CN114764871B - 一种基于机载激光点云的城市建筑物属性提取方法 - Google Patents

一种基于机载激光点云的城市建筑物属性提取方法 Download PDF

Info

Publication number
CN114764871B
CN114764871B CN202210672480.0A CN202210672480A CN114764871B CN 114764871 B CN114764871 B CN 114764871B CN 202210672480 A CN202210672480 A CN 202210672480A CN 114764871 B CN114764871 B CN 114764871B
Authority
CN
China
Prior art keywords
laser
point cloud
point
building
points
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
Application number
CN202210672480.0A
Other languages
English (en)
Other versions
CN114764871A (zh
Inventor
丁鹏辉
张璐琪
刘宝华
李琳
丁晓龙
曾静静
杨必胜
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.)
QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY
Wuhan University WHU
Original Assignee
QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY
Wuhan University WHU
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 QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY, Wuhan University WHU filed Critical QINGDAO INSTITUTE OF SURVEYING AND MAPPING SURVEY
Priority to CN202210672480.0A priority Critical patent/CN114764871B/zh
Publication of CN114764871A publication Critical patent/CN114764871A/zh
Application granted granted Critical
Publication of CN114764871B publication Critical patent/CN114764871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于机载激光点云的城市建筑物属性提取方法。本发明利用布料滤波算法提取机载激光点云非地面点，分别计算每个非地面激光点的几何特征、高度特征、属性特征并利用随机森林分类器将非地面点云逐点标记为建筑物点、植被点；然后给定三维距离阈值、高度距离阈值、强度差异阈值对标记为建筑物的激光点进行区域生长并得到多个建筑物点云聚类；对每个建筑物点云聚类经过平面拟合得到建筑物结构高度以及建筑物结构的轮廓信息。本发明利用机载激光点云自动获取大规模城市建筑物层高及轮廓信息，获得城市建筑不同高度、不同结构的精细尺度建筑物结构信息，为城市地理数据库提供数据支持。

