CN105844629B - 一种大场景城市建筑物立面点云自动分割方法 - Google Patents
一种大场景城市建筑物立面点云自动分割方法 Download PDFInfo
- Publication number
- CN105844629B CN105844629B CN201610159956.5A CN201610159956A CN105844629B CN 105844629 B CN105844629 B CN 105844629B CN 201610159956 A CN201610159956 A CN 201610159956A CN 105844629 B CN105844629 B CN 105844629B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- building
- facade
- cloud data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开一种大场景城市建筑物立面点云自动分割方法,包括如下步骤:(1)将机载LiDAR点云数据与车载LiDAR点云数据融合配准;(2)从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR建筑物屋顶点云数据;(3)基于步骤(2)提取出的机载LiDAR点云数据对单栋建筑物屋顶点云数据进行分割;(4)对经步骤(3)分割后的单栋建筑物进行轮廓线追踪;(5)对步骤(4)中获得的轮廓线进行简化和规则化处理;(6)基于经步骤(5)简化和规则化处理后的轮廓线对建筑物立面点云进行粗分割;(7)对经过步骤(6)粗分割的建筑物立面点云进行精细分割。本发明能快速精确地从车载LiDAR点云中分割出建筑物立面点云。
Description
技术领域
本发明涉及建筑物立面分割领域,特别涉及一种大场景城市建筑物立面点云自动分割方法。
背景技术
随着数字城市的不断发展和深入,城市空间地理信息获取技术也得到了较快发展。以机载LiDAR(Light Detection and Ranging)和车载LiDAR为代表的移动测量***能够快速大面积地获取城市场景内的三维点云信息,为三维城市建设提供了重要的数据基础。
机载LiDAR能快速获取城市地面及建筑物的顶部信息,但对建筑物的立面信息获取相对缺乏,建模时多根据建筑物的顶部点云进行构建,对立面几何特征的表达和描述相对简单。车载LiDAR通过搭载在汽车上的激光扫描仪、全球定位***(Global PositioningSystem, GPS)、惯性导航单元(Inertial Measurement Unit,IMU)、相机、里程计等传感器,能够在车辆行驶过程中采集街道两侧的点云和影像信息,所获取的建筑物包含丰富的立面信息,为城市建筑物三维建模提供了重要的数据补充。然而从车载LiDAR点云场景复杂,如何从海量数据中提取出有效的建筑物立面点云,是当前限制车载LiDAR建筑物建模重要因素。
随着车载LiDAR数据处理技术的不断发展,许多有关车载LiDAR 建筑物立面点云分割的算法被先后提出,主要有点投影密度法(史文中,2005)、扫描线特征法(Zhao H.,2003;王健,2003;Frueh C., 2005)、RANSAC算法(李娜,2011)、主成分分析法(李婷,2012)、Hough变换(Hernandez J.,2009)、区域增长(Carlberg M.,2009)、数学形态学(ShenYonglin,2010)、马尔可夫模型(Triebel R.,2006)、距离加权理论(魏征,2012)等。这些方法和理论在一定程度上为车载LiDAR立面点云分割提供了多种解决途径,但在处理大范围城区点云时,其效率和准确性上都很难满足建筑物立面提取的要求。本发明结合从机载LiDAR点云中提取出的建筑物外轮廓线,利用轮廓线构建距离缓冲区,通过缓冲区分析实现车载LiDAR建筑物立面点云的自动快速分割。
发明内容
有鉴于此,本发明在于提供一种能实现大场景城市建筑物立面点云的快速自动分割并为城市三维精细建模提供重要的数据基础的大场景城市建筑物立面点云自动分割方法,避免了借助基础地理信息数据进行缓冲分析,且提取出的建筑物外轮廓线具有较高的精度。
为解决上述问题,本发明采用如下技术方案:一种大场景城市建筑物立面点云自动分割方法,包括如下步骤:
(1)将机载LiDAR点云数据与车载LiDAR点云数据融合配准;
(2)从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR 建筑物屋顶点云数据;
(3)基于步骤(2)提取出的机载LiDAR点云数据对单栋建筑物屋顶点云数据进行分割;
(4)对经步骤(3)分割后的单栋建筑物进行轮廓线追踪;
(5)对步骤(4)中获得的轮廓线进行简化和规则化处理;
(6)基于经步骤(5)简化和规则化处理后的轮廓线对建筑物立面点云进行粗分割;
(7)对经过步骤(6)粗分割的建筑物立面点云进行精细分割。
上述大场景城市建筑物立面点云自动分割方法,步骤(1)具体为:将机载LiDAR点云数据和车载LiDAR点云数据统一到相同的坐标系下,并使对应区域的空-地LiDAR点云数据吻合。
上述大场景城市建筑物立面点云自动分割方法,步骤(2)具体为:采用分步滤波策略从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR建筑物屋顶点云数据,具体步骤如下:
(2.1)在进行滤波前,剔除孤立且明显低于地面的噪声点;
(2.2)采用渐进不规则三角网加密实现地面点和非地面点的分离,然后以地面点高程为基准,滤除高程差小于2.0m地物点,如低矮植物,保留高程差大于或等于2.0m的地物点;
(2.3)采用RANSAC面片检测算法从包含建筑物部分的点云中分割出建筑物屋顶点云。
