CN108109139B - 基于灰度体元模型的机载lidar三维建筑物检测方法 - Google Patents

Abstract

本发明提出一种基于灰度体元模型的机载LIDAR三维建筑物检测方法，该方法为：读取原始机载LIDAR点云数据，形成原始机载LIDAR点云数据集；将原始机载LIDAR点云数据规则化为灰度3D体元数据集；对灰度3D体元数据集进行建筑物屋顶体元检测；基于缓冲区分析，对灰度3D体元数据集进行建筑物立面体元检测。该方法综合利用了LIDAR数据的几何和辐射信息并很好地利用了3D体元数据中各体元间隐含的邻域关系，有助于基于体元理论的机载LIDAR点云数据处理及应用的发展。

Description

基于灰度体元模型的机载LIDAR三维建筑物检测方法

技术领域

本发明属于遥感数据处理技术领域，具体涉及一种基于灰度体元模型的机载LIDAR三维建筑物检测方法。

背景技术

从机载激光雷达(Light Detection And Ranging，LIDAR)点云数据中自动检测城区目标是近几十年来研究的一个重要课题。机载LIDAR能提供高精度、高密度的离散多次回波3D点云数据，并完整记录各次回波的强度信息。这为城区目标特别是建筑物目标的自动检测提供了丰富的信息。经典的基于机载LIDAR点云数据的建筑物检测方法可分为以下几类：基于拟合的方法、数学形态学方法、数字图像处理方法、模式识别方法及融合LIDAR数据和其它类型的航空影像或GIS数据的方法。上述方法采用的数据结构形式主要有离散点云、栅格格网及不规则三角网。离散点云数据结构为真3D数据结构，但其空间邻域信息难以利用，由此导致基于点云的建筑物检测算法的设计困难；栅格格网和不规则三角网的同一平面(X，Y)坐标只能对应一个高程(Z)值，该类数据结构表达对3D LIDAR点云数据而言必然存在信息损失，进而影响基于该类结构的目标检测结果的完整性。可见，经典建筑物检测方法所采用的数据结构均不利于发挥机载LIDAR真3D的技术优势。体元数据结构是一种真3D数据结构，用其表达LIDAR点云数据不会造成信息损失。同时，该结构内部的体元间隐含有几何拓扑关系，因而基于该数据结构的数据处理算法设计相对容易。基于体元结构的机载LIDAR数据的分析多见于林业或与之相关的地面目标检测，本发明则创新性地将体元结构与建筑物目标检测相结合，提出了基于体元数据结构模型的3D建筑物目标检测方法。

发明内容

针对现有技术的不足，本发明提出一种基于灰度体元模型的机载LIDAR三维建筑物检测方法。

一种基于灰度体元模型的机载LIDAR三维建筑物检测方法，包括以下步骤：

步骤1：读取原始机载LIDAR点云数据，形成原始机载LIDAR点云数据集；

步骤2：将原始机载LIDAR点云数据规则化为灰度3D体元数据集；

步骤2.1：从原始机载LIDAR点云数据中剔除异常数据，得到去除异常数据集；

步骤2.2：将去除异常数据集规则化为灰度3D体元数据集；

步骤3：对灰度3D体元数据集进行建筑物屋顶体元检测；

步骤3.1：基于建筑物边缘点的高程跳变特性，从灰度3D体元数据集中搜索建筑物边缘体元作为种子体元V_k，其中，k＝1，2，...；

步骤3.2：对任一未标记的种子体元V_k，深度优先遍历灰度3D体元数据集中与种子体元 V_k3D连通且灰度差小于灰度差阈值T_g的所有未标记体元，并标记为L_l，直至标记所有与种子体元V_k3D连通且灰度差小于灰度差阈值T_g的体元集合，即建筑物屋顶体元集合，其中，l 为标记标签的索引，l＝1，2，...；

