CN104463871B

CN104463871B - 基于车载LiDAR点云数据的街景面片提取及优化方法

Info

Publication number: CN104463871B
Application number: CN201410751955.0A
Authority: CN
Inventors: 姚剑; 李礼; 鲁小虎; 陈梦怡
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2014-12-10
Filing date: 2014-12-10
Publication date: 2018-01-12
Anticipated expiration: 2034-12-10
Also published as: CN104463871A

Abstract

本发明公开了一种基于车载LiDAR点云数据的街景面片提取及优化方法，包括以下步骤：LiDAR点云数据的面片提取，将LiDAR点云数据划分成若干个小立方体块，并将各个小立方体块拟合，得到符合预设要求的面片；对面片进行合并，合并后的面片进行面片增长，对增长后的面片再进行合并，最后对得到的面片进行几何纠正，并消除噪声面片。本发明实用性广，即使点云数据质量较差也能得到较好的结果。

Description

基于车载LiDAR点云数据的街景面片提取及优化方法

技术领域

本发明涉及车载LiDAR点云数据处理技术领域，特别是涉及一种基于车载LiDAR点云数据的街景面片提取及优化方法。

背景技术

随着街景地图的发展，实景对象的面片信息提取相关问题是当前亟待解决的问题。车载激光扫描系统的发展使得实景对象的立面提取越来越多地使用车载LiDAR数据，但利用车载LiDAR数据时仍然存在几个主要问题：点云数据处理时间长，计算量大；场景复杂，目标丰富；建筑物立面层次结构复杂，立面细节特征丰富。针对这些问题的存在，基于点云数据的面片优化是关键步骤之一。

目前三维点云平面检测常用的方法有三种，基于随机抽样一致性算法(RANdomSAmple Consensus,RANSAC)、基于霍夫变换的算法、区域增长法,基于这三种方法也出现了很多改进算法。

基于随机抽样一致性算法：是一种模型参数估计方法，将其应用到点云的平面检测，并在随机采样过程中引入最小采样半径来限制采样范围，解决了外点密度和分布变化带来的模型估计不稳定问题，并且采用随机子集对估计到的模型进行评价，减少了运算量，在保持形状模型检测精度的同时提高了计算速度。

基于霍夫变换的方法：首先对参数空间(霍夫空间)离散化得到一系列子空间，即累加器，然后对每个累加器投票，对票数进行统计，峰值累加器所对应的图像空间中的平面即为检测到的最佳平面。然而累加器的设计存在共同的缺陷，即累加器的大小不一致和峰值可辨性差，导致检测到的平面模型不准确，而且此方法耗占较大的存储空间。

区域增长法：是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域生长方法是一种比较普遍的方法，在没有先验知识可以利用时，能取得最佳的性能，可以用来分割比较复杂的图像，但是，区域增长是一种迭代的方法，空间和时间开销都比较大。

以上三种方法在大数据时内存开销大、计算时间长，对数据质量要求较高。

发明内容

本发明要解决的技术问题在于针对现有技术中的上述缺陷，提供一种充分利用点云空间分布特征来优化面片，降低错误率，提高精度的基于车载LiDAR点云数据的街景面片提取及优化方法。

本发明解决其技术问题所采用的技术方案是：

提供一种基于车载LiDAR点云数据的街景面片提取及优化方法，其特征在于，包括以下步骤：

步骤1：LiDAR点云数据的面片提取，基于八叉树结构，将LiDAR点云数据划分成若干个小立方体块，并将各个小立方体块拟合，得到符合预设要求的面片；

步骤2：对步骤1中得到的面片进行合并，对每一个面片，构建邻接表，计算所有相邻面片法向量之间的夹角，若某相邻的面片P₁和P₂的夹角θ<θ_th，则将其进行合并，得到新的面片P′，计算合并后面片的面精度的下降值，若符合事先给定的阈值范围，则合并面片P₁和P₂，得到新面片P′，并更新邻接表；重复步骤2，直至没有可以再进行合并的面片；

步骤3：对步骤2中合并后的面片进行面片增长，将步骤2中得到的面片视为种子面片，以最小单元为增长单元，26邻域进行增长；对增长后的面片再按照步骤2的方法进行合并，得到最后合并的面片；