上述大场景城市建筑物立面点云自动分割方法,步骤(3)具体为利用基于连通性分析的格网区域增长法依据步骤(2)提取出的机载 LiDAR建筑物屋顶点云数据对单栋建筑物屋顶点云数据进行分割,首先将建筑物屋顶点云投影到水平面的二维格网中,根据格网面积和预估点云平均密度,计算每个格网的平均点数目N,通过设置点数目阈值筛选出种子格网,然后进行建筑物屋顶点云的区域增长分割,具体步骤如下:
(3.1)以某个种子格网为起始点并标记为已访问,新建一个聚类P,然后对其八邻域格网进行连通性分析,将密度连通的格网标记为已访问,同时加入到聚类P中;
(3.2)对聚类P中新增的格网,再判断每个格网的八邻域,若其邻域格网已被访问过则跳过,否则判断其连通性;若连通则标记为已访问,同时加入该聚类P中;
(3.3)重复步骤(3.2),直到没有新的格网添加到该聚类中为止;
(3.4)重复步骤(3.1)、(3.2)、(3.3),直到遍历完所有种子格网为止,得到m个聚类结果。
上述大场景城市建筑物立面点云自动分割方法,步骤(4)采用一种带角度约束条件的动态椭圆局部凸壳算法进行建筑物轮廓线追踪,具体步骤为:在邻域搜索时,以点云最左下角点为起始点进行追踪,假设pi为当前已追踪到的轮廓点,计算椭圆邻域内每个点qj对应的向量piqj与椭圆长半轴正向的夹角,除起始点椭圆长半轴方向沿Y 轴正方向外,其余长半轴方向由前后两个轮廓点pi、pi-1动态确定,其与X轴的夹角为θ,则椭圆邻域可用下述不等式表示:
式中:(x0,y0)代表当前点pi坐标,(x,y)代表椭圆内点坐标; k=Sacross/Salong代表椭圆短半轴与长半轴的比值。
上述大场景城市建筑物立面点云自动分割方法,步骤(4)中,在对轮廓点追踪时增加角约束条件,角约束条件为轮廓点与向量pipi-1的夹角应大于或等于90°,并动态设置椭圆的半径,设椭圆长半轴初始长度为a,增长步长为step,迭代增长次数为t,则增长后的长半轴 A=t*step+a,并设置长半轴的最大阈值为MAX_A,且当A>MAX_A仍未找到新的轮廓点时,则将当前点pi标记为非轮廓点,并从已有轮廓点中删除,同时回溯至上一轮廓点pi-1,以其为当前点进行重新搜索,直到找到一个新的轮廓点pi′为止,然后再继续追踪下一轮廓点。
上述大场景城市建筑物立面点云自动分割方法,步骤(5)具体为:采用Douglas-Pucker轮廓线简化算法对步骤(4)中获得的轮廓线进行简化,设置关键点到前后两相邻点直线的垂直距离阈值,得到简化的轮廓线,然后基于简化后的轮廓线,根据每条线段的斜率将轮廓线段分为两组,采用距离加权法计算每组轮廓线的加权平均斜率,并将每组轮廓线的加权平均斜率作为建筑物轮廓线的主方向,以主方向为准则对所有线段进行强制正交处理,重新计算相邻正交线段的交点,得到规则化的轮廓线。
上述大场景城市建筑物立面点云自动分割方法,步骤(6)具体步骤为:将车载LiDAR点云数据投影到XOY平面内,并在经步骤(5) 简化和规则化处理后的轮廓线中的建筑物顶部外轮廓线内外两侧各设置宽度为1.0m-2.0m的缓冲区,然后对车载建筑物点云数据逐点判断,落在缓冲区内的点归为待精分割建筑物立面点,基于建筑物顶部外轮廓线由多个线段组成且每个线段代表了建筑物的每个立面,而且每个立面都有各自的缓冲区范围,则将落在某一立面内的点标记为代表该立面的线段对应的点云子单元。
上述大场景城市建筑物立面点云自动分割方法,步骤(6)中,设与每一个子线段BC相邻的两个子线段为AB和CD,且在线段AB两侧分别设置内缓冲区R1和外缓冲区R2;对任意一点P(x0,y0),计算P 到线段BC的符号距离d可通过下述公式计算得到:
若d在区间(-R1,R2)内,则可判断点P在轮廓线距离缓冲区内;再由点与直线的关系进行判断:若点P同时落在直线IJ的右侧和直线 EF的左侧,则判断P在线段BC的缓冲区内,其中IJ和EF分别为∠ ABC和∠BCD的角平分线。按以上方法对车载LiDAR点云进行逐点判断,得到轮廓线每段对应的建筑物立面点云,实现建筑物各立面的粗分割。在建筑物顶部外轮廓线缓冲区的限制下,建筑物立面被限制在很小的范围内,为建筑物立面点云提取的准确性提供了保证。缓冲区阈值一般可设为1.0~2.0m,但考虑到屋檐的影响,基于机载屋顶点云提取的轮廓线通常位于实际墙面位置的外侧,因此须将内缓冲区设置的稍大一些,以确保建筑物立面点云尽可能落入缓冲区内。
上述大场景城市建筑物立面点云自动分割方法,步骤(7)中通过稳健最小二乘法对经步骤(6)粗分割得到的立面点云进行去噪滤波,实现车载LiDAR建筑物立面点云的精细分割,包括如下步骤:
(7.1)对粗分割后的建筑物某一面片点云采用最小二乘法得到初始拟合平面,计算各点到初始拟合平面的距离di,并将其与所设置的距离阈值δ进行比较,若di>δ,则将该点剔除;距离阈值δ可设为该面片各点到该面片的距离标准差σ的2倍,即δ=2σ,其中n为面片点个数;
(7.2)对剩余点重新进行平面拟合,多次迭代,直至该面片剩余各点到该面片的距离都在距离阈值δ之内,得最佳拟合平面,最佳拟合平面内各点为该面片精细分割后点集。
本发明的有益效果是:
1.本发明避免了借助基础地理信息数据进行缓冲分析,且提取出的建筑物外轮廓线具有较高的精度,有利于快速精确地从车载LiDAR 点云中分割出建筑物立面点云,能实现大场景城市建筑物立面点云的快速精确自动分割,为城市三维精细建模提供重要的数据基础。
2.本发明可自动地从复杂的城市点云中快速准确提取出建筑物立面点云,为三维城市精细建模提供数据支持。
附图说明
图1车载LiDAR建筑物立面点云自动分割处理流程图;
图2机载LiDAR原始点云高程显示图;
图3车载LiDAR原始点云高程显示图;
图4机载和车载LiDAR点云融合配准后效果图;
图5机载LiDAR建筑物顶部轮廓线提取流程图;
图6机载LiDAR建筑物屋顶点云提取结果;
图7机载LiDAR单栋建筑物屋顶点云聚类分割效果图;
图8改进的局部凸壳算法原理示意图;
图9(a)建筑物顶部外轮廓线提取结果效果图;
图9(b)建筑物顶部外轮廓线简化后效果图;