Description

一种基于机载激光点云的城市建筑物属性提取方法
技术领域
本发明属于激光扫描数据处理技术领域，尤其涉及一种基于机载激光点云的城市建筑物属性提取方法。
背景技术
三维激光扫描可以对地球表面进行采样，同时获取地物表面的三维坐标和一定属性信息，可以以数字形式刻画现实世界，成为重要三维数据获取方式，成功应用于多种地理信息应用中。机载三维激光扫描系统由于其自上而下的采集方式，可以快速获取大范围、精细化的城市地物要素的三维坐标，并获取城市建筑物地物结构，可以服务于建筑物建模、地物要素数据库更新等。
城市建筑物信息对城市应用息息相关，能够获取精细的、及时更新的建筑物信息对城市管理部门都至关重要。建筑物提取与数字重建可以为城市监管、基础数据库更新等应用提供数据支持。当前研究与实际生产多以卫星图像或机载航空影像作为数据源，但二维影像数据由于角度干扰、光谱变化等原因，难以有效识别并提取建筑物信息，三维激光点云数据可以补充几何结构信息，有效获取建筑物结构及层高等信息。
随着城市的发展以及城镇化进程的推进，城市中建筑物的也更加复杂。因此如何快速、自动、大范围地获取城市建筑物属性成为城市智能管理、地理数据库信息更新的难点。同时，准确的建筑物提取可以为城市规划、地理信息数据库更新、违建检测等应用提供数据支持。机载点云能够精确捕捉地面物体的三维几何形态与结构。因此，城市地物要素属性信息获取重要的数据源。
根据影像或点云利用传统方式，以人工交互方式进行手工提取建筑物的过程费时费力。除此之外，城市场景地物要素多样，与建筑物距离较近的植被点会干扰建筑物点云识别过程。因此，针对城市建筑物提取，提出一种无需人工作业基于机载激光点云的自动化建筑物识别以及属性提取方法。本方法利用三维激光点云基于点云分类以及聚类方法，提取建筑物结构并计算层高及建筑物轮廓。
发明内容
本发明以自动化建筑物提取为目标，以机载激光雷达点云作为数据源，结合点云分类与聚类算法提取建筑物点云，并计算建筑物结构轮廓以及层高信息。
本发明的技术方案提供一种基于机载激光点云的城市建筑物属性提取方法，包括以下步骤：
步骤1，对机载激光点云进行噪声剔除得到去噪后机载激光点云，将去噪后机载激光点云的每个激光点利用布料滤波算法得到去噪后机载激光点云的每个激光点的类别标签标记为地面点、非地面点；筛选出去噪后机载激光点云的类别标签为地面点的利用地面点的每个激光点构建地面点云，筛选出去噪后机载激光点云的类别标签为非地面点的每个激光点构建非地面点云，将地面点云通过邻近插值的方式拟合得到数字地面模型；
步骤2，根据非地面点云中每个激光点的几何信息和非地面点云中每个激光点的属性信息，计算非地面点云中每个激光点的几何特征、高度特征、属性特征；根据非地面点云中每个激光点的几何特征、高度特征、属性特征利用随机森林分类器将非地面点云中每个激光点的类别标签依次标记为建筑物点、植被点；筛选出非地面点云的类别标签为建筑物点的每个激光点构建建筑物点云；
步骤3，将建筑物点云中两个激光点间的三维距离阈值
Figure 702908DEST_PATH_IMAGE001
、建筑物点云中两个激 光点间的高度距离阈值
Figure 292152DEST_PATH_IMAGE002
、建筑物点云中两个激光点间的强度差异阈值
Figure 478414DEST_PATH_IMAGE003
共作为区域生 长的约束条件，将建筑物点云中每个激光点通过区域生长算法得到多个建筑物点云聚类；
步骤4，对每个建筑物点云聚类依次进行平面拟合计算得到每个建筑物点云聚类的建筑物结构高度，根据已知的建筑物单层高度和以已获取的建筑物聚类的高度信息，求得对应的层数信息。将每个建筑物点云聚类投影到二维平面得到每个建筑物点云聚类的二维平面区域，将每个建筑物点云聚类的二维平面区域通过散点轮廓alpha-shape方法提取得到每个建筑物结构轮廓；
作为优选，步骤1所述机载激光三维点云的定义为：
Figure 670361DEST_PATH_IMAGE004
其中，K为机载激光三维点云中激光点的数量，
Figure 156837DEST_PATH_IMAGE005
为三维点 云中第k个点，
Figure 884359DEST_PATH_IMAGE006
为第k个点的反射强度信息，
Figure 948130DEST_PATH_IMAGE007
为第k个点的回波次数信息，
Figure 819134DEST_PATH_IMAGE008
为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值，其中Z值竖直向上，X、 Y、Z轴两两垂直；
作为优选，步骤2所述计算非地面点云中每个激光点的几何特征，具体方法为：
将非地面点云中第i个激光点定义为
Figure 894538DEST_PATH_IMAGE009
，
Figure 684639DEST_PATH_IMAGE010
,
Figure 845493DEST_PATH_IMAGE011
为非地面点云中激光点的 数量；
给定球形邻域半径
Figure 750214DEST_PATH_IMAGE012
，以非地面点云中第i个激光点
Figure 70337DEST_PATH_IMAGE009
为球心，构建半径为
Figure 906706DEST_PATH_IMAGE012
的球形邻域
Figure 820436DEST_PATH_IMAGE013
，利用球形邻域
Figure 626718DEST_PATH_IMAGE013
的所有激光点构建非地面点云中第i个激光点的协方差 矩阵
Figure 942292DEST_PATH_IMAGE014
,计算方式如下：
Figure 448098DEST_PATH_IMAGE015
其中，
Figure 973757DEST_PATH_IMAGE016
为第i个激光点对应的球形邻域
Figure 990255DEST_PATH_IMAGE013
内的邻域激光点个数，t为其球形邻 域内的第t个邻域激光点，
Figure 160336DEST_PATH_IMAGE017
，
Figure 338508DEST_PATH_IMAGE018
为邻域激光点由空间坐标组成的向 量，
Figure 85884DEST_PATH_IMAGE019
为邻域激光点X轴对应的坐标值，
Figure 141958DEST_PATH_IMAGE020
为邻域激光点Y轴对应的坐标值，
Figure 900966DEST_PATH_IMAGE021
为邻域 激光点Z轴对应的坐标值；
Figure 640252DEST_PATH_IMAGE022
，
Figure 484711DEST_PATH_IMAGE023
为第i个激光点球形邻域
Figure 577432DEST_PATH_IMAGE013
内所有激 光点空间坐标平均值组成的向量，
Figure 581160DEST_PATH_IMAGE024
为第i个激光点球形邻域
Figure 865249DEST_PATH_IMAGE013
内所有激光点在X轴的 坐标平均值，
Figure 462584DEST_PATH_IMAGE025
为第i个激光点球形邻域
Figure 218050DEST_PATH_IMAGE013
