当外轮廓点A_1k为极值点A₀时，完成回滚搜索过程；否则，返回步骤Ⅰ-3，进行下一次邻域搜索；

步骤Ⅱ、第h次回滚搜索：按照步骤Ⅰ中所述的方法，对步骤2012中第(n-h+1)次搜索出的外轮廓点A_n-h+1进行回滚搜索，直至完成回滚搜索过程；其中，h为正整数且h≥2；

步骤2012中完成回滚搜索过程后，当前状态下所有标记为已用点的测点组成步骤201中所述外轮廓点集合，并且所有标记为已用点的测点总数量为N个。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤20121中当前搜索点O₁的邻域内任一测点C_i的旋转角度记作∠a_Ci，测点C_i的二维坐标为(X_Ci，Y_Ci)；第一次搜索时的基准向量为T₁，且T₁＝(-1,0)；对∠a_Ci进行计算时，先根据公式a_Ci＝X_Ci×(-1)+Y_Ci×0＝-X_Ci，计算得出a_Ci：当a_Ci≥0时，根据公式∠a_Ci＝arccos(a_Ci)，计算得出∠a_Ci；当a_Ci＜0时，根据公式∠a_Ci＝90°-arccos(a_Ci)，计算得出∠a_Ci；

步骤20122中当前搜索点O_j的邻域内任一测点C_p的旋转角度记作∠a_Cp，测点C_p的二维坐标为(X_Cp，Y_Cp)，第j次搜索时的基准向量记作(X_j，Y_j)；对∠a_Cp进行计算时，先根据公式a_Cp＝X_Cp×X_j+Y_Ci×Y_j，计算得出a_Cp：当a_Cp≥0时，根据公式∠a_Cp＝arccos(a_Cp)，计算得出∠a_Ci；当a_Cp＜0时，根据公式∠a_Cp＝90°-arccos(a_Cp)，计算得出∠a_Ci；

步骤2012中进行邻域搜索过程中，将极值点A₀和各次搜索到的外轮廓点由先至后放入外轮廓点集合堆栈中，并将放入所述外轮廓点集合堆栈中的极值点A₀和所有外轮廓点均标记为已用点；

步骤20123中，将外轮廓点A_n标记为不可用点的同时，还需将外轮廓点A_n从所述外轮廓点集合堆栈中弹出；

步骤Ⅰ-2中将外轮廓点A₁₁标记为已用点的同时，还需将外轮廓点A₁₁放入所述外轮廓点集合堆栈中；

步骤Ⅰ-3中将外轮廓点A_1k标记为已用点的同时，还需将外轮廓点A_1k所述外轮廓点集合堆栈中；

步骤2012中完成回滚搜索过程后，当前状态下所述外轮廓点集合堆栈内的所有测点组成所述外轮廓点集合。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤201中N个所述外轮廓点，分别记作A₀、A₁、A₂、…、A_N-1；

步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取时，过程如下：

步骤2021、特征点指定：将步骤201中N个所述外轮廓点中任意相邻两个外轮廓点A_D和A_F指定为特征点，并将外轮廓点A_D和A_F均标记为特征点；其中D和F均为正整数且D≠F，D＝1、2、…、N，F＝1、2、…、N；

步骤2022、中间特征点获取：将外轮廓点A_D和A_F作为一个特征点对，从步骤201中所述外轮廓点集合中找出一个与特征点对A_D与A_F所在的直线A_DA_F的距离最远且未标记的外轮廓点，并将所找出的外轮廓点作为特征点对A_D与A_F的中间特征点，记作A_E，且将外轮廓点A_E标记为特征点；

步骤2023、特征点对获取：以步骤2022中获取的中间特征点A_E重新组建特征点对；

以中间特征点A_E重新组建特征点对时，将中间特征点A_E分别与特征点A_D和A_F组成两个特征点对，两个特征点对分别为特征点对A_D与A_E和特征点对A_E与A_F；

步骤2024、中间特征点获取及判断处理：对步骤2023中组成的两个特征点对分别进行中间特征点获取及判断处理，且两个特征点对的中间特征点获取及判断处理方法均相同；

其中，对一个特征点对进行中间特征点获取及判断时，从步骤201中所述外轮廓点集合中找出一个与当前所处理特征点对所在的直线的距离最远且未标记的外轮廓点，并判断所找出的外轮廓点与当前所处理特征点对所在直线的距离d是否大于d0：当d＞d0时，将所找出的外轮廓点作为当前所处理特征点对的中间特征点，并将该中间特征点标记为特征点，并进入步骤2025；否则，完成当前所处理特征点对的特征点提取过程；

其中，d0＝30cm～50cm；

步骤2025、特征点对获取与中间特征点获取及判断处理：先按照步骤2023中所述的特征点对获取方法，以步骤2024中所获取的中间特征点重新组建特征点对；之后，按照步骤2024中所述的方法，对本步骤中所组建的所有特征点对分别进行中间特征点获取及判断处理；

步骤2026、多次重复步骤2025，直至完成所组建的所有特征点对的特征点提取过程。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤203中对相邻两个特征点S_a和S_b进行直线拟合时，先将所述直线点集中所有测点的X轴坐标值组成X轴坐标集合，并将所述直线点集中所有测点的X轴坐标值组成Y轴坐标集合；之后，计算X轴坐标集合中多个X轴坐标值的方差，记作σ_X；同时，计算Y轴坐标集合中多个Y轴坐标值的方差，记作σ_Y；然后，根据计算得出的σ_X和σ_Y，选取拟合用的直线模型：当σ_X≥σ_Y时，所选取的直线模型为y＝kx+b；否则，当σ_X＜σ_Y时，所选取的直线模型为x＝ky+b；最后，根据所述直线点集中所有测点的二维坐标，并利用所选取的直线模型进行直线拟合。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤204中对多个直线段的方向向量进行确定时，多个所述直线段的方向向量确定方法均相同；对任一个直线段l_Q的方向向量V_Q进行确定时，根据公式 $V_Q.X=\frac{X_{Q2}-X_{Q1}}{\sqrt{{(X_{Q2}-X_{Q1})}^2+{(Y_{Q2}-Y_{Q1})}^2}}$ 和公式 $V_Q.Y=\frac{Y_{Q2}-Y_{Q1}}{\sqrt{{(X_{Q2}-X_{Q1})}^2+{(Y_{Q2}-Y_{Q1})}^2}}$ 进行计算，方向向量V_Q＝(V_Q.X,V_Q.Y)；式中，直线段l_Q的两端点的二维坐标分别为(X_Q1,Y_Q1)和(X_Q2,Y_Q2)；

对直线段l_Q的方向向量的权重进行计算时，由先至后将直线段l_Q的方向向量V_Q，分别与所述初始边界线中其它各直线段的方向向量叠加后，获得直线段l_Q的权重向量W_Q，过程如下：

步骤2041、叠加顺序确定及角度差阈值c₀设定：按照叠加先后顺序，对所述初始边界线中其它各直线段的方向向量进行排序；其中，角度差阈值c₀＝5°～10°，c_⊥＝90°-c₀；

步骤2042、第一次叠加：将直线段l_Q的方向向量V_Q作为基准方向向量，先计算得出本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠_Q1；再结合步骤2041中所设定的c₀和c_⊥，并根据计算得出的Δ∠_Q1确定叠加方式：当Δ∠_Q1更接近c₀时，将基准方向向量与本次叠加的直线段的方向向量叠加；当Δ∠_Q1更接近c_⊥时，将基准方向向量与本次叠加直线段的方向向量的正交向量叠加；之后，按照所确定的叠加方式进行叠加，并将叠加后的向量作为下一次叠加的基准叠加向量；