图9(c)建筑物顶部外罗线规则化后效果图;
图10立面点云分割缓冲区分析示意图;
图11(a)车载LiDAR建筑物立面点云粗分割前的效果图;
图11(b )车载LiDAR建筑物立面点云粗分割后的效果图;
图12(a)所选建筑物在所选实验区的机载LiDAR原始点云高程显示图的位置图;
图12(b)图12(a)中实线框内4栋建筑物的精细立面分割点云俯视效果图;
图12(c)为图12(a)中实线框内4栋建筑物的精细立面分割点云侧视效果图。
具体实施方式
为清楚说明本发明中的方案,下面给出优选的实施例并结合附图详细说明。
本发明大场景城市建筑物立面点云自动分割方法,其处理流程图如图1所示,本实施例中,以某城市居民小区为实验区,该实验区面积约为0.32km2,共有105栋建筑物。该实验区机载LiDAR点云由Leica ALS60***获取,获取的建筑物顶部数据均匀且完整程度高,平均点云密度为4点/㎡,采集到的原始机载LiDAR点云高程显示图如图2 所示,地面移动LiDAR数据由搭载在人力三轮车上的轻便型移动测量***获取,点间隔为5cm,采集到的原始车载LiDAR点云高程显示图如图3所示。采用本发明对该实验区建筑物立面点云进行自动分割,包括如下步骤:
(1)将机载LiDAR点云数据与车载LiDAR点云数据融合配准:将机载LiDAR点云数据和车载LiDAR点云数据统一到相同的坐标系下,并使对应区域的空-地LiDAR点云数据吻合。机载LiDAR点云数据与车载LiDAR点云数据融合配准后的效果图如图4所示。
(2)从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR 建筑物屋顶点云数据,具体为:采用分步滤波策略从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR建筑物屋顶点云数据,具体步骤如下:
(2.1)在进行滤波前,手动剔除一些明显的噪声点,如空中及地面下的孤立点,这些噪声点由灰尘等杂物产生的;
(2.2)采用渐进不规则三角网加密实现地面点和非地面点的分离,然后以地面点高程为基准,滤除高程差小于2.0m的低矮植被和地物,保留高程差大于或等于2.0m的植被、建筑物等地物点;
(2.3)采用RANSAC面片检测算法从包含建筑物部分的点云中分割出建筑物屋顶点云。
提取得到的机载LiDAR建筑物屋顶点云效果图如图6所示。
(3)基于步骤(2)提取出的机载LiDAR点云数据对单栋建筑物屋顶点云数据进行分割,具体为:利用基于连通性分析的格网区域增长法依据步骤(2)提取出的机载LiDAR点云数据对单栋建筑物屋顶点云数据进行分割,首先将建筑物屋顶点云投影到水平面的二维格网中,根据格网面积和预估点云平均密度,计算每个格网的平均点数目N,通过设置点数目阈值筛选出种子格网,然后进行建筑物屋顶点云的区域增长分割,具体步骤如下:
(3.1)以某个种子格网为起始点并标记为已访问,新建一个聚类P,然后对其八邻域格网进行连通性分析,将密度连通的格网标记为已访问,同时加入到聚类P中;
(3.2)对聚类P中新增的格网,再判断每个格网的八邻域,若其邻域格网已被访问过则跳过,否则判断其连通性;若连通则标记为已访问,同时加入该聚类P中;
(3.3)重复步骤(3.2),直到没有新的格网添加到该聚类中为止;
(3.4)重复步骤(3.1)、(3.2)、(3.3),直到遍历完所有种子格网为止,得到m个聚类结果。
本实施例中,将格网的宽度设置为2m,对输入的机载LiDAR建筑物屋顶点云密度或点间隔进行估计,经估计点云的平均间隔为0.5m,取1.5m作为区域增长所用格网的宽度,设置种子格网内的点阈值为9 进行种子点筛选,根据得到的种子点采用八邻域探测进行区域增长,得到105个聚类结果,对每栋建筑物聚类结果分颜色并编号表示,其效果如图7所示。
(4)对经步骤(3)分割后的单栋建筑物进行轮廓线追踪:采用一种带角度约束条件的动态椭圆局部凸壳算法进行建筑物轮廓线追踪,具体步骤为:在邻域搜索时,以点云最左下角点为起始点进行追踪,假设pi为当前已追踪到的轮廓点,计算椭圆邻域内每个点qj对应的向量piqj与椭圆长半轴正向的夹角,除起始点椭圆长半轴方向沿Y 轴正方向外,其余长半轴方向由前后两个轮廓点pi、pi-1动态确定,其与X轴的夹角为θ,则椭圆邻域可用下述不等式表示:
式中:(x0,y0)代表当前点pi坐标,(x,y)代表椭圆内点坐标; k=Sacross/Salong代表椭圆短半轴与长半轴的比值。
考虑到建筑物边界多为直角,因此在对轮廓点追踪时须增加角约束条件,即在对轮廓点追踪时增加角约束条件,角约束条件为轮廓点与向量pipi-1的夹角应大于或等于90°,将椭圆内夹角大于90°的点排除。而当pi为顺时针方向上的一个凸点,假设椭圆内的点都不满足角度约束条件,即此时椭圆邻域为空集。为了避免轮廓点追踪过程提前中止,动态设置椭圆的半径,设椭圆长半轴初始长度为a,增长步长为step,迭代增长次数为t,则增长后的长半轴A=t*step+a,并设置长半轴的最大阈值为MAX_A,且当A>MAX_A仍未找到新的轮廓点时,则将当前点pi标记为非轮廓点,并从已有轮廓点中删除,同时回溯至上一轮廓点pi-1,以其为当前点进行重新搜索,直到找到一个新的轮廓点pi′为止,然后再继续追踪下一轮廓点。其中,半径增长后的椭圆能使轮廓线得以继续追踪,保证了算法的稳健性,而最大长半轴阈值 MAX_A的设置避免了椭圆的病态增长。
