利用無(wú)人機(jī)傾斜攝影點(diǎn)云的建筑單體化提取

王 果,陳 超,盧 燕,吳博文,閆佳宇

(1.河南工程學(xué)院 土木工程學(xué)院,河南 鄭州 451191;2.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)

以三維點(diǎn)云表達(dá)的建筑單體化信息是城市快速三維模型構(gòu)建的基礎(chǔ),在市政管理、城市規(guī)劃、三維智慧城市建設(shè)等諸多領(lǐng)域具有重要的作用[1]。無(wú)人機(jī)傾斜攝影通過(guò)多視角影像密集匹配技術(shù)可快速重建出三維實(shí)景模型,更好地保持建筑結(jié)構(gòu)[2],并且其數(shù)據(jù)采集和處理成本遠(yuǎn)低于機(jī)載激光雷達(dá)點(diǎn)云[3-4],因此在城市三維建筑重建領(lǐng)域得以廣泛應(yīng)用[5-6]。然而,傾斜攝影重建得到的三維模型是連續(xù)三角面片構(gòu)成的表面模型,難以支撐相應(yīng)的三維應(yīng)用開(kāi)展,故需要對(duì)傾斜攝影三維數(shù)據(jù)進(jìn)行對(duì)象化或單體化操作[7-8]。近年來(lái),如何從傾斜攝影密集匹配點(diǎn)云中獲得單體化的建筑點(diǎn)云,已成為城市建筑快速三維模型構(gòu)建及相關(guān)應(yīng)用開(kāi)展的關(guān)鍵問(wèn)題[9]。

在建筑點(diǎn)云提取與單體化方面,國(guó)內(nèi)外學(xué)者已開(kāi)展了大量研究,總體分為如下兩類:一是借助其他外部數(shù)據(jù),如矢量數(shù)據(jù)[10]、點(diǎn)云數(shù)據(jù)[11],進(jìn)行模型展示層面的單體化;二是利用傾斜攝影密集匹配點(diǎn)云開(kāi)展建筑提取與單體化,如利用柵格圖像計(jì)算點(diǎn)云面域之間的拓?fù)潢P(guān)系得到各建筑單體的點(diǎn)云覆蓋范圍[9]、利用平面信息進(jìn)行建筑重建[12]、基于密度聚類分析算法開(kāi)展建筑物頂點(diǎn)云聚類[13]、引入布料模擬算法進(jìn)行建筑頂面提取[14]等。然而,由于現(xiàn)實(shí)世界中三維場(chǎng)景自身的復(fù)雜性,以及得到的密集匹配點(diǎn)云數(shù)據(jù)不規(guī)則且存在冗余,故從傾斜攝影密集匹配點(diǎn)云中進(jìn)行建筑單體化提取,現(xiàn)階段仍然是一個(gè)十分困難的問(wèn)題。

本研究提出了一種傾斜攝影點(diǎn)云單體化提取新方法,充分利用豐富的地物豎立面信息,引入投影點(diǎn)密度(density of projected points,DoPP)進(jìn)行建筑立面的初步識(shí)別,然后通過(guò)基于八叉樹(shù)葉節(jié)點(diǎn)的連通性聚類(octree-based label connected components,OLCC),達(dá)到建筑單體化提取的目的。其主要流程如圖1所示。

圖1 本研究方法流程Fig.1 Flow chart of the proposed method

1 利用DoPP和OLCC的建筑單體化

1.1 不同空間目標(biāo)特征分析

本研究主要解決的問(wèn)題為無(wú)人機(jī)傾斜攝影所重建的建筑物點(diǎn)云及建筑物周邊獨(dú)立地物點(diǎn)云等主要地表附屬目標(biāo)的分割提取。

密集匹配重建的三維場(chǎng)景包含三維坐標(biāo)點(diǎn)及RGB值,數(shù)據(jù)具有不規(guī)則性和冗余性,處理起來(lái)比較復(fù)雜,但利用無(wú)人機(jī)傾斜攝影重建的三維點(diǎn)云,由于從多個(gè)視角獲取重建對(duì)象,所以具有豐富的立面特征和紋理信息,給地物特征提取提供了一定的條件。

1.1.1獨(dú)立地物點(diǎn)的空間特征

對(duì)于城市場(chǎng)景而言,獨(dú)立地物主要包括樹(shù)木、路燈等桿狀地物。由于該類地物具有一定的高度和范圍特征,所以該類點(diǎn)比周邊地形點(diǎn)高,點(diǎn)位水平投影后局部單位面積采樣頻率高,投影點(diǎn)密度高,如圖2所示。

