一种基于多维特征的激光点云建筑物轮廓渐进优化方法与流程

1.本发明地理属于激光雷达数据处理技术领域，激光扫描数据处理技术领域，具体涉及一种基于多维特征的激光点云建筑物轮廓渐进优化方法。


背景技术：

2.随着“智慧城市”和“数字孪生”等新技术的不断发展，建筑物轮廓快速准确的提取成为研究热点。机载激光雷达lidar技术可快速获取地表的高精度三维点云数据，同时可以准确获取地物间的几何拓扑关系，是一种经济可靠的地表三维空间数据采集技术，目前已经成为城市三维建筑物模型获取的一种重要手段，具有广阔的应用前景。因此，研究如何快速准确地从lidar点云数据中提取出建筑物具有重要的现实意义。
3.基于原始点云进行建筑物轮廓提取研究主要集中在如何快速准确地进行不同高度和不同结构复杂度的建筑物点云识别，同时避免树木点云等的干扰。
4.目前建筑物轮廓提取多是仅依靠点云的高度差、投影密度、法向量、曲率等空间几何特征的一种或者几种的结合进行分割，然后聚类得到建筑物顶面点云，但提取过程中容易存在低矮建筑物漏检、建筑物顶面或者立面点云部分缺失、临近建筑与树木错分等问题。另外还可以将点云信息转换为图像，而后利用图像处理算法进行轮廓提取，则又存在格网分辨率尺度难以确定和边界位置提取不准确等问题。综上所述，目前利用原始点云快速提取建筑物lod1(levels of detai l)级别三维模型的方法还存在很多急需解决的问题。
5.申请号为202210672480.0的中国专利公开了一种基于机载激光点云的城市建筑物属性提取方法，该方法主要是通过分别计算每个非地面激光点的几何特征、高度特征、属性特征并利用随机森林分类器将非地面点云逐点标记为建筑物点、植被点；然后给定三维距离阈值、高度距离阈值、强度差异阈值对标记为建筑物的激光点进行区域生长并得到多个建筑物点云聚类；对每个建筑物点云聚类经过平面拟合得到建筑物结构高度以及建筑物结构的轮廓信息。这种方法一方面用到了随机森林分类器对非地面点云逐点标记，在标记的过程中需要人工干预，大大降低了处理效率，同时也增加了人为干扰的因素；另一方面这种方法得到的是建筑物类别完整点云，而在仅需提取lod1建筑轮廓的需求下，势必会造成数据的冗余，降低后续聚类和轮廓提取的算法效率。


技术实现要素：

6.本发明的目的是针对上述现有技术的不足，而提供一种基于多维特征的激光点云建筑物轮廓渐进优化方法，以解决现有方法数据处理效率低及提取精确差的问题。
7.为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于多维特征的激光点云建筑物轮廓渐进优化方法，该方法包括如下步骤：
8.(1)分离非立面点云：对原始机载lidar点云数据进行滤波，将地面点与非地面点进行分离，从而得到非地面点的点云；
9.(2)预处理：计算非地面点云中各点的相对高度，将相对高度小于设定高程阈值的
点进行剔除；
10.(3)粗分割：计算剔除处理后的非地面点云中各点的法向量nz，利用法向量阈值进行建筑物立面点云和顶面点云的初步分割，从而实现建筑物立面点云和顶面点云的粗分割；
11.(4)立面点云精细化提取：对粗分割后的建筑物立面点云进行xoy面的二维投影，以对应投影点为圆心、r2为半径来确定投影范围，计算各点的投影密度，同时在各点的投影范围内计算点云的高差，从而得到每个点的密度和高差值，再利用密度阈值和高差阈值进行立面点云的精细化提取以剔除树木点云干扰；
12.(5)顶面点云聚类：在对建筑物立面点云精细提取的同时，首先对顶面点云进行滤波去噪，然后再对处理后的顶面点云中的每个点进行聚类，以得到多个聚类对象；
13.(6)顶面点云精细化提取：计算顶面点云中各点的平整度planarity以及该顶面点云在xoy面上的聚类对象的投影面积，利用投影面积阈值和平整度阈值以及平整度点云数目占比阈值进行顶面点云的精细化提取，剔除不符合条件的聚类对象，从而得到不包含其他类别干扰的建筑物的顶面点云；