本实施例中,以单栋建筑物屋顶点云最左下角点云为起始点,以 Y轴正方向为椭圆长半轴正方向,即轮廓线沿顺时针方向进行追踪。如图8所示为改进的局部凸壳算法(即带角度约束条件的动态椭圆局部凸壳算法)轮廓线追踪原理示意图,设置椭圆长半轴初始长度 a=1.5m,半径增长步长step=0.5m,最大长半轴半径MAX_A=4.0m,轮廓点与边界追踪前进方向夹角阈值为95°。具体追踪过程如下:①搜索椭圆邻域内的每一个点,先判断落在椭圆内追踪方向左侧的点,找到与前进方向夹角最大的点,若该点夹角在0-95°间,则判断该点为新的轮廓点,并进行下一轮廓点追踪;②否则判断落在椭圆内追踪方向右侧的点,找到与前进方向夹角最小的点,若该点夹角在0-95°间,记该点为轮廓点,并开始下一轮廓点追踪;③若经过以上判断,在前进方向两侧都为找到满足要求的点,则逐步长增加椭圆的搜索半径 A=t*step+a,直到在新的椭圆邻域内找到满足条件的轮廓点为止,此时椭圆长半轴半径A小于最大阈值MAX_A,其中t为增长的次数,且每找到一个新的轮廓点时重置为0;④当椭圆长半轴半径超过最大阈值且仍未找到满足条件的轮廓点时,删除当前轮廓点,标记该点为已访问点,同时回溯到上一轮廓点重新搜索新的轮廓点;⑤重复不断追踪新的轮廓点,当新的轮廓点与起始轮廓点重合时,停止追踪。通过上述方法得到的建筑物轮廓线追踪结果如图9(a)所示。
(5)对步骤(4)中获得的轮廓线进行简化和规则化处理,具体为:采用Douglas-Pucker轮廓线简化算法对步骤(4)中获得的轮廓线进行简化,设置关键点到前后两相邻点直线的垂直距离阈值0.5m,得到简化的轮廓线,简化后的轮廓线效果图如图9(b)所示,然后基于简化后的轮廓线,根据每条线段的斜率将轮廓线段分为两组,采用距离加权法计算每组轮廓线的加权平均斜率,并将每组轮廓线的加权平均斜率作为建筑物轮廓线的主方向,以主方向为准则对所有线段进行强制正交处理,重新计算相邻正交线段的交点,得到规则化的轮廓线,规则化后的轮廓线效果图如图9(c)所示。
(6)基于经步骤(5)简化和规则化处理后的轮廓线对建筑物立面点云进行粗分割,其原理如图10所示,具体步骤为:将车载LiDAR 点云数据投影到XOY平面内,并在经步骤(5)简化和规则化处理后的轮廓线中的建筑物顶部外轮廓线内外两侧各设置宽度为1.0m-2.0m的缓冲区,然后对车载建筑物点云数据逐点判断,落在缓冲区内的点归为待精分割建筑物立面点(其中还包括非建筑物噪声点),基于建筑物顶部外轮廓线由多个线段组成且每个线段代表了建筑物的每个立面,而且每个立面都有各自的缓冲区范围,则将落在某一立面内的点标记为代表该立面的线段对应的点云子单元。设与每一个子线段BC相邻的两个子线段为AB和CD,且在线段AB两侧分别设置内缓冲区R1和外缓冲区R2;对任意一点P(x0,y0),计算点P(x0,y0)到线段BC的符号距离d可通过下述公式计算得到:
若d在区间(-R1,R2)内,则可判断点P(x0,y0)在轮廓线距离缓冲区内;再由点与直线的关系进行判断:若点P(x0,y0)同时落在直线 IJ的右侧和直线EF的左侧,则判断P在线段BC的缓冲区内,其中IJ 和EF分别为∠ABC和∠BCD的角平分线。
本实施例中,缓冲区的宽度为1.0~2.0m,其中内缓冲区的宽度为1.5m,外缓冲区的宽度为1.0m,依据上述方法逐点对读取的车载 LiDAR点云进行缓冲区分析,如图11(a)和图11(b)所示。
(7)由于经过粗分割后的建筑物立面仍存在一些噪声点,如窗户玻璃折射的散乱点、部分地面点、以及其它散乱噪声点,这些噪声点将会对后续三维建筑物模型的重建产生影响,因此须对粗分割后的建筑物立面进行精细分割。本步骤通过稳健最小二乘法对经步骤(6)粗分割得到的立面点云进行去噪滤波,实现车载LiDAR建筑物立面点云的精细分割,包括如下步骤:
(7.1)对粗分割后的建筑物某一面片点云采用最小二乘法得到初始拟合平面,计算各点到初始拟合平面的距离di,并将其与所设置的距离阈值δ进行比较,若di>δ,则将该点剔除;距离阈值δ可设为该面片各点到该面片的距离标准差σ的2倍,即δ=2σ,其中n为面片点个数;
(7.2)对剩余点重新进行平面拟合,多次迭代,直至该面片剩余各点到该面片的距离都在距离阈值δ之内,得最佳拟合平面,最佳拟合平面内各点为该面片精细分割后点集。
鉴于本实施例所选实验区内单栋建筑物占地面积较大,因此在实施时选取了10栋立面结构较复杂的建筑物对本发明方法进行验证。所选10栋建筑物在所选实验区的机载LiDAR原始点云高程显示图的位置如图12(a)所示,所选10栋建筑物位于图12(a)中的虚线框内,而图12(b)为图12(a)中实线框内4栋建筑物的精细立面分割点云俯视效果图,图12(c)为图12(a)中实线框内4栋建筑物的精细立面分割点云侧视效果图。
从图中可以看到,经过去噪处理后,大部分噪声点已经滤除,且精细分割后每栋建筑物的各个立面可被单独存储和表达,有利于后期建筑物立面的精细建模。为了说明本发明方法的可行性,选取上述10 栋建筑物的分割结果进行统计分析,如表1所示为10幢建筑物立面点云分割面片统计结果。由表1可知,每栋建筑物立面点云分割的准确率均在85%以上,绝大多数的立面被准确的提取出来,验证了本发明所述方法的可行性,对于未被分割出的立面进行统计分析可知,这些立面点云大多质量较差、噪声点较多、面积狭小且存在数据缺失现象,因此平面拟合的结果较差,从而影响了最终的建筑物立面精细分割结果。
表1建筑物物立面分割结果统计
上述实施例仅仅是为清楚地说明本发明创造所作的举例,而并非对本发明创造具体实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所引伸出的任何显而易见的变化或变动仍处于本发明创造权利要求的保护范围之中。
Claims (10)
1.一种大场景城市建筑物立面点云自动分割方法,其特征在于,包括如下步骤:
(1)将机载LiDAR点云数据与车载LiDAR点云数据融合配准;
(2)从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR建筑物屋顶点云数据;
(3)基于步骤(2)提取出的机载LiDAR点云数据对单栋建筑物屋顶点云数据进行分割;
(4)对经步骤(3)分割后的单栋建筑物进行轮廓线追踪;
(5)对步骤(4)中获得的轮廓线进行简化和规则化处理;
(6)基于经步骤(5)简化和规则化处理后的轮廓线对建筑物立面点云进行粗分割;
(7)对经过步骤(6)粗分割的建筑物立面点云进行精细分割。