步骤2043、第t次叠加：将第t-1次叠加后的向量作为本次叠加的基准叠加向量，先计算得出本次叠加直线段的方向向量与当前状态下的的基准叠加向量之间的角度差Δ∠_Qt；再结合步骤2041中所设定的c₀和c_⊥，并根据计算得出的Δ∠_Qt确定叠加方式：当Δ∠_Qt更接近c₀时，将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加；当Δ∠_Qt更接近c_⊥时，将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加；之后，按照所确定的叠加方式进行叠加，并将叠加后的向量作为下一次叠加的基准叠加向量；

步骤2044、多次重复步骤2043，直至完成方向向量V_Q与所述初始边界线中其它各直线段的方向向量的全部叠加过程，且叠加过程完成后所得的向量为直线段l_Q的权重向量W_Q；

步骤204中权重最大的直线段为权重向量的长度最大的直线段。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤2042中对本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠_Q1进行计算时，根据公式Δ∠_Q1＝arccos(|V_L1.X×V_Q.X+V_L1.Y×V_Q.Y|)进行计算；本次叠加的直线段的方向向量为(V_L1.X,V_L1.Y)，基准方向向量为(V_Q.X,V_Q.Y)；

步骤2043中对本次叠加的直线段的方向向量与当前状态下的基准叠加向量之间的角度差Δ∠_Qt进行计算时，根据公式Δ∠_Qt＝arccos(|V_Lt.X×V_t.X+V_Lt.Y×V_t.Y|)进行计算；本次叠加的直线段的方向向量为(V_Lt.X,V_Lt.Y)，当前状态下的基准方向向量为(V_t.X,V_t.Y)；

步骤2042中叠加后的向量记作(V_Q'.X,V_Q'.Y)；将基准方向向量与本次叠加直线段的方向向量叠加时，V_Q'.X＝V_L1.X+V_Q.X，V_Q'.Y＝V_L1.Y+V_Q.Y；将基准方向向量与本次叠加直线段的方向向量的正交向量叠加时，V_Q'.X＝V_L1⊥.X+V_Q.X，V_Q'.Y＝V_L1⊥.Y+V_Q.Y；本次叠加直线段的方向向量的正交向量为(V_L1⊥.X,V_L1⊥.Y)；

步骤2043中叠加后的向量记作(V_t'.X,V_t'.Y)；将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加时，V_t'.X＝V_Lt.X+V_t.X，V_t'.Y＝V_Lt.Y+V_t.Y；将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加时，V_t'.X＝V_Lt⊥.X+V_t.X，V_t'.Y＝V_Lt⊥.Y+V_t.Y；本次叠加直线段的方向向量的正交向量为(V_Lt⊥.X,V_Lt⊥.Y)。

上述一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征是：步骤2052中对当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L进行计算时，先根据公式Δ∠θ＝arccos(|V_H.X×V_主.X+V_H.Y×V_主.Y|)进行计算，当前所处理直线段的方向向量为(V_H.X,V_H.Y)，主方向为(V_主.X,V_主.Y)；之后，根据计算得出的Δ∠θ，对投影长度L进行计算：当步骤2051中所确定规则化方向为主方向时， 当步骤2051中所确定规则化方向为副方向时，

本发明与现有技术相比具有以下优点：

1、方法步骤简单、设计合理且实现方便。

2、使用操作简便且易于掌握，具体过程如下：首先，对滤波处理后的建筑物点云数据建立kd树，利用邻域搜索加逆时针旋转查找旋转角度最小的外部点，得到建筑物外轮廓点云；其次，根据外轮廓点云集合，用道格拉斯-普克算法提取拐点点云，拐点通过二次判定去除误差点；之后，对连续拐点间的点最小二乘拟合直线，连接相邻直线交点得到原始的外边界；然后，以外边界线段的方向向量为基准，计算出所有外边界线段与基准方向基准的角度，角度小于阈值时基准向量叠加外边界线段的方向向量，否则叠加外边界线段的方向向量的正交向量，这样通过计算，权重向量长度最长的向量的方向为建筑物的主方向，垂直方向为副方向；计算原始外边界与主方向或副方向的投影长度，小于长度阈值则按主方向或副方向规则化外边界线。

3、不借助传统遥感图像处理方法，避免了从点云内插成二值图像过程中带来的误差。在不构建三角网结构的基础上，直接分析点云的三维空间信息，降低了计算过程的复杂度和占用的空间，计算过程中只分析了一部分符合空间结构的点云，无需对所有点云数据进行分析、处理，因而处理效率高、速度快。

4、边界点搜索过程(即建筑物外轮廓点提取过程)中加入了回滚搜索方式，当认为某一外轮廓点提取错误时，会回滚到上一个外轮廓点重新搜索，增强了算法的鲁棒性。与传统回滚方式不同，在回滚过程中会标记检测错误的点，在后面的分析中不再考虑，这样保证了提取过程一定会得到唯一确定的结果。

5、改进了传统道格拉斯-普克拐点提取的方法，在二次判断检查的过程中，剔除了错误的拐点。同时，利用最小二乘法保证了拐点间的点也被考虑进边界提取的过程中，因而本发明为一种多种提取方式组合的组合式外边界提取方法，这种组合式提取方法最大程度地保证了边界点云的特征。

6、在不构建三角网的基础上，直接分析点云空间坐标，提取建筑物外轮廓点云，生成矢量边界线。

7、使用效果好，采用的主方向提取方法，利用长度作为权重，保证在最小程度改变外边界方向的前提下，规则化矢量边界，使生成的矢量边界线能最大程度地与点云套合。综上，本发明利用点云数据集合，解决了无法精确、快速提取建筑物外边界的问题，不需要构建三角网或者内插格网，运行效率高、速度快、占用空间小，并且得到的外边界矢量规则化程度高，符合建筑建模需求。

综上所述，本发明方法步骤简单、设计合理且实现方便、使用效果好，能简便、快速完成建筑物外边界线的提取过程，并且所得到的外边界矢量规则化程度高。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的装配示意图。

图2为所获取的建筑物点云图。

图3为采用本发明所提取的建筑物外轮廓点的点云图。

图4为采用本发明规则化的建筑物外边界线的结构示意图；

图5为将本发明规则化的建筑物外边界线与所获取点云叠加后的示意图。

具体实施方式

如图1所示的一种基于机载LiDAR数据的建筑物外边界线提取方法，包括以下步骤：

步骤一、LiDAR点云数据获取：采用机载LiDAR测量系统获取待测区域的点云数据，并将所获取的点云数据传送至数据处理设备。所述点云数据中包括待测区域内多个建筑物的点云数据，每个建筑物的点云数据均包括该建筑物顶部的多个测点及各测点的三维坐标。

步骤二、LiDAR点云数据处理：采用所述数据处理设备分别对多个建筑物的点云数据进行处理，并提取出各建筑物的外边界线；多个建筑物的点云数据处理过程均相同。

本实施例中，实际进行外边界线提取之前；先通过设置高程阈值对所述点云数据进行滤波，去除所述点云数据中需处理建筑物之外的其它地物的点云数据。同时，还需对滤波后的点云数据进行分类，找出待测区域内各建筑物的点云数据。

实际使用时，待测区域内的建筑物可以为一个整体式建筑物(如楼宇)，也可以为一个整体式建筑物上的一个建筑部件(如楼宇的一个屋面)。本实施例中，如图2所示，所获取的点云数据为一个住宅小区的点云数据，点云密度为30点/m²，点间距约20cm。