14.(7)顶面点云补齐：对精细化处理后的顶面点云的边界点进行提取，再在顶面点云边界点附近进行建筑物立面点的搜索，并将搜索到的立面点合并到顶面点云中，从而完成完整建筑顶面和部分侧面的点云的提取；
15.(8)建筑物轮廓提取：对上一步骤得到的点云进行xoy面的二维投影，然后利用alpha-shape方法进行边界点提取并合并，再利用ransac方法进行直线拟合以及规则化和合并处理，最终得到建筑物的二维轮廓。
16.在本发明另一个实施例中，所述步骤(3)中计算各点的法向量时选取的计算半径为r1，r1的值优选为5.2m，法向量阈值包括高限值和低限值，其中低限值优选-0.3，高限值优选0.3，即法向量符合-0.3《nz《0.3的点为立面点，否则即为顶面点。
17.在本发明另一个实施例中，所述步骤(4)中计算各点的投影密度时是通过建立kd树的方法，r2的值优选为0.1m；投影密度即为投影范围内点的数目，密度阈值优选为3，高差阈值优选为5m，同时满足投影密度》3且高差值》5m的点即为符合条件的立面点，予以保留；不同时满足上述条件的点为干扰点，予以剔除。
18.在本发明另一个实施例中，kd树方法的过程如下：
[0019]ⅰ.计算k维数据集合中每一维度的方差，并从中选取具有最大方差的维度k：
[0020][0021]ⅱ.将维度k上的数据从小到大进行排列，得到数据集合其中nk为维度k上数据的个数，计算维度k上的中值m:
[0022][0023]ⅲ.将阈值设置为上步骤中得到的中值m，得到两个集合k
sub_low
和k
sub_high
，并创建
一个用于存储的树节点，集合满足下式(3)的要求：
[0024][0025]ⅳ.重复上述步骤，直到所有的子集合都不能再进行划分为止；若某子集合不能再进行划分时，将该子集合中的数据保存到没有子节点的叶子节点中。
[0026]
在本发明另一个实施例中，步骤(5)顶面点云聚类方法采用欧式聚类或区域增长聚类方法。
[0027]
在本发明另一个实施例中，欧式聚类的方法如下：对于空间某点p，通过kd树近邻搜索方法找到k个离p点最近的点，这些点中距离小于设定阈值的便聚类到集合q’中,如果q’中元素的数目不再增加，整个聚类过程便结束；否则须在集合q’中选取除p点以外的点重复上述过程，直到q’中元素的数目不再增加为止。
[0028]
在本发明另一个实施例中，所述步骤(6)中投影面积阈值优选30
㎡
，平整度阈值优选0.5，平整度点云数目占比阈值为30％，即同时满足投影面积》30
㎡
且(平整度planarity》0.5的点数占比)》30％的对象即为符合条件的聚类对象，予以保留；不同时满足上述条件的对象为干扰聚类对象，予以剔除。
[0029]
在本发明另一个实施例中，所述步骤(7)中对顶面点云的边界点进行提取时利用alpha-shape方法；进行建筑物立面点搜索是在精细化处理后的立面点云建立kd树，以1m为半径进行顶面点云边界点附近建筑物立面点的搜索来实现的。
[0030]
在本发明另一个实施例中，利用alpha-shape进行边界点提取的方法如下：
[0031]
①
对于任一点p(x，y)，滚动圆半径α，在点云内搜索到距离p点为2α内的所有点的点集q；
[0032]
选取q中一点p1(x1，y1)，根据这两点坐标和半径α计算圆心坐标，其中圆心p2(x2，y2)和p3(x3，y3)为经过p和p1两点且半径为α的分别计算的两种情况的圆心坐标，其坐标公式如下所示：
[0033][0034][0035][0036][0037]
其中s2＝(x-x1)2+(y-y1)2[0038]
②
在q点集中除去p1点后，计算剩余点到p2和p3点的距离。若所有点到这两点的距离都大于半径α，则表明p为边界点；若剩余的点到p2或p3点距离不全都大于α，则遍历点集q内的所有点轮换作为p点，若存在某一点满足以上两个条件，则表明该点为边界点，终止该点的判断，进行下一点的判断，若q中所有临近点均不存在p1这样的点，则表明p为非边界点。