步骤3.3：基于面积特性、密度特性及强度特性，对建筑物屋顶体元集合进行优化，完成建筑物屋顶检测；

步骤4：基于缓冲区分析，对灰度3D体元数据集进行建筑物立面体元检测。

所述步骤2.1具体包含如下步骤：

步骤2.1.1：统计原始机载LIDAR点云数据中各个激光点高程值的频次，并以直方图的形式可视化显示统计结果；

步骤2.1.2：确定与真实地形对应的最高高程阈值T_h和最低高程阈值T_l；

步骤2.1.3：针对原始机载LIDAR点云数据中各个激光点，若其高程值高于最高高程阈值T_h或低于最低高程阈值T_l，则该激光点为异常数据，进行剔除，否则保留该激光点，最终获得去除异常数据集。

所述步骤2.2具体包含如下步骤：

步骤2.2.1：用去除异常数据的有向包围盒表示3D空间范围；

步骤2.2.2：根据去除异常数据集中激光点的平均点间距确定体元在x、y、z方向上的分辨率(Δx，Δy，Δz)，即体元大小；

步骤2.2.3：依据体元分辨率(Δx，Δy，Δz)对有向包围盒进行划分，得到3D体元格网，每一个3D体元格网单元即为体元；

步骤2.2.4：将去除异常数据集中各个激光点映射到3D体元格网，进而根据3D体元格网中包含的激光点的强度属性为各体元赋值，得到灰度3D体元数据集。

所述步骤3.2具体包含如下步骤：

3.2.1：初始化一个空栈，将V_k存入栈中并标记其为建筑物体元；

3.2.2：从栈顶弹出一个栈顶元素，获取与该栈顶元素3D连通且灰度差小于灰度差阈值 T_g的所有未标记的体元，标记为建筑物体元并存入栈中；

3.2.3：判断栈是否为空，若是，则灰度3D体元数据集中所有建筑物屋顶体元均被标记，否则，返回步骤3.2.2。

所述步骤3.3具体包含如下步骤：

步骤3.3.1：基于面积特性剔除非建筑物屋顶的3D连通区域；

步骤3.3.2：基于密度特性剔除非建筑物屋顶的3D连通区域；

步骤3.3.3：基于强度特性剔除非建筑物屋顶的3D连通区域。

所述步骤4具体包含如下步骤：

步骤4.1：检测各个建筑物屋顶的轮廓；

步骤4.2：在水平面上，以任一建筑物屋顶轮廓为中心，以一个体元为宽度向内侧和外侧建立缓冲区；

步骤4.3：对任一非0值体元，若其位于缓冲区内部且其灰度值与其对应的建筑物屋顶的灰度值之差小于灰度差阈值T_g，则判定为建筑物立面体元。

所述根据3D体元格网中包含的激光点的强度属性为各体元赋值的具体过程如下所示：

将含有激光点的体元赋值为激光点强度均值、将不含有激光点的体元赋值为0，进一步将各体元赋值离散化到{0，…，255}，得到各体元值。

本发明的有益效果：

本发明提出一种基于灰度体元模型的机载LIDAR三维建筑物检测方法，该方法首先将机载LIDAR点云数据规则化为灰度体元数据；然后利用建筑物边缘点的高程跳变特性从灰度体元数据中搜寻建筑物边缘体元作为种子体元，并标记与其3D连通且灰度值相近的全部体元为建筑物屋顶体元；最后利用建筑物立面垂直于屋顶轮廓的特性基于对建筑物屋顶轮廓的缓冲区分析检测建筑物立面体元。该方法以3D连通性构建理论为基础，使得点云数据中的目标信息检测从点云聚类等传统方式转换成基于体元空间邻域关系的搜索标记方式，综合利用了LIDAR数据的几何和辐射信息并很好地利用了3D体元数据中各体元间隐含的邻域关系，有助于基于体元理论的机载LIDAR点云数据处理及应用的发展。

