CN110047036B - 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 - Google Patents
基于极坐标格网的地面激光扫描数据建筑物立面提取方法 Download PDFInfo
- Publication number
- CN110047036B CN110047036B CN201910322174.2A CN201910322174A CN110047036B CN 110047036 B CN110047036 B CN 110047036B CN 201910322174 A CN201910322174 A CN 201910322174A CN 110047036 B CN110047036 B CN 110047036B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- grid
- building
- facade
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 239000004744 fabric Substances 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Generation (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于极坐标格网的地面激光扫描数据建筑物立面提取方法，包括步骤：采用布料模拟滤波算法提取地面激光扫描数据中的非地面点数据；将非地面点数据投影至构建的极坐标格网内，基于密度自适应阈值法提取建筑物立面候选点；将建筑物立面候选点进行聚簇处理与投影处理，获得每个点簇投影后对应的子格网集合；对于投影后的子格网集合，采用面向对象决策树分类法进行建筑物立面点筛选；利用基于图割算法的能量函数最小化求解法，对建筑物立面点筛选结果进行平滑处理，得到建筑物立面提取结果。其显著效果是：排除了数据密度变化的影响；避免了阈值的反复探索过程；具有良好的通用性；兼顾了效率与精度。
Description
技术领域
本发明涉及到建筑物立面提取技术领域，具体涉及一种基于极坐标格网的地面激光扫描数据建筑物立面提取方法。
背景技术
建筑物信息广泛应用于智慧城市、虚拟现实、三维重建等多种领域，激光扫描可以准确、快速的获取建筑物的表面三维数据，是建筑物信息采集的重要手段，扫描得到的数据为离散三维点，称为点云。激光扫描数据中往往包含多种类型的地物，从中自动、快速提取建筑物信息对激光扫描数据的应用具有重要的意义。
激光扫描的类型主要包含机载激光扫描、车载激光扫描和地面激光扫描等，机载激光扫描从空中对建筑物信息进行采集，获取的数据以建筑物的屋顶信息为主，通常会缺失建筑物的立面信息；车载激光扫描和地面激光扫描从侧面对建筑物信息进行采集，是获取建筑物立面信息的主要手段，因此建筑物立面主要从这两种扫描数据中提取。
目前基于车载激光扫描和地面激光扫描数据提取建筑物立面的思路相似，均利用建筑物立面的特点设计技术方案，包括分割法、投影法、分布法、分类法等。分割法主要利用建筑物立面以平面为主要组成的特点，通过分割将扫描数据划分为不同的点簇，依据预设的先验信息在点簇中提取建筑物立面对应的点簇，例如法向量[Pu and Vosselman,2009]、反射强度[Aijazi,2013]、几何特性[杨必胜,2013]，分割的处理单元可以为单点[Xia,2018]、体素[Wang,2016]或多尺度体素[Yang,2015]；投影法将激光扫描数据投影至水平规则格网内，基于立面投影点分布集中的特点，将投影密度大的格网对应的数据识别为建筑物立面[史文中,2005][Hernández,2009]，此外，基于规则格网还可以使用二维影像边缘提取方法，通过轮廓识别建筑物信息[Yang,2012]；分布法通过预设建筑物立面的空间分布特点提取目标信息，例如，建筑物立面在竖直方向通常是连续的，可以通过数据在不同高度上的连续性提取立面[Fan,2014]，而对于不同的独立建筑物，其立面在水平方向往往是不连续的，因而可以通过将车载激光扫描数据投影至汽车的前进路线上的方式识别每一座独立建筑物的立面[Gao,2013]；分类法基于点云整体分类的思路，将建筑物作为场景内的一种类别，在场景内整体分类的框架下得到建筑物立面[Weinmann,2015；谭贲,2012]。
但是，目前已有的建筑物立面提取方案主要存在以下不足：
1、对密度变化带来的影响考虑较少。激光扫描中，光束从某一中心发出，使得数据密度随扫描距离增加而减小，为基于投影密度的筛选、几何特征提取等处理带来了问题。同时，邻域选择、密度相关的阈值设置等参数设置也与密度有很大联系。
2、不同类型的激光扫描数据密度变化方式不同。目前，尽管车载和地面激光扫描数据具有较多相似性，很多立面提取方案也可以在两种数据类型中通用，但两种数据所包含的建筑物立面数据密度变化特点仍有较大差别：车载激光扫描主要面向街道场景，街道两侧建筑物对应的扫描距离往往相近，其表面的数据密度因而也相近；而地面激光扫描面向的场景更加复杂，建筑物可能分布在不同的扫描距离下，密度变化往往大于车载激光扫描数据中的密度变化。建筑物立面密度变化特点不同为部分方案的实施带来了影响，例如，对于车载扫描数据使用的规则格网。
3、对立面特点的假设影响了方案的适用范围。分割法在提取以平面为主要组成的建筑物立面时可以取得很好的效果，但在处理包含弧面等非平面要素的立面时会受到较大限制；非建筑地物的存在可能会破坏分布法对场景的假设，例如，植被、车辆等地物的遮挡会打断立面的连续性，而这些地物出现在独立建筑物之间可能破坏建筑物的独立性，使提取结果出现错误；投影法则暗含了建筑物立面与植被等其它地物分离的假设，在植被与立面非常接近时，被识别为立面的格网可能同时包含其它地物，降低了立面提取精度。
4、效率与精度难以兼顾。基于较小处理单元的方法往往可以得到较高的提取精度，例如分割法、分类法，但是激光扫描数据往往数据量庞大，逐点处理会降低提取效率；投影法、分布法的处理尺度更大，但以格网或者独立立面为单元进行处理，可能导致部分非立面点被识别为立面类别，降低提取精度。
[1]Pu S,Vosselman G.Knowledge based reconstruction of building modelsfrom terrestrial laser scanning data[J].Isprs Journal of Photogrammetry&Remote Sensing,2009,64(6):575-584.
