CN111354083A - 一种基于原始激光点云的递进式建筑物提取方法 - Google Patents

Abstract

本发明公开了一种基于原始激光点云的递进式建筑物提取方法，包括以下步骤：步骤1：对原始激光点云采用渐进数学形态学滤波，分离非地面点；步骤2：采用改进的3D‑Hough转换算法检测非地面点中的平面，并以该平面提取建筑物点云，并将其投影至二维平面；步骤3：采用相邻点方位角阈值法来确定所述建筑物点云的关键点；步骤4：基于所述建筑物点云的关键点，利用RANSAC拟合得到建筑物的初始轮廓线；步骤5：利用规则化算法对所述建筑物初始轮廓线进行规则化，得到规则化的建筑物轮廓线。本发明提供了一整套完整的从原始点云到建筑轮廓线的提取流程，可以直接从获取的激光雷达点云数据开始处理，能够依据需求调整所提取的点云类型、范围和精度。

Description

一种基于原始激光点云的递进式建筑物提取方法

技术领域

本发明涉及地理信息技术领域，具体涉及一种基于原始激光点云的递进式建筑物提取方法。

背景技术

作为构筑城市主体的建筑物是城市三维建模的重要元素，而建筑物轮廓线的提取则是三维建模中的关键步骤,建筑物轮廓信息对违章建筑的监管、地图的更新、房地产评估、智慧城市的构建等也具有重要意义。目前针对建筑物轮廓线的提取和规则化，主要有基于高分辨率遥感影像、机载激光雷达(LiDAR)数据和两者相结合的方法。传统的单纯基于影像的建筑物轮廓提取往往会受到各种地面物体的干扰，技术难度大，且效率不高。因此许多学者采用高分辨率影像与激光雷达点云数据相结合的方法来提取建筑物轮廓，如采用将高分辨率卫星影像与机载激光扫描数据相结合生成城市地表数字高程模型(DEM)的方法和基于图割算法的建筑物LIDAR点云与正射影像融合提取方法。虽然上述将两种数据结合以提取建筑物轮廓的方法可以弥补单一数据源的缺陷且提取效果较好，但需要处理的数据和工作量也会大大增加，且现有的研究集中于对建筑物地块的提取，而对其具体轮廓线的研究则较少。因此如何高精度、自动化地从LIDAR点云数据中提取建筑物轮廓信息是需要研究的重点。

机载激光雷达(LiDAR，Light Detection And Ranging)系统通过发射和接收激光脉冲能直接快速得到地表密集的高精度3维点坐标被称为机载LiDAR点云数据。而要从LiDAR点云中提取出建筑物轮廓，就需要先进地面点与非地面点的分离，并从非地面点中分类出建筑物点云。目前常用用于建筑物提取的点云分割和分类方法包括区域生长算法、三维Hough变换和RANSAC算法。针对提取出的建筑物点云，该过程通常分成轮廓点提取、轮廓线简化、轮廓线规则化三部分。国内外针对这三部分提出了新的解决方案：通过使用点对点距离阈值的方法检测建筑物边缘点，使用新的跟踪算法将边界分为若干段，最后使用了一种改进的角线提取算法，并根据建筑物的主方向自动调整提取的直线。使用一种基于边缘与局部信息提出一种处理多波段图像的活动轮廓模型，并将其应用于LiDAR数据的建筑物边界提取。利用一种新的α-shape提取算法来提取建筑物边界，对提取的边界采用一种改进的边界简化算法，最后根据两种正则化算法，使细化后的边界正则化。现有的基于LiDAR的建筑物轮廓线提取研究使用的都是已经分离出的建筑物点云，而对从原始的机载LiDAR点云数据中获取规则化建筑物轮廓线的整体流程研究较少，且目前建筑物的轮廓线提取实验数据多来源于大中城市，缺少对中小城镇建筑物的实际应用。

