CN111458691A - 建筑物信息的提取方法、装置及计算机设备 - Google Patents

Abstract

本申请公开了一种建筑物信息的提取方法、装置及计算机设备，涉及计算机技术领域，可以解决在提取建筑物信息时，提取结果不够精准、信息覆盖面不全的问题。其中方法包括：实时获取待监测区域的机载激光雷达LiDAR数据；依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；利用所述非地面点提取所述待监测区域中的建筑物轮廓；基于所述建筑物轮廓确定所述待监测区域的建筑物信息。本申请适用于对建筑物信息的提取。

Description

建筑物信息的提取方法、装置及计算机设备

技术领域

本申请涉及计算机技术领域，尤其涉及到一种建筑物信息的提取方法、装置及计算机设备。

背景技术

建筑信息在军事侦察、地理信息系统(GIS)数据更新、城市规划、灾害防治、资源调查和数字城市建设等等应用中发挥着重要作用。随着遥感技术的发展，大量的遥感数据成为可能。然而，在普通的RGB遥感图像中，由于道路和广场背景复杂，很难提取出建筑物信息。因此，开发可靠、准确的建筑物提取方法已成为一个重要而具有挑战性的研究课题。

在过去的几十年中，许多建筑物的提取研究都是基于传统的图像处理方法。在特征工程中，传统的方法是利用ZY-3高分辨率多视角立体像对建筑物进行信息提取，但是，ZY-3立体像对生成的nDSMs由于精度问题难以获取城区建筑物的真实高度，使提取出的建筑物信息不够精准，且信息覆盖面不全。

发明内容

有鉴于此，本申请提供了一种建筑物信息的提取方法、装置及计算机设备，主要目的是为了解决在提取建筑物信息时，提取结果不够精准、信息覆盖面不全的问题。

根据本申请的一个方面，提供了一种建筑物信息的提取方法，该方法包括：

实时获取待监测区域的机载激光雷达LiDAR数据；

依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；

利用所述非地面点提取所述待监测区域中的建筑物轮廓；

基于所述建筑物轮廓确定所述待监测区域的建筑物信息。

根据本申请的另一个方面，提供了一种建筑物信息的提取装置，该装置包括：

获取模块，用于实时获取待监测区域的机载激光雷达LiDAR数据；

分离模块，用于依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；

提取模块，用于利用所述非地面点提取所述待监测区域中的建筑物轮廓；

确定模块，用于基于所述建筑物轮廓确定所述待监测区域的建筑物信息。

根据本申请的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述建筑物信息的提取方法。

根据本申请的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述建筑物信息的提取方法。

借由上述技术方案，本申请提供的一种建筑物信息的提取方法、装置及计算机设备，与目前利用ZY-3高分辨率多视角立体像对建筑物进行信息提取的方式相比，本申请可依据实时获取的待监测区域的机载激光雷达LiDAR数据，确定出待监测区域中的建筑物轮廓，之后基于建筑物轮廓提取出建筑物信息。在本申请中，从多维度分别获取待监测区域的建筑物信息，可实现对建筑物状态变化的多维度检测，使信息提取结果更为准确、全面。并且在本申请中，利用LiDAR数据能够准确获取城区建筑物真实的高度信息，可使多层次城区建筑物信息的提取从二维走向三维，使提取结果更为精准可靠。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种建筑物信息的提取方法的流程示意图；

图2示出了本申请实施例提供的另一种建筑物信息的提取方法的流程示意图；

图3示出了本申请实施例提供的一种建筑物信息的提取装置的结构示意图；

图4示出了本申请实施例提供的另一种建筑物信息的提取装置的结构示意图。

具体实施方式

下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。

针对目前在提取出的建筑物信息，不够精准且提取效率低的问题，本申请实施例提供了一种建筑物信息的提取方法，如图1所示，该方法包括：

101、实时获取待监测区域的机载激光雷达LiDAR数据。

其中，在数字化城市中，可视化是其中一项重要的研究内容，因此城市表面信息的提取显得十分重要，建筑物作为城市表面信息的一部分，在可视化中不可忽视，利用LiDAR点云数据提取建筑物信息是直接可靠的方法。

