一种车载LiDAR建筑物立面点云精细分割方法

李立雪，牛路标，黄腾达，李友鹏

(河南理工大学 测绘与国土信息工程学院,河南 焦作 454000)



一种车载LiDAR建筑物立面点云精细分割方法

李立雪，牛路标，黄腾达，李友鹏

(河南理工大学 测绘与国土信息工程学院,河南 焦作 454000)

摘要：车载LiDAR技术是智慧城市基础设施三维数据快速获取的重要手段，对于获取精细的城市建筑三维模型，实现车载点云数据的建筑物立面快速、精细分割具有重要作用。文中提出一种建筑物车载立面点云自动精细分割方法，首先提取出建筑物的外轮廓线，通过设置轮廓线缓冲区实现立面点云的粗分割，然后采用RANSAC平面探测算法探测建筑物主立面，从而实现建筑物立面的精细分割。试验结果表明，文中算法能快速、准确地从车载点云中分割出建筑物立面点云，为建筑物精细三维模型重建奠定基础。

关键词：车载LiDAR；轮廓线；立面分割；缓冲区；RANSAC

三维激光扫描在数字化文物保护、工业测量、数字城市、地形可视化、智能交通、土木工程等领域有着广泛的应用[1]。车载LiDAR技术不但数据获取速度快、精度高、信息量丰富，而且能直接从三维空间点云中提取建筑物特征信息，适合城市规模的自动批处理需求，已成为快速获取三维城市建模数据的重要途径[2-5]。建筑物立面点云分割是实现数字城市三维模型重建的前提和基础，如何快速、准确地分割出建筑物立面点云，是当前研究的热点。目前已有的建筑物立面点云分割方法有：利用RANSAC算法对建筑物立面进行分割[6-8]，该方法能有效减小噪声对平面探测的影响，模型参数估计的鲁棒性较好，但容易出现过分割或欠分割的现象；应用3D霍夫变换法进行建筑物立面分割[9-10]，其原理是将传统的二维图像霍夫变换拓展到三维点云参数空间，对平面进行探测，从而进行立面分割，该方法受噪声的影响较小，但易产生伪平面，计算量大，效率低；基于点云特征图像的建筑物立面提取方法[11-12]首先生成点云的特征图像，然后用图像处理技术对点云特征图像进行立面分割，但这种方法在3D-2D转换过程中容易造成信息量损失；李永强等[13]提出了一种以基础地理数据为辅助信息的车载建筑物立面点云缓冲区分割方法，能快速实现建筑物立面分割，但需要知道预处理对象的基础地理数据，使用条件受到限制，自动化程度较低。因此，采用单一的数学模型很难高效、准确地实现复杂建筑物的立面点云分割和特征提取。本文提出一种基于缓冲区算法对建筑物立面粗分割，并对粗分割后的建筑物立面点云应用RANSAC平面探测算法进行去噪滤波，从而实现整栋建筑物立面点云的精细分割。

1建筑物点云外轮廓线提取

建筑物特征点是构建三维建筑物模型的基础数据，对于特征点的提取，首先遍历该栋建筑物点云得其最小高程Zmin，截取一定高程范围内的点云切片，将该切片外轮廓点作为该建筑物的外轮廓点，然后借鉴沈蔚等[14]提出的α-shape算法探测切片外轮廓点，最后对建筑物轮廓点进行规则化和正交化[15]求得其特征点。

2建筑物立面点云分割

车载LiDAR系统以动态的作业方式快速获取道路两侧地物的空间三维点云信息，采集的数据包含地面、植被、行人、车辆、公共设施等其所有能探测到的地物，尽管不同地物在空间上几何特征不同，但是要把纷繁复杂的各类地物从散乱点云数据中分离出来仍面临着很多困难，并且分割效率和准确度难以保障。本文提出的车载建筑物立面点云自动精细分割算法主要有以下几个步骤：①对截取的建筑物点云切片，采用α-shape算法探测建筑物轮廓点，并经规则化和正交化，求得其特征点，从而得到建筑物轮廓线；②以建筑物轮廓线为单位，对建筑物各立面，在轮廓线两侧一定范围内设置一定的阈值对建筑物立面点云逐点判断，从而得到该建筑物立面点云；③对建筑物每个立面应用RANSAC算法探测最佳拟合平面，从而完成建筑物立面的精细分割。

2.1建筑物立面点云粗分割

1)遍历点云数据，判断该点是否已访问，若未访问，则判定点P0是否在图中阴影区域内，方法为：计算P0到AB的距离d，只需判断d是否在(-m_in，m_out)区间内。

2)判断点P0是否在A、B之间的阴影区域内，若∠PAB、∠PBA均为锐角，则赋予该点一个聚类编号，设置该点为已访问，并将该点压入到AB的聚类点集之中。

3)对于EBF区域内的点，只需判断P0、B之间的距离d0与m_out的大小，若d0≤m_out，则赋予该点与上步相同的聚类编号，设置该点为已访问，并将该点压入到线段AB的聚类点集之中。

4)用同样的方法依次处理其他聚类单元。

图1　粗分割原理

缓冲区阈值一般设置为0.8～1.2 m，由于探测的是建筑物外轮廓特征点，为使建筑物立面点尽可能地落入缓冲区内，应将内缓冲区阈值设置的稍大一些。

2.2建筑物立面点云精细分割

经粗分割后，本文已基本将建筑物主立面分割出来，然而，分割后的建筑物立面仍存在一些噪声点，如窗户玻璃折射的散乱点、部分地面点以及其它散乱噪声点，这些噪声点将会对后续三维建筑物模型的重建产生影响，为此，应对粗分割后的建筑物立面进行精细分割。本文采用RANSAC算法对粗分割后的建筑物各立面进行最佳拟合面探测，从而完成建筑物立面的精细分割。RANSAC算法即随机采样一致性算法最早由Fischler和Bolles于1981年提出，它可以从一组包含局外点的观测数据集中，通过迭代方式估计数学模型的参数。其得到可信模型参数的概率p与迭代次数n的关系如下：

(1)

其中：w为局内点概率，n为适用于待估计模型的最小数据个数。

RANSAC 算法能从包含大量局外点的数据集中估计出高精度的参数，具有鲁棒性。对于使用RANSAC探测平面，直接利用随机选出的 3个原始数据点作为内点得到参数初始值，然后根据初始值寻找数据集合中其它局内点，可以极大地提高数据处理的效率，最大限度地减少噪声和局外点的影响。

对建筑物某一立面探测操作步骤如下：

1)由式(1)计算迭代次数k。

2)从点云数据集中随机选择3 个点，计算平面模型参数。

3)对车载LiDAR建筑物单个立面点云中各点，计算其到拟合平面的距离，若小于所设置的阈值δ0，则将该点归为局内点，否则将该点归为局外点。

4)重复2)～3)k次，统计每次局内点数，选择局内点数最多的模型参数为最佳拟合平面的平面参数。

应用RANSAC算法对建筑物各立面逐一进行探测，通过设置较小的阈值δ0，能快速、高效地分割出建筑物立面，并滤除粗分割残留的大部分噪声点和地面点。

3实验与分析

本文以Visual Studio 2010为开发平台，采用C++编程语言结合OpenGL图形库函数，实现了本文提出的车载建筑物立面精细分割算法。以截取的某单栋建筑物点云为实验数据测试本文提出的车载建筑物立面点云精细分割算法。图2为原始车载建筑物立面点云，包含一部分地面点和由于激光透过窗户玻璃产生的散乱噪声点，对截取的高程范围(Zmin+5.0，Zmin+10.0)内的立面点云切片应用α-shape算法探测得到建筑物轮廓点(见图3)，经规则化得到建筑物轮廓线，探测得到的轮廓特征点与手动提取的特征点精度对比如表1所示。经分析，轮廓点自动探测算法造成该实验建筑物轮廓特征点的平均位置偏差为0.183 m，故粗分割中应设置较大的内、外缓冲区阈值，以便使建筑物立面点尽可能地落入其轮廓线缓冲区内；通过在轮廓线两侧设置轮廓缓冲区，能够提取轮廓线两侧一定范围内的建筑物立面点，去除大部分地面点以及由于激光透射窗户玻璃造成的散乱噪声点；对粗分割后的建筑物各个立面，应用RANSAC算法，设置较小的平面拟合阈值探测建筑物主立面，可以有效滤除粗分割后剩余的其它噪声点，从而完成对建筑物各立面进行精细分割。图4(a)为经粗分割后建筑物立面点云，内、外缓冲区阈值分别为0.80 m、1.20 m;图4(b)为精细分割后建筑物立面点云，立面分割精度δ0为0.25 m，从图中可看出，建筑物各立面被准确、完好地分割出来。图5(a)、图5(b)分别为粗分割和精细分割后建筑物立面局部点云俯视图，可以看出经粗分割后大部分地面点和散乱噪声点已经滤除，精分割后建筑物立面噪声点被进一步滤除，建筑物立面被较好地分割出来。

图2　原始建筑物点

图3　建筑物轮廓点

表1　轮廓特征点平面探测精度对比　m

图4　建筑物立面分割整体效果图

图5　建筑物立面分割局部效果图

4结束语

本文所述车载建筑物立面自动精细分割算法直接对原始建筑物点云数据进行处理，自动化程度较高，相对于区域增长法和传统RANSAC算法的建筑物立面探测，无需格网化，能快速、高效地去除大部分地面及由激光透过窗户玻璃产生的大量噪声点，可以有效避免过分割和欠分割现象，从而较好地分割出建筑物立面点云；同时，与传统的缓冲区分割思想进行比较来看，受人为因素干扰和使用条件限制较小，为后续建筑物精细三维模型重建打下了良好基础。

参考文献

[1]张会霞,陈宜金,刘国波.基于三维激光扫描仪的校园建筑物建模研究[J].测绘工程,2010,19(1):32-34.

[2]李永强,刘会云,曹鸿,等.基于空-地多源数据融合的建筑物精细建模研究[J].测绘工程,2015,24(8):1-10.

[3]杨莎莎,李永强,李框宇,等.基于车载LiDAR数据的单株树提取[J].测绘工程,2014,23(8):23-27.

[4]覃昕垚,张建军,王勇,等.机载LiDAR定位精度分析[J].测绘工程,2016,25(5):32-35.

[5]龚跃健,毛文博,毕建涛,等.基于移动LiDAR点云数据的室内全要素三维重建[J].测绘工程,2015,24(11):33-38.

[6]李娜，马一薇，杨洋，等.利用RANSAC算法对建筑物立面进行点云分割[J].测绘科学，2011,36(5): 144-145.

[8]胡伟，卢小平，李珵，等.基于改进RANSAC算法的屋顶激光点云面片分割方法[J].测绘通报，2012(11):31-34.

[9]杨化超，邓喀中，张书毕.基于Hough变换的航空影像建筑物半自动提取[J].测绘科学，2006,31(6): 93-94.

[10] BORRMANN D,ELSEBERG J,KAI L,et al.The 3D Hough Transform for plane detection in point clouds: A review and a new accumulator design[J].3d Research,2011,0202(2):1-13.

[11] 魏征，杨必胜，李清泉.车载激光扫描点云中建筑物边界的快速提取[J].遥感学报，2012,16(2): 286-296.

[12] YANG B,WEI Z,LI Q,et al.Automated extraction of street-scene objects from mobile lidar point clouds[J].International Journal of Remote Sensing,2012,33(18):5839-5861.

[13] 李永强，吕海洋，苏蕾，等.车载LiDAR点云中建筑物立面的自动分割[J].测绘科学，2014,39(4):106-109.

[14] 沈蔚，李京，陈云浩，等.基于LIDAR数据的建筑轮廓线提取及规则化算法研究[J].遥感学报,2008,12(5):692-698.

[15] 张阳阳，门林杰，李向伟.基于机载LiDAR数据的建筑物轮廓规则化方法[J].测绘工程，2015,24(10)：59-61.

[责任编辑：刘文霞]

Fine segmentation of mobile LiDAR building facade point cloud

LI Lixue,NIU Lubiao,HUANG Tengda,LI Youpeng

(School of Surveying and Land Information Engineering,Henan Polytechnic University,Jiaozuo 454000,China)

Abstract：Mobile LiDAR technology is an important means for infrastructure rapid 3D data capture of smart city.In order to obtain a fine city building 3D model,and to realize the mobile LiDAR point cloud data of the building facade fast,a fine segmentation has important theoretical value and practical significance.In the paper,a method of automatic fine segmentation of building mobile LiDAR point cloud is proposed: firstly,extract building contour line,by setting the contour line buffer to achieve the coarse segmentation of the facade point cloud,and then use the RANSAC plane detection algorithm to detect the building main facade,in order to realize the fine segmentation of the building facade.The test result shows that the method can segment facade point cloud from mobile LiDAR data quickly and accurately.

Key words：mobile LiDAR; contour line; facade segmentation; buffer; RANSAC

DOI:10.19352/j.cnki.issn1671-4679.2016.03.002

收稿日期：2016-03-21

基金项目：测绘地理信息公益性行业科研专项经费项目(201412020)

作者简介：李立雪(1989-)，男，硕士研究生，研究方向:精密工程测量.

中图分类号：P237

文献标识码：A

文章编号：1671-4679(2016)03-0006-04