李 勇，許捍衛(wèi)

（河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 210098）

1 引 言

城市區(qū)域地理空間要素的自動(dòng)提取一直以來(lái)是攝影測(cè)量與遙感、計(jì)算機(jī)視覺(jué)領(lǐng)域的研究重點(diǎn)［1］。隨著經(jīng)濟(jì)的快速發(fā)展，城市空間布局與結(jié)構(gòu)日新月異的變化，人們對(duì)地理空間信息的需求越來(lái)越迫切。采用傳統(tǒng)野外測(cè)量和近景攝影測(cè)量的方法雖然在獲取數(shù)據(jù)方面精度高，但需要大量人工勞動(dòng)，成本高、效率低。而使用高分辨率的遙感影像和數(shù)字?jǐn)z影測(cè)量技術(shù)能快速獲取大范圍的地理數(shù)據(jù)，且相應(yīng)的軟件和數(shù)字立體攝影測(cè)量工作站已在生產(chǎn)部門(mén)得到廣泛普及和應(yīng)用，但通過(guò)多影像同名點(diǎn)匹配獲得三維坐標(biāo)需要大量的交互式操作，不僅提高了成本，還容易受到環(huán)境、光照、天氣、遮擋、陰影、對(duì)比度等影響。

機(jī)載激光雷達(dá)（Light Detection And Ranging，LIDAR）是將高速激光測(cè)距、高精度動(dòng)態(tài)載體姿態(tài)測(cè)量和高精度動(dòng)態(tài)GPS差分定位技術(shù)集成在一起的主動(dòng)式對(duì)地觀測(cè)技術(shù)。通過(guò)LIDAR能夠直接獲取飛行器下方大范圍區(qū)域表面密集的三維點(diǎn)云數(shù)據(jù)，具有自動(dòng)化程度高、受天氣影響小、數(shù)據(jù)生產(chǎn)周期短、精度高、密度高、無(wú)需大量地面控制工作等特點(diǎn)，因此成為快速獲取高時(shí)空分辨率三維空間信息的重要數(shù)據(jù)源。

LIDAR技術(shù)目前廣泛用于城市規(guī)劃、通信設(shè)計(jì)、交通導(dǎo)航、災(zāi)害管理、環(huán)境監(jiān)控等領(lǐng)域。LIDAR數(shù)據(jù)是沒(méi)有語(yǔ)義信息的、高精度、密集的大數(shù)據(jù)量點(diǎn)云，需要高效的處理方法從中獲取空間要素信息。雖然目前國(guó)內(nèi)外開(kāi)展了大量相關(guān)研究工作，并取得了顯著進(jìn)步，但是相對(duì)于日益成熟的硬件系統(tǒng)，LIDAR數(shù)據(jù)的有效處理依然存在巨大挑戰(zhàn)，缺少令人滿意的、成熟、完善的處理方法和流程。下面從地形、建筑物和道路的提取這三個(gè)方面分析目前基于機(jī)載激光雷達(dá)的城市空間信息提取技術(shù)。

2 地形信息提取

LIDAR技術(shù)的一個(gè)主要目的就是獲取地形信息、制作地形圖、構(gòu)建數(shù)字高程模型。因此需要從點(diǎn)云中提取地面點(diǎn)，非地面點(diǎn)則被視為噪聲要加以去除，該處理過(guò)程被稱(chēng)為點(diǎn)云濾波［2］，是LIDAR數(shù)據(jù)處理中研究的最早也是最多的課題之一。因?yàn)榈匦蔚亩鄻有院偷匚锏膹?fù)雜性，自動(dòng)點(diǎn)云濾波處理一直以來(lái)都是研究難點(diǎn)，尤其是在地形變化劇烈的大范圍區(qū)域。

