一種車載LiDAR建筑物立面點(diǎn)云精細(xì)分割方法

李立雪，牛路標(biāo)，黃騰達(dá)，李友鵬

(河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院,河南 焦作 454000)

?

一種車載LiDAR建筑物立面點(diǎn)云精細(xì)分割方法

李立雪，牛路標(biāo)，黃騰達(dá)，李友鵬

(河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院,河南 焦作 454000)

摘要：車載LiDAR技術(shù)是智慧城市基礎(chǔ)設(shè)施三維數(shù)據(jù)快速獲取的重要手段，對(duì)于獲取精細(xì)的城市建筑三維模型，實(shí)現(xiàn)車載點(diǎn)云數(shù)據(jù)的建筑物立面快速、精細(xì)分割具有重要作用。文中提出一種建筑物車載立面點(diǎn)云自動(dòng)精細(xì)分割方法，首先提取出建筑物的外輪廓線，通過(guò)設(shè)置輪廓線緩沖區(qū)實(shí)現(xiàn)立面點(diǎn)云的粗分割，然后采用RANSAC平面探測(cè)算法探測(cè)建筑物主立面，從而實(shí)現(xiàn)建筑物立面的精細(xì)分割。試驗(yàn)結(jié)果表明，文中算法能快速、準(zhǔn)確地從車載點(diǎn)云中分割出建筑物立面點(diǎn)云，為建筑物精細(xì)三維模型重建奠定基礎(chǔ)。

關(guān)鍵詞：車載LiDAR；輪廓線；立面分割；緩沖區(qū)；RANSAC

三維激光掃描在數(shù)字化文物保護(hù)、工業(yè)測(cè)量、數(shù)字城市、地形可視化、智能交通、土木工程等領(lǐng)域有著廣泛的應(yīng)用[1]。車載LiDAR技術(shù)不但數(shù)據(jù)獲取速度快、精度高、信息量豐富，而且能直接從三維空間點(diǎn)云中提取建筑物特征信息，適合城市規(guī)模的自動(dòng)批處理需求，已成為快速獲取三維城市建模數(shù)據(jù)的重要途徑[2-5]。建筑物立面點(diǎn)云分割是實(shí)現(xiàn)數(shù)字城市三維模型重建的前提和基礎(chǔ)，如何快速、準(zhǔn)確地分割出建筑物立面點(diǎn)云，是當(dāng)前研究的熱點(diǎn)。目前已有的建筑物立面點(diǎn)云分割方法有：利用RANSAC算法對(duì)建筑物立面進(jìn)行分割[6-8]，該方法能有效減小噪聲對(duì)平面探測(cè)的影響，模型參數(shù)估計(jì)的魯棒性較好，但容易出現(xiàn)過(guò)分割或欠分割的現(xiàn)象；應(yīng)用3D霍夫變換法進(jìn)行建筑物立面分割[9-10]，其原理是將傳統(tǒng)的二維圖像霍夫變換拓展到三維點(diǎn)云參數(shù)空間，對(duì)平面進(jìn)行探測(cè)，從而進(jìn)行立面分割，該方法受噪聲的影響較小，但易產(chǎn)生偽平面，計(jì)算量大，效率低；基于點(diǎn)云特征圖像的建筑物立面提取方法[11-12]首先生成點(diǎn)云的特征圖像，然后用圖像處理技術(shù)對(duì)點(diǎn)云特征圖像進(jìn)行立面分割，但這種方法在3D-2D轉(zhuǎn)換過(guò)程中容易造成信息量損失；李永強(qiáng)等[13]提出了一種以基礎(chǔ)地理數(shù)據(jù)為輔助信息的車載建筑物立面點(diǎn)云緩沖區(qū)分割方法，能快速實(shí)現(xiàn)建筑物立面分割，但需要知道預(yù)處理對(duì)象的基礎(chǔ)地理數(shù)據(jù)，使用條件受到限制，自動(dòng)化程度較低。因此，采用單一的數(shù)學(xué)模型很難高效、準(zhǔn)確地實(shí)現(xiàn)復(fù)雜建筑物的立面點(diǎn)云分割和特征提取。本文提出一種基于緩沖區(qū)算法對(duì)建筑物立面粗分割，并對(duì)粗分割后的建筑物立面點(diǎn)云應(yīng)用RANSAC平面探測(cè)算法進(jìn)行去噪濾波，從而實(shí)現(xiàn)整棟建筑物立面點(diǎn)云的精細(xì)分割。