圖2 獨(dú)立地物點(diǎn)的空間特征Fig.2 Spatial characteristics of independent figure points

1.1.2建筑物點(diǎn)的空間特征

通常情況下,建筑物高于周?chē)牡匦?具有一定的高差約束且有豎直立面,如圖3所示。傾斜攝影重建的三維點(diǎn)云具有豐富的立面信息,建筑立面有大量的三維重建點(diǎn),建筑物點(diǎn)在水平投影邊緣,單位面積具有較高的采樣頻率,水平投影密度大。

圖3 建筑物點(diǎn)的空間特征Fig.3 Spatial characteristics of building pointss

1.2 DoPP理論與方法

根據(jù)無(wú)人機(jī)傾斜攝影重建點(diǎn)云的空間特征分析,采用史文中等[15]提出的DoPP概念,將無(wú)人機(jī)傾斜攝影重建的三維點(diǎn)云數(shù)據(jù)直接投影到水平面上,如公式(1)所示:

(1)

統(tǒng)計(jì)投影后在水平面內(nèi)任意位置包含的投影點(diǎn)個(gè)數(shù),用DoPP表示。在重建目標(biāo)表面光滑、沒(méi)有遮擋,重建出的所有采樣點(diǎn)均為有效點(diǎn)的理想情況下,DoPP值與目標(biāo)的立面點(diǎn)數(shù)量有關(guān)。為簡(jiǎn)化計(jì)算,將測(cè)量區(qū)域劃分成規(guī)則的格網(wǎng),對(duì)劃分的格網(wǎng)統(tǒng)一編號(hào),統(tǒng)計(jì)每一個(gè)單元格網(wǎng)內(nèi)的立面點(diǎn)數(shù),作為該單元格網(wǎng)的DoPP值,從而達(dá)到對(duì)DoPP值的離散化表示。DoPP值具有以下特征:平坦地面上的DoPP值均勻且較小;由于傾斜攝影三維點(diǎn)云數(shù)據(jù)具有豐富的建筑立面特征,所以建筑邊界區(qū)域DoPP值遠(yuǎn)大于其他區(qū)域,并具有一定的連通性;建筑物內(nèi)部的DoPP值為0;獨(dú)立桿狀地物如路燈燈柱,DoPP值局部較大、周?chē)^小;塊狀地物如汽車(chē)和樹(shù)等,DoPP值局部較大且占據(jù)一定面積,如果增加格網(wǎng)尺寸到一定值,塊狀地物與獨(dú)立桿狀地物具有相同的特征;建筑物頂面和地面的DoPP類似,但通常大于地面點(diǎn)的高程。根據(jù)以上特征,選擇合理的閾值T1、T2,便可按照如下規(guī)則對(duì)三維場(chǎng)景進(jìn)行分割:對(duì)于每個(gè)單元格網(wǎng)來(lái)說(shuō),如果DoPP值大于T1,則將該單元格網(wǎng)內(nèi)的點(diǎn)分類為建筑物點(diǎn);如果DoPP值小于T2,則將該單元格網(wǎng)內(nèi)的點(diǎn)分類為地面點(diǎn);否則分類為其他點(diǎn)。其中,T1、T2可根據(jù)實(shí)際情況進(jìn)行確定,分割后可獲得不同類型的點(diǎn)云,利用傾斜攝影點(diǎn)云建筑物豐富的立面特征,以及建筑立面在水平面上的投影點(diǎn)密度大這一特性,進(jìn)行建筑物輪廓的提取,進(jìn)一步結(jié)合高程方向值即可重建建筑立面特征。

1.3 OLCC算法

用DoPP算法進(jìn)行建筑物識(shí)別后,為區(qū)分單個(gè)建筑,引入OLCC算法,對(duì)識(shí)別出的建筑立面點(diǎn)云數(shù)據(jù)進(jìn)行單個(gè)建筑提取。具體過(guò)程:首先利用識(shí)別出的建筑立面點(diǎn)云數(shù)據(jù)構(gòu)建立方體包圍盒作為根節(jié)點(diǎn),將初始構(gòu)建的根節(jié)點(diǎn)分裂為8個(gè)具有相同體積的子節(jié)點(diǎn),然后不斷進(jìn)行遞歸分裂,達(dá)到預(yù)先設(shè)定的八叉樹(shù)級(jí)別和每個(gè)葉子節(jié)點(diǎn)包含最少點(diǎn)數(shù)閾值時(shí)分裂停止,最后通過(guò)OLCC算法實(shí)現(xiàn)建筑點(diǎn)云單體化提取。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)

