基于無(wú)人機(jī)影像立體點(diǎn)云的農(nóng)村建筑精確地籍測(cè)量研究

摘要：提出了一種基于無(wú)人機(jī)影像立體點(diǎn)云的精確地籍測(cè)量方法。為確保建筑外墻的精確性和唯一性，提出了一種非極大值抑制算法，用于分離噪聲并避免重復(fù)提取外墻點(diǎn)。同時(shí)，提出了多線索加權(quán)RANSAC方法，該方法結(jié)合點(diǎn)到線的距離和法向一致性，旨在減少建筑附著物的影響并避免虛假邊緣的生成。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠有效檢測(cè)建筑物的矢量輪廓，具有較高的精度和正確的拓?fù)浣Y(jié)構(gòu)。在均方誤差低于10 cm的情況下，邊角的檢測(cè)完整性和正確性分別為84.9%和93.2%。

關(guān)鍵詞： 地籍測(cè)量" 墻體線段拓?fù)鋱D" "線段探測(cè)" 拓?fù)鋱D分析

Research on Precise Cadastral Survey of Rural Buildings Based on Drone Image Stereo Point Cloud

MA Weichi

Beijing Xinxing Huanyu Information Technology Co.， Ltd.， Beijing， 102300 China

Abstract： A precise cadastral surveying method based on unmanned aerial vehicle image stereo point cloud is proposed. To ensure the accuracy and uniqueness of building exterior walls， the non-maximum suppression algorithm is proposed to" separate noise and avoid duplicate extraction of exterior wall points. Meanwhile， the multiple clue weighted RANSAC method was proposed， which combines point-to-line distance and normal consistency to reduce the influence of building attachments and avoid the generation of 1 edges. Experimental results show that the proposed method can effectively detect the building vector contours with high accuracy and correct topological structure. The completeness and accuracy" of the edge corners detection can reach 84.9% and 93.2% when the mean square error is less than 10cm.

Key Words： Cadastral survey; Wall line segment topology graph; Line detection; Topology graph analysis

地籍測(cè)量是一項(xiàng)復(fù)雜且漫長(zhǎng)的工作，其目標(biāo)是準(zhǔn)確測(cè)量各種土地類型的位置、面積和邊界，以滿足土地管理部門或經(jīng)濟(jì)部門的需求[1]。尤其對(duì)于缺乏統(tǒng)一設(shè)計(jì)和規(guī)劃的農(nóng)村建筑而言，保持地籍?dāng)?shù)據(jù)庫(kù)的精準(zhǔn)性和及時(shí)更新是確保土地使用者權(quán)益、減少非法建筑處理或政府拆遷賠償糾紛的基本保障。這需要從數(shù)據(jù)采集到處理、存儲(chǔ)和發(fā)布的全過(guò)程都保持信息透明且可以查詢。

近年來(lái)，考慮到農(nóng)村建筑往往缺乏統(tǒng)一設(shè)計(jì)和規(guī)劃，基于無(wú)人機(jī)立體影像的測(cè)繪方法被廣泛用于記錄和測(cè)量地籍?dāng)?shù)據(jù)。然而，由于農(nóng)村建筑環(huán)境的復(fù)雜性和高精度要求，通常需要大量的手動(dòng)編輯，這既昂貴又耗時(shí)。即使僅考慮建筑和庭院空間的二維矢量圖，當(dāng)前的自動(dòng)化方法仍面臨巨大挑戰(zhàn)[2]。

1" 研究現(xiàn)狀

傳統(tǒng)的基于圖像的方法通過(guò)高分辨率圖像分類或分割提取建筑像元，然后繪制建筑輪廓。其關(guān)鍵是充分利用幾何、光譜、紋理等顯著特征，并結(jié)合先驗(yàn)正則約束，然而，由于建筑類型的復(fù)雜性和各種背景元素的干擾，這些方法在處理不同數(shù)據(jù)集時(shí)通常需要針對(duì)性參數(shù)調(diào)整，難以適應(yīng)實(shí)際應(yīng)用需求。大多數(shù)主流的圖像分割方法都可以用于建筑物提取，例如：基于種子點(diǎn)的區(qū)域生長(zhǎng)法，或使用包括Mean-shift和K-means在內(nèi)的各種分類和聚類方法，其主要困難在于，在背景環(huán)境復(fù)雜的場(chǎng)景下檢測(cè)精度有限，容易出現(xiàn)誤檢和漏檢，尤其是道路、高架區(qū)域和建筑物之間的直接過(guò)渡不明顯時(shí)[3]。

