英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

基于空中倾斜摄影点云的建筑物分割与重建

P. Liu ^a, *, Y. C. Li ^{a, b} , W. Hu ^a , X. B. Ding ^{a, b}

^a China TopRS technology Co.Ltd., Beijing, China - liupei@casm.ac.cn

^b Chinese Academy of Survey amp; Mapping, Beijing,

China - casmrsec@sina.com

关键词：倾斜摄影，立体匹配，点云分割，建筑物重建

摘要：倾斜摄影技术作为三维城市模型建设的好方法带来了自己大规模的认可和不可否认的较高的社会地位。相同高度不同拍摄角度的倾斜和垂直影像可产生大量的带有光谱信息的密集匹配点云数据。本文提出了一种从空中倾斜图像获取的立体匹配的密集点云的建筑物重建方法，其中包括建筑物的分割和屋顶的重建。我们首先用现有的方法从空中倾斜图像和问题轮廓的角度总结了立体匹配点云的特点。然后，我们提出了基于颜色和几何衍生工具的建筑屋顶的分割方法，如法线和曲率。最后，我们基于几何关系建立了一个建筑物改造的方法。实验和分析表明，该方法对基于空中倾斜图像的立体匹配点云的建筑物的重建是有效的。

1. 简介

毫无疑问，城市是人类生产活动的主要场所，也是区域社会经济发展的焦点和核心。由于建筑物的地理信息与人类的关系越来越密切，所以对建筑物结构的几何重建研究具有重要意义。建筑物三维重建是获取建筑物三维结构信息的重要手段，在城市规划、灾害监测、通信设施建设和数字城市等领域具有非常广泛的应用。倾斜摄影技术是目前国际摄影测量领域的一项新技术。近几年，倾斜摄影技术的发展，使得城市的三个维度模型的快速构建成为可能。相同高度和不同视觉角度拍摄的倾斜和垂直的倾斜影像可以产生大量带有光谱信息的密集匹配点云数据。现在有一些分割和重建建筑物的密集点云的方法，他们中的大多数都基于几何特征，如曲率和法线，往往会导致过分割或者甚至是失败。几种基于颜色的分割和重建方法很难达到令人满意的全局分割效果，因为这三个颜色分量是相对的，并且受场景中的照明和阴影因素的影响。基于这些发现，本文结合几何特征和颜色信息对建筑物进行分割和重建。

1. 分割算法

分割是建筑重建的基础工作，是指根据具有相似性质的点进行分组并分割为不同区域。建筑物可以用基于通用假设的数据驱动的方法建模，如表面平整度。几种算法及其点云分割的特征讨论如下：

在聚类算法中，首先对某一建筑物的每一个顶部的点进行参数的计算，然后将其聚为均匀的曲面，如平面，用计算机视觉模式识别算法进行分割。但是，该算法需要的先验知识的建筑，而这总是很难获得的。因此，该算法具有聚类中心不稳定，而且算法太复杂等缺点。

Hough变换算法主要用于二维数据处理和后来扩展到三维数据的处理过程，可将平面从欧氏空间转换到参数空间。它根据点云产生的所有可能的平面，然后将达到一定数量点段的平面的分割作为正式分割算法。然而，这一过程的结果导致处理点云时平面产生锯齿，并且处理时间和内存的占用率会很高。

RANSAC算法应用于点云分割，其中包括在三维点云之间搜索最佳平面。它首先随机迭代采三个可以确定平面参数的点作为样品。然后，根据一个给定的阈值检测到其余的点云是否属于该计算平面。之后，它重复这些程序N次，并据定义的标准获得N个平面间的最佳平面。该算法的处理所用的时间是少的，但由于该算法不考虑本地点云的连通性和屋顶的几何形状，所以它检测到的最好的平面可能并不总是代表屋顶平面。

区域生长算法的基本思想是将具有相似性质的像素集合起来构成区域。在区域生长算法中，首先必须对每个点云分割区域选择一个种子点作为生产的起点，然后我们将种子点周围邻域中与种子点有相同或者相似特征的点并入种子点所在的区域组点。这样可以得到有效分割的区域，但它选择种子点和设置参数是很困难的，并且区域生长过程中容易受噪声点的影响，例如屋顶天窗、烟囱。

空中倾斜图像的立体匹配点云可能有一些缺陷，如分布不均、点坑和精度低，这些将导致一个平面上的点的波动。因此，立体匹配点云的分割方法应该会有一些误差。首先，分割方法将有非常多的难以确定的参数。其次，有一些基于模型的方法如RANSAC，3D Hough变换算法来分割会产生假平面和边缘噪声点。再次，一些分割算法仅仅基于几何的衍生工具或不充分利用立体匹配点云信息的颜色，这些都会对结果进行干扰。在本文中，我们提出的方法是基于曲率，法线和颜色的。法线估计，颜色差测量和区域生长算法的细节说明如下：

2.1 法线估计

每个点的法线估计通过拟合平面到一些邻近点建立。因此，点的法线受邻域选择的影响，我们选择了邻域在K近邻域（KNN）或固定距离的邻域（FDN）方法，它可以使用k-d树组织点云优化。在点云分布不均匀，我们经常使用搜索KNN获得邻域。

邻域选定后，假设KNN方法搜索的邻域Kp包含一组mp点。设为其均值向量，则协方差矩阵C用下式计算：

（1）

这个协方差矩阵C，其特征值lambda;1,lambda;2,lambda;3（lambda;1le;lambda;2le;lambda;3）和曲率lambda;可用下式计算：

（2）

2.2 颜色差测量

我们测量的是欧氏距离下在RGB颜色空间的颜色差异。颜色差异函数定义为：

（3）

其中c₁,c₂代表两点的颜色向量。

2.3 区域生长

使用法线曲率和颜色信息的一个给定点云的算法

输入：点云={P}，点法线{N}，点颜色{C}，曲率{r},

邻域发现方法(.),曲率阈值r_th，角度阈值、色

度差分计算函数d(c₁,c₂)，点颜色相似性阈值Tpp.

在区域生长过程中，首先指定一个曲率阈值r_th，阈值点的角度，颜色相似度阈值的Tpp。最小曲率的点被选择为当前的种子。那么，利用KNN或FDN可以确定当前种子的邻点，我们使用KNN而不是FDN是因为点云分布不均匀。角度阈值小于或颜色差异小于Tpp的点添加到当前区域。曲率小于r_th的点添加到潜在的种子点的列表。如果潜在的种子点列表不是空的，将当前种子点设置为下一个可用的种子点。将当前区域添加到分割，直到所有的点云分割。

1. 建筑物重建

建筑物屋顶分割后进行房屋重建。对于一个建筑物的重建，段边界点首先被追溯到一个本地的局部凸壳形成的方法。第二步，确定边界点的点是在相同的段边。第三步，用最小二乘模型是来调整边缘部分形成的段形状。最后，我们恢复各个分部形状之间的关系来重建建筑物。形状边界的分割描述如下：

3.1边界跟踪

利用本地局部凸壳算法得到边界点。对于一组给定的点，最小的x值的最左的点是分割的凸壳点。然后阈值距离内的所有点都会被选择，阈值的距离是根据点云的点密度确定。本地点上的第一个凸壳点被认为是凸点。重复直到凸壳点和最左的点相同，边界点就会被发现。

3.2边分组

位于同一边界上的边界点被分成一组，主要步骤是找到边界点的关键点。如果角点与其前面相邻的点和其后面相邻点的夹角大于一个确定的角度，则该点是关键点。因此相同边界的两个关键点之间的点分为一组。

3.3 边界正则化

一个最小二乘模型用来拟合各小组的点。（假设大多数的建筑物只有两个相互垂直的主导方向，我们可以使用点配合代表边缘或建筑物的足迹的参数线来确定这些方向。）边界的主导方向应该首先被确定。然后，我们可以调整每一个拟合的边界根据下面这些规则：（1）如果边界的方向大致平行于主导方向，该边界应调整其方向与主导方向完全相同；（2）如果边界方向大致垂直于主导方向，该边界应调整其方向与垂直方向完全相同；（3）剩余的边界不需要调整。最后可以形成段的形状。

在得到段的形状后，应恢复形状之间的关系来重建建筑物。由于分割不够准确并且边界正则化存在误差，公共边缘可能不重合，为有一个小角度的相交或有一定的距离的平行。因此，公共边缘必须调整。当R2中的边缘一样时，如果高差在一定的阈值内距离小的话，它们是有相同边缘的建筑屋顶线，否则他们是建筑物底线。屋顶线应根据两者的平均线进行调整。底线不必调整。

1. 结果

提出的分割和重建的解决方案框架可以被应用到点云中。用StreetFactory软件和从中国ChinaTopRS公司发展起来的TopRS-DC5获得的空中倾斜图像生产的点云数据作为输入数据。试验区的图像如图1(a)所示，点云高程如图1(b)所示，颜色点云如图1(c)所示。用算法体现的分割结果如图1(d)所示，不同的颜色代表不同的段点，此外少点段被标记为白色。设置为18°，Tpp被设置为30，使用k = 8的KNN搜索邻域，r_th通过曲率第百分之九十五位自动计算得到这些结果。我们看到，分割结果是正好的椭圆形，虽然有一些不分离的过分割现象发生的区域，例如，在图1(d)的红色矩形区域。分割效果和参数，Tpp和r_th有关。建筑物的重建结果显示在图1(e)，我们可以看到重建的结果受分割效果的影响。如果分割时缺少点，建筑物的一些缺失的部分用黄色的圆标记。对于不能重建的弧形屋顶，屋顶被替换，例如，绿色的长方形。带内环的建筑物不能正确的重建，用蓝色的长方形展示。

图1 分割和重建的结果 (a)试验区的图像 (b)点云高程 (c)颜色点云

(d)分割结果 (e)重建结果

1. 结论

利用立体匹配点云的倾斜图像的建筑物屋顶分割和重建的解决方案的框架已被体现出。分割算法基于几何的衍生物和色度学的相似性，该算法使用表面法线，曲率和RGB颜色信息。曲率是用来判断分割的种子点，法线和RGB颜色满足条件的点将被添加到该段。因此，该方法可以消除点云波动和噪声点的影响，并能达到令人满意的分割。然而，分割效果依赖于、Tpp，r_th的值。各分段形状的形成，段的关系的恢复实现了建筑物的重建。本文提出的方法不能重建的建筑物的弧形屋顶或内部环屋顶。而建筑物重建的正确性也受到了分割效果的影响。建筑改造的结果表明，该解决方案框架是有效的和可行的。

致谢

我们衷心感谢测绘专项基金、公共利益的测绘和地理信息研究（201412019）和中国（2013AA122104）国家高技术研究发展计划（“863”计划）的财政支持。

参考文献

G. Vosselman and S. Dijkman, “3D building model reconstruction from point clouds and ground plans,” Int. Arch. Photogramm. Remote Sens., vol. 34, no. 3/W4, pp. 37–43, 2001.

Filin S， Pfeifer N. Segmentation of airborne laser scanning data using a slope adaptive neighborhood. ISPRS Journal of Photogrammetry and Remote Sensing，2006，60(2)：71-80.

Rabbani, T., van den Heuvel, F.A. and Vosselman, G., 2006. Segmentation of point clouds using smoothness constraint.In: International Archives of the Photogrammetry, Remote Sensing and Spatial Informantion Sciences, Vol. 36, Dresden, Germany, pp.248-253.

Forlani, G., Nardinocchi, C., Scaioni, M. and Zingaretti, P.,2004. Building reconstruction and visualization from Lidar data.Int. Arch. of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXIV, Part 5/W12.

Q.M.Zhan., Y.B.Liang and Y.H.Xiao, “Color-based segmentation of point clouds”.In: Bretar F, Pierrot-Deseilligny M, Vosselman G (Eds) Laser scanning 2009, IAPRS, Vol.XXXVIII, Part 3/W8–Paris, France, September 1-2, 2009.

1. Sampath and J. Shan, “Segment

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[147527]，资料为PDF文档或Word文档，PDF文档可免费转换为Word