内所有激光点在Y轴的坐标平均值，
Figure 951651DEST_PATH_IMAGE026
为第i 个激光点球形邻域
Figure 767160DEST_PATH_IMAGE013
内所有激光点在Z轴的坐标平均值；
将非地面点云中第i个激光点的协方差矩阵
Figure 851791DEST_PATH_IMAGE014
通过主成分分析方法得到非地面 点云中第i个激光点对应的第一特征值
Figure 70936DEST_PATH_IMAGE027
、非地面点云中第i个激光点对应的第二特征值
Figure 924623DEST_PATH_IMAGE028
、非地面点云中第i个激光点对应的第三特征值
Figure 645454DEST_PATH_IMAGE029
；
第i个激光点
Figure 217381DEST_PATH_IMAGE009
的各向异性
Figure 455595DEST_PATH_IMAGE030
特征、平面性
Figure 554002DEST_PATH_IMAGE031
特征、球性
Figure 85215DEST_PATH_IMAGE032
特征、线性
Figure 410017DEST_PATH_IMAGE033
特征计算公式分别如下：
Figure 186343DEST_PATH_IMAGE034
Figure 14622DEST_PATH_IMAGE035
Figure 342835DEST_PATH_IMAGE036
Figure 125239DEST_PATH_IMAGE037
步骤2所述计算非地面点云中每个激光点的高度特征，具体方法为：
将非地面点云中第i个激光点定义为
Figure 829890DEST_PATH_IMAGE009
，
Figure 512675DEST_PATH_IMAGE010
,
Figure 152735DEST_PATH_IMAGE011
为非地面点云中激光点的 数量；
给定球形邻域半径
Figure 780026DEST_PATH_IMAGE038
，竖直高度
Figure 163734DEST_PATH_IMAGE039
，以非地面点云中第i个激光点
Figure 933981DEST_PATH_IMAGE009
为圆柱中 心，构建半径为
Figure 603997DEST_PATH_IMAGE038
的圆柱邻域
Figure 859529DEST_PATH_IMAGE040
，步骤2种所述非地面点云中第i个激光点对应的高程特 征由圆柱邻域
Figure 640403DEST_PATH_IMAGE041
内由高程极差
Figure 32201DEST_PATH_IMAGE042
、高程标准差
Figure 14064DEST_PATH_IMAGE043
以及高程峰度
Figure 615947DEST_PATH_IMAGE044
构成，具 体计算方式如下：
Figure 571483DEST_PATH_IMAGE045
Figure 208001DEST_PATH_IMAGE046
Figure 95186DEST_PATH_IMAGE047
其中，
Figure 918785DEST_PATH_IMAGE048
第i个激光点对应的圆柱邻域
Figure 182407DEST_PATH_IMAGE049
内邻域激光点的个数，
Figure 548798DEST_PATH_IMAGE050
为第 i个激光点圆柱邻域内所有激光点对应的最大的Z轴坐标值、
Figure 731517DEST_PATH_IMAGE051
为第i个激光点圆柱 邻域内所有激光点对应的最小的Z轴坐标值、
Figure 681894DEST_PATH_IMAGE052
为第i个激光点圆柱邻域内所有激光点对 应的Z轴的平均值。
步骤2所述计算非地面点云中每个激光点的属性特征，具体方法为：
对于非地面点云中第i个激光点
Figure 14786DEST_PATH_IMAGE009
，
Figure 94737DEST_PATH_IMAGE010
,在半径
Figure 589304DEST_PATH_IMAGE053
的球形邻域内的点的平 均强度
Figure 387496DEST_PATH_IMAGE054
和平均回波次数
Figure 524079DEST_PATH_IMAGE055
作为属性特征。
作为优选，所述步骤3具体如下：
依次计算建筑物点云中第s个激光点
Figure 835368DEST_PATH_IMAGE056
与建筑物点云中第t个激光点
Figure 625469DEST_PATH_IMAGE057
间 的三维距离
Figure 786323DEST_PATH_IMAGE058
、高度距离
Figure 320073DEST_PATH_IMAGE059
、强度差异
Figure 249983DEST_PATH_IMAGE060
；
若均满足条件
Figure 351931DEST_PATH_IMAGE061
、
Figure 124715DEST_PATH_IMAGE062
、
Figure 836057DEST_PATH_IMAGE063
，则建筑物点云中第s个激光 点
Figure 151632DEST_PATH_IMAGE056
与建筑物点云中第t个激光点
Figure 158902DEST_PATH_IMAGE064
将被聚类为同一建筑物点云聚类；
其中，
Figure 418982DEST_PATH_IMAGE065
，
Figure 169900DEST_PATH_IMAGE066
，
Figure 199036DEST_PATH_IMAGE067
为建筑物点云中的激光点的数量。
本发明优点在于，可以利用机载激光点云自动获取大规模城市建筑物层高及轮廓信息。本技术通过逐点分类方法获取建筑物激光点，其次根据强度、高度、距离约束关系，获得高度一致的建筑物点云聚类，然后对每一个建筑物点云聚类进行高度拟合与轮廓提取。与已有建筑物提取方法相比，本技术可以获得城市建筑不同高度、不同结构的精细尺度建筑物结构信息，可以为城市地理数据库提供支持。
附图说明
图1：是本发明实施例的整体流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施示例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明的技术方案针对机载激光点云建筑物结构与属性获取任务，结合点云分类以及聚类过程实现建筑物结构提取，基于平面拟合以及alpha-shape方法，实现城市建筑物结构的属性获取。本发明的整体技术流程由图1所示。本方法分为4个关键步骤：对机载激光点云进行去噪，利用布料滤波算法识别非地面点；计算机载点云的几何和属性信息，并利用随机森林分类器将非地面点云标记为建筑物点和植被点;联合高度、强度信息作为约束对点云做区域生长，生成建筑物结构化目标;对逐个建筑物结构化目标点云进行平面拟合计算建筑物结构高度计算层高，并将点云投影到二维平面，基于 alpha-shape方法提取建筑物结构轮廓。
本发明第一实施例，包括以下步骤：
一种基于机载激光点云的城市建筑物属性提取方法，包括以下步骤：