102、依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点。

其中，LiDAR数据中可包含非地面点和地面点，在具体的应用场景中，为了准确提取出建筑物信息，需要从LiDAR数据中分离出非地面点，以便利用非地面点进行建筑物轮廓的提取。

103、利用非地面点提取待监测区域中的建筑物轮廓。

对于本实施例，在具体的应用场景中，可利用非地面点，计算待监测区域点云的平坦度、法线方向方差和nDSM的GLCM纹理特征，之后将这三个特征融合于一个能量最小化的提取框架中，为了保证提取到的结果跟周围的像素保持一致，可使用图切算法进行建筑物的标记，即可进一步确定出建筑物轮廓。

104、基于建筑物轮廓确定待监测区域的建筑物信息。

其中，建筑物信息可包括目标建筑物的坡度和体积、建筑物2D/3D形态参数、景观格局指数等。

通过本实施例中建筑物信息的提取方法，可依据实时获取的待监测区域的机载激光雷达LiDAR数据，确定出待监测区域中的建筑物轮廓，之后基于建筑物轮廓提取出建筑物信息。在本申请中，从多维度分别获取待监测区域的建筑物信息，可实现对建筑物状态变化的多维度检测，使信息提取结果更为准确、全面。并且在本申请中，利用LiDAR数据能够准确获取城区建筑物真实的高度信息，可使多层次城区建筑物信息的提取从二维走向三维，使提取结果更为精准可靠。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种建筑物信息的提取方法，如图2所示，该方法包括：

201、实时获取待监测区域的机载激光雷达LiDAR数据。

其中，相比于高分辨率的立体影像，LiDAR数据的获取不会受到人为和自然物体的照明差异、视角变化以及增加的光谱模糊度影响，因而它应用于城区微弱建筑物信息的提取具有巨大的优势。在具体的应用场景中，可通过机载LiDAR航摄飞行的方式，通过激光扫描仪发射、接收光束，对地面进行现状扫描，与此同时，动态GPS系统确定传感器的空间位置(经纬度)，IMU测量飞机的实时姿态数据，即滚动、仰俯和航偏角，之后经后期地面数据处理后，即可获取得到地面的三维数据。

202、依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点。

对于本实施例，在具体的应用场景中，为了提取出非地面点，以便依据非地面点进行建筑物信息的分析，实施例步骤202具体可以包括：对LiDAR数据进行预处理，获取得到目标LiDAR数据；利用LiDAR数据生成数字表面模型DSM；基于插值算法和目标LiDAR数据生成数字地形模型DTM；计算DSM和DTM的差值，并将差值确定为nDSM数据；基于nDSM数据对目标LiDAR数据进行高程阈值分割，以便提取出非地面点。

相应的，对LiDAR数据进行预处理，获取得到目标LiDAR数据，具体包括：对LiDAR数据进行去噪处理，滤除异常数据，获取得到目标LiDAR数据。其中，可使用PCL 1.6的“统计异常值移除”过滤操作，然后修改体素网格过滤程序被执行用以去除掉LiDAR数据中的异常数据。

在具体的应用场景中，由于LiDAR接收信号来源于目标表面的放射，故可由LiDAR数据直接生成数字表面模型DSM。由于DSM中包含大量的建筑物点、树木点和其他非地面点，为了更准确地提取出建筑物点，需要把数据点分成非地面点和地面点。为此，需要首先生成数字地形模型DTM，之后可采用Vosselman提出的以形态学理论为基础的坡度滤波算法，通过滤波处理，滤掉地面点，最后使用插值算法生成DTM。其中，插值算法可为逐点内插法，即以内插点为中心，确定一个邻域范围，用落在邻城范围内的采样点计算内插点的高程值。在完成对DTM的提取后，可通过对DSM进行规则化，得到规则化的nDSM，具体可采用从原始的DSM中减去DTM来实现。

203、利用图切算法确定非地面点中各个像素点与周围像素点的一致性程度。

对于本实施例，可利用图切算法确定一致性程度，对于图切算法中的第二项光滑条是代表着某个像素与周围像素的一致性程度，本申请可使用DSM来衡量计算这种一致性程度，因为建筑物区域的高度差异较小，但是建筑物区域与周边的非建筑物之间的差异较为明显。其中，平滑成本的计算公式为：