[2]Aijazi A K,Checchin P,Trassoudaine L.Segmentation basedclassification of3D urban point clouds:A super-voxel based approach withevaluation[J].Remote Sensing,2013,5(4):1624-1650.
[3]杨必胜,董震,魏征,et al.从车载激光扫描数据中提取复杂建筑物立面的方法[J].测绘学报,2013,42(3):411-417.
[4]Xia S,Wang R.Extraction of residential building instances insuburban areas from mobile LiDAR data[J].ISPRS Journal of Photogrammetry andRemote Sensing,2018,144:453-468.
[5]Wang Y,Cheng L,Chen Y,et al.Building point detection from vehicle-borne LiDAR data based on voxel group and horizontal hollow analysis[J].Remote Sensing,2016,8(5):419.
[6]Yang B,Dong Z,Zhao G,et al.Hierarchical extraction of urbanobjects from mobile laser scanning data[J].ISPRS Journal of Photogrammetryand Remote Sensing,2015,99:45-57.
[7]史文中,李必军,李清泉.基于投影点密度的车载激光扫描距离图像分割方法[J].测绘学报,2005(2).
[8]Hernández J,Marcotegui B.Point cloud segmentation towards urbanground modeling[C]//Urban Remote Sensing Event,2009 Joint.IEEE,2009:1-5.
[9]Yang B,Wei Z,Li Q,et al.Automated extraction of street-sceneobjects from mobile lidar point clouds[J].International Journal of RemoteSensing,2012,33(18):5839-5861.
[10]Fan H,Yao W,Tang L.Identifying Man-Made Objects Along Urban RoadCorridors From Mobile LiDAR Data[J].IEEE Geoscience and Remote SensingLetters,2014,11(5):950-954.
[11]Gao,J.,Yang,R.,2013.Online building segmentation from ground-based lidar data in urban scenes.In:2013 International Conference on 3DVision-3DV 2013.IEEE,pp.49–55.
[12]Weinmann M,Jutzi B,Hinz S,et al.Semantic point cloudinterpretation based on optimal neighborhoods,relevant features and efficientclassifiers[J].Isprs Journal of Photogrammetry&Remote Sensing,2015,105:286-304.
[13]谭贲,钟若飞,李芹.车载激光扫描数据的地物分类方法[J].遥感学报,2012,16(1):50-66.
发明内容
针对现有技术的不足，本发明的目的是提供一种基于极坐标格网的地面激光扫描数据建筑物立面提取方法，该方法通过面向地面激光扫描数据的极坐标格网构建、基于自适应阈值的建筑物立面候选点筛选以及面向对象决策树的立面点筛选等步骤，有效克服了现有技术中建筑物立面提取的缺陷。
为达到上述目的，本发明采用的技术方案如下：
一种基于极坐标格网的地面激光扫描数据建筑物立面提取方法，其关键在于包括以下步骤：
步骤1：采用布料模拟滤波算法提取地面激光扫描数据中的非地面点数据；
步骤2：将非地面点数据投影至构建的极坐标格网内，基于密度自适应阈值法提取建筑物立面候选点；
步骤3：将建筑物立面候选点进行聚簇处理与投影处理，获得每个点簇投影后对应的子格网集合；
步骤4：对于投影后的子格网集合，采用面向对象决策树分类法进行建筑物立面点筛选；
步骤5：利用基于图割算法的能量函数最小化求解法，对建筑物立面点筛选结果进行平滑处理，得到建筑物立面提取结果。
进一步的，所述极坐标格网的构建步骤为：
步骤2.1：按照公式
与
计算每个非地面点的投影点P的极坐标(r，θ)，其中，(x，y)为非地面点的投影坐标；
步骤2.2：根据所有非地面点的极坐标，按照公式
与
计算极坐标格网的径长LG和角宽θG，其中rmax和rmin分别为所有点的最大和最小极径，θmax和θmin分别为所有点的最大和最小极角，
表示向下取整；Δr和Δθ分别为极径间隔和极角间隔；
步骤2.3：根据所述径长LG和角宽θG构建极坐标格网，并计算出每个投影点在极坐标格网中的索引。