附图说明

图1为本发明具体实施方式中基于灰度体元模型的机载LIDAR三维建筑物检测方法的流程图；

图2为本发明具体实施方式中原始机载LIDAR点云数据；

其中，(a)为Area2点云数据，(b)为Area3点云数据，(c)为Area2点云数据对应的图像，(d)为Area3点云数据对应的图像；

图3为本发明具体实施方式中将原始机载LIDAR点云数据规则化为灰度3D体元数据集的流程图；

图4为本发明具体实施方式中对灰度3D体元数据集进行建筑物屋顶体元检测的流程图；

图5为本发明具体实施方式中步骤3中的各邻域尺度示意图；

其中，(a)为6邻域，(b)为18邻域，(c)为26邻域，(d)为56邻域；

图6为本发明具体实施方式中Area2的灰度频率直方图；

图7为本发明具体实施方式中完成建筑物屋顶检测的流程图；

图8为本发明具体实施方式中缓冲区设置的示意图；

其中，黑色体元代表提取的建筑物屋顶轮廓，深灰色体元代表内侧缓冲区，浅灰色体元代表外侧缓冲区；

图9为本发明具体实施方式中以Area3为例的应用本发明方法所得的建筑物检测结果。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

本实施方式中，在CPU dual-core 3.5GHz、内存4GB、Windows 7旗舰版系统上使用MATLAB 7.11.0平台编程实现该方法，并进一步通过对该方法的精度评定验证方法的有效性。

一种基于灰度体元模型的机载LIDAR三维建筑物检测方法，如图1所示，包括以下步骤：

步骤1：读取原始机载LIDAR点云数据，形成原始机载LIDAR点云数据集。

本实施方式中，采用国际摄影测量与遥感协会(International Society forPhotogrammetry and Remote Sensing，ISPRS)第III/4工作组提供的两组(Area2和Area3，如图2所示)专门用于目标分类算法测试的城区样本数据作为实验数据，以检验方法的有效性和可行性。实验数据由LeicaALS50机载激光扫描仪获取(航高500米，视场角45)。这两组数据中包含被树木围绕的高层城市住宅建筑物和带有小附属建筑物的居民区。点云数据密度为4点/m²。

本实施方式中，定义原始机载LIDAR点云数据P＝{p_i(x_i，y_i，z_i)，i＝1，...，n}，其中，i是原始机载LIDAR点云数据的索引，n是原始机载LIDAR点云数据的个数，p_i是第i个原始机载LIDAR点云数据，其坐标为(x_i，y_i，z_i)。

步骤2：将原始机载LIDAR点云数据规则化为灰度3D体元数据集，具体流程如图3所示。

步骤2.1：从原始机载LIDAR点云数据中剔除异常数据，得到去除异常数据集。

步骤2.1.1：统计原始机载LIDAR点云数据中各个激光点高程值的频次，并以直方图的形式可视化显示统计结果。

步骤2.1.2：确定与真实地形对应的最高高程阈值T_h和最低高程阈值T_l。

步骤2.1.3：针对原始机载LIDAR点云数据中各个激光点，若其高程值高于最高高程阈值T_h或低于最低高程阈值T_l，则该激光点为异常数据，进行剔除，否则保留该激光点，最终获得去除异常数据集。

本实施方式中，去除异常数据集记做Q＝{q_i′(x_i′，y_i′，z_i′)，i′＝1，...，t}，其中，i′是去除异常数据集中数据的索引，t是去除异常数据集中数据的个数，q_i′是去除异常数据集中第i′个数据，其坐标为(x_i′，y_i′，z_i′)。

本实施方式中，最高高程阈值T_h和最低高程阈值T_l为常数，其取值需根据原始机载LIDAR点云数据的空间分布情况确定。

步骤2.2：将去除异常数据集规则化为灰度3D体元数据集。

步骤2.2.1：用去除异常数据的有向包围盒表示3D空间范围。

本实施方式中，去除异常数据集Q的有向包围盒为长方体，其底面大小可通过求取去除异常数据集Q在XY平面上投影的最小外接矩形确定，其高可由(z_max-z_min)确定。