2.根据权利要求1所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(1)具体为:将机载LiDAR点云数据和车载LiDAR点云数据统一到相同的坐标系下,并使对应区域的空-地LiDAR点云数据吻合。
3.根据权利要求1所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(2)具体为:采用分步滤波策略从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR建筑物屋顶点云数据,具体步骤如下:
(2.1)在进行滤波前,剔除孤立且明显低于地表的噪声点;
(2.2)采用渐进不规则三角网加密实现地面点和非地面点的分离,然后以地面点高程为基准,滤除高程差小于2.0m地物点,保留高程差大于或等于2.0m的地物点;
(2.3)采用RANSAC面片检测算法从包含建筑物部分的点云中分割出建筑物屋顶点云。
4.根据权利要求1所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(3)具体为利用基于连通性分析的格网区域增长法依据步骤(2)提取出的机载LiDAR建筑物屋顶点云数据对单栋建筑物屋顶点云数据进行分割,首先将建筑物屋顶点云投影到水平面的二维格网中,根据格网面积和预估点云平均密度,计算每个格网的平均点数目N,通过设置点数目阈值筛选出种子格网,然后进行建筑物屋顶点云的区域增长分割,具体步骤如下:
(3.1)以某个种子格网为起始点并标记为已访问,新建一个聚类P,然后对其八邻域格网进行连通性分析,将密度连通的格网标记为已访问,同时加入到聚类P中;
(3.2)对聚类P中新增的格网,再判断每个格网的八邻域,若其邻域格网已被访问过则跳过,否则判断其连通性;若连通则标记为已访问,同时加入该聚类P中;
(3.3)重复步骤(3.2),直到没有新的格网添加到该聚类中为止;
(3.4)重复步骤(3.1)、(3.2)、(3.3),直到遍历完所有种子格网为止,得到m个聚类结果。
5.根据权利要求1所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(4)采用一种带角度约束条件的动态椭圆局部凸壳算法进行建筑物轮廓线追踪,具体步骤为:在邻域搜索时,以点云最左下角点为起始点进行追踪,假设pi为当前已追踪到的轮廓点,计算椭圆邻域内每个点qj对应的向量piqj与椭圆长半轴正向的夹角,除起始点椭圆长半轴方向沿Y轴正方向外,其余长半轴方向由前后两个轮廓点pi、pi-1动态确定,其与X轴的夹角为θ,则椭圆邻域可用下述不等式表示:
式中:(x0,y0)代表当前点pi坐标,(x,y)代表椭圆内点坐标;k=Sacross/Salong代表椭圆短半轴与长半轴的比值。
6.根据权利要求5所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(4)中,在对轮廓点追踪时增加角约束条件,角约束条件为轮廓点与向量pipi-1的夹角应大于或等于90°,并动态设置椭圆的半径,设椭圆长半轴初始长度为a,增长步长为step,迭代增长次数为t,则增长后的长半轴A=t*step+a,并设置长半轴的最大阈值为MAX_A,且当A>MAX_A仍未找到新的轮廓点时,则将当前点pi标记为非轮廓点,并从已有轮廓点中删除,同时回溯至上一轮廓点pi-1,以其为当前点进行重新搜索,直到找到一个新的轮廓点pi′为止,然后再继续追踪下一轮廓点。
7.根据权利要求1所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(5)具体为:采用Douglas-Pucker轮廓线简化算法对步骤(4)中获得的轮廓线进行简化,设置关键点到前后两相邻点直线的垂直距离阈值,得到简化的轮廓线,然后基于简化后的轮廓线,根据每条线段的斜率将轮廓线段分为两组,采用距离加权法计算每组轮廓线的加权平均斜率,并将每组轮廓线的加权平均斜率作为建筑物轮廓线的主方向,以主方向为准则对所有线段进行强制正交处理,重新计算相邻正交线段的交点,得到规则化的轮廓线。
8.根据权利要求1~7任一所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(6)具体步骤为:将车载LiDAR点云数据投影到XOY平面内,并在经步骤(5)简化和规则化处理后的轮廓线中的建筑物顶部外轮廓线内外两侧各设置宽度为1.0m-2.0m缓冲区,然后对车载建筑物点云数据逐点判断,将落在缓冲区内的点归为待精分割建筑物立面点,基于建筑物顶部外轮廓线由多个线段组成且每个线段代表了建筑物的每个立面,而且每个立面都有各自的缓冲区范围,则将落在某一立面内的点标记为代表该立面的线段对应的点云子单元。
9.根据权利要求8所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(6)中,设与每一个子线段BC相邻的两个子线段为AB和CD,且在线段AB两侧分别设置内缓冲区R1和外缓冲区R2;对任意一点P(x0,y0),计算点P(x0,y0)到线段BC的符号距离d可通过下述公式计算得到:
若d在区间(-R1,R2)内,则可判断点P(x0,y0)在轮廓线距离缓冲区内;再由点与直线的关系进行判断:若点P(x0,y0)同时落在直线IJ的右侧和直线EF的左侧,则判断P在线段BC的缓冲区内,其中IJ和EF分别为∠ABC和∠BCD的角平分线。
10.根据权利要求1~7任一所述的大场景城市建筑物立面点云自动分割方法,其特征在于,步骤(7)中通过稳健最小二乘法对经步骤(6)粗分割得到的立面点云进行去噪滤波,实现车载LiDAR建筑物立面点云的精细分割,包括如下步骤:
(7.1)对粗分割后的建筑物某一面片点云采用最小二乘法得到初始拟合平面,计算各点到初始拟合平面的距离di,并将其与所设置的距离阈值δ进行比较,若di>δ,则将该点剔除;距离阈值δ设为该面片各点到该面片的距离标准差σ的2倍,即δ=2σ,其中n为面片点个数;