步骤4：对步骤3中得到的面片进行几何纠正，并消除噪声面片。

本发明所述的方法中，步骤4中对面片进行几何纠正具体包括：

根据面片包含的点，求得面片的最小包围矩形框的角点坐标；

对交叉的最小包围矩形框，在交叉处对边界进行进一步的优化，具体为将所有矩形框投影到XOY平面上，在二维空间中，对每条线段两端进行扩展，扩展长度为l；判断扩展后的线段是否相交，若相交，则计算相交线段L₁和L₂对应的矩形框R₁和R₂在Z轴方向的距离h，公式如下：

h＝(h1_max-h2_max+h1_min-h2_min)/2

其中h1_max，h1_min和h2_max，h2_min分别为对应的矩形框R₁和R₂中四个角点中z坐标最大和最小值；若h小于给定的阈值h_th，则求得相交点坐标，并执行下一步，否则，继续判断下一对相交线段；分别计算交点坐标到两条线段的端点的水平距离，记为d1_begin，d1_end和d2_begin，d2_end，并求得d1_min＝min(d1_begin,d1_end)和d2_min＝min(d2_begin,d2_end)。分别判断d1_min和d2_min是否小于给定距离阈值d_th，若小于，则结合交点坐标信息，切除交点到相应端点之间的矩形框。

本发明所述的方法中，步骤4中，消除噪声面片包括以下步骤：

获取每个站点对应的点云和面片信息；

利用移动测量车记录下的每个站点在世界坐标系下的三维坐标，将预先获取的电力线点云X_wire按照距离分配到每一个站点上，得到每个站点S_i上对应的电力线点云

对每一个站点S_i上的面片集合P_i中的所有面片进行分析；如果面片对应的点云分布较为稀疏，或者点云的数量小于某一阈值δ_th，则认为该面片可能为一个电力线片面；

在S_i对应的电力线点云中进行搜索，得到出在面片范围内且到平面的距离小于D₁米的点的个数N_wire，再计算出面片的单位宽度范围内平均的点云个数N_w＝N_wire/w，w表示面片的宽度，如果N_w>D₂，则认为该面片是电力线面片，将其删除。

本发明所述的方法中，消除噪声面片还包括对矩形框进行合并，针对之前的面片合并做进一步的合并优化，基于面片的几何关系，优化合并结果，具体包括以下步骤：

将所有的矩形框按照其面积进行排序得到排序之后的矩形框集合P_sort，然后从P_sort中依次找出当前最大的矩形框

对找到其对应的站点S_i，将[S_i-3，S_i+3]范围内的站点的矩形框作为当前附近的矩形框；

将这些矩形框按照其与之间的位置关系分成水平方向和竖直方向的两类，对与之间平面夹角小于θ,且距离小于D的面片进行分析：首先对水平方向的矩形框进行合并分析，先将待分析旋转到与当前矩形框平行，然后将旋转之后的矩形框投影到平面上，得到一个二维矩形R_hyp，计算出该矩形与四个顶点在该平面上构成的矩形R_cur之间的重叠区域R_ol以及两者的最小包围矩形R_mer，如果R_ol>λ₁R_hyp则将删除；如果R_mer>λ₂(R_cur+R_hyp)，则将合并到中，取矩形R_mer作为合并之后的矩形框(λ₁，λ₂为设定的参数)；对于竖直方向的矩形框，只要其旋转之后在沿面片宽的方向上不超过(λ为设定的参数)，则将其与矩形框合并，取两者的最小包围矩形作为合并之后的矩形框。

本发明所述的方法中，步骤3中，面片增长具体包括步骤：

计算邻接最小单元中所有点(个数为M)到种子面片的距离d，统计距离d小于给定阈值d_th的点的个数，记为N；若N大于给定的阈值N_th并且大于r×M(0<r<1)，r为给定的参数，则进行增长，同时重新估计面片参数，并更新邻接表；否则，不增长；并进行循环迭代，直至所有面片处理完；