对待测区域内的任一个建筑物的点云数据进行处理时，过程如下：

步骤201、建筑物外轮廓点提取：调用外轮廓点提取模块，从当前所处理建筑物的二维数据集中，提取当前所处理建筑物的外轮廓点，并获得外轮廓点集合。所提取外轮廓点的数量为N个，所述外轮廓点集合中包含N个外轮廓点的二维数据，N个所述外轮廓点连接形成当前所处理建筑物的外轮廓线，详见图3。

所述二维数据集包括当前所处理建筑物的点云数据中多个测点在X-Y平面直角坐标系上的二维坐标。

本实施例中，步骤201中N个所述外轮廓点，分别记作A₀、A₁、A₂、…、A_N-1。

本实施例中，步骤201中进行建筑物外轮廓点提取时，过程如下：

步骤2011、构建kd树：将当前所处理建筑物的点云数据中，多个测点在X-Y平面直角坐标系上的二维坐标构建kd树。

所构建的kd树是基于整个建筑物点云数据的二维坐标构建的数据结构，该数据结构根据输入的单个二维坐标能快速搜索到邻近的点集及距离，是一种二维平面的搜索机制。

步骤2012、邻域搜索：利用步骤2011中所构建的kd树在X-Y平面上进行邻域搜索，找出当前所处理建筑物的所有外轮廓点，X-Y平面为X-Y平面直角坐标系所在的水平面；邻域搜索过程如下：

步骤20121、第一次搜索：以极值点A₀作为本次搜索的搜索点O₁且以X坐标轴的负半轴作为基准向量进行邻域搜索，并在当前搜索点O₁的邻域内找出旋转角度最小的测点，所找出的测点为第一次搜索出的外轮廓点A₁。

当前搜索点的邻域内任一测点C_i的旋转角度为由基准向量逆时针旋转至向量的旋转角度；极值点A₀为当前所处理建筑物的点云数据中X轴坐标值最大、X轴坐标值最小、Y轴坐标值最大或Y轴坐标值最小的测点。

步骤20122、第j次搜索：以第j-1次搜索出的外轮廓点A_j-1作为本次搜索的搜索点O_j且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_j的邻域内找出旋转角度最小的测点，所找出的测点为第j次搜索出的外轮廓点A_j。

其中，j为正整数且j≥2；当j＝2时，A_j-2＝A₀；当j＞2时，A_j-2为第j-2次搜索出的外轮廓点。

步骤20123、多次重复步骤20122，直至搜索出的外轮廓点为A₀时，完成邻域搜索过程。

综上，步骤201中进行建筑物外轮廓点提取时，先构建当前所处理建筑物的二分查找树(即kd树)；再以极值点A₀作为搜索点，以水平副方向作为基准方向，利用所构建的kd树逆时针搜索邻近点云，两测点间的方向与基准方向的逆时针旋转角度最小的测点作为第二个外轮廓点；之后，继续以第二个外轮廓点作为搜索点，与上一个外轮廓点之间的方向向量作为基准方向，搜索第三个外轮廓点；如此不断重复，直到搜回到起始点(极值点A₀)，这样形成由建筑物的多个外轮廓点组成的闭合线段，即建筑物的外轮廓线。

步骤20121和步骤20122中进行搜索时，当前搜索点的邻域均为以当前搜索点为中心且以R为搜索半径的圆形区域；其中，R＝2d～3d，d为步骤一中所述点云数据的点间距。本实施例中，R＝50cm，实际使用时，可以根据u具体需要，对R的取值大小进行相应调整。

本实施例中，步骤20121中当前搜索点O₁的邻域内任一测点C_i的旋转角度记作∠a_Ci，测点C_i的二维坐标为(X_Ci，Y_Ci)；第一次搜索时的基准向量为T₁，且T₁＝(-1,0)；对∠a_Ci进行计算时，先根据公式a_Ci＝X_Ci×(-1)+Y_Ci×0＝-X_Ci，计算得出a_Ci：当a_Ci≥0时，根据公式∠a_Ci＝arccos(a_Ci)，计算得出∠a_Ci；当a_Ci＜0时，根据公式∠a_Ci＝90°-arccos(a_Ci)，计算得出∠a_Ci。

步骤20122中当前搜索点O_j的邻域内任一测点C_p的旋转角度记作∠a_Cp，测点C_p的二维坐标为(X_Cp，Y_Cp)，第j次搜索时的基准向量记作(X_j，Y_j)；对∠a_Cp进行计算时，先根据公式a_Cp＝X_Cp×X_j+Y_Ci×Y_j，计算得出a_Cp：当a_Cp≥0时，根据公式∠a_Cp＝arccos(a_Cp)，计算得出∠a_Ci；当a_Cp＜0时，根据公式∠a_Cp＝90°-arccos(a_Cp)，计算得出∠a_Ci。

本实施例中，步骤2012中进行邻域搜索过程中，将极值点A₀和各次搜索到的外轮廓点均标记为已用点；

步骤20123中，多次重复步骤20122且完成第n次搜索后，获得第n次搜索出的外轮廓点A_n，并将外轮廓点A_n标记为已用点；之后，按照步骤20122中所述的方法，将A_n作为搜索点，进行第n+1次搜索，且当第n+1次搜索过程中搜索到的外轮廓点为标记的已用点时，将外轮廓点A_n标记为不可用点；然后，按照A_n-1、A_n-2、…、A₁顺序，由先至后对标记为有用点的外轮廓点进行回滚搜索，过程如下：

步骤Ⅰ、第一次回滚搜索：对第(n-1)次搜索出的外轮廓点A_n-1进行回滚搜索，过程如下：

步骤Ⅰ-1、第一次邻域搜索：按照步骤20121中所述的方法，以外轮廓点A_n-1作为本次搜索的搜索点O₁₁且以向量为基准向量进行邻域搜索。

步骤Ⅰ-2、第一次邻域搜索结果处理：步骤Ⅰ-1中搜索完成后，当在当前搜索点O₁₁的邻域测点集合S'(n-1)中不能找出旋转角度最小的测点时，将外轮廓点A_n-1标记为不可用点，并进入步骤Ⅱ，进行下一次回滚搜索；

反之，当在邻域测点集合S'(n-1)中找出旋转角度最小的测点时，将所找出的测点作为回滚搜索过程中第一次搜索出的外轮廓点A₁₁，且将外轮廓点A₁₁标记为已用点，并判断外轮廓点A₁₁是否为极值点A₀：当外轮廓点A₁₁为极值点A₀时，完成回滚搜索过程；否则，进入步骤Ⅰ-3，进行下一次邻域搜索。

步骤2012中进行邻域搜索过程中，第(n-1)次搜索时，当前搜索点O_n-1的邻域内所有测点组成邻域测点集合S(n-1)；所述邻域测点集合S(n-1)中的所有未标记的测点组成邻域测点集合S'(n-1)。

步骤Ⅰ-3、第k次邻域搜索：以回滚搜索过程中第(k-1)次搜索出的外轮廓点A_1(k-1)作为本次搜索的搜索点O_1k且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_1k的邻域内找出旋转角度最小的测点，所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A_1k。

其中，k为正整数且k≥2；当k＝2时，A_1(k-2)＝O₁₁，A_1(k-1)＝A₁₁；当j＞2时，A_1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点。