[0039]
在本发明另一个实施例中，利用ransac方法进行直线拟合的方法如下：
[0040]
a.随机选取两个点，由这两个点确定一条直线l；
[0041]
b.设定距离阈值t，确定与直线l的几何距离小于t的数据集s(l)，并称它为直线l的一致集；
[0042]
c.重复若干次随机选择，得到直线l1，l2，...，ln和相应的一致集s(l1)，s(l2)，
…
，s(ln)；
[0043]
d.使用几何距离求最大一致集的最佳拟合直线，作为数据点的最佳匹配直线。
[0044]
本发明的有益效果是：本发明基于多维特征的激光点云建筑物轮廓渐进优化方法采用逐层优化、由粗到精的建筑物轮廓提取，首先将建筑物点云进行分割，分隔为建筑物立面点云(包括树木和建筑围墙等)和顶面点云(包括建筑物顶面和树木等)，然后再根据立面点云和顶面点云各自的特点，分别采用不同的特征对其进行精细化处理，快速准确地进行不同高度和不同结构复杂度的建筑物点云识别，可以在精细化提取轮廓点云的同时消除非建筑类点云的干扰和立面点云缺失的影响，从而大大提高了提高轮廓提取的效率和准确度。
[0045]
另外，该优化方法结合建筑立面点云在xoy面投影密度高和高差大特点提高建筑立面点云的识别精度。
[0046]
其次，在建筑顶面点云聚类过程中引入平整度占比进行聚类对象类别判断，提高建筑顶面点云识别精度。
附图说明
[0047]
图1是本发明基于多维特征的激光点云建筑物轮廓渐进优化方法的流程图；
[0048]
图2是本发明建筑物立面点云和顶面点云的粗分割流程图；
[0049]
图3是本发明建筑物立面点云和顶面点云的精细化及轮廓提取流程图；
[0050]
图4是本发明实施例欧式聚类流程图；
[0051]
图5是本发明实施例alpha-shape方法边界点提取示意图；
[0052]
图6是本发明实施例ransac方法直线拟合过程示意图；
[0053]
图7是本发明实施例原始点云的强度展示图；
[0054]
图8是本发明实施例点云的法向量计算结果高度图；
[0055]
图9是本发明实施例粗分割后建筑物立面点云高度图；
[0056]
图10是本发明实施例粗分割后建筑物顶面点云高度图；
[0057]
图11是本发明实施例建筑物立面点云精细化提取结果图；
[0058]
图12是本发明实施例建筑物顶面点云精细化提取结果图；
[0059]
图13是本发明实施例建筑物补齐立面点后和顶面点合并结果图；
[0060]
图14是本发明实施例基于alpha shapes和ransac的矩形复杂建筑物轮廓提取结果图；
[0061]
图15是本发明实施例基于alpha shapes和ransac的圆形建筑物轮廓提取结果图；
[0062]
图16是本发明实施例基于alpha shapes和ransac的复杂结构建筑物轮廓提取结果图。
具体实施方式
[0063]
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0064]
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0065]
如图1所示为本发明基于多维特征的激光点云建筑物轮廓渐进优化方法的流程图，由图可知，该方法包括如下步骤：
[0066]
(1)分离非立面点云：对原始机载lidar点云数据进行滤波，将地面点与非地面点进行分离，从而得到非地面点的点云；
[0067]
(2)预处理：计算非地面点云中各点的相对高度，将相对高度小于设定高程阈值的点进行剔除；
[0068]
(3)粗分割：计算剔除处理后的非地面点云中各点的法向量nz，利用法向量阈值进行建筑物立面点云和顶面点云的初步分割，从而实现建筑物立面点云和顶面点云的粗分割；
[0069]