為驗(yàn)證本研究方法的有效性,選取河南工程學(xué)院西校區(qū)部分校園進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)區(qū)內(nèi)地勢(shì)較為平坦,主要包含6棟教學(xué)建筑及附屬的2層階梯教室,利用無(wú)人機(jī)傾斜攝影進(jìn)行實(shí)驗(yàn)區(qū)數(shù)據(jù)外業(yè)航飛采集,實(shí)驗(yàn)區(qū)傾斜攝影點(diǎn)云數(shù)據(jù)如圖4所示。

圖4 實(shí)驗(yàn)區(qū)傾斜攝影點(diǎn)云數(shù)據(jù)Fig.4 Point cloud data of oblique photography in the experimental area

2.2 結(jié)果及分析

利用CloudCompare軟件對(duì)密集匹配過(guò)程中產(chǎn)生的粗差進(jìn)行剔除,之后按照0.1 m × 0.1 m的格網(wǎng)尺寸對(duì)實(shí)驗(yàn)區(qū)構(gòu)網(wǎng),將密集匹配重建出的實(shí)驗(yàn)區(qū)所有點(diǎn)投影到格網(wǎng)中,并計(jì)算每個(gè)格網(wǎng)單元的DoPP值,設(shè)置DoPP閾值T1為200,對(duì)原始密集匹配點(diǎn)云進(jìn)行分割?；贒oPP算法的建筑立面點(diǎn)云識(shí)別結(jié)果如圖5所示。

圖5 基于DoPP算法的建筑立面點(diǎn)云識(shí)別結(jié)果Fig.5 Recognition result of building point cloud based on DoPP algorithm

從圖5可以看出,雖然識(shí)別出的建筑點(diǎn)云包含部分離散的獨(dú)立地物點(diǎn),但實(shí)驗(yàn)區(qū)內(nèi)的建筑立面點(diǎn)云被成功識(shí)別。對(duì)識(shí)別出的建筑點(diǎn)云依據(jù)OLCC算法,設(shè)置八叉樹(shù)的級(jí)別為8,子節(jié)點(diǎn)最小點(diǎn)數(shù)為1 000,共得到7個(gè)聚類分割結(jié)果,如圖6所示。其中,不同深淺代表提取出的不同建筑物。從提取結(jié)果可以看出,本研究所提方法可以有效提取實(shí)驗(yàn)區(qū)內(nèi)的主要建筑物,且具有參數(shù)少、自動(dòng)化程度高的特點(diǎn)。分析原因如下:1)從原始密集匹配得到的三維點(diǎn)云入手,可避免數(shù)據(jù)內(nèi)插帶來(lái)的數(shù)據(jù)和精度損失;2)充分利用了建筑立面包含豐富的數(shù)據(jù)信息這一特征;3)使用了DoPP、OLCC等成熟算法,提高了建筑點(diǎn)云提取的穩(wěn)健性。同時(shí),由于傾斜攝影測(cè)量密集匹配點(diǎn)云數(shù)據(jù)遮擋問(wèn)題,所以存在數(shù)據(jù)缺失現(xiàn)象,導(dǎo)致提取的建筑存在過(guò)分割現(xiàn)象,如圖6(a)和(b)中黑色方框區(qū)域所示。

圖6 基于OLCC算法的建筑立面點(diǎn)云識(shí)別結(jié)果Fig.6 Recognition result of building point cloud based on OLCC algorithm

3 結(jié)語(yǔ)

本研究提出了一種基于投影點(diǎn)密度和八叉樹(shù)葉節(jié)點(diǎn)連通性聚類的傾斜攝影點(diǎn)云建筑單體化提取方法,充分利用密集匹配點(diǎn)云建筑物豐富的立面特征,以及設(shè)定的投影點(diǎn)密度閾值和八叉樹(shù)葉節(jié)點(diǎn)聚類算法,進(jìn)行建筑點(diǎn)云的單體化提取,并通過(guò)實(shí)測(cè)驗(yàn)證了所提方法的有效性。該方法所需參數(shù)少、自動(dòng)化程度高,是基于密集匹配點(diǎn)云數(shù)據(jù)的建筑物點(diǎn)云單體化提取新方法。