CN109461207A - 一种点云数据建筑物单体化方法及装置 - Google Patents

一种点云数据建筑物单体化方法及装置 Download PDF

Info

Publication number
CN109461207A
CN109461207A CN201811306917.9A CN201811306917A CN109461207A CN 109461207 A CN109461207 A CN 109461207A CN 201811306917 A CN201811306917 A CN 201811306917A CN 109461207 A CN109461207 A CN 109461207A
Authority
CN
China
Prior art keywords
voxel
point
classification
target
dimensional point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811306917.9A
Other languages
English (en)
Inventor
胡翰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201811306917.9A priority Critical patent/CN109461207A/zh
Publication of CN109461207A publication Critical patent/CN109461207A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Generation (AREA)

Abstract

本申请提供了点云数据建筑物单体化方法，通过对非地面点云的初始体素集合中每个体素的三维点进行处理，确定与三维点的一致性测度最高的体素作为目标体素，并把该三维点调整到该体素内，得到调整后的体素，后续对调整后的体素进行分类处理，最终得到单体化建筑物模型。也就是说，在对体素进行分类处理前，先对体素中的三维点进行了一个预处理，将三维点重新做了划分，使得每个体素所包含的三维点是一致性测度最高，三维点之间更为相似，这样在进行分类处理时，对体素内的三维点进行分析的结果会更加准确，避免了因为自动划分体素导致其包含的三维点差异较大，最终导致分类结果不准确的问题。