(4)立面点云精细化提取：对粗分割后的建筑物立面点云进行xoy面的二维投影，以对应投影点为圆心、r2为半径来确定投影范围，计算各点的投影密度，同时在各点的投影范围内计算点云的高差，从而得到每个点的密度和高差值，再利用密度阈值和高差阈值进行立面点云的精细化提取以剔除树木点云干扰；
[0070]
(5)顶面点云聚类：在对建筑物立面点云精细提取的同时，首先对顶面点云进行滤波去噪，然后再对处理后的顶面点云中的每个点进行聚类，以得到多个聚类对象；
[0071]
(6)顶面点云精细化提取：计算顶面点云中各点的平整度planarity以及该顶面点云在xoy面上的聚类对象的投影面积，利用投影面积阈值和平整度阈值以及平整度点云数目占比阈值进行顶面点云的精细化提取，从而得到不包含其他类别干扰的建筑物的顶面点云；
[0072]
(7)顶面点云补齐：对精细化处理后的顶面点云的边界点进行提取，再在顶面点云边界点附近进行建筑物立面点的搜索，并将搜索到的立面点合并到顶面点云中，从而完成完整建筑顶面和部分侧面的点云的提取；
[0073]
(8)建筑物轮廓提取：对上一步骤得到的点云进行xoy面的二维投影，然后利用alpha-shape方法进行边界点提取并合并，再利用随机采样一致性方法ransac进行直线拟合以及规则化和合并处理，最终得到建筑物的二维轮廓。
[0074]
本发明优化方法主要包括两部分，首先进行建筑物立面点云和顶面点云的粗分割，具体流程图如图2所示，然后对粗分割后的建筑物顶面点云和立面点云进行精细化处理和轮廓提取，具体流程如图3所示。
[0075]
在上述步骤(1)中，对原始机载lidar点云数据进行滤波是从点云中分离出地面点和非地面点，是建筑物提取步骤的重要前提。这里的滤波方法有多种，比如数学形态学滤
波、迭代加密三角网滤波、多尺度虚拟网格滤波等，本实施例优选布料滤波法。如图7所示为本发明实施例原始点云的强度展示图，除建筑物之外，还包含了树木、茂密植被等其他类别的干扰因素。
[0076]
在步骤(2)中，在分离出的非地面点云的基础上进行预处理，剔除一些低矮地物。一般来说，植被、低矮灌木及地面低矮突出物(比如汽车、人群等)等通常高度不会太高，高程大都在3m以下，建筑物与之相比，相对高度较高，因此这里设置高程阈值为3m，可以有效地将这些低矮的地物点去除。
[0077]
在将低矮的地物点去除之后，地物点主要包括建筑物和一些高大的树木等。为了能区别精细化处理建筑物的墙体点和顶面点，提高轮廓提取精确度，并且避免墙体点的缺失，本发明将建筑物点云进行分割，分隔为建筑物立面点云(包括树木和建筑围墙等)和顶面点云(包括建筑物顶面和树木等)，然后再根据立面点云和顶面点云各自的特点，分别采用不同的特征对其进行精细化处理，从而提高提取的准确度。
[0078]
在步骤(3)中，本发明对预处理后的非地面点云进行了粗分割，主要是通过法向量对比的方式进行分割，首先是计算出非地面点云中各点的法向量nz，在计算时选取计算半径r1，这里r1的值优选为5.2m。本实施例中的法向量阈值包括高限值和低限值，其中低限值优选-0.3，高限值优选0.3。将计算出的各点法向量值nz与设定的法向量阈值进行比对，若符合-0.3《nz《0.3，则该点为立面点，否则即为顶面点。如图8所示为本发明实施例建筑物点云的法向量计算结果高度图，图9为粗分割后建筑物立面点云结果高度图，图10是粗分割后建筑物顶面点云结果高度图，此时建筑物的非地面点云被粗分割为两部分，一部分为立面点云(包括树木和建筑围墙等)，一部分为顶面点云(包括建筑物顶面和树木等)。
[0079]