其中，h_p和h_q是像素p和q的高度；常数ε是用来保证上式中，分母是大于0的，在具体的应用场景中，可令ε＝0.2m；参数β是用来控制平滑条的权重，它与城市环境有关，如果建筑物较为复杂和高大，则需要更多的考虑到平滑条，那么β的取值就高，反之，则需要设置一个较小的β。在具体的应用场景中，可将研究区划分多个区域，并且为了更好的提取分类结果，可为不同的区域设置不同的β。

204、根据一致性程度，识别并滤除非相关像素点。

对于本实施例，在确定出各个像素点与周围像素点的一致性程度后，可基于一致性程度的大小，来识别和滤除非相关地物点。具体可通过设定一个预设阈值，将预设阈值作为确定地物点为有效地物点的最小一致性程度值，当判定计算出的一致性程度值大于或等于该预设阈值时，判定该像素点为有效地物点；当判定计算出的一致性程度值小于该预设阈值时，判定该像素点为非相关地物点，为了排除干扰，需要将其滤除。

205、利用滤除后的非地面点计算待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征。

对于本实施例，在具体的应用场景中，为了计算出待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征，实施例步骤205具体可以包括：依据K最临界临近法和非地面点构建协方差矩阵；利用协方差矩阵的特征值计算待监测区域的平坦度；依据非地面点的法线和处置方向的夹角构建直方图，并将直方图的变异平方系数确定为待监测区域的法线方向方差；利用大于预设阈值的nDSM计算待监测区域的GLCM纹理特征。

其中，平坦度为将待监测区域的像素点输入至协方差矩阵中，获取到对应的特征值，之后利用该特征值计算得到的数值；法线方向方差为待监测区域中像素点对应直方图的变异平方系数；GLCM纹理特征对应表示待监测区域的GLCM同质性。

在具体的应用场景中，由于建筑是由规则平面组成的，然而植被等是由无规律的平面组成的。因此，建筑的点云特征通常由局部的平坦度决定的。建筑区域的点云局部特征表现为平坦度较高，而植被等区域的点云局部特征表现为起伏度较高。

对于本实施例，在构建协方差矩阵时，可让PN＝{P_i|i＝1,2,3,...,n}表示非地面点；P_i＝(x_i,y_i,z_i)表示其中的样本点；N_P＝{p_j|p_j∈PN；p_j|k_nearest_of_p_i}表示pi点的k最邻近点集，在本申请中，可令k＝15，即可以定义3*3的协方差矩阵如下：

其中，P表示其中的样本点，|N_P|为N_p中点的个数，

为N_p中点的中心点。

对于本实施例，在具体的应用场景中，可令λ₀、λ₁以及λ₂(0≤λ₀≤λ₁≤λ₂)为上述协方差矩阵的特征值。那么，P_i点的平坦度则可以用下式表示：

f_F＝λ₀/(λ₀+λ₁+λ₂)

其中，f_F是P_i点的平坦度，f_F越小，就说明P_i点是建筑点，反之则是植被点。地物点的f_F生成之后，可利用插值算法，其中，cell assignment type使用average；Void fillmethod使用natural neighbor，生成0.5m的f_F。

在具体的应用场景中，法线方向方差也可被用来从植被中区分建筑物。原因是对于植被区域的法线向量基本都是分散的而且无规律的众多方向；而建筑物区域的法相向量通常都是固定在少数方向上。具体可通过点集的法线和垂直方向的夹角来构建直方图，以便进一步直观确定出法相方差。

其中，直方图的变异平方系数f_n的计算方法可如下式所示：

f_n指的是每个bin的法线方向频数除以整个点集的平均法线频数，f_n越大，则说明这个点越有可能是建筑物区域的点，反之则是植被区域的点；n指的是方向bin的数量，这个通常取值5-10，本申请中n的取值可为6；n_i指的是每个方向bin的点数；N_p指的是参与计算点集的点的数量；每个点pi的f_n特征的计算，可选择多个最邻近pi点的点云组成计算点集。同样也可使用Flatness的方法，将点的特征转换成grid特征。

在具体的应用场景中，除了平坦度以及法线方向方差，另外一个特征也可被用来进行建筑物提取，即nDSM的GLCM纹理特征，在nDSM图像中，通常植被的纹理信息较为丰富，建筑物显示出一个简单的纹理。其中，nDSM的GLCM纹理特征的计算方法如下：