其中，z_max是去除异常数据集Q中激光点的z坐标的最大值，z_min是去除异常数据集Q中激光点的z坐标的最小值，z_max＝max{z_i′，i′＝1，...，t}，z_min＝min{z_i′，i′＝1，...，t}。

步骤2.2.2：根据去除异常数据集Q中激光点的平均点间距确定体元在x、y、z方向上的分辨率(Δx，Δy，Δz)，即体元大小。

本实施方式中，体元在x、y、z方向上的分辨率Δx、Δy、Δz的计算公式如式(1)所示：

其中，S_xy＝{(x_i′，y_i′)，i′＝1，...，t}为去除异常数据集Q在XOY平面上的投影所得二维点集，C(S_xy)是点集S_xy的凸壳，A(C(S_xy))是凸壳C(S_xy)面积。

步骤2.2.3：依据体元分辨率(Δx，Δy，Δz)对有向包围盒进行划分，得到3D体元格网，每一个3D体元格网单元即为体元。

本实施方式中，基于体元分辨率(Δx，Δy，Δz)就可以将有向包围盒划分为3D体元格网，用 3D体元阵列表示。设V是3D体元阵列中的体元集合，如式(2)所示：

V＝{v_j(r_j，c_j，l_j)，j＝1，…，m}， (2)

其中，j是体元索引；m是体元数；v_j是第j个体元的体元值；(r_j，c_j，l_j)是第j个体元在体元阵列中的坐标(行、列和层号)。X方向上的体元个数为R，Y方向上的体元个数为C，Z方向上的体元个数为L。其中，R、C、L由公式(3)所示：

其中，

为向上取整操作符，x_max＝max{x_i′，i′＝1，...，t}，x_min＝min{x_i′，i′＝1，...，t}， y_max＝max{y_i′，i′＝1，...，t}，y_min＝min{y_i′，i′＝1，...，t}。

由此可以得出，体元数m如式(4)所示：

m＝R*C*L (4)

步骤2.2.4：将去除异常数据集中各个激光点映射到3D体元格网，进而根据3D体元格网中包含的激光点的强度属性为各体元赋值，得到灰度3D体元数据集。

本实施方式中，将去除异常数据集Q中各个激光点映射到3D体元格网，进而根据3D体元格网中包含的激光点的强度属性为各体元赋值。其中，将含有激光点的体元赋值为激光点强度均值、将不含有激光点的体元赋值为0，如式(5)所示：

其中，

为向下取整操作符。进一步将各体元赋值离散化到{0，…，255}，得到各体元值。由此，得到灰度3D体元数据集，完成对去除异常数据集的规则化。

步骤3：对灰度3D体元数据集进行建筑物屋顶体元检测，具体流程如图4所示。

步骤3.1：基于建筑物边缘点的高程跳变特性，从灰度3D体元数据集中搜索建筑物边缘体元作为种子体元V_k，其中，k＝1，2，...。

本实施方式中，对于灰度3D体元数据集中的任一非0值体元，若该非0值体元和其水平8邻域内的非0值体元的高程差大于高差阈值T_e(常数，2米)，则判定该体元为建筑物边缘体元，将其作为种子体元V_k。

步骤3.2：对任一未标记的种子体元V_k，深度优先遍历灰度3D体元数据集中与种子体元 V_k3D连通且灰度差小于灰度差阈值T_g的所有未标记体元，并标记为L_l，直至标记所有与种子体元V_k3D连通且灰度差小于灰度差阈值T_g的体元集合，即建筑物屋顶体元集合，其中，l 为标记标签的索引，l＝1，2，...。

3.2.1：初始化一个空栈，将V_k存入栈中并标记其为建筑物体元。

3.2.2：从栈顶弹出一个栈顶元素，获取与该栈顶元素3D连通且灰度差小于灰度差阈值 T_g的所有未标记的体元，标记为建筑物体元并存入栈中。

本实施方式中，所述体元值相近的体元即灰度差小于灰度差阈值T_g的两个体元；与该建筑物体元3D连通是指：与该建筑物体元6、18、26、56连通或其它邻域尺度的连通，如图5 所示。

