CN104809689A - 一种基于轮廓的建筑物点云模型底图配准方法 - Google Patents

Abstract

本发明涉及一种基于轮廓的建筑物点云模型底图配准方法，属于计算机视觉技术领域。本发明方法通过对三维重建得到的建筑物点云模型进行结构分析，自动检测当前模型的姿态，最终实现点云模型坐标的归一化，并在此基础上得到当前建筑物的点云俯视轮廓线条图；对重建建筑所在区域的遥感图像进行轮廓分析，自动检测得到底图的轮廓线条；根据重建建筑的轮廓线条估计当前建筑的结构拐点，然后借助轮廓匹配信息实现点云模型与卫星底图间的空间对齐，得到从点云模型到卫星底图间的映射矩阵，自动实现建筑物点云模型在卫星底图上的放置。对比现有技术，本发明方法能够准确对点云模型和底图进行自动化配准，有效降低配准所需人工工作量，降低配准成本。

Description

一种基于轮廓的建筑物点云模型底图配准方法

技术领域：

本发明属于计算机视觉技术领域，涉及一种基于轮廓的建筑物点云模型底图配准方法，具体涉及一种点云模型结构分析、图像轮廓提取及匹配的建筑物点云模型和底图配准方法。

背景技术：

在三维重建中，围绕建筑物拍摄多角度图像序列，能够重建得到较好的点云模型。但是，这些点云模型各自处于独立的坐标系中，不能直接构成建筑群。而独立的建筑物模型场景展示能力较弱，不能有效表达整个建筑群的空间位置关系。因此，需要将建筑群内独立的建筑物点云模型有机融合为一个整体，才能实现整个三维场景的直观展示，体现空间展示的优点。直接从图像序列重建得到的建筑物点云模型仅由一系列具有形状约束的空间离散点的构成，该模型的方向、尺度等几何信息仅在当前局部坐标系下起作用，相对世界坐标系只能保证整体形状一致性。传统的点云模型展示形式为各建筑物模型独立显示，并未将整个大场景联合起来，空间描述能力较弱，不能很好发挥三维展示的特点。一些地理信息系统(GIS)也可将三维模型放置于虚拟地球等地理平台上进行展示，不过放置的过程需要提供大量人工交互以实现空间对准，整个过程自动化程度很低，不利于实际应用。尤其是面对大量模型需要配准的情况，巨大的交互工作量需要消耗大量的时间和精力。

发明内容：

本发明的目的是针对以上问题，提供一种基于轮廓的建筑物点云模型底图配准方法，通过建筑物点云模型结构分析、底图轮廓提取和基于轮廓匹配的建筑物点云模型与底图配准相关技术，实现点云模型与底图之间的空间对齐，最终实现点云模型在底图上的自动放置。

本发明方法的思想是通过对三维重建得到的建筑物点云模型进行结构分析，自动检测当前模型的姿态，最终实现点云模型坐标的归一化，并在此基础上得到当前建筑物的点云俯视轮廓线条图；对重建建筑所在区域的遥感图像进行轮廓分析，自动检测得到底图的轮廓线条；根据重建建筑的轮廓线条估计当前建筑的结构拐点，然后借助轮廓匹配信息实现点云模型与卫星底图间的空间对齐，得到从点云模型到卫星底图间的映射矩阵，自动实现建筑物点云模型在卫星底图上的放置。

本发明的目的是通过以下技术方案实现的：

一种基于轮廓的建筑物点云模型底图配准方法，包括以下步骤：

步骤一、通过以下步骤进行建筑物点云模型俯视轮廓线条提取：

步骤1.1对建筑物点云模型进行姿态估计；

步骤1.2通过以下步骤根据建筑物点云模型z轴方向对其俯视轮廓进行检测：

步骤1.2.1对点云模型在世界坐标系下进行姿态矫正，然后对姿态矫正后的点云模型在XOY平面上投影得到当前建筑物点云模型的俯视图；

步骤1.2.2在俯视图中根据四叉树分割方法检测出模型的轮廓；

步骤1.2.3通过改进的LSD算法对建筑物点云模型俯视轮廓图做边缘检测，得到建筑物的俯视边界线条，即建筑物的俯视轮廓：

步骤二、通过改进的LSD算法对建筑物遥感影像进行基于线特征的轮廓提取；

步骤三、通过以下步骤进行基于轮廓匹配的建筑物点云模型与底图配准：

步骤3.1通过以下步骤筛选经过步骤2.3后得到的所有线段：

步骤3.1.1针对点云模型俯视图l_o和卫星底图l_b，根据现代化建筑俯视图自身的轮廓特性，将属于当前建筑轮廓所有的线条聚类为两个近似垂直的簇，同时将不属于这两个簇的线段视为噪声线条，予以剔除；