其中，f_th是nDSM的GLCM纹理特征，f_th越大，就说明是一个简单的纹理，则其越有可能是一个建筑物；i，j是nDSM的灰度；n是灰度的最大值；d，θ分别是生成GLCM的步长以及方向，P(i,j,d,θ)是联合条件概率密度，比如，给定d，θ之后，当灰度i当做起始点，那么灰度j出现的概率。f_th计算的滑动窗口大小可设定为5，d可设置为1，θ设置为四个0°，45°，90°，以及135°，最后四个方向的平均值即为f_th。

在具体的应用场景中，待监测区域可被划分成为多个区域来进行特征求解与建筑物的标记，由于研究区不同的区域有不同的高度差别，故可使用nDSM来进行f_th的求解，即将研究区非地面区域归一化到1-60m，将nDSM>60m的区域直接设定为建筑区域。同时，考虑到计算效率，可只计算非地面区域的GLCM。

206、依据平坦度、法线方向方差和nDSM的GLCM纹理特征标记建筑物轮廓。

对于本实施例，在具体的应用场景中，实施例步骤206具体可以包括：为平坦度、法线方向方差、和GLCM纹理特征分别配置对应的归一化参数和权重值；利用归一化参数计算待监测区域对应的特征值；依据特征值和权重值，计算待监测区域中各个非地面点的能量函数值；利用能量函数值确定待监测区域的建筑物轮廓。

其中，特征值为将待监测区域对应的平坦度、法线方向方差和GLCM纹理特征分别代入至归一化函数中，计算出来的三个特征值。

在具体的应用场景中，为了计算出平坦度、法线方向方差和GLCM纹理特征对应的特征值，需要预先根据实际需求为其分别配置对应的归一化参数，其中，可分别将平坦度对应的fF，法线方向方差对应的fn和GLCM纹理特征对应的fth的归一化参数k值设置为-35、2.0和0.2，同样将fF，fn和fth的归一化参数x0值分别设置为0.06、0.8和18。相应的，为了准确计算出各个地物点的能量函数值，故需要参照贡献程度，分别为平坦度，法线方向方差和GLCM纹理特征配置相等或不均等的权重，其中，可将其权重分别设置为0.25、0.5和0.25。

相应的，可利用logistic函数对平坦度、法线方向方差和GLCM纹理特征对应的三个特征值进行归一化处理，其中特征值的计算公式如下：

其中，x0是特征阈值，参数k控制与逻辑函数有关的曲线的陡度，对结果影响不大；f(x)分别对应fF，fn和fth的已知计算结果，k、x₀分别对应设定的两个已知归一化参数，x为计算出的特征值。

在具体的应用场景中，因为平坦度、法线方向方差和GLCM纹理特征都是描述了一个灰度的特征，它们没有考虑到结构信息。因此，本申请可将上述三个特征值融合到一个能量最小化的提取框架中，使用图切算法进行建筑物的标记，因为它可以保证提取的结果跟周围的像素保持一致。图切算法的核心目标是找到一个标签为每个地物点通过如下的能量函数，进一步确定出建筑物轮廓：

其中，上式的第一项

是关于数据成本，上式的第二项

是关于平滑；其中D_p(l_p)是用来测量标签l_p是有多契合节点p，其中，lp包括{building,non-building}，本申请的Dp(lp)计算方法如下式：

上式中，f_F，f_n，以及f_th分别为平坦度、法线方向方差和GLCM纹理特征归一化之后的特征值；λ_fF，λ_fn以及λ_fth分别为F，f_n，以及f_th的权重值，

207、计算待监测区域内建筑物轮廓的坡度和体积。

对于本实施例，为了排除植被对建筑物信息的影响，可通过计算待检测区域内的坡度值和体积値来区分建筑物，在具体的应用场景中，可预先设定一个预设坡度阈值，其中，预设坡度阈值为用于判定待监测区域存在建筑物的最大坡度，在具体的应用场景中，预设坡度阈值可设定为53°，当确定坡度小于该预设坡度阈值时，则可初步判定待监测区域中为建筑物，反之则判定为植物。此外，还可通过设定一个预设体积阈值，利用预设体积阈值滤除低矮障碍物，如油桶、桥墩等，当确定体积小于该预设体积阈值时，则可判定其为低矮障碍物，反之，则判定其为建筑物，预设体积阈值的具体数值小可根据实际应用场景进行设定。在具体的应用场景中，可采用预设坡度阈值和预设体积阈值的双阈值法来限定提取出目标建筑物，当判定建筑物轮廓同时满足建筑物坡度和体积的限定要求时，则可确定待监测区域内存在建筑物，进而继续进行下述建筑物信息的提取操作，反之则终止信息提取进程，输出不存在建筑物的提示信息。

