趙 傳，張保明，陳小衛(wèi)，郭海濤，唐梁珂

(1. 信息工程大學(xué)地理空間信息學(xué)院,河南 鄭州 450001; 2. 61618部隊(duì), 北京 102100)

一種基于LiDAR點(diǎn)云的建筑物提取方法

趙 傳1，張保明1，陳小衛(wèi)1，郭海濤1，唐梁珂2

(1. 信息工程大學(xué)地理空間信息學(xué)院,河南 鄭州 450001; 2. 61618部隊(duì), 北京 102100)

從機(jī)載雷達(dá)點(diǎn)云數(shù)據(jù)中快速準(zhǔn)確提取建筑物是當(dāng)前研究的難點(diǎn)和熱點(diǎn)。在對(duì)現(xiàn)有建筑物點(diǎn)云提取方法充分研究和分析的基礎(chǔ)上，本文提出了一種基于LiDAR點(diǎn)云的建筑物提取方法。首先根據(jù)建筑物的幾何特性提取初始建筑物輪廓點(diǎn)；然后構(gòu)建局部協(xié)方差矩陣計(jì)算點(diǎn)云分布特征，剔除非建筑物輪廓點(diǎn)；最后利用DBSCAN聚類算法對(duì)建筑物輪廓點(diǎn)聚類，以聚類結(jié)果為基礎(chǔ)構(gòu)建緩沖區(qū)，以緩沖區(qū)內(nèi)所有建筑物輪廓點(diǎn)為初始種子點(diǎn)，采用圓柱體鄰域進(jìn)行多種子點(diǎn)區(qū)域增長(zhǎng)，實(shí)現(xiàn)建筑物點(diǎn)云的提取。通過兩組試驗(yàn)，共5組數(shù)據(jù)驗(yàn)證本文算法的性能。試驗(yàn)結(jié)果表明，該方法能夠準(zhǔn)確、有效地提取多層復(fù)雜的建筑物點(diǎn)云，效率高，且具有一定的適用性。

建筑物提?。唤ㄖ镙喞c(diǎn)；多種子點(diǎn)；區(qū)域增長(zhǎng)；LiDAR點(diǎn)云

建筑物三維模型對(duì)于正射影像生成、地形圖修測(cè)、變化檢測(cè)、能源和財(cái)產(chǎn)管理，以及許多基于位置的服務(wù)都至關(guān)重要[1]，如何生成可靠和準(zhǔn)確的建筑物三維模型一直是建筑物三維重建領(lǐng)域研究的熱點(diǎn)和難點(diǎn)。激光雷達(dá)測(cè)量(LiDAR)作為一種通過位置、距離、角度等觀測(cè)數(shù)據(jù)直接獲取對(duì)象表面點(diǎn)三維坐標(biāo)，實(shí)現(xiàn)場(chǎng)景信息提取的技術(shù)，已廣泛應(yīng)用于建筑物三維重建。如何從激光雷達(dá)掃描數(shù)據(jù)中準(zhǔn)確提取建筑物點(diǎn)云，是基于LiDAR點(diǎn)云的建筑物三維重建的首要任務(wù)。

目前，已有大量基于LiDAR點(diǎn)云提取建筑物的方法，主要可以分為5類：①基于點(diǎn)云重采樣的方法[2]。該類方法將點(diǎn)云重采樣得到規(guī)則格網(wǎng)數(shù)據(jù)或柵格化成距離圖像，利用已有圖像處理方法提取建筑物，但數(shù)據(jù)重采樣會(huì)降低提取結(jié)果的精度。②基于特征分類的方法[3-4]。該類方法首先由LiDAR點(diǎn)云數(shù)據(jù)計(jì)算點(diǎn)云特征及影像特征，選取部分點(diǎn)云作為訓(xùn)練樣本，利用SVM、IVM、Adaboost等機(jī)器學(xué)習(xí)算法將點(diǎn)云分類，從分類結(jié)果中得到建筑物點(diǎn)云。這類方法計(jì)算復(fù)雜度較高，特征學(xué)習(xí)時(shí)間較長(zhǎng)，且由于分類時(shí)沒有考慮鄰域信息，存在將同一地物點(diǎn)云分為多種類別地物的情況。③基于濾波的方法[5]。該類方法先將地面點(diǎn)濾除，然后再對(duì)濾波得到的地物點(diǎn)云進(jìn)行處理，得到建筑物點(diǎn)云，但濾波參數(shù)難以設(shè)置，適應(yīng)性較差。④基于區(qū)域增長(zhǎng)的方法[6-7]。該類方法一般先構(gòu)建三角網(wǎng)或計(jì)算點(diǎn)云法線等特征，然后根據(jù)建筑物屋頂面的特性，采用計(jì)算相鄰三角形或點(diǎn)云法線夾角的策略提取建筑物點(diǎn)云，但初始種子點(diǎn)和增長(zhǎng)停止準(zhǔn)則難以確定，增長(zhǎng)過程比較耗時(shí)且容易出現(xiàn)過增長(zhǎng)。⑤其他方法，如文獻(xiàn)[8—9]提出的多標(biāo)記點(diǎn)過程方法。