步骤Ⅰ-3、第k次邻域搜索：以回滚搜索过程中第(k-1)次搜索出的外轮廓点A_1(k-1)作为本次搜索的搜索点O_1k且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_1k的邻域内找出旋转角度最小的测点，所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A_1k，并将外轮廓点A_1k标记为已用点。

其中，k为正整数且k≥2；当k＝2时，A_1(k-2)＝O₁₁，A_1(k-1)＝A₁₁；当j＞2时，A_1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点。

步骤Ⅰ-4、第k次邻域搜索结果处理：步骤Ⅰ-3中搜索完成后，判断第k次搜索出的外轮廓点A_1k是否为极值点A₀：当外轮廓点A_1k为极值点A₀时，完成回滚搜索过程；否则，返回步骤Ⅰ-3，进行下一次邻域搜索。

步骤Ⅱ、第h次回滚搜索：按照步骤Ⅰ中所述的方法，对步骤2012中第(n-h+1)次搜索出的外轮廓点A_n-h+1进行回滚搜索，直至完成回滚搜索过程；其中，h为正整数且h≥2。

步骤2012中完成回滚搜索过程后，当前状态下所有标记为已用点的测点组成步骤201中所述外轮廓点集合，并且所有标记为已用点的测点总数量为N个。

综上所述，步骤201中进行建筑物外轮廓点提取时，增设回滚搜索机制，因而能有效确保所提取外边界线的准确性和可操作性。

本实施例中，步骤2012中进行邻域搜索过程中，将极值点A₀和各次搜索到的外轮廓点由先至后放入外轮廓点集合堆栈中，并将放入所述外轮廓点集合堆栈中的极值点A₀和所有外轮廓点均标记为已用点。

步骤20123中，将外轮廓点A_n标记为不可用点的同时，还需将外轮廓点A_n从所述外轮廓点集合堆栈中弹出。

步骤Ⅰ-2中将外轮廓点A₁₁标记为已用点的同时，还需将外轮廓点A₁₁放入所述外轮廓点集合堆栈中。

步骤Ⅰ-3中将外轮廓点A_1k标记为已用点的同时，还需将外轮廓点A_1k所述外轮廓点集合堆栈中。

步骤2012中完成回滚搜索过程后，当前状态下所述外轮廓点集合堆栈内的所有测点组成所述外轮廓点集合。

步骤202、特征点提取：采用道格拉斯-普扑克算法对步骤201中所述外轮廓线进行特征点提取，并从所述外轮廓点集合提取出S个特征点，S个特征点分别记作S₁、S₂、…、S_S。

本实施例中，步骤201中获得当前所处理建筑物的外轮廓线后，所获得N个外轮廓点A₀、A₁、A₂、…、A_N-1沿逆时针方向由前至后进行排列；之后，将外轮廓点A₀和A_N-1分别作为起始点和终止点，将步骤201中所得到的外轮廓线分割成一条折线段，之后再采用道格拉斯-普扑克算法对该折线段进行特征点提取，所提取的特征点为突变的测点，即拐点。

本实施例中，步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取时，过程如下：

步骤2021、特征点指定：将步骤201中N个所述外轮廓点中任意相邻两个外轮廓点A_D和A_F指定为特征点，并将外轮廓点A_D和A_F均标记为特征点；其中D和F均为正整数且D≠F，D＝1、2、…、N，F＝1、2、…、N。

本实施例中，A_D＝A₀，A_F＝A_N-1。

步骤2022、中间特征点获取：将外轮廓点A_D和A_F作为一个特征点对，从步骤201中所述外轮廓点集合中找出一个与特征点对A_D与A_F所在的直线A_DA_F的距离最远且未标记的外轮廓点，并将所找出的外轮廓点作为特征点对A_D与A_F的中间特征点，记作A_E，且将外轮廓点A_E标记为特征点。

步骤2023、特征点对获取：以步骤2022中获取的中间特征点A_E重新组建特征点对。

以中间特征点A_E重新组建特征点对时，将中间特征点A_E分别与特征点A_D和A_F组成两个特征点对，两个特征点对分别为特征点对A_D与A_E和特征点对A_E与A_F。

步骤2024、中间特征点获取及判断处理：对步骤2023中组成的两个特征点对分别进行中间特征点获取及判断处理，且两个特征点对的中间特征点获取及判断处理方法均相同。

其中，对一个特征点对进行中间特征点获取及判断时，从步骤201中所述外轮廓点集合中找出一个与当前所处理特征点对所在的直线的距离最远且未标记的外轮廓点，并判断所找出的外轮廓点与当前所处理特征点对所在直线的距离d是否大于d0：当d＞d0时，将所找出的外轮廓点作为当前所处理特征点对的中间特征点，并将该中间特征点标记为特征点，并进入步骤2025；否则，完成当前所处理特征点对的特征点提取过程。

其中，d0＝30cm～50cm。

步骤2025、特征点对获取与中间特征点获取及判断处理：先按照步骤2023中所述的特征点对获取方法，以步骤2024中所获取的中间特征点重新组建特征点对；之后，按照步骤2024中所述的方法，对本步骤中所组建的所有特征点对分别进行中间特征点获取及判断处理。

步骤2026、多次重复步骤2025，直至完成所组建的所有特征点对的特征点提取过程。

本实施例中，步骤2024中对所找出的外轮廓点与当前所处理特征点对所在直线的距离d进行计算时，根据公式 $d=(L^{\′}1\×A_n.X+L^{\′}2\×$ $A_n.y+L^{\′}3)/\sqrt{L^{\′}1\×L^{\′}1+L^{\′}2\×L^{\′}2},$ 其中所找出的外轮廓点的二维坐标为(A_n.X，A_n.y)，当前所处理特征点对的两个特征点的二维坐标分别为(A_t.X，A_t.y)和(A_f.X，A_f.y)，其中L'1＝A_f.y-A_t.y，L'2＝A_t.x-A_f.x，L'3＝A_f.x×A_t.y-A_t.x×A_f.y。

步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取后，所提取的特征点数量为M个，其中M为正整数且M≥S；M个特征点组成特征点集合，S个特征点分别记作S₁、S₂、…、S_M，特征点S₁又记作特征点S_M+1；

本实施例中，特征点提取完成后，还需对所提取的M个特征点分别进行判定；其中，对M个特征点中任一个特征点S_h进行判定时，判断特征点S_h与直线S_h-1S_h+1之间的距离d_h是否大于d0：当d_h＞d0时，在所述特征点集合中保留特征点S_h；否则，从所述特征点集合中删除特征点S_h，并将特征点S_h标记为非特征点。

直线S_h-1S_h+1为特征点S_h-1和S_h+1所在的直线，特征点S_h-1和S_h+1为与特征点S_h相邻的两个特征点；其中，h为正整数且h＝1、2、…、M。

对M个特征点分别进行判定后，所述特征点集合中特征点的数量为S个。

综上，步骤202中进行特征点提取时，先从外轮廓点集合中的第一个外轮廓点和最后一个外轮廓点作为特征点对，使外轮廓线形成一条折线段；之后，分别计算特征点对中的两个特征点之间的所有外轮廓点到两个特征点连线的距离，将距离最大且大于d0外轮廓点作为中间特征点，并将中间特征点分别与特征点对中的两个特征点组成两个特征点对；然后，对组成的特征点对再进行中间特征点获取，当中间特征点到特征点对中两个特征点连线的距离小于d0时结束。