步骤1，对机载激光点云进行噪声剔除得到去噪后机载激光点云，将去噪后机载激光点云的每个激光点利用布料滤波算法得到去噪后机载激光点云的每个激光点的类别标签标记为地面点、非地面点；筛选出去噪后机载激光点云的类别标签为地面点的利用地面点的每个激光点构建地面点云，筛选出去噪后机载激光点云的类别标签为非地面点的每个激光点构建非地面点云，将地面点云通过邻近插值的方式拟合得到数字地面模型；
步骤1所述机载激光三维点云的定义为：
Figure 872813DEST_PATH_IMAGE004
其中，K为机载激光三维点云中激光点的数量，
Figure 761135DEST_PATH_IMAGE005
为三维点 云中第k个点，
Figure 174798DEST_PATH_IMAGE006
为第k个点的反射强度信息，
Figure 199386DEST_PATH_IMAGE007
为第k个点的回波次数信息，
Figure 548459DEST_PATH_IMAGE008
为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值，其中Z值竖直向上，X、 Y、Z轴两两垂直；
步骤2，根据非地面点云中每个激光点的几何信息和非地面点云中每个激光点的属性信息，计算非地面点云中每个激光点的几何特征、高度特征、属性特征；根据非地面点云中每个激光点的几何特征、高度特征、属性特征利用随机森林分类器将非地面点云中每个激光点的类别标签依次标记为建筑物点、植被点；筛选出非地面点云的类别标签为建筑物点的每个激光点构建建筑物点云；
步骤2所述计算非地面点云中每个激光点的几何特征，具体方法为：
将非地面点云中第i个激光点定义为
Figure 783131DEST_PATH_IMAGE068
，
Figure 374388DEST_PATH_IMAGE010
,
Figure 253482DEST_PATH_IMAGE011
为非地面点云中激光点 的数量；
给定球形邻域半径
Figure 898090DEST_PATH_IMAGE012
，以非地面点云中第i个激光点
Figure 495424DEST_PATH_IMAGE009
为球心，构建半径为
Figure 391836DEST_PATH_IMAGE012
的球形邻域
Figure 250071DEST_PATH_IMAGE013
，利用球形邻域
Figure 973570DEST_PATH_IMAGE013
的所有激光点构建非地面点云中第i个激光点的协 方差矩阵
Figure 58200DEST_PATH_IMAGE014
,计算方式如下：
Figure 492724DEST_PATH_IMAGE015
其中，
Figure 346410DEST_PATH_IMAGE016
为第i个激光点对应的球形邻域
Figure 332821DEST_PATH_IMAGE069
内的邻域激光点个数，t为其球形 邻域内的第t个邻域激光点，
Figure 403283DEST_PATH_IMAGE017
，
Figure 500552DEST_PATH_IMAGE018
为邻域激光点由空间坐标组成的 向量，
Figure 208745DEST_PATH_IMAGE019
为邻域激光点X轴对应的坐标值，
Figure 507002DEST_PATH_IMAGE020
为邻域激光点Y轴对应的坐标值，
Figure 425279DEST_PATH_IMAGE021
为 邻域激光点Z轴对应的坐标值；
Figure 201606DEST_PATH_IMAGE022
，
Figure 259911DEST_PATH_IMAGE023
为第i个激光点球形邻域
Figure 853703DEST_PATH_IMAGE070
内 所有激光点空间坐标平均值组成的向量，
Figure 869063DEST_PATH_IMAGE024
为第i个激光点球形邻域
Figure 714660DEST_PATH_IMAGE013
内所有激光点在 X轴的坐标平均值，
Figure 256499DEST_PATH_IMAGE025
为第i个激光点球形邻域
Figure 630980DEST_PATH_IMAGE071
内所有激光点在Y轴的坐标平均值，
Figure 523850DEST_PATH_IMAGE026
为第i个激光点球形邻域
Figure 140514DEST_PATH_IMAGE013
内所有激光点在Z轴的坐标平均值；
将非地面点云中第i个激光点的协方差矩阵
Figure 208964DEST_PATH_IMAGE014
通过主成分分析方法得到非地面 点云中第i个激光点对应的第一特征值
Figure 754346DEST_PATH_IMAGE027
、非地面点云中第i个激光点对应的第二特征值
Figure 134512DEST_PATH_IMAGE028
、非地面点云中第i个激光点对应的第三特征值
Figure 790752DEST_PATH_IMAGE029
；
第i个激光点
Figure 307184DEST_PATH_IMAGE009
的各向异性
Figure 790511DEST_PATH_IMAGE030
特征、平面性
Figure 267760DEST_PATH_IMAGE031
特征、球性
Figure 852325DEST_PATH_IMAGE032
特征、线性
Figure 98630DEST_PATH_IMAGE033
特征计算公式分别如下：
Figure 376027DEST_PATH_IMAGE034
Figure 74993DEST_PATH_IMAGE035
Figure 463249DEST_PATH_IMAGE036
Figure 328175DEST_PATH_IMAGE037
步骤2所述非地面点云中每个激光点的几何特征由各向异性特征、平面性特征、球性特征、线性特征构成；
步骤2所述计算非地面点云中每个激光点的高度特征，具体方法为：
将非地面点云中第i个激光点定义为
Figure 386261DEST_PATH_IMAGE009
，
Figure 228315DEST_PATH_IMAGE010
,
Figure 30049DEST_PATH_IMAGE011
为非地面点云中激光点的 数量；
给定球形邻域半径
Figure 110000DEST_PATH_IMAGE038
，竖直高度
Figure 870146DEST_PATH_IMAGE039
，以非地面点云中第i个激光点
Figure 328326DEST_PATH_IMAGE009
为圆柱中 心，构建半径为
Figure 933751DEST_PATH_IMAGE038
的圆柱邻域
Figure 133788DEST_PATH_IMAGE040
，步骤2种所述非地面点云中第i个激光点对应的高程特 征由圆柱邻域
Figure 64835DEST_PATH_IMAGE040
内由高程极差
Figure 225689DEST_PATH_IMAGE042
、高程标准差
Figure 759438DEST_PATH_IMAGE043
以及高程峰度
Figure 187883DEST_PATH_IMAGE044