盡管已有多種建筑物點(diǎn)云提取方法，但試驗(yàn)對(duì)比表明[10]，準(zhǔn)確高效且適用性較好的方法仍有待深入研究，因此本文提出一種基于LiDAR點(diǎn)云的建筑物提取方法。該方法以建筑物輪廓點(diǎn)為初始種子點(diǎn)，采用圓柱體鄰域進(jìn)行區(qū)域增長(zhǎng)，解決了種子點(diǎn)和增長(zhǎng)策略難以確定的問題。通過構(gòu)建緩沖區(qū)，有效地解決了過增長(zhǎng)的情況。通過對(duì)不同地區(qū)的LiDAR點(diǎn)云進(jìn)行試驗(yàn)，驗(yàn)證了該方法提取建筑物點(diǎn)云的有效性和可靠性。

1 基本原理

1.1 建筑物初始輪廓點(diǎn)提取

ΔHi=hP-hQii=1,2，…,k

(1)

建筑物在空間上表現(xiàn)為高于地面，因此建筑物輪廓點(diǎn)與地面點(diǎn)的高差較大且為正。為凸顯建筑物輪廓點(diǎn)的高程梯度，先進(jìn)行如下處理

(2)

考慮到局域范圍可能存在洼地、坑等地勢(shì)起伏較大的情況，將k鄰域點(diǎn)的高差進(jìn)行加權(quán)平均，得到點(diǎn)P高程梯度

(3)

式中，ωQi為鄰域點(diǎn)Qi計(jì)算點(diǎn)P高程梯度的權(quán)值，應(yīng)滿足高程梯度越大權(quán)值越大，采用如下公式計(jì)算

(4)

1.2 非建筑物輪廓點(diǎn)剔除

由于現(xiàn)實(shí)場(chǎng)景的復(fù)雜性，初始建筑物輪廓點(diǎn)中存在高大植被、圍墻、電力線等地物點(diǎn)，為準(zhǔn)確提取建筑物點(diǎn)云，必須剔除非建筑物輪廓點(diǎn)。局部協(xié)方差矩陣通過累加點(diǎn)云鄰域點(diǎn)在3個(gè)分量方向上到鄰域點(diǎn)質(zhì)心的平方距離，描述點(diǎn)云在局部范圍內(nèi)的統(tǒng)計(jì)特性[11]，因此通過構(gòu)建局部協(xié)方差矩陣，計(jì)算初始建筑物輪廓點(diǎn)統(tǒng)計(jì)特性，并根據(jù)真實(shí)建筑物點(diǎn)云統(tǒng)計(jì)特性，設(shè)置特征值閾值剔除非建筑物點(diǎn)。

(5)

記Cp特征值和特征向量分別為λi、vi，i=0,1,2，且滿足λ0<λ1<λ2，則點(diǎn)P的法向量為v0。局部協(xié)方差矩陣特征值反映了鄰域點(diǎn)沿相應(yīng)特征向量方向的變化[11]，機(jī)載激光掃描系統(tǒng)在獲取點(diǎn)云時(shí)為近似垂直掃描，建筑物點(diǎn)云法向量基本垂直于其所在的屋頂面，法線分布一致性很強(qiáng)，因此建筑物點(diǎn)云沿法線方向變化很小(即λ0很小)，本文設(shè)定固定量化間隔，采用統(tǒng)計(jì)直方圖的方法自適應(yīng)確定特征值閾值Tf，剔除非建筑物輪廓點(diǎn)。

1.3 多種子點(diǎn)區(qū)域增長(zhǎng)

