一种基于LiDAR点云的建筑物提取方法

赵 传，张保明，陈小卫，郭海涛，唐梁珂

(1. 信息工程大学地理空间信息学院,河南 郑州 450001; 2. 61618部队, 北京 102100)

一种基于LiDAR点云的建筑物提取方法

赵 传1，张保明1，陈小卫1，郭海涛1，唐梁珂2

(1. 信息工程大学地理空间信息学院,河南 郑州 450001; 2. 61618部队, 北京 102100)

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上，本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点；然后构建局部协方差矩阵计算点云分布特征，剔除非建筑物轮廓点；最后利用DBSCAN聚类算法对建筑物轮廓点聚类，以聚类结果为基础构建缓冲区，以缓冲区内所有建筑物轮廓点为初始种子点，采用圆柱体邻域进行多种子点区域增长，实现建筑物点云的提取。通过两组试验，共5组数据验证本文算法的性能。试验结果表明，该方法能够准确、有效地提取多层复杂的建筑物点云，效率高，且具有一定的适用性。

建筑物提取；建筑物轮廓点；多种子点；区域增长；LiDAR点云

建筑物三维模型对于正射影像生成、地形图修测、变化检测、能源和财产管理，以及许多基于位置的服务都至关重要[1]，如何生成可靠和准确的建筑物三维模型一直是建筑物三维重建领域研究的热点和难点。激光雷达测量(LiDAR)作为一种通过位置、距离、角度等观测数据直接获取对象表面点三维坐标，实现场景信息提取的技术，已广泛应用于建筑物三维重建。如何从激光雷达扫描数据中准确提取建筑物点云，是基于LiDAR点云的建筑物三维重建的首要任务。

目前，已有大量基于LiDAR点云提取建筑物的方法，主要可以分为5类：①基于点云重采样的方法[2]。该类方法将点云重采样得到规则格网数据或栅格化成距离图像，利用已有图像处理方法提取建筑物，但数据重采样会降低提取结果的精度。②基于特征分类的方法[3-4]。该类方法首先由LiDAR点云数据计算点云特征及影像特征，选取部分点云作为训练样本，利用SVM、IVM、Adaboost等机器学习算法将点云分类，从分类结果中得到建筑物点云。这类方法计算复杂度较高，特征学习时间较长，且由于分类时没有考虑邻域信息，存在将同一地物点云分为多种类别地物的情况。③基于滤波的方法[5]。该类方法先将地面点滤除，然后再对滤波得到的地物点云进行处理，得到建筑物点云，但滤波参数难以设置，适应性较差。④基于区域增长的方法[6-7]。该类方法一般先构建三角网或计算点云法线等特征，然后根据建筑物屋顶面的特性，采用计算相邻三角形或点云法线夹角的策略提取建筑物点云，但初始种子点和增长停止准则难以确定，增长过程比较耗时且容易出现过增长。⑤其他方法，如文献[8—9]提出的多标记点过程方法。

尽管已有多种建筑物点云提取方法，但试验对比表明[10]，准确高效且适用性较好的方法仍有待深入研究，因此本文提出一种基于LiDAR点云的建筑物提取方法。该方法以建筑物轮廓点为初始种子点，采用圆柱体邻域进行区域增长，解决了种子点和增长策略难以确定的问题。通过构建缓冲区，有效地解决了过增长的情况。通过对不同地区的LiDAR点云进行试验，验证了该方法提取建筑物点云的有效性和可靠性。

1 基本原理

1.1 建筑物初始轮廓点提取

ΔHi=hP-hQii=1,2，…,k

(1)

建筑物在空间上表现为高于地面，因此建筑物轮廓点与地面点的高差较大且为正。为凸显建筑物轮廓点的高程梯度，先进行如下处理

(2)

考虑到局域范围可能存在洼地、坑等地势起伏较大的情况，将k邻域点的高差进行加权平均，得到点P高程梯度

(3)

式中，ωQi为邻域点Qi计算点P高程梯度的权值，应满足高程梯度越大权值越大，采用如下公式计算

(4)

1.2 非建筑物轮廓点剔除

由于现实场景的复杂性，初始建筑物轮廓点中存在高大植被、围墙、电力线等地物点，为准确提取建筑物点云，必须剔除非建筑物轮廓点。局部协方差矩阵通过累加点云邻域点在3个分量方向上到邻域点质心的平方距离，描述点云在局部范围内的统计特性[11]，因此通过构建局部协方差矩阵，计算初始建筑物轮廓点统计特性，并根据真实建筑物点云统计特性，设置特征值阈值剔除非建筑物点。

(5)

记Cp特征值和特征向量分别为λi、vi，i=0,1,2，且满足λ0<λ1<λ2，则点P的法向量为v0。局部协方差矩阵特征值反映了邻域点沿相应特征向量方向的变化[11]，机载激光扫描系统在获取点云时为近似垂直扫描，建筑物点云法向量基本垂直于其所在的屋顶面，法线分布一致性很强，因此建筑物点云沿法线方向变化很小(即λ0很小)，本文设定固定量化间隔，采用统计直方图的方法自适应确定特征值阈值Tf，剔除非建筑物轮廓点。

1.3 多种子点区域增长

虽然通过点云特征能有效地剔除非建筑物轮廓点，但由于现实场景的复杂性等因素的影响，得到的建筑物轮廓点仍然不可避免存在少量非建筑物轮廓点。同时，在剔除非建筑物轮廓点时，部分建筑物轮廓点也被误剔除，造成同一建筑物的轮廓点不连续，形状各不相同。为提取完整的建筑物点云，同时避免区域增长产生过增长的情形，先将建筑物轮廓点聚类并建立缓冲区。

通过对提取的初始建筑物轮廓点的分析，本文采用一种经典的基于密度的聚类算法——DBSCAN(density-based spatial clustering of applications with noise)。该算法无需设定簇的数量，能在识别任何形状簇的同时识别噪声点[12]，克服了如k-means、ISODATA等只考虑簇中心之间距离的聚类算法的缺点，适合对初始建筑物轮廓点聚类。DBSCAN算法需要设置两个参数，即区域半径和区域中点的个数，区域半径取决于建筑物分布的稠密程度和建筑物间的距离，本文中区域半径以点云分辨率为单位，点云分辨率通过所有点的最邻近点距离的均值计算。

为提取完整的建筑物点云，本文以聚类得到的各个类的外接矩形为基础，向四周扩展一定距离，根据现实生活中建筑物的宽度，一般取为2～5 m，本文试验中取为3 m，形成缓冲区。

构建缓冲区后，以缓冲区中建筑物轮廓点为初始种子点进行区域增长。具体处理步骤如下：

(1) 任选一个缓冲区，将缓冲区中建筑物轮廓点标记为建筑物点，计算区域增长前建筑物轮廓点平均高度值mean(H0)。

(2) 以缓冲区中的点云数据为基础，采用圆柱体邻域(记圆柱体的高和半径分别为Hcylindar、rcylindar)建立KD树，得到点云的邻域关系。

(3) 以缓冲区内所有建筑物轮廓点为初始种子点，将满足下式关系的种子点P的所有邻域点Qi标记为待增长种子点

(6)

(4) 重复步骤(3)，直到缓冲区中没有点可被标记为待增长种子点。将得到的待增长种子点标记为建筑物点，并计算区域增长之后建筑物点云的平均高度mean(H1)。

(5) 对于同一建筑物，轮廓点一般低于屋顶面点，区域增长后建筑物点云平均高程大于建筑物轮廓点平均高程，因此如果mean(H1)-mean(H0)<ε，ε根据缓冲区中建筑物最大最小程设置，一般为0.5，则认为过度增长，此时结合所得建筑物点云中最低点高程和平均高程，剔除过增长的地面点。

(6) 重复步骤(1)—步骤(5)，直到所有缓冲区处理结束，即可得到完整的建筑物点云。

2 试验结果及分析

为验证本文算法的有效性，在HPIntel2.3GHz、8GBRAM和MatlabR2014a的软硬件条件下进行2组试验，共5组数据(记为1～5)。试验1包括2组数据(数据1～2，基本信息见表1)，数据1为TerraSolid提供的Niagara地区点云数据，数据2为非洲某地区的点云数据。试验2包括3组数据(数据3～5，基本信息见表2)，由ISPRS提供，数据包含形状复杂分布密集的历史建筑物、被树木围绕的高层城市住宅和有小附属建筑物的居民区。

两组试验中设置提取建筑物最低高度TH为2m，初始建筑物轮廓点计算邻域点个数为80个，圆柱体邻域高Hcylindar和半径rcylindar分别为1.5m和5倍点云分辨率，特征值直方图量化间隔为0.001，初始建筑物轮廓点集中植被点与建筑物点比例为0.01。

表1 试验1数据信息

表2 试验2数据信息

图1为5组数据的提取结果，其中5行代表5组数据，3列分别代表原始点云、建筑物轮廓点提取结果和建筑物点云提取结果。

图1 原始点云、建筑物轮廓点及建筑物提取结果

由图1(b)、(e)、(h)、(k)、(n)可知，算法较好地提取出了所有建筑物轮廓点，其中图1(k)和(h)中部分建筑物轮廓点未能提取，主要原因有：建筑物的遮挡造成建筑物附近地面点无法获取，在计算高程梯度时该区域建筑物轮廓点的邻域点全部属于建筑物点，得到的高程梯度小于设定的高程梯度阈值；在剔除非建筑物轮廓点时，部分建筑物轮廓点被误剔除。从图1(a)、(f)、(i)、(l)、(o)可看出，不完整的建筑物轮廓点对提取结果影响较小，算法较好地提取出所有建筑物点云。

为了直观地评价建筑物提取结果，图2(a)—(e)分别为数据1～5的评价结果图。图2(a)和(b)通过将提取结果和参考点云同时投影到平面上得到，图2(c)—(e)是由ISPRS测试数据组织者基于像素的评价结果。图中白色、灰色、黑色分别代表正确提取、错误提取、漏提取的建筑物点。

图2 评价结果

表3和表4分别为试验1、2建筑物提取的定量评价结果，试验1采用文献[4]的评价方法。

表3 试验1结果

从表3中可以看出，相比SVM和IVM两种方法，本文算法具有更高的准确率，同时效率也较高。

结合图2(a)和(b)中黑色和灰色区域分析可知，误提取的建筑物点云主要由于建筑物周围有植被环绕，且高度和建筑物相似。漏提取的原因主要有：建筑物高度低于2 m，算法无法提取其轮廓点；屋顶上有烟囱等附属物，且相对高度较高，当区域增长时圆柱体高设置为1.5 m时，无法通过区域增长提取。

试验2结果由ISPRS测试数据组织者根据实际参考数据进行评价，采用基于像素的评价方法，具体评价结果见表4。

表4 试验2结果

从表4可知，在基于面积的评价方面，文献[13]的方法正确率较高，本文方法次之，均优于文献[8]的方法；在基于目标的评价方面，本文方法正确率较高，文献[8]的方法稍优于文献[13]的方法。

结合图2(c)—(e)分析可知，算法误提取了部分地面点，如图2(c)中灰色区域，原因是该区域左侧高程存在很大的突变(大于2 m)；算法漏提取了部分建筑物点云，如图2(c)和图2(d)中的黑色区域，原因是原始点云数据中部分建筑物点云获取不全(如图2(e)的右上角黑色区域)及建筑物高度较低。此外算法提取结果为建筑物点云，评价时采用的是影像，因此也会引入一定的误差，尤其在建筑物边缘区域。

通过分析两组试验可知，本文方法能较好地处理不同分辨率的点云数据。对于分布在建筑物周围且高度与其接近的植被，算法通过构建缓冲区，以及采用圆柱体邻域在平面和高程分别加以限制，降低了其对提取结果的影响。

3 结束语

本文提出了一种基于建筑物轮廓点的区域增长提取建筑物点云的方法。该方法以建筑物轮廓点为区域增长初始种子点，较好地解决了初始种子点难以确定问题；通过DBSCAN聚类并构建缓冲区，有效地避免了过增长情形；采用构建缓冲区和圆柱体邻域的区域增长策略，较大地提高了提取精度。

两组试验结果表明，本文方法能较好地处理不同分辨率的点云数据，在无先验信息的情况下，能准确地提取出多层复杂的建筑物点云，适应性较强，效率较高。此外，提取结果可为后续的建筑物重建等处理提供稳定可靠的初始信息，具有较大的应用价值。然而，本文算法提取了部分分布在建筑物边缘且高度接近的植被，如何完全剔除这部分植被点还有待进一步分析和研究。

[1] RAU J Y. A Line-Based 3D Roof Model Reconstruction Algorithm: Tin-Merging and Reshaping (tmr)[J]. ISPRS Annals of Photogrammetry, 2012,(1-3):287-292.

[2] 尤红建,苏林,李树楷.利用机载三维成像仪的DSM数据自动提取建筑物[J].武汉大学学报(信息科学版),2002,27(4):408-413.

[3] MALLET C. Analysis of Full-Waveform LiDAR Data for Urban Area Mapping[D].Paris：Télécom ParisTech, 2010.

[4] 刘志青, 李鹏程, 陈小卫,等. 基于信息向量机的机载激光雷达点云数据分类[J]. 光学精密工程, 2016, 24(1): 210-219.

[5] ZHANG K, CHEN S C, WHITMAN D, et al. A Progressive Morphological Filter for Removing Nonground Measurements from Airborne LiDAR Data[J]. IEEE Transactions on Geoscience & Remote Sensing,2013, 41(4)：872-882.

[6] SUN S,SALVAGGIO C.Aerial 3D Building Detection and Modeling from Airborne LiDAR Point Clouds[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2013, 6(3):1440-1449.

[7] 罗胜,姜挺,王鑫,等.原始机载LiDAR点云中建筑物激光点的自动提取[J]. 测绘科学技术学报, 2013, 30(3):269-273.

[8] 徐文学,杨必胜,董震,等.标记点过程用于点云建筑物提取[J].武汉大学学报(信息科学版),2014, 39(5):520-525.

[9] 徐文学,杨必胜,魏征,等.多标记点过程的LiDAR点云数据建筑物和树冠提取[J].测绘学报,2013,42(1):51-58.

[10] International Society for Photogrammetry and Remote Sensing, Benchmark Test: Results[EB/OL].[2016-09-05].http:∥www2.isprs.org/commissions/comm3/wg4/results.html.

[11] PAULY M. Point Primitives for Interactive Modeling and Processing of 3D Geometry[D].Zurich: ETH Zurich, 2003.

[12] CHEN X, LIU W, QIU H, et al. APSCAN: A Parameter Free Algorithm for Clustering[J]. Pattern Recognition Letters, 2011, 32(7):973-986.

A Method of Extracting Building Based on LiDAR Point Clouds

ZHAO Chuan1，ZHANG Baoming1，CHEN Xiaowei1，GUO Haitao1，TANG Liangke2

(1. Institute of Geospatial Information, Information Engineering University, Zhengzhou 450001，China; 2. 61618 Troops, Beijing 102100，China)

Extracting buildings from LiDAR cloud points quickly and precisely is a difficult and hot spot in current research. On the basis of analysing existing building extraction methods sufficiently, a building extraction method is proposed based on LiDAR point cloud. Firstly, initial building contour points are extracted according to geometric characteristics of buildings. To eliminate false building contour points, distribution of LiDAR point cloud is then calculated by constructing the local covariance matrix. Finally, buffer zones are built based on clustering result of building contour points by using DBSCAN clustering algorithm, all building contour points in each buffer zone are selected as initial seed points, and multi-seed points region growing process, adopting a cylinder neighborhood system, is applied to achieve extracting buildings quickly and accurately. Two sets of experiments, concluding a total of five datasets, have been realized to verify all aspects performance of the algorithm. Experimental results show that the method can extract multistorey and complex buildings accurately and effectively, and performs high efficiency and strong applicability.

building extraction; building contour points; multi-seed points; region growing; LiDAR point cloud

赵传，张保明，陈小卫，等.一种基于LiDAR点云的建筑物提取方法[J].测绘通报，2017(2)：35-39.

10.13474/j.cnki.11-2246.2017.0044.

2016-09-12

国家自然科学基金(41101396；41001262)；地理信息工程国家重点实验室开放研究基金(SKLGIE2015-M-3-3)

赵 传(1991—)，男，硕士生，研究方向为摄影测量与遥感、点云建筑物提取与三维模型重建等。E-mail：zc_mail163@163.com

P237

A

0494-0911(2017)02-0035-05