由于道格拉斯-普扑克算法存在一定的限制性，主要原因在于外轮廓点集合中的第一个外轮廓点和最后一个外轮廓点(即指定的特征点)要求都不能为拐点，因而提取出的特征点并不都是拐点，因而需对提取出的特征点进行二次确认，即判定。实际进行判定时，根据所判断特征点的前后相邻两个特征点进行验证。

步骤203、最小二乘法直线拟合及初始边界线获取：对S个特征点中相邻两个特征点所在的直线分别进行拟合，并获得S条拟合直线；S条拟合直线相交形成的封闭曲线为当前所处理建筑物的初始边界线，所述初始边界线由多个直线段连接而成。

对S个特征点中相邻两个特征点S_a和S_b进行直线拟合时，先将特征点S_a和S_b以及步骤201中所述外轮廓点集合中特征点S_a和S_b之间的所有外轮廓点组成直线点集，再利用最小二乘法对所述直线点集进行直线拟合，获得特征点S_a和S_b所在的拟合直线；其中，a和b均为正整数且a≠b，a＝1、2、…、S，b＝1、2、…、S。

本实施例中，步骤203中对相邻两个特征点S_a和S_b进行直线拟合时，先将所述直线点集中所有测点的X轴坐标值组成X轴坐标集合，并将所述直线点集中所有测点的X轴坐标值组成Y轴坐标集合；之后，计算X轴坐标集合中多个X轴坐标值的方差，记作σ_X；同时，计算Y轴坐标集合中多个Y轴坐标值的方差，记作σ_Y；然后，根据计算得出的σ_X和σ_Y，选取拟合用的直线模型：当σ_X≥σ_Y时，所选取的直线模型为y＝kx+b；否则，当σ_X＜σ_Y时，所选取的直线模型为x＝ky+b；最后，根据所述直线点集中所有测点的二维坐标，并利用所选取的直线模型进行直线拟合。

本实施例中，采用直线模型y＝kx+b进行直线拟合时，k＝[n*Σ(x_g×y_g)-Σx_g×Σy_g]/[n×Σy_g ²-Σy_g×Σy_g]，式中n为所述直线点集中的测点总数量，Σ(x_g×y_g)为所述直线点集中所有测点的X轴与Y轴坐标值的乘积之和，Σx_g为所述直线点集中所有测点的X轴坐标值之和，Σy_g为所述直线点集中所有测点的Y轴坐标值之和，Σy_g ²为所述直线点集中所有测点的Y轴坐标值的平方之和。

步骤204、建筑物主方向及副方向确定：先对步骤203中所述初始边界线中的多个直线段的方向向量进行确定，再对多个直线段的方向向量的权重分别进行计算，并将权重最大的直线段的方向向量作为当前所处理建筑物的主方向，将当前所处理建筑物的主方向的正交向量作为当前所处理建筑物的副方向。

本实施例中，对步骤203中所述初始边界线中的多个直线段的方向向量进行确定时，沿逆时针方向由先至后对各直线段的方向向量进行确定。

本实施例中，步骤203中所述初始边界线由P个直线段组成，所述初始边界线中有P个顶点，P个顶点分别为S条拟合直线相交后的交点，P个顶点沿逆时针方向由先至后分别记作T₁、T₂、…、T_P，P个直线段沿逆时针方向由先至后排列，其中P个直线段中第s条直线段记作直线段T_sT_s+1，其中s为正整数且s＝1、2、…、P，其中顶点T₁又记作T_P+1，个直线段中第s条直线段的方向方向为T_sT_s+1。

本实施例中，步骤204中对多个直线段的方向向量进行确定时，多个所述直线段的方向向量确定方法均相同。对任一个直线段l_Q的方向向量V_Q进行确定时，根据公式和公式进行计算，方向向量V_Q＝(V_Q.X,V_Q.Y)；式中，直线段l_Q的两端点的二维坐标分别为(X_Q1,Y_Q1)和(X_Q2,Y_Q2)。

对直线段l_Q的方向向量的权重进行计算时，由先至后将直线段l_Q的方向向量V_Q，分别与所述初始边界线中其它各直线段的方向向量叠加后，获得直线段l_Q的权重向量W_Q，过程如下：

步骤2041、叠加顺序确定及角度差阈值c₀设定：按照叠加先后顺序，对所述初始边界线中其它各直线段的方向向量进行排序；其中，角度差阈值c₀＝5°～10°，c_⊥＝90°-c₀。

步骤2042、第一次叠加：将直线段l_Q的方向向量V_Q作为基准方向向量，先计算得出本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠_Q1；再结合步骤2041中所设定的c₀和c_⊥，并根据计算得出的Δ∠_Q1确定叠加方式：当Δ∠_Q1更接近c₀时，将基准方向向量与本次叠加的直线段的方向向量叠加；当Δ∠_Q1更接近c_⊥时，将基准方向向量与本次叠加直线段的方向向量的正交向量叠加；之后，按照所确定的叠加方式进行叠加，并将叠加后的向量作为下一次叠加的基准叠加向量。

步骤2043、第t次叠加：将第t-1次叠加后的向量作为本次叠加的基准叠加向量，先计算得出本次叠加直线段的方向向量与当前状态下的的基准叠加向量之间的角度差Δ∠_Qt；再结合步骤2041中所设定的c₀和c_⊥，并根据计算得出的Δ∠_Qt确定叠加方式：当Δ∠_Qt更接近c₀时，将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加；当Δ∠_Qt更接近c_⊥时，将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加；之后，按照所确定的叠加方式进行叠加，并将叠加后的向量作为下一次叠加的基准叠加向量。

步骤2044、多次重复步骤2043，直至完成方向向量V_Q与所述初始边界线中其它各直线段的方向向量的全部叠加过程，且叠加过程完成后所得的向量为直线段l_Q的权重向量W_Q。

步骤204中权重最大的直线段为权重向量的长度最大的直线段。

本实施例中，步骤2042中对本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠_Q1进行计算时，根据公式Δ∠_Q1＝arccos(|V_L1.X×V_Q.X+V_L1.Y×V_Q.Y|)进行计算；本次叠加的直线段的方向向量为(V_L1.X,V_L1.Y)，基准方向向量为(V_Q.X,V_Q.Y)；

步骤2043中对本次叠加的直线段的方向向量与当前状态下的基准叠加向量之间的角度差Δ∠_Qt进行计算时，根据公式Δ∠_Qt＝arccos(|V_Lt.X×V_t.X+V_Lt.Y×V_t.Y|)进行计算；本次叠加的直线段的方向向量为(V_Lt.X,V_Lt.Y)，当前状态下的基准方向向量为(V_t.X,V_t.Y)。

本实施例中，步骤2042中叠加后的向量记作(V_Q'.X,V_Q'.Y)；将基准方向向量与本次叠加直线段的方向向量叠加时，V_Q'.X＝V_L1.X+V_Q.X，V_Q'.Y＝V_L1.Y+V_Q.Y；将基准方向向量与本次叠加直线段的方向向量的正交向量叠加时，V_Q'.X＝V_L1⊥.X+V_Q.X，V_Q'.Y＝V_L1⊥.Y+V_Q.Y；本次叠加直线段的方向向量的正交向量为(V_L1⊥.X,V_L1⊥.Y)；

步骤2043中叠加后的向量记作(V_t'.X,V_t'.Y)；将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加时，V_t'.X＝V_Lt.X+V_t.X，V_t'.Y＝V_Lt.Y+V_t.Y；将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加时，V_t'.X＝V_Lt⊥.X+V_t.X，V_t'.Y＝V_Lt⊥.Y+V_t.Y；本次叠加直线段的方向向量的正交向量为(V_Lt⊥.X,V_Lt⊥.Y)。