雖然通過點(diǎn)云特征能有效地剔除非建筑物輪廓點(diǎn)，但由于現(xiàn)實(shí)場(chǎng)景的復(fù)雜性等因素的影響，得到的建筑物輪廓點(diǎn)仍然不可避免存在少量非建筑物輪廓點(diǎn)。同時(shí)，在剔除非建筑物輪廓點(diǎn)時(shí)，部分建筑物輪廓點(diǎn)也被誤剔除，造成同一建筑物的輪廓點(diǎn)不連續(xù)，形狀各不相同。為提取完整的建筑物點(diǎn)云，同時(shí)避免區(qū)域增長(zhǎng)產(chǎn)生過增長(zhǎng)的情形，先將建筑物輪廓點(diǎn)聚類并建立緩沖區(qū)。

通過對(duì)提取的初始建筑物輪廓點(diǎn)的分析，本文采用一種經(jīng)典的基于密度的聚類算法——DBSCAN(density-based spatial clustering of applications with noise)。該算法無需設(shè)定簇的數(shù)量，能在識(shí)別任何形狀簇的同時(shí)識(shí)別噪聲點(diǎn)[12]，克服了如k-means、ISODATA等只考慮簇中心之間距離的聚類算法的缺點(diǎn)，適合對(duì)初始建筑物輪廓點(diǎn)聚類。DBSCAN算法需要設(shè)置兩個(gè)參數(shù)，即區(qū)域半徑和區(qū)域中點(diǎn)的個(gè)數(shù)，區(qū)域半徑取決于建筑物分布的稠密程度和建筑物間的距離，本文中區(qū)域半徑以點(diǎn)云分辨率為單位，點(diǎn)云分辨率通過所有點(diǎn)的最鄰近點(diǎn)距離的均值計(jì)算。

為提取完整的建筑物點(diǎn)云，本文以聚類得到的各個(gè)類的外接矩形為基礎(chǔ)，向四周擴(kuò)展一定距離，根據(jù)現(xiàn)實(shí)生活中建筑物的寬度，一般取為2～5 m，本文試驗(yàn)中取為3 m，形成緩沖區(qū)。

構(gòu)建緩沖區(qū)后，以緩沖區(qū)中建筑物輪廓點(diǎn)為初始種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)。具體處理步驟如下：

(1) 任選一個(gè)緩沖區(qū)，將緩沖區(qū)中建筑物輪廓點(diǎn)標(biāo)記為建筑物點(diǎn)，計(jì)算區(qū)域增長(zhǎng)前建筑物輪廓點(diǎn)平均高度值mean(H0)。

(2) 以緩沖區(qū)中的點(diǎn)云數(shù)據(jù)為基礎(chǔ)，采用圓柱體鄰域(記圓柱體的高和半徑分別為Hcylindar、rcylindar)建立KD樹，得到點(diǎn)云的鄰域關(guān)系。

(3) 以緩沖區(qū)內(nèi)所有建筑物輪廓點(diǎn)為初始種子點(diǎn)，將滿足下式關(guān)系的種子點(diǎn)P的所有鄰域點(diǎn)Qi標(biāo)記為待增長(zhǎng)種子點(diǎn)

(6)

(4) 重復(fù)步驟(3)，直到緩沖區(qū)中沒有點(diǎn)可被標(biāo)記為待增長(zhǎng)種子點(diǎn)。將得到的待增長(zhǎng)種子點(diǎn)標(biāo)記為建筑物點(diǎn)，并計(jì)算區(qū)域增長(zhǎng)之后建筑物點(diǎn)云的平均高度mean(H1)。

(5) 對(duì)于同一建筑物，輪廓點(diǎn)一般低于屋頂面點(diǎn)，區(qū)域增長(zhǎng)后建筑物點(diǎn)云平均高程大于建筑物輪廓點(diǎn)平均高程，因此如果mean(H1)-mean(H0)<ε，ε根據(jù)緩沖區(qū)中建筑物最大最小程設(shè)置，一般為0.5，則認(rèn)為過度增長(zhǎng)，此時(shí)結(jié)合所得建筑物點(diǎn)云中最低點(diǎn)高程和平均高程，剔除過增長(zhǎng)的地面點(diǎn)。

(6) 重復(fù)步驟(1)—步驟(5)，直到所有緩沖區(qū)處理結(jié)束，即可得到完整的建筑物點(diǎn)云。

2 試驗(yàn)結(jié)果及分析

為驗(yàn)證本文算法的有效性，在HPIntel2.3GHz、8GBRAM和MatlabR2014a的軟硬件條件下進(jìn)行2組試驗(yàn)，共5組數(shù)據(jù)(記為1～5)。試驗(yàn)1包括2組數(shù)據(jù)(數(shù)據(jù)1～2，基本信息見表1)，數(shù)據(jù)1為TerraSolid提供的Niagara地區(qū)點(diǎn)云數(shù)據(jù)，數(shù)據(jù)2為非洲某地區(qū)的點(diǎn)云數(shù)據(jù)。試驗(yàn)2包括3組數(shù)據(jù)(數(shù)據(jù)3～5，基本信息見表2)，由ISPRS提供，數(shù)據(jù)包含形狀復(fù)雜分布密集的歷史建筑物、被樹木圍繞的高層城市住宅和有小附屬建筑物的居民區(qū)。

兩組試驗(yàn)中設(shè)置提取建筑物最低高度TH為2m，初始建筑物輪廓點(diǎn)計(jì)算鄰域點(diǎn)個(gè)數(shù)為80個(gè)，圓柱體鄰域高Hcylindar和半徑rcylindar分別為1.5m和5倍點(diǎn)云分辨率，特征值直方圖量化間隔為0.001，初始建筑物輪廓點(diǎn)集中植被點(diǎn)與建筑物點(diǎn)比例為0.01。

表1 試驗(yàn)1數(shù)據(jù)信息

表2 試驗(yàn)2數(shù)據(jù)信息

圖1為5組數(shù)據(jù)的提取結(jié)果，其中5行代表5組數(shù)據(jù)，3列分別代表原始點(diǎn)云、建筑物輪廓點(diǎn)提取結(jié)果和建筑物點(diǎn)云提取結(jié)果。

圖1 原始點(diǎn)云、建筑物輪廓點(diǎn)及建筑物提取結(jié)果

由圖1(b)、(e)、(h)、(k)、(n)可知，算法較好地提取出了所有建筑物輪廓點(diǎn)，其中圖1(k)和(h)中部分建筑物輪廓點(diǎn)未能提取，主要原因有：建筑物的遮擋造成建筑物附近地面點(diǎn)無法獲取，在計(jì)算高程梯度時(shí)該區(qū)域建筑物輪廓點(diǎn)的鄰域點(diǎn)全部屬于建筑物點(diǎn)，得到的高程梯度小于設(shè)定的高程梯度閾值；在剔除非建筑物輪廓點(diǎn)時(shí)，部分建筑物輪廓點(diǎn)被誤剔除。從圖1(a)、(f)、(i)、(l)、(o)可看出，不完整的建筑物輪廓點(diǎn)對(duì)提取結(jié)果影響較小，算法較好地提取出所有建筑物點(diǎn)云。

為了直觀地評(píng)價(jià)建筑物提取結(jié)果，圖2(a)—(e)分別為數(shù)據(jù)1～5的評(píng)價(jià)結(jié)果圖。圖2(a)和(b)通過將提取結(jié)果和參考點(diǎn)云同時(shí)投影到平面上得到，圖2(c)—(e)是由ISPRS測(cè)試數(shù)據(jù)組織者基于像素的評(píng)價(jià)結(jié)果。圖中白色、灰色、黑色分別代表正確提取、錯(cuò)誤提取、漏提取的建筑物點(diǎn)。

圖2 評(píng)價(jià)結(jié)果

表3和表4分別為試驗(yàn)1、2建筑物提取的定量評(píng)價(jià)結(jié)果，試驗(yàn)1采用文獻(xiàn)[4]的評(píng)價(jià)方法。

表3 試驗(yàn)1結(jié)果

從表3中可以看出，相比SVM和IVM兩種方法，本文算法具有更高的準(zhǔn)確率，同時(shí)效率也較高。

結(jié)合圖2(a)和(b)中黑色和灰色區(qū)域分析可知，誤提取的建筑物點(diǎn)云主要由于建筑物周圍有植被環(huán)繞，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，算法無法提取其輪廓點(diǎn)；屋頂上有煙囪等附屬物，且相對(duì)高度較高，當(dāng)區(qū)域增長(zhǎng)時(shí)圓柱體高設(shè)置為1.5 m時(shí)，無法通過區(qū)域增長(zhǎng)提取。

試驗(yàn)2結(jié)果由ISPRS測(cè)試數(shù)據(jù)組織者根據(jù)實(shí)際參考數(shù)據(jù)進(jìn)行評(píng)價(jià)，采用基于像素的評(píng)價(jià)方法，具體評(píng)價(jià)結(jié)果見表4。

