CN106970375B

CN106970375B - 一种机载激光雷达点云中自动提取建筑物信息的方法

Info

Publication number: CN106970375B
Application number: CN201710109898.XA
Authority: CN
Inventors: 何明; 李勇; 雍斌; 任立良; 张晓祥; 方秀琴; 冯莉; 周嘉俊
Original assignee: Hohai University HHU
Current assignee: Hohai University HHU
Priority date: 2017-02-28
Filing date: 2017-02-28
Publication date: 2020-02-18
Anticipated expiration: 2037-02-28
Also published as: CN106970375A

Abstract

本发明公开了一种机载激光雷达点云中自动提取建筑物信息的方法，方法为使用机载激光雷达系统对目标区域进行数据采集，根据约束条件从原始点云中随机选取不共线的三个点云，根据所选点云的空间坐标计算其确定的平面方程，计算各点云到该平面的距离di并计算其标准偏差σ，设置阈值t＝2σ，当d_i＞t时，将该点云分类为局外点，反之则分类为局内点，并统计局内点个数；将上述步骤迭代一定次数，选择包含局内点个数最多的平面，将得到的平面中的点云剔除，剩余的点作为下一次处理的原始点云数据集，重复上述步骤，直到提取出了所有的建筑物点云平面，最后利用三维形态学腐蚀运算去除部分误分类点云。本方法提升了建筑物点云提取的速度和精准度。

Description

一种机载激光雷达点云中自动提取建筑物信息的方法

技术领域

本发明涉及一种利用机载激光雷达点云数据提取建筑物信息的方法，属于利用机载激光雷达进行测绘、获取数字化建筑物信息的技术领域。

背景技术

从激光雷达点云数据中提取高精度的建筑物信息是城市空间数据的重要获取手段，在城市规划、资源配置、基础设施管理等方面具有重要作用，是生成3D城市模型的首要步骤。城市化进程的不断加速使得人们对城市建筑物信息实时准确快速获取的要求越来越高。机载激光雷达是一种能够实时准确快速获取多等级三维空间目标的高新技术，是构建数字城市的重要依靠。它可以在不需要大量地面控制点的情况下，在短时间内完成大面积区域的建筑物立面特征及其局部细节信息的自动获取，满足了地理信息处理高精度、高密度、低成本、高效率的作业需求。这些优点使得机载激光雷达在建筑物信息获取领域得到了广泛的研究和应用。然而，现实环境中建筑物形状的多样性和周围环境的复杂性使得机载激光雷达数据的处理极具挑战性，有必要提出更为有效的方法对建筑物进行自动提取。

发明内容

有鉴于此，本发明的目的在于提供一种由机载激光雷达点云数据提取建筑物信息的方法，以解决传统算法在提取建筑物点云时存在的迭代次数过多、精确度不高、对复杂形状建筑物提取效果一般等问题

为达到上述目的，本发明提供如下技术方案：

一种机载激光雷达点云中自动提取建筑物信息的方法，包括以下步骤：

步骤一，使用机载激光雷达系统对目标区域进行数据采集，得到原始点云数据；

步骤二，根据约束条件从原始点云数据集中随机选取不共线的三个点作为初始种子点；

步骤三，根据所选初始种子点的空间坐标计算其确定的平面方程；

步骤四，计算各点云到该平面的距离d_i并计算其标准偏差σ，i为点云的序号；

步骤五，设置阈值t＝2σ，当d_i＞t时，将该点云分类为局外点，反之则分类为局内点，并统计局内点个数；

步骤六，将步骤二至步骤五迭代一定次数，选择包含局内点个数最多的平面；

步骤七，将步骤六中得到的平面中的点云剔除，剩余的点作为下一次处理的原始点云数据集，重复步骤二至七，直到提取出了所有的建筑物点云平面；

步骤八，利用三维形态学腐蚀运算去除部分误分类点云，获取建筑物分布信息。

进一步的，所述步骤二通过设立约束条件对原始点云数据集进行随机抽样，约束条件为：

1)预先将原始点云数据集建立格网索引，为避免采样点云之间距离过远，在随机选取初始种子点时，采样点云格网索引差值应小于设定阈值α；

2)不同屋顶面间往往彼此相离，甚至存在高程突变，同一屋顶面内部存在连通性，点云之间高程值应该相差不大，因此可以根据点云的邻接关系，对选取的初始种子点高程值加以约束，每次只选取高程差值小于一阈值D的点云。