208、若基于坡度和体积判定待监测区域内存在目标建筑物，则利用建筑物轮廓和nDSM计算目标建筑物的各个2D/3D形态参数和景观格局指数。

其中，建筑物的状态变化信息可从格网尺度和街区尺度进行获取。在格网尺度，主要考虑2D/3D的建筑物形态参数变化，该步骤首先需要将标记影像划分成为一系列的格网，获取各个格网内的参数数据，进而实现对建筑物的形态参数监测。待分析的形态参数可包括建筑面积(A)、建筑体积(V)、迎风面积指数(FAI)、平面面积指数(PAI)、天空视域因子(OdSVF、IdSVF)、以及格网视域因子(PSVF)等。在城市街区尺度，重点关注建筑物的景观格局指数变化，一般来说，城市块尺度的景观参数分析是城市管理和规划最为重要的参考，可通过三种类别构建块来进行景观参数的分析，包括区域边缘，形状和聚合三个参数类。其中，区域边缘参数包括最大斑块指数(LPI)、边缘密度(ED)、平均斑块面积(MPA)；形状参数包括斑块面积的标准差(SDPA)、平均形状指数(MSI)、形状指数标准偏差(SDSI)；聚合参数包括平均最近邻距离(MNN)、平均最近邻居距离(SDMNN)的SD、斑块密度(PD)、凝聚力指数(CI)等。

在具体的应用场景中，目标建筑物的2D/3D的建筑物形态参数可基于各个格网内的参数数据整合计算得出，例如，目标建筑物的面积计算公式可为：

其中，A_buildingi为单个格网的面积，i为目标建筑物所包含的格网数量，A为目标建筑物的面积；目标建筑物的体积计算公式可为：

其中，V_buildingi为单个格网的面积，i为目标建筑物所包含的格网数量，V为目标建筑物的面积；相应的，平面面积指数(PAI)的计算公式可为：PAI＝A_building/A_grid；迎风面积指数(FAI)的计算公式可为：FAI＝WH/A_grid；格网视域因子(PSVF)的计算公式可为：PSVF＝f_rooftop*SVF_rooftop+f_road*SVF_road+f_wall*SVF_wall，其中，f_rooftop、f_road、f_wall分别为屋顶、道路和墙壁的分数，SVF_rooftop、SVF_road、SVF_wall分别为屋顶、道路和墙壁的天空视域因子。

相应的，景观格局指数中最大斑块指数(LPI)等于由一个街区中最大的地块构成的整个景观的百分比，当整个景观由单个斑块组成时，LPI将等于100，LPI越大，说明建筑物在该块是其优势土地利用类型；边缘密度(ED)是一个街区内相对于景观区域的边缘数量；平均斑块面积(MPA)是一个街区内的平均建筑斑块面积，MPA越小,表示该块的建筑物破碎；斑块面积的标准差(SDPA)是一个街区内建筑斑块面积的标准差；平均形状指数(MSI)是一个块中构建补丁的平均形状复杂度；形状指数标准偏差(SDSI)是一个块中MSI的标准偏差；平均最近邻距离(MNN)是构建patch隔离的度量，单个patch的最近邻距离就是到一个类似patch的最短距离(边到边)，平均最近邻距离是在一个街区内建立斑块的这些距离(米)的平均值，一般来说MNN值大，反映出同类型拼块间相隔距离的远，分布较离散；反之，说明同类型拼块间相距近，呈团聚分布；平均最近邻居距离(SDMNN)的SD是MNN的标准偏差；斑块密度(PD)是单位面积上的建筑补丁数量；凝聚力指数(CI)反映了建筑补丁的连通性。