发明内容

本发明的目的在于提供一种基于原始激光点云的递进式建筑物提取方法，解决现有的建筑物轮廓提取方法效率低的问题。

为解决上述的技术问题，本发明采用以下技术方案：

一种基于原始激光点云的递进式建筑物提取方法，包括以下步骤：

步骤1：对原始激光点云采用渐进数学形态学滤波，分离非地面点；

步骤2：采用改进的3D-Hough转换算法检测非地面点中的平面，并以该平面提取建筑物点云，并将其投影至二维平面；

步骤3：采用相邻点方位角阈值法来确定所述建筑物点云的关键点；

步骤4：基于所述建筑物点云的关键点，利用RANSAC拟合得到建筑物的初始轮廓线；

步骤5：利用规则化算法对所述建筑物初始轮廓线进行规则化，得到规则化的建筑物轮廓线。

作为优选，所述步骤1中对原始激光点云采用逐步调整滤波窗口大小的渐进数学形态学滤波，并在执行逐渐增大的滤波窗口的开操作过程中逐步移除地表地物测量值并替换为结构元中的最小高程。

作为优选，所述步骤2中采用改进的3D-Hough转换算法提取建筑物点云的具体方法是：

21)将三维笛卡尔坐标系OXYZ中的一个平面由该平面的法向量n在xoy平面上的投影与x轴正向的夹角θ，n和xoy平面的夹角φ，原点至平面的距离ρ来唯一地确定一个平面；

22)在三维参数坐标Oθφρ中，将原坐标系中的平面以点的形式表达在该坐标系中；

23)在三维点云中经过一个点P的平面有无数多个，若θ和φ确定，则ρ确定，此时的(θ,φ,ρ)在三维坐标空间Oθφρ中组成一个曲面，若存在N个点，则存在N个曲面，处于曲面间相交峰值的(θ,φ,ρ)即认为是激光类雷达点云中存在的平面；然后对存在的(θ_n,φ_n,ρ_n)在累加器中进行累加；

24)最终在累加器累加结果中，局部的峰值点即可代表点云中存在的平面，根据平面面积阈值判定该平面是否为建筑物平面或是其他非地面物体；

25)将OXYZ空间中的三维点云投影至OXY二维平面中。

作为优选，所述步骤3中采用相邻点方位角阈值法来确定所述建筑物点云的关键点的具体方法是：

31)将相邻的第一个和第二个边缘点连接，并计算该线段的方位角，预先设定好相邻点位的垂直距离阈值，以此来确定方位角的变化范围；

32)若第一个点与第三个点的连线的方位角不在上述变化范围以内，那么第二个点可视为关键点，连接第二个点与第三个点，重复上述步骤判断第三个点是否为关键点；

33)若第一个点与第三个点的连线的方位角在上述变化范围以内，那么第二个点不是关键点，连接第一个点与第三个点，重复上述步骤判断第三个点是否为关键点；

34)重复上述循环直至判断完所有边缘点。

作为优选，所述步骤4中利用RANSAC拟合得到建筑物的初始轮廓线的具体方法是：

41)由得到的关键点确定轮廓线的段数及每段的边缘点；

42)随机从一段边缘点的点集中抽出4个不共线样本数据，计算出变换矩阵H，记为模型M；

43)计算该段边缘点的点集中所有数据与模型M的误差的均值，若误差小于阈值，加入内点集I；

44)如果当前内点集I元素个数大于最优内点集I_best，则更新I_best＝I，同时更新迭代次数k；如果迭代次数大于k,则退出；否则迭代次数加1，并重复上述步骤。

作为优选，所述步骤5中利用规则化算法对所述建筑物初始轮廓线进行规则化的具体方法是：

51)首先确定最长的一条建筑物轮廓线，以此作为起始正方向，并将其编号为1；

52)按顺时针将剩下的轮廓线进行编号，编号为奇数的划为正方向，而编号为偶数的则为负方向；

53)分别计算完正负加权平均方向D，D_{_}；

54)令正负加权平均方向互相垂直；

55)将拟合的轮廓线分别绕其中点旋转至正确的方向。

与现有技术相比，本发明的有益效果是：

本发明提供了一整套完整的从原始点云到建筑轮廓线的提取流程，可以直接从获取的激光雷达点云数据开始处理，能够依据需求调整所提取的点云类型、范围和精度；采用多种改进和创新的算法，如改进的3D-Hough转换(3D-Hough Transform)和关键点提取算法，提高了提取过程的效率和建筑物轮廓线的精度；对相邻边垂直的规则化建筑物提取效果较好。