步骤3.1.2求出l_o中所有线条的平均长度，如果存在线条长度小于平均长度的倍，则剔除；为预定的点云模型俯视图噪声线条阈值；

步骤3.1.3求出l_b中所有线条的平均长度，如果存在线条长度小于平均长度的倍，则剔除；为预定的卫星底图噪声线条阈值；

步骤3.2对经步骤3.1处理后得到的线段通过下述过程找出鲁棒性高的线段交点，即轮廓拐点：

对于检测得到的两个近似垂直的线段簇和取C₁中的线段其两个端点分别为和那么所在直线和C₂中所有线段所在直线均有交点，对于C₂中任意一条线段首先判定和中哪一个点距离所在直线最近；若距离所在直线较近，则将线段和所在直线的交点记为线段在端的交点，反之则记为线段在端的交点；线段在端的交点的能量函数为

      

      和分别在C₂中检测得到的最小能量值对应的交点即为当前线段的端点，也是需要保留的备选轮廓拐点；

步骤3.3通过以下步骤找到匹配轮廓拐点，然后计算仿射矩阵：

步骤3.3.1通过对两个图上所有的拐点建立特征点向量并依次进行映射找出所有可能的仿射矩阵，即候选仿射矩阵；

步骤3.3.2通过以下过程找出最佳仿射矩阵：

对于某一候选仿射矩阵H，假设图像l_o中一条线段在图像l_b中的线段为定义线段和线段的能量函数为

      

E₁、E₂、E_m和分别为线段和线段的左端点、中点、右端点，d(.)表示两个点之间的距离，对于l_o中任一条线段从图像l_b中找到与其能量函数最小的即为它的映射线段，线段的能量值定义为

       $\begin{array}{cc}{\mathrm{\θ}}_j=\min \left({\mathrm{\θ}}_j^n\right)& n=\mathrm{1,2},\·\·\·,N_4\end{array}$

其中，N₄为l_b中轮廓线的数目；

当前仿射矩阵H的能量值为

       $E_i^H=\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{\mathrm{\θ}}_j$

其中，N₂为l_o中轮廓线的数目；

在所有仿射矩阵中，找出能量值最小的仿射矩阵即为最佳仿射矩阵；

步骤3.4通过仿射矩阵将建筑物点云模型映射到卫星底图。

一种基于轮廓的建筑物点云模型底图配准装置，包括轮廓线条提取模块、点云模型与底图配准模块；其中轮廓线条提取模块与点云模型与底图配准模块相连；

轮廓线条提取模块用于提取点云模型和卫星底图中建筑物的轮廓线条；

点云模型与底图配准模块用于根据点云模型与卫星底图中的建筑物轮廓线条将建筑物的点云模型正确放置到卫星底图上；

作为优选，所述轮廓线条提取模块包含了点云模型轮廓线条提取单元和卫星底图轮廓线条提取单元；点云模型轮廓线条提取单元用于提取点云模型中建筑物的轮廓线条，卫星底图轮廓线条提取单元用于提取卫星底图中的建筑物轮廓线条。

有益效果：

对比现有技术，本发明方法能够准确对点云模型和底图进行自动化配准，有效降低配准所需人工工作量，降低配准成本。

附图说明：

图1为本发明实施例一种基于轮廓的建筑物点云模型底图配准方法流程示意图；

图2为本发明实施例线段之间的纵向距离概念示意图；

图3为本发明实施例一种基于轮廓的建筑物点云模型底图配准装置结构示意图。

具体实施方式

下面将结合附图和实施例对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

实施例1

一种基于轮廓的建筑物点云模型底图配准方法，包括以下步骤：

步骤一、建筑物点云模型边界线条提取

步骤1.1建筑物点云模型姿态估计

在本实施例中利用开源点云数据处理库PCL(Point Cloud Library)对点云模型中点的法线进行估计，具体步骤如下：

a)使用pcl的StatisticalOutlierRemoval滤波器移除偏远点；

b)使用pcl的NormalEstimation方法通过点附近的点云信息拟合切面的方法估计该点的法向量；

然后对所有点的法线以角度θ进行聚类，因为常规的现代化建筑物的各相邻外表面自身就存在互相垂直的空间结构关系，所以存在三个分类的向量在相互近似垂直的同时它们所在聚类的三维点数目应该是较多的，所以先对所有聚类按照三维点个数从大到小排列，然后从前往后依次遍历所有可能的组合情况，直到找到第一组三个互相近似垂直的向量d₁,d₂,d₃，也即三个向量的夹角都在80度到100度之间变动，这时候将向量d₁,d₂,d₃分别视为建筑物点云模型的垂直正方向和建筑物墙面的2个法线向量，然后从d₁,d₂,d₃中选取与模型所在世界坐标系坐标轴z轴夹角最小的向量作为点云模型的正方向。

作为优选，θ＝10；

步骤1.2建筑物点云模型俯视轮廓检测

步骤1.2.1得到点云模型在世界坐标系下的俯视图

在检测到点云模型的z轴方向后，需要将点云模型归一化到统一的世界坐标系下，以便得到整个建筑物点云模型的俯视图，进而检测得到该建筑的俯视轮廓线条，具体做法如下:

利用上一步骤中得到的三个向量d₁,d₂,d₃与世界坐标系中3个正方向进行比较，求出检测到的建筑物点云所在的坐标系与世界坐标系间的旋转角度分别为α,β,γ，那么点云模型各点(x,y,z)矫正后的坐标为

       $\left[\begin{array}{cccc}{x}^{\′}& y^{\′}& z^{\′}& l\end{array}\right]=\left[\begin{array}{cccc}x& y& z& l\end{array}\right]\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& \cos \mathrm{\α}& \sin \mathrm{\α}& 0\\ 0& -\sin \mathrm{\α}& \cos \mathrm{\α}& 0\\ 0& 0& 0& 1\end{array}\right]$

       $\left[\begin{array}{cccc}\cos \mathrm{\β}& 0& -\sin \mathrm{\β}& 0\\ 0& 1& 0& 0\\ \sin \mathrm{\β}& 0& \cos \mathrm{\β}& 0\\ 0& 0& 0& 1\end{array}\right]\left[\begin{array}{cccc}\cos \mathrm{\γ}& \sin \mathrm{\γ}& 0& 0\\ -\sin \mathrm{\γ}& \cos \mathrm{\γ}& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

矫正建筑物点云模型的坐标系后，将新坐标系下的点云模型在XOY平面上投影便得到当前建筑物点云模型的俯视图；

步骤1.2.2从俯视图中检测出模型的轮廓

本方法采用一种自顶向下的分割方法对模型俯视投影区域进行四叉树分割，具体如下：

首先提取模型所在的最外层矩形区域(即当前投影模型的包络)，并针对这个矩形区域进行四叉树分割条件判断；如果满足分割条件，则将该矩形区域分割为4个子区域，然后分别对四个子区域进行下一步分割条件判断和分割处理，如此迭代循环，直至不能再进行细分截止；

所述四叉树分割判断条件主要包含以下几个因素：当前区域内点云密度，当区域内点云密度ρ小于预设阈值ρ_min时，该区域便不再进行分割；投影到当前区域内所有点的坐标z值的标准差SD，当标准差小于预设的阈值SD_min时，该区域便不再进行分割；

作为优选，ρ_min为整体点云密度的0.35倍，SD_min为坐标z值最大值与最小值之和的0.45倍。

在得到四叉树分割的结果后，针对分割后的区域进行初步分类，将整个点云模型俯视图分割为以下四种区域：无点区域、墙面点区域、屋顶点区域和地面点区域；分类时主要考虑到的因素是各分区区域内点的密度信息和z值分布信息；例如墙面点区域在整个z轴分布密度较高，屋顶点区域仅在z值较大的某个平面分布较密，地面点在z值较小的平面分布比较密集等；

接下来，对于初步分类后的墙面点区域根据相邻关系将墙面进行拼接融合，得到相对准确的最表层三维点区域；然后根据这些三维点的俯视投影，初步勾勒出整栋建筑的俯视轮廓图。

步骤1.3通过改进的LSD算法对建筑物点云模型俯视轮廓图做边缘检测，得到建筑物的俯视边界线条，即建筑物的俯视轮廓：

由于图像数据存在诸如形变、模糊或遮挡等质量问题，导致LSD算法的提取结果往往存在大量的断裂和噪声，无法较为完整地勾勒出建筑物的完整线特征信息；因此，本实施例对传统的LSD算法进行了改进，通过以下过程获取建筑物的俯视边界线条：

a)使用传统LSD算法提取图像中的线段

b)对于上一步骤得到的线段进行以下五种判定：

i.噪声剔除

根据预设的阈值THR_l，对步骤2.1得到的所有线段进行比较，删除其

中长度小于THR_l的线段；

作为优选，THR_l＝10；

ii.斜率一致性判定

当两条线段l₁和l₂之间的夹角θ小于预设的夹角阈值THR_θ时，便认为这

两条线段是平行的；

作为优选，THR_θ＝15；

iii.平行线过滤

对于被判定为平行的线段对l₁和l₂，若两线段间距离大于一定阈值且有足够大的平行部分，则认为这两条线段平行且足够分离，不进行合并，这样可以保证一些平行的建筑线特征不会被合并在一起，具体可通过如下过程：

假设两个线段的长度分别为L₁和L₂，a为两条线段平行且投影相互重叠的部分长度，设定比例阈值THR_p，当小于THR_p时，认为两条线段是同一条长线段断裂成的子线段，需要将线段l₁和l₂进行合并，反之则表示这两条线段为两条独立且平行的线条，直接保留；

作为优选，THR_p＝0.4；

iv.横向距离判定

当两条线段l₁和l₂之间互相投影的距离足够近时，可以判定它们处于同一条直线上，L_i为线段l₁上各采样点到l₂所在直线间的距离，G_j为线段l₂上各采样点到l₁所在直线之间的距离。可以得到以下公式

       $\left\{\begin{array}{c}{d}_L=\frac{{\mathrm{\Σ}}_{i=1}^{N_1}{L}_i}{N_1}\\ d_G=\frac{{\mathrm{\Σ}}_{j=1}^{N_2}{G}_j}{N_2}\end{array}\right.$

式中，N₁和N₂分别为线段l₁和l₂上点的数目。设定横向距离阈值THR_c，当两条线段投影距离满足max(d_L,d_G)＜THR_c时，则判定两条线段在同一条直线上；

作为优选，THR_c＝4.5；

v.纵向距离判定

当检测到两条线段l₁和l₂处于同一条直线上时，这两条线段可能出现以下两种情况：两条线段原本就是同一条长线段断裂成为的子线段，这时候线段l₁和l₂的纵向距离较近；线段l₁和l₂不属于同一条轮廓线，仅仅因为两条线段所处的局部区域线条处于同一直线上，此时两条线段间纵向距离一般较大，极端情况为两条线段分别处于图像的两端，具体可通过下述过程完成：

L₁和L₂分别为两条线段l₁和l₂的长度，l₁和l₂间的纵向距离为d_min，其具体含义请参考图1，定义两条线段同属一条线段的隶属度为设定一个隶属度阈值THR_z，当满足时表示这两条线段是同一条线段断裂成的两个子线段，需要进行拼接，反之则表示这个线段对只是两条距离较远但近似共线的独立线段；

作为优选，THR_z＝0.1；

c)利用上述判定方式拟合新的线条

通过上述5种判定，可以在利用LSD算法检测得到初始线段后，利用线条的长度和几何分布等特征分别做噪声线段剔除和线段可拼接性检测，然后对可拼接的线段利用最小二乘算法做融合处理：对于检测到的可拼接线段，直接利用两条线段中包含的所有像素直接拟合出一条新的线段，并在拟合得到新的线条后重复步骤b)和步骤c)再次进行判定和拟合，直至不能再检测出可拼接线段时结束；

步骤二、基于线特征的建筑物遥感影像轮廓提取

使用上述改进的LSD算法得到遥感建筑物图像的轮廓；

步骤三、基于轮廓匹配的建筑物点云模型与底图配准

因为点云模型的建筑物轮廓与底图中建筑物轮廓存在旋转、平移、缩放关系，所以需要得到两个图的映射关系，而通过线条是无法确定两张图的仿射矩阵的，所以需要在提取出一系列准确匹配的特征对。针对初步提取到的建筑物轮廓线条，在经过一定处理可以得到更加鲁棒的建筑物轮廓线条，然后通过搜索一系列鲁棒性高的线段交点，即本文所需的建筑物轮廓结构拐点，就可以利用它们进行建筑物匹配；