构成，具体 计算方式如下：
Figure 289832DEST_PATH_IMAGE072
Figure 328195DEST_PATH_IMAGE073
Figure 275422DEST_PATH_IMAGE074
其中，
Figure 325418DEST_PATH_IMAGE075
第i个激光点对应的圆柱邻域
Figure 457322DEST_PATH_IMAGE076
内邻域激光点的个数，
Figure 828654DEST_PATH_IMAGE077
为第i个激光点圆柱邻域内所有激光点对应的最大的Z轴坐标值、
Figure 969785DEST_PATH_IMAGE078
为第i个激光点圆 柱邻域内所有激光点对应的最小的Z轴坐标值、
Figure 874287DEST_PATH_IMAGE079
为第i个激光点圆柱邻域内所有激光点 对应的Z轴的平均值。
步骤2所述计算非地面点云中每个激光点的属性特征，具体方法为：
对于非地面点云中第i个激光点
Figure 911513DEST_PATH_IMAGE080
，
Figure 799835DEST_PATH_IMAGE081
,在半径
Figure 88865DEST_PATH_IMAGE082
的球形邻域内的点 的平均强度
Figure 238086DEST_PATH_IMAGE083
和平均回波次数
Figure 85694DEST_PATH_IMAGE084
作为属性特征。
步骤3，将建筑物点云中两个激光点间的三维距离阈值
Figure 930154DEST_PATH_IMAGE085
、建筑物点云中两个 激光点间的高度距离阈值
Figure 413088DEST_PATH_IMAGE086
、建筑物点云中两个激光点间的强度差异阈值
Figure 292182DEST_PATH_IMAGE087
共作为 区域生长的约束条件，将建筑物点云中每个激光点通过区域生长算法得到多个建筑物点云 聚类；
依次计算建筑物点云中第s个激光点
Figure 812156DEST_PATH_IMAGE088
与建筑物点云中第t个激光点
Figure 268545DEST_PATH_IMAGE089
间的 三维距离
Figure 394983DEST_PATH_IMAGE058
、高度距离
Figure 518797DEST_PATH_IMAGE059
、强度差异
Figure 209673DEST_PATH_IMAGE060
；
若均满足条件
Figure 887779DEST_PATH_IMAGE090
、
Figure 322302DEST_PATH_IMAGE091
、
Figure 441568DEST_PATH_IMAGE092
，则建筑物点云中第s 个激光点
Figure 427978DEST_PATH_IMAGE056
与建筑物点云中第t个激光点
Figure 232861DEST_PATH_IMAGE093
将被聚类为同一建筑物点云聚类；
其中，
Figure 736655DEST_PATH_IMAGE094
，
Figure 303902DEST_PATH_IMAGE095
，
Figure 336580DEST_PATH_IMAGE096
为建筑物点云中的激光点的数量。
步骤4，对每个建筑物点云聚类依次进行平面拟合计算得到每个建筑物点云聚类的建筑物结构高度，根据已知的建筑物单层高度和以已获取的建筑物聚类的高度信息，求得对应的层数信息。将每个建筑物点云聚类投影到二维平面得到每个建筑物点云聚类的二维平面区域，将每个建筑物点云聚类的二维平面区域通过散点轮廓alpha-shape方法提取得到每个建筑物结构轮廓；
本发明第二实施例中，包括以下步骤：
步骤1，对机载激光点云进行噪声剔除，利用布料滤波算法分离地面点和非地面点，并拟合出数字地面模型（Digital Terrain Model，DTM）。
步骤1实现如下：
1）给定点的邻域计算点个数
Figure 130224DEST_PATH_IMAGE097
，标准差倍数
Figure 31184DEST_PATH_IMAGE098
，利用点云统计滤波器进行 机载点云噪声去除，计算并统计点对应邻域内
Figure 360928DEST_PATH_IMAGE097
个点的平均距离。实施例中，邻域点计算 个数
Figure 689141DEST_PATH_IMAGE097
取30，标准差倍数
Figure 704501DEST_PATH_IMAGE099
取2。当点的距离超出平均距离
Figure 143573DEST_PATH_IMAGE099
个标准差，被标记 为离群点，去除所有离群点，得到噪声剔除后的机载点云。
2)为获取地面上建筑物点云以及建筑物高度信息，采用布料滤波算法，区分地面 点与非地面点。给定格网分辨率
Figure 826358DEST_PATH_IMAGE100
，实施例中
Figure 200839DEST_PATH_IMAGE100
取3m。布料滤波算法首先对输入的机 载激光点云进行高程上的翻转，并假设“布料”受重力落下且覆盖当前地形，通过比较原始 点云点和生成的“布料”曲面之间的距离，实现从激光点云中提取地面点过程。提取地面后 即可拟合DTM，并标记出非地面点云。
步骤2，利用机载点云的几何和属性信息，分别计算点在不同形状大小的邻域内几何、高度、属性三类特征。基于三类特征利用随机森林分类器将非地面点云标记为建筑物点和植被点。
实施例中，步骤2实现如下：
本技术流程基于监督学习方法利用点云不同邻域形状大小的特征对非地面点云进行逐点分类。采取的特征包括基于几何特征、高度特征、属性的三类点云特征。并将非地面点分别标记为植被点和建筑物点
点的局部几何特征描述局部点云形态，可以作为有效区分建筑物与植被的分类特 征。对于点
Figure 93708DEST_PATH_IMAGE101
，给定球形邻域半径
Figure 710372DEST_PATH_IMAGE012
，其球形邻域
Figure 372298DEST_PATH_IMAGE102
内的所有点可以构建协方差矩阵
Figure 183259DEST_PATH_IMAGE103
。实施例中，球形邻域半径
Figure 907632DEST_PATH_IMAGE104
取值为3m，由协方差矩阵
Figure 219665DEST_PATH_IMAGE103
得到特征值
Figure 611463DEST_PATH_IMAGE105
。由特征值构成的特征即可描述点云局部范围内的几何特征与分 布形式。本技术流程采用的基于特征值的点云特征是各向异性
Figure 452380DEST_PATH_IMAGE106
、平面性
Figure 425235DEST_PATH_IMAGE107
、球性
Figure 885166DEST_PATH_IMAGE108
、线性
Figure 256104DEST_PATH_IMAGE109
，其计算公式分别如下：
Figure 408868DEST_PATH_IMAGE110
Figure 498047DEST_PATH_IMAGE111
Figure 761669DEST_PATH_IMAGE112