逐步增大d_th的值，增大幅度为d′，并进行循环迭代，直至d_th小于给定的最大阈值d′_th，则停止迭代。

本发明所述的方法中，步骤2中面精度的下降值计算和根据阈值范围进行面片合并，具体包括以下步骤：

若某相邻的面片P₁和P₂的夹角θ<θ_th，则将其进行合并，采用RASNAC算法重新估计得到新的面P′，并计算面P′的方差，记为σ′；分别记面片P₁和P₂的方差为σ₁和σ₂，并记σ_max＝max(σ₁,σ₂)。通过方差，计算合并后面精度的下降值σ_d＝σ′-σ_max。若σ_d<max(3·σ_max,σ_th)，其中σ_th为事先给定的阈值，则合并面h₁和P₂，得到新面P′，并更新邻接表；若σ_d>max(3·σ_max,σ_th)，则不进行合并操作。

本发明产生的有益效果是：本发明通过基于车载LiDAR点云数据提取街景面片，并优化结果，包括对面片矩形框的几何纠正，如交叉，倾斜等情况；对噪声面片进行消除，如噪声点的干扰，电力线面片等，完成这些操作，实验证明即使点云数据质量较差也能得到较好的结果。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例点云建筑物面片提取及优化流程图；

图2是本发明实施例基于八叉树的面片提取、面片增长及面片合并示意图；

图3是本发明实施例交叉面片处理示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例的基于车载LiDAR点云数据的街景面片提取及优化方法，如图1所示，包括以下步骤：

步骤1，LiDAR点云数据的面片提取，共包括初始面片提取、面片合并、面片增长三个步骤。

步骤1.1，初始面片提取，目前提取面片的常用方法包括，基于随机抽样一致性算法(RANdom SAmple Consensus,RANSAC)、基于霍夫变换的算法、区域增长法,以及基于这三种方法提出的很多改进算法。本发明面片提取过程如下：

步骤1.1.1，基于八叉树结构来处理数据，假设三维点云数据最大包围立方盒为B，根据该立方盒的大小将其切分成若干个大小为M×M(M＝2^N)的小立方体，记为B_i，此处即首先分成8个立方体，考虑到立方体太大无法拟合成面片，并且拟合的面片也不准确，故根据先验知识将立方体继续划分n层，得到合适大小的立方体B_i。

步骤1.1.2，针对每个小立方体B_i，采用最小二乘的方法拟合得到面P_i，并计算得到每个点到面P_i的距离d_ij，同时求得最大距离d_max。

若d_max<d_th，h_th为给定的阈值，则面P_i符合要求；

若d_max>d_th，且d_max<λd_th，λ为预先设置的参数，则采用RANSAC算法对该立方体进行重新拟合，得到新的面P_i；

若d_max>d_th，则对该立方体按照八叉树结构进行均匀分割，得到8块新的立方体，重复迭代此步骤；

步骤1.1.3，对于步骤1.1.2中的前两种情况，即d_max<d_th或d_max<λd_th，计算该立方体中包含的点云的曲率平均值R_mean。

若R_mean<R_th，R_th给定的阈值，则保留该立方体；

若R_mean>R_th，则对该立方体进行均匀分割，得到8块新的立方体，重复迭代步骤1.1.2和步骤1.1.3。

步骤1.1.4，直至每个立方体都被拟合成面或者已经为最小单元(大小为w)，则停止迭代。

步骤1.2，面片合并。

步骤1.2.1，对每一个面片，构建邻接表。

步骤1.2.2，根据邻接表，计算所有相邻面片法向量之间的夹角，并将所有夹角从小到大进行排序，同时，将组成夹角的两个面片依次排序。设置阈值θ_th，若某相邻的面片P₁和P₂的夹角θ<θ_th，则将其进行合并，采用RASNAC算法重新估计得到新的面P′，并计算面P′的方差，记为σ′。分别记面片P₁和P₂的方差为σ₁和σ₂，并记σ_max＝max(σ₁,σ₂)。通过方差，计算合并后面精度的下降值σ_d＝σ′-σ_max。若σ_d<max(3·σ_max,σ_th)，其中σ_th为事先给定的阈值，则合并面P₁和P₂，得到新面P^′，并更新邻接表；若σ_d>max(3·σ_max,σ_th)，则不进行合并操作。