在对顶面点云和立面点云进行粗分割之后，就需要分别对其进行精细化提取。在步骤(4)中，首先进行立面点云的精细化提取，主要是利用投影密度和高差双特征进行判断处理，首先是对粗分割后的建筑物立面点云进行xoy面的二维投影，以对应投影点为圆心、r2为半径来确定投影范围，计算各点的投影密度，即在该半径范围内统计点的数目，本实施例r2的值优选为0.1m。同时在各点的投影半径范围内计算点云的高差，即统计投影半径范围内所有点高程的最大值和最小值，然后计算其差值即为该点的高差。得到每个点的密度和高差值后，再利用密度阈值和高差阈值进行比对。本实施例密度阈值优选为3，高差阈值优选为5m，同时满足投影密度》3且高差值》5m的点即为符合条件的立面点，予以保留；不同时满足上述条件的点则为干扰点，予以剔除。通过上述操作，实现了对立面点云的精细化提取以剔除树木点云的干扰，如图11所示即为本发明实施例建筑物立面点云精细化提取结果图。
[0080]
进一步地，为了提高计算效率，在计算投影密度时本发明采用了kd树的方法，kd树是一棵二叉树，树中存储的是一些k维数据。在一个k维数据集合上构建一棵kd树代表了对该k维数据集合构成的k维空间的一个划分，即树中的每个结点就对应了一个k维的超矩形区域。kd树采用分而治之的思想，即将整个空间划分为几个小部分,是一个递归过程，我们对左子空间和右子空间内的数据重复根节点的过程就可以得到一级子节点，同时将空间和数据集进一步细分，如此往复直到空间中只包含一个数据点。
[0081]
kd树方法的过程如下：
[0082]ⅰ.计算k维数据集合中每一维度的方差，并从中选取具有最大方差的维度k：
[0083][0084]ⅱ.将维度k上的数据从小到大进行排列，得到数据集合其中nk为维度k上数据的个数，计算维度k上的中值m:
[0085][0086]ⅲ.将阈值设置为上步骤中得到的中值m，得到两个集合k
sub_low
和k
sub_high
，并创建一个用于存储的树节点，集合满足下式(3)的要求：
[0087][0088]ⅳ.重复上述步骤，直到所有的子集合都不能再进行划分为止；若某子集合不能再进行划分时，将该子集合中的数据保存到没有子节点的叶子节点中。
[0089]
在建立kd树数据结构后，一般情况下只须在其子节点和父节点中查找邻近点，即可大大减少搜索邻近点所带来的额外计算量，提高搜索效率。
[0090]
在对建筑物立面点云精细提取的同时，可以同时对顶面点云进行处理。在步骤(5)中，首先对顶面点云进行滤波去噪，然后再对处理后的顶面点云中的每个点进行聚类，以得到多个聚类对象。本发明实施例中的聚类方法采用欧式聚类或是区域增长聚类方法。
[0091]
欧式聚类方法是一种基于欧式距离度量的聚类方法。三维空间中，点(x1，y1，z1)与点(x2，y2，z2)之间的欧式距离定义为de，de的计算公式为：基于kd树的最近邻查询法是加速欧式聚类过程的前提，如图4所示为本发明实施例欧式聚类流程图，由图可知，欧式聚类的方法如下：对于空间某点p，通过kd树近邻搜索方法找到k个离p点最近的点，这些点中距离小于设定阈值的便聚类到集合q’中,如果q’中元素的数目不再增加，整个聚类过程便结束；否则须在集合q’中选取除p点以外的点重复上述过程，直到q’中元素的数目不再增加为止。
[0092]
另外，区域增长聚类方法为本领域常规方法，本发明不再赘述。
[0093]
在步骤(6)中，顶面点云聚类之后再进行点云的精细化提取，计算顶面点云中各点的平整度planarity以及该顶面点云在xoy面上的聚类对象的投影面积，本实施例投影面积阈值优选30
㎡
，平整度阈值优选0.5，平整度点云数目占比阈值为30％。将计算所得的各聚类对象的投影面积和平整度planarity与对应的阈值进行对比计算，同时满足投影面积》30
㎡
且(平整度planarity》0.5的点数占比)》30％的对象即为符合条件的聚类对象，予以保留；不同时满足上述条件的点为干扰聚类对象，予以剔除。经过上述精细化提取，得到不包含其他类别干扰的建筑物的顶面点云。如图12所示即为本发明实施例部分建筑物顶面点云精细化提取结果图。
[0094]
本发明点云的平整度计算采用协方差特征来计算，计算方法为本领域的常规技术，本发明不再赘述。