1建筑物點(diǎn)云外輪廓線提取

建筑物特征點(diǎn)是構(gòu)建三維建筑物模型的基礎(chǔ)數(shù)據(jù)，對(duì)于特征點(diǎn)的提取，首先遍歷該棟建筑物點(diǎn)云得其最小高程Zmin，截取一定高程范圍內(nèi)的點(diǎn)云切片，將該切片外輪廓點(diǎn)作為該建筑物的外輪廓點(diǎn)，然后借鑒沈蔚等[14]提出的α-shape算法探測(cè)切片外輪廓點(diǎn)，最后對(duì)建筑物輪廓點(diǎn)進(jìn)行規(guī)則化和正交化[15]求得其特征點(diǎn)。

2建筑物立面點(diǎn)云分割

車載LiDAR系統(tǒng)以動(dòng)態(tài)的作業(yè)方式快速獲取道路兩側(cè)地物的空間三維點(diǎn)云信息，采集的數(shù)據(jù)包含地面、植被、行人、車輛、公共設(shè)施等其所有能探測(cè)到的地物，盡管不同地物在空間上幾何特征不同，但是要把紛繁復(fù)雜的各類地物從散亂點(diǎn)云數(shù)據(jù)中分離出來(lái)仍面臨著很多困難，并且分割效率和準(zhǔn)確度難以保障。本文提出的車載建筑物立面點(diǎn)云自動(dòng)精細(xì)分割算法主要有以下幾個(gè)步驟：①對(duì)截取的建筑物點(diǎn)云切片，采用α-shape算法探測(cè)建筑物輪廓點(diǎn)，并經(jīng)規(guī)則化和正交化，求得其特征點(diǎn)，從而得到建筑物輪廓線；②以建筑物輪廓線為單位，對(duì)建筑物各立面，在輪廓線兩側(cè)一定范圍內(nèi)設(shè)置一定的閾值對(duì)建筑物立面點(diǎn)云逐點(diǎn)判斷，從而得到該建筑物立面點(diǎn)云；③對(duì)建筑物每個(gè)立面應(yīng)用RANSAC算法探測(cè)最佳擬合平面，從而完成建筑物立面的精細(xì)分割。

2.1建筑物立面點(diǎn)云粗分割

1)遍歷點(diǎn)云數(shù)據(jù)，判斷該點(diǎn)是否已訪問(wèn)，若未訪問(wèn)，則判定點(diǎn)P0是否在圖中陰影區(qū)域內(nèi)，方法為：計(jì)算P0到AB的距離d，只需判斷d是否在(-m_in，m_out)區(qū)間內(nèi)。

2)判斷點(diǎn)P0是否在A、B之間的陰影區(qū)域內(nèi)，若∠PAB、∠PBA均為銳角，則賦予該點(diǎn)一個(gè)聚類編號(hào)，設(shè)置該點(diǎn)為已訪問(wèn)，并將該點(diǎn)壓入到AB的聚類點(diǎn)集之中。

3)對(duì)于EBF區(qū)域內(nèi)的點(diǎn)，只需判斷P0、B之間的距離d0與m_out的大小，若d0≤m_out，則賦予該點(diǎn)與上步相同的聚類編號(hào)，設(shè)置該點(diǎn)為已訪問(wèn)，并將該點(diǎn)壓入到線段AB的聚類點(diǎn)集之中。