步骤1.2.3，重复1.2.2步骤，直至没有可以再进行合并的面片。

步骤1.3，面片增长(如图2所示)

步骤1.3.1，对步骤1.2中得到的所有初始面片按照大小(包含最小单元的个数)从大到小进行排序。

步骤1.3.2，针对每个初始面片，将其视为种子面片，以最小单元为增长单元，26邻域进行增长。计算邻接最小单元中所有点(个数为M)到种子面片的距离d，统计距离d小于给定阈值d_th的点的个数，记为N。若N大于给定的阈值N_th并且大于r×M(0<r<1)，r为给定的参数，则进行增长，同时重新估计面片参数，并更新邻接表；否则，不增长。对步骤1.3.2进行循环迭代，直至所有面片处理完。

步骤1.3.3，逐步增大d_th的值，增大幅度为d′，并重复步骤1.3.2，直至d_th小于给定的最大阈值d′_th，则停止迭代。

步骤1.3.4，对增长后的面片执行步骤1.2，如图2所示，即进行合并，得到合并后的面片。

步骤2，面片后处理，共包括面片粗滤除、面片矩形框获取及精细化、交叉矩形框优化、面片噪声去除四个步骤。

步骤2.1，面片粗滤除。本发明所需的面片为街景竖立面，而步骤1所得的面片中，存在较多的较小的面片以及水平面片，需要进行滤除。假设所有的面片集合为P_i，针对每个面片，计算其宽度W，高度H，面积S，点的个数N及法向量与Z轴夹角A，若符合下式条件，则保留；否则，滤除。

其中W_th，H_th，S_th，R_th及A_th为给定的合理阈值。

步骤2.2，面片矩形框获取。本发明实施例中，面片最终用矩形框进行表达，因此，需要根据面片包含的点，求得其最小包围矩形框，具体过程如下：

步骤2.2.1，针对每一个面P，其法向量为(n_x,n_y,n_z)，假设其包含的点云集三维坐标分别为和其中N为点的个数。首先将所有点投影到面P，得到新的点集和设点(x_p,y_p,z_p)为面P上任意一点，则公式如下：

x′_i＝x_i+n_x×D，y′_i＝y_i+n_y×D，z′_i＝z_i+n_z×D，

其中D为点(x_i,y_i,z_i)到面P的距离，其计算公式如下：

D＝n_x(x_p-x_i)+n_y(y_p-y_i)+n_z(z_p-z_i)

步骤2.2.2，绕Z轴旋转，使面法向量在XOY平面上的投影分量和Y轴平行，并求得3×3旋转矩阵R_z。

步骤2.2.3，基于该旋转矩阵，求取旋转后的点集和计算公式如下：

步骤2.2.4，求取点集(X^r,Y^r,Z^r)中的最大最小点其中设故矩形框的四个角点坐标分别为

步骤2.2.5，将四个顶点旋转到原坐标系中，得到最终的矩形框角点坐标，旋转矩阵为R_z的逆矩阵R′_z。

步骤2.3，矩形框精细化。在步骤2.2中，由于所求的矩形框为最小包围盒，很多地方没有点云，却处于矩形框的范围内，因此，需要进行进一步的精细化，即拆分矩形框，具体过程如下：

步骤2.3.1，针对每一个面片，进行步骤2.2.1，步骤2.2.2和步骤2.2.3，得到旋转后的点集。沿X轴方向，对点集进行切块，切块宽度为w_x，并分别求得每一块中点最大的z坐标。

步骤2.3.2，对切块进行聚合，即考虑相邻切块最大z坐标差值的绝对值，若小于给定的阈值z_th，则合并切块。当合并完成后，将宽度小于w_th的切块合并到邻接切块中。