Figure 626595DEST_PATH_IMAGE113
由于机载点云自上下而扫的采集方式以及激光点云具有穿透性的特点，植被、树 木等地物不仅会被捕捉到最上层的表面点，植被的整体结构也会被点记录，因此其在竖直 方向上的点的分布形式与建筑物地物部分有所区别。因此本技术流程增加基于点圆柱邻域 内的高程分布相关特征作为给定分类特征。给定水平圆形半径
Figure 74894DEST_PATH_IMAGE114
，点的竖直方向距离高
Figure 792314DEST_PATH_IMAGE115
，构成点的圆柱邻域。实施例中，水平圆形半径
Figure 859627DEST_PATH_IMAGE116
取值为3m，竖直方向距离高
Figure 80524DEST_PATH_IMAGE117
取 值为5m。圆柱邻域内点的高程特征可以由高程极差
Figure 434145DEST_PATH_IMAGE118
、高程标准差
Figure 874747DEST_PATH_IMAGE119
以及高程峰 度
Figure 745751DEST_PATH_IMAGE120
表示，其计算方式分别如下：
Figure 945788DEST_PATH_IMAGE121
Figure 345677DEST_PATH_IMAGE122
Figure 631164DEST_PATH_IMAGE123
其中，
Figure 305859DEST_PATH_IMAGE124
、
Figure 360403DEST_PATH_IMAGE125
、
Figure 695307DEST_PATH_IMAGE126
分别为圆柱邻域内最高点、最低点以及平均值的高程值。
机载点云除三维坐标信息外，其附带的强度、回波次数信息也是区分地物目标的 重要特征。本技术流程将点的强度信息
Figure 343457DEST_PATH_IMAGE127
以及回波次数
Figure 680898DEST_PATH_IMAGE128
均可作为属性相关的特征。 为避免局部异常及噪声，点在半径
Figure 465314DEST_PATH_IMAGE129
的球形邻域内的点的平均强度
Figure 597218DEST_PATH_IMAGE130
和平均回波次数
Figure 732664DEST_PATH_IMAGE131
作为属性特征。
采用监督学习的方式对非地面点云进行分类，本技术流程基于已标记的点云数据采用随机森林分类器进行点的分类过程，将非地面点标记为植被点与建筑物点。
步骤3，联合点云高度、强度信息作为约束利用区域生长算法，形成点云聚类，生成建筑物结构化目标。
实施例中，步骤3实现如下：
为应对复杂的建筑物单体属性提取，本技术流程将建筑物点云聚类为具有高度一 致的建筑物结构化目标，以得到更加精准的建筑物属性提取结果。利用区域生长算法，对建 筑物进行聚类。将两点间的三维距离
Figure 979188DEST_PATH_IMAGE132
阈值、两点间高度距离
Figure 8324DEST_PATH_IMAGE133
阈值将以及强度差异 阈值
Figure 186496DEST_PATH_IMAGE134
共同作为区域生长的约束条件。实施例中，两点间的三维距离
Figure 668293DEST_PATH_IMAGE135
阈值取值为 5m、两点间高度距离
Figure 957323DEST_PATH_IMAGE136
阈值取值为2m，强度差异阈值
Figure 981910DEST_PATH_IMAGE137
取值为30。均满足
Figure 455617DEST_PATH_IMAGE138
、
Figure 64191DEST_PATH_IMAGE139
、
Figure 281545DEST_PATH_IMAGE140
阈值约束条件的将被聚类为同一目标，最终由建筑物点云聚类为高度一致的建筑物 结构化目标点云。
步骤4，对逐个建筑物结构化目标点云进行平面拟合计算建筑物结构高度，给定建筑物单层高度确定建筑物结构层高。逐个建筑物结构化目标点云投影到二维平面，基于散点轮廓alpha-shape方法提取建筑物结构轮廓。
实施例中，步骤4实现如下：
1)计算建筑物结构的高度，首先联合步骤一中已提取的DTM，将点云的高程值与对 应格网的DTM值做差进行改正，以获取建筑物点云的相对高程值。建筑物结构化目标点云也 会存在细小结构的干扰，因此需要提取建筑物结构的主体高度。对于已提取的建筑物结构 化目标点云，本技术方案采取随机采样一致性方法（Random Sample Consensus,RANSAC）， 完成对建筑物结构的主体高度提取。随机采样一致性方法是数据存在大量噪声干扰下，提 取出特定成分的方法。本技术方案此方法将建筑物结构化目标点云划分为平面的内点和外 点,仅对平面的内点进行高度计算。给定层高
Figure 426219DEST_PATH_IMAGE141
，实施例中，层高
Figure 477352DEST_PATH_IMAGE142
取值为 2.8m，计算结构化目标点云平均高程。
2)将每个建筑物结构化目标点云投影到XOY平面上，保留点云二维坐标信息，构成二维点集Q。利用alpha-shape方法检测建筑物结构化目标的边界，通过判断单个建筑物结构化目标点云二维点集中的边界点，由边界点构成建筑结构的点云。
alpha-shape方法过程由以下步骤得到：给定alpha算法半径值
Figure 809107DEST_PATH_IMAGE143
，实施例中，半径 值
Figure 564573DEST_PATH_IMAGE143
取1.5m。对于点集Q中的任一点
Figure 65218DEST_PATH_IMAGE144
，滚动圆半径，在点集Q中搜索距离点p两倍
Figure 756094DEST_PATH_IMAGE143
内所 有点，组成点集S。逐次取S中一点，作为点
Figure 699779DEST_PATH_IMAGE145
，根据
Figure 134302DEST_PATH_IMAGE146
和
Figure 987989DEST_PATH_IMAGE147
以及半径
Figure 974399DEST_PATH_IMAGE143
，求出两圆心
Figure 513703DEST_PATH_IMAGE148
、
Figure 610972DEST_PATH_IMAGE149
。若点集S中除
Figure 584744DEST_PATH_IMAGE150
外剩余点若到两圆心距离均大于半径值
Figure 742056DEST_PATH_IMAGE143
，将点
Figure 270120DEST_PATH_IMAGE151
判断为边界点。 否则逐次取S中其他点作为
Figure 312026DEST_PATH_IMAGE150
，剩余点到圆心不全大于半径值
Figure 999359DEST_PATH_IMAGE143
，则
Figure 987561DEST_PATH_IMAGE146
点为非边界点。逐 点进行判断后获取的有序建筑物结构边界点集将作为建筑物结构化目标的轮廓。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (1)

