基于分類分層的機(jī)載Lidar點(diǎn)云建筑物頂面漸進(jìn)提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及地表三維建筑物模型的自動(dòng)重建技術(shù)領(lǐng)域，具體涉及一種基于機(jī)載 Lidar點(diǎn)云建筑物頂面漸進(jìn)提取方法，該方法屬于LiDAR點(diǎn)云數(shù)據(jù)處理領(lǐng)域，尤其涉及基于 Lidar點(diǎn)云的建筑物頂面提取和建筑物三維模型重構(gòu)。
【背景技術(shù)】
[0002] 實(shí)現(xiàn)地表三維建筑物模型的自動(dòng)重建在很多領(lǐng)域具有重要的意義，例如三維數(shù)字 城市建設(shè)、城市規(guī)劃與管理、虛擬旅游，甚至風(fēng)險(xiǎn)評(píng)估、應(yīng)急管理等。采用傳統(tǒng)的測(cè)繪技術(shù)及 方法，盡管也可以獲得建筑物的幾何數(shù)據(jù)并重建其三維模型，但由于數(shù)據(jù)獲取速度慢、建模 過(guò)程繁瑣等原因，導(dǎo)致傳統(tǒng)測(cè)繪技術(shù)難以滿足大規(guī)模地表場(chǎng)景的快速重建需求。近些年來(lái)， 作為一種新興的主動(dòng)式遙感測(cè)繪技術(shù)，即機(jī)載激光雷達(dá)（Light Detection And Ranging， LIDAR)得到了快速的發(fā)展和廣泛的應(yīng)用，其能夠快速、準(zhǔn)確地獲取了地表建筑物的三維點(diǎn) 云數(shù)據(jù)。如何從這些LIDAR點(diǎn)云數(shù)據(jù)中準(zhǔn)確分割出建筑物的頂面信息是實(shí)現(xiàn)建筑物模型自 動(dòng)重建的必要前提和關(guān)鍵環(huán)節(jié)。目前已有多種基于不同技術(shù)思想的建筑物頂面提取方法。
[0003] 第一類是基于屬性聚類的建筑物頂面提取技術(shù)。通常，該類技術(shù)首先根據(jù)采樣 點(diǎn)的鄰域估算出每個(gè)采樣點(diǎn)的微分幾何屬性，例如法向、曲率等；然后借助K-means聚類 算法（參見：Sampath A, Shan J. Segmentation and reconstruction of polyhedral building roofs from aerial lidar point clouds[J], IEEE Transactions on Geoscience and Remote Sensing, 2010, 48 (3) :1554-1567)或者 K-plane 聚類算法（如徐 立軍等人發(fā)明的"一種基于K-plane算法的建筑物頂面點(diǎn)云數(shù)據(jù)分割方法"，專利申請(qǐng)?zhí)枮?201210478659. 9)從Lidar點(diǎn)云中分割得到建筑物頂面。不難發(fā)現(xiàn)，這類方法的分割結(jié)果直 接受到微分幾何屬性計(jì)算準(zhǔn)確性的影響。然而，在實(shí)際中，準(zhǔn)確計(jì)算每個(gè)采樣點(diǎn)的微分幾何 屬性是件困難的事情。當(dāng)鄰域選擇較小時(shí)，領(lǐng)域內(nèi)采樣點(diǎn)數(shù)目較少，微分幾何屬性的計(jì)算結(jié) 果受測(cè)量誤差影響較大；相反，當(dāng)鄰域選擇較大時(shí)，領(lǐng)域內(nèi)采樣點(diǎn)數(shù)目較多，微分幾何屬性 則難以反映真實(shí)的局部細(xì)節(jié)特征。此外，該類方法在進(jìn)行K-means聚類時(shí)，如何設(shè)置初始的 K值也是一個(gè)復(fù)雜的問(wèn)題。
[0004] 第二類是基于區(qū)域生長(zhǎng)算法的建筑物頂面提取技術(shù)。該類技術(shù)同樣需要先根據(jù) 領(lǐng)域估算出每個(gè)采樣點(diǎn)的法向、曲率（或者梯度、高程差，等）等微分幾何屬性；然后，選 擇曲率最小的采樣點(diǎn)作為初始種子點(diǎn)，以法向和曲率的變化大小為生長(zhǎng)約束條件，通過(guò)向 外不斷生長(zhǎng)將法向方向基本一致的采樣點(diǎn)合并到一起并組成一個(gè)建筑物頂面（參見：于 海洋、余鵬磊、謝秋平等，機(jī)載LiDAR數(shù)據(jù)建筑物頂面點(diǎn)云分割方法研究[J].測(cè)繪通報(bào)， 2014?) :20-23)。該類技術(shù)存在與第一類技術(shù)相同的不足，即建筑物屋頂分割的準(zhǔn)確性受 到相關(guān)微分屬相計(jì)算準(zhǔn)確性的直接影響。特別地，這類方法難以準(zhǔn)確地分割頂面交界處的 采樣點(diǎn)，以及面積較小的頂面點(diǎn)。