[0095]
另外，在顶面点云精细化提取时，除了采用投影面积和平整度双特征以外，还可以将投影面积替换为点数特征，即聚类对象中点的数量，通过点数和平整度双特征来判断提取，这里的点数阈值为200～300000。
[0096]
顶面点云提出干扰点以后，就可以进行边界点提取，在步骤(7)中，首先对精细化处理后的顶面点云的边界点进行提取，再在顶面点云边界点附近进行建筑物立面点的搜索，并将搜索到的立面点合并到顶面点云中，从而完成完整建筑顶面和部分侧面的点云的提取，如图13所示为本发明实施例建筑物补齐立面点后和顶面点合并结果图。
[0097]
优选地，对顶面点云的边界点进行提取时利用alpha-shape方法，alpha shapes方法是一种简单、有效的快速提取边界点方法，不受点云边界点形状影响，可快速准确提取边界点，其原理如下：对于任意形状的平面点云，若一个半径为α的圆，绕其进行滚动。若滚动圆半径α足够小时，则点云中每一点均为边界点；若适当增大到一定程度，其只在边界点上进行滚动，其滚动的轨迹为点云边界。如图5所示为本发明实施例alpha shapes方法边界点提取示意图，利用alpha-shape进行边界点提取的方法如下：
[0098]
①
对于任一点p(x，y)，滚动圆半径α，在点云内搜索到距离p点为2α内的所有点的点集q；
[0099]
选取q中一点p1(x1，y1)，根据这两点坐标和半径α计算圆心坐标，其中圆心p29x2，y2)和p3(x3，y3)为经过p和p1两点且半径为α的分别计算的两种情况的圆心坐标，其坐标公式如下所示：
[0100][0101][0102][0103][0104]
其中s2＝(x-x1)2+(y-y1)2[0105]
②
在q点集中除去p1点后，计算剩余点到p2和p3点的距离。若所有点到这两点的距离都大于半径α，则表明p为边界点；若剩余的点到p2或p3点距离不全都大于α，则遍历点集q内的所有点轮换作为p点，若存在某一点满足以上两个条件，则表明该点为边界点，终止该点的判断，进行下一点的判断，若q中所有临近点均不存在p1这样的点，则表明p为非边界点。
[0106]
进一步地，为了提高搜索效率，进行建筑物立面点搜索是在精细化处理后的立面点云建立kd树，以1m为半径进行顶面点云边界点附近建筑物立面点的搜索来实现的。
[0107]
在步骤(8)中，在补齐顶面点云后，对补齐后的点云进行xoy面的二维投影，然后利用alpha-shape方法进行边界点提取并合并，再利用ransac方法进行直线拟合以及规则化和合并处理，最终得到建筑物的二维轮廓。如图14-16是本发明实施例基于alpha shapes和ransac的矩形复杂建筑物、圆形建筑物、复杂结构建筑物轮廓提取结果图。
[0108]
ransac方法是利用迭代的方法不断从模型中随机抽取样本集，寻求包含更多支持
内点、更优的模型参数，再用模型的余集来检验抽取出的样本，通过一定次数的迭代，最后当选取出的样本集接近合理解的概率为最大时，即将其当做最接近合理解的样本集，最后用样本余集来支撑得到的参数解的正确性。利用ransac方法进行直线拟合的方法如下：
[0109]
a.随机选取两个点，由这两个点确定一条直线l；
[0110]
b.设定距离阈值t，确定与直线l的几何距离小于t的数据集s(l)，并称它为直线l的一致集；
[0111]
c.重复若干次随机选择，得到直线l1，l2，...，ln和相应的一致集s(l1)，s(l2)，
…
，s(ln)；
[0112]
d.使用几何距离求最大一致集的最佳拟合直线，作为数据点的最佳匹配直线。
[0113]
如图6所示为本发明实施例ransac方法直线拟合过程示意图，首先在点集中随机选择两个点，求解它们构成的直线参数，再计算点集中剩余点到该直线的距离，距离小于设置的距离阈值的点为内点，统计内点个数；接下来再随机选取两个点，同样统计内点个数，以此类推；其中内点个数最多的点集即为最大一致集，最后将该最大一致集里面的点利用最小二乘拟合出一条直线。
