賈秋英，王子盟，顏志臻，寧 毅

(中煤數字科技(廣州)有限公司，廣東 廣州 510000)

近年來，隨著“數字城市”、“智慧城市”建設的全面鋪開，傾斜攝影測量技術得到了快速的發(fā)展。建筑物作為城市中最重要的研究對象，許多實際應用都與其有關[1]，比如城市規(guī)劃、公共安全研究、環(huán)境監(jiān)測研究、無線通訊、災害評估等。建筑物的檢測、提取與重建也是傾斜攝影測量、遙感等領域的主要研究課題之一。我國在“十四五”期間將推動自然資源登記等系統(tǒng)，從二維邁向三維，解決自然資源調查、確權和國土空間用途管制等問題的關鍵技術。因此，研究快速準確提取建筑物三維模型與國家的發(fā)展趨勢相適應。盡管傾斜攝影測量方法仍然是目前提取大規(guī)模城區(qū)建筑的有效手段，但基于影像或點云提取建筑物輪廓線的方法還存在許多困難，噪聲、光照條件、陰影、遮擋以及場景的復雜性使得建筑物輪廓線的提取變得相當復雜。

傳統(tǒng)傾斜攝影測量地形圖中建筑物的輪廓線通常都是是通過EPS等軟件人工采集的，但人工采集成本高、耗時長、效率低，且采集精度容易受到人員水平影響。面對一個城市范圍海量級的建筑物模型，采用人工采集建筑物輪廓線已明顯不能滿足工期要求，亟待自動提取方法的研究和挖掘來大幅提高生產效率。本文主要研究利用傾斜攝影測量技術進行建筑物輪廓線的自動提取，通過多種算法的測試和研究，最后提出一種最優(yōu)化的自動或半自動提取建筑物輪廓線的方法，對大幅提高生產效率具有重要的研究價值，從而產生更廣泛的社會經濟效益。

由于LiDAR數據采集成本遠高于影像，利用高分影像提取建筑物仍是建筑物提取的重要手段；而相較于垂直航空影像和衛(wèi)星影像，傾斜航空影像具有建筑物立面可見、遮擋少的特點，是建筑物模型獲取的優(yōu)質數據源。

現階段建筑物自動采集主要基于影像和點云數據進行。基于影像的自動提取主要通過建筑物的光譜、紋理、形狀、空間關系等基本特征，構建建筑提取的規(guī)則[2]，或通過深度學習從標記數據中自動學得抽象特征[3]。然而基于影像的建筑自動提取技術存在遮擋嚴重、算法復雜等問題，需要組織強大的團隊進行大量的樣本數據實驗得到研究成果，耗資巨大，且成果不可預知。因此，雖然從思路上可行，但很少有人付諸實施。

近年來，傾斜攝影測量點云逐步在建筑物自動采集領域得到了更多的關注。傾斜攝影測量點云作為一種新興數據，因其具有豐富的地物表面信息和低成本、高精度、高效率等優(yōu)勢獲得廣泛關注，并在建筑物提取和建筑物單體化等方面表現出廣大的應用前景。在利用傾斜攝影測量技術提取建筑物的應用中，目前的技術主要通過密集匹配生成點云數據[4]，再根據點云進行濾波、分類等步驟提取出建筑物。李濤等[5]將 LiDAR 點云數據和灰度影像融合，首先根據灰度影像獲得建筑物二維圖像，然后將圖像與點云數據進行粗匹配，判斷出建筑物初始區(qū)域，最后通過閾值處理精確提取建筑物點云。崔建軍等[6]根據邊緣檢測算法提取建筑物，利用邊緣檢測算子對 DSM 深度影像做處理，獲得建筑物邊緣。任自珍等[7]根據等高線形狀分析法提取出建筑物，利用點云數據獲得等高線，并結合等高線形狀的特征參數獲得建筑物區(qū)域的等高線，根據建筑物輪廓的拓撲關系與幾何特征等信息提取建筑物。王果等[8]提出一種基于CSF算法，確定布料由重力下降后所停留的位置作為建筑頂面的初步識別,然后通過密度聚類算法進行建筑區(qū)分,從而實現建筑物頂面的單體化提取的方法。

