基于机载LiDAR点云数据的建筑物轮廓提取

罗 杰

（福建省测绘院，福建 福州 350003）

0.引言

作为城市三维建模的重要元素之一，建筑物轮廓线的高效、准确、快速提取对于“数字孪生”城市建设、智慧城市建设有着重要意义。因此,建筑物轮廓的提取方法是目前的研究热点之一。目前，主要是通过遥感影像数据、机载LiDAR点云数据或者两者结合数据中提取建筑物轮廓线。但是将遥感影像数据作为建筑物轮廓提取的数据源时会因地面物体干扰较大造成提取效率低。将遥感影像数据与机载LiDAR点云数据结合作为建筑物轮廓提取的数据源时，由于数据量大，提取效果更好，但是数据量大带来的是数据处理困难，加大了工作量。故研究如何从机载LiDAR点云数据中有效提取建筑物轮廓是目前建筑物轮廓提取研究的主要方向[1]。

基于机载LiDAR点云数据的建筑物轮廓提取方法的研究尚处于起步阶段，多位学者对此已经有了初步的研究。文献[2]利用高偏差平衡滤波法对建筑物轮廓进行提取，但是该方法的缺点在于窗口大小与种子点数的确定较为困难，需要经过大量实验进行验证。文献[3]通过RANSAC算法确定建筑物平面最佳模型与屋顶平面，实现建筑物轮廓的提取。但是该方法的缺点在于普遍适用性较低，需要大量的先验信息。文献[4]通过影像提取的归一化植被指数与点云的三维坐标信息结合，对建筑物轮廓进行提取，并且利用建筑物边界的垂直与平行关系处理得到规则化成果。文献[5]通过将建筑物点云映射到格网内，判断邻域内是否包含某个格网元素，如某个点不在该格网内，那么此点会被认为是边界点。将所有边界点进行连接得到边界线。但由于点云密度不均，会造成提取的边界线精度不高。基于点云数据的建筑物轮廓提取，目前大都基于已有建筑物点云数据，对于从原始机载LiDAR点云数据中提取建筑物轮廓的方法与流程较少。故本文以福州市某区域机载LiDAR点云数据为实验对象，使用方法将原始点云数据中非地面点与地面点点云数据分割，并且实现建筑物平面及轮廓提取及建筑物轮廓规则化等。通过建立建筑物轮廓提取模型的方式实现基于机载LiDAR点云数据的建筑物轮廓提取。

1.建筑物轮廓提取方法技术流程

1.1 地面点滤波

点云滤波就是筛选出地面激光点与非地面激光点，并且将地面激光点与非地面激光点进行分离。渐进形态学点云滤波方法可以将场景中所有不同大小的非圆形地物检测出，主要的滤波操作为开操作运算。该点云滤波算法实现点云滤波是通过不断调整窗口大小，如，通过不断执行增加滤波窗口大小的开操作，从原始点云数据中将突出地面的不同大小的目标点云剔出。场景中建筑物表现为最外侧高程凸起，针对高地势顶部点云无法移除的问题，可以在开操作的基础上增加高差阈值的限制条件：ΔHp=|Hp′-Hp|，ΔHp≤Hpt表示地面，ΔHp≥Hpt表示建筑，其中，Hpt表示设置的高差阈值；Hp表示滤波前点的高程；Hp′表示滤波后点的高程，对滤波前后的高程插值进行判断，如差值大于高差阈值，此点为非地面点云，如差值小于高差阈值，则为地面点云。

1.2 建筑物点云提取

通过渐进形态学点云滤波方法滤波，可以从点云数据中将地面点与非地面点进行分离。为了得到建筑物轮廓提取所需的点云数据，需要对非地面点进行分类与分割。Hough变换能够容忍特征边界描述中的间隙，受图像噪声的影响不大。随着空间三维信息的不断发展，Hough变换也从二维向三维转变，但是传统三维Hough变换的提取效率较低，耗费的时间和计算资源较大。针对此问题，本文提出一种改进的Hough变换，改进Hough变换可以以更高的效率从非地面点云中提取建筑物平面。非地面点云数据中，与建筑物点云特征最接近的是树木，所以如何有效地将建筑物点云与树木点云进行区分是建筑物点云提取的关键。在完成非地面点云数据的平面区域检测后，建筑物顶部的所有激光点都在同一平面内。对于高大树木来说，其顶部的点云高程变化较大，但是树木顶部的平面面积相对于建筑物平面面积较小，所以通过面积阈值的方式可以将建筑物激光点与高大树木激光点进行区分。

1.3 建筑物轮廓提取

算法是一种边缘点检测算法，检测原理为通过一个设置固定半径的圆绕点云滚动，获取多点构成的建筑物轮廓。该算法目前在网格生成、医学图像等领域有着广泛应用。图1所示为将该算法应用于本文建筑物轮廓提取的原理，该算法中的固定半径可以设置为通过三维Hough变换得到的点集中各点间距的2~3倍，圆心坐标可表示为x：

图1 建筑物轮廓点提取

式（1）中，（Ox，O）y表示为滚动圆的圆心坐标；（x1，y1）和（x2，y2）分别表示待判断点的平面坐标。

本文通过α-shape对建筑物轮廓进行提取的具体流程为：

（1）对所有建筑物点云进行二维平面投影。在点集中任意选一点P1，将2α设置为圆的半径，将P1点平面坐标设置为圆心进行点云搜索。将所有搜索到的点云组成新的点集S1，在点集S1中再任选一点P2，计算通过P1点与P2点的圆心坐标P0；