3.2.3：判断栈是否为空，若是，则灰度3D体元数据集中所有建筑物屋顶体元均被标记，否则，返回步骤3.2.2。

本实施方式中，在上述标记过程中应用不同的邻域尺度及不同的灰度差阈值T_g会得到不同的建筑物屋顶检测结果。最佳邻域尺度将在实验中确定。最佳灰度差阈值由下述方案确定 (以实验数据Area2为例)：

统计3D体元阵列V中的非0值体元的灰度值的频率，并以直方图形式显示，如图6所示，图中包含3个正态分布，第2个正态分布对应建筑物和地面目标，其峰值为33。为了保证属于单体建筑的体元均被划分到一个3D连通区域，对应于建筑物的第2个正态分布被用来计算最优的灰度差阈值T_g。第2个正态分布灰度值的范围为[10，90]，其均值μ和标准差σ分别是45.5和19.7。2.3σ被用作最优的灰度差阈值T_g。选择乘数2.3的原因在于所有的建筑物的灰度等级都在2.3σ范围内。

本实施方式中，参考数据采用了ISPRS第III/4工作组提供的建筑物标准数据(被准确分类为建筑物点集和非建筑物点集的实验数据)，以定量评价本发明方法的计算精度。

本发明提出的建筑物检测方法的成果是以体元形式表示的，而参考数据中的建筑物则是以离散的LIDAR激光点云数据表达的。为和参考数据做对比以评价本发明提出的方法精度，首先统计本方法所检测的建筑物体元内包含的原始机载LIDAR点云数据的个数，然后和参考数据进行比对进而用正确率(正确检测的建筑物激光点数占检测结果中建筑物激光点总数的比例)、完整度(正确检测的建筑物激光点数占标准数据中建筑物激光点总数的比例)、质量及Kappa系数来定量评价本发明所提出的建筑物检测方法的有效性。

表1为本实施例中，邻域尺度分别为6、8、26、56及80时，应用本发明方法对2个测试数据进行建筑物检测，对应的建筑物检测结果的Kappa系数。该表中的数据旨在考查不同领域尺度对建筑物检测结果的影响，并由此确定最优邻域尺度。

表1不同邻域尺度的建筑物检测结果的精度

由表1可知，6、18、26、56和80邻域的平均Kappa系数分别为62.2％、73.5％、75.5％、 90.7％和88.6％。这说明：(1)56邻域对应最大的Kappa系数，因此，从Kappa系数指标来看，56邻域是最佳邻域尺度；(2)邻域尺度的增加并不意味着检测精度的必然提高。本发明提出方法的思想是，建筑物信息可以通过基于体元阵列中定义的连通性和强度相似性来传播。以6邻域为例，建筑物信息只能向其上、下、左、右、前、后6个方向传播，由此导致只有平顶建筑物(例如，Area 2)上的体元才能被合并到一个3D连通区域并被正确检测，而位于尖顶建筑物(例如，，Area 3)上的体元可能被划分到多个3D连通区域并因此被后继的面积等特性而误判。这可以解释为什么6邻域的Area 2的Kappa系数远高于Area 3。随着邻域尺度的增加，传播的方向增加，更多的体元被分类为建筑物，使用18、26、56邻域比6邻域产生更好的结果。但如果邻域尺度太大，有些非建筑物体元可能被误判为建筑物，这可以解释为何80邻域对比56邻域的精度反而有所下降。

步骤3.3：基于面积特性、密度特性及强度特性，对建筑物屋顶体元集合进行优化，完成建筑物屋顶检测；。

本实施方式中，建筑物屋顶的特性为：具有一定的面积；和其它目标(如植被等)的空间分布存在密度及强度差异。根据建筑物屋顶的上述面积、密度及强度特性对步骤3.2所得的建筑物屋顶的3D连通区域进行优化，即剔除其中存在的个别非建筑物屋顶的3D连通区域。