209、输出目标建筑物的各个2D/3D形态参数和景观格局指数。

在具体的应用场景中，当确定出各个2D/3D形态参数和景观格局指数后，可通过音频、视频、或文字等多种形式，将提取出的多个建筑物信息依次输出，即完成对建筑物信息的提取操作。

相应的，还可将各个2D/3D形态参数和景观格局指数与对应的参数指标进行比对，进一步整理出建筑物的具体状态信息，如建筑物破碎度、聚集程度，以及建筑物的空间分布状态等，具体可通过报告的形式整合输出。

通过上述建筑物信息的提取方法，可依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点，利用非地面点计算待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征，进而从待监测区域中提取出建筑物轮廓，之后通过计算建筑物轮廓的坡度和体积，确定出待监测区域内是否包含目标建筑物，在包含目标建筑物时，利用建筑物轮廓和nDSM计算并输出目标建筑物的各个2D/3D形态参数和景观格局指数。本申请在网格尺度上实现了建筑物二三维形态参数的提取以及在城市街区尺度上实现了建筑物二维景观格局指数的提取，使提取出的建筑物信息更为全面可靠，为建筑物分析提供有效的参考数据。

进一步的，作为图1和图2所示方法的具体体现，本申请实施例提供了一种建筑物信息的提取装置，如图3所示，该装置包括：获取模块31、分离模块32、提取模块33、确定模块34；

获取模块31，可用于实时获取待监测区域的机载激光雷达LiDAR数据；

分离模块32，可用于依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；

提取模块33，可用于利用非地面点提取待监测区域中的建筑物轮廓；

确定模块34，可用于基于建筑物轮廓确定待监测区域的建筑物信息。

在具体的应用场景中，为了分离出非地面点，分离模块32，具体可用于对LiDAR数据进行预处理，获取得到目标LiDAR数据；利用LiDAR数据生成数字表面模型DSM；基于插值算法和目标LiDAR数据生成数字地形模型DTM；计算DSM和DTM的差值，并将差值确定为nDSM数据；基于nDSM数据对目标LiDAR数据进行高程阈值分割，以便提取出非地面点；

相应的，为了减少点云的噪声点，分离模块32，具体可用于对LiDAR数据进行去噪处理，滤除异常数据，获取得到目标LiDAR数据。

在具体的应用场景中，为了提取出待监测区域中的建筑物轮廓，提取模块33，具体可用于利用图切算法确定非地面点中各个像素点与周围像素点的一致性程度；根据一致性程度，识别并滤除非相关像素点；利用滤除后的非地面点计算待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征；依据平坦度、法线方向方差和nDSM的GLCM纹理特征标记建筑物轮廓。

相应的，为了计算出待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征，提取模块33，具体可用于依据K最临界临近法和非地面点构建协方差矩阵；利用协方差矩阵的特征值计算待监测区域的平坦度；依据非地面点的法线和处置方向的夹角构建直方图，并将直方图的变异平方系数确定为待监测区域的法线方向方差；利用大于预设阈值的nDSM计算待监测区域的GLCM纹理特征。

在具体的应用场景中，提取模块33，具体可用于为平坦度、法线方向方差、和GLCM纹理特征分别配置对应的归一化参数和权重值；利用归一化参数计算待监测区域对应的特征值；依据特征值和权重值，计算待监测区域中各个非地面点的能量函数值；利用能量函数值确定待监测区域的建筑物轮廓。

相应的，为了基于建筑物轮廓确定待监测区域的建筑物信息，确定模块34，具体可用于计算待监测区域内建筑物轮廓的坡度和体积；若基于坡度和体积判定待监测区域内存在目标建筑物，则利用建筑物轮廓和nDSM计算目标建筑物的各个2D/3D形态参数和景观格局指数。

在具体的应用场景中，为了输出提取出的建筑物信息，如图4所示，该装置还包括：输出模块35；

输出模块35，可用于输出目标建筑物的各个2D/3D形态参数和景观格局指数。

需要说明的是，本实施例提供的一种建筑物信息的提取装置所涉及各功能单元的其它相应描述，可以参考图1至图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的建筑物信息的提取方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，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场景的方法。

基于上述如图1、图2所示的方法，以及图3、图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的建筑物信息的提取方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