Description

一种点云数据建筑物单体化方法及装置
技术领域
本申请涉及地理信息系统技术领域，特别涉及一种点云数据建筑物单 体化方法及装置。
背景技术
近年来随着数据获取设备和技术的发展，激光扫描和倾斜摄影测量技 术可直接或间接地快速获取大范围区域的三维点云数据，已逐渐成为数 字城市和三维地理信息系统建设的重要数据源。然而我国目前所建设的 数字城市系统中三维模型主要为缺乏语义信息的不规则三角网模型，或 是由人工手动建立的低精度单体模型，并不能真正满足数字城市建设和 应用的需求。数字城市的发展亟需高精度的单体化三维模型作为基础。
点云分类技术可以从光探测与测量(Light Detection And Ranging，简 称：LiDAR)点云或影像密集匹配获得的点云中提取有效的高度、法向量 等几何特征，以及颜色等辐射特征作为判别要素，通过监督或非监督手 段对点云中离散的点进行标识，从而达到自动识别和提取地物的目的， 是实现单体化三维城市建模的重要前提。
然而由于点云数据具有海量性、立体性、高密度以及空间分布不规则 等特征，并且分类场景中的人工建筑结构以及地物之间的关和复杂性， 因此如何准确、高效的通过自动化点云分类实现建筑物单体化仍是一个 具有挑战性的课题，也是当前亟待解决的难题。
发明内容
为解决上述技术问题，本申请实施例提供一种点云数据建筑物单体化 方法，以实现对建筑物单体的准确划分，技术方案如下：
一种点云数据建筑物单体化方法，包括：
获取点云数据中非地面点云的初始体素集合，为所述初始体素集合中每 个体素的三维点确定目标体素，并调整所述三维点至其目标体素，所述三维 点目标体素为：中心点与该三维点间一致性测度最高的体素，调整后的体素 的集合为目标体素集合；
对所述目标体素集合中的体素进行分类处理，得到非地面点云分类结 果；
将所述非地面点云分类结果与地面点云分类结果进行融合，得到所述点 云数据的分类结果；
将所述点云数据中具有相邻关系的、分类结果为屋顶和立面的体素进行 聚合，得到单体化建筑物模型。
优选的，所述为所述初始体素集合中每个体素的三维点确定目标体素， 并调整所述三维点至其目标体素包括：
确定所述初始体素集合中各个体素的邻接体素；
根据所述初始体素集合中体素的三维点集合，计算体素的中心点的坐 标、颜色和法向量信息；
对每个体素中的三维点分别执行以下目标体素确认步骤，直到该体素中 所有三维点被处理完：
计算三维点与所述体素的中心点的一致性测度，以及，所述三维点与其 所述体素的邻接体素的中心点的一致性测度，所述一致性测度为利用两个三 维点之间空间坐标和颜色空间的欧氏距离以及法向量之间的夹角来构建的， 用于表征两个三维点间一致性的值；获取所述三维点与所述体素的中心点的 一致性测度值和所述三维点与其所述体素的邻接体素的中心点的一致性测 度中的最小值，所述最小值对应的体素为所述三维点的目标体素，若所述目 标体素为所述体素邻接体素，则将所述三维点调整至其目标体素的三维点集 合；
在所有体素都被处理完后，重新计算各个体素的中心点的坐标、颜色和 法向量信息，并重复上一目标体素确认步骤，直到不存在需要调整的三维点。
优选的，所述确定所述初始体素集合中各个体素的邻接体素包括：
利用八叉树结构将所述非地面点云所在的三维空间分割成由2a×2b×2c个边长为d的立方体，将每一个包含三维点的最小立方体单元视作为八叉树 的一个叶子节点，其中，a，b，c，d为大于等于0的自然数；
为每个体素创建一个列表，所述列表用于记录有所述体素包含的所有三 维点在所述非地面点云中的索引号；
将每个叶子节点的邻域中的叶子节点对应的体素，作为该叶子节点对应 体素的邻接体素；
所述列表还用于记录所述体素的邻接体素的索引号。
优选的，所述利用两个三维点之间空间坐标和颜色空间的欧氏距离以及 法向量之间的夹角来构建的一致性测度值为：按照公式 获得的值，其中，dH为一致性测度，为由两个三维点的空间坐标x、y、z计算得到的欧式距离；为由两个 点的颜色分量R、G、B计算得到的欧式距离；为两点的法向量之间 的夹角α、β、κ分别是和对点一致性测度dH的影响系数。
优选的，所述对所述目标体素集合中的体素进行分类处理，得到非地面 点云分类结果包括：
将所述目标体素集合中的各个体素作为顶点，各个体素之间的邻接关系 作为边，构建马尔科夫性的对象邻接关系图；
构建能量方程，利用所述体素的对象邻接关系图，确定所述能量方程中 的数据项和平滑项；
计算各个所述能量方程的最小值，并确定所述最小值对应的分类结果为 体素的初始分类结果；
处理所述体素的初始分类结果，得到全局能量最小化的非地面点云分类 结果。
优选的，所述确定所述能量方程中的数据项的过程包括：
计算目标体素集合中的各个体素的特征要素，所述特征要素至少包括： 体素中心与DEM的高差，体素的方向、体素的平面性、体素周围的地面环 境、体素的形状和体素的连续性；
对所述特征要素进行归一化处理，并利用先验的邻接规则约束对归一化 后的特征要素进行处理，确定体素对应各个类别的权值；
依据所述权值构建所述能量方程数据项。
优选的，所述确定所述能量方程平滑项的过程包括：
计算每个体素与邻接体素间的坐标空间、颜色空间和法向量空间中的距 离；
依据预先设定的各个距离的权重，计算得到相邻接体素间的依赖关系；
利用波特模型，计算所述相邻接体素间的依赖关系之和得到所述能量方 程平滑项。
优选的，所述处理所述体素的初始分类结果，得到全局能量最小化的非 地面点云分类结果包括：
采用开源的α扩展移动算法实现全局能量最小化的非地面点云分类结 果。
优选的，所述将所述非地面点云分类结果与地面点云分类结果进行融合 步骤之前，还包括：
按照预定规则对所述目标体素集合中的体素进行区域生长，并利用预设 的类别知识规则对区域生长后的体素进行类别优化。
优选的，所述按照预定规则对所述目标体素集合中的体素进行区域生 长，并利用预设的类别知识规则对区域生长后的体素进行类别优化的过程包 括：
对每一体素进行区域生长得到对应的参考单体对象，所述预定参考对象 中包含有所述体素以及与所述体素的类别相同的邻接体素，与所述参考单体 对象邻接的体素的类别与所述参考单体对象的类别不同；
用预设的类别知识规则确定所述参考单体对象的目标类别，所述参考单 体对象的目标类别为其对应的体素的目标类别。
本申请同时公开了一种点云数据建筑物单体化装置：该装置包括：
目标体素集合获取模块，用于获取点云数据中非地面点云的初始体素集 合，为所述初始体素集合中每个体素的三维点确定目标体素，并调整所述三 维点至其目标体素，所述三维点目标体素为：中心点与该三维点间一致性测 度最高的体素，调整后的体素的集合为目标体素集合；
分类处理模块，用于对所述目标体素集合中的体素进行分类处理，得到 非地面点云分类结果；
分类结果获取模块，用于将所述非地面点云分类结果与地面点云分类结 果进行融合，得到所述点云数据的分类结果；
聚合模块，用于将所述点云数据中具有相邻关系的、分类结果为屋顶和 立面的体素进行聚合，得到单体化建筑物模型。
与现有技术相比，本申请的有益效果为：通过对非地面点云的初始 体素集合中每个体素的三维点进行处理，确定与三维点的一致性测度最 高的体素作为目标体素，并把该三维点调整到该体素内，得到调整后的 体素，后续对调整后的体素进行分类处理，最终得到单体化建筑物模型。 也就是说，在对体素进行分类处理前，先对体素中的三维点进行了一个 预处理，将三维点重新做了划分，使得每个体素所包含的三维点是一致 性测度最高，也就是，三维点之间空间坐标和颜色空间的欧氏距离以及法 向量之间的夹角都是最小的，三维点之间更为相似，这样在进行分类处理时， 对体素内的三维点进行分析的结果会更加准确，避免了因为自动划分体素 导致其包含的三维点差异较大，最终导致分类结果不准确的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅 仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创 造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例公开的点云数据建筑物单体化方法的流程示意 图；
图2是本申请实施例公开的又一点云数据建筑物单体化方法的流程 示意图；
图3是本申请实施例公开的又一点云数据建筑物单体化方法的流程 示意图；
图4是本申请实施例公开的又一点云数据建筑物单体化方法的流程 示意图；
图5是本申请实施例公开的又一点云数据建筑物单体化方法的流程 示意图；
图6是本申请实施例公开的又一点云数据建筑物单体化方法的流程 示意图；
图7是本申请实施例公开的又一点云数据建筑物单体化方法的流程 示意图；
图8是本申请实施例公开的一种点云数据建筑物单体化装置的结构 示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案 进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实 施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术 人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本 申请保护的范围。
在单体化过程中，能够先对构成单体的最小分割单元体素来进行分 类，然后根据体素的类别进行组合，以得到单体。因此，体素类别的准 确性决定了单体化结果的准确性。而在体素分类过程中，现有的点云数据 单体化方法中所用到的点云数据分类方法大多数是基于点的分类方法，基于 点的点云分类方法可看作是一个对点进行逐个标识的过程。它从每个点及其 特定邻域中估算并提取特征，这些特征组成特征空间，每一个待分类点对应于特征空间中的一个点，分类器则依据这些特征对点云进行分类，最后得到 三维点所在体素的分类结果。
但是，真实三维场景中的地物之间存在多个层次上的语义关联关系。例 如，同一地物上的点与点、区域与区域之间应具有相似的特征，如点的颜色、 法向量等一致，区域和区域共面等，如果能充分考虑这些语义关联关系，将 其引入到分类过程中，将大大改善点云分类的效果以及对不同类型数据处理 结果的稳定性。
发明人发现，如果在体素分割的过程中，将点之间的一致性考虑在 内，则分割的结果能够更加贴近实际的情况，能够实现将差异最小的点 划分到同一体素内，划分结果更加准确，从而在后续对体素进行分类时， 因为其包含的三维点更加准确，其分类结果相应的也会更加准确。基于 该思想，本申请提供了点云数据建筑物单体化方法，其流程如图1所示， 包括：