步骤205、初始边界线规则化：对步骤203中所述初始边界线中的多个直线段分别进行规则化处理。

对所述初始边界线中任一个直线段进行规则化处理时，过程如下：

步骤2051、规则化方向确定：根据步骤204中所确定的主方向和副方向以及当前所处理直线段的方向向量，对当前所处理直线段的规则化方向进行确定：当当前所处理直线段的方向向量更靠近主方向时，以主方向作为规则化方向；反之，当当前所处理直线段的方向向量更靠近副方向时，以副方向作为规则化方向。

步骤2052、是否需进行规则化判断：计算当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L，并根据投影长度L对当前所处理直线段是否需进行规则化进行判断：当投影长度L≤L₀时，进入步骤2053；否则，无需进行规则化处理，将当前所处理直线段所在的直线作为其规则化直线。其中，L₀＝0.5m～1m。

步骤2053、规则化处理：以当前所处理直线段的中点为起点，且以步骤2051中所确定的规则化方向为方向向量，生成当前所处理直线段的规则化直线。

本实施例中，步骤205中进行初始边界线规则化之前，先找出步骤203中所述初始边界线中方向向量相同的所有直线段，并将方向向量相同的所有直线段合并为一条直线；进行规则化处理时，仅需对合并后的直线进行规则化处理。实际进行规则化处理时，合并后直线的中点坐标为取方向向量相同的所有直线段的平均值。

本实施例中，步骤2052中对当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L进行计算时，先根据公式Δ∠θ＝arccos(|V_H.X×V_主.X+V_H.Y×V_主.Y|)进行计算，当前所处理直线段的方向向量为(V_H.X,V_H.Y)，主方向为(V_主.X,V_主.Y)；之后，根据计算得出的Δ∠θ，对投影长度L进行计算：当步骤2051中所确定规则化方向为主方向时，当步骤2051中所确定规则化方向为副方向时，

综上，实际进行规划化处理时，当前所处理直线段的中点坐标保持不变，方向向量改为主方向或副方向。

步骤206、规则化边界线获取：步骤205中所述初始边界线中的多个直线段均规则化处理完成后，多个直线段的规则化直线相交形成的封闭曲线为当前所处理建筑物的规划化边界线，详见图4。

结合图5，可以看出，除部分弧线或者大角度的线段外，本发明得到的建筑物外边界线在规则化的前提下，覆盖了全部点云的外边界，使用效果非常好。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (10)

1.一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于该方法包括以下步骤：

步骤一、LiDAR点云数据获取：采用机载LiDAR测量系统获取待测区域的点云数据，并将所获取的点云数据传送至数据处理设备；所述点云数据中包括待测区域内多个建筑物的点云数据，每个建筑物的点云数据均包括该建筑物顶部的多个测点及各测点的三维坐标；

步骤二、LiDAR点云数据处理：采用所述数据处理设备分别对多个建筑物的点云数据进行处理，并提取出各建筑物的外边界线；多个建筑物的点云数据处理过程均相同；对待测区域内的任一个建筑物的点云数据进行处理时，过程如下：

步骤201、建筑物外轮廓点提取：调用外轮廓点提取模块，从当前所处理建筑物的二维数据集中，提取当前所处理建筑物的外轮廓点，并获得外轮廓点集合；所提取外轮廓点的数量为N个，所述外轮廓点集合中包含N个外轮廓点的二维数据，N个所述外轮廓点连接形成当前所处理建筑物的外轮廓线；

所述二维数据集包括当前所处理建筑物的点云数据中多个测点在X-Y平面直角坐标系上的二维坐标；

步骤202、特征点提取：采用道格拉斯-普扑克算法对步骤201中所述外轮廓线进行特征点提取，并从所述外轮廓点集合提取出S个特征点，S个特征点分别记作S₁、S₂、…、S_S；

步骤203、最小二乘法直线拟合及初始边界线获取：对S个特征点中相邻两个特征点所在的直线分别进行拟合，并获得S条拟合直线；S条拟合直线相交形成的封闭曲线为当前所处理建筑物的初始边界线，所述初始边界线由多个直线段连接而成；

对S个特征点中相邻两个特征点S_a和S_b进行直线拟合时，先将特征点S_a和S_b以及步骤201中所述外轮廓点集合中特征点S_a和S_b之间的所有外轮廓点组成直线点集，再利用最小二乘法对所述直线点集进行直线拟合，获得特征点S_a和S_b所在的拟合直线；其中，a和b均为正整数且a≠b，a＝1、2、…、S，b＝1、2、…、S；

步骤204、建筑物主方向及副方向确定：先对步骤203中所述初始边界线中的多个直线段的方向向量进行确定，再对多个直线段的方向向量的权重分别进行计算，并将权重最大的直线段的方向向量作为当前所处理建筑物的主方向，将当前所处理建筑物的主方向的正交向量作为当前所处理建筑物的副方向；

步骤205、初始边界线规则化：对步骤203中所述初始边界线中的多个直线段分别进行规则化处理；

对所述初始边界线中任一个直线段进行规则化处理时，过程如下：

步骤2051、规则化方向确定：根据步骤204中所确定的主方向和副方向以及当前所处理直线段的方向向量，对当前所处理直线段的规则化方向进行确定：当当前所处理直线段的方向向量更靠近主方向时，以主方向作为规则化方向；反之，当当前所处理直线段的方向向量更靠近副方向时，以副方向作为规则化方向；

步骤2052、是否需进行规则化判断：计算当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L，并根据投影长度L对当前所处理直线段是否需进行规则化进行判断：当投影长度L≤L₀时，进入步骤2053；否则，无需进行规则化处理，将当前所处理直线段所在的直线作为其规则化直线；其中，L₀＝0.5m～1m；

步骤2053、规则化处理：以当前所处理直线段的中点为起点，且以步骤2051中所确定的规则化方向为方向向量，生成当前所处理直线段的规则化直线；

步骤206、规则化边界线获取：步骤205中所述初始边界线中的多个直线段均规则化处理完成后，多个直线段的规则化直线相交形成的封闭曲线为当前所处理建筑物的规划化边界线。

2.按照权利要求1所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取后，所提取的特征点数量为M个，其中M为正整数且M≥S；M个特征点组成特征点集合，S个特征点分别记作S₁、S₂、…、S_M，特征点S₁又记作特征点S_M+1；

特征点提取完成后，还需对所提取的M个特征点分别进行判定；其中，对M个特征点中任一个特征点S_h进行判定时，判断特征点S_h与直线S_h-1S_h+1之间的距离d_h是否大于d0：当d_h＞d0时，在所述特征点集合中保留特征点S_h；否则，从所述特征点集合中删除特征点S_h，并将特征点S_h标记为非特征点；

直线S_h-1S_h+1为特征点S_h-1和S_h+1所在的直线，特征点S_h-1和S_h+1为与特征点S_h相邻的两个特征点；其中，h为正整数且h＝1、2、…、M；

对M个特征点分别进行判定后，所述特征点集合中特征点的数量为S个。

3.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤201中N个所述外轮廓点，分别记作A₀、A₁、A₂、…、A_N-1；

步骤201中进行建筑物外轮廓点提取时，过程如下：

步骤2011、构建kd树：将当前所处理建筑物的点云数据中，多个测点在X-Y平面直角坐标系上的二维坐标构建kd树；

步骤2012、邻域搜索：利用步骤2011中所构建的kd树在X-Y平面上进行邻域搜索，找出当前所处理建筑物的所有外轮廓点，X-Y平面为X-Y平面直角坐标系所在的水平面；邻域搜索过程如下：