4)用同樣的方法依次處理其他聚類單元。

圖1　粗分割原理

緩沖區(qū)閾值一般設(shè)置為0.8～1.2 m，由于探測(cè)的是建筑物外輪廓特征點(diǎn)，為使建筑物立面點(diǎn)盡可能地落入緩沖區(qū)內(nèi)，應(yīng)將內(nèi)緩沖區(qū)閾值設(shè)置的稍大一些。

2.2建筑物立面點(diǎn)云精細(xì)分割

經(jīng)粗分割后，本文已基本將建筑物主立面分割出來(lái)，然而，分割后的建筑物立面仍存在一些噪聲點(diǎn)，如窗戶玻璃折射的散亂點(diǎn)、部分地面點(diǎn)以及其它散亂噪聲點(diǎn)，這些噪聲點(diǎn)將會(huì)對(duì)后續(xù)三維建筑物模型的重建產(chǎn)生影響，為此，應(yīng)對(duì)粗分割后的建筑物立面進(jìn)行精細(xì)分割。本文采用RANSAC算法對(duì)粗分割后的建筑物各立面進(jìn)行最佳擬合面探測(cè)，從而完成建筑物立面的精細(xì)分割。RANSAC算法即隨機(jī)采樣一致性算法最早由Fischler和Bolles于1981年提出，它可以從一組包含局外點(diǎn)的觀測(cè)數(shù)據(jù)集中，通過(guò)迭代方式估計(jì)數(shù)學(xué)模型的參數(shù)。其得到可信模型參數(shù)的概率p與迭代次數(shù)n的關(guān)系如下：

(1)

其中：w為局內(nèi)點(diǎn)概率，n為適用于待估計(jì)模型的最小數(shù)據(jù)個(gè)數(shù)。

RANSAC 算法能從包含大量局外點(diǎn)的數(shù)據(jù)集中估計(jì)出高精度的參數(shù)，具有魯棒性。對(duì)于使用RANSAC探測(cè)平面，直接利用隨機(jī)選出的 3個(gè)原始數(shù)據(jù)點(diǎn)作為內(nèi)點(diǎn)得到參數(shù)初始值，然后根據(jù)初始值尋找數(shù)據(jù)集合中其它局內(nèi)點(diǎn)，可以極大地提高數(shù)據(jù)處理的效率，最大限度地減少噪聲和局外點(diǎn)的影響。

對(duì)建筑物某一立面探測(cè)操作步驟如下：

1)由式(1)計(jì)算迭代次數(shù)k。

2)從點(diǎn)云數(shù)據(jù)集中隨機(jī)選擇3 個(gè)點(diǎn)，計(jì)算平面模型參數(shù)。

3)對(duì)車載LiDAR建筑物單個(gè)立面點(diǎn)云中各點(diǎn)，計(jì)算其到擬合平面的距離，若小于所設(shè)置的閾值δ0，則將該點(diǎn)歸為局內(nèi)點(diǎn)，否則將該點(diǎn)歸為局外點(diǎn)。

4)重復(fù)2)～3)k次，統(tǒng)計(jì)每次局內(nèi)點(diǎn)數(shù)，選擇局內(nèi)點(diǎn)數(shù)最多的模型參數(shù)為最佳擬合平面的平面參數(shù)。

應(yīng)用RANSAC算法對(duì)建筑物各立面逐一進(jìn)行探測(cè)，通過(guò)設(shè)置較小的閾值δ0，能快速、高效地分割出建筑物立面，并濾除粗分割殘留的大部分噪聲點(diǎn)和地面點(diǎn)。