研究旨在通過算法測試及優(yōu)化提供一種具有應用價值的建筑物自動提取的關鍵技術，為建筑物采集領域的研究提供更好的條件，為進一步深入開發(fā)相應算法、擴大建筑自動提取的應用提供理論支持。

1 傾斜攝影測量技術

1.1 傾斜攝影測量原理

傾斜攝影測量技術，通過在多旋翼無人機上搭載五鏡頭相機，同時從垂直、傾斜等不同角度采集影像，傾斜攝影測量原理如圖1所示，記錄下拍攝瞬間的航速、航高、航向、旁向及航向旁向重疊度等信息，對被攝物體的大小、形狀、特性、位置信息通過軟件處理進行獲取。垂直地面角度拍攝獲取的是垂直向下的一組影像，稱為正片，鏡頭朝向與地面成一定夾角拍攝獲取的四組影像分別指向東南西北，稱為斜片。傾斜影像能提供更好的視角去觀察建筑物側面，這一特點正好滿足了建筑物表面紋理生成的需要。

圖1 傾斜攝影測量原理Fig.1 Principle of tilt photogrammetry

1.2 傾斜攝影測量技術流程

傾斜攝影測量的技術流程如圖2所示。

圖2 傾斜攝影技術流程Fig.2 Flow chart of tilt photography technology

2 本項目研究的技術路線

本研究的技術路線是：從無人機傾斜攝影及像控和空三出發(fā)，通過密集匹配生成彩色密集點云出發(fā)，基于改進的PTD算法進行彩色點云的濾波完成地物點和地面點的分離，再對地物點進行屋頂面片的分割，通過算法分別提取每個建筑物目標的邊緣點；然后進行過濾和分組，進行建筑物邊緣線擬合，對每個建筑物對象的邊緣進行規(guī)則化，最終得到建筑物輪廓線，然后進行精度評價和區(qū)域效率統(tǒng)計。具體技術路線如圖3所示。

3 技術方法

3.1 傾斜攝影數據處理

無人機傾斜攝影是采用多角度相機系統(tǒng)同時對一個垂直角度以及前、后、左、右4個角度(30°～50°)進行影像數據的采集，并通過集成POS系統(tǒng)，使獲取的影像具有姿態(tài)信息和地理位置信息，彌補了傳統(tǒng)航空攝影測量影像數據獲取和應用的缺陷。

本文采用RTK設備進行地理位置信息采集，可達到免像控精度，并對每個架次進行精度驗證。數字空中三角測量工作采用平差解算軟件，直接導入數碼相機參數和控制點成果，通過自動匹配相關影像產生自動匹配點，對于點位不足區(qū)域，人工進行加點。為保障高程精度，加密時應利用一些位置較好的外業(yè)路面實測點高程加入計算及檢查。在相片上量測外業(yè)控制點后，通過光束法及視覺算法平差后，輸出加密成果?；诳杖Y果，通過SGM等密集匹配方法獲取測區(qū)的高精度點云數據，同時獲取對應的顏色信息，得到彩色密集點云數據。

3.2 點云濾波

基于本研究的對象是建筑物，首先通過點云濾波的方法將地面點從非地面點中分離出來，后續(xù)從非地面點中提取建筑物點云的時候，減少地面點的影響。目前，國內外學者已經進行大量試驗和論證，提出了眾多有效的自動濾波算法，考慮到建筑物附近地形特征較為復雜，經過方法考量和討論，本研究采用基于布料模擬點云濾波方法(CSF)。首先，將點云數據進行翻轉，設置初始布料網格的參數，布料格網的位置一般位于點云數據最高點的上方，將翻轉后的點云與設置好的布料格網投影到同一個水平面；然后，找到每一個點云粒子的最近鄰點，記錄投影狀態(tài)下的高程，計算布料格網中粒子因重力產生的位移，并與當前點云粒子對應的最近鄰點的高程進行分析對比。若布料格網中粒子的高程低于或者等于點云數據最近鄰點的高程，這部分布料格網中粒子定義為不可移動點并賦予該點云粒子的高程，重復該過程，直到所有布料格網中的粒子的最大高承諾變化足夠小或者迭代到達預設值，則停止模擬過程，計算點云數據與布料格網粒子之間的高度差異，分析對比該高度距離與預設閾值，若該高度距離小于預設閾值則劃分為地面點，若該高度距離大于預設閾值，則劃分為非地面點[9]。建筑物區(qū)域一般多為平坦地形，通過CSF計算布料格網中粒子受到內部驅動因素影響產生的位移，并進行分析對比，可以高效地將非地面點從地面點中分離出來。

3.3 建筑物屋頂面片分割與優(yōu)化

在將非地面點從地面點中分離出來后，需要對非地面點點云數據進行分割，從中去除植被、圍墻、建筑側墻等地物的影響，提取出單個建筑物的屋頂面片點云。建筑物屋頂面片的分割主要分為屋頂面提取和屋頂面片優(yōu)化2個步驟。首先引入穩(wěn)健的法向量估計算法計算點云中各點的法向量和曲率，在每次增長時以點的法向量與屋頂面的法向量夾角和點到屋頂面的垂距2個約束進行迭代區(qū)域增長，再利用隨機抽樣一致性算法(RANSAC)提取較小面積屋頂面片，并計算平面性以保證結果可靠。可靠屋頂面片提取的目的是盡可能多地得到可以表示所有屋頂面的點云面片，因此提取的點云面片數會大于實際屋頂面數，需合并屬于同一屋頂面的可靠屋頂面片，通過鄰近可靠屋頂面片之間的幾何拓關系，設置垂直和水平方向的相關性閾值，合并可靠屋頂面片提取出單個屋頂面片。基于RANSAC計算內點的思想迭代，以兩面歐氏空間距離及點到面垂直距離小于閾值的點所占比例為依據，可以快速從非地面點中提取出單個建筑物屋頂面片[10]。

3.4 建筑物外輪廓線提取與優(yōu)化

在提取出的單個建筑物屋頂面片的基礎上，獲取屋頂點云面片的外輪廓點的合集，從而擬合出建筑物的外輪廓線。建筑物外輪廓的提取主要包括外輪廓線的提取和建筑物外輪廓線的簡化2個步驟。本研究采用Alpha shape的方法來提取建筑物外輪廓線。首先設置一個點集S，半徑參數α，以α為半徑的圓圍繞點集S外進行滾動，通過試驗調整α的閾值，得出最外圍邊界線的凸包，即建筑物外輪廓線，不同的α參數值所產生的Alpha shape能夠在不同細致程度上體現出點集的不同輪廓。當α值減小并趨于一個臨界值時，便可得到點集輪廓更為細致的描繪，由于建筑物屋頂面片點云存在一些因建筑結構造成的干擾值，過于細致的點云外輪廓密度會影響外輪廓的形狀變成不規(guī)則鋸齒狀，把握好α值的設定，可以更為準確地描繪建筑物外輪廓的形狀。通過alpha shape提取出的外輪廓線已經基本可以反映建筑物的輪廓特征，但是問題在于，點的數量過多，存在冗余點和差錯點，基于Douglas-Peucker算法簡化外輪廓線。利用隊和棧的性質對外輪廓進行采樣，通過控制距離容差可以得到對輪廓線不同程度的逼近,不僅能夠有效減少物體輪廓的冗余點,提高處理效率,又能夠不失真地表征物體的形狀，達到簡化外輪廓線的目的。通過Alpha shape算法和Douglas-Peucker算法，對屋頂面片點云的進一步分割及簡化提取出建筑物外輪廓線。

3.5 輪廓線規(guī)則化

建筑物通常具有相對規(guī)則的幾何形狀，針對建筑物外輪廓線提取應充分考慮垂直和平行這2個最基本的特征，本文提出迭代最小外接矩形(RMBR)法，具體步驟如下。

(1)將點云數據投影至XOY平面，以2倍平均點間距確定格網間距，對點云數據進行格網劃分；逐格網單元檢測其八鄰域，若鄰域中存在空格網單元，則當前格網單元為邊界格網單元；在邊界格網單元內部，逐點搜索k鄰近，并確定邊界輪廓點。

(2)對于某一輪廓點，取其最近點確定直線方向，以該方向作為矩形的一個方向,與該方向垂直的另外一方向作為矩形的另外方向，并以該點作為原點，建立坐標系，并將該建筑物輪廓點投影至該局部坐標系的兩坐標軸，以其在兩坐標軸的數據區(qū)間長度作為矩形的長和寬；根據點密度設定距離閾值，確定到矩形距離在該閾值范圍內的建筑物輪廓點數目并記錄該點數對于建筑物內各輪廓點，循環(huán)該步驟并以對應輪廓點數最多的矩形模型作為該建筑物的第1層外接矩形模型。

(3)將剩余邊界點投影至第1層級矩形，并計算投影后在矩形2個方向上的長度，計算平均點間距2倍為閾值。若投影后在矩形兩方向上的長度大于閾值則根據對應區(qū)域確定第2層級的最小外接矩形，將該步驟迭代執(zhí)行至無剩余輪廓點或輪廓點投影后距離小于閾值即得最小外接矩形。

3.6 建筑物邊界獲取及精度評價

對于得到的建筑物外輪廓線進行檢查修改，最后得到建筑物邊界，并對自動獲取的建筑物邊界與人工采集的數據進行比對，得到精度統(tǒng)計誤差，進行最終的精度評定及研究結論。

4 研究區(qū)概況

本次研究采用以下2個區(qū)域傾斜攝影數據進行研究：

(1)研究區(qū)1。研究區(qū)1采集自湖南省某礦區(qū)建筑，測區(qū)面積30 399 m2，其建筑主要為斜頂的磚瓦房，高度低矮且較為統(tǒng)一，分布較為零散，并且與樹木、空地等其他地物間隔分布，且存在遮擋現象。

本研究采用六旋翼傾斜無人機和索尼5100相機系統(tǒng)完成研究區(qū)的傾斜攝影影像數據獲取。點云匹配間隔為0.2 m。

(2)研究區(qū)2。研究區(qū)2采集自惠州市某礦區(qū)生活區(qū)，測區(qū)面積151 172 m2，其建筑類型主要為混凝土房、混房及棚房等，建筑分布比較密集，高度差別大，形狀不規(guī)則，具有比較復雜的結構。

采集設備為DJI M300 RTK無人機掛載塞爾PSDK102S五鏡頭傾斜攝影相機，點云匹配間隔為0.1 m。研究區(qū)1影像、研究區(qū)2影像如圖4所示。

圖4 研究區(qū)1、區(qū)2影像Fig.4 Image of study No.1 area and No.2 area

此二研究區(qū)的建筑情況可以比較好的體現我國南方地區(qū)礦區(qū)建筑的情況，具有較高的研究價值。

5 實驗結果及分析

5.1 點云濾波

研究區(qū)點云濾波如圖5所示。由圖5可得，經過點云濾波能較好地將地面點與非地面點分開。

圖5 研究區(qū)1、區(qū)2點云圖濾波(非地面點)Fig.5 Point cloud filtering in the study No.1 area and No.2 area(non ground points)

5.2 建筑物屋頂面片提取與分割結果

2個研究區(qū)建筑物屋頂面片提取與分割結果如圖6所示。由圖6可以看出，經過優(yōu)化后的屋頂面片分割算法能夠較好地提取各個屋頂特征，對較小面積的屋頂能夠有效識別。

圖6 研究區(qū)1、區(qū)2屋頂面片提取與分割結果Fig.6 Extraction and segmentation results of roof patch in study No.1 area and No.2 area

5.3 建筑物外輪廓線提取結果

本次研究主要采用基于Alpha shape的方法提取建筑物外輪廓線，提取結果分別如圖7所示。 由圖7可以看出，在相鄰建筑面片的合并與外輪廓線提取中，基于Alpha shape的方法能夠有效地表達房屋的拐角，可以滿足研究區(qū)的要求。

圖7 研究區(qū)1、區(qū)2基于Alpha shape的外輪廓提取Fig.7 Outer contour extraction based on alphashape in study No.1 area and No.2 area

5.4 建筑物提取結果

使用本研究方法對研究區(qū)建筑物進行提取，最終結果如圖8所示。

圖8 研究區(qū)1、區(qū)2提取結果 Fig.8 Extraction results of study No.1area and No.2 area

5.5 精度統(tǒng)計

對于兩個研究區(qū)域，同樣建立了傾斜模型，并進行了全人工采集，用于進行精度和自動提取效率的統(tǒng)計。通過將自動提取成果與人工采集成果比對，所得結果見表1和表2。

表1 自動提取與人工采集成果數量對比Tab.1 Comparison of automatic extraction andmanual collection results

表2 自動提取與人工采集成果誤差統(tǒng)計Tab.2 Error statistics of automatic extraction and manual collection results

(1)經過優(yōu)化后的屋頂面片分割算法能夠較好地提取各個屋頂特征，對較小面積的屋頂能夠有效識別。在相鄰建筑面片的合并與外輪廓線提取中，基于凸包的方法對具有拐角的房屋表達效果不佳，而基于Alpha shape的方法則能夠更加有效地表達。

(2)2個研究區(qū)域的正確提取率都在70%以上，已經達到了預計效果。在2個研究區(qū)域的提取結果中，研究區(qū)1的大部分磚瓦房屋均被有效提取，但有較多小面積屋頂殘缺的破壞房屋未能被提取，但其受樹木等其他地物的干擾影響小，提取速度也有較好的表現；研究區(qū)2房屋面積均較大，該方法對于房屋主體具有較好的提取效果，但同時受到的干擾也較大，導致誤提取率高，主要來源于樹木、大型車輛、較小的空地等。

(3)研究區(qū)要求的點位中誤差是10 cm，2個研究區(qū)域的中誤差均滿足要求，但是研究區(qū)2的粗差率超限，需進一步探討粗差的來源及消除方法。

(4)通過對2個研究區(qū)域的誤差分析，認為傾斜航空攝影影像匹配點云的主要難點為：①傾斜航空攝影影像間的變換不能近似為相似變換；②傾斜航空攝影影像存在嚴重的遮蔽現象；③傾斜航空攝影影像存在紋理重復現象。測試中這些困難對傾斜攝影測量的覆蓋性和精度有一定影響，進而影響了建筑物邊界自動提取的效果。

(5)房屋外形不規(guī)則帶來的誤差。在輪廓線規(guī)則化的過程中由于使用迭代最小外接矩形法，對于規(guī)則房屋的提取效果較好，但對于非直角房屋的提取精度有一定影響。

(6)部分樹木、大型車輛等干擾帶來的誤提取。

6 結論

通過對2個研究區(qū)的提取率和精度的統(tǒng)計與測試，提供了一種通過傾斜影像測量自動提取建筑物的方法。結果表明，使用該方法在2個研究區(qū)中均得到了較好的效果，大部分房屋的邊界均被識別。相比于傳統(tǒng)方法，該方法在識別速度、準確度方面具有一定優(yōu)勢，該研究成果是高新技術在測繪領域中的有益嘗試，對于提高建筑物提取的作業(yè)效率、改進作業(yè)模式具有重要意義，為以后類似研究和實踐具有較好的參考價值，且具有推廣意義。