附图说明

图1为本发明中基于原始点云数据的建筑物轮廓自动提取流程图。

图2为本发明实施例数据范围地面点与非地面点分离效果图。

图3为本发明实施例数据范围建筑物点云提取效果图。

图4为本发明提取关键点算法原理示意图。

图5为本发明实施例结果与遥感影像轮廓对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本实施例将以云南省建水县的建成区为研究对象，无人机机载LiDAR点云采集M600Pro+Rigel扫描系统对该区域进行数据采集，获取目标区域地表的原始点云数据。本发明提供一种基于倾斜摄影及激光点云的建筑物提取方法，包括以下步骤：

步骤1，对原始激光点云采用渐进的数学形态学滤波，分离非地面点；

步骤2，采用改进的3D-Hough转换检测非地面点中的平面，并以此提取建筑物点云，并将其投影至二维平面；

步骤3，采用相邻点方位角阈值法来确定建筑物点云的关键点；

步骤4，基于上述关键点，利用RANSAC算法拟合得到建筑物的初始轮廓线；

步骤5，利用规则化算法对建筑物初始轮廓线进行规则化，得到规则化的建筑物轮廓线。

上述的渐进的形态学滤波通过对激光点云数据执行一个具有逐渐增大的滤波窗口的开操作，可以从激光雷达数据集中移除不同大小的建筑物、树木、电线杆等突出于地面的目标，从而得到一个相对光滑的地形表面，即在滤波窗口(结构元)逐渐增大的过程中按大小逐步移除地表地物测量值并替换为结构元中的最小高程。但是在进行开操作时，往往会产生低于地形测量值的表面，从而导致不正确地移除高地势顶部的测量值。可知建筑物在其边缘存在着不连续的高程突变，而地形则表现为连续，因此可根据高差阈值进一步判断：

ΔH_p＝|H_p-H′_p| (1)

建筑：ΔH_p＞H_pt (2)

地面：ΔH_p≤H_pt (3)

其中H_p是点p在滤波过程前的高程，而H′_p是点p滤波后的高程，H_pt是预先设定的高差阈值。该区域的滤波分离效果如附图2所示，灰色部分为地面点，其他为非地面点，这里根据该地区建筑物的最低高程作为高差阈值，以保证建筑物点云能够全部保留下来，而滤波窗口的变化可由线性方程：

w_k＝2kb+1 (4)

其中b为初始窗口大小，k为逐渐增大的整数。这样增大窗口能够保证滤波窗口围绕中心点相互对称，简化开运算。

步骤2中采用改进的3D-Hough转换检测非地面点中的平面：

21)将三维笛卡尔坐标系(OXYZ)中的一个平面由该平面的法向量n在xoy平面上的投影与x轴正向的夹角θ，n和xoy平面的夹角φ，原点至平面的距离ρ来唯一地确定一个平面；采用下式来表达平面特征：

22)在三维参数坐标

中，将原坐标系中的平面以点的形式表达在该坐标系中；

23)在三维点云中经过一个点P的平面有无数多个，若θ和

确定，那么ρ也可确定，此时的

可在三维坐标空间

中组成一个曲面，若存在N个点，那么便存在N个曲面，处于曲面间相交峰值的

即可认为是激光类雷达点云中存在的平面。

而在实际操作中，为提高算法的速度和效率，将θ和

的变化范围离散划分，n_θ和

分别表示它们划分的段数，对存在的

在累加器中进行累加，这个过程也叫做投票。这样点云中的一个点的平面数量被限制在了

个，即对于每一个点都需要寻找满足式的

个平面，投票

次，若总共有N个点，即共需投票

次，最终在累加器累加结果中，局部的峰值点即可代表点云中存在的平面

24)最终在累加器累加结果中，局部的峰值点即可代表点云中存在的平面，根据平面面积阈值判定该平面是否为建筑物平面或是其他非地面物体，本实施例中取面积阈值为最小屋顶面积6㎡，最终建筑物点云提取结果如附图3所示，其中灰色部分为建筑物点云，黑色部分为地面的非建筑物点云；