步骤3.3.1：基于面积特性剔除非建筑物屋顶的3D连通区域。

本实施方式中，令原始机载LIDAR点云数据集P中的最小建筑物面积为A_min，令原始机载LIDAR点云数据集P中的最大的建筑物面积为A_max。对任一3D连通区域，若其水平投影面积大于等于A_min并且小于等于A_max，则该3D连通区域判定为建筑物屋顶，予以保留，否则剔除该3D连通区域。

在本实施方式中，A_min和A_max为常数，由用户根据给定的原始机载LIDAR点云数据的情况定义。

步骤3.3.2：基于密度特性剔除非建筑物屋顶的3D连通区域。

本实施方式中，对任一3D连通区域，若其密度大于给定的密度阈值T_d，则该3D连通区域判定为建筑物屋顶，予以保留，否则剔除该3D连通区域。

本实施方式中，密度阈值T_d为常数，其取值可根据各个3D连通区域的密度分布情况确定。

步骤3.3.3：基于强度特性剔除非建筑物屋顶的3D连通区域。

本实施方式中，对任一3D连通区域，若其强度小于给定的强度阈值T_s，则该3D连通区域判定为建筑物屋顶，予以保留，否则剔除该3D连通区域；

本实施方式中，强度阈值T_s为常数，其取值可根据各个3D连通区域的密度分布情况确定。

步骤4：基于缓冲区分析，对灰度3D体元数据集进行建筑物立面体元检测，具体流程如图7所示。

步骤4.1：检测各个建筑物屋顶的轮廓。

步骤4.2：在水平面上，以任一建筑物屋顶轮廓为中心，以一个体元为宽度向内侧和外侧建立缓冲区，如图8所示。。

步骤4.3：对任一非0值体元，若其位于缓冲区内部且其灰度值与其对应的建筑物屋顶的灰度值之差小于灰度差阈值T_g，则判定为建筑物立面体元。

本实施方式中，以Area3为例给出应用本发明方法所得的建筑物检测结果如图9所示。其中，Area3包含激光点237,875个，其中包含有异常数据。异常数据剔除后，点云个数减少到237,873个。上述点云数据被规则化为灰度体元数据(尺度为382×593×63)，其中包含150098 个非0值体元。经过基于灰度体元模型的建筑物检测处理，从上述体元中分离出38392个建筑物体元(见图9中黑色长方体，体元大小为0.4m×0.4m×0.4m)。上述建筑物体元直接可用作建筑物模型，其是一种新形式的3D建筑物体元模型。

表2为本实施例中，应用本发明方法以参考数据为标准对2个测试数据的56邻域尺度下的建筑物检测精度进行的定量评价。

表2建筑物检测结果的精度

由表2可知：建筑物检测的平均完整度、正确率及质量分别为97.4％、89.0％及91.1％。从而验证了本发明提出的方法的有效性。

本发明提供的基于体元的机载LIDAR建筑物检测方法，以3D连通性构建理论为基础，使得点云数据中的目标信息检测从点云聚类等传统方式转换成基于体元空间邻域关系的搜索标记方式，很好地利用了3D体元数据中各体元间隐含的邻域关系，有助于基于体元理论的机载LIDAR点云数据处理及应用的发展。本方法对大型、密集、不规则形状及其它屋顶类型比较特殊的复杂建筑物的检测结果其完整度可达到90％以上，正确率可达85％以上，可有效实现对建筑物的检测。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种基于灰度体元模型的机载LIDAR三维建筑物检测方法，其特征在于，包括以下步骤：