[0114]
本发明的建筑物轮廓渐进优化方法可以在有效避免树木点云干扰和立面点云缺失的情况下，快速准确的进行建筑物轮廓的完整提取。
[0115]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均包括在本发明的专利保护范围内。

技术特征：
1.一种基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，该方法包括如下步骤：(1)分离非立面点云：对原始机载lidar点云数据进行滤波，将地面点与非地面点进行分离，从而得到非地面点的点云；(2)预处理：计算非地面点云中各点的相对高度，将相对高度小于设定高程阈值的点进行剔除；(3)粗分割：计算剔除处理后的非地面点云中各点的法向量nz，利用法向量阈值进行建筑物立面点云和顶面点云的初步分割，从而实现建筑物立面点云和顶面点云的粗分割；(4)立面点云精细化提取：对粗分割后的建筑物立面点云进行xoy面的二维投影，以对应投影点为圆心、r2为半径来确定投影范围，计算各点的投影密度，同时在各点的投影范围内计算点云的高差，从而得到每个点的密度和高差值，再利用密度阈值和高差阈值进行立面点云的精细化提取以剔除树木点云干扰；(5)顶面点云聚类：在对建筑物立面点云精细提取的同时，首先对顶面点云进行滤波去噪，然后再对处理后的顶面点云中的每个点进行聚类，以得到多个聚类对象；(6)顶面点云精细化提取：计算顶面点云中各点的平整度planarity以及该顶面点云在xoy面上的聚类对象的投影面积，利用投影面积阈值和平整度阈值以及平整度点云数目占比阈值进行顶面点云的精细化提取，剔除不符合条件的聚类对象，从而得到不包含其他类别干扰的建筑物的顶面点云；(7)顶面点云补齐：对精细化处理后的顶面点云的边界点进行提取，再在顶面点云边界点附近进行建筑物立面点的搜索，并将搜索到的立面点合并到顶面点云中，从而完成完整建筑顶面和部分侧面的点云的提取；(8)建筑物轮廓提取：对上一步骤得到的点云进行xoy面的二维投影，然后利用alpha-shape方法进行边界点提取并合并，再利用ransac方法进行直线拟合以及规则化和合并处理，最终得到建筑物的二维轮廓。2.根据权利要求1所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，所述步骤(3)中计算各点的法向量时选取的计算半径为r1，r1的值优选为5.2m，法向量阈值包括高限值和低限值，其中低限值优选-0.3，高限值优选0.3，即法向量符合-0.3<nz<0.3的点为立面点，否则即为顶面点。3.根据权利要求2所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，所述步骤(4)中计算各点的投影密度时是通过建立kd树的方法，r2的值优选为0.1m；投影密度即为投影范围内点的数目，密度阈值优选为3，高差阈值优选为5m，同时满足投影密度>3且高差值>5m的点即为符合条件的立面点，予以保留；不同时满足上述条件的点为干扰点，予以剔除。4.根据权利要求2或3所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，kd树方法的过程如下：ⅰ.计算k维数据集合中每一维度的方差，并从中选取具有最大方差的维度k：
ⅱ
.将维度k上的数据从小到大进行排列，得到数据集合其中n
k
为维度k上数据的个数，计算维度k上的中值m:ⅲ.将阈值设置为上步骤中得到的中值m，得到两个集合k
sub_low
和k
sub_high