步骤20121、第一次搜索：以极值点A₀作为本次搜索的搜索点O₁且以X坐标轴的负半轴作为基准向量进行邻域搜索，并在当前搜索点O₁的邻域内找出旋转角度最小的测点，所找出的测点为第一次搜索出的外轮廓点A₁；

当前搜索点的邻域内任一测点C_i的旋转角度为由基准向量逆时针旋转至向量的旋转角度；极值点A₀为当前所处理建筑物的点云数据中X轴坐标值最大、X轴坐标值最小、Y轴坐标值最大或Y轴坐标值最小的测点；

步骤20122、第j次搜索：以第j-1次搜索出的外轮廓点A_j-1作为本次搜索的搜索点O_j且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_j的邻域内找出旋转角度最小的测点，所找出的测点为第j次搜索出的外轮廓点A_j；

其中，j为正整数且j≥2；当j＝2时，A_j-2＝A₀；当j＞2时，A_j-2为第j-2次搜索出的外轮廓点；

步骤20123、多次重复步骤20122，直至搜索出的外轮廓点为A₀时，完成邻域搜索过程。

4.按照权利要求3所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤2012中进行邻域搜索过程中，将极值点A₀和各次搜索到的外轮廓点均标记为已用点；

步骤20123中，多次重复步骤20122且完成第n次搜索后，获得第n次搜索出的外轮廓点A_n，并将外轮廓点A_n标记为已用点；之后，按照步骤20122中所述的方法，将A_n作为搜索点，进行第n+1次搜索，且当第n+1次搜索过程中搜索到的外轮廓点为标记的已用点时，将外轮廓点A_n标记为不可用点；然后，按照A_n-1、A_n-2、…、A₁顺序，由先至后对标记为有用点的外轮廓点进行回滚搜索，过程如下：

步骤Ⅰ、第一次回滚搜索：对第(n-1)次搜索出的外轮廓点A_n-1进行回滚搜索，过程如下：

步骤Ⅰ-1、第一次邻域搜索：按照步骤20121中所述的方法，以外轮廓点A_n-1作为本次搜索的搜索点O₁₁且以向量为基准向量进行邻域搜索；

步骤Ⅰ-2、第一次邻域搜索结果处理：步骤Ⅰ-1中搜索完成后，当在当前搜索点O₁₁的邻域测点集合S'(n-1)中不能找出旋转角度最小的测点时，将外轮廓点A_n-1标记为不可用点，并进入步骤Ⅱ，进行下一次回滚搜索；

反之，当在邻域测点集合S'(n-1)中找出旋转角度最小的测点时，将所找出的测点作为回滚搜索过程中第一次搜索出的外轮廓点A₁₁，且将外轮廓点A₁₁标记为已用点，并判断外轮廓点A₁₁是否为极值点A₀：当外轮廓点A₁₁为极值点A₀时，完成回滚搜索过程；否则，进入步骤Ⅰ-3，进行下一次邻域搜索；

步骤2012中进行邻域搜索过程中，第(n-1)次搜索时，当前搜索点O_n-1的邻域内所有测点组成邻域测点集合S(n-1)；所述邻域测点集合S(n-1)中的所有未标记的测点组成邻域测点集合S'(n-1)；

步骤Ⅰ-3、第k次邻域搜索：以回滚搜索过程中第(k-1)次搜索出的外轮廓点A_1(k-1)作为本次搜索的搜索点O_1k且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_1k的邻域内找出旋转角度最小的测点，所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A_1k；

其中，k为正整数且k≥2；当k＝2时，A_1(k-2)＝O₁₁，A_1(k-1)＝A₁₁；当j＞2时，A_1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点；

步骤Ⅰ-3、第k次邻域搜索：以回滚搜索过程中第(k-1)次搜索出的外轮廓点A_1(k-1)作为本次搜索的搜索点O_1k且以向量为基准向量进行邻域搜索，并按照步骤20121中所述的方法，在当前搜索点O_1k的邻域内找出旋转角度最小的测点，所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A_1k，并将外轮廓点A_1k标记为已用点；

其中，k为正整数且k≥2；当k＝2时，A_1(k-2)＝O₁₁，A_1(k-1)＝A₁₁；当j＞2时，A_1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点；

步骤Ⅰ-4、第k次邻域搜索结果处理：步骤Ⅰ-3中搜索完成后，判断第k次搜索出的外轮廓点A_1k是否为极值点A₀：当外轮廓点A_1k为极值点A₀时，完成回滚搜索过程；否则，返回步骤Ⅰ-3，进行下一次邻域搜索；

步骤Ⅱ、第h次回滚搜索：按照步骤Ⅰ中所述的方法，对步骤2012中第(n-h+1)次搜索出的外轮廓点A_n-h+1进行回滚搜索，直至完成回滚搜索过程；其中，h为正整数且h≥2；

步骤2012中完成回滚搜索过程后，当前状态下所有标记为已用点的测点组成步骤201中所述外轮廓点集合，并且所有标记为已用点的测点总数量为N个。

5.按照权利要求4所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤20121中当前搜索点O₁的邻域内任一测点C_i的旋转角度记作∠a_Ci，测点C_i的二维坐标为(X_Ci，Y_Ci)；第一次搜索时的基准向量为T₁，且T₁＝(-1,0)；对∠a_Ci进行计算时，先根据公式a_Ci＝X_Ci×(-1)+Y_Ci×0＝-X_Ci，计算得出a_Ci：当a_Ci≥0时，根据公式∠a_Ci＝arccos(a_Ci)，计算得出∠a_Ci；当a_Ci＜0时，根据公式∠a_Ci＝90°-arccos(a_Ci)，计算得出∠a_Ci；

步骤20122中当前搜索点O_j的邻域内任一测点C_p的旋转角度记作∠a_Cp，测点C_p的二维坐标为(X_Cp，Y_Cp)，第j次搜索时的基准向量记作(X_j，Y_j)；对∠a_Cp进行计算时，先根据公式a_Cp＝X_Cp×X_j+Y_Ci×Y_j，计算得出a_Cp：当a_Cp≥0时，根据公式∠a_Cp＝arccos(a_Cp)，计算得出∠a_Ci；当a_Cp＜0时，根据公式∠a_Cp＝90°-arccos(a_Cp)，计算得出∠a_Ci；

步骤2012中进行邻域搜索过程中，将极值点A₀和各次搜索到的外轮廓点由先至后放入外轮廓点集合堆栈中，并将放入所述外轮廓点集合堆栈中的极值点A₀和所有外轮廓点均标记为已用点；

步骤20123中，将外轮廓点A_n标记为不可用点的同时，还需将外轮廓点A_n从所述外轮廓点集合堆栈中弹出；

步骤Ⅰ-2中将外轮廓点A₁₁标记为已用点的同时，还需将外轮廓点A₁₁放入所述外轮廓点集合堆栈中；

步骤Ⅰ-3中将外轮廓点A_1k标记为已用点的同时，还需将外轮廓点A_1k所述外轮廓点集合堆栈中；

步骤2012中完成回滚搜索过程后，当前状态下所述外轮廓点集合堆栈内的所有测点组成所述外轮廓点集合。

6.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤201中N个所述外轮廓点，分别记作A₀、A₁、A₂、…、A_N-1；