表4 試驗(yàn)2結(jié)果

從表4可知，在基于面積的評(píng)價(jià)方面，文獻(xiàn)[13]的方法正確率較高，本文方法次之，均優(yōu)于文獻(xiàn)[8]的方法；在基于目標(biāo)的評(píng)價(jià)方面，本文方法正確率較高，文獻(xiàn)[8]的方法稍優(yōu)于文獻(xiàn)[13]的方法。

結(jié)合圖2(c)—(e)分析可知，算法誤提取了部分地面點(diǎn)，如圖2(c)中灰色區(qū)域，原因是該區(qū)域左側(cè)高程存在很大的突變(大于2 m)；算法漏提取了部分建筑物點(diǎn)云，如圖2(c)和圖2(d)中的黑色區(qū)域，原因是原始點(diǎn)云數(shù)據(jù)中部分建筑物點(diǎn)云獲取不全(如圖2(e)的右上角黑色區(qū)域)及建筑物高度較低。此外算法提取結(jié)果為建筑物點(diǎn)云，評(píng)價(jià)時(shí)采用的是影像，因此也會(huì)引入一定的誤差，尤其在建筑物邊緣區(qū)域。

通過分析兩組試驗(yàn)可知，本文方法能較好地處理不同分辨率的點(diǎn)云數(shù)據(jù)。對(duì)于分布在建筑物周圍且高度與其接近的植被，算法通過構(gòu)建緩沖區(qū)，以及采用圓柱體鄰域在平面和高程分別加以限制，降低了其對(duì)提取結(jié)果的影響。

3 結(jié)束語

本文提出了一種基于建筑物輪廓點(diǎn)的區(qū)域增長(zhǎng)提取建筑物點(diǎn)云的方法。該方法以建筑物輪廓點(diǎn)為區(qū)域增長(zhǎng)初始種子點(diǎn)，較好地解決了初始種子點(diǎn)難以確定問題；通過DBSCAN聚類并構(gòu)建緩沖區(qū)，有效地避免了過增長(zhǎng)情形；采用構(gòu)建緩沖區(qū)和圓柱體鄰域的區(qū)域增長(zhǎng)策略，較大地提高了提取精度。

兩組試驗(yàn)結(jié)果表明，本文方法能較好地處理不同分辨率的點(diǎn)云數(shù)據(jù)，在無先驗(yàn)信息的情況下，能準(zhǔn)確地提取出多層復(fù)雜的建筑物點(diǎn)云，適應(yīng)性較強(qiáng)，效率較高。此外，提取結(jié)果可為后續(xù)的建筑物重建等處理提供穩(wěn)定可靠的初始信息，具有較大的應(yīng)用價(jià)值。然而，本文算法提取了部分分布在建筑物邊緣且高度接近的植被，如何完全剔除這部分植被點(diǎn)還有待進(jìn)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] 尤紅建,蘇林,李樹楷.利用機(jī)載三維成像儀的DSM數(shù)據(jù)自動(dòng)提取建筑物[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)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] 劉志青, 李鵬程, 陳小衛(wèi),等. 基于信息向量機(jī)的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類[J]. 光學(xué)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] 羅勝,姜挺,王鑫,等.原始機(jī)載LiDAR點(diǎn)云中建筑物激光點(diǎn)的自動(dòng)提取[J]. 測(cè)繪科學(xué)技術(shù)學(xué)報(bào), 2013, 30(3):269-273.

[8] 徐文學(xué),楊必勝,董震,等.標(biāo)記點(diǎn)過程用于點(diǎn)云建筑物提取[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2014, 39(5):520-525.

[9] 徐文學(xué),楊必勝,魏征,等.多標(biāo)記點(diǎn)過程的LiDAR點(diǎn)云數(shù)據(jù)建筑物和樹冠提取[J].測(cè)繪學(xué)報(bào),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

趙傳，張保明，陳小衛(wèi)，等.一種基于LiDAR點(diǎn)云的建筑物提取方法[J].測(cè)繪通報(bào)，2017(2)：35-39.

10.13474/j.cnki.11-2246.2017.0044.

2016-09-12

國(guó)家自然科學(xué)基金(41101396；41001262)；地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室開放研究基金(SKLGIE2015-M-3-3)

趙 傳(1991—)，男，碩士生，研究方向?yàn)閿z影測(cè)量與遙感、點(diǎn)云建筑物提取與三維模型重建等。E-mail：zc_mail163@163.com

P237

A

0494-0911(2017)02-0035-05