一种基于多维特征的激光点云建筑物轮廓渐进优化方法技术

本发明专利技术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。

【技术实现步骤摘要】
一种基于多维特征的激光点云建筑物轮廓渐进优化方法


[0001]本专利技术地理属于激光雷达数据处理
，激光扫描数据处理
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]为解决上述技术问题，本专利技术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：
[0008](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；
[0009](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；
[0010](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；
[0011](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；
[0012](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；
[0013](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；
[0014](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；
[0015](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。
[0016]在本专利技术另一个实施例中，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。
[0017]在本专利技术另一个实施例中，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。
[0018]在本专利技术另一个实施例中，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N
k
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]在本专利技术另一个实施例中，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]在本专利技术另一个实施例中，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]在本专利技术另一个实施例中，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％，即同本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：牛雁飞，蔡心悦，杜跃飞，康佳慧，张汇东，
申请(专利权)人：嵩山实验室，
类型：发明
国别省市：