目前已提出了大量不同方法進(jìn)行點(diǎn)云濾波?；谄露鹊姆椒ǜ鶕?jù)地面與地物之間的坡度比較顯著的特點(diǎn)計(jì)算鄰域點(diǎn)的坡度，并根據(jù)預(yù)定義閾值進(jìn)行濾波。方向掃描方法沿著掃描線方向檢測(cè)高程變化，從而判斷是其否為地面點(diǎn)。表面插值和不規(guī)則三角網(wǎng)加密方法通過(guò)設(shè)定角度和距離約束來(lái)逐步逼 近 真 實(shí) 地 面［3－5］。Mongus和 ?alik［6］通 過(guò)多層次插值方法自頂向下由粗糙表面逐步插值逼近真實(shí)表面，相關(guān)閾值根據(jù)點(diǎn)到表面距離的標(biāo)準(zhǔn)差進(jìn)行定義。形態(tài)學(xué)方法使用形態(tài)學(xué)運(yùn)算，如開(kāi)運(yùn)算，分離地面點(diǎn)和地物點(diǎn)［7，8］。該方法具有概念簡(jiǎn)單、易于實(shí)現(xiàn)的優(yōu)點(diǎn)，許多研究都表明這類(lèi)方法能有效濾除地物點(diǎn)［8］。如它能通過(guò)計(jì)算原始高程和形態(tài)學(xué)開(kāi)運(yùn)算后高程的差值并與預(yù)定義閾值進(jìn)行比較，從而逐漸增大窗口尺寸漸進(jìn)式濾除非地面點(diǎn)。Chen等［8］在形態(tài)學(xué)濾波器中進(jìn)一步考慮坡度的變化。Li等［9］根據(jù)高程顯著變化的特征點(diǎn)重新定義形態(tài)學(xué)開(kāi)運(yùn)算。因?yàn)榈匚镒钣锌赡艹霈F(xiàn)在這些特征點(diǎn)周?chē)?，因此形態(tài)學(xué)腐蝕和膨脹運(yùn)算僅僅對(duì)特征點(diǎn)周?chē)狞c(diǎn)進(jìn)行運(yùn)算。這樣可以降低誤刪除地面點(diǎn)的可能性，再使用區(qū)域生長(zhǎng)方法恢復(fù)與地面相連的點(diǎn)。雖然現(xiàn)有研究已取得較大進(jìn)步，但是對(duì)于復(fù)雜的城市區(qū)域、陡峭的地形起伏區(qū)域等困難情況，依然難以確保濾波結(jié)果的準(zhǔn)確性和可靠性［6，10］。如圖1所示，一些低矮的地物與起伏的地面難以完全區(qū)分。

圖1 一種形態(tài)學(xué)濾波方法的結(jié)果

3 建筑物信息提取

建筑物與人類(lèi)的生產(chǎn)、生活密切相關(guān)，其空間信息的獲取與分析處理一直以來(lái)都是研究重點(diǎn)［12，13］。相對(duì)于影像復(fù)雜的光譜和紋理信息，LIDAR點(diǎn)云所包含的高程信息更適合于提取建筑物，如圖2所示。因此從LIDAR數(shù)據(jù)中檢測(cè)建筑物、提取其特征、構(gòu)建三維建筑物模型成為研究熱點(diǎn)。但受現(xiàn)實(shí)中復(fù)雜多變建筑物形狀、周?chē)h(huán)境噪聲的影響，建筑物的自動(dòng)提取一直是研究難點(diǎn)。

圖2 城市區(qū)域的航空影像和對(duì)應(yīng)的三維點(diǎn)云

基于LIDAR點(diǎn)云提取建筑物的方法通常可以分為三類(lèi)［14］。第一類(lèi)方法是根據(jù)原始LIDAR點(diǎn)云生成初始輪廓或格網(wǎng)，然后進(jìn)行簡(jiǎn)化、綜合。Zhang等［15］基于區(qū)域生長(zhǎng)算法連接建筑物邊界點(diǎn)形成粗糙的輪廓，并使用道格拉斯－普克算法去除如鋸齒狀的形變?cè)肼暋Ｈ缓笥?jì)算每棟建筑物輪廓的主導(dǎo)方向，并根據(jù)主導(dǎo)方向調(diào)整初始邊緣。Sampath和Shan［16］使用改進(jìn)的凸殼算法跟蹤連接建筑物邊界點(diǎn)形成初始輪廓，再使用正交約束對(duì)初始輪廓進(jìn)行規(guī)則化。Lach和Kerekes［17］先找到位于建筑物外圍輪廓處的點(diǎn)，然后用袖子擬合方法（sleeve－fitting approach）連接選取的點(diǎn)形成輪廓，并進(jìn)行規(guī)則化。沈蔚等［18］使用Alpha Shapes算法提取建筑物點(diǎn)集的輪廓線，用管子算法進(jìn)行簡(jiǎn)化，再施加垂直約束對(duì)輪廓進(jìn)行規(guī)則化。曾齊紅等［19］首先構(gòu)建建筑物點(diǎn)的TIN模型得到三角網(wǎng)的邊界線，將邊界斜率變化顯著的點(diǎn)作為拐點(diǎn)。利用所有的屋頂點(diǎn)將拐點(diǎn)擴(kuò)展，得到邊界的擴(kuò)展點(diǎn)，由擴(kuò)展點(diǎn)構(gòu)成屋頂輪廓。Sun和Salvaggio［20］基于平滑約束和曲率一致性檢測(cè)屋頂?shù)娘@著特征，并對(duì)屋頂輪廓點(diǎn)用直線擬合得到輪廓線，再結(jié)合2.5維對(duì)偶輪廓法（Dual Contouring）生成建筑物表面。這類(lèi)方法在幾何上接近原始數(shù)據(jù)，能夠表達(dá)不同形狀的建筑物。然而簡(jiǎn)化、綜合的過(guò)程沒(méi)有考慮整體結(jié)構(gòu)形狀，容易受到點(diǎn)云缺失、噪聲等影響，導(dǎo)致屋頂不完整和變形，影響最終結(jié)果的準(zhǔn)確性。

第二類(lèi)方法是先提取一些空間特征，如頂點(diǎn)、線段、屋頂面片等，然后將這些特征點(diǎn)、線或面進(jìn)行組合形成完整的建筑物。Chen等［21］使用Canny邊緣檢測(cè)算子從點(diǎn)云深度圖像中的每個(gè)建筑物區(qū)域檢測(cè)初始邊緣。然后將初始邊緣投影到像平面形成緩沖區(qū)，并在緩沖區(qū)中使用霍夫變換檢測(cè)直線。通過(guò)直線的像平面坐標(biāo)和LIDAR數(shù)據(jù)中獲取高程，并獲取相應(yīng)的三維直線。最后基于分裂－合并的方法將這些三維直線組合起來(lái)形成建筑物輪廓。Madhavan等［22］將Sobel邊緣檢測(cè)算子與閾值分割結(jié)合起來(lái)從LIDAR掃描圖像中提取高程跳變邊緣和邊界線。提取出來(lái)的二值化邊緣被細(xì)化為單像素寬，使用霍夫變換從其中提取出直線段，通過(guò)計(jì)算這些直線段的之間的交點(diǎn)將這些直線段連接起來(lái)形成建筑物輪廓。Sohn和 Dowman［23］基于IKONOS影像與LIDAR數(shù)據(jù)融合提取建筑物輪廓周?chē)闹本€。然后使用這些提取出來(lái)的直線基于二叉樹(shù)（Binary Space Partitioning，BSP）多層次劃分建筑物區(qū)域得到一些凸多邊形。最后合并這些凸多邊形形成完整的建筑物輪廓。Elaksher［24］使用霍夫變換找出每棟建筑物的所有邊界線，并計(jì)算非平行邊界線的交點(diǎn)。每3個(gè)～6個(gè)交點(diǎn)組成一個(gè)多邊形，這些多邊形組合起來(lái)形成建筑物輪廓。Jaw和Cheng［25］通過(guò)計(jì)算提取出來(lái)的三維特征線的交點(diǎn)組合構(gòu)建屋頂?shù)耐負(fù)潢P(guān)系，形成建筑物輪廓。Rottensteiner［26］通過(guò)組合屋頂面片計(jì)算出交線或階躍線，從而形成建筑物輪廓。然后通過(guò)將這些輪廓線與數(shù)字影像中提取的邊緣匹配提高建筑物輪廓的精度。Peternell和Steiner［27］通過(guò)從點(diǎn)云和地面規(guī)劃圖中獲取的相鄰屋頂面片和墻面的相交獲取建筑物輪廓。這類(lèi)建筑物提取方法受特征組合處理制約。特征組合的過(guò)程要遵循一些規(guī)則，這些規(guī)則是影響此類(lèi)方法可行性與適應(yīng)性的關(guān)鍵。

第三類(lèi)方法是定義常見(jiàn)的建筑物形狀的參數(shù)模型，然后將待處理的建筑物點(diǎn)云與這些模型進(jìn)行擬合，并調(diào)整模型參數(shù)以找到最合適的建筑物模型。所采用的模型基元通常具有規(guī)則的形狀或是一些預(yù)先設(shè)計(jì)好的模型集合。Vosselman等［28］通過(guò)人工交互式的方法，采用平頂、人字形頂、斜頂?shù)任蓓斈Ｐ突M合LIDAR數(shù)據(jù)。Jinhui等［29］使用基于模型基元的方法通過(guò)人工交互提取具有曲面的建筑物輪廓。他設(shè)計(jì)了大量的模型基元用來(lái)表現(xiàn)建筑物輪廓形狀，這些模型基元分為線性和非線性?xún)煞N。線性基元包括平面、立方體、楔形等，非線性基元包括二次和更高次的曲線。這些基元用一些函數(shù)表示，通過(guò)人工交互選取的控制點(diǎn)進(jìn)行擬合。Henn等［22］使用支持向量機(jī)判斷屋頂類(lèi)型以確定最可能的模型。余燁等［30］根據(jù)屋頂面片法與向量之間的關(guān)系進(jìn)行屋頂類(lèi)型的識(shí)別和模型匹配。Huang等［31］采用一個(gè)基于馬爾科夫鏈蒙特卡羅理論的統(tǒng)計(jì)方法選擇合適的建筑物模型基元。Lafarge等［32］基于貝葉斯決策理論尋找參數(shù)模型的最優(yōu)配置。這類(lèi)方法嚴(yán)重依賴(lài)預(yù)先定義的模型基元，現(xiàn)實(shí)環(huán)境中復(fù)雜多變的建筑物形狀給模型庫(kù)的構(gòu)建帶來(lái)了巨大挑戰(zhàn)。

4 道路信息提取

作為城市區(qū)域的主要空間要素之一，道路信息在城市規(guī)劃、交通導(dǎo)航和災(zāi)害管理等領(lǐng)域發(fā)揮重要作用［33，34］。由于道路的復(fù)雜變化和周?chē)h(huán)境的影響，精確有效地提取道路是一個(gè)具有挑戰(zhàn)性的任務(wù)?；谶b感數(shù)據(jù)的道路提取通常是要獲取道路中心線或者道路所在的區(qū)域［71］，在低分辨率數(shù)據(jù)中道路表示為線狀網(wǎng)絡(luò)，而在高分辨率數(shù)據(jù)中道路表示為二維區(qū)域。道路提取的任務(wù)通常分為兩個(gè)步驟：道路檢測(cè)和矢量化。道路檢測(cè)是區(qū)分道路與其他地物，而矢量化是在區(qū)分出的道路中提取中心線、平行道路線或詳細(xì)的道路多邊形區(qū)域。

目前已提出許多不同的從LIDAR數(shù)據(jù)中提取道路的方法。Boyko和Funkhouser［35］使用一個(gè)基于地圖的方法，即將已有的二維道路網(wǎng)地圖投影到點(diǎn)云上。根據(jù)二維地圖預(yù)測(cè)高程不連續(xù)的道路邊沿位置使用活動(dòng)輪廓模型去擬合高程不連續(xù)的位置。在活動(dòng)輪廓內(nèi)的點(diǎn)都被標(biāo)記為道路點(diǎn)。Zhu和Mordohai［33］假設(shè)道路為矩形，根據(jù)邊緣和區(qū)域特征進(jìn)行分割，將道路提取問(wèn)題轉(zhuǎn)變?yōu)樽钚“瑔?wèn)題。Choi等［36］根據(jù)樣本道路的回波強(qiáng)度信息對(duì)道路點(diǎn)進(jìn)行判斷。Clode等［35］使用一個(gè)多層次分類(lèi)的方法將點(diǎn)云逐步分為道路點(diǎn)和非道路點(diǎn)，并結(jié)合回波強(qiáng)度、高程和局部點(diǎn)密度進(jìn)行分析。局部點(diǎn)密度用來(lái)判斷有多少與待處理點(diǎn)相鄰的點(diǎn)擁有相近的光譜和幾何特征。分類(lèi)得到的道路區(qū)域使用一個(gè)相位編碼圓盤(pán)（Phase Coded Disk）算法進(jìn)行矢量化，分別得到道路中心線、寬度和方向。Zhao和You［37］設(shè)計(jì)了一套具有可變寬度和方向的延長(zhǎng)結(jié)構(gòu)模板去擬合局部強(qiáng)度分布，并使用一個(gè)區(qū)域投票方法進(jìn)行精化。但是該方法不能提取曲線道路。由于通常是從點(diǎn)云濾波得到的地面點(diǎn)中進(jìn)行分類(lèi)提取道路，而其他地面類(lèi)別（如草地和裸露地面）與道路具有相近高程，因此回波強(qiáng)度被用來(lái)區(qū)分道路和其他地面類(lèi)別。然而，回波強(qiáng)度受多方面因素的影響，如地面反射率、激光傳播功率、大氣衰減、入射角和掃描距離等。由于缺少（合適的回波強(qiáng)度校正方法，難以根據(jù)回波強(qiáng)度直接對(duì)地面點(diǎn)進(jìn)行分類(lèi)。因此，現(xiàn)有方法主要依據(jù)道路回波強(qiáng)度的同質(zhì)性和連續(xù)性特征進(jìn)行分割和聚類(lèi)。此外，還存在遮擋引起數(shù)據(jù)缺失（如樹(shù)木和車(chē)輛）、噪聲（如路面標(biāo)記和污染），不同道路材質(zhì)（如瀝青和水泥）等問(wèn)題，如圖3所示。

圖3 城市區(qū)域的點(diǎn)云回波強(qiáng)度分布

5 結(jié) 論

LIDAR技術(shù)為快速獲取高精度、高密度的三維空間數(shù)據(jù)提供了有力的支持，但是高效、自動(dòng)的空間要素信息提取依然存在大量問(wèn)題有待解決。如何有效區(qū)分地面的起伏特征與復(fù)雜的地物是點(diǎn)云濾波處理的難點(diǎn)。點(diǎn)云分布不均、屋頂材料對(duì)激光的吸收、地物的遮擋、細(xì)小的屋頂結(jié)構(gòu)等情況經(jīng)常出現(xiàn)，從而影響了基于數(shù)據(jù)的建筑物提取方法的精度和可靠性，而大范圍城市區(qū)域建筑物形狀結(jié)構(gòu)復(fù)雜多變又給基于預(yù)定義模型庫(kù)的建筑物提取方法的普適性帶來(lái)了極大挑戰(zhàn)。道路數(shù)據(jù)缺失、噪聲干擾、具有相似回波強(qiáng)度的地面類(lèi)別（如停車(chē)場(chǎng)）都極大影響著最終道路提取的準(zhǔn)確性。

若僅使用單一點(diǎn)云數(shù)據(jù)，結(jié)合點(diǎn)云高程信息與影像光譜信息的處理分析有望獲得更好結(jié)果，因此被許多學(xué)者認(rèn)為是一個(gè)很有前途的研究方向。但是如何融合這兩種具有互補(bǔ)性的數(shù)據(jù)源，抑制噪聲干擾，自適應(yīng)提取復(fù)雜的地理空間要素，目前都是亟待解決的問(wèn)題。

［1］ ROTTENSTEINER F，SOHN G，GERKE M，et al.Results of the ISPRS benchmark on urban object detection and 3Dbuilding reconstruction ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014，93（0）：256－271.

［2］ SITHOLE G，VOSSELMAN G.Experimental comparison of filter algorithms for bare－Earth extraction from airborne laser scanning point clouds［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，59（1）：85－101.

［3］ LEE H S，YOUNAN N H.DTM extraction of lidar returns via adaptive processing ［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（9）：2063－2069.

［4］ PFEIFER N，STADLER P，BRIESE C.Derivation of digital terrain models in the SCOP environment［C］.OEEPE workshop on airborne laser scanning and interferometric SAR for detailed digital elevation models，2001，3612.

［5］ CHEN C，LI Y，LI W，et al.A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，82（0）：1－9.

［6］ MONGUS D，?ALIK B.Parameter－free ground filtering of LiDAR data for automatic DTM generation［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2012，67（0）：1－12.

［7］ PETZOLD B，REISS P，ST SSEL W.Laser scanning—surveying and mapping agencies are using a new technique for the derivation of digital terrain models［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1999，54（2）：95－104.

［8］ CHEN Q，GONG P，BALDOCCHI D，et al.Filtering airborne laser scanning data with morphological methods［J］.Photogrammetric Engineering and Remote Sensing，2007，73（2）：175－185.

［9］ LI Y，WU H，XU H，et al.A gradient－constrained morphological filtering algorithm for airborne LiDAR［J］.Optics and Laser Technology，2013，54：288－296.

［10］ PINGEL T J，CLARKE K C，MCBRIDE W A.An improved simple morphological filter for the terrain classification of airborne LIDAR data ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，77（0）：21－30.

［11］ LI Y，YONG B，WU H，et al.An improved top－h(huán)at filter with sloped brim for extracting ground points from airborne lidar point clouds ［J］.Remote Sensing，2014，6（12）：12885－12908.

［12］ HENN A，GR GER G，STROH V，et al.Model driven reconstruction of roofs from sparse LIDAR point clouds［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，76（0）：17－29.

［13］ 王植，李慧盈，吳立新，等.基于RANSAC模型的機(jī)載LiDAR數(shù)據(jù)中建筑輪廓提取算法 ［J］.東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，33（2）：271－275.

［14］ LI Y，WU H，AN R，et al.An improved building boundary extraction algorithm based on fusion of optical imagery and LIDAR data［J］.Optik，2013，124（22）：5357－5362.

［15］ ZHANG K，YAN J，CHEN S－C.Automatic Construction of Building Footprints From Airborne LIDAR Data［J］.IEEE Transactions on Geoscience and Remote Sensing，2006，44（9）：2523－2533.

［16］ SAMPATH A，SHAN J.Building boundary tracing and regularization from airborne lidar point clouds［J］.Photogrammetric Engineering and Remote Sensing，2007，73（7）：805－812.

［17］ LACH S R，KEREKES J P.Robust Extraction of Exterior Building Boundaries from Topographic Lidar Data［C］.IEEE International Geoscience and Remote Sensing Symposium，IGARSS，2008，2：85－88.

［18］ 沈蔚，李京，陳云浩，等.基于LIDAR數(shù)據(jù)的建筑輪廓線提取及規(guī)則化算法研究 ［J］.遙感學(xué)報(bào)，2008，12（5）：692－698.

［19］ 曾齊紅，毛建華，李先華，等.建筑物L(fēng)iDAR點(diǎn)云的屋頂邊界提取 ［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2009，34（4）：383－386.

［20］ SUN S，SALVAGGIO C.Aerial 3Dbuilding detection and modeling from airborne LiDAR point clouds［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6（3）：1440－1449.

［21］ CHEN L，TEO T，SHAO Y，et al.Fusion of LIDAR data and optical imagery for building modeling［J］.International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences，2004，35（Part B4）：732－737.

［22］ MADHAVAN B B，WANG C，TANAHASHI H，et al.A computer vision based approach for 3Dbuilding modelling of airborne laser scanner DSM data ［J］.Computers，Environment and Urban Systems，2006，30（1）：54－77.

［23］ SOHN G，DOWMAN I.Data fusion of high－resolution satellite imagery and LiDAR data for automatic building extraction ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2007，62（1）：43－63.

［24］ ELAKSHER A F.Fusion of hyperspectral images and lidar－based dems for coastal mapping［J］.Optics and Lasers in Engineering，2008，46（7）：493－498.

［25］ JAW J J，CHENG C C.Building roof reconstruction by fusion laser range data and aerial images［J］.International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences，2008，37（Part B3b）：707－712.

［26］ ROTTENSTEINER F.Automatic generation of high－quality building models from lidar data ［J］.IEEE Computer Graphics and Applications，2003，23（6）：42－50.

［27］ PETERNELL M，STEINER T.Reconstruction of piecewise planar objects from point clouds［J］.Computer－Aided Design，2004，36（4）：333－342.

［28］ VOSSELMAN G，KESSELS P，GORTE B.The utilisation of airborne laser scanning for mapping［J］.International Journal of Applied Earth Observation and Geoinformation，2005，6（3－4）：177－186.

［29］ JINHUI H，SUYA Y，NEUMANN U.Integrating LiDAR，Aerial Image and Ground Images for Complete Urban Building Modeling［C］.the Third International Symposium on 3DData Processing，Visualization，and Transmission，2006：184－191.

［30］ 余燁，劉曉平，韓江洪，等.從稀疏LiDAR數(shù)據(jù)中重建居民區(qū)建筑物 ［J］.中國(guó)圖象圖形學(xué)報(bào)，2011，16（9）：1681－1688.

［31］ HUANG H，BRENNER C，SESTER M.A generative statistical approach to automatic 3Dbuilding roof reconstruction from laser scanning data ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，79（0）：29－43.

［32］ LAFARGE F，DESCOMBES X，ZERUBIA J，et al.Structural approach for building reconstruction from a single DSM ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（1）：135－147.

［33］ ZHU Q，MORDOHAI P.A minimum cover approach for extracting the road network from airborne LIDAR data ［C］.12th International Conference on Computer Vision Workshops，2009：1582－1589.

［34］ BOYKO A，F(xiàn)UNKHOUSER T.Extracting roads from dense point clouds in large scale urban environment［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6，Supplement）：S2－S12.

［35］ CLODE S，ROTTENSTEINER F，KOOTSOOKOS P，et al.Detection and Vectorization of Roads from Lidar Data ［J］.Photogrammetric Engineering and Remote Sensing，2007，73（5）：517－535.

［36］ CHOI Y W，JANG Y W，LEE H J，et al.Three－dimensional LiDAR data classifying to extract road point in urban area［J］.IEEE Geoscience and Remote Sensing Letters，2008，5（4）：725－729.

［37］ ZHAO J，YOU S.Road network extraction from airborne LiDAR data using scene context［C］.Computer Vision and Pattern Recognition Workshops（CVPRW），2012IEEE Computer Society Conference on，2012：9－16.