隨著深度卷積神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，近年來(lái)也提出了大量基于深度學(xué)習(xí)的方法。經(jīng)典網(wǎng)絡(luò)采用編碼器-解碼器結(jié)構(gòu)（如SegNet、UNet），編碼器通過(guò)連續(xù)的卷積和池化操作提取圖像特征，解碼器對(duì)圖像進(jìn)行上采樣以恢復(fù)原始大小。這些方法的局限性在于在特征提取過(guò)程中會(huì)損失空間細(xì)節(jié)，導(dǎo)致邊界質(zhì)量下降和最終分割結(jié)果的精度不足。為增強(qiáng)分割算法對(duì)建筑物尺度的適應(yīng)性，還提出了粗到精邊界細(xì)化網(wǎng)絡(luò)和多路徑混合注意力網(wǎng)絡(luò)。此外，還有一些直接提取多邊形邊界的輪廓描述網(wǎng)絡(luò)，如Curve-GCN、Polymapper和Polyworld。這些方法的顯著限制在于根據(jù)地籍測(cè)量和登記的法規(guī)，建筑范圍應(yīng)以外墻包圍的空間為準(zhǔn)，而非屋頂覆蓋的范圍。利用屋頂點(diǎn)云的方法中也存在同樣的問(wèn)題。由于農(nóng)村建筑通常有顯著的屋檐突出、未封閉的陽(yáng)臺(tái)和凹入的門廊，從屋頂檢測(cè)的結(jié)果精度存在問(wèn)題。更重要的是，檢測(cè)結(jié)果往往缺乏建筑拓?fù)浣Y(jié)構(gòu)，這意味著相鄰或連接的屋頂通常未被分開，需要大量編輯才能滿足基本要求[4]。

由于精確的地籍測(cè)量需要直接觀察建筑外墻，并對(duì)獨(dú)立柱、單柱門廊、車棚等特殊結(jié)構(gòu)進(jìn)行清晰描述，近年來(lái)，傾斜視角或地面視角的高密度傾斜點(diǎn)云在地籍測(cè)量領(lǐng)域中逐漸受到關(guān)注。這類點(diǎn)云可以為目標(biāo)建筑的外墻和特殊結(jié)構(gòu)提供全方位、多角度的觀察，但也為現(xiàn)有自動(dòng)化方法帶來(lái)了巨大挑戰(zhàn)。（1）墻面精確且完整的擬合問(wèn)題。由于視角有限和遮擋，墻面段通常不完整，尤其是在建筑密集區(qū)域。此外，由于窗戶和其他建筑附屬物的存在，以及陰影和植被的干擾，立體匹配生成的墻點(diǎn)可能無(wú)法形成嚴(yán)格的垂直平面，導(dǎo)致虛假或不完整的結(jié)果。（2）墻段拓?fù)浣Y(jié)構(gòu)容易出錯(cuò)。相鄰墻體的交匯和封閉墻體多邊形的搜索需要清晰描述墻體間的拓?fù)潢P(guān)系。不完善的墻體提取結(jié)果會(huì)導(dǎo)致連接錯(cuò)誤，在實(shí)際應(yīng)用中需要進(jìn)一步人工干預(yù)。此外，邊界的規(guī)則化還需要墻體拓?fù)浣Y(jié)構(gòu)的全局描述。

2" 技術(shù)途徑

為應(yīng)對(duì)這些挑戰(zhàn)，提出了一種基于高密度點(diǎn)云的地籍測(cè)量方法，通過(guò)以下兩點(diǎn)確保墻體位置的精確性和唯一性：（1）對(duì)墻體投影點(diǎn)進(jìn)行非極大值抑制以避免重復(fù)提取結(jié)果；（2）引入多線索加權(quán)RANSAC方法，結(jié)合點(diǎn)到線距離和法向一致性，減少噪聲和建筑附屬物的影響[5]。

在墻體拓?fù)浣Y(jié)構(gòu)的構(gòu)建方面，通過(guò)構(gòu)建圖結(jié)構(gòu)來(lái)存儲(chǔ)和分析相鄰墻段之間的連接關(guān)系、平行和垂直約束。基于圖結(jié)構(gòu)進(jìn)行最小閉合分析，同時(shí)結(jié)合全域方向估計(jì)和邊界優(yōu)化調(diào)整，實(shí)現(xiàn)整體規(guī)則化。最終，在封閉多邊形內(nèi)的點(diǎn)云分布可以有效區(qū)分房屋及其附屬庭院墻結(jié)構(gòu)，從而生成具有語(yǔ)義的矢量場(chǎng)景[6]。

如圖1所示，本文的方法基于多視角無(wú)人機(jī)影像生成的高密度點(diǎn)云，直接進(jìn)行墻段位置的檢測(cè)和墻體拓?fù)涞臉?gòu)建。通過(guò)將墻體點(diǎn)投影到水平面后擬合2D線特征，實(shí)現(xiàn)墻段的檢測(cè)。采用局部非極大值抑制和全局調(diào)整以確保墻線的方向和位置。在墻體拓?fù)涞臉?gòu)建中，通過(guò)構(gòu)建圖結(jié)構(gòu)存儲(chǔ)和分析相鄰墻線之間的關(guān)系。在此基礎(chǔ)上，計(jì)算相鄰墻線的交點(diǎn)并區(qū)分封閉房間，最終為建筑模型賦予語(yǔ)義信息。