，并创建一个用于存储的树节点，集合满足下式(3)的要求：ⅳ.重复上述步骤，直到所有的子集合都不能再进行划分为止；若某子集合不能再进行划分时，将该子集合中的数据保存到没有子节点的叶子节点中。5.根据权利要求4所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，步骤(5)顶面点云聚类方法采用欧式聚类或区域增长聚类方法。6.根据权利要求5所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，欧式聚类的方法如下：对于空间某点p，通过kd树近邻搜索方法找到k个离p点最近的点，这些点中距离小于设定阈值的便聚类到集合q’中,如果q’中元素的数目不再增加，整个聚类过程便结束；否则须在集合q’中选取除p点以外的点重复上述过程，直到q’中元素的数目不再增加为止。7.根据权利要求6所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，所述步骤(6)中投影面积阈值优选30
㎡
，平整度阈值优选0.5，平整度点云数目占比阈值为30％，即同时满足投影面积>30
㎡
且(平整度planarity>0.5的点数占比)>30％的对象即为符合条件的聚类对象，予以保留；不同时满足上述条件的对象为干扰聚类对象，予以剔除。8.根据权利要求7所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，所述步骤(7)中对顶面点云的边界点进行提取时利用alpha-shape方法；进行建筑物立面点搜索是在精细化处理后的立面点云建立kd树，以1m为半径进行顶面点云边界点附近建筑物立面点的搜索来实现的。9.根据权利要求8所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，利用alpha-shape进行边界点提取的方法如下：
①
对于任一点p(x，y)，滚动圆半径α，在点云内搜索到距离p点为2α内的所有点的点集q；选取q中一点p1(x1，y1)，根据这两点坐标和半径α计算圆心坐标，其中圆心p2(x2，y2)和p3(x3，y3)为经过p和p1两点且半径为α的分别计算的两种情况的圆心坐标，其坐标公式如下所示：示：
其中s2＝(x-x1)2+(y-y1)2②
在q点集中除去p1点后，计算剩余点到p2和p3点的距离。若所有点到这两点的距离都大于半径α，则表明p为边界点；若剩余的点到p2或p3点距离不全都大于α，则遍历点集q内的所有点轮换作为p1点，若存在某一点满足以上两个条件，则表明该点为边界点，终止该点的判断，进行下一点的判断，若q中所有临近点均不存在p1这样的点，则表明p为非边界点。10.根据权利要求9所述的基于多维特征的激光点云建筑物轮廓渐进优化方法，其特征在于，利用ransac方法进行直线拟合的方法如下：a.随机选取两个点，由这两个点确定一条直线l；b.设定距离阈值t，确定与直线l的几何距离小于t的数据集s(l)，并称它为直线l的一致集；c.重复若干次随机选择，得到直线l1，l2，...，l
n
和相应的一致集s(l1)，s(l2)，...，s(l
n
)；d.使用几何距离求最大一致集的最佳拟合直线，作为数据点的最佳匹配直线。

技术总结
本发明公开了一种基于多维特征的激光点云建筑物轮廓渐进优化方法，采用逐层优化、由粗到精的建筑物轮廓提取，首先将建筑物点云进行分割，分隔为建筑物立面点云(包括树木和建筑围墙等)和顶面点云(包括建筑物顶面和树木等)，然后再根据立面点云和顶面点云各自的特点，分别采用不同的特征对其进行精细化处理，快速准确地进行不同高度和不同结构复杂度的建筑物点云识别，可以在精细化提取轮廓点云的同时消除非建筑类点云的干扰和立面点云缺失的影响，从而提高轮廓提取的准确度。从而提高轮廓提取的准确度。从而提高轮廓提取的准确度。


技术研发人员：牛雁飞 蔡心悦 杜跃飞 康佳慧 张汇东
受保护的技术使用者：嵩山实验室
技术研发日：2023.07.04
技术公布日：2023/10/5