基于实体化的地面点云建模技术

江恒彪

(1.茂名市特聘人才管理中心，广东 茂名 525000； 2.茂名市国土资源勘探测绘院，广东 茂名 525000)

基于实体化的地面点云建模技术

江恒彪1,2

(1.茂名市特聘人才管理中心，广东 茂名 525000； 2.茂名市国土资源勘探测绘院，广东 茂名 525000)

地面三维激光扫描点云密集，实体信息隐含，特征提取困难。根据原始点云数据的特点，提出对点云进行实体化处理，种子点生成技术可用于实体提取。完成点云实体化后，通过随机采样一致算法结合稳健估计方法，可更好地进行地物特征提取。由于现实客观世界的复杂性，采用一些先验性知识，可以减少人工处理过程，加快点云分类和实体建模速度。

点云；实体化；模型拟合；RANSAC；特征提取

LiDAR技术采集的原始数据以密集离散点云的方式存在，大量冗余的坐标点影响人们从中提取有用的信息，例如确定一个平面数学上只需要3个点或几个点就可以，但点云数据每隔2～5 cm就会产生一个数据点，远比用户需要的多，如何对数据点进行简化处理及建模成为数据后处理的重点任务。对于地理信息系统而言，所有的要素集都是基于矢量的或有明确意义的，一个点要素可能会代表一个学校、商店或其它，一条线要素可能表示道路、河流、管线等[1]。原始的点云数据实体与实体相连，表达自然地理空间布局，因此，有必要对点云数据进行分割，对点云进行建模，理解各部分点云所代表地面或其它地物(树或路灯等)，提高其对地理状况的表达程度。

1 点云实体化

目前的研究还不能用全自动的方法将点云数据地理实体一一识别提取出来，采用软件人工交互删除无用数据等预处理步骤仍然很有必要。本文的实体化是指把无序复杂的离散点云重新排序、分类，每一类再分割成具有实体意义的子点云块，每个实体块都具有唯一的ID号，例如可以把每棵有意义的树、路灯等点云块作为一个实体。

1.1 实体化的重要性

实体化的主要作用是对点云进行分类，便于在后期数据处理中逐个实体一一识别，使复杂的点云数据处理简单明了。点云实体化对于地物的建模与可视化具有非常重要的意义：分类后的点云由无序复杂变成有序化、编址(有ID号)化，甚至结构化，便于实行分层管理(选层)、检索、渲染等；不同类别的点云可根据模型特点采用不同的矢量化方法；可以采用分类分层分色显示技术，隐藏层数据仅显示所需要的数据,方便软件处理(见图1)。

图1 点云实体化(每棵树作为一个实体，分类分层分色渲染)

1.2 点云实体化策略

分类是点云数据处理的一个技术难点和关键点。试验中主要采用种子点生长技术来进行分类[2-3]，种子点基本上都选在实体与地面的交界处，根据实体类型确定种子点扩散方向，如树、路灯等地物种子点向上生长，首先要设置好距离阈值，只有小于这个距离的点才会被考虑归为同一类，也可以考虑将颜色相同或相近的点归为一类，或考虑将反射强度相近的归为一类[4]；同时利用先验性知识，如树的高度在10 m以内、电杆的高度在15 m内等加以限制，提高点云检索分类的速度。图2展示了通过基于种子点生长技术实体化后，树、路灯等实体点云被分离出来，并用不同的颜色渲染。

根据三维空间实体的分类和可视化方法，实体化后点云可分成点、线、面、体4大类，另外，无用数据也作为一大类编码。点云大类编码如下：

图2 种子点生长技术提取实体树、路灯

a)零层码：0001——0999；

b)点层码：1001——1999；

c)线层码：2001——2999；

d)面层码：3001——3999；

e)体层码：4001——4999。

具体的地物分类编码及策略见表1。

表1点云实体分类策略简表

2 点云模型拟合与特征提取

点云实体化分类后的主要目标是对地物进行矢量化、建模、特征提取。

2.1 点云实体形状特征

点云实体建模是把离散点云数据集转换成一个分段连续、光滑的模型。对人类视觉而言，很容易识别模型对象是否是平面，或是可用函数表达的曲面；对计算机分析而言，获取关于模型对象尽可能多的先验性知识对目前的技术非常重要，这将决定要构造的最终模型(平面、圆柱面等)并影响计算效率。假设已经知道表面的类型(平面、圆柱面等)，以及一些参数估计，则可以利用最小二乘法拟合出模型表面，同时剔除不属于该表面的点云。对于大多数实体而言，都可以通过拟合平面而达到实体重建的目的，如盒子型的房屋，先拟合四周的垂直面，与顶面和地面相交确定房屋轮廓线。通过平面相交的方法可以提取到窗户、阳台、道路等各种地物的边缘线[3]。

2.2 点云粗差剔除技术

点云实体化后的点集仍然有可能存在不属于模型的点(噪声点数据)，模型拟合必须把一些粗差点或噪声点剔除出来，否则对拟合的模型有严重影响。点云数据含有3种误差：随机误差、系统误差和粗差(噪声点)。在生产实践和实验所采集的数据中，粗差出现的概率为1%～10%[5]。通常有两种方法解决粗差，即数据探测法和稳健参数估计，第一种方法使用最小二乘然后统计结果误差，排除最大误差的数据，处理过程不断循环直到残差满足正态分布，该方法的缺点是一次只能找出一个粗差；第二种方法是在计算残差最小化的过程中，能一次性地排除所有粗差(两个以上)。