3實(shí)驗(yàn)與分析

本文以Visual Studio 2010為開(kāi)發(fā)平臺(tái)，采用C++編程語(yǔ)言結(jié)合OpenGL圖形庫(kù)函數(shù)，實(shí)現(xiàn)了本文提出的車載建筑物立面精細(xì)分割算法。以截取的某單棟建筑物點(diǎn)云為實(shí)驗(yàn)數(shù)據(jù)測(cè)試本文提出的車載建筑物立面點(diǎn)云精細(xì)分割算法。圖2為原始車載建筑物立面點(diǎn)云，包含一部分地面點(diǎn)和由于激光透過(guò)窗戶玻璃產(chǎn)生的散亂噪聲點(diǎn)，對(duì)截取的高程范圍(Zmin+5.0，Zmin+10.0)內(nèi)的立面點(diǎn)云切片應(yīng)用α-shape算法探測(cè)得到建筑物輪廓點(diǎn)(見(jiàn)圖3)，經(jīng)規(guī)則化得到建筑物輪廓線，探測(cè)得到的輪廓特征點(diǎn)與手動(dòng)提取的特征點(diǎn)精度對(duì)比如表1所示。經(jīng)分析，輪廓點(diǎn)自動(dòng)探測(cè)算法造成該實(shí)驗(yàn)建筑物輪廓特征點(diǎn)的平均位置偏差為0.183 m，故粗分割中應(yīng)設(shè)置較大的內(nèi)、外緩沖區(qū)閾值，以便使建筑物立面點(diǎn)盡可能地落入其輪廓線緩沖區(qū)內(nèi)；通過(guò)在輪廓線兩側(cè)設(shè)置輪廓緩沖區(qū)，能夠提取輪廓線兩側(cè)一定范圍內(nèi)的建筑物立面點(diǎn)，去除大部分地面點(diǎn)以及由于激光透射窗戶玻璃造成的散亂噪聲點(diǎn)；對(duì)粗分割后的建筑物各個(gè)立面，應(yīng)用RANSAC算法，設(shè)置較小的平面擬合閾值探測(cè)建筑物主立面，可以有效濾除粗分割后剩余的其它噪聲點(diǎn)，從而完成對(duì)建筑物各立面進(jìn)行精細(xì)分割。圖4(a)為經(jīng)粗分割后建筑物立面點(diǎn)云，內(nèi)、外緩沖區(qū)閾值分別為0.80 m、1.20 m;圖4(b)為精細(xì)分割后建筑物立面點(diǎn)云，立面分割精度δ0為0.25 m，從圖中可看出，建筑物各立面被準(zhǔn)確、完好地分割出來(lái)。圖5(a)、圖5(b)分別為粗分割和精細(xì)分割后建筑物立面局部點(diǎn)云俯視圖，可以看出經(jīng)粗分割后大部分地面點(diǎn)和散亂噪聲點(diǎn)已經(jīng)濾除，精分割后建筑物立面噪聲點(diǎn)被進(jìn)一步濾除，建筑物立面被較好地分割出來(lái)。

圖2　原始建筑物點(diǎn)

圖3　建筑物輪廓點(diǎn)

表1　輪廓特征點(diǎn)平面探測(cè)精度對(duì)比　m

圖4　建筑物立面分割整體效果圖

圖5　建筑物立面分割局部效果圖

4結(jié)束語(yǔ)

本文所述車載建筑物立面自動(dòng)精細(xì)分割算法直接對(duì)原始建筑物點(diǎn)云數(shù)據(jù)進(jìn)行處理，自動(dòng)化程度較高，相對(duì)于區(qū)域增長(zhǎng)法和傳統(tǒng)RANSAC算法的建筑物立面探測(cè)，無(wú)需格網(wǎng)化，能快速、高效地去除大部分地面及由激光透過(guò)窗戶玻璃產(chǎn)生的大量噪聲點(diǎn)，可以有效避免過(guò)分割和欠分割現(xiàn)象，從而較好地分割出建筑物立面點(diǎn)云；同時(shí)，與傳統(tǒng)的緩沖區(qū)分割思想進(jìn)行比較來(lái)看，受人為因素干擾和使用條件限制較小，為后續(xù)建筑物精細(xì)三維模型重建打下了良好基礎(chǔ)。

參考文獻(xiàn)

[1]張會(huì)霞,陳宜金,劉國(guó)波.基于三維激光掃描儀的校園建筑物建模研究[J].測(cè)繪工程,2010,19(1):32-34.