非易失性可读存储介质中还可以包括操作系统、网络通信模块。操作系统是提取建筑物信息的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性可读存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与目前现有技术相比，本申请可依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点，利用非地面点计算待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征，进而从待监测区域中提取出建筑物轮廓，之后通过计算建筑物轮廓的坡度和体积，确定出待监测区域内是否包含目标建筑物，在包含目标建筑物时，利用建筑物轮廓和nDSM计算并输出目标建筑物的各个2D/3D形态参数和景观格局指数。本申请在网格尺度上实现了建筑物二三维形态参数的提取以及在城市街区尺度上实现了建筑物二维景观格局指数的提取，使提取出的建筑物信息更为全面可靠，为建筑物分析提供有效的参考数据。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种建筑物信息的提取方法，其特征在于，包括：

实时获取待监测区域的机载激光雷达LiDAR数据；

依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；

利用所述非地面点提取所述待监测区域中的建筑物轮廓；

基于所述建筑物轮廓确定所述待监测区域的建筑物信息。

2.根据权利要求1所述的方法，其特征在于，所述依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点，具体包括：

对所述LiDAR数据进行预处理，获取得到目标LiDAR数据；

利用所述LiDAR数据生成数字表面模型DSM；

基于插值算法和所述目标LiDAR数据生成数字地形模型DTM；

计算所述DSM和所述DTM的差值，并将所述差值确定为nDSM数据；

基于所述nDSM数据对所述目标LiDAR数据进行高程阈值分割，以便提取出非地面点；

所述对所述LiDAR数据进行预处理，获取得到目标LiDAR数据，具体包括：

对所述LiDAR数据进行去噪处理，滤除异常数据，获取得到目标LiDAR数据。

3.根据权利要求2所述的方法，其特征在于，所述利用所述非地面点提取所述待监测区域中的建筑物轮廓，具体包括：

利用图切算法确定所述非地面点中各个像素点与周围像素点的一致性程度；

根据所述一致性程度，识别并滤除非相关像素点；

利用滤除后的所述非地面点计算所述待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征；

依据所述平坦度、所述法线方向方差和所述nDSM的GLCM纹理特征标记建筑物轮廓。

4.根据权利要求3所述的方法，其特征在于，所述利用滤除后的所述非地面点计算所述待监测区域的平坦度、法线方向方差和nDSM的GLCM纹理特征，具体包括：

依据K最临界临近法和非地面点构建协方差矩阵；

利用所述协方差矩阵的特征值计算所述待监测区域的平坦度；

依据所述非地面点的法线和处置方向的夹角构建直方图，并将所述直方图的变异平方系数确定为所述待监测区域的法线方向方差；

利用大于预设阈值的所述nDSM计算所述待监测区域的GLCM纹理特征。

5.根据权利要求4所述的方法，其特征在于，所依据所述平坦度、所述法线方向方差和所述nDSM的GLCM纹理特征标记建筑物轮廓，具体包括：

为所述平坦度、所述法线方向方差、和所述GLCM纹理特征分别配置对应的归一化参数和权重值；

利用所述归一化参数计算所述待监测区域对应的特征值；

依据所述特征值和所述权重值，计算所述待监测区域中各个非地面点的能量函数值；

利用所述能量函数值确定所述待监测区域的建筑物轮廓。

6.根据权利要求5所述的方法，其特征在于，所述基于所述建筑物轮廓确定所述待监测区域的建筑物信息，具体包括：

计算所述待监测区域内所述建筑物轮廓的坡度和体积；

若基于所述坡度和所述体积判定所述待监测区域内存在目标建筑物，则利用所述建筑物轮廓和所述nDSM计算所述目标建筑物的各个2D/3D形态参数和景观格局指数。

7.根据权利要求6所述的方法，其特征在于，在所述基于所述建筑物轮廓确定所述待监测区域的建筑物信息之后，具体还包括：

输出所述目标建筑物的各个所述2D/3D形态参数和所述景观格局指数。

8.一种建筑物信息的提取装置，其特征在于，包括：

获取模块，用于实时获取待监测区域的机载激光雷达LiDAR数据；

分离模块，用于依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；

提取模块，用于利用所述非地面点提取所述待监测区域中的建筑物轮廓；

确定模块，用于基于所述建筑物轮廓确定所述待监测区域的建筑物信息。

9.一种非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的建筑物信息的提取方法。

10.一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的建筑物信息的提取方法。

Images