王 果,陳 超,盧 燕,吳博文,閆佳宇

(1.河南工程學(xué)院 土木工程學(xué)院,河南 鄭州 451191;2.河南理工大學(xué) 測繪與國土信息工程學(xué)院,河南 焦作 454000)

以三維點云表達的建筑單體化信息是城市快速三維模型構(gòu)建的基礎(chǔ),在市政管理、城市規(guī)劃、三維智慧城市建設(shè)等諸多領(lǐng)域具有重要的作用[1]。無人機傾斜攝影通過多視角影像密集匹配技術(shù)可快速重建出三維實景模型,更好地保持建筑結(jié)構(gòu)[2],并且其數(shù)據(jù)采集和處理成本遠低于機載激光雷達點云[3-4],因此在城市三維建筑重建領(lǐng)域得以廣泛應(yīng)用[5-6]。然而,傾斜攝影重建得到的三維模型是連續(xù)三角面片構(gòu)成的表面模型,難以支撐相應(yīng)的三維應(yīng)用開展,故需要對傾斜攝影三維數(shù)據(jù)進行對象化或單體化操作[7-8]。近年來,如何從傾斜攝影密集匹配點云中獲得單體化的建筑點云,已成為城市建筑快速三維模型構(gòu)建及相關(guān)應(yīng)用開展的關(guān)鍵問題[9]。

在建筑點云提取與單體化方面,國內(nèi)外學(xué)者已開展了大量研究,總體分為如下兩類:一是借助其他外部數(shù)據(jù),如矢量數(shù)據(jù)[10]、點云數(shù)據(jù)[11],進行模型展示層面的單體化;二是利用傾斜攝影密集匹配點云開展建筑提取與單體化,如利用柵格圖像計算點云面域之間的拓?fù)潢P(guān)系得到各建筑單體的點云覆蓋范圍[9]、利用平面信息進行建筑重建[12]、基于密度聚類分析算法開展建筑物頂點云聚類[13]、引入布料模擬算法進行建筑頂面提取[14]等。然而,由于現(xiàn)實世界中三維場景自身的復(fù)雜性,以及得到的密集匹配點云數(shù)據(jù)不規(guī)則且存在冗余,故從傾斜攝影密集匹配點云中進行建筑單體化提取,現(xiàn)階段仍然是一個十分困難的問題。

本研究提出了一種傾斜攝影點云單體化提取新方法,充分利用豐富的地物豎立面信息,引入投影點密度(density of projected points,DoPP)進行建筑立面的初步識別,然后通過基于八叉樹葉節(jié)點的連通性聚類(octree-based label connected components,OLCC),達到建筑單體化提取的目的。其主要流程如圖1所示。

圖1 本研究方法流程Fig.1 Flow chart of the proposed method

1 利用DoPP和OLCC的建筑單體化

1.1 不同空間目標(biāo)特征分析

本研究主要解決的問題為無人機傾斜攝影所重建的建筑物點云及建筑物周邊獨立地物點云等主要地表附屬目標(biāo)的分割提取。

密集匹配重建的三維場景包含三維坐標(biāo)點及RGB值,數(shù)據(jù)具有不規(guī)則性和冗余性,處理起來比較復(fù)雜,但利用無人機傾斜攝影重建的三維點云,由于從多個視角獲取重建對象,所以具有豐富的立面特征和紋理信息,給地物特征提取提供了一定的條件。

1.1.1獨立地物點的空間特征

對于城市場景而言,獨立地物主要包括樹木、路燈等桿狀地物。由于該類地物具有一定的高度和范圍特征,所以該類點比周邊地形點高,點位水平投影后局部單位面積采樣頻率高,投影點密度高,如圖2所示。

圖2 獨立地物點的空間特征Fig.2 Spatial characteristics of independent figure points

1.1.2建筑物點的空間特征

通常情況下,建筑物高于周圍的地形,具有一定的高差約束且有豎直立面,如圖3所示。傾斜攝影重建的三維點云具有豐富的立面信息,建筑立面有大量的三維重建點,建筑物點在水平投影邊緣,單位面積具有較高的采樣頻率,水平投影密度大。

圖3 建筑物點的空間特征Fig.3 Spatial characteristics of building pointss

1.2 DoPP理論與方法

根據(jù)無人機傾斜攝影重建點云的空間特征分析,采用史文中等[15]提出的DoPP概念,將無人機傾斜攝影重建的三維點云數(shù)據(jù)直接投影到水平面上,如公式(1)所示:

(1)

統(tǒng)計投影后在水平面內(nèi)任意位置包含的投影點個數(shù),用DoPP表示。在重建目標(biāo)表面光滑、沒有遮擋,重建出的所有采樣點均為有效點的理想情況下,DoPP值與目標(biāo)的立面點數(shù)量有關(guān)。為簡化計算,將測量區(qū)域劃分成規(guī)則的格網(wǎng),對劃分的格網(wǎng)統(tǒng)一編號,統(tǒng)計每一個單元格網(wǎng)內(nèi)的立面點數(shù),作為該單元格網(wǎng)的DoPP值,從而達到對DoPP值的離散化表示。DoPP值具有以下特征:平坦地面上的DoPP值均勻且較小;由于傾斜攝影三維點云數(shù)據(jù)具有豐富的建筑立面特征,所以建筑邊界區(qū)域DoPP值遠大于其他區(qū)域,并具有一定的連通性;建筑物內(nèi)部的DoPP值為0;獨立桿狀地物如路燈燈柱,DoPP值局部較大、周圍較小;塊狀地物如汽車和樹等,DoPP值局部較大且占據(jù)一定面積,如果增加格網(wǎng)尺寸到一定值,塊狀地物與獨立桿狀地物具有相同的特征;建筑物頂面和地面的DoPP類似,但通常大于地面點的高程。根據(jù)以上特征,選擇合理的閾值T1、T2,便可按照如下規(guī)則對三維場景進行分割:對于每個單元格網(wǎng)來說,如果DoPP值大于T1,則將該單元格網(wǎng)內(nèi)的點分類為建筑物點;如果DoPP值小于T2,則將該單元格網(wǎng)內(nèi)的點分類為地面點;否則分類為其他點。其中,T1、T2可根據(jù)實際情況進行確定,分割后可獲得不同類型的點云,利用傾斜攝影點云建筑物豐富的立面特征,以及建筑立面在水平面上的投影點密度大這一特性,進行建筑物輪廓的提取,進一步結(jié)合高程方向值即可重建建筑立面特征。

1.3 OLCC算法

用DoPP算法進行建筑物識別后,為區(qū)分單個建筑,引入OLCC算法,對識別出的建筑立面點云數(shù)據(jù)進行單個建筑提取。具體過程:首先利用識別出的建筑立面點云數(shù)據(jù)構(gòu)建立方體包圍盒作為根節(jié)點,將初始構(gòu)建的根節(jié)點分裂為8個具有相同體積的子節(jié)點,然后不斷進行遞歸分裂,達到預(yù)先設(shè)定的八叉樹級別和每個葉子節(jié)點包含最少點數(shù)閾值時分裂停止,最后通過OLCC算法實現(xiàn)建筑點云單體化提取。

2 實驗及結(jié)果分析

2.1 實驗

為驗證本研究方法的有效性,選取河南工程學(xué)院西校區(qū)部分校園進行實驗。實驗區(qū)內(nèi)地勢較為平坦,主要包含6棟教學(xué)建筑及附屬的2層階梯教室,利用無人機傾斜攝影進行實驗區(qū)數(shù)據(jù)外業(yè)航飛采集,實驗區(qū)傾斜攝影點云數(shù)據(jù)如圖4所示。

圖4 實驗區(qū)傾斜攝影點云數(shù)據(jù)Fig.4 Point cloud data of oblique photography in the experimental area

2.2 結(jié)果及分析

利用CloudCompare軟件對密集匹配過程中產(chǎn)生的粗差進行剔除,之后按照0.1 m × 0.1 m的格網(wǎng)尺寸對實驗區(qū)構(gòu)網(wǎng),將密集匹配重建出的實驗區(qū)所有點投影到格網(wǎng)中,并計算每個格網(wǎng)單元的DoPP值,設(shè)置DoPP閾值T1為200,對原始密集匹配點云進行分割?；贒oPP算法的建筑立面點云識別結(jié)果如圖5所示。

圖5 基于DoPP算法的建筑立面點云識別結(jié)果Fig.5 Recognition result of building point cloud based on DoPP algorithm

從圖5可以看出,雖然識別出的建筑點云包含部分離散的獨立地物點,但實驗區(qū)內(nèi)的建筑立面點云被成功識別。對識別出的建筑點云依據(jù)OLCC算法,設(shè)置八叉樹的級別為8,子節(jié)點最小點數(shù)為1 000,共得到7個聚類分割結(jié)果,如圖6所示。其中,不同深淺代表提取出的不同建筑物。從提取結(jié)果可以看出,本研究所提方法可以有效提取實驗區(qū)內(nèi)的主要建筑物,且具有參數(shù)少、自動化程度高的特點。分析原因如下:1)從原始密集匹配得到的三維點云入手,可避免數(shù)據(jù)內(nèi)插帶來的數(shù)據(jù)和精度損失;2)充分利用了建筑立面包含豐富的數(shù)據(jù)信息這一特征;3)使用了DoPP、OLCC等成熟算法,提高了建筑點云提取的穩(wěn)健性。同時,由于傾斜攝影測量密集匹配點云數(shù)據(jù)遮擋問題,所以存在數(shù)據(jù)缺失現(xiàn)象,導(dǎo)致提取的建筑存在過分割現(xiàn)象,如圖6(a)和(b)中黑色方框區(qū)域所示。

圖6 基于OLCC算法的建筑立面點云識別結(jié)果Fig.6 Recognition result of building point cloud based on OLCC algorithm

3 結(jié)語

本研究提出了一種基于投影點密度和八叉樹葉節(jié)點連通性聚類的傾斜攝影點云建筑單體化提取方法,充分利用密集匹配點云建筑物豐富的立面特征,以及設(shè)定的投影點密度閾值和八叉樹葉節(jié)點聚類算法,進行建筑點云的單體化提取,并通過實測驗證了所提方法的有效性。該方法所需參數(shù)少、自動化程度高,是基于密集匹配點云數(shù)據(jù)的建筑物點云單體化提取新方法。