2.3 稳健的模型拟合方法

模型拟合是一个最优化问题，需要寻找指定模型的最合适参数使得点云数据与最终模型相匹配[6-8]。匹配的准则可以用点到表面模型的距离来衡量，对于点云集合而言，就是计算所有点到模型的距离之和。距离和越小表明模型拟合得越好。模型拟合可以用数字公式定义为

(1)

式中:给定n个点云数据p1,p2, …,pn；Γ(γ1,γ2,…,γm)是拟合模型的方程，模型含有m个未知参数γ1,γ2,…,γm。Ψ是一个距离函数(代数，正交的或其它距离测度)，F是关于这个距离Ψ的函数(最小二乘估计采用(.)2)。

对于平面拟合来说，Ψ在这里采用欧氏距离函数。F将采用距离的平方，因此拟合方程变为

(2)

2.4 基于RANSAC的点云平面模型拟合与特征提取

根据随机采样一致算法(random sample consensus,RANSAC)[9-10]：产生正确模型的办法是选择数据点集中模型上的点，排除不属于模型的点，这通过迭代过程比较容易做到，首先，选择一个只有几个点的数据点子集，然后进行模型拟合，查看

其他点是否大部分可以匹配到拟合的模型上。不断随机选点迭代拟合，当大部分点都可匹配时即可求得模型参数。

假设抽取n个数据点，p是RANSAC迭代算法中抽取k次得到好点的概率，w是这些点中好点的比例(只要合理估计这个数)，因为抽取是独立的，n个点都是好点的概率是wn，那么至少有一个点是坏点的概率就是1-wn，含有坏点将不能拟合出正确的模型。那么算法迭代k次都没有取到好点集的概率为1-p，即

1-p=(1-wn)k，

(3)

两边取对数，得

k=log(1-p)/log(1-wn).

(4)

假设本次选点99%的可能是好点，则对一个包含10%粗差点的数据集拟合平面，由式(4)计算得k=15。如果这3个点恰好是平面上的点，那么其余点都会非常靠近由这3点构造的平面。用RANSAC算法拟合平面的过程如下：

1)在分类好的点云实体中随机选择3个点，直接计算其对应的平面方程ax+by+z=d，然后计算点云至该平面的距离di=|axi+byi+zi-d|；

2)选取阈值t，若di

3)k次重复以上步骤，比较选取好点最多平面；

4)根据最小二乘算法以最多的好点重新进行平面拟合，得到最终拟合的平面方程。

对于某个随机采样拟合平面，检验模型是否正确，可以计算有多少点在平面外的某个距离内。RANSAC的优点是能够剔除大部分的坏点，计算模型的参数，最小二乘估计能产生更好的结果。因此，应将RANSAC与最小二乘估计结合起来计算模型参数。图3显示使用两种算法拟合提取的路面和墙面。

3 结束语

LiDAR技术在三维数据采集方面表现出巨大优势，测绘技术人员从海量数据提取有用信息成为研究热点。本文提出采用实体化的办法预先对点云数据进行分类分层，后期数据处理就可以对各个点云实体逐一击破，分实体建模。如果已经知道表面的类型(如平面)，以及它的一些参数估计，可以使用最小二乘法拟合出表面，从而实现实体建模及特征提取。

图3 路面、墙面拟合与特征提取

[1]邬伦，张晶，刘瑜.地理信息系统原理、方法和应用[M].北京：科学出版社，2001:63-67.

[2]G SOHN, I DOWMAN. Terrain surface reconstruction by the use of tetrahedron model with the MDL criterion [C]. Austria, Graz: IAPRS XXXIV 3A, 2002:336-344.

[3]S PU, G VOSSELMAN. Extracting windows from terrestrial laser scanning, International Archives of Photogrammetry [J]. Remote Sensing and Spatial Information Sciences, 2007, 36 (Part 3/W52):320-325.

[4]龚亮，李正国，包全福.融合航空影像的LiDAR地物点云分类[J].测绘工程，2012,21(1):34-38.

[5]邱卫宁. 测量数据处理理论与方法[M]. 武汉：武汉大学出版社，2008:111-120.

[6]P J HUBER. Robust statistics [M]. Chichester, NY: John Wiley & Sons, 1981:10-20.

[7]T KRARUP, J JUHL, K KUBIK. Götterdämmerung over least squares adjustment [J]. International Archives for Photogrammetry and Remote Sensing, 1980, 23(B3):369-377.

[8]P C JØRGENSEN. Frederiksen. Robust Estimation[J]. International Archives for Photogrammetry and Remote Sensing, 1984, 25(A3a):269-277.

[9]Martin A. Fischler and Robert C. Bolles. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography [J]. New York: Communications of the ACM, 1981, 24:381-395.

[10]周春霖，朱合华，李晓军.随机抽样一致性平面拟合及其应用研究[J].计算机工程与应用,2011(7):177-179.

[责任编辑：张德福]

A modeling technique of point cloud based on entity-classification

JIANG Heng-biao1，2

(1.Maoming City Distinguished Talent Management Center，Maoming 525000, China; 2.Maoming Mapping Institute of Land and Resources, Maoming 525000, China)

It’s difficult to extract the feature from 3D terrestrial laser scanning point cloud because the data is mass and geographic entity information is implied. Based on the characteristics classifying the point cloud into entity is proposed with seed-grown method first. After classification and layering, RANSAC algorithm and robust modeling method can be used to extract the object feature. As for the complexity of the objective world, the use of some prior knowledge can reduce the manual processing time when classification and modeling are done.

point cloud; entity-classified; modeling; RANSAC；feature extraction

2013-11-07

江恒彪(1977-)，男，工程师，博士.

P208

：A

：1006-7949(2014)07-0030-04