2.1 墻段的檢測(cè)

本文通過(guò)墻面點(diǎn)云檢測(cè)建筑物的二維輪廓。首先對(duì)墻體點(diǎn)進(jìn)行聚類，并將其投影到二維水平面，隨后對(duì)墻段進(jìn)行擬合和調(diào)整。

2.2 基于圖的墻體拓?fù)浞治?/p>

對(duì)于地籍調(diào)查，建筑物或院落需要完整的閉合邊界，以滿足面積和權(quán)屬測(cè)量的要求。因此，需要構(gòu)建線段的拓?fù)潢P(guān)系，計(jì)算交點(diǎn)并生成矢量化多邊形，同時(shí)區(qū)分房屋與普通院墻。本文采用基于圖的結(jié)構(gòu)進(jìn)行墻體拓?fù)浜烷]環(huán)分析，其流程如圖2所示。

3" 實(shí)驗(yàn)與評(píng)估

3.1 數(shù)據(jù)集、參數(shù)和評(píng)估指標(biāo)

本文選擇北京密云傾斜攝影獲取的點(diǎn)云作為實(shí)驗(yàn)數(shù)據(jù)。原始傾斜航拍影像的空間分辨率約為1.5 cm，點(diǎn)云密度隨機(jī)重采樣至約400個(gè)/m2，平均點(diǎn)間距為5 cm。測(cè)試區(qū)域面積約為17 500 m2，并制作了人工矢量地圖作為參考數(shù)據(jù)。結(jié)果表明，提出的算法能夠完整地提取建筑物輪廓，并有效避免屋檐和走廊對(duì)邊界精度的干擾，同時(shí)包含建筑輪廓和院落邊界。均方根誤差約為 8.4 cm，拐角、邊緣和多邊形的正確性指數(shù)均超過(guò) 92%。

4" 結(jié)論

針對(duì)當(dāng)前地籍測(cè)量中自動(dòng)化方法提取結(jié)果成本高、更新慢、精度低的問(wèn)題，本文提出了一種基于無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)的建筑和院落二維矢量輪廓快速獲取方法。本文采用多線索RANSAC算法并結(jié)合非極大值抑制技術(shù)，擬合非極大值抑制后的墻體點(diǎn)，生成高精度的建筑邊界；構(gòu)建墻體線段拓?fù)鋱D，描述并識(shí)別墻體線段之間的拓?fù)潢P(guān)系，最終生成閉合邊界。實(shí)驗(yàn)證明，該方法能夠以較高精度和正確拓?fù)溆行z測(cè)建筑物的二維矢量輪廓。在點(diǎn)云質(zhì)量良好的區(qū)域建筑拐點(diǎn)的檢測(cè)正確率和完整率分別達(dá)到93.2%和84.9%，中位誤差約為10 cm。通過(guò)拓?fù)鋱D最小環(huán)檢測(cè)，可以分別識(shí)別獨(dú)立房屋和院落輪廓，為地籍測(cè)量中的建筑面積和院落面積統(tǒng)計(jì)提供支持。提出的方法在北京的實(shí)際地籍測(cè)量應(yīng)用中展現(xiàn)了高效性和精確性的潛力，生成了帶有簡(jiǎn)單語(yǔ)義描述的精確邊界多邊形，大幅減少了生產(chǎn)應(yīng)用中的必要交互操作。

參考文獻(xiàn)

[1]陳曉鵬.無(wú)人機(jī)航空攝影測(cè)量技術(shù)在農(nóng)村地籍變更中的應(yīng)用分析[J].測(cè)繪與空間地理信息，2024，47（S1）：345-346，349.

[2]紀(jì)志浩.無(wú)人機(jī)傾斜攝影測(cè)量在房地一體化測(cè)量中應(yīng)用研究[D].北京：中國(guó)礦業(yè)大學(xué)，2021.

[3]于凱強(qiáng).基于無(wú)人機(jī)傾斜攝影技術(shù)的農(nóng)村不動(dòng)產(chǎn)測(cè)量研究[D].西安：長(zhǎng)安大學(xué)，2022.

[4]靳峰，文坤.基于無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)的農(nóng)村土地地籍測(cè)量方法[J].北京測(cè)繪，2023，37（4）：563-567.

[5]宋曉輝.基于無(wú)人機(jī)點(diǎn)云的建筑物單體化與邊界提取[D].桂林：桂林理工大學(xué)，2024.

[6]周梅，李春干，李振，等.點(diǎn)云密度對(duì)無(wú)人機(jī)激光雷達(dá)森林參數(shù)估測(cè)精度的影響[J].林業(yè)科學(xué)研究，2024，37（2）：39-47.