步骤2.3.3，针对每一个切块，执行步骤2.2.4和步骤2.2.5，完成矩形框的精细化，得到所有矩形框n为矩形框个数。

步骤2.4，交叉矩形框优化。在获得的所有矩形框中，存在矩形框交叉的问题，为了保证矩形框的紧密性以及合理性，在交叉处需要对边界进行进一步的优化，具体过程如下：

步骤2.4.1，如图3所示，将所有矩形框投影到XOY平面上，即将矩形框投影为一系列的线段n为线段个数。在二维空间中，对每条线段两端进行扩展，扩展长度为l。

步骤2.4.2，判断扩展后的线段是否相交，若相交，则计算相交线段L₁和L₂对应的矩形框R₁和R₂在Z轴方向的距离h，公式如下：

h＝(h1_max-h2_max+h1_min-h2_min)/2

其中h1_max，h1_min和h2_max，h2_min分别为对应的矩形框R₁和R₂中四个角点中z坐标最大和最小值。若h小于给定的阈值h_th，则求得相交点坐标，并执行下一步，否则，继续判断下一对相交线段。

步骤2.4.3，分别计算交点坐标到两条线段(假设为L₁和L₂)的四个端点的水平距离，记为d1_begin，d1_end和d2_begin，d2_end，并求得d1_min＝min(d1_begin,d1_end)和d2_min＝min(d2_begin,d2_end)。分别判断d1_min和d2_min是否小于给定距离阈值d_th，若小于，则结合交点坐标信息，切除交点到相应端点之间的矩形框。

步骤3，面片噪声去除，包括电力线面去除和面片合并，具体过程如下：

步骤3.1，获取每个站点对应的点云和面片信息。

利用移动测量车记录下的每个站点在世界坐标系下的三维坐标，将电力线点云X_wire按照距离分配到每一个站点上，得到每个站点S_i上对应的电力线点云

步骤3.2，电力线面片去除。

对每一个站点S_i上的面片集合P_i中的所有面片进行分析。如果面片对应的点云分布较为稀疏，或者点云的数量小于某一阈值δ_th，则认为该面片可能为一个电力线片面。接着在S_i对应的电力线点云中进行搜索，得到出在面片范围内且到平面的距离小于D₁米的点的个数N_wire，再计算出面片的单位宽度范围内平均的点云个数N_w＝N_wire/w，w表示面片的宽度，如果N_w>D₂，则认为该面片是电力线面片，将其删除。

步骤3.3，矩形框合并，针对步骤1.2的面片合并做进一步的合并优化，基于面片的几何关系，优化合并结果，具体过程如下：

步骤3.3.1，将所有的矩形框按照其面积进行排序得到排序之后的矩形框集合P_sort，然后从P_sort中依次找出当前最大的矩形框

步骤3.3.2，对找到其对应的站点S_i，将[S_i-3，S_i+3]范围内的站点的矩形框作为当前附近的矩形框。

步骤3.3.3，将这些矩形框按照其与之间的位置关系分成水平方向和竖直方向的两类。只需对与之间平面夹角小于θ,且距离小于D的面片进行分析：首先对水平方向的矩形框进行合并分析，先将待分析旋转到与当前矩形框平行，然后将旋转之后的矩形框投影到平面上，得到一个二维矩形R_hyp，计算出该矩形与四个顶点在该平面上构成的矩形R_cur之间的重叠区域R_ol以及两者的最小包围矩形R_mer，如果R_ol>λ₁R_hyp则将删除；如果R_mer>λ₂(R_cur+R_hyp)，则将合并到中，取矩形R_mer作为合并之后的矩形框(λ₁，λ₂为设定的参数)。对于竖直方向的矩形框，只要其旋转之后在沿面片宽的方向上不超过(λ为设定的参数)，则将其与矩形框合并，取两者的最小包围矩形作为合并之后的矩形框。

本发明综合现有技术，基于车载LiDAR点云数据提取街景面片，并优化结果，包括对面片矩形框的几何纠正，如交叉，倾斜等情况；对噪声面片进行消除，如噪声点的干扰，电力线面片等，完成这些操作，实验证明即使点云数据质量较差也能得到较好的结果。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims

1.一种基于车载LiDAR点云数据的街景面片提取及优化方法，其特征在于，包括以下步骤：

步骤1：LiDAR点云数据的面片提取，将LiDAR点云数据划分成若干个小立方体块，并将各个小立方体块拟合，得到符合预设要求的面片；

步骤2：对步骤1中得到的面片进行合并，对每一个面片，构建邻接表，计算所有相邻面片法向量之间的夹角，若某相邻的面片P₁和P₂的夹角θ＜θ_th，则将其进行合并，得到新的面片P′，计算合并后面片的面精度的下降值，若符合事先给定的阈值范围，则得到新的面片P′，并更新邻接表；重复步骤2，直至没有可以再进行合并的面片；

步骤4：对步骤3中得到的面片进行几何纠正，并消除噪声面片；

步骤4中对面片进行几何纠正具体包括：

h＝(h1_max-h2_max+h1_min-h2_min)/2

其中h1_max，h1_min和h2_max，h2_min分别为对应的矩形框R₁和R₂中四个角点中z坐标最大和最小值；若h小于给定的阈值h_th，则求得相交点坐标，并执行下一步，否则，继续判断下一对相交线段；分别计算交点坐标到两条线段的端点的水平距离，记为d1_begin，d1_end和d2_begin，d2_end，并求得d1_min＝min(d1_begin，d1_end)和d2_min＝min(d2_begin，d2_end)分别判断d1_min和d2_min是否小于给定距离阈值d_th，若小于，则结合交点坐标信息，切除交点到相应端点之间的矩形框。

2.根据权利要求1所述的方法，其特征在于，步骤4中，消除噪声面片包括以下步骤：

获取每个站点对应的点云和面片信息；

在S_i对应的电力线点云中进行搜索，得到出在面片范围内且到平面的距离小于D₁米的点的个数N_wire，再计算出面片的单位宽度范围内平均的点云个数N_w＝N_wire/w，w表示面片的宽度，如果N_w＞D₂，则认为该面片是电力线面片，将其删除。

3.根据权利要求1所述的方法，其特征在于，消除噪声面片还包括对矩形框进行合并，具体包括以下步骤：

将这些矩形框按照其与之间的位置关系分成水平方向和竖直方向的两类，对与之间平面夹角小于θ,且距离小于D的面片进行分析：首先对水平方向的矩形框进行合并分析，先将待分析旋转到与当前矩形框平行，然后将旋转之后的矩形框投影到平面上，得到一个二维矩形R_hyp，计算出该矩形与四个顶点在该平面上构成的矩形R_cur之间的重叠区域R_ol以及两者的最小包围矩形R_mer，如果R_ol＞λ₁R_hyp则将删除；如果R_mer>λ₂(R_cur+R_hyp)，则将合并到中，取矩形R_mer作为合并之后的矩形框(λ₁，λ₂为设定的参数)；对于竖直方向的矩形框，只要其旋转之后在沿面片宽的方向上不超过λ为设定的参数，则将其与矩形框合并，取两者的最小包围矩形作为合并之后的矩形框。

4.根据权利要求1所述的方法，其特征在于，步骤3中，面片增长具体包括步骤：

计算邻接最小单元中所有点到种子面片的距离d，接最小单元中所有点的个数为M，统计距离d小于给定阈值d_th的点的个数，记为N；若N大于给定的阈值N_th并且大于r×M，0＜r＜1，r为给定的参数，则进行增长，同时重新估计面片参数，并更新邻接表；否则，不增长；并进行循环迭代，直至所有面片处理完；

5.根据权利要求1所述的方法，其特征在于，步骤2中面精度的下降值计算和根据阈值范围进行面片合并，具体包括以下步骤：

若某相邻的面片P₁和P₂的夹角θ＜θ_th，则将其进行合并，采用RASNAC算法重新估计得到新的面片P′，并计算面片P′的方差，记为σ′；分别记面片P₁和P₂的方差为σ₁和σ₂，并记σ_max＝max(σ₁，σ₂)；通过方差，计算合并后面精度的下降值σ_d＝σ′-σ_max，若σ_d<max(3·σ_max，σ_th)，其中σ_th为事先给定的阈值，得到新的面片P′，并更新邻接表；若σ_d＞max(3·σ_max，σ_th)，则不进行合并操作。