25)将OXYZ空间中的三维点云投影至OXY二维平面中。

步骤3中，采用相邻点方位角阈值法来确定建筑物点云的关键点：

31)参考附图4所示，相邻的建筑边缘点P₁，P₂，P₃，P₄，从P₁开始连接P₁和P₂，其中β₁₂是线P₁-P₂的方位角,d是一个预先设定好的常数，是P₁-P₂的垂直距离阈值，本实施例中d取1m，

32)令β＝β₁₃，β_a＝β12-Δβ12，βb＝β12+Δβ12。若

那么点P₂为关键点，连接P₂-P₃，构成β₂₃，此时β＝β₂₄，β_a＝β₂₃-αβ₂₃，β_b＝β₂₃-Δβ₂₃，重复上述步骤判断点P₃是否为关键点；

33)若β∈(β_a，β_b)，那么P₂不是关键点，连接P₁-P₃，构成构成β₁₃，此时β＝β₁₄，β_a＝β₁₃-Δβ₁₃，β_b＝β₁₃-Δβ₁₃，重复上述步骤判断P₃是否为关键点。

34)在判断完所有边缘点之前，重复上述循环。N为边缘点的该算法可表示为：

n＝1；m＝2；x＝1；y＝3；β_a；β_b；

Define()

{β_a＝β_nm-Δβ_nm；β_b＝β_nm+Δβ_nm；Returnβ＝β_xy；}

Function(β){

If

{P_n+1 is the key point；n＝n+1；m＝m+1；x＝x+1；y＝y+1；Function(Define())；}

Else Ifβ∈(β_a，β_b)and m≤N+1{P_n+1 is not the key point；m＝m+1；

y＝y+1；Function(Define())；}

}

步骤4采用RANSAC算法拟合轮廓线：由得到的关键点确定轮廓线的段数及每段的边缘点；随机从一段边缘点点集中抽出4个不共线样本数据，计算出变换矩阵H，记为模型M；计算该段边缘点点集中所有数据与模型M的误差的均值，若误差小于阈值，加入内点集I；如果当前内点集I元素个数大于最优内点集I_best，则更新I_best＝I，同时更新迭代次数k；如果迭代次数大于k,则退出；否则迭代次数加1，并重复上述步骤，找出I_best最大时的最优模型即可。

步骤5中基于长度加权方向算法的轮廓线规则化：

51)首先确定最长的一条建筑物轮廓线，以此作为起始正方向，并将其编号为1；

52)按顺时针将剩下的轮廓线进行编号，编号为奇数的划为正方向，而编号为偶数的则为负方向；

53)计算完正负加权平均方向D，D_-，采用如下公式计算：

式中D为加权平均方向，l_i是第i个方向轮廓线的长度，L为方向轮廓的长度和，d_i是第i个方向轮廓线的方向；

54)令正负加权平均方向互相垂直，使它们与X轴的夹角满足如下关系：

α＝σ₁+σ₂-90 (8)

式中σ₁和σ₂分别为加权正方向与加权负方向在平面坐标系中与X轴的夹角，α为正负方向的总的改正值，l和l_-为正负方向轮廓线的长度，L为所有轮廓线的长度；

55)将拟合的轮廓线分别绕其中点旋转至正确的方向。

规则化的建筑物轮廓结果如附图5所示，为验证该从原始点云数据中提取建筑物轮廓线方法的有效性和正确性，根据该区域高清卫星影像数据提取两座建筑物的真实轮廓，利用平均轮廓线角度差、平均轮廓区域面积差和平均轮廓线长度差来定量分析该结果的误差。由对比图可知，经上述算法得到的计算轮廓线与影像轮廓线大致重合，且长边较短边的轮廓计算更为准确。为更准确地表达结果的精度，使用3个量来反应实际轮廓线与计算轮廓线之间的误差，平均轮廓线角度差是二者各边角度差的平均值，平均轮廓区域面积差是二者所围区域面积之差除以边数的值，平均轮廓线长度差是二者各边长度差的平均值，最终结果显示使用该方法提取的建筑物轮廓线角度平均误差每边在1°以内，面积平均误差约每边4.09m²，长度平均误差约每边0.38m，表明从原始点云数据中提取建筑物轮廓线的方法能够较准确有效地提取建筑物轮廓且精度较高。

在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”、“优选实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (6)