[0005] 第三類是基于模型匹配的建筑物頂面提取技術(shù)。在這類方法中，最典型為隨機(jī) 抽樣一致（RANSAC)方法（參見：Tarsha_Kurdi F, Landes T, Grussenmeyer P. Extended RANSAC algorithm for automatic detection of building roof planes from LiDAR data[J]· The photogrammetric journal of Finland, 2008, 21(1) :97-109)。對(duì)于包含多 個(gè)頂面，甚至包含噪音點(diǎn)的建筑物L(fēng)idar點(diǎn)云數(shù)據(jù)，該方法通過(guò)迭代判斷能夠的估算出一 個(gè)概率最大的平面參數(shù)模型，并將屬于該模型的采樣點(diǎn)看作是一個(gè)頂面分割出來(lái)。該方法 的不足在于：首先，頂面分割的結(jié)果與分割的順序有關(guān)，對(duì)于結(jié)構(gòu)復(fù)雜的建筑物，可能存在 分割錯(cuò)誤情況，例如將一個(gè)實(shí)際頂面分割成多個(gè)頂面、將多個(gè)實(shí)際頂面分割成一個(gè)頂面等； 其次，當(dāng)Lidar點(diǎn)云中包含采樣點(diǎn)數(shù)量較多時(shí)，算法效率慢。
[0006] 事實(shí)上，大多數(shù)地表建筑物的頂面結(jié)構(gòu)復(fù)雜且多樣，而且Lidar測(cè)量得到的點(diǎn)云 數(shù)據(jù)散亂、無(wú)拓?fù)洹⑸踔链嬖跍y(cè)量誤差和噪音。正因?yàn)榇耍捎猛环N方法、一次性地分割建 筑物頂面難以得到良好的效果。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明要解決的技術(shù)問(wèn)題是提供一種不僅能夠準(zhǔn)確提取面積較大、邊界特征較明 顯的建筑物頂面，而且能夠有效識(shí)別并提取面積較小、夾角較小的細(xì)微建筑物頂面的基于 分類分層的機(jī)載Lidar點(diǎn)云數(shù)據(jù)的建筑物頂面漸進(jìn)提取方法。
[0008] 為解決上述技術(shù)問(wèn)題，本發(fā)明采用如下技術(shù)方案：一種基于分類分層的機(jī)載 Lidar點(diǎn)云建筑物頂面漸進(jìn)提取方法，其特征在于：按以下步驟進(jìn)行，
[0009] 1)、對(duì)建筑物頂面進(jìn)行分類分層，一方面按照頂面面積大小分為"大頂面"和"小頂 面"兩類，另一方面按照頂面間夾角大小將頂面分成粗細(xì)不同的層次；
[0010] 2)、按照從大到小、從粗到細(xì)的漸進(jìn)提取原則，先提取大頂面再提取小頂面，先提 取夾角較大的粗頂面，再提取夾角較小的細(xì)微頂面；同時(shí)，對(duì)不同類型的頂面采取不同的提 取方法；
[0011] 3)、每提取出一類頂面后，從原始建筑物點(diǎn)云數(shù)據(jù)中移除已提取出頂面上的采樣 點(diǎn)，再?gòu)氖Ｓ嗖蓸狱c(diǎn)中提取其它頂面；
[0012] 4)、參數(shù)初始化，輸入點(diǎn)云數(shù)據(jù)空間分布均勻性系數(shù)、建筑物頂面粗糙度系數(shù)以及 點(diǎn)云數(shù)據(jù)采樣密度，自動(dòng)計(jì)算并設(shè)置方法所需的相關(guān)參數(shù)初始值；
[0013] 5)、查找采樣點(diǎn)的k_領(lǐng)域，并估算其法向和曲率：對(duì)建筑物原始點(diǎn)云數(shù)據(jù)中的任 一采樣點(diǎn)，借助K-D樹數(shù)據(jù)結(jié)構(gòu)查找與其距離最鄰近的k個(gè)采樣點(diǎn)，并構(gòu)成其k_領(lǐng)域；對(duì) k_領(lǐng)域的采樣點(diǎn)集合進(jìn)行主成分分析，估算出該采樣點(diǎn)的曲率和法向；