进一步的，所述极径间隔的设置不小于建筑物墙体的投影宽度，所述极角间隔设置为扫描数据角分辨率的整数倍，即Δθ＝n*θresolution，θresolution为数据获取时设置的扫描仪角分辨率，n表示每个格网可包含的最大光束数目。
进一步的，所述基于密度自适应阈值法提取建筑物立面候选点的具体步骤为：
A1：按照公式T(i,j)＝(1-γ)*n*(arctan(Nl*Hfloor)/θresolution)，根据场景内最低建筑物的楼层数自适应生成每个子格网对应的阈值T(i,j)，其中，n表示每个格网可包含的最大光束数目，Nl表示场景中的最低楼层数目，Hfloor表示每层高度，θresolution表示数据获取时的扫描仪角分辨率，γ表示立面遮挡率；
A2：根据公式p∈{G|n[G(i,j)]＞T(i,j)}寻找每个子格网中投影点数目大于阈值T(i,j)的子格网，筛选出建筑物立面候选点，其中，p为该子格网所对应的原始点，i＝1,2...LG,j＝1,2...θG，LG和θG分别为极坐标格网的径长和角宽。
进一步的，步骤3中所述聚簇处理的具体步骤为：
步骤3.1：构建建筑物立面候选点集的KD树索引，基于每个候选点到原点的距离估算该点处的点云密度denp；
步骤3.2：在建筑物立面候选点集中选取一个未被标记的点作为新构建点簇的种子点，并加入该点簇的种子点集；
步骤3.3：选取当前种子点集中的第一个点，基于KD树搜索与种子点距离小于5*denp的所有点，将搜索得到的点加入当前点簇和种子点集合、并进行标记，同时在种子点集中移除本次搜索使用的种子点；
步骤3.4：迭代步骤3.3直至当前点簇的种子点集为空，完成一个点簇的构建；
步骤3.5：迭代步骤3.2-3.4直至所有建筑物立面候选点均被标记，建筑物立面候选点集按照连通性被分为不同的点簇。
进一步的，步骤3中所述投影处理的具体过程为：
将聚簇处理后的建筑物立面候选点投影至xoy平面上并按规则格网进行划分，并记录每个点簇所对应的子格网；
其中，所述规则格网的长和宽计算公式
分别为
xmax和xmin分别为投影点x坐标的最大值和最小值，ymax和ymin分别为投影点y坐标的最大值和最小值，Δl为子格网边长，
表示向下取整。
进一步的，所述面向对象决策树分类法进行建筑物立面点筛选的具体过程为：
步骤4.1：通过快速凸包法计算点簇投影点的外包多边形的面积Sconvex，通过计算点簇投影点落入的子格网数目计算实际投影面积Sp；
步骤4.2：按照公式Rhollow＝Sp/Sconvex计算点簇的空心率，并根据空心率阈值将点簇分为高空心率和低空心率两种类型；
步骤4.3：分别对高空心率点簇进行维度分析、低空心率点簇进行立面查找，提取出建筑物立面点。
进一步的，步骤4.3中对高空心率点簇进行维度分析的具体过程为：
S1：基于点簇至原点的平均距离，计算该点簇的平均密度，并以平均密度的5倍距离作为搜索半径，得到点簇中每个点的邻域；
S2：计算点簇中各点邻域的重心，得到邻域协方差矩阵；
S3：对邻域协方差矩阵进行特征分解，得到特征值λ1、λ2、λ3，并按照λ1≥λ2≥λ3的顺序进行排列；
S4：基于特征值λ1、λ2、λ3计算每个点的邻域维度特征al、ap和as，所述al、ap和as分别表示该点的邻域呈现线状、面状和散乱分布的可能性；
S5：选取邻域维度特征ap最大的点为面状点，计算每个高空心率点簇的面状点比例，并基于面状点比例阈值T1筛选出建筑物立面点。
进一步的，步骤4.3中对低空心率点簇进行立面查找的具体过程为：对每个点簇，利用随机抽样一致算法在每个点簇中提取一个最佳拟合平面，并计算每个点簇的拟合成功比例，基于拟合成功比例阈值T2筛选出建筑物立面点。
进一步的，步骤5中所述基于图割算法的能量函数最小化求解法的具体过程为：
步骤5.1：对建筑物立面点筛选结果中的每个点，连接与其最临近的K个点构建一个邻域图；
步骤5.2：基于K邻域图，按照公式
构建点云的能量函数E，其中，li表示点云的初始标记结果，li′表示部分点的类别变换后的标记结果，n为点云数目，F(li,li′)为衡量类别变换前后数据差异性的数据项，S(pi,pj)为衡量相邻点间平滑程度的平滑项，pi和pj为K邻域图中相互连接的两个点；
步骤5.3：基于图割算法求取能量函数E的最小值，以点云最小能量值所对应的标记结果为最终平滑结果，获得建筑物立面提取结果。
本发明的显著效果是：
1、具有密度自适应性。本方案中极坐标格网的构建可以保证格网内的投影点数目不随扫描距离增加而减小，而是仅与格网对应的地物特性有关；地面激光扫描数据的邻域搜索范围基于局部点密度自适应生成；用于筛选立面点的投影点数目阈值由扫描距离和场景内的建筑物最低高度自适应生成，阈值设置方式符合对场景目标地物的直观认知，避免了阈值的反复探索过程。
2、立面通用特点的使用。在极坐标格网的基础上，本方案仅基于建筑物立面水平投影密度大的基本特点提取立面候选点，无需对立面是否主要由平面要素构成、场景内的建筑物是否连通或独立、竖直方向是否因前视遮挡而缺失和断裂等详细几何表现特征进行假设，具有更强的通用性。
3、兼顾了精度与效率。本方案通过不同尺度处理单元(格网、点簇和单点)的联合使用，在提高处理效率的同时得到高精度的建筑物立面数据；主要处理过程以格网和点簇为处理单位，在提高处理效率的同时，可以保留立面候选点、剔除确定性较高的非立面点，显著降低了数据量；面向立面候选点，在点簇维度分析、RANSAC平面拟合和立面点最终平滑中使用逐点处理的方法，从而得到了高精度的建筑物立面点。
附图说明
图1是本发明的方法流程图；
图2是传统规则格网示意图；
图3是本发明构建的极坐标格网示意图；
图4是立面投影的空心效果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种基于极坐标格网的地面激光扫描数据建筑物立面提取方法，具体步骤如下：