（2）计算点集S1中所有点到圆心P0点的距离，若点集中的所有点到P0的距离小于α，跳至步骤（3）；若点集中的所有点到P0的距离大于α，可认定P1与P2点为轮廓点，继续步骤（4）；

（3）重复进行步骤（1）至步骤（2），遍历并判断点集S1中的所有点；

（4）如果判断完点集S1中的所有点，继续重复步骤（1）至步骤（3），判断完所有点后结束算法。

1.4 轮廓线规则化

建筑物相邻边缘线之间的关系是相互垂直的，通过本文方法得到的建筑物轮廓线往往不规则，故在轮廓线提取完成后需要使用规则化方法将提取得到的轮廓线设置为相互垂直或者平行关系。本文将通过对线段加权的方式规则化建筑物边缘线，将提取得到的轮廓线分为正负两个方向，两个方向相互垂直。将不同线段长度作为权重，计算得到加权平均方向。假如正方向上有：，其中，D为加权平均正方向；D_为加权平均负方向；li表示第i个正方向轮廓线长度；L表示正方向轮廓长度，di表示第i个正方向轮廓线方向。首先对提取得到的轮廓中的最长边作为起始正方向并且进行编号，编号为1，按照顺时针对剩余轮廓线依次进行编号。定义编号是偶数的轮廓线为负方向，定义编号是奇数的轮廓线为正方向。正负加权平均方向D与D_计算完成后，对两个方向进行垂直改正，总改正值就是两个方向达到垂直需要的角度。完成垂直改正后，将拟合轮廓线绕中心旋转至正确方向。

2.实验及结果分析

2.1 实验过程

为了对本文提出方法的可行性与准确性进行验证，本文将福州市某区域机载激光点云数据作为实验对象，实验数据由无人机搭载M600Pro+Rigel激光扫描系统采集得到。实验测区包含道路、低植被、高植被、建筑物等，地物种类丰富，地势起伏明显。图2所示为采集得到的并且经过去噪等预处理后的机载点云数据。

图2 测区去噪后的三维机载点云数据

首先使用渐进形态学滤波算法对原始点云数据进行滤波，根据测区特征与参数测试，将滤波窗口设置为20m，阈值设置为0.2m处理得到的效果最好。图3所示为算法滤波后得到的地面点点云与非地面点点云数据。

图3 渐进形态学滤波算法滤波得到的地面点与非地面点

使用渐进形态学滤波算法可以区分出地面点与非地面点，其中，非地面点又包含低矮植被、高大植被、建筑物点云等。为了降低非地面点中植被对建筑物轮廓提取的影响，本文以地面点云为基准，通过设置高程阈值的方式将地面点中的低矮植被和车辆点云提出，经过不断试验将高程阈值设置为3m后得到的效果最好。剔除车辆、低矮植被后剩下的就是高植被点云与建筑物点云。图4所示为经过高程阈值滤波后得到的点云数据。

图4 经高度阈值滤波得到的非地面点云

使用三维Hough变换获取建筑物平面，首先得到计算平面计算时的参数，其次计算各点到平面的距离，距离小于阈值的所有点视为同一平面。计算过程中部分高大植被点可能会被归到平面点集中，可以通过对局部邻域内点的法方向一致性判断剔除平面内包含的高植被点。

建筑物轮廓点云被投影到二维平面上后，经Hough变换得到的平面中平面点云就会覆盖平面中立面点云。为了提高建筑物轮廓的提取效率，就需要平面中的立面点云剔除。本文通过点的法向量方向信息这一方法将平面中的立面点云剔除。图5所示为提取得到的建筑物屋顶面点云数据。

图5 建筑物屋顶面提取结果

建筑物平面点云投影到二维平面后，通过算法提取建筑物轮廓。设置圆的半径为0.5m，对提取得到的建筑物轮廓进行规则化处理。图6所示为建筑物轮廓规则化处理结果。

图6 建筑物轮廓提取及规则化成果

2.2 结果分析

为了对本文使用方法的正确性与有效性进行验证，对比该地区高清卫星影像数据与本文方法提取得到的建筑物轮廓成果。使用平均轮廓线长度差、平均轮廓区域面积差、平均轮廓线角度差定量这三个指标定量分析本文方法提取到的建筑物轮廓误差。其中，平均轮廓线长度差是影像数据与本文提取轮廓线的边长差的平均值，平均轮廓区域面积差是影像数据与本文提取轮廓面积差除以边数的值，平均轮廓线角度差是影像数据与本文提取轮廓的各个边角度差的平均值，统计结果（如表1所示）：

表1 建筑物轮廓提取验证结果统计

3.结束语

为了从机载LiDAR点云数据中有效提取建筑物轮廓，本文提出了一系列改进算法。首先，统计各个渐进数学形态滤波算法分割原始点云数据中的地面点与非地面点。其次，利用改进的三维Hough算法从非地面点云数据中提取建筑物点云，并且通过算法实现了建筑物轮廓的提取。最后，假设建筑物相邻边线相互垂直的情况下，通过线段长度加权方向的方法对建筑物轮廓进行规则化处理。以福州市某区域采集得到的机载LiDAR点云数据为实验对象，通过本文提出的方法对建筑物轮廓进行提取，对提取结果使用高清卫星影像数据进行验证。实验结果表明：本文提出的方法可将建筑物提取误差控制在一定范围内，提取的效果较好。随着建筑物设计与建造的个性化、多元化，本文的建筑物提取算法还需要进一步改进以适应异形建筑物轮廓的提取。