步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取时，过程如下：

步骤2021、特征点指定：将步骤201中N个所述外轮廓点中任意相邻两个外轮廓点A_D和A_F指定为特征点，并将外轮廓点A_D和A_F均标记为特征点；其中D和F均为正整数且D≠F，D＝1、2、…、N，F＝1、2、…、N；

步骤2022、中间特征点获取：将外轮廓点A_D和A_F作为一个特征点对，从步骤201中所述外轮廓点集合中找出一个与特征点对A_D与A_F所在的直线A_DA_F的距离最远且未标记的外轮廓点，并将所找出的外轮廓点作为特征点对A_D与A_F的中间特征点，记作A_E，且将外轮廓点A_E标记为特征点；

步骤2023、特征点对获取：以步骤2022中获取的中间特征点A_E重新组建特征点对；

以中间特征点A_E重新组建特征点对时，将中间特征点A_E分别与特征点A_D和A_F组成两个特征点对，两个特征点对分别为特征点对A_D与A_E和特征点对A_E与A_F；

步骤2024、中间特征点获取及判断处理：对步骤2023中组成的两个特征点对分别进行中间特征点获取及判断处理，且两个特征点对的中间特征点获取及判断处理方法均相同；

其中，对一个特征点对进行中间特征点获取及判断时，从步骤201中所述外轮廓点集合中找出一个与当前所处理特征点对所在的直线的距离最远且未标记的外轮廓点，并判断所找出的外轮廓点与当前所处理特征点对所在直线的距离d是否大于d0：当d＞d0时，将所找出的外轮廓点作为当前所处理特征点对的中间特征点，并将该中间特征点标记为特征点，并进入步骤2025；否则，完成当前所处理特征点对的特征点提取过程；

其中，d0＝30cm～50cm；

步骤2025、特征点对获取与中间特征点获取及判断处理：先按照步骤2023中所述的特征点对获取方法，以步骤2024中所获取的中间特征点重新组建特征点对；之后，按照步骤2024中所述的方法，对本步骤中所组建的所有特征点对分别进行中间特征点获取及判断处理；

步骤2026、多次重复步骤2025，直至完成所组建的所有特征点对的特征点提取过程。

7.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤203中对相邻两个特征点S_a和S_b进行直线拟合时，先将所述直线点集中所有测点的X轴坐标值组成X轴坐标集合，并将所述直线点集中所有测点的X轴坐标值组成Y轴坐标集合；之后，计算X轴坐标集合中多个X轴坐标值的方差，记作σ_X；同时，计算Y轴坐标集合中多个Y轴坐标值的方差，记作σ_Y；然后，根据计算得出的σ_X和σ_Y，选取拟合用的直线模型：当σ_X≥σ_Y时，所选取的直线模型为y＝kx+b；否则，当σ_X＜σ_Y时，所选取的直线模型为x＝ky+b；最后，根据所述直线点集中所有测点的二维坐标，并利用所选取的直线模型进行直线拟合。

8.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤204中对多个直线段的方向向量进行确定时，多个所述直线段的方向向量确定方法均相同；对任一个直线段l_Q的方向向量V_Q进行确定时，根据公式和公式进行计算，方向向量V_Q＝(V_Q.X,V_Q.Y)；式中，直线段l_Q的两端点的二维坐标分别为(X_Q1,Y_Q1)和(X_Q2,Y_Q2)；

对直线段l_Q的方向向量的权重进行计算时，由先至后将直线段l_Q的方向向量V_Q，分别与所述初始边界线中其它各直线段的方向向量叠加后，获得直线段l_Q的权重向量W_Q，过程如下：

步骤2041、叠加顺序确定及角度差阈值c₀设定：按照叠加先后顺序，对所述初始边界线中其它各直线段的方向向量进行排序；其中，角度差阈值c₀＝5°～10°，c_⊥＝90°-c₀；

步骤2042、第一次叠加：将直线段l_Q的方向向量V_Q作为基准方向向量，先计算得出本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠_Q1；再结合步骤2041中所设定的c₀和c_⊥，并根据计算得出的Δ∠_Q1确定叠加方式：当Δ∠_Q1更接近c₀时，将基准方向向量与本次叠加的直线段的方向向量叠加；当Δ∠_Q1更接近c_⊥时，将基准方向向量与本次叠加直线段的方向向量的正交向量叠加；之后，按照所确定的叠加方式进行叠加，并将叠加后的向量作为下一次叠加的基准叠加向量；

步骤2043、第t次叠加：将第t-1次叠加后的向量作为本次叠加的基准叠加向量，先计算得出本次叠加直线段的方向向量与当前状态下的的基准叠加向量之间的角度差Δ∠_Qt；再结合步骤2041中所设定的c₀和c_⊥，并根据计算得出的Δ∠_Qt确定叠加方式：当Δ∠_Qt更接近c₀时，将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加；当Δ∠_Qt更接近c_⊥时，将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加；之后，按照所确定的叠加方式进行叠加，并将叠加后的向量作为下一次叠加的基准叠加向量；

步骤2044、多次重复步骤2043，直至完成方向向量V_Q与所述初始边界线中其它各直线段的方向向量的全部叠加过程，且叠加过程完成后所得的向量为直线段l_Q的权重向量W_Q；

步骤204中权重最大的直线段为权重向量的长度最大的直线段。

9.按照权利要求8所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤2042中对本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠_Q1进行计算时，根据公式Δ∠_Q1＝arccos(|V_L1.X×V_Q.X+V_L1.Y×V_Q.Y|)进行计算；本次叠加的直线段的方向向量为(V_L1.X,V_L1.Y)，基准方向向量为(V_Q.X,V_Q.Y)；

步骤2043中对本次叠加的直线段的方向向量与当前状态下的基准叠加向量之间的角度差Δ∠_Qt进行计算时，根据公式Δ∠_Qt＝arccos(|V_Lt.X×V_t.X+V_Lt.Y×V_t.Y|)进行计算；本次叠加的直线段的方向向量为(V_Lt.X,V_Lt.Y)，当前状态下的基准方向向量为(V_t.X,V_t.Y)；

步骤2042中叠加后的向量记作(V_Q'.X,V_Q'.Y)；将基准方向向量与本次叠加直线段的方向向量叠加时，V_Q'.X＝V_L1.X+V_Q.X，V_Q'.Y＝V_L1.Y+V_Q.Y；将基准方向向量与本次叠加直线段的方向向量的正交向量叠加时，V_Q'.X＝V_L1⊥.X+V_Q.X，V_Q'.Y＝V_L1⊥.Y+V_Q.Y；本次叠加直线段的方向向量的正交向量为(V_L1⊥.X,V_L1⊥.Y)；

步骤2043中叠加后的向量记作(V_t'.X,V_t'.Y)；将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加时，V_t'.X＝V_Lt.X+V_t.X，V_t'.Y＝V_Lt.Y+V_t.Y；将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加时，V_t'.X＝V_Lt⊥.X+V_t.X，V_t'.Y＝V_Lt⊥.Y+V_t.Y；本次叠加直线段的方向向量的正交向量为(V_Lt⊥.X,V_Lt⊥.Y)。

10.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法，其特征在于：步骤2052中对当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L进行计算时，先根据公式Δ∠θ＝arccos(|V_H.X×V_主.X+V_H.Y×V_主.Y|)进行计算，当前所处理直线段的方向向量为(V_H.X,V_H.Y)，主方向为(V_主.X,V_主.Y)；之后，根据计算得出的Δ∠θ，对投影长度L进行计算：当步骤2051中所确定规则化方向为主方向时，当步骤2051中所确定规则化方向为副方向时，