步骤S101：获取点云数据中非地面点云的初始体素集合，为所述初始 体素集合中每个体素的三维点确定目标体素，并调整所述三维点至其目标体 素，所述三维点目标体素为：中心点与该三维点间一致性测度最高的体素， 调整后的体素的集合为目标体素集合。
通过一种表面自适应滤波对点云数据进行滤波，滤波后得到地面点云和 非地面点云。
该方法将能显示刻画地形变化特征的弯曲能量引入到点云滤波过程中， 使滤波参数随地形变化在局部范围内自适应调整，并将地表一致性约束引入 到内插算法中，采用弯曲能量的规则化约束克服噪声对滤波精度的影响，同 时剔除飞点。使得得到的地面点云和非地面点云中的干扰更少，有助于提升 分类结果的准确性。
步骤S102：对所述目标体素集合中的体素进行分类处理，得到非地面 点云分类结果。
步骤S103：将所述非地面点云分类结果与地面点云分类结果进行融合， 得到所述点云数据的分类结果。
步骤S104：将所述点云数据中具有相邻关系的、分类结果为屋顶和立 面的体素进行聚合，得到单体化建筑物模型。
本申请实施例公开的点云数据建筑物单体化方法，通过对非地面点 云的初始体素集合中每个体素的三维点进行处理，确定与三维点的一致 性测度最高的体素作为目标体素，并把该三维点调整到该体素内，得到 调整后的体素，后续对调整后的体素进行分类处理，最终得到单体化建 筑物模型。也就是说，在对体素进行分类处理前，先对体素中的三维点 进行了一个预处理，将三维点重新做了划分，使得每个体素所包含的三 维点是一致性测度最高，也就是，三维点之间空间坐标和颜色空间的欧氏 距离以及法向量之间的夹角都是最小的，三维点之间更为相似，这样在进行 分类处理时，对体素内的三维点进行分析而得到的分类结果会更加准确，避 免了因为自动划分体素导致其包含的三维点差异较大，最终导致分类结 果不准确的问题。
在上述实施例中，为所述初始体素集合中每个体素的三维点确定目 标体素，并调整所述三维点至其目标体素时，其实就是判断把三维点划 分到哪个体素更准确。在该步骤中具体流程如图2所示，包括：
步骤S201：确定所述初始体素集合中各个体素的邻接体素；
利用八叉树结构将所述非地面点云所在的三维空间分割成由2a×2b×2c个边长为d的立方体，将每一个包含三维点的最小立方体单元视作为八叉树 的一个叶子节点，每个叶子节点理论上都有26个邻域，树的深度 depth＝max(a,b,c)+1，d为八叉树的分辨率，也是点云体素化的分辨率。 其中，a，b，c，d为大于等于0的自然数。为每个体素创建一个列表，所 述列表中记录有所述体素包含的所有三维点在所述非地面点云中的索引号。 将每个叶子节点的邻域中的叶子节点对应的体素，作为该叶子节点对应体素 的邻接体素。所述列表中，还记录有体素的邻接体素的索引号。
记所有体素的集合为S＝{s1,s2,...sg}，g为八叉树中所有非空叶子节点的 个数。
步骤S202：根据所述初始体素集合中体素的三维点集合，计算体素的 中心点的坐标、颜色和法向量信息；
在本实施例中，体素的中心点作为代表体素的抽象三维点，计算该 抽象三维点的坐标、颜色和法向量信息。
并且，可以将该点的坐标、颜色和法向量信息存储在体素对应的列 表中。
在本实施例中，可以为每个体素构建一个数据结构，该数据结构中 包括：一个索引列表index_list，用来记录构成体素的所有三维点在点云数 据中的索引号。体素之间的邻接关系能够体现对象邻接性，因此体素还应包 括一个邻接列表neighbor_list，来记录所有与之相邻接的体素在列表中索引 号，在后续识别体素类别的过程中，需要记录体素的类别，例如屋顶，立面， 植被，杂物，因此需要创建类别号l来记录体素所属的地物类别。体素中心 点坐标(cx,cy,cz)，颜色信息(R,G,B)以及法向量信息(nx,ny,nz)在后续计算过程中会频繁使用到，因此也需要进行记录。因此，一个体素可以具有index_list、 l、(cx,cy,cz)、(R,G,B)、(nx,ny,nz)、neighbor_list 6个属性信息。
步骤S203：对每个体素中的三维点分别执行以下目标体素确认步骤， 直到该体素中所有三维点被处理完。
该目标体素确认步骤的具体实现如图3所示，包括：
步骤S301：计算三维点与所述体素的中心点的一致性测度，以及，所 述三维点与其所述体素的邻接体素的中心点的一致性测度。
在本实施例中，所述一致性测度为利用两个三维点之间空间坐标和颜色 空间的欧氏距离以及法向量之间的夹角来构建的，用于表征两个三维点间一 致性的值，记两点为P1、P2，则它们之间的一致性测度为：
其中，为由P1、P2的空间坐标x、y、z计算得到的欧式距离；为由颜色分量R、G、B计算得到的欧式距离；为两点的法向量之间 的夹角。由于和和在计算时的单位和尺度均不一致，因此为 了平衡三者对点一致性测度dH的影响，还需要对其进行归一化处理，如下 式所示：
其中，r为体素化的分辨率大小，即每个体素的最大尺寸；m为各颜色 分量的最大灰度值(如，若RGB各通道为8阶，则m＝255)；表 示两点的法向量n1和n2之间的夹角，由于当两点处的法向量相互垂直时，两 点之间的差异已很明显，因此本文将所有法向量夹角等于或大于90°的均设为归一化的最大值1。
因此，点一致性测度dH最终的计算方式为：
其中，α、β、κ分别是和对点一致性测度dH的影响 系数。可通过人工进行调整，本发明中令α＝0.8，β＝1.0，κ＝0.6。dH的 值越小，说明两点间的一致性越强。
步骤S302：获取所述三维点与所述体素的中心点的一致性测度值和所 述三维点与其所述体素的邻接体素的中心点的一致性测度中的最小值，所述 最小值对应的体素为所述三维点的目标体素；
分别计算p(p∈pi，pi为Si中所有三维点集合)与Si之间的一致性dHi以及p与Si(Si∈Nj，Nj为si邻接体素的集合)之间的一致性dHij。在该过 程中，三维点与体素的一致性体现为，三维点与该体素中心点的一致性。
因为每个体素都有多个邻接体素，则若对于所有邻接体素si均满足 dHi≤dHij，则证明该三维点与其目前所在体素一致性较高，无需调整，则点p 保留在原来的体素si中。
步骤S303：若所述目标体素为所述体素邻接体素，则将所述三维点调 整至其目标体素的三维点集合。
在该步骤中，将点p从si中删除，并重新分配给与之一致性测度最小的 邻接体素si中。
重复上述步骤S301-S303直到该体素中所有三维点都被处理完。如果在 上述处理过程中，出现了将p从原体素调整到邻接体素中的情况，也就是说， 出现了点p的归属发生变化的情况，那么也就意味着，该体素和邻接体素所 包含的三维点都发生了变化，三维点和体素之间的一致性也发生了变化。所 以这时返回执行步骤S202，重新计算体素的中心点的坐标、颜色和法向量 信息，然后再按照图3中所示流程，再次确定三维点的目标体素。直到 所有体素都不再出现三维点的变化。
在处理的过程中，如果某个体素内的三维点都被删除了，则证明该 体素内不存在三维点，则将该体素从体素集合中删除。
经过上述处理后，得到了调整后的体素的集合，作为目标体素集合。
在图1所示实施例中，对目标体素集合中体素的分类处理的具体过 程如图4所示，包括：
步骤S401：将所述目标体素集合中的各个体素作为顶点，各个体素之 间的邻接关系作为边，构建马尔科夫性MRF的对象邻接关系图；
本发明将点云分割后所有体素的集合S＝{s1,s2,...sg}视为顶点V，将体素 之间的邻接关系视为图中的边E，从而建立起具有马尔科夫性的对象邻接关 系图G＝(V,E)。
在上述对象链接关系图G中任意一条边eij(eij∈E)表示顶点vi和顶点vj (vi,vj∈V，分别对应于体素si和sj)之间是相互邻接的关系，若vi和vj不 是相邻关系，则不存在边eij。假设体素所属的类别为一组变量 X＝{x1，x2，.......，xm}。本发明中将类别分为五类L{屋顶，立面，植被，杂物}， l∈L。xi它的类别l的概率ρ(xi＝l)会受到相邻顶点xj的类别为l的概率 ρ(xj＝l)的影响。如果用边eij的值表示顶点xi和xj之间的概率依赖关系，即 eij＝(xi,xj)，则当xi和xj相连接时，eij＞0，否则eij＝0。
xi的取值的概率只与相邻体素xj有关和其他体素(顶点)无关，即该顶 点与图的其他顶点条件独立，这个性质被称为马尔科夫独立性，公式表示为：
ρ(xi,xj|X\{xi,xj})＝ρ(xi|X\{xi,xj})·ρ(xj|X\{xi,xj}) (公式4)
其中，xi和xj为两个不相连的顶点，X\{xi,xj}表示X中除xi和xj外的所 有其它顶点的集合。
步骤S402：构建能量方程，利用所述体素的对象邻接关系图，确定所 述能量方程中的数据项和平滑项。
将MRF应用于本发明中的对象分类问题中时，可看作是一个对对象邻 接关系图G＝(V,E)中的顶点进行标识过程，即将一组标签L分配给顶点所对 应的变量X的过程，L即为X的样本空间，将该标识过程记作f(X)＝L。
为了衡量f所提供的解决方案的全局质量，需要建立起全局的能量模 型，分类过程则相当于寻找一个最优的标识方案f，使得下式中的全局能量 E(f)最小。
E(f)＝Edata(f)+λ·Esmooth(f) (公式5)
其中，Edata(f)为似然性信息项，也就是能量方程的数据项，用来衡量f 所提供的解决方案与观测值之间的差异。Esmooth(f)为先验信息项，也就是能 量方程的平滑项，用来衡量f所提供的解决方案在空间上的光滑性，确保分 类结果分段连续；λ为Edata(f)和Esmooth(f)之间的平衡参数，可由人工进行 调整。
在本申请中，体素分类其实是一个贴标签的过程f(X)＝l(l∈L)，那么 f(X)与其所属的实际类别之间的差异可通过特征要素进行定量描述。
在本实施例中，根据点云数据的特征，从多个方面来对体素所属的类别 进行判断。对于任意一个体素s(s∈S)，它所包含的三维点的集合为P，可根 据以下方法计算各特征要素：
(1)体素中心与DEM的高差体素中全部三维点的平均高度 与体素中心点在DEM上的投影点高度之间的差值，即
其中，表示点集P中所有点对应坐标的平均值，表示二维 点在DEM上内插得到的高度值。该特征可以有效地区分高大地物(如 建筑屋顶、树木等)与小型地物(如汽车、栅栏等)，甚至最低的建筑物屋 顶与DEM的高差都要大于汽车等杂物于DEM之间的高差。
(2)体素的方向：体素的法向量与水平方向的夹角，即
其中，n为体素中s所有点的法向量求平均值并归一化的结果， n z＝(0，0，1)，θ(n,nz)表示n和nz之间的夹角。理论上，房屋立面的法向量应 与水平面平行，因此对应于房屋立面处的体素的应取较小的值，而房 屋屋顶的一般为倾斜的坡面或水平面，因此其对应的体素的值应较 大。
(3)体素的平面性体素中所有的点到拟合平面的平均距离 即
其中，w为P中点的个数，x、y、z为点p(p∈P)的坐标，A、B、C、D 为拟合平面的平面参数，由体素s的中心点及法向量确定，过体素中心点且 法向量与体素法向量一致的平面即为对应的拟合平面。体素的平面性是区分 建筑(包括屋顶和立面)和植被的一个重要特征，建筑物上的点一般趋于平 面，因此取值较小，而植被上的点则分布比较杂乱，因此取 值较大。
(4)体素周围的地面环境体素在x-y平面上的投影周围地面点 的分布情况。曾利用点周围的地面点分布情况对非地面点进行判断，本文中 将该特征扩展到体素层面上。由于独立树木或其他较小的地物(如汽车等) 面积较小，并且与其他地物分离，一般对应于1～2个体素，因此这样的体素 周围会分布着大量地面点；而对应于屋顶的体素，一般与同为屋顶的体素相 连接，因此周围很少有地面点存在。由于地面点是离散分布的，且体素具有 一定大小，本文中的计算方法是将体素周围以体素中心为圆心，体素 化分辨率r为半径的区域进行等分，在本实施例中，等分的份数为2的指数， 例如24，16份，其中含有地面点的区域个数则为的值。
(5)体素的形状与体素在x-y平面上投影等周长的正方形面积 与的体素投影面积之比，即
其中，Pxy为点集P投影到x-y平面上的集合，perimeter(Pxy)和area(Pxy) 分别表示二维平面上Pxy的周长和面积。可想而知，直立的地物(如房屋立面、 栅栏等)投影到二维平面上为细长的线状，其对应的体素的值应较小； 而屋顶投影到二维平面上为面积较大的规则多边形，并且由于屋顶处体素分 布均匀，因此对应体素在二维平面上的投影接近正方形(或长方形)，的值应较大。
(6)体素的连续性体素与相邻体素在其它特征上的连续性。 房屋屋顶和立面一般由多个体素组成，基于同于位于同一地物结构上的点具 有相似性质，可认为位于同一屋顶或立面结构处的体素也具有相似的性质。 考虑到体素的大小基本一致，而不同体素的颜色(RGB)可能会受到阴影的 影响，因此本文只考虑体素法向量的连续性。设定一定的阈值δ(本文中设 δ＝5°)，则体素的值为与其法向量夹角小于δ的相邻体素个数，即
其中，N为与当前体素s相邻的体素的集合，n和nj分别为s与相邻体 素Si(Si∈N)的法向量，θ(n·nj)表示它们之间的夹角，Num{}表示集合 中元素的个数。理论上，对应于建筑物屋顶或立面处的体素至少存在1个与 之法向量夹角小于阈值δ的相邻体素；对应于植被的体素可能存在多个相邻 体素，但它们之间法向量夹角大多大于阈值δ；而对应于杂物处的体素，本 身就不存在与之相邻的体素。因此，可以有效地将建筑物与其他类型的地物进行区分。
(7)伪植被指数除以上6个几何特征要素外，本实施例还 公开了一种伪NDVI的计算方法，即将NDVI(Normalized Difference Vegetation Index，植被指数)计算公式中的近红外波段替换为绿光波段，具 体如公式如下：
其中，R和G分别为颜色信息中R通道和G通道的灰度值。该特征要 素可用于影像密集匹配得点云的分类中，当点云的颜色特征信息明显且受到 阴影的影响较小时，该特征要素可以有效地将绿色植被与其他地物进行区 分。
利用该特征要素可以显著提高植被的分类结果，但是前提是需要点云数 据包含RGB的色彩信息，所以该特征可以根据实际情况下点云数据所包含 的信息的情况来选择是否使用。
在该步骤中，创建能量方程后，需要利用特征要素计算各个体素能量方 程的数据项和平滑项。
在本申请实施例中，确定所述能量方程中的数据项的过程如图5所示， 包括：
步骤S501：计算目标体素集合中的各个体素的特征要素，所述特征要 素至少包括：体素中心与DEM的高差，体素的方向、体素的平面性、体素 周围的地面环境、体素的形状和体素的连续性，还可以包括伪植被指数。
按照上述过程计算体素的各个特征要素。
步骤S502：对所述特征要素进行归一化处理，并利用先验的邻接规则 约束对归一化后的特征要素进行处理，确定体素对应各个类别的权值；
由于初始提取的特征要素各自的取值范围存在差异，因此为了平衡更要 素对Edata(f)的影响，还需要其进行归一化处理。
对于除外的特征要素，本文以下方法对其进行归一化，记归一化 后的特征要素为F，则
其中，Fmin表示特征要素对地物具有区分能力的最小值，Fmax表示对 地物具有区分能力的最大值。例如对于来说，低矮地物(如汽车、栅 栏等)与地面的高差一般不会超过1.5m，高大地物(如建筑屋顶)与地面的 高差不会低于3.0m，因此不同特征要素 的Fmin和Fmax值可根据特征要素的值再不同地物处的分布情况进行调整。
特征要素的归一化方法与其他特征要素不同，因为它在区分不同 地物时取值上具有阶跃性，即在不考虑噪声的情况下，对于杂物或植被 的值一般等于0，而对于建筑物上的屋顶和立面的值大于或 等于1。为了消除这种阶跃性，本发明采用指数函数的形式对其进行归一化， 即
其中，γ为归一化系数，本文中设为0.7。
经过归一化后的特征要素F，若根据先验知识已知它在类别为l(l∈L＝ {屋顶,立面,植被,杂物})的地物处的取值保持在[0，1]区间中一个较小的范 围内，则认为该特征要素对于类别具有区分能力。
例如，植被有高有低，所以根据先验知识可知，在植被处的取值 可能为[0,1]内的任何一个值。每个特征要素对于L中每个类别的区分能力如 所示，其中“+”表示特征要素在属于该类别的地物处趋向于取较小的值，“-” 表示趋向于取较大的值，而“/”则表示不具有区分能力，阈值大小的选定根据 后面不同的归一化方式选定，如下表所示：
根据上表，定义一个操作对于任意F和任意l(l∈L)有：
对于对象邻接关系图G＝(V,E)中任意一个顶点xi，若标识过程f分配给 它的类别标签为f(xi)(f(xi)∈L)，则f(xi)与观测值，即与xi所对应的特征 要素之间的差异可定量描述为：
当xi和f(xi)不满足语义规则时，D(xi,f(xi))＝∞。
其中，n为对类别f(xi)具有区分能力的特征要素的个数；语义知识规 则为根据先验知识制定的一些语义约束，具体如下：
a)若f(xi)＝屋顶，则归一化前必须大于一定的阈值τE，建议设 为2.5m；
b)若f(xi)＝杂物，则归一化前必须小于阈值τE；
c)若f(xi)＝屋顶，则归一化前必须大于一定的阈值τD建议设 为30°)；
d)若f(xi)＝立面，则归一化前必须小于阈值τD；
e)若f(xi)＝屋顶，或f(xi)＝立面，则顶点必须至少有一个与之相邻 的顶点。
根据上述规则，可以得到各个特征要素归一化后的值，作为该要素的权 重值。
步骤S503：依据所述权值构建所述能量方程数据项。
最终，能量方程中数据项Edata(f)的表达形式如下：
接下来，需要获得能量方程的平滑项。平滑项项Esmooth(f)通过“奖励” 标识过程f在局部的连续性和“惩罚”标识过程f在局部的非连续性，从而使 标识结果分段连续光滑，是对象邻接性约束的直接体现。其数学公式表达为：
其中，xi和xj为对象邻接关系图G＝(V,E)中一对相邻的顶点，也就是相 邻接的体素，f(xi)和f(xj)分别为它们在标识过程f下所获得的类别标签。 V(xi,xj,f(xi),f(xj))为惩罚函数，用来对xi和xj处标签的连续性进行“奖励” 或“惩罚”，所谓“奖励”就是指当f(xi)和f(xj)取不同值时，若xi和xj之间的 依赖关系较弱则函数V()取较小值，反之则对其进行“惩罚”，令V()取 较大值。
这种关系可以很好地通过波特模型(Potts Model)来进行表达：
V(xi,xj,f(xi),f(xj))＝wij·T(f(xi)≠f(xj)) (公式15)
其中，当T()中的条件成立时，T()＝1，否则T()＝0。wij表示顶 点xi和xj之间的依赖关系强度wij对应于顶点xi和xj之间的边eij的权值。依赖 关系强度wij的公式如下：
其中，和分别是顶点xi和xj所对应的体素中所有三维点的平均值(法 向量求平均值后归一化)，则分别是它们在坐标空间、颜 色空间和法向量空间中的距离。α,β,κ为权重，如果点云没有彩色信息β为 0。
总结上述过程，确定所述能量方程平滑项的过程如图6所示，包括：
步骤S601：计算每个体素与邻接体素间的坐标空间、颜色空间和法向 量空间中的距离；
步骤S602：依据预先设定的各个距离的权重，计算得到相邻接体素间 的依赖关系Wij；
步骤S603：利用波特模型，计算所述相邻接体素间的依赖关系之和得 到所述能量方程平滑项。
在能量方程E(f)的Edata(f)和Esmooth(f)确定之后，对象邻接关系图 G＝(V,E)中顶点的标识问题则可描述为一个最小割/最大流(min-cut/ max-flow)问题，该问题可视作为在图G＝(V,E)中增加4个端点T1～T4，分 别对应屋顶、立面、植被、杂物四个类别。对顶点的标识过程即为寻找最优 的多路割(Multiway Cut)的问题。
步骤S403：计算各个所述能量方程的最小值，并确定所述最小值对应 的分类结果为体素的初始分类结果。
基于为每一顶点xi选取使得D(xi,f(xi))最小的类别标签这一原则来确定 f，最终得到每个体素标签，作为初始分类结果。
步骤S404：处理述体素的初始分类结果，得到全局能量最小化的非地 面点云分类结果。
对于能量方程E(f)＝Edata(f)+λ·Esmooth(f)，若要实现全局能量 最小化最主要的困难在于巨大的计算量，本发明采用开源的α扩展移动算 法，该算法通过在一次移动中大范围修改图中顶点的任意标记，而实现快速 地逼近全局能量最小化。最后得到能够使全局能量最小化的分类结果，将该 结果作为非地面点云分类结果。
在该步骤后，参考图1所示实施例，非地面点云分类结果中大部体素 象所对应的点可得到正确分类结果，可以直接将非地面点云分类结果与地 面点云分类结果进行融合，得到点云数据的分类结果进行后续处理。但是 由于地物构多样性和复杂以及云数据中噪声的干扰，个别体素可能会分配到 错误类别。
为了解决这一问题，在将非地面点和地面点分类结果融合之前，也可以 对非地面点云进行进一步的处理，使得其分类结果更加准确。也就是说， 在将非地面点云和地面点云的分类结果进行融合之前，还可以包括：按照 预定规则对所述目标体素集合中的体素进行区域生长，并利用预设的类别知 识规则对区域生长后的体素进行类别优化。该过程的具体实现如图7所示， 包括：
步骤S701：对每一体素进行区域生长得到对应的参考单体对象，所 述参考对象中包含有所述体素以及与所述体素的类别相同的邻接体素， 与所述参考单体对象邻接的体素的类别与所述参考单体对象的类别不 同。
在该步骤中，从体素集合S中随机选取si作为种子点。按照一定规则进 行体素的区域生长，聚为较大的对象，记作参考单体对象O，即 O＝{si+1，...，sk}(si，…sk∈S)，具体的方式为：
将si添加到参考单体对象O中，并将其从S中删除。将si的类别标签为li (li的取值范围为Ω＝{屋顶,立面,植被,杂物})设为参考单体对象O的标 签lo，将与si相邻接的体素依次压入到O的候选列表OCandidates中。这些体素是 有可能加入到参考单体对象O中的体素，也可以称为候选体素。
从候选列表OCandidates中选取一个体素，若sj的类别标签lj与lo不同，将sj添加到参考单体对象添加到参考单体对象O的邻居列表ONeigbors中，也就是 说，sj和参考单体对象O不是同一类，将其作为该参考单体对象的邻接体素。 如果若sj的类别标签lj与lo相同，则将sj添加到参考单体对象O中，并将其 从S中删除，也就是，将两个具有相同类别标签的相邻接体素合并为一个体 素。
然后获取sj的邻接体素的集合Nj，从中选择体素sk，如果sk已经存在于 参考单体对象O，或者，OCandidates，或者ONeigbors，则从Nj中选取下一个体素， 再进行上述判断，如果sk不存在于参考单体对象O，或者，OCandidates，或者 ONeigbors，则将其也加入到候选列表OCandidates，直到Nj中的所有体素都被判断 完。在该过程中，如果与sj相邻接的体素已经在参考单体对象O中，或者， 已经被确定为是参考单体对象的候选体素或者邻接体素了，则不处理，如果均不是，则将其也作为候选体素，留待后续进行判断。进一步的扩大定了参 考体素O的候选体素的范围。
此时，参考单体对象O对象的邻接体素sj就已经被判断完，则将其从候 选列表OCandidates中删除，然后选择候选列表OCandidates中的下一个邻接体素，继 续进行判断，直到候选列表OCandidates中所有的候选体素都被分析完，则参考 单体对象O的生长结束。
如果此时体素集合S不为空，则选取下个体素，执行上述体素生长过程， 直到体素集合S为空。
在上述过程，将通过邻接关系将所有相邻的具有相同类别标签的体 素进行了合并。得到了新的体素，在此被称为参考单体对象。
步骤S702：用预设的类别知识规则确定所述参考单体对象的目标类 别，将所述目标类别确定为所述体素的最终类别。
对于每个经过区域生长得到的参考单体对象O，由于它保留了对象邻接 关系图G<V,E>中顶点之间的拓扑结构。则可以利用下述预设的类别知识规 则对每一个参考单体对象进行进一步的判别和优化。具体过程包括：
(1)若O的类别标签为“屋顶”：
若O的总面积小于一定的阈值A(如10m2)，则根据O中所包含的体素 的特征要素更加符合“植被”或是“杂物”，从而将O重新归类为“植被”或是“杂 物”。
(2)若O的类别标签为“立面”：
若O的邻居列表ONeigbors中不包含类别为“屋顶”的体素：
若O的邻居列表ONeigbors中所记录的体素的类别均为“植被”，则将O重新 归类为“植被”；
若O的邻居列表ONeigbors中所记录的体素的类别均为“杂物”，则将O重新 归类为“杂物”；
若O的邻居列表ONeigbors中所记录的体素的类别即包括“植被”，又包括 “杂物”，则根据O中所包含的体素的特征要素将O重新归类为“植被”或是“杂 物”。
(3)若O的类别标签为“植被”：
若O的邻居列表ONeigbors中所记录的体素的个数大于O本身所包含的体 素的个数：
若O的邻居列表ONeigbors中所记录的体素的类别均为“屋顶”，则将O重新 归类为“屋顶”；
若O的邻居列表ONeigbors中所记录的体素的类别均为“立面”，则将O重 新归类为“立面”；
若O的邻居列表ONeigbors中所记录的体素的类别即包括“屋顶”，又包括 “立面”，则根据O中所包含的体素的特征要素将O重新归类为“屋顶”或“立 面”。
(4)若O的类别标签为“杂物”：
若O的邻居列表ONeigbors中所记录的体素的个数大于O本身所包含的体 素的个数：
若O的邻居列表ONeigbors中所记录的体素的类别均为“屋顶”，则将O重新 归类为“屋顶”；
若O的邻居列表ONeigbors中所记录的体素的类别均为“立面”，则将O重新 归类为“立面”；
若O的邻居列表ONeigbors中所记录的体素的类别即包括“屋顶”，又包括 “立面”，则根据O中所包含的体素的特征要素将O重新归类为“屋顶”或“立 面”。
该处理过程后各个参考单体对象O的类别则作为体素的最终类别。在进 行区域成长之前，体素集合S中的体素数量为g，在区域成长后，部分体素 可能被合并，则目前体素集合S中的体素数量为t(t小于等于g)与参考单 体对象的数量一致，并且一一对应，参考单体对象的类别就是其对应的体素 的目标类别。
在后续步骤中，将体素集合包括的t个体素的分类结果作为非地面点云 的分类结果，与地面点云分类结果进行融合。
本方案具有如下有益效果：
1)通过基于八叉树和点一致性约束的体素化分割策略，将散乱的点 云以一定的结构进行组织，得到形状大小比较均匀一致，并且相互之间 具有明确邻接关系的体素；
2)将体素的分类过程与图模型理论进行结合，即将对象邻接性约束 融入到马尔科夫随机场模型(MRF)的工作框架中，并通过图割法进行 能量优化求解，保证分类结果的连续性；
3)类别知识规则约束则根据既定的语义知识规则对象分类的结果进 行自动后处理优化。
最终实现了单体化过程的准确性得到大幅提升的目的。
本申请还公开了一种点云数据建筑物单体化装置，其结构如图8所 示，包括：
目标体素集合获取模块801，用于获取点云数据中非地面点云的初始体 素集合，为所述初始体素集合中每个体素的三维点确定目标体素，并调整所 述三维点至其目标体素，所述三维点目标体素为：中心点与该三维点间一致 性测度最高的体素，调整后的体素的集合为目标体素集合；
分类处理模块802，用于对所述目标体素集合中的体素进行分类处理， 得到非地面点云分类结果；
分类结果获取模块803，用于将所述非地面点云分类结果与地面点云分 类结果进行融合，得到所述点云数据的分类结果；
聚合模块804，用于将所述点云数据中具有相邻关系的、分类结果为屋 顶和立面的体素进行聚合，得到单体化建筑物模型。
进一步的，所述装置还包括：
优化模块805，按照预定规则对所述目标体素集合中的体素进行区域生 长，并利用预设的类别知识规则对区域生长后的体素进行类别优化。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列 的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动 作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时 进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均 属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述， 每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间 相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法 实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部 分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系 术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不 一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺 序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他 性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅 包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为 这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况 下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的 过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然， 在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了 解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样 的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可 以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质 中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设 备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实 施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种点云数据建筑物单体化方法、装置及系统 进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进 行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心 思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体 实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应 理解为对本申请的限制。

Claims (11)

1.一种点云数据建筑物单体化方法，其特征在于，包括：
获取点云数据中非地面点云的初始体素集合，为所述初始体素集合中每个体素的三维点确定目标体素，并调整所述三维点至其目标体素，所述三维点目标体素为：中心点与该三维点间一致性测度最高的体素，调整后的体素的集合为目标体素集合；
对所述目标体素集合中的体素进行分类处理，得到非地面点云分类结果；
将所述非地面点云分类结果与地面点云分类结果进行融合，得到所述点云数据的分类结果；
将所述点云数据中具有相邻关系的、分类结果为屋顶和立面的体素进行聚合，得到单体化建筑物模型。
2.根据权利要求1所述的方法，其特征在于，所述为所述初始体素集合中每个体素的三维点确定目标体素，并调整所述三维点至其目标体素包括：
确定所述初始体素集合中各个体素的邻接体素；
根据所述初始体素集合中体素的三维点集合，计算体素的中心点的坐标、颜色和法向量信息；
对每个体素中的三维点分别执行以下目标体素确认步骤，直到该体素中所有三维点被处理完：
计算三维点与所述体素的中心点的一致性测度，以及，所述三维点与其所述体素的邻接体素的中心点的一致性测度，所述一致性测度为利用两个三维点之间空间坐标和颜色空间的欧氏距离以及法向量之间的夹角来构建的，用于表征两个三维点间一致性的值；获取所述三维点与所述体素的中心点的一致性测度值和所述三维点与其所述体素的邻接体素的中心点的一致性测度中的最小值，所述最小值对应的体素为所述三维点的目标体素，若所述目标体素为所述体素邻接体素，则将所述三维点调整至其目标体素的三维点集合；
在所有体素都被处理完后，重新计算各个体素的中心点的坐标、颜色和法向量信息，并重复上一目标体素确认步骤，直到不存在需要调整的三维点。
3.根据权利要求2所述的方法，其特征在于，所述确定所述初始体素集合中各个体素的邻接体素包括：
利用八叉树结构将所述非地面点云所在的三维空间分割成由2a×2b×2c个边长为d的立方体，将每一个包含三维点的最小立方体单元视作为八叉树的一个叶子节点，其中，a，b，c，d为大于等于0的自然数；
为每个体素创建一个列表，所述列表用于记录有所述体素包含的所有三维点在所述非地面点云中的索引号；
将每个叶子节点的邻域中的叶子节点对应的体素，作为该叶子节点对应体素的邻接体素；
所述列表还用于记录所述体素的邻接体素的索引号。
4.根据权利要求3所述的方法，其特征在于，所述利用两个三维点之间空间坐标和颜色空间的欧氏距离以及法向量之间的夹角来构建的一致性测度值为：按照公式获得的值，其中，dH为一致性测度，为由两个三维点的空间坐标x、y、z计算得到的欧式距离；为由两个点的颜色分量R、G、B计算得到的欧式距离；为两点的法向量之间的夹角α、β、κ分别是和对点一致性测度dH的影响系数。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述对所述目标体素集合中的体素进行分类处理，得到非地面点云分类结果包括：
将所述目标体素集合中的各个体素作为顶点，各个体素之间的邻接关系作为边，构建马尔科夫性的对象邻接关系图；
构建能量方程，利用所述体素的对象邻接关系图，确定所述能量方程中的数据项和平滑项；
计算各个所述能量方程的最小值，并确定所述最小值对应的分类结果为体素的初始分类结果；
处理所述体素的初始分类结果，得到全局能量最小化的非地面点云分类结果。
6.根据权利要求5所述的方法，其特征在于，所述确定所述能量方程中的数据项的过程包括：
计算目标体素集合中的各个体素的特征要素，所述特征要素至少包括：体素中心与DEM的高差，体素的方向、体素的平面性、体素周围的地面环境、体素的形状和体素的连续性；
对所述特征要素进行归一化处理，并利用先验的邻接规则约束对归一化后的特征要素进行处理，确定体素对应各个类别的权值；
依据所述权值构建所述能量方程数据项。
7.根据权利要求6所述的方法，其特征在于，所述确定所述能量方程平滑项的过程包括：
计算每个体素与邻接体素间的坐标空间、颜色空间和法向量空间中的距离；
依据预先设定的各个距离的权重，计算得到相邻接体素间的依赖关系；
利用波特模型，计算所述相邻接体素间的依赖关系之和得到所述能量方程平滑项。
8.根据权利要求7所述的方法，其特征在于，所述处理所述体素的初始分类结果，得到全局能量最小化的非地面点云分类结果包括：
采用开源的α扩展移动算法实现全局能量最小化的非地面点云分类结果。
9.根据权利要求1所述的方法，其特征在于，所述将所述非地面点云分类结果与地面点云分类结果进行融合步骤之前，还包括：
按照预定规则对所述目标体素集合中的体素进行区域生长，并利用预设的类别知识规则对区域生长后的体素进行类别优化。
10.根据权利要求9所述的方法，其特征在于，所述按照预定规则对所述目标体素集合中的体素进行区域生长，并利用预设的类别知识规则对区域生长后的体素进行类别优化的过程包括：
对每一体素进行区域生长得到对应的参考单体对象，所述预定参考对象中包含有所述体素以及与所述体素的类别相同的邻接体素，与所述参考单体对象邻接的体素的类别与所述参考单体对象的类别不同；
用预设的类别知识规则确定所述参考单体对象的目标类别，所述参考单体对象的目标类别为其对应的体素的目标类别。
11.一种点云数据建筑物单体化装置，其特征在于，包括：
目标体素集合获取模块，用于获取点云数据中非地面点云的初始体素集合，为所述初始体素集合中每个体素的三维点确定目标体素，并调整所述三维点至其目标体素，所述三维点目标体素为：中心点与该三维点间一致性测度最高的体素，调整后的体素的集合为目标体素集合；
分类处理模块，用于对所述目标体素集合中的体素进行分类处理，得到非地面点云分类结果；
分类结果获取模块，用于将所述非地面点云分类结果与地面点云分类结果进行融合，得到所述点云数据的分类结果；
聚合模块，用于将所述点云数据中具有相邻关系的、分类结果为屋顶和立面的体素进行聚合，得到单体化建筑物模型。
CN201811306917.9A 2018-11-05 2018-11-05 一种点云数据建筑物单体化方法及装置 Pending CN109461207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811306917.9A CN109461207A (zh) 2018-11-05 2018-11-05 一种点云数据建筑物单体化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811306917.9A CN109461207A (zh) 2018-11-05 2018-11-05 一种点云数据建筑物单体化方法及装置

Publications (1)

Publication Number Publication Date
CN109461207A true CN109461207A (zh) 2019-03-12

Family

ID=65609391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811306917.9A Pending CN109461207A (zh) 2018-11-05 2018-11-05 一种点云数据建筑物单体化方法及装置

Country Status (1)

Country Link
CN (1) CN109461207A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348621A (zh) * 2019-07-02 2019-10-18 深圳大学 一种建筑拆除废弃物产生量的预测方法及装置
CN110738733A (zh) * 2019-10-14 2020-01-31 北京代码乾坤科技有限公司 三维地形模型的生成方法、存储介质、处理器及电子装置
CN111310320A (zh) * 2020-02-07 2020-06-19 北京科技大学 一种基于倾斜摄影和体素的建筑群火灾模拟建模方法
CN111435545A (zh) * 2019-04-16 2020-07-21 北京仁光科技有限公司 标绘处理方法、共享图像标绘方法及标绘再现方法
CN112037255A (zh) * 2020-08-12 2020-12-04 深圳市道通智能航空技术有限公司 目标跟踪方法和装置
CN112419504A (zh) * 2020-11-23 2021-02-26 国网福建省电力有限公司 配电网设备倾斜摄影三维模型的单体化方法及存储介质
WO2021042286A1 (zh) * 2019-09-04 2021-03-11 深圳市大疆创新科技有限公司 点云处理方法、系统、可移动平台及存储介质
CN112949416A (zh) * 2021-02-04 2021-06-11 东华理工大学 一种监督的高光谱多尺度图卷积分类方法
CN114266780A (zh) * 2022-02-28 2022-04-01 深圳市其域创新科技有限公司 一种建筑物单体化实例分割方法及装置
CN115205690A (zh) * 2022-09-14 2022-10-18 深圳大学 基于mls点云数据的行道树单体化提取方法及装置
CN117237541A (zh) * 2023-11-10 2023-12-15 南京信息工程大学 基于建筑立面点云的多视角投影主体结构建模方法及系统
CN118196327A (zh) * 2024-05-13 2024-06-14 广东科学技术职业学院 一种智能绿色建筑施工信息管理方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7317456B1 (en) * 2002-12-02 2008-01-08 Ngrain (Canada) Corporation Method and apparatus for transforming point cloud data to volumetric data
US20090310867A1 (en) * 2008-06-12 2009-12-17 Bogdan Calin Mihai Matei Building segmentation for densely built urban regions using aerial lidar data
CN102855663A (zh) * 2012-05-04 2013-01-02 北京建筑工程学院 一种根据激光雷达栅格点云构建csg模型的方法
CN102915558A (zh) * 2011-08-01 2013-02-06 李慧盈 一种快速提取机载LiDAR数据中建筑物三维轮廓信息的方法
US20130057653A1 (en) * 2011-09-06 2013-03-07 Electronics And Telecommunications Research Institute Apparatus and method for rendering point cloud using voxel grid
CN103971404A (zh) * 2014-04-14 2014-08-06 浙江工业大学 一种高性价比的3d实景复制装置
US20140301633A1 (en) * 2013-04-09 2014-10-09 Google Inc. System and Method for Floorplan Reconstruction and Three-Dimensional Modeling
US20140306955A1 (en) * 2013-04-16 2014-10-16 Autodesk, Inc. Voxelization techniques
US20160154999A1 (en) * 2014-12-02 2016-06-02 Nokia Technologies Oy Objection recognition in a 3d scene
CN106600622A (zh) * 2016-12-06 2017-04-26 西安电子科技大学 一种基于超体素的点云数据分割方法
GB201710876D0 (en) * 2017-07-06 2017-08-23 Sony Interactive Entertainment Inc System and method of 3D print modelling
CN108171761A (zh) * 2017-12-13 2018-06-15 北京大学 一种基于傅里叶图变换的点云帧内编码方法及装置
CN108428255A (zh) * 2018-02-10 2018-08-21 台州智必安科技有限责任公司 一种基于无人机的实时三维重建方法
US20190370989A1 (en) * 2017-02-17 2019-12-05 SZ DJI Technology Co., Ltd. Method and apparatus for 3-dimensional point cloud reconstruction

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7317456B1 (en) * 2002-12-02 2008-01-08 Ngrain (Canada) Corporation Method and apparatus for transforming point cloud data to volumetric data
US20090310867A1 (en) * 2008-06-12 2009-12-17 Bogdan Calin Mihai Matei Building segmentation for densely built urban regions using aerial lidar data
CN102915558A (zh) * 2011-08-01 2013-02-06 李慧盈 一种快速提取机载LiDAR数据中建筑物三维轮廓信息的方法
US20130057653A1 (en) * 2011-09-06 2013-03-07 Electronics And Telecommunications Research Institute Apparatus and method for rendering point cloud using voxel grid
CN102855663A (zh) * 2012-05-04 2013-01-02 北京建筑工程学院 一种根据激光雷达栅格点云构建csg模型的方法
US20140301633A1 (en) * 2013-04-09 2014-10-09 Google Inc. System and Method for Floorplan Reconstruction and Three-Dimensional Modeling
US20140306955A1 (en) * 2013-04-16 2014-10-16 Autodesk, Inc. Voxelization techniques
CN103971404A (zh) * 2014-04-14 2014-08-06 浙江工业大学 一种高性价比的3d实景复制装置
US20160154999A1 (en) * 2014-12-02 2016-06-02 Nokia Technologies Oy Objection recognition in a 3d scene
CN106600622A (zh) * 2016-12-06 2017-04-26 西安电子科技大学 一种基于超体素的点云数据分割方法
US20190370989A1 (en) * 2017-02-17 2019-12-05 SZ DJI Technology Co., Ltd. Method and apparatus for 3-dimensional point cloud reconstruction
GB201710876D0 (en) * 2017-07-06 2017-08-23 Sony Interactive Entertainment Inc System and method of 3D print modelling
CN108171761A (zh) * 2017-12-13 2018-06-15 北京大学 一种基于傅里叶图变换的点云帧内编码方法及装置
CN108428255A (zh) * 2018-02-10 2018-08-21 台州智必安科技有限责任公司 一种基于无人机的实时三维重建方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ZHU QING, LI YUAN, HU HAN, ET AL.: "Robust Point Cloud Classification Based on Multi-level Semantic Relationships for Urban Scenes", ISPRS JOURNAL OF PHOTOGRAMMETRY & REMOTE SENSING *
佟国峰;杜宪策;李勇;陈槐嵘;张庆春;: "基于切片采样和质心距直方图特征的室外大场景三维点云分类", 中国激光 *
佟国峰等: "基于切片采样和质心距直方图特征的室外大场景三维点云分类", 《中国激光》 *
朱庆; 陈崇泰; 胡翰; 丁雨淋: "顾及纹理特征的航空影像自适应密集匹配方法", 测绘学报 *
朱庆等: "面向三维城市建模的多点云数据融合方法综述", 《武汉大学学报(信息科学版)》 *
郑特等: "基于图割算法的摄影测量点云面向对象分类方法", 《测绘工程》 *
闫利;魏峰;: "利用密集匹配点云的建筑单体提取算法研究", 中国激光 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111435545A (zh) * 2019-04-16 2020-07-21 北京仁光科技有限公司 标绘处理方法、共享图像标绘方法及标绘再现方法
CN111435545B (zh) * 2019-04-16 2020-12-01 北京仁光科技有限公司 标绘处理方法、共享图像标绘方法及标绘再现方法
CN110348621A (zh) * 2019-07-02 2019-10-18 深圳大学 一种建筑拆除废弃物产生量的预测方法及装置
WO2021042286A1 (zh) * 2019-09-04 2021-03-11 深圳市大疆创新科技有限公司 点云处理方法、系统、可移动平台及存储介质
CN110738733A (zh) * 2019-10-14 2020-01-31 北京代码乾坤科技有限公司 三维地形模型的生成方法、存储介质、处理器及电子装置
CN111310320A (zh) * 2020-02-07 2020-06-19 北京科技大学 一种基于倾斜摄影和体素的建筑群火灾模拟建模方法
CN112037255A (zh) * 2020-08-12 2020-12-04 深圳市道通智能航空技术有限公司 目标跟踪方法和装置
CN112419504A (zh) * 2020-11-23 2021-02-26 国网福建省电力有限公司 配电网设备倾斜摄影三维模型的单体化方法及存储介质
CN112949416A (zh) * 2021-02-04 2021-06-11 东华理工大学 一种监督的高光谱多尺度图卷积分类方法
CN112949416B (zh) * 2021-02-04 2022-10-04 东华理工大学 一种监督的高光谱多尺度图卷积分类方法
CN114266780A (zh) * 2022-02-28 2022-04-01 深圳市其域创新科技有限公司 一种建筑物单体化实例分割方法及装置
CN115205690A (zh) * 2022-09-14 2022-10-18 深圳大学 基于mls点云数据的行道树单体化提取方法及装置
CN115205690B (zh) * 2022-09-14 2022-12-06 深圳大学 基于mls点云数据的行道树单体化提取方法及装置
CN117237541A (zh) * 2023-11-10 2023-12-15 南京信息工程大学 基于建筑立面点云的多视角投影主体结构建模方法及系统
CN117237541B (zh) * 2023-11-10 2024-02-23 南京信息工程大学 基于建筑立面点云的多视角投影主体结构建模方法及系统
CN118196327A (zh) * 2024-05-13 2024-06-14 广东科学技术职业学院 一种智能绿色建筑施工信息管理方法及系统

Similar Documents

Publication Publication Date Title
CN109461207A (zh) 一种点云数据建筑物单体化方法及装置
Guo et al. Classification of airborne laser scanning data using JointBoost
Hu et al. Efficient tree modeling from airborne LiDAR point clouds
CN105205866B (zh) 基于密集点云的城市三维模型快速构建方法
CN105184250B (zh) 一种电力走廊机载LiDAR点云数据的地物分类方法
CN109829399A (zh) 一种基于深度学习的车载道路场景点云自动分类方法
CN109446691B (zh) 基于激光点云与空气动力学的活立木抗风性能分析方法
CN109325998A (zh) 一种基于点云数据的室内3d建模方法、系统及相关装置
CN108090960A (zh) 一种基于几何约束的目标重建方法
CN106611421B (zh) 基于特征学习和素描线段约束的sar图像分割方法
CN111986322B (zh) 一种基于结构分析的点云室内场景布局重建方法
CN106570468A (zh) 一种重建LiDAR原始点云建筑物轮廓线的方法
CN102938161B (zh) 一种基于Mean Shift的三维形状自动分割方法
CN105844602A (zh) 一种基于体元的机载lidar点云三维滤波方法
CN109766824B (zh) 基于模糊证据理论的主被动遥感数据融合分类方法
CN107358636A (zh) 一种基于纹理合成的疏松缺陷图像生成方法
CN111488769A (zh) 基于光斑发散尺寸的无监督式融合点云超体素化方法
CN114140586A (zh) 面向室内空间的三维建模方法、装置和存储介质
CN109492606A (zh) 多光谱矢量图获取方法及系统、三维单体化方法及系统
CN102369541B (zh) 执行图像信息的自动分类的方法
Guo et al. Classification of airborne laser scanning data using JointBoost
CN109448086B (zh) 基于稀疏实采数据的分拣场景平行数据集构建方法
CN110363299A (zh) 面向露头岩层分层的空间案例推理方法
CN110335352A (zh) 一种机载激光雷达点云的双基元多分辨率层次滤波方法
CN113763529B (zh) 一种基于三维扫描的变电站建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240126

AD01 Patent right deemed abandoned