进一步的，步骤三中的平面方程为ax+by+cz＝d,其中a,b,c,d根据所选三个点云的坐标值确定，设三个点云坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，则a＝y1*z2-y1*z3-y2*z1+y2*z3+y3*z1-y3*z2；b＝-x1*z2+x1*z3+x2*z1-x2*z3-x3*z1+x3*z2；c＝x1*y2-x1*y3-x2*y1+x2*y3+x3*y1-x3*y2；d＝-x1*y2*z3+x1*y3*z2+x2*y1*z3-x2*y3*z1-x3*y1*z2+x3*y2*z1。

进一步的，所述步骤四中距离d_i和标准偏差σ的计算公式分别为：

其中

i为点云的序号，x_i，y_i，z_i为第i个点云的空间坐标，n为参与计算的点云个数。

进一步的，所述步骤八使用三维形态学腐蚀运算去除部分误分类为建筑物点云的植被点云，从而提高了测量精度。

本发明的有益效果在于：本发明创造提供的方法，首先从原始点云集中提取初始建筑物点云平面，再利用腐蚀运算去除误分类的部分低矮植被点云。此方法在得到较高的精度和鲁棒性的情况下，还大幅度减少了运算量,提升了建筑物点云提取的速度和精准度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明创造实施例的方法流程图；

图2为本发明创造实施例的原始点云数据；

图3为本发明创造实施例的预处理实验结果；

图4为本发明创造实施例的腐蚀运算处理结果。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1至4所示，一种机载激光雷达点云中自动提取建筑物信息的方法，包括以下步骤：

步骤一，使用机载激光雷达系统对目标区域进行数据采集，根据最终产品的要求，设定合适的参数(如扫描频率、飞行高度等)，使用机载激光雷达系统对目标区域进行三维空间数据采集，得到原始点云数据；

步骤二，根据建立的约束条件，从原始点云数据集中随机选取三个点云，先判断这三个点是否共线，若共线则重新选取，约束条件为：

1)预先将原始点云数据集建立格网索引，为避免采样点云之间距离过远，在随机选取初始种子点时，采样点云格网索引差值应小于设定阈值α，α根据点云密度和建立的格网大小来确定，正常一个格网里面包含一个点云，而处于同一平面的点云格网索引值接近，这里α可以设置为一个较小的值；

2)不同屋顶面间往往彼此相离，甚至存在高程突变，同一屋顶面内部存在连通性，点云之间高程值应该相差不大，因此可以根据点云的邻接关系，对选取的初始种子点高程值加以约束，每次只选取高程差值小于一阈值D的点云，处于同一屋顶平面且距离较近的点云高程值相差不大，D可以取一个切合实际情况的值，如1m；

步骤三，根据所选点云的空间坐标计算其确定的平面方程，即为ax+by+cz＝d，a,b,c,d根据所选三个点云的坐标值确定，设三个点云坐标分别为(x1，y1，z1)、(x2，y2，z2)、(x3，y3，z3)，则a＝y1*z2-y1*z3-y2*z1+y2*z3+y3*z1-y3*z2；

b＝-x1*z2+x1*z3+x2*z1-x2*z3-x3*z1+x3*z2；

c＝x1*y2-x1*y3-x2*y1+x2*y3+x3*y1-x3*y2；

d＝-x1*y2*z3+x1*y3*z2+x2*y1*z3-x2*y3*z1-x3*y1*z2+x3*y2*z1；

步骤四，计算各点云到该平面的距离di并计算其标准偏差σ，

其中其中，i为点云的序号，x_i，y_i，z_i为第i个点云的空间坐标，n为参与计算的点云个数。

步骤五，对点云数据集的所有点云，计算得到每个点云到此平面的距离，设置阈值t＝2σ，若距离大于所设阈值，即当d_i＞t时，则将该点云判断为局外点，反之则判断为局内点，并统计局内点个数，统计每次处理结束后的局内点数量；