[2]李永強(qiáng),劉會(huì)云,曹鴻,等.基于空-地多源數(shù)據(jù)融合的建筑物精細(xì)建模研究[J].測(cè)繪工程,2015,24(8):1-10.

[3]楊莎莎,李永強(qiáng),李框宇,等.基于車載LiDAR數(shù)據(jù)的單株樹(shù)提取[J].測(cè)繪工程,2014,23(8):23-27.

[4]覃昕垚,張建軍,王勇,等.機(jī)載LiDAR定位精度分析[J].測(cè)繪工程,2016,25(5):32-35.

[5]龔躍健,毛文博,畢建濤,等.基于移動(dòng)LiDAR點(diǎn)云數(shù)據(jù)的室內(nèi)全要素三維重建[J].測(cè)繪工程,2015,24(11):33-38.

[6]李娜，馬一薇，楊洋，等.利用RANSAC算法對(duì)建筑物立面進(jìn)行點(diǎn)云分割[J].測(cè)繪科學(xué)，2011,36(5): 144-145.

[8]胡偉，盧小平，李珵，等.基于改進(jìn)RANSAC算法的屋頂激光點(diǎn)云面片分割方法[J].測(cè)繪通報(bào)，2012(11):31-34.

[9]楊化超，鄧喀中，張書畢.基于Hough變換的航空影像建筑物半自動(dòng)提取[J].測(cè)繪科學(xué)，2006,31(6): 93-94.

[10] BORRMANN D,ELSEBERG J,KAI L,et al.The 3D Hough Transform for plane detection in point clouds: A review and a new accumulator design[J].3d Research,2011,0202(2):1-13.

[11] 魏征，楊必勝，李清泉.車載激光掃描點(diǎn)云中建筑物邊界的快速提取[J].遙感學(xué)報(bào)，2012,16(2): 286-296.

[12] YANG B,WEI Z,LI Q,et al.Automated extraction of street-scene objects from mobile lidar point clouds[J].International Journal of Remote Sensing,2012,33(18):5839-5861.

[13] 李永強(qiáng)，呂海洋，蘇蕾，等.車載LiDAR點(diǎn)云中建筑物立面的自動(dòng)分割[J].測(cè)繪科學(xué)，2014,39(4):106-109.

[14] 沈蔚，李京，陳云浩，等.基于LIDAR數(shù)據(jù)的建筑輪廓線提取及規(guī)則化算法研究[J].遙感學(xué)報(bào),2008,12(5):692-698.

[15] 張陽(yáng)陽(yáng)，門林杰，李向偉.基于機(jī)載LiDAR數(shù)據(jù)的建筑物輪廓規(guī)則化方法[J].測(cè)繪工程，2015,24(10)：59-61.

[責(zé)任編輯：劉文霞]

Fine segmentation of mobile LiDAR building facade point cloud

LI Lixue,NIU Lubiao,HUANG Tengda,LI Youpeng

(School of Surveying and Land Information Engineering,Henan Polytechnic University,Jiaozuo 454000,China)

Abstract：Mobile LiDAR technology is an important means for infrastructure rapid 3D data capture of smart city.In order to obtain a fine city building 3D model,and to realize the mobile LiDAR point cloud data of the building facade fast,a fine segmentation has important theoretical value and practical significance.In the paper,a method of automatic fine segmentation of building mobile LiDAR point cloud is proposed: firstly,extract building contour line,by setting the contour line buffer to achieve the coarse segmentation of the facade point cloud,and then use the RANSAC plane detection algorithm to detect the building main facade,in order to realize the fine segmentation of the building facade.The test result shows that the method can segment facade point cloud from mobile LiDAR data quickly and accurately.

Key words：mobile LiDAR; contour line; facade segmentation; buffer; RANSAC

DOI:10.19352/j.cnki.issn1671-4679.2016.03.002

收稿日期：2016-03-21

基金項(xiàng)目：測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目(201412020)

作者簡(jiǎn)介：李立雪(1989-)，男，碩士研究生，研究方向:精密工程測(cè)量.

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1671-4679(2016)03-0006-04