步骤1：采用布料模拟滤波算法[1]提取地面激光扫描数据中的非地面点数据，将非地面数据作为下一步的输入；
步骤2：将滤去地面部分的非地面点激光扫描数据投影至平面二维格网内，依据建筑物投影点分布集中的特性提取建筑物立面候选点。在该步骤中，平面二维格网为本实施例自行构建的一种极坐标格网方案，其与传统的规则格网相比，可以保证每个格网有相似的光束数量通过。具体的，本例中所述极坐标格网的构建步骤为：
步骤2.1：由于地面激光扫描水平面一般与水平方向大致平行，因此直接使用每个点的x和y坐标作为其在水平面上的投影坐标。对于坐标为(x，y)的一个投影点P，以x轴作为起始方向，根据计算公式
可以将其转换为对应的极坐标(r，θ)，其中，r为极径，表示投影点到原点o的距离，θ为极角，表示x轴与线段oP的逆时针夹角。
步骤2.2：根据所有非地面点的极坐标，按照公式
与
计算得到极坐标格网的径长LG和角宽θG，其中rmax和rmin分别为所有点的最大和最小极径，θmax和θmin分别为所有点的最大和最小极角，
表示向下取整；Δr和Δθ分别为极径间隔和极角间隔；所述极径间隔的设置不小于建筑物墙体的投影宽度，所述极角间隔设置为扫描数据角分辨率的整数倍，即Δθ＝n*θresolution，θresolution为数据获取时设置的扫描仪角分辨率，n表示每个格网可包含的最大光束数目。
在扫描仪角分辨率不可知的情况下，可以通过选取几组邻近点对进行估算，估算公式为
其中(pi，qi)为点云中随机选取的不同扫描距离下的m对邻近点，i＝1,2…m，每对邻近点对间的距离dist(pi，qi)可以代表相应位置处的点云密度，di为第i组点对到原点的平均扫描距离，由每组点对所对应的扫描距离和密度可以估算场景对应的仪器角分辨率θresolution。
步骤2.3：根据所述径长LG和角宽θG构建极坐标格网，如图3所示，从图2与图3的对比可以看出，图2所示的规则格网中的光束密度随扫描距离增加而趋于稀疏；而本发明构建的极坐标格网内的光束分布始终保持均匀。
构建极坐标格网后，按照下列公式可计算出每个投影点在极坐标格网中的索引：
其中，indexr和indexθ分别表示极径索引和极角索引。
之后，根据极坐标格网以及计算所得的索引，可基于密度自适应阈值实现所述建筑物立面候选点的筛选，过程如下：
在地面激光点云中，建筑物立面点在xoy平面上的投影分布集中，密度显著大于一般地物，利用建筑物立面的这一特性，通过寻找投影点数目大于一定阈值的格网，筛选出建筑物立面候选点：
p∈{G|n[G(i,j)]＞T(i,j),i＝1,2...LG,j＝1,2...θG}，
其中，G(i,j)表示极径索引和极角索引分别为i和j的子格网，n[G(i,j)]表示落入该子格网的投影点数目，T(i,j)表示该子格网对应的阈值，在本方案中由场景内的最低建筑物的楼层数目自适应生成：
T(i,j)＝(1-γ)*n*(arctan(Nl*Hfloor)/θresolution)，
其中，n表示每个格网可包含的最大光束数目，Nl表示场景中的最低楼层数目，Hfloor表示每层高度(通常设为3m)，θresolution表示数据获取时的扫描仪角分辨率，由γ表示立面遮挡率，本方案设置为0.25，即场景内单层建筑立面在遮挡率小于25％时被判定为立面。取投影点数目大于阈值的子格网为建筑物立面投影点所在的子格网，p为该子格网所对应的原始点，最终构成建筑物立面候选点集。
在建筑物立面候选点的基础上，进一步筛选最终立面点，但为了提高对建筑物立面候选点集处理效率，先对数据进行聚簇和投影处理，也即是进入步骤3。
步骤3：将建筑物立面候选点进行聚簇处理与投影处理，获得每个点簇投影后对应的子格网集合；
首先，将建筑物立面候选点根据三维坐标的欧式距离进行聚簇处理，步骤如下：
步骤3.1：密度计算。构建建筑物立面候选点集的KD树索引，基于每个候选点到原点的距离，按照公式denp＝θresolution*dist(p,o)估算该点处的点云密度denp；其中，dist(p,o)为p点到原点o的距离，θresolution为扫描仪的角分辨率，在扫描仪角分辨率未知的情况下，可以通过公式
进行估算。
步骤3.2：新点簇构建。在建筑物立面候选点集中选取一个未被标记的点作为新构建点簇的种子点，并加入该点簇的种子点集；
步骤3.3：点簇生长。选取当前种子点集中的第一个点，基于KD树搜索与种子点距离小于5*denp的所有点，将搜索得到的点加入当前点簇和种子点集合、并进行标记，同时在种子点集中移除本次搜索使用的种子点；
步骤3.4：迭代步骤3.3直至当前点簇的种子点集为空，完成一个点簇的构建；
步骤3.5：迭代步骤3.2-3.4直至所有建筑物立面候选点均被标记，建筑物立面候选点集按照连通性被分为不同的点簇。
然后，对聚簇处理后的建筑物立面候选点进行投影处理，步骤如下所述：
将聚簇处理后的建筑物立面候选点投影至xoy平面上并按规则格网进行划分，并记录每个点簇所对应的子格网；
其中，所述规则格网的长和宽计算公式
分别为
xmax和xmin分别为投影点x坐标的最大值和最小值，ymax和ymin分别为投影点y坐标的最大值和最小值，Δl为子格网边长，
表示向下取整。每个投影点(x，y)对应的索引分别为
步骤4：对于投影后的子格网集合，采用面向对象决策树分类法进行建筑物立面点筛选；具体的，将每个点簇投影后对应的子格网集合作为一个立面候选对象，在此基础上，本实施例基于面向对象决策树实现立面点的提取。具体步骤如下：
步骤4.1：空心率筛选。对包含两个及以上立面的子格网集合，实际投影面积往往远小于子格网集合的外包面积，投影数据呈现出“空心”的特点，如图4所示，其中(a)为原始投影点示意图；(b)实际投影区域示意图；(c)投影的外包多边形示意图。