步骤六，计算迭代次数k，将步骤二至步骤五迭代k次，选择包含局内点个数最多的平面；

步骤八，上述算法提取出的建筑物点云中存在少量低矮植被点云，利用三维形态学腐蚀运算去除部分误分类点云，获取建筑物分布信息，提高了测量精度。算法思想：选取初始种子点，对该种子点8邻域进行遍历，如果邻域内有一个地面点，且距离小于给定阈值，则判断为低矮地物点。使用结构元素B(窗口)对建筑物面片区域f进行闭运算的定义如下：把结构元素B平移a后得到Ba，若Ba包含于f，则记下这个a点，把所有能满足以上条件的a点组成的集合称作f被B腐蚀的结果。用公式表示为：

下面用本发明提出的方法对点云数据进行实验，实验数据为经过滤波处理的Toronto某一街区的点云数据，数据包含了建筑物及植被等其它地物点云。实验中取α＝100，D＝1m。当在整个迭代抽取过程中，至少有一次抽取到的点云子集全部是局内点的概率大于99％时，迭代次数k应设为1000次。原始点云数据如图2所示，经过步骤二～七预处理后的实验结果如图3所示，图中黑色代表提取出的建筑物点云，可以发现存在将部分植被点云误分类成建筑物点云的问题(在图上已标记出来，圈出的区域为误分类区域)，造成了精度流失，从而需要用三维形态学腐蚀运算进一步处理，最终实验结果如图4所示，可以发现部分误匹配的植被点云已经去除，精度得到提升，实验结果中对一些复杂建筑物立面也有较好的提取效果，获得了具有整体性和层次性的建筑物点云平面。实验证明本发明提出的方法在有效提高精度和效率的同时，对所选区域的建筑物点云有着稳健的提取效果。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims

1.一种机载激光雷达点云中自动提取建筑物信息的方法，其特征在于，包括以下步骤：

步骤八，利用三维形态学腐蚀运算去除部分误分类点云，获取建筑物分布信息；

其中，所述步骤二通过设立约束条件对原始点云数据集进行随机抽样，约束条件为：

2)不同屋顶面间往往彼此相离，甚至存在高程突变，同一屋顶面内部存在连通性，点云之间高程值相差不大，因此能够根据点云的邻接关系，对选取的初始种子点高程值加以约束，每次只选取高程差值小于一阈值D的点云。

2.根据权利要求1所述的机载激光雷达点云中自动提取建筑物信息的方法，其特征在于：步骤三中的平面方程为ax+by+cz＝d，其中a,b,c,d根据所选三个点云的坐标值确定，设三个点云坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，则：

a＝y1*z2-y1*z3-y2*z1+y2*z3+y3*z1-y3*z2；

b＝-x1*z2+x1*z3+x2*z1-x2*z3-x3*z1+x3*z2；

c＝x1*y2-x1*y3-x2*y1+x2*y3+x3*y1-x3*y2；

d＝-x1*y2*z3+x1*y3*z2+x2*y1*z3-x2*y3*z1-x3*y1*z2+x3*y2*z1。

3.根据权利要求1所述的机载激光雷达点云中自动提取建筑物信息的方法，其特征在于：所述步骤四中距离d_i和标准偏差σ的计算公式分别为：

其中

4.根据权利要求1所述的机载激光雷达点云中自动提取建筑物信息的方法，其特征在于：所述步骤八使用三维形态学腐蚀运算去除部分误分类为建筑物点云的植被点云。