1.一种基于原始激光点云的递进式建筑物提取方法，其特征在于：包括以下步骤：

步骤1：对原始激光点云采用渐进数学形态学滤波，分离非地面点；

步骤2：采用改进的3D-Hough转换算法检测非地面点中的平面，并以该平面提取建筑物点云，并将其投影至二维平面；

步骤3：采用相邻点方位角阈值法来确定所述建筑物点云的关键点；

步骤4：基于所述建筑物点云的关键点，利用RANSAC拟合得到建筑物的初始轮廓线；

步骤5：利用规则化算法对所述建筑物初始轮廓线进行规则化，得到规则化的建筑物轮廓线。

2.根据权利要求1所述的基于原始激光点云的递进式建筑物提取方法，其特征在于：所述步骤1中对原始激光点云采用逐步调整滤波窗口大小的渐进数学形态学滤波，并在执行逐渐增大的滤波窗口的开操作过程中逐步移除地表地物测量值并替换为结构元中的最小高程。

3.根据权利要求1所述的基于原始激光点云的递进式建筑物提取方法，其特征在于：所述步骤2中采用改进的3D-Hough转换算法提取建筑物点云的具体方法是：

21)将三维笛卡尔坐标系OXYZ中的一个平面由该平面的法向量n在xoy平面上的投影与x轴正向的夹角θ，n和xoy平面的夹角φ，原点至平面的距离ρ来唯一地确定一个平面；

22)在三维参数坐标Oθφρ中，将原坐标系中的平面以点的形式表达在该坐标系中；

23)在三维点云中经过一个点P的平面有无数多个，若θ和φ确定，则ρ确定，此时的(θ,φ,ρ)在三维坐标空间Oθφρ中组成一个曲面，若存在N个点，则存在N个曲面，处于曲面间相交峰值的(θ,φ,ρ)即认为是激光类雷达点云中存在的平面；然后对存在的(θ_n,φ_n,ρ_n)在累加器中进行累加；

24)最终在累加器累加结果中，局部的峰值点即代表点云中存在的平面，根据平面面积阈值判定该平面是否为建筑物平面或是其他非地面物体；

25)将OXYZ空间中的三维点云投影至OXY二维平面中。

4.根据权利要求1所述的基于原始激光点云的递进式建筑物提取方法，其特征在于：所述步骤3中采用相邻点方位角阈值法来确定所述建筑物点云的关键点的具体方法是：

31)将相邻的第一个和第二个边缘点连接，并计算该线段的方位角，预先设定好相邻点位的垂直距离阈值，以此来确定方位角的变化范围；

32)若第一个点与第三个点的连线的方位角不在上述变化范围以内，那么第二个点可视为关键点，连接第二个点与第三个点，重复上述步骤判断第三个点是否为关键点；

33)若第一个点与第三个点的连线的方位角在上述变化范围以内，那么第二个点不是关键点，连接第一个点与第三个点，重复上述步骤判断第三个点是否为关键点；

34)重复上述循环直至判断完所有边缘点。

5.根据权利要求1所述的基于原始激光点云的递进式建筑物提取方法，其特征在于：所述步骤4中利用RANSAC拟合得到建筑物的初始轮廓线的具体方法是：

41)由得到的关键点确定轮廓线的段数及每段的边缘点；

42)随机从一段边缘点的点集中抽出4个不共线样本数据，计算出变换矩阵H，记为模型M；

43)计算该段边缘点的点集中所有数据与模型M的误差的均值，若误差小于阈值，加入内点集I；

44)如果当前内点集I元素个数大于最优内点集I_best，则更新I_best＝I，同时更新迭代次数k；如果迭代次数大于k,则退出；否则迭代次数加1，并重复上述步骤。

6.根据权利要求1所述的基于原始激光点云的递进式建筑物提取方法，其特征在于：所述步骤5中利用规则化算法对所述建筑物初始轮廓线进行规则化的具体方法是：

51)首先确定最长的一条建筑物轮廓线，以此作为起始正方向，并将其编号为1；

52)按顺时针将剩下的轮廓线进行编号，编号为奇数的划为正方向，而编号为偶数的则为负方向；

53)分别计算完正负加权平均方向D，D_-；

54)令正负加权平均方向互相垂直；

55)将拟合的轮廓线分别绕其中点旋转至正确的方向。

Images