因此，通过快速凸包法[2]计算点簇投影点的外包多边形的面积Sconvex；通过计算点簇投影点落入的子格网数目，按照公式Sp＝N*Δl*Δl计算实际投影面积Sp，其中，N为点簇投影点对应的子格网数目，Δl为子格网边长；
步骤4.2：按照公式Rhollow＝Sp/Sconvex计算点簇的空心率，得到每个点簇的空心率后，根据空心率与空心率阈值T0，将所有点簇分为两种类型，所述空心率阈值使用大津法[3]自适应计算；
空心率筛选后，点簇被分为高空心率和低空心率两种类型，其所包含的地物特点各不相同，针对不同的点簇类型和特点可以进一步分析得到属于建筑物立面的点簇；
步骤4.3：分别对高空心率点簇进行维度分析、低空心率点簇进行立面查找，提取出建筑物立面点，其中：
对于高空心率点簇：
高空心率的点簇通常由相互连接的多个建筑物立面构成，但仍可能存在少数不规则地物组成的干扰点簇。为了剔除干扰点簇，依据建筑物立面点通常表现出的面状特性(曲面、平面)，对点簇进行维度分析，通过点簇的面状点比例剔除干扰点簇，过程如下：
S1：基于点簇至原点的平均距离，计算该点簇的平均密度，并以平均密度的5倍距离作为搜索半径，得到点簇中每个点的邻域；
S2：对点p的邻域pi＝(xi，yi，zi)，i＝1,2…n，按公式
计算其重心，其中，n为邻域点数目。进而得到邻域协方差矩阵M：
S3：M矩阵为3*3对称矩阵，可以进行特征分解，得到特征值λ1、λ2、λ3，并按照λ1≥λ2≥λ3的顺序进行排列；
S4：基于特征值λ1、λ2、λ3，按照公式
分别计算每个点的邻域维度特征al、ap和as，所述al、ap和as分别表示p点邻域呈现线状、面状和散乱分布的可能性。
S5：选取邻域维度特征ap最大的点为面状点，计算每个高空心率点簇的面状点比例，并基于面状点比例阈值T1＝70％将比例不低于70％的点簇对应的点标记为立面点，其它点标记为非立面点，从而筛选出建筑物立面点。
对于低空心率点簇：
空心率较低的点簇主要对应离散的非立面地物，但单独立面构成的点簇投影在xoy平面上呈现为一条直线，同样会被划分为低空心率点簇。
本专利通过平面拟合与误差分析在低空心率点簇中提取单立面点簇。对每个点簇，使用随机抽样一致算法(RANdom SAmple Consensus,RANSAC)在每个点簇中提取一个最佳拟合平面，拟合误差在0.2m以内的点为成功拟合点，若点簇对应的成功拟合比例不低于阈值T2＝80％，则该点簇为建筑物立面点簇。
步骤5：利用基于图割算法的能量函数最小化求解法，对建筑物立面点筛选结果进行平滑处理，得到建筑物立面提取结果。
在使用对象决策树筛选后，立面候选点被划分为建筑物立面点和其它点两种类别，但由于一个点簇可能同时包含立面点和其它点，以点簇为单位进行点云标记可能会将少量其它点识别为立面点，因此需要对筛选结果进行平滑。本方案通过基于图割算法[4]的能量函数最小化求解的方式对筛选结果进行平滑，具体过程为：
步骤5.1：对建筑物立面点筛选结果中的每个点，连接与其最临近的K个点(K＝10)构建一个邻域图(Graph)；
步骤5.2：基于K邻域图，按照公式
构建点云的能量函数E，其中，li表示点云的初始标记结果，li′表示部分点的类别变换后的标记结果，n为点云数目，
为衡量类别变换前后数据差异性的数据项，当变换前后的点云标记一致时，F为0；
为衡量相邻点间平滑程度的平滑项，其中，dij为点pi和pj间的距离，
和
为点pi和pj与相应K邻域内所有点之间的平均距离。两个类别不同的点距离越近，对应的平滑项越大。
步骤5.3：基于图割算法求取能量函数E的最小值，以点云最小能量值所对应的标记结果为最终平滑结果，获得建筑物立面提取结果。
本发明中所述布料模拟滤波算法[1]、快速凸包法[2]、大津法[3]以及图割算法[4]均为现有技术，可参见下述资料。
[1]Zhang W,Qi J,Wan P,Wang H,Xie D,Wang X,Yan G.An Easy-to-UseAirborne LiDAR Data Filtering Method Based on Cloth Simulation.RemoteSensing.2016；8(6):501.
[2]Barber,C.Bradford；Dobkin,David P.；Huhdanpaa,Hannu."The quickhullalgorithm for convex hulls".ACM Transactions on Mathematical Software.22(4):469–483.
[3]Otsu N.A Threshold Selection Method from Gray-Level Histograms[J].IEEE Transactions on Systems,Man,and Cybernetics,1979,9(1):62-66.
[4]Boykov Y,Veksler O,Zabih R.Fast approximate energy minimizationvia graph cuts[J].IEEE Transactions on pattern analysis and machineintelligence,2001,23(11):1222-1239.