步骤3.1筛选上一步骤中得到的所有线段

步骤3.1.1针对点云模型俯视图l_o和卫星底图l_b，根据现代化建筑俯视图自身的轮廓特性，将属于当前建筑轮廓所有的线条聚类为两个近似垂直的簇，也即两个簇各自的平均线条方向夹角在80到100度之间，同时将不属于这两个簇的线段视为噪声线条，予以剔除；

步骤3.1.2求出l_o中所有线条的平均长度，如果存在线条长度小于平均长度的倍，则剔除；

作为优选， ${\mathrm{THR}}_r^o=0.3;$

步骤3.1.3求出l_b中所有线条的平均长度，如果存在线条长度小于平均长度的倍，则剔除；

作为优选， ${\mathrm{THR}}_r^b=0.3;$

步骤3.2通过上一步骤得到的线段找出鲁棒性高的线段交点，即轮廓拐点

对于检测得到的两个近似垂直的线段簇和取C₁中的线段其两个端点分别为和那么所在直线和C₂中所有线段所在直线均有交点，对于C₂中任意一条线段首先判定和中哪一个点距离所在直线最近。若距离所在直线较近，则将线段和所在直线的交点记为线段在端的交点，反之则记为线段在端的交点。设线段在端的交点的能量函数为

      

那么和分别在C₂中检测得到的最小能量值对应的交点即为当前线段的端点，也是需要保留的备选轮廓拐点；

步骤3.3找到匹配轮廓拐点计算仿射矩阵

步骤3.3.1找出所有可能的仿射矩阵

假设点云模型俯视图l_o最终检测得到的轮廓拐点为生成的轮廓线为卫星底图l_b最终检测到的轮廓拐点为生成的轮廓线为对于模型俯视图中的任意一个拐点得到与它相接的两个线段的另外两个端点这三个点组成一个特征点向量在卫星底图上任一拐点同样找到与它相接的两个线段的另外两个端点，组成两个特征点向量 然后通过特征向量分别与的对应关系就可以得到两个仿射矩阵，遍历两个图上所有的拐点可以得到所有可能的仿射矩阵；

步骤3.3.2找出最佳仿射矩阵

对于某一候选仿射矩阵H，假设图像l_o中一条线段在图像l_b中的线段为定义线段和线段的能量函数为

      

E₁、E₂、E_m和分别为线段和线段的左端点、中点、右端点，d(.)表示两个点之间的距离，本例中使用欧氏距离，对于l_o中任一条线段从图像l_b中找到与其能量函数最小的即为它的映射线段，线段的能量值定义为

       $\begin{array}{cc}{\mathrm{\θ}}_j=\min \left({\mathrm{\θ}}_j^n\right)& n=\mathrm{1,2},\·\·\·,N_4\end{array}$

当前仿射矩阵H的能量值为

       $E_i^H=\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{\mathrm{\θ}}_j$

在所有仿射矩阵中，找出能量值最小的仿射矩阵即为所求，然后通过仿射矩阵就可以把点云模型映射到卫星底图。

实施例2

如图3所示为一种基于轮廓的建筑物点云模型底图配准装置结构示意图，由图中可以看出该装置包括轮廓线条提取模块、点云模型与底图配准模块；

轮廓线条提取模块用于提取点云模型和卫星底图中建筑物的轮廓线条；

点云模型与底图配准模块用于根据点云模型与卫星底图中的建筑物轮廓线条将建筑物的点云模型正确放置到卫星底图上；

作为优选，所述轮廓线条提取模块包含了点云模型轮廓线条提取单元和卫星底图轮廓线条提取单元；点云模型轮廓线条提取单元用于提取点云模型中建筑物的轮廓线条，卫星底图轮廓线条提取单元用于提取卫星底图中的建筑物轮廓线条。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于轮廓的建筑物点云模型底图配准方法，其特征在于，包括以下步骤：

步骤一、通过以下步骤进行建筑物点云模型俯视轮廓线条提取：

步骤1.1对建筑物点云模型进行姿态估计；

步骤1.2通过以下步骤根据建筑物点云模型z轴方向对其俯视轮廓进行提取：

步骤1.2.1对点云模型在世界坐标系下进行姿态矫正，然后对姿态矫正后的点云模型在XOY平面上投影得到当前建筑物点云模型的俯视图；

步骤1.2.2在俯视图中根据四叉树分割方法检测出模型的轮廓；

步骤1.2.3通过改进的LSD算法对建筑物点云模型俯视轮廓图做边缘检测，得到建筑物的俯视边界线条，即建筑物的俯视轮廓：

步骤二、通过改进的LSD算法对建筑物遥感影像进行基于线特征的轮廓提取；

步骤三、通过以下步骤进行基于轮廓匹配的建筑物点云模型与底图配准：

步骤3.1通过以下步骤筛选经过步骤2.3后得到的所有线段：

步骤3.1.1针对点云模型俯视图l_o和卫星底图l_b，根据现代化建筑俯视图自身的轮廓特性，将属于当前建筑轮廓所有的线条聚类为两个近似垂直的簇，同时将不属于这两个簇的线段视为噪声线条，予以剔除；

步骤3.1.2求出l_o中所有线条的平均长度，如果存在线条长度小于平均长度的倍，则剔除；为预定的点云模型俯视图噪声线条阈值；

步骤3.1.3求出l_b中所有线条的平均长度，如果存在线条长度小于平均长度的倍，则剔除；为预定的卫星底图噪声线条阈值；

步骤3.2对经步骤3.1处理后得到的线段通过下述过程找出鲁棒性高的线段交点：

对于检测得到的两个近似垂直的线段簇和取C₁中的线段其两个端点分别为和那么所在直线和C₂中所有线段所在直线均有交点，对于C₂中任意一条线段首先判定和中哪一个点距离所在直线最近；若距离所在直线较近，则将线段和所在直线的交点记为线段在端的交点，反之则记为线段在端的交点；线段在端的交点的能量函数为

和分别在C₂中检测得到的最小能量值对应的交点即为当前线段的端点，也是需要保留的备选轮廓拐点；

步骤3.3通过以下步骤找到匹配轮廓拐点以及最佳仿射矩阵：

步骤3.3.1通过对两个图上所有的备选轮廓拐点建立特征点向量并依次进行映射找出所有可能的仿射矩阵，即候选仿射矩阵；

步骤3.3.2通过以下过程找出最佳仿射矩阵：

对于某一候选仿射矩阵H，假设图像l_o中一条线段在图像l_b中的线段为定义线段和线段的能量函数为

E₁、E₂、E_m和分别为线段和线段的左端点、中点、右端点，d(.)表示两个点之间的距离，对于l_o中任一条线段从图像l_b中找到与其能量函数最小的即为它的映射线段，线段的能量值定义为

${\mathrm{\θ}}_j=\min \left({\mathrm{\θ}}_j^n\right),n=\mathrm{1,2},...,N_4;$

其中，N₄为l_b中轮廓线的数目；

当前仿射矩阵H的能量值为

$E_i^H=\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{\mathrm{\θ}}_j;$

其中，N₂为l_o中轮廓线的数目；

在所有仿射矩阵中，能量值最小的仿射矩阵即为最佳仿射矩阵；

步骤3.4通过最佳仿射矩阵将建筑物点云模型映射到卫星底图。

2.根据权利要求1所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：所述步骤1.1进一步通过以下步骤完成姿态估计：

步骤1.1.1采用开源点云数据处理库PCL对点云模型中点的法线进行估计，具体步骤如下：

a)使用pcl的StatisticalOutlierRemoval滤波器移除偏远点；

b)使用pcl的NormalEstimation方法通过点附近的点云信息拟合切面的方法估计该点的法向量；

步骤1.1.2对所有点的法线以角度θ进行聚类，然后对所有聚类按照三维点个数从大到小排列，接下来从前往后依次遍历所有可能的组合情况，直到找到第一组三个互相近似垂直的向量d₁,d₂,d₃，也即三个向量的夹角都在80度到100度之间变动，这时候将向量d₁,d₂,d₃分别视为建筑物点云模型的垂直正方向和建筑物墙面的2个法线向量；