步骤1：读取原始机载LIDAR点云数据，形成原始机载LIDAR点云数据集；

步骤2：将原始机载LIDAR点云数据规则化为灰度3D体元数据集；

步骤2.1：从原始机载LIDAR点云数据中剔除异常数据，得到去除异常数据集；

步骤2.2：将去除异常数据集规则化为灰度3D体元数据集；

步骤3：对灰度3D体元数据集进行建筑物屋顶体元检测；

步骤3.1：基于建筑物边缘点的高程跳变特性，从灰度3D体元数据集中搜索建筑物边缘体元作为种子体元V_k，其中，k＝1，2，...；

步骤3.2：对任一未标记的种子体元V_k，深度优先遍历灰度3D体元数据集中与种子体元V_k3D连通且灰度差小于灰度差阈值T_g的所有未标记体元，并标记为L_l，直至标记所有与种子体元V_k3D连通且灰度差小于灰度差阈值T_g的体元集合，即建筑物屋顶体元集合，其中，l为标记标签的索引，l＝1，2，...；

步骤3.3：基于面积特性、密度特性及强度特性，对建筑物屋顶体元集合进行优化，完成建筑物屋顶检测；

步骤4：基于缓冲区分析，对灰度3D体元数据集进行建筑物立面体元检测；

所述步骤2.2具体包含如下步骤：

步骤2.2.1.用去除异常数据的有向包围盒表示3D空间范围；

步骤2.2.2：根据去除异常数据集中激光点的平均点间距确定体元在x、y、z方向上的分辨率(Δx，Δy，Δz)，即体元大小；

步骤2.2.3：依据体元分辨率(Δx，Δy，Δz)对有向包围盒进行划分，得到3D体元格网，每一个3D体元格网单元即为体元；

步骤2.2.4：将去除异常数据集中各个激光点映射到3D体元格网，进而根据3D体元格网中包含的激光点的强度属性为各体元赋值，得到灰度3D体元数据集；

所述步骤4具体包含如下步骤：

步骤4.1：检测各个建筑物屋顶的轮廓；

步骤4.2：在水平面上，以任一建筑物屋顶轮廓为中心，以一个体元为宽度向内侧和外侧建立缓冲区；

步骤4.3：对任一非0值体元，若其位于缓冲区内部且其灰度值与其对应的建筑物屋顶的灰度值之差小于灰度差阈值T_g，则判定为建筑物立面体元；

所述根据3D体元格网中包含的激光点的强度属性为各体元赋值的具体过程如下所示：

将含有激光点的体元赋值为激光点强度均值、将不含有激光点的体元赋值为0，进一步将各体元赋值离散化到{0，…，255}，得到各体元值。

2.根据权利要求1所述的基于灰度体元模型的机载LIDAR 3D建筑物检测方法，其特征在于，所述步骤2.1具体包含如下步骤：

步骤2.1.1：统计原始机载LIDAR点云数据中各个激光点高程值的频次，并以直方图的形式可视化显示统计结果；

步骤2.1.2：确定与真实地形对应的最高高程阈值T_h和最低高程阈值T_l；

步骤2.1.3：针对原始机载LIDAR点云数据中各个激光点，若其高程值高于最高高程阈值T_h或低于最低高程阈值T_l，则该激光点为异常数据，进行剔除，否则保留该激光点，最终获得去除异常数据集。

3.根据权利要求1所述的基于灰度体元模型的机载LIDAR 3D建 筑物检测方法，其特征在于，所述步骤3.2具体包含如下步骤：

3.2.1：初始化一个空栈，将V_k存入栈中并标记其为建筑物体元；

3.2.2：从栈顶弹出一个栈顶元素，获取与该栈顶元素3D连通且灰度差小于灰度差阈值T_g的所有未标记的体元，标记为建筑物体元并存入栈中；

3.2.3：判断栈是否为空，若是，则灰度3D体元数据集中所有建筑物屋顶体元均被标记，否则，返回步骤3.2.2。

4.根据权利要求1所述的基于灰度体元模型的机载LIDAR 3D建筑物检测方法，其特征在于，所述步骤3.3具体包含如下步骤：

步骤3.3.1：基于面积特性剔除非建筑物屋顶的3D连通区域；

步骤3.3.2：基于密度特性剔除非建筑物屋顶的3D连通区域；

步骤3.3.3：基于强度特性剔除非建筑物屋顶的3D连通区域。

Images