本发明通过建立仅与格网对应的地物特性有关的极坐标格网，并将剔除地面点后的非地面激光扫描数据进行投影，然后基于密度自适应阈值进行建筑物立面候选点筛选，之后对建筑物立面候选点进行聚簇和投影，并采用面向对象决策树分类法实现建筑物立面点筛选，最后对建筑物立面点筛选结果进行平滑处理，获得最终的建筑物立面提取结果。该提取过程排除了数据密度变化的影响，而且避免了阈值的反复探索过程，提高了提取效率；并通过基于建筑物立面水平投影密度大的基本特点提取立面候选点，使得本方案具有良好的通用性；最后通过不同尺度处理单元(格网、点簇和单点)的联合使用，在提高处理效率的同时得到了高精度的建筑物立面数据，从而兼顾了效率与精度。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明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发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (4)
1.一种基于极坐标格网的地面激光扫描数据建筑物立面提取方法，其特征在于包括以下步骤：
步骤1：采用布料模拟滤波算法提取地面激光扫描数据中的非地面点数据；
步骤2：将非地面点数据投影至构建的极坐标格网内，基于密度自适应阈值法提取建筑物立面候选点；
步骤3：将建筑物立面候选点进行聚簇处理与投影处理，获得每个点簇投影后对应的子格网集合；
步骤4：对于投影后的子格网集合，采用面向对象决策树分类法进行建筑物立面点筛选；
步骤5：利用基于图割算法的能量函数最小化求解法，对建筑物立面点筛选结果进行平滑处理，得到建筑物立面提取结果；
所述极坐标格网的构建步骤为：
步骤2.1：按照公式
计算每个非地面点的投影点P的极坐标(r，θ)，其中，(x，y)为非地面点的投影坐标；
步骤2.2：根据所有非地面点的极坐标，按照公式
与
计算极坐标格网的径长LG和角宽θG，其中rmax和rmin分别为所有点的最大和最小极径，θmax和θmin分别为所有点的最大和最小极角，
表示向下取整；Δr和Δθ分别为极径间隔和极角间隔；
步骤2.3：根据所述径长LG和角宽θG构建极坐标格网，并计算出每个投影点在极坐标格网中的索引；
所述基于密度自适应阈值法提取建筑物立面候选点的具体步骤为：
A1：按照公式T(i,j)＝(1-γ)*n*(arctan(Nl*Hfloor)/θresolution)，根据场景内最低建筑物的楼层数自适应生成每个子格网对应的阈值T(i,j)，其中，n表示每个格网可包含的最大光束数目，Nl表示场景中的最低楼层数目，Hfloor表示每层高度，θresolution表示数据获取时的扫描仪角分辨率，γ表示立面遮挡率；
A2：根据公式p∈{G|n[G(i,j)]＞T(i,j)}寻找每个子格网中投影点数目大于阈值T(i,j)的子格网，筛选出建筑物立面候选点，其中，p为该子格网所对应的原始点，i＝1,2...LG,j＝1,2...θG，LG和θG分别为极坐标格网的径长和角宽；
步骤3中所述聚簇处理的具体步骤为：
步骤3.1：构建建筑物立面候选点集的KD树索引，基于每个候选点到原点的距离估算该点处的点云密度denp；
步骤3.2：在建筑物立面候选点集中选取一个未被标记的点作为新构建点簇的种子点，并加入该点簇的种子点集；
步骤3.3：选取当前种子点集中的第一个点，基于KD树搜索与种子点距离小于5*denp的所有点，将搜索得到的点加入当前点簇和种子点集合、并进行标记，同时在种子点集中移除本次搜索使用的种子点；
步骤3.4：迭代步骤3.3直至当前点簇的种子点集为空，完成一个点簇的构建；
步骤3.5：迭代步骤3.2-3.4直至所有建筑物立面候选点均被标记，建筑物立面候选点集按照连通性被分为不同的点簇；
步骤3中所述投影处理的具体过程为：
将聚簇处理后的建筑物立面候选点投影至xoy平面上并按规则格网进行划分，并记录每个点簇所对应的子格网；
其中，所述规则格网的长和宽计算公式
分别为
xmax和xmin分别为投影点x坐标的最大值和最小值，ymax和ymin分别为投影点y坐标的最大值和最小值，Δl为子格网边长，
表示向下取整；
所述面向对象决策树分类法进行建筑物立面点筛选的具体过程为：
步骤4.1：通过快速凸包法计算点簇投影点的外包多边形的面积Sconvex，通过计算点簇投影点落入的子格网数目计算实际投影面积Sp；
步骤4.2：按照公式Rhollow＝Sp/Sconvex计算点簇的空心率，并根据空心率阈值将点簇分为高空心率和低空心率两种类型；
步骤4.3：分别对高空心率点簇进行维度分析、低空心率点簇进行立面查找，提取出建筑物立面点；
步骤5中所述基于图割算法的能量函数最小化求解法的具体过程为：
步骤5.1：对建筑物立面点筛选结果中的每个点，连接与其最临近的K个点构建一个邻域图；
步骤5.2：基于K邻域图，按照公式
构建点云的能量函数E，其中，li表示点云的初始标记结果，l′i表示部分点的类别变换后的标记结果，n为点云数目，F(li,l′i)为衡量类别变换前后数据差异性的数据项，S(pi,pj)为衡量相邻点间平滑程度的平滑项，pi和pj为K邻域图中相互连接的两个点；
步骤5.3：基于图割算法求取能量函数E的最小值，以点云最小能量值所对应的标记结果为最终平滑结果，获得建筑物立面提取结果。
2.根据权利要求1所述的基于极坐标格网的地面激光扫描数据建筑物立面提取方法，其特征在于：所述极径间隔的设置不小于建筑物墙体的投影宽度，所述极角间隔设置为扫描数据角分辨率的整数倍，即Δθ＝n*θresolution，θresolution为数据获取时设置的扫描仪角分辨率，n表示每个格网可包含的最大光束数目。
3.根据权利要求1所述的基于极坐标格网的地面激光扫描数据建筑物立面提取方法，其特征在于：步骤4.3中对高空心率点簇进行维度分析的具体过程为：
S1：基于点簇至原点的平均距离，计算该点簇的平均密度，并以平均密度的5倍距离作为搜索半径，得到点簇中每个点的邻域；
S2：计算点簇中各点邻域的重心，得到邻域协方差矩阵；
S3：对邻域协方差矩阵进行特征分解，得到特征值λ1、λ2、λ3，并按照λ1≥λ2≥λ3的顺序进行排列；