1.一种基于机载激光点云的城市建筑物属性提取方法，其特征在于，包括以下步骤：
步骤1，对机载激光点云进行噪声剔除得到去噪后机载激光点云，将去噪后机载激光点云的每个激光点利用布料滤波算法滤波处理得到去噪后机载激光点云，并得到去噪后机载激光点云中每个激光点的类别标签标记为地面点、非地面点；筛选出去噪后机载激光点云中激光点类别标签为地面点的激光点构建地面点云，筛选出去噪后机载激光点云中激光点类别标签为非地面点的激光点构建非地面点云，将地面点云通过邻近插值的方式拟合得到数字地面模型；
步骤2，根据非地面点云中每个激光点的几何信息和非地面点云中每个激光点的属性信息，计算非地面点云中每个激光点的几何特征、高度特征、属性特征；根据非地面点云中每个激光点的几何特征、高度特征、属性特征利用随机森林分类器进行分类，非地面点云中每个激光点的类别标签标记为建筑物点、植被点；筛选出非地面点云的类别标签为建筑物点的激光点构建建筑物点云；
步骤3，通过建筑物点云中两个激光点间的三维距离阈值、建筑物点云中两个激光点间的高度距离阈值、建筑物点云中两个激光点间的强度差异阈值构建区域生长的约束条件，将建筑物点云中每个激光点通过区域生长算法进行聚类得到多个建筑物点云聚类；
步骤4，对每个建筑物点云聚类依次进行平面拟合计算得到每个建筑物点云聚类的建筑物结构高度，根据已知的建筑物单层高度和已获取的建筑物聚类的高度信息，计算对应的层数信息；将每个建筑物点云聚类投影到二维平面得到每个建筑物点云聚类的二维平面区域，将每个建筑物点云聚类的二维平面区域通过散点轮廓alpha-shape方法提取得到每个建筑物结构轮廓；
步骤1所述机载激光三维点云的定义为：
pk(xk，yk，zk，Ik，RNk)，k∈[1，K]
其中，K为机载激光三维点云中激光点的数量，pk(xk，yk，zk，Ik，RNk)为三维点云中第k个点，Ik为第k个点的反射强度信息，RNk为第k个点的回波次数信息，xk，yk，zk为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值，其中Z轴竖直向上，X、Y、Z轴两两垂直；
步骤2所述计算非地面点云中每个激光点的几何特征，具体方法为：
将非地面点云中第i个激光点定义为pi，i∈[1，N]，N为非地面点云中激光点的数量；
给定球形邻域半径Rs，以非地面点云中第i个激光点pi为球心，构建半径为Rs的球形邻域
Figure FDA0003771222910000021
利用球形邻域
Figure FDA0003771222910000022
的所有激光点构建非地面点云中第i个激光点的协方差矩阵Mi，计算方式如下：
Figure FDA0003771222910000023
其中，
Figure FDA0003771222910000024
为第i个激光点对应的球形邻域
Figure FDA0003771222910000025
内的邻域激光点个数，t为其球形邻域内的第t个邻域激光点，ρi，t＝[xi，t，yi，t，zi，t]，ρi，t为邻域激光点由空间坐标组成的向量，xi，t为邻域激光点X轴对应的坐标值，yi，t为邻域激光点Y轴对应的坐标值，zi，t为邻域激光点Z轴对应的坐标值；
Figure FDA0003771222910000026
Figure FDA0003771222910000027
为第i个激光点球形邻域
Figure FDA0003771222910000028
内所有激光点空间坐标平均值组成的向量，
Figure FDA0003771222910000029
为第i个激光点球形邻域
Figure FDA00037712229100000210
内所有激光点在X轴的坐标平均值，
Figure FDA00037712229100000211
为第i个激光点球形邻域
Figure FDA00037712229100000212
内所有激光点在Y轴的坐标平均值，
Figure FDA00037712229100000213
为第i个激光点球形邻域
Figure FDA00037712229100000214
内所有激光点在Z轴的坐标平均值；
将非地面点云中第i个激光点的协方差矩阵Mi通过主成分分析方法得到非地面点云中第i个激光点对应的第一特征值λ1，i、非地面点云中第i个激光点对应的第二特征值λ2，i、非地面点云中第i个激光点对应的第三特征值λ3，i；
第i个激光点pi的各向异性Aλ，i特征、平面性Pλ，i特征、球性Sλ，i特征、线性Lλ，i特征计算公式分别如下：
Figure FDA00037712229100000215
Figure FDA00037712229100000216
Figure FDA0003771222910000031
Figure FDA0003771222910000032
步骤2所述计算非地面点云中每个激光点的高度特征，具体方法为：
将非地面点云中第i个激光点定义为pi，i∈[1，N]，N为非地面点云中激光点的数量；
给定球形邻域半径Rc，竖直高度Lc，以非地面点云中第i个激光点pi为圆柱中心，构建半径为Rc的圆柱邻域
Figure FDA0003771222910000033
步骤2中所述非地面点云中第i个激光点对应的高程特征由圆柱邻域
Figure FDA0003771222910000034
内由高程极差Hd，i、高程标准差HSTD，i以及高程峰度Hskw，i构成，具体计算方式如下：
Hd，i＝zmax，i-zmin，i
Figure FDA0003771222910000035
Figure FDA0003771222910000036
其中，
Figure FDA0003771222910000037
第i个激光点对应的圆柱邻域
Figure FDA0003771222910000038
内邻域激光点的个数，zmax，i为第i个激光点圆柱邻域内所有激光点对应的最大的Z轴坐标值、zmin，i为第i个激光点圆柱邻域内所有激光点对应的最小的Z轴坐标值、
Figure FDA0003771222910000039
为第i个激光点圆柱邻域内所有激光点对应的Z轴的平均值；
步骤2所述计算非地面点云中每个激光点的属性特征，具体方法为：
对于非地面点云中第i个激光点pi，i∈[1，N]，在半径Rs的球形邻域内的点的平均强度
Figure FDA00037712229100000310
和平均回波次数
Figure FDA00037712229100000311
作为属性特征；
依次计算建筑物点云中第s个激光点
Figure FDA00037712229100000312
与建筑物点云中第t个激光点
Figure FDA00037712229100000313
间的三维距离
Figure FDA00037712229100000314
高度距离
Figure FDA00037712229100000315
强度差异
Figure FDA00037712229100000316
若均满足条件
Figure FDA0003771222910000041
则建筑物点云中第s个激光点
Figure FDA0003771222910000042
与建筑物点云中第t个激光点
Figure FDA0003771222910000043
将被聚类为同一建筑物点云聚类；其中，s∈NUMB，t∈NUMB，NUMB为建筑物点云中的激光点的数量。
CN202210672480.0A 2022-06-15 2022-06-15 一种基于机载激光点云的城市建筑物属性提取方法 Active CN114764871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210672480.0A CN114764871B (zh) 2022-06-15 2022-06-15 一种基于机载激光点云的城市建筑物属性提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210672480.0A CN114764871B (zh) 2022-06-15 2022-06-15 一种基于机载激光点云的城市建筑物属性提取方法