(7.2)对剩余点重新进行平面拟合,多次迭代,直至该面片剩余各点到该面片的距离都在距离阈值δ之内,得最佳拟合平面,最佳拟合平面内各点为该面片精细分割后点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159956.5A CN105844629B (zh) | 2016-03-21 | 2016-03-21 | 一种大场景城市建筑物立面点云自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159956.5A CN105844629B (zh) | 2016-03-21 | 2016-03-21 | 一种大场景城市建筑物立面点云自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844629A CN105844629A (zh) | 2016-08-10 |
CN105844629B true CN105844629B (zh) | 2018-12-18 |
Family
ID=56587554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610159956.5A Active CN105844629B (zh) | 2016-03-21 | 2016-03-21 | 一种大场景城市建筑物立面点云自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844629B (zh) |
Families Citing this family (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529469B (zh) * | 2016-11-08 | 2020-01-03 | 华北水利水电大学 | 基于自适应坡度的无人机载LiDAR点云滤波方法 |
CN106780509A (zh) * | 2016-12-01 | 2017-05-31 | 山东交通学院 | 融合多维特征的建筑物点云层次聚类分割方法 |
CN106970375B (zh) * | 2017-02-28 | 2020-02-18 | 河海大学 | 一种机载激光雷达点云中自动提取建筑物信息的方法 |
CN107452064B (zh) * | 2017-05-23 | 2020-10-13 | 巧夺天宫(深圳)科技有限公司 | 一种三维建筑实体空间找平实现方法、装置及存储设备 |
CN107369161B (zh) * | 2017-07-19 | 2020-09-11 | 无锡信捷电气股份有限公司 | 一种基于改进欧式聚类的散乱工件点云分割方法 |
CN107784656B (zh) * | 2017-09-20 | 2020-02-07 | 重庆大学 | 一种基于几何要素的零件点云分割方法 |
CN108109139B (zh) * | 2017-12-18 | 2022-01-14 | 辽宁工程技术大学 | 基于灰度体元模型的机载lidar三维建筑物检测方法 |
CN110276760B (zh) * | 2018-03-14 | 2020-11-17 | Oppo 广东移动通信有限公司 | 一种图像场景分割方法、终端及存储介质 |
CN108872991A (zh) * | 2018-05-04 | 2018-11-23 | 上海西井信息科技有限公司 | 目标物检测与识别方法、装置、电子设备、存储介质 |
CN109949326B (zh) * | 2019-03-21 | 2020-09-08 | 苏州工业园区测绘地理信息有限公司 | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 |
CN110120097B (zh) * | 2019-05-14 | 2020-09-04 | 南京林业大学 | 大场景机载点云语义建模方法 |
CN110110687B (zh) * | 2019-05-15 | 2020-11-17 | 江南大学 | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 |
CN110490415B (zh) * | 2019-07-15 | 2023-07-14 | 同济大学 | 一种多无人机视觉协同的建筑进度评估方法 |
CN110377640A (zh) * | 2019-07-23 | 2019-10-25 | 江南大学 | 一种基于深度学习投票统计方法 |
CN110717983B (zh) * | 2019-09-07 | 2023-05-02 | 苏州工业园区测绘地理信息有限公司 | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 |
CN110610501B (zh) * | 2019-09-18 | 2022-04-29 | 中国大恒(集团)有限公司北京图像视觉技术分公司 | 一种点云分割方法及装置 |
CN111242950B (zh) * | 2020-01-03 | 2023-03-31 | 北京三快在线科技有限公司 | 一种建筑物边界确定方法及装置 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN111354083B (zh) * | 2020-02-21 | 2022-09-27 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于原始激光点云的递进式建筑物提取方法 |
CN111340822B (zh) * | 2020-02-24 | 2022-07-15 | 武汉大学 | 一种多尺度自适应机载LiDAR点云建筑物单体化分割方法 |