[0014] 6)、初步分割建筑物原始點(diǎn)云，并生成初始頂面集合：設(shè)置法向和曲率為約束條 件，選擇原始點(diǎn)云數(shù)據(jù)中還未分割、且曲率最小的采樣點(diǎn)為初始種子點(diǎn)，借助區(qū)域增長(zhǎng)算法 將原始建筑物點(diǎn)云分割成若干初始頂面集合；
[0015] 7)、選擇面積較大的初始大頂面，評(píng)價(jià)其共面性，并估算其平面方程模型：從初始 頂面集合中選取包含采樣點(diǎn)較多的初始大頂面，并取出其采樣點(diǎn)集合；對(duì)該初始頂面的采 樣點(diǎn)集合進(jìn)行主成分分析，計(jì)算出最小特征值及其對(duì)應(yīng)的特征向量；根據(jù)最小特征值評(píng)價(jià) 該初始大頂面的共面性；根據(jù)最小特征值對(duì)應(yīng)的特征向量和采樣點(diǎn)集合的幾何中心點(diǎn)得出 該初始大頂面的平面方程模型；
[0016] 8)、選擇共面性良好的初始大頂面，并提取其精確頂面：選擇共面性滿足要求的初 始大頂面，取出其平面方程模型；以采樣點(diǎn)到平面方程的距離為約束條件，以該初始大頂面 的已有采樣點(diǎn)為初始種子點(diǎn)，借助基于距離的區(qū)域增長(zhǎng)算法，提取出該初始頂面對(duì)應(yīng)的精 確頂面；
[0017] 9)、檢測(cè)精確頂面的共面性和連接性，合并屬于同一實(shí)際頂面的精確頂面：將新提 取出的精確頂面與已提取出的精確頂面進(jìn)行逐一比較，若新頂面與某個(gè)已有頂面的法向相 近、且采樣點(diǎn)交集不為空，則認(rèn)為新頂面與該已有頂定屬于建筑物的同一實(shí)際頂面，并將 新頂面的采樣點(diǎn)合并到該已有頂面的采樣點(diǎn)集合中；否則，將新頂面添加到精確頂面集合 中；
[0018] 10)、提高共面性判斷條件，迭代提取夾角更小的精確頂面：通過(guò)循環(huán)執(zhí)行步驟 6)、7)、8)對(duì)本次生成的初始頂面處理完成后，若存在共面性不滿足要求的初始大頂面，則 提高共面點(diǎn)法向和曲率的判斷條件，跳轉(zhuǎn)到步驟5)重新對(duì)剩余采樣點(diǎn)進(jìn)行初步分割，并按 照步驟6)、7)、8)繼續(xù)提取夾角更小的精確頂面，直到不再出現(xiàn)共面性不滿足要求的初始 大頂面；
[0019] 11)、對(duì)剩余采樣點(diǎn)進(jìn)行聚類分析，將其分割成多簇：從建筑物原始點(diǎn)云中移除已 經(jīng)提取出的精確大頂面上的點(diǎn)；以兩點(diǎn)間的歐式距離為依據(jù)，對(duì)剩余采樣點(diǎn)進(jìn)行聚類分析， 并將其分割成不同位置的多個(gè)簇；將每一簇看作是屬于一個(gè)小頂面或多個(gè)相鄰小頂面上的 采樣點(diǎn)集合；
[0020] 12)、迭代執(zhí)行隨機(jī)抽樣一致性算法，從每簇中依次提取出其包含的精確小頂面： 對(duì)任意一簇采樣點(diǎn)集合，迭代執(zhí)行隨機(jī)抽樣一致性算法，并從大到小依次提取出其中包含 的精確小頂面。
[0021] 進(jìn)一步地，根據(jù)前述方法的具體提取和計(jì)算過(guò)程如下，
[0022] 1)、輸入Lidar點(diǎn)云數(shù)據(jù)相關(guān)屬性值，自動(dòng)計(jì)算并設(shè)置參數(shù)初始值：
[0023] 輸入Lidar點(diǎn)云數(shù)據(jù)的相關(guān)屬性值，包括：采樣點(diǎn)空間分布均勻性 系數(shù)Ic1、建筑物頂面粗糙度系數(shù)k 2、以及點(diǎn)云數(shù)據(jù)采樣密度density ;根據(jù)公式
自動(dòng)計(jì)算并初始化領(lǐng)域大小k的值；根據(jù)公式kd= k2*(l/ (2*density1/2))計(jì)算出共面點(diǎn)距離閾值kd;根據(jù)k值設(shè)置大小頂面判斷閾值k s= k ;自動(dòng) 為共面點(diǎn)法向閾值kn和共面點(diǎn)曲率閾值k。設(shè)置一個(gè)較大的初始值；
[0024] 2)、查找采樣點(diǎn)k-領(lǐng)域，并