Publications (2)

Publication Number Publication Date
CN114764871A CN114764871A (zh) 2022-07-19
CN114764871B true CN114764871B (zh) 2022-09-13

Family

ID=82364565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210672480.0A Active CN114764871B (zh) 2022-06-15 2022-06-15 一种基于机载激光点云的城市建筑物属性提取方法

Country Status (1)

Country Link
CN (1) CN114764871B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880325A (zh) * 2022-12-07 2023-03-31 重庆市地理信息和遥感应用中心 基于点云维度和空间距离聚类的建筑物轮廓自动提取方法
CN116071530B (zh) * 2023-03-07 2023-07-28 青岛市勘察测绘研究院 一种基于机载激光点云的建筑物屋顶体素化分割方法
CN116167668B (zh) * 2023-04-26 2023-07-14 山东金至尊装饰工程有限公司 基于bim的绿色节能建筑施工质量评价方法及系统
CN117437364B (zh) * 2023-12-20 2024-04-26 深圳大学 基于残缺点云数据的建筑三维结构提取方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683131A (zh) * 2015-11-10 2017-05-17 星际空间（天津）科技发展有限公司 一种城市部件自动化测量方法
CN113763308A (zh) * 2020-09-23 2021-12-07 北京京东乾石科技有限公司 一种地面检测方法、装置、服务器及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10332309B2 (en) * 2015-09-23 2019-06-25 Here Global B.V. Method and apparatus for identifying buildings in textured 3D mesh data and generating 3D building models
CN106570468B (zh) * 2016-10-25 2019-11-22 中国人民解放军空军工程大学 一种重建LiDAR原始点云建筑物轮廓线的方法
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
CN111487643B (zh) * 2020-04-13 2021-06-08 中国科学院空天信息创新研究院 一种基于激光雷达点云和近红外影像的建筑物检测方法
CN113343840B (zh) * 2021-06-02 2022-03-08 合肥泰瑞数创科技有限公司 基于三维点云的对象识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683131A (zh) * 2015-11-10 2017-05-17 星际空间（天津）科技发展有限公司 一种城市部件自动化测量方法
CN113763308A (zh) * 2020-09-23 2021-12-07 北京京东乾石科技有限公司 一种地面检测方法、装置、服务器及介质

Also Published As

Publication number Publication date
CN114764871A (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN114764871B (zh) 一种基于机载激光点云的城市建筑物属性提取方法
CN110781827B (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
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
CN106199557B (zh) 一种机载激光雷达数据植被提取方法
CN106650640B (zh) 一种基于激光雷达点云局部结构特征的负障碍物检测方法
CN111898688B (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
Sohn et al. Using a binary space partitioning tree for reconstructing polyhedral building models from airborne lidar data
GB2532948A (en) Objection recognition in a 3D scene
CN112099046B (zh) 基于多值体素模型的机载lidar三维平面检测方法
CN113470090A (zh) 基于sift-shot特征的多固态激光雷达外参标定方法
CN108074232B (zh) 一种基于体元分割的机载lidar建筑物检测方法
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
CN114119863A (zh) 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法
CN114241217B (zh) 一种基于圆柱特征的树干点云高效提取方法
CN113963259A (zh) 基于点云数据的街景地物多维度提取方法和系统
CN113281782A (zh) 一种基于无人驾驶车的激光雷达雪点滤除方法
Li et al. Feature extraction and modeling of urban building from vehicle-borne laser scanning data
Yao et al. Automated detection of 3D individual trees along urban road corridors by mobile laser scanning systems
CN114283213A (zh) 联合LiDAR点云与光学图像的房屋自适应矢量化方法
CN116994029A (zh) 一种用于多源数据的融合分类方法及系统
CN112381029B (zh) 一种基于欧氏距离的机载LiDAR数据建筑物提取方法
Tian et al. A Process-Oriented Method for Rapid Acquisition of Canopy Height Model From RGB Point Cloud in Semiarid Region
CN115063698A (zh) 斜坡地表变形裂缝自动识别与信息提取方法及系统
Liu et al. The classification of airborne LiDAR building point clouds based on multi‐scale and multi‐level cloth simulation
Liu et al. Automatic stem mapping using single-scan terrestrial laser scanning data and Mean Shift clustering

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