步骤1.1.3从d₁,d₂,d₃中选取与模型所在世界坐标系坐标轴z轴夹角最小的向量作为点云模型的正方向。

3.根据权利要求2所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：θ＝10。

4.根据权利要求1所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：所述步骤1.2.2进一步通过以下过程完成：

首先，提取模型所在的最外层矩形区域，并针对这个矩形区域进行四叉树分割条件判断；如果满足分割条件，则将该矩形区域分割为4个子区域，然后分别对四个子区域进行下一步分割条件判断和分割处理，如此迭代循环，直至不能再进行细分截止；

其次，对分割后的区域根据各分区区域内点的密度信息和z值分布信息进行初步分类，将整个点云模型俯视图分割为以下四种区域：无点区域、墙面点区域、屋顶点区域和地面点区域；

再次，对于初步分类后的墙面点区域根据相邻关系将墙面进行拼接融合，得到相对准确的最表层三维点区域；然后根据这些三维点的俯视投影，初步勾勒出整栋建筑的得到俯视轮廓图；

最后，通过改进的LSD算法对建筑物点云模型俯视轮廓图做边缘检测，得到建筑物的俯视边界线条。

5.根据权利要求4所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：所述四叉树分割判断条件包含以下几个因素：当前区域内点云密度，当区域内点云密度ρ小于预设阈值ρ_min时，该区域便不再进行分割；投影到当前区域内所有点的坐标z值的标准差SD，当标准差小于预设的阈值SD_min时，该区域便不再进行分割。

6.根据权利要求5所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：ρ_min为整体点云密度的0.35倍，SD_min为坐标z值最大值与最小值之和的0.45倍。

7.根据权利要求1所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：所述改进的LSD算法过程如下：

步骤1使用传统LSD算法提取图像中的线段；

步骤2对于上一步骤得到的线段进行以下五种判定：

(1)噪声剔除：根据预设的阈值THR_l，对所有线段进行比较，删除其中长度小于THR_l的线段；

(2)斜率一致性判定：当两条线段l₁和l₂之间的夹角θ小于预设的夹角阈值THR_θ时，便认为这两条线段是平行的；

(3)平行线过滤：对于被判定为平行的线段对l₁和l₂，当小于THR_p时，认为两条线段是同一条长线段断裂成的子线段，需要将线段l₁和l₂进行合并，反之则表示这两条线段为两条独立且平行的线条，直接保留；其中，l₁和l₂的长度分别为L₁和L₂，a为两条线段平行且投影相互重叠的部分长度，THR_p为预设的比例阈值；

(4)横向距离判定：当两条线段l₁和l₂之间互相投影的距离足够近时，可以判定它们处于同一条直线上，L_i为线段l₁上各采样点到l₂所在直线间的距离，G_j为线段l₂上各采样点到l₁所在直线之间的距离，根据下述公式：

$\left\{\begin{array}{c}{d}_L=\frac{{\mathrm{\Σ}}_{i=1}^{N_1}{L}_i}{N_1}\\ d_G=\frac{{\mathrm{\Σ}}_{j=1}^{N_2}{G}_j}{N_2}\end{array}\right.;$

其中，N₁和N₂分别为线段l₁和l₂上采样点的数目；以及预设的横向距离阈值THR_c，当两条线段投影距离满足max(d_L,d_G)＜THR_c时，则判定两条线段在同一条直线上；

(5)纵向距离判定：当检测到两条线段l₁和l₂处于同一条直线上时，根据下述两条线段同属一条线段的隶属度计算公式以及预设的隶属度阈值THR_z判断，当时表示这两条线段是同一条线段断裂成的两个子线段，需要进行拼接；反之则表示这个线段对只是两条距离较远但近似共线的独立线段：

$\widetilde{\mathrm{\τ}}=\min (\frac{d_{\min }}{L_1},\frac{d_{\min }}{L_2});$

其中，d_min为l₁和l₂间的纵向距离；

步骤3利用上述判定拟合新的线条；

步骤4对经过步骤3得到的线条重复步骤2和步骤3过程，直到不能再检测出可拼接的线段时为止。

8.根据权利要求1所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：所述THR_l＝10，THR_θ＝15，THR_p＝0.4，THR_c＝4.5，THR_z＝0.1。

9.根据权利要求1所述的一种基于轮廓的建筑物点云模型底图配准方法，其特征在于：所述 ${\mathrm{THR}}_r^o=0.3,{\mathrm{THR}}_r^b=0.3.$