CN111504223B (zh) * | 2020-04-22 | 2022-05-31 | 荆亮 | 一种基于线激光传感器的叶片轮廓测量方法及装置和*** |
CN111598823B (zh) * | 2020-05-19 | 2023-07-25 | 北京数字绿土科技股份有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
CN112037336B (zh) * | 2020-09-07 | 2021-08-31 | 贝壳找房(北京)科技有限公司 | 相邻点位分割方法及装置 |
CN112215823A (zh) * | 2020-10-16 | 2021-01-12 | 中铁上海设计院集团有限公司 | 一种基于点云的警冲标平面位置测量方法 |
CN112365511B (zh) * | 2020-11-14 | 2022-06-10 | 重庆邮电大学 | 基于重叠区域检索与对齐的点云分割方法 |
CN112465849B (zh) * | 2020-11-27 | 2022-02-15 | 武汉大学 | 一种无人机激光点云与序列影像的配准方法 |
CN112649813B (zh) * | 2020-12-15 | 2022-02-08 | 北京星天地信息科技有限公司 | 重要场所室内安全检查的方法、检查设备、机器人及终端 |
CN112700464B (zh) * | 2021-01-15 | 2022-03-29 | 腾讯科技(深圳)有限公司 | 地图信息的处理方法、装置、电子设备以及存储介质 |
CN113012206B (zh) * | 2021-02-07 | 2022-03-25 | 山东科技大学 | 一种顾及房檐特征的机载与车载LiDAR点云配准方法 |
CN112907546B (zh) * | 2021-02-25 | 2024-04-05 | 北京农业信息技术研究中心 | 肉牛体尺非接触测量装置及方法 |
CN113139982B (zh) * | 2021-04-21 | 2023-03-14 | 香港理工大学深圳研究院 | 一种室内房间点云的自动分割方法 |
CN113436223B (zh) * | 2021-07-14 | 2022-05-24 | 北京市测绘设计研究院 | 点云数据的分割方法、装置、计算机设备和存储介质 |
CN113989310B (zh) * | 2021-10-22 | 2022-05-17 | 广州市城市规划勘测设计研究院 | 建筑体量数据的估算方法、装置、设备及存储介质 |
WO2023076913A1 (en) * | 2021-10-29 | 2023-05-04 | Hover Inc. | Methods, storage media, and systems for generating a three-dimensional line segment |
CN114067073B (zh) * | 2021-11-16 | 2022-09-06 | 安徽理工大学 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
CN114332366B (zh) * | 2021-12-24 | 2024-06-28 | 巫溪县金灿实业发展有限责任公司 | 数字城市单体房屋点云立面3d特征提取方法 |
CN114882192B (zh) * | 2022-07-08 | 2022-10-11 | 浙江国遥地理信息技术有限公司 | 一种建筑立面的分割方法、装置、电子设备以及存储介质 |
CN116012542A (zh) * | 2022-11-11 | 2023-04-25 | 东南大学 | 一种地震灾害动态可视化方法和装置 |
CN116128886A (zh) * | 2023-04-18 | 2023-05-16 | 深圳市其域创新科技有限公司 | 一种点云数据分割方法、装置、电子设备及存储介质 |
CN116579949A (zh) * | 2023-05-31 | 2023-08-11 | 浙江省测绘科学技术研究院 | 适用于城市多噪声环境下机载点云地面点滤波方法 |
CN116580160B (zh) * | 2023-07-12 | 2023-12-15 | 深圳大学 | 一种建筑物单体分割和结构重建耦合处理方法及相关装置 |
CN117036393B (zh) * | 2023-10-09 | 2023-12-19 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
CN117911624A (zh) * | 2024-01-25 | 2024-04-19 | 中国地震局地质研究所 | 基于机器学习的活动断层三维建模方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009087367A1 (en) * | 2008-01-08 | 2009-07-16 | Gmj Design Ltd | A method of creating a representation of the surface of an object |
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN101976467A (zh) * | 2010-09-13 | 2011-02-16 | 天津市星际空间地理信息工程有限公司 | 一种集成机载lidar和车载移动激光扫描技术的高精细三维城市场景构建方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN104992467A (zh) * | 2015-07-20 | 2015-10-21 | 四川隧唐科技股份有限公司 | 无人机辅助车载道路采集三维建模***及其实现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9940727B2 (en) * | 2014-06-19 | 2018-04-10 | University Of Southern California | Three-dimensional modeling from wide baseline range scans |