S4：基于特征值λ1、λ2、λ3计算每个点的邻域维度特征al、ap和as，所述al、ap和as分别表示该点的邻域呈现线状、面状和散乱分布的可能性；
S5：选取邻域维度特征ap最大的点为面状点，计算每个高空心率点簇的面状点比例，并基于面状点比例阈值T1筛选出建筑物立面点。
4.根据权利要求1所述的基于极坐标格网的地面激光扫描数据建筑物立面提取方法，其特征在于：步骤4.3中对低空心率点簇进行立面查找的具体过程为：对每个点簇，利用随机抽样一致算法在每个点簇中提取一个最佳拟合平面，并计算每个点簇的拟合成功比例，基于拟合成功比例阈值T2筛选出建筑物立面点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910322174.2A CN110047036B (zh) | 2019-04-22 | 2019-04-22 | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910322174.2A CN110047036B (zh) | 2019-04-22 | 2019-04-22 | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110047036A CN110047036A (zh) | 2019-07-23 |
| CN110047036B true CN110047036B (zh) | 2023-04-18 |
Family
ID=67278366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910322174.2A Active CN110047036B (zh) | 2019-04-22 | 2019-04-22 | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110047036B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796741B (zh) * | 2019-09-24 | 2023-04-25 | 山东科技大学 | 一种基于双向布料模拟的机载激光测深点云滤波方法 |
| CN110910387B (zh) * | 2019-10-09 | 2022-03-04 | 西安理工大学 | 一种基于显著性分析的点云建筑物立面窗户提取方法 |
| CN110992341A (zh) * | 2019-12-04 | 2020-04-10 | 沈阳建筑大学 | 一种基于分割的机载LiDAR点云建筑物提取方法 |
| CN111754618B (zh) * | 2020-05-28 | 2024-04-02 | 深圳大学 | 一种面向对象的实景三维模型多层次解译方法及系统 |
| CN112884723B (zh) * | 2021-02-02 | 2022-08-12 | 贵州电网有限责任公司 | 一种三维激光点云数据中绝缘子串检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018151629A1 (ru) * | 2017-02-14 | 2018-08-23 | Общество с ограниченной ответственностью "ХЕЛЬГИ ЛАБ" | Способ и система автоматического построения трехмерных моделей городов |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6988660B2 (en) * | 1999-06-07 | 2006-01-24 | Metrologic Instruments, Inc. | Planar laser illumination and imaging (PLIIM) based camera system for producing high-resolution 3-D images of moving 3-D objects |
| US9396545B2 (en) * | 2010-06-10 | 2016-07-19 | Autodesk, Inc. | Segmentation of ground-based laser scanning points from urban environment |
| US9811714B2 (en) * | 2013-08-28 | 2017-11-07 | Autodesk, Inc. | Building datum extraction from laser scanning data |
| GB2532948B (en) * | 2014-12-02 | 2021-04-14 | Vivo Mobile Communication Co Ltd | Object Recognition in a 3D scene |
| CN106327558B (zh) * | 2015-07-08 | 2019-11-19 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
| GB2543749A (en) * | 2015-10-21 | 2017-05-03 | Nokia Technologies Oy | 3D scene rendering |
| CN106056614A (zh) * | 2016-06-03 | 2016-10-26 | 武汉大学 | 一种地面激光点云数据的建筑物分割与轮廓线提取方法 |
-
2019
- 2019-04-22 CN CN201910322174.2A patent/CN110047036B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018151629A1 (ru) * | 2017-02-14 | 2018-08-23 | Общество с ограниченной ответственностью "ХЕЛЬГИ ЛАБ" | Способ и система автоматического построения трехмерных моделей городов |
Non-Patent Citations (1)
| Title |
|---|
| 局部形状特征概率混合的半自动三维点云分类;李红军等;《浙江大学学报(理学版)》;20170115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110047036A (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
| CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
| Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
| Sohn et al. | Using a binary space partitioning tree for reconstructing polyhedral building models from airborne lidar data | |
| US10049492B2 (en) | Method and apparatus for rendering facades of objects of interest from three-dimensional point clouds | |
| US9846946B2 (en) | Objection recognition in a 3D scene | |
| Sohn et al. | Data fusion of high-resolution satellite imagery and LiDAR data for automatic building extraction | |
| Rottensteiner et al. | The ISPRS benchmark on urban object classification and 3D building reconstruction | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| Pu et al. | Extracting windows from terrestrial laser scanning | |
| Jarząbek-Rychard et al. | 3D building reconstruction from ALS data using unambiguous decomposition into elementary structures | |
| CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
| CN102804231A (zh) | 三维场景的分段平面重建 | |
| CN108109139A (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
| CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
| Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
| CN117152215A (zh) | 一种复杂城市环境下快速车载激光点云自动配准方法 | |
| Wang et al. | A method for detecting windows from mobile LiDAR data | |
| Khoshelham et al. | A split-and-merge technique for automated reconstruction of roof planes | |
| Sohn et al. | A data-driven method for modeling 3D building objects using a binary space partitioning tree | |
| CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
| Xu et al. | A method of 3d building boundary extraction from airborne lidar points cloud | |
| CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
| CN107808160B (zh) | 三维建筑物提取方法和装置 | |
| Sun et al. | Automatic building extraction from oblique aerial images |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |