利用密集匹配点云的建筑单体提取算法研究 下载: 821次
1 引言
建筑作为城市中最重要的要素之一,其单体化信息在城市规划、市政管理及数字城市建设等方面都具有至关重要的价值。在房屋精细信息分析相关领域,单体化过程不仅要将建筑区域分为独栋建筑,还要将独栋建筑上的附属建筑,如阁楼、屋顶楼梯间等进一步分割提取。随着测量技术、计算机技术和传感器技术的发展,基于激光扫描或密集匹配的三维点云获取技术日益成熟,点云相比于影像而言,可以提供建筑表面的高精度三维信息,并且可以更好地保持建筑的结构[1],因此利用点云数据提取建筑信息是当前研究的热点[2]。相比于机载激光雷达点云而言,获取影像密集匹配[3]点云,尤其是低空无人机影像的密集匹配点云的代价远低于机载激光雷达点云,并且在特征线、边缘和纹理上的表现更佳[4-5]。基于此,本文开展了利用低空密集匹配点云的建筑单体化提取研究。
目前,已有多位研究人员针对基于点云的建筑提取进行了研究,例如:Awrangjeb等[6]利用平面拟合并将数据投影至二维格网,去除墙面后进行高程聚类,进一步结合点分布得到屋顶面,从而进行建筑提取;曾齐红[7]和Novachevaa[8]利用平面拟合得到建筑屋顶点云,并通过法向量聚类[7]或连通分析聚类[8]得到屋顶平面点集;程效军等[9]利用航空影像和点云中提取的轮廓信息,结合影像光谱信息进行建筑探测;Sun等[10]和Li等[11]将点云投影到
上述算法在建筑或建筑区域较为简单的场景中能取得较好的结果,但对于复杂且密集的建筑区域中的密集匹配点云,因点云中包含了许多成片分布的错误匹配点,或是屋顶摆放物引起屋顶面点云高低起伏等情况,上述算法易将错误匹配点识别为建筑点云或将屋顶面点云识别为非屋顶面,从而难以得到较好的建筑单体点云提取结果。除此之外,当前大多数研究都以独栋建筑为最小尺度进行提取,而本文的最终目标不仅是得到独栋建筑的提取结果,还要对建筑的单体部分进行区分提取。
针对密集建筑区域的密集匹配点云,本文提出了一种基于密集匹配点云的建筑单体化提取算法。首先采用布料模拟点云滤波(CSF)[16]算法对原始点云进行滤波,以去除地面点;然后根据点云法向量将非地面点分为立面点云和水平点云,对水平点云进行欧式空间聚类后得到点云面域,再对点云面域进行进一步识别,将点云面域投影至二维栅格图像,结合立面信息以及面域的几何特征滤除非屋顶面点云;最后基于二维栅格图像得到点云面域之间的拓扑关系,获取所有建筑单体在水平方向和竖直方向上的点云区域,得到建筑单体点云的提取结果,同时根据拓扑关系对建筑单体点云进行合并,从而得到独栋建筑的点云。
2 算法流程
2.1 点云面域分割
如
由于国内绝大多数建筑为平顶建筑或倾斜角度较小的斜顶建筑,其屋顶面的法向量与竖直方向的夹角较小。因此,为了得到屋顶面点云,首先计算法向量及法向量方向与竖直方向的夹角,设置夹角阈值,将非地面点云分为水平点云和立面点云两类,此时屋顶面点云保留在水平点云集合内,而建筑立面点云保留在立面点云集合内;进一步,对水平点云进行空间聚类得到水平点云面域
2.2 点云面域的识别
为了进一步识别点云面域
建筑之间的错误连接面是非屋顶点云面域中最主要的部分,同时也是对最终提取结果影响最大的部分。
屋顶面的四周必然与建筑立面邻接,而对于错误连接面而言,其下方不存在立面点或立面信息较少。所以,通过判断点云面域的边缘位置是否存在立面点云与其邻接,就可将屋顶面点云面域和建筑间错误连接面点云区分开来。建筑立面点云包含在2.1节得到的立面点云中。为了防止噪声点对算法造成影响,采用统计分析滤波法[17]剔除立面点云中的噪声点。对于点云面域
将
剔除了建筑间的错误连接面后,剩余的点云面域基本上属于建筑的一部分,但是这些属于建筑的水平面域并不一定是屋顶面的部分。比较典型的有如下几种:
1) 如
若
2) 如
3) 屋顶上存在由较小的建筑体或杂物等形成的非屋顶面点云面域可直接通过面域大小进行过滤,面域大小可转化为其点云栅格的数目以及栅格大小进行计算,若计算的面域大小小于阈值,则为非屋顶面域;除此之外,还有如
上述点云面域是较为常见的非屋顶面部分,与错误连接面这一类非屋顶面不同,这部分点云面域不能直接剔除。假如剔除的部分在建筑边缘,则建筑边缘将会部分缺失,所以将这些点云面域标记为非屋顶面的同时,还需要在后续计算建筑轮廓范围时将这部分点云面域的轮廓范围包含在内。
图 4. 典型的非屋顶面点云。(a)高程渲染下的原始点云;(b)包含女儿墙点云面域及重叠面域部分的点云面域;(c)滤除女儿墙点云面域及重叠面域后的点云面域
Fig. 4. Classic non-roof point cloud. (a) Original point cloud using height rendering; (b) point cloud clusters containing parapet wall and overlapping clusters; (c) point cloud clusters after removing parapet wall and overlapping clusters
图 5. 典型的非屋顶面点云。(a)高程渲染下的原始点云;(b)包含支柱支撑建筑结构的点云面域;(c)滤除支柱支撑建筑结构后的点云面域
Fig. 5. Classic non-roof point cloud.(a) Original point cloud using height rendering; (b) point cloud clusters containing structure supported by pillar; (c) point cloud clusters after removing structure supported by pillar
2.3 单体化提取
为了进一步获取各个屋顶面对应的单体点云,需要将各屋顶面域投影至
在获得所有的屋顶点云面域
1) 对于屋顶点云面域
2) 在
3) 若
4) 将
5)
6) 重复1)~5),直至所有面域均处理完毕。
得到所有建筑单体的水平轮廓范围和竖直范围后,即可将水平轮廓范围内的栅格位置及高程值在竖直范围内的立面点云加入该单体的点云集合中,获得最终的单体化点云结果。同时,依据拓扑关系,将具有邻接关系的点云面域对应的建筑单体加入同一个独栋建筑集合中,得到独栋建筑点云的提取结果。
3 实验结果与分析
利用Smart3D软件对某城中村的无人机航空影像进行密集匹配得到点云数据,其点云平均间距
由于场景中的建筑屋顶倾角均小于40°,因此将点云中法向量与竖直方向夹角小于40°的点视为水平点云。对于区域A,对水平点云进行欧式聚类的结果如
图 6. 建筑区域的原始点云。(a)区域A;(b)区域B
Fig. 6. Original point cloud in construction area. (a) Region A; (b) region B
图 7. (a)聚类得到的水平点云面域;(b) D=0.5 m及hv=0.25 m时剔除建筑错误连接点云面域的结果;(c) D=0.25 m及 hv=0.25 m时剔除建筑错误连接点云面域的结果;(d) D=0.25 m及hv=0.1 m时剔除建筑错误连接点 云面域的结果;(e) D=0.25 m及hv=0.5 m时剔除建筑错误连接点云面域的结果;(f)滤除其他非屋顶面的结果
Fig. 7. (a) Horizontal point cloud clusters using clustering; (b) result of removing error point cloud clusters of building when D is 0.5 m and hv is 0.25 m; (c) result of removing error point cloud clusters of building when D is 0.25 m and hv is 0.25 m; (d) result of removing error point cloud clusters of building when D is 0.25 m and hv is 0.1 m; (e) result of removing error point cloud clusters of building when D is 0.25 m and hv is 0.5 m; (f) result of filtering other non-roof point cloud clusters
进行点云面域识别时,由于点云面域的识别以栅格作为处理单元,栅格过大将模糊后续识别所需要的面域边缘信息,使边缘位置所在的栅格内包含较多的干扰点,造成面域识别错误。为了使栅格较好地保留边缘细节,同时在一定程度上降低计算量,分别采用0.25 m和0.5 m 的格网分辨率进行二维格网化。此外,错误连接面的识别阈值
从实验结果可知,
进行拓扑解算后,最终的建筑单体点云提取结果如
实验区域A中共有44栋房屋,其中包含99个建筑单体;实验区域B中共有36栋房屋,其中包含91个建筑单体,对最终的提取结果以召回率和查准率作为提取精度标准,召回率为正确提取的建筑单体数目与实际建筑单体数目的比值,查准率为正确提取的建筑单体数目与提取的建筑单体总数的比值。
图 8. (a)区域A建筑单体点云的提取结果;(b)区域A独栋建筑的提取结果;(c)区域B建筑单体点云的提取结果;(d)区域B独栋建筑的提取结果
Fig. 8. (a) Extraction result of single part of building in area A; (b) extraction result of building in area A; (c) extraction result of single part of building in area B; (d) extraction result of building in area B
从
表 1. 建筑单体的提取结果
Table 1. Extraction result of single part of building
|
表 2. 建筑单体提取精度的评价
Table 2. Precision evaluation of extraction for single part of building
|
直观地从实验结果来看,建筑区域中的密集建筑群得以较好的区分,有效地避免了建筑之间密集匹配错误插值点对建筑提取的影响,同时每一栋建筑中的建筑单体也较为准确地提取出来,屋顶阁楼或是楼梯间与主建筑均已区分,建筑的细节部分也以屋顶面的方式得以呈现,如
4 结论
针对密集建筑区域的密集匹配点云,提出了一种建筑单体化提取算法。由于建筑过于密集,使得进行密集匹配时在建筑间产生了大量的插值点,并在后续操作时形成建筑错误连接面,与建筑屋顶面呈相似的面特征;此外,复杂的场景中往往存在许多与建筑屋顶面相似的几何特征的物体。针对这一现象,所提算法在得到的点云面域不仅基本包含全部屋顶面,同时还包含许多非屋顶面点云的情况下,结合立面点云信息,剔除错误连接面,并结合点云面域的几何特性剔除了其他非屋顶面点云,最后根据点云面域之间的拓扑信息得到了最终的建筑单体点云。实验结果表明:场景中的密集建筑群中的绝大部分建筑均得以区分;同时,建筑的单体部分也分别被提取出来,为后期建筑模型重建、房屋精细信息的获取等提供了一定的数据基础。
所提算法对建筑上下形状较为复杂的区域可以得到较好的提取效果。此外,该算法虽能在一定程度上对植被点云进行剔除,但对于植被丰富的区域仍存在局限。在实验结果中,出现了极少数建筑因建筑过于密集而导致其建筑立面点云完全缺失,导致这部分建筑被错误剔除的问题,这些缺陷也是本研究需要进一步改进的地方。
[1] DahlkeD, Linkiewicz M. Comparison between two generic 3D building reconstruction approaches-point cloud based VS. image processing based[C]. International Archives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2016, XLI-B3: 599- 604.
DahlkeD, Linkiewicz M. Comparison between two generic 3D building reconstruction approaches-point cloud based VS. image processing based[C]. International Archives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2016, XLI-B3: 599- 604.
[2] 杨振发, 万刚, 曹雪峰, 等. 一种可见光影像稠密匹配点云的单栋建筑物提取方法[J]. 测绘与空间地理信息, 2016, 39(2): 8-11.
杨振发, 万刚, 曹雪峰, 等. 一种可见光影像稠密匹配点云的单栋建筑物提取方法[J]. 测绘与空间地理信息, 2016, 39(2): 8-11.
Yang Z F, Wan G, Cao X F, et al. An approach for building extraction based on dense-matching points cloud of visible image[J]. Geomatics & Spatial Information Technology, 2016, 39(2): 8-11.
[3] RheeS, Kim T. Dense 3d point cloud generation from UAV images from image matching and global optimization[C]. International Archives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2016, XLI-B1: 1005- 1009.
RheeS, Kim T. Dense 3d point cloud generation from UAV images from image matching and global optimization[C]. International Archives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2016, XLI-B1: 1005- 1009.
[4] 冯帅. 影像匹配点云与机载激光点云的比较[J]. 地理空间信息, 2014, 12(6): 82-83.
冯帅. 影像匹配点云与机载激光点云的比较[J]. 地理空间信息, 2014, 12(6): 82-83.
Feng S. Comparison of image matching point clouds with LiDAR point clouds[J]. Geospatial Information, 2014, 12(6): 82-83.
[5] MaltezosE, KyrkouA, IoannidisC. LIDAR vs dense image matching point clouds in complex urban scenes[C]. Fourth International Conference on Remote Sensing and Geoinformation of the Environment, 2016: 96881P.
MaltezosE, KyrkouA, IoannidisC. LIDAR vs dense image matching point clouds in complex urban scenes[C]. Fourth International Conference on Remote Sensing and Geoinformation of the Environment, 2016: 96881P.
[6] AwrangjebM, LuG, Fraser C. Automatic building extraction from LIDAR data covering complex urban scenes[C]. International Archives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2014, XL-3: 25- 32.
AwrangjebM, LuG, Fraser C. Automatic building extraction from LIDAR data covering complex urban scenes[C]. International Archives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2014, XL-3: 25- 32.
[7] 曾齐红. 机载激光雷达点云数据处理与建筑物三维重建[D]. 上海: 上海大学, 2009.
曾齐红. 机载激光雷达点云数据处理与建筑物三维重建[D]. 上海: 上海大学, 2009.
Zeng QH. Airborne LiDAR point cloud data processing and 3D building reconstruction[D]. Shanghai: Shanghai University, 2009.
Zeng QH. Airborne LiDAR point cloud data processing and 3D building reconstruction[D]. Shanghai: Shanghai University, 2009.
[9] 程效军, 程小龙, 胡敏捷, 等. 融合航空影像和LIDAR点云的建筑物探测及轮廓提取[J]. 中国激光, 2016, 43(5): 0514002.
程效军, 程小龙, 胡敏捷, 等. 融合航空影像和LIDAR点云的建筑物探测及轮廓提取[J]. 中国激光, 2016, 43(5): 0514002.
[10] Sun XF, Shen SH, Hu ZY. Automatic building extraction from oblique aerial images[C]. 23rd International Conference on Pattern Recognition, 2016: 16824390.
Sun XF, Shen SH, Hu ZY. Automatic building extraction from oblique aerial images[C]. 23rd International Conference on Pattern Recognition, 2016: 16824390.
[12] VosselmanG, DijkmanS. 3D building model reconstruction from point clouds and ground plans[C]. International Archives of Photogrammetry and Remote Sensing, 2001: 37- 43.
VosselmanG, DijkmanS. 3D building model reconstruction from point clouds and ground plans[C]. International Archives of Photogrammetry and Remote Sensing, 2001: 37- 43.
[13] 赵宗泽, 张永军. 基于植被指数限制分水岭算法的机载激光点云建筑物提取[J]. 光学学报, 2016, 36(10): 1028002.
赵宗泽, 张永军. 基于植被指数限制分水岭算法的机载激光点云建筑物提取[J]. 光学学报, 2016, 36(10): 1028002.
[14] Nizar AA, FilinS, DoytsherY. Reconstruction of buildings from airborne laser scanning data[C]. Annual Conference of the American Society for Photogrammetry and Remote Sensing, 2006: 988- 997.
Nizar AA, FilinS, DoytsherY. Reconstruction of buildings from airborne laser scanning data[C]. Annual Conference of the American Society for Photogrammetry and Remote Sensing, 2006: 988- 997.
[15] KarsliF, KahyaO. Building extraction from laser scanning data[C]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008: 289- 293.
KarsliF, KahyaO. Building extraction from laser scanning data[C]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008: 289- 293.
Article Outline
闫利, 魏峰. 利用密集匹配点云的建筑单体提取算法研究[J]. 中国激光, 2018, 45(7): 0710004. Li Yan, Feng Wei. Single Part of Building Extraction from Dense Matching Point Cloud[J]. Chinese Journal of Lasers, 2018, 45(7): 0710004.