-
2016
- 2016-03-21 CN CN201610159956.5A patent/CN105844629B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009087367A1 (en) * | 2008-01-08 | 2009-07-16 | Gmj Design Ltd | A method of creating a representation of the surface of an object |
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN101976467A (zh) * | 2010-09-13 | 2011-02-16 | 天津市星际空间地理信息工程有限公司 | 一种集成机载lidar和车载移动激光扫描技术的高精细三维城市场景构建方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN104992467A (zh) * | 2015-07-20 | 2015-10-21 | 四川隧唐科技股份有限公司 | 无人机辅助车载道路采集三维建模***及其实现方法 |
Non-Patent Citations (1)
Title |
---|
基于机载LiDAR数据的建筑物点云提取;曹鸿等;《河南城建学院学报》;20140131;第23卷(第1期);59-62,76 * |
Also Published As
Publication number | Publication date |
---|---|
CN105844629A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844629B (zh) | 一种大场景城市建筑物立面点云自动分割方法 | |
CN110717983B (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
KR101933216B1 (ko) | 드론과 공간정보를 이용한 하천지형정보 생성 방법 | |
CN102074047B (zh) | 一种高精细城市三维建模方法 | |
JP5339953B2 (ja) | 三次元地図補正装置及び三次元地図補正プログラム | |
Gruen et al. | Joint processing of UAV imagery and terrestrial mobile mapping system data for very high resolution city modeling | |
KR100963651B1 (ko) | 항공라이다자료를 이용한 건물외곽선 자동 추출 방법 | |
KR100948099B1 (ko) | 항공 레이저 측량을 이용한 식생의 면적 산출 시스템 및 방법 | |
CN102930509A (zh) | 一种机载激光点云数据的智能化滤波方法 | |
CN109146990B (zh) | 一种建筑轮廓的计算方法 | |
CN105466399B (zh) | 快速半全局密集匹配方法和装置 | |
CN111383335A (zh) | 一种众筹照片与二维地图结合的建筑物三维建模方法 | |
CN114065339A (zh) | 一种基于三维可视化模型的高塔建设选址方法 | |
Cosso et al. | Surveying and mapping a cave using 3d laser scanner: the open challenge with free and open source software | |
CN113284239B (zh) | 一种关于智慧城市的电子沙盘制作方法及装置 | |
RU2638638C1 (ru) | Способ и система автоматического построения трехмерных моделей городов | |
JP4946072B2 (ja) | 樹頂探索方法、装置及びプログラム | |
CN113838129B (zh) | 一种获得位姿信息的方法、装置以及*** | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
CN115900655A (zh) | 一种巡检航线规划方法 | |
Huang et al. | Integration of mobile laser scanning data with UAV imagery for very high resolution 3D city modeling | |
Dhruwa et al. | Generation of 3-D Large-Scale Maps Using Lidar Point Cloud Data | |
Yuan et al. | DEM generation from airborne LIDAR data | |
CN115294485B (zh) | 一种市政工程测量定位方法及*** | |
Radović | 3D MODELS OF OBJECTS IN PROCESS OF RECONSTRUCTION |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |