多視激光點云數據融合與三維建模方法研究

宋永存

(地質出版社，北京 100083)

多視激光點云數據融合與三維建模方法研究

宋永存

(地質出版社，北京 100083)

基于特征基元的點云數據配準方法，利用控制點對機載與車載點云數據進行概略匹配，構建了顧及梯度與顏色特征及特征組對的特征點匹配算法模型，根據擬合平面特征解算平移和旋轉變換參數，實現了機載與車載點云數據的精確配準，并在此基礎上建立了多角度點云數據融合的房屋頂部和立面特征提取、點云數據與光學影像紋理信息匹配的技術流程，實現了建(構)筑物三維精細建模，并通過實例驗證了本文所提方法的有效性。

多視激光點云；匹配；融合；三維建模

建筑物的三維重建是“數字城市”與“智慧城市”建設的重要組成部分。機載LiDAR系統具有獲取數據自動化程度高、受天氣影響小、精度高等特點，可以快速精確地獲取地表三維信息，為建筑物三維重建提供了一種新的技術途徑，是目前城市三維建模的主要數據源。但是，由于機載雷達系統受掃描角度和分辨率等限制，僅利用機載LiDAR數據得到的建筑物模型往往缺少立面信息，而車載LiDAR數據與此相對應，包含大量的建筑物立面信息。因此，研究機載與車載激光點云數據融合、匹配及快速三維建模技術方法，可以充分利用兩種數據源各自的優勢，為實現城市全景三維和大比例尺三維立體地圖建模提供重要的技術手段。

1 多視激光點云數據融合的三維建模方法

1.1 多視點云數據配準

機載與車載點云數據配準是指將處于不同坐標系中的點云數據轉換到統一坐標系中的計算過程。本文采用基于特征基元的點云數據配準方法，該方法是從點云數據中提取點、線、面等特征，并利用特征基元間的對應關系解算旋轉和平移矩陣進行配準，將建筑物角點、建筑輪廓線、線狀道路及屋頂面片等視為點、線、面配準基元，具體流程如下：

(1) 根據建(構)筑物的空間分布特征，利用實際測量的控制點坐標，分別在機載和車載點云數據中標識出選取的控制點；然后利用自動搜索到的平面進行擬合，并將擬合得到的平面對機載和車載點云數據進行初始定向，在豎直方向進行平移。

(2) 根據建(構)筑物立面信息建立對應的兩種數據特征，通過自動匹配完成旋轉參數的搜索。從機載和車載點云中搜索控制點附近建筑物立面的具體方法：從車載點云的直方圖信息中選取3～6個較大峰值作為立面主方向，并選取面積最大的平面片作為該方向上的主立面，獲取到控制點附近不同方向的立面信息。在指定的相同區域范圍內，搜索此范圍內的多個立面。

配準時，對每一對平面特征設置權值，并根據平面擬合誤差調整權值。圖1(a)為機載與車載點云配準結果，圖1(b)為建(構)筑物配準后的點云顯示。

圖1 機載與車載點云數據配準結果

1.2 機載點云數據提取房頂特征方法

機載激光點云提取建(構)筑物房頂特征的步驟敘述如下。

1.2.1 屋頂面片分割

采用區域增長算法，利用各點之間的法向量夾角和反射強度差值，實現建筑物頂面點云數據的分割。首先計算各點的曲率，并依據曲率的大小對各點進行排序，然后選取最小曲率的點作為區域增長的種子點，具體計算過程為：

(1) 計算點云的法向量與曲率，從中選取曲率最小的點作為種子點。

(2) 搜索種子點的臨域，計算種子點與臨近點的法向量夾角和強度值差，若角度差與強度差均小于閾值，則將該臨近點加入到該區域。

(3) 若臨近點曲率值小于設定閾值，則將該點加入到種子點集中，并將處理過的種子點從種子點集中刪除；當種子點集所有點處理完畢，則完成該區域增長。對于未處理的點云，重復進行上述操作即可完成區域增長分割。

本文設定搜索鄰域參數κ=10，曲率閾值c=0.02，法向量角度閾值θ=0.04π，根據上述增長條件設置增長半徑為0.5 m，平面點云最少個數為50個，得到如圖2所示的分割結果。

圖2 平頂建筑物分割結果

1.2.2 屋頂輪廓線提取及規則化

常用的提取輪廓線方法是由原始點云數據內插為DSM，進一步得到規則化的nDSM，再利用圖像分割及輪廓線提取算法進行處理，實現房屋頂部輪廓線的提取。本文根據提取的輪廓線效果不斷對α值進行修正，改進了Alpha Shape算法，并對提取的輪廓線進行規則化處理，使得邊界線平滑規則，得到了較好的輪廓線結果，如圖3所示。

圖3 自動提取的建筑物輪廓線

1.3 車載點云數據提取建筑物立面方法

建筑物立面包含豐富的細節特征，如幾何位置、層次信息及窗戶、門、陽臺等結構細節。為實現建筑物立面特征提取及三維重建，需要從樹木、行人、車輛等遮擋物及激光穿過透明物體后形成的散亂點中提取建筑物立面點云，然后利用高程值、結合點云的投影點密度提取出建筑物立面，在此基礎上提取建筑物輪廓線。本文基于建筑物點云數據的高程信息與投影點密度方法，提取出建筑物的立面信息，經過濾波處理得到如圖4所示的結果。

圖4 車載點云提取出的立面點云(俯視)

1.4 基于頂面和立面融合的建筑物精細三維建模

利用車載點云可以反映出建筑物立面細節(如立面結構布局、門窗等)特征，而機載點云能夠得到建筑物的頂部特征，因此將這兩種數據源進行融合處理，并納入到同一坐標系中，可以優勢互補，實現建(構)筑物的精細三維建模，如圖5所示。

圖5 綜合機載與車載點云的建(構)筑物三維重建

1.5 點云與光學影像融合

本文綜合利用激光點云與影像數據，實現建(構)筑物立面紋理映射，具體技術方法如下：

(1) 對車載點云進行抽稀等預處理，設置點云密度閾值和格網內點云高程差異的權重；經濾波處理將得到建筑物點云，利用點云的面片拓撲關系構建建筑物點云幾何框架。

(2) 對序列影像進行預處理、影像分割及形態學等處理，并利用POS數據與傳感器之間的幾何關系建立影像與點云間的一一對應關系，實現影像數據的糾正和映射。

1.6 紋理映射

紋理重建的過程實質上是從相機獲取的影像所在的影像空間到紋理空間、空間實體及模型空間之間的轉換。

建立影像空間與模型空間的變換，由相機投影矩陣C表示。設P1=g1(P)，表示兩個空間的變換函數；設P2=g2(P)，表示像素從紋理空間至模型空間的變換函數。則影像空間到紋理空間的變換函數為

p1=g1(g2p2)?CMp2

(1)

考慮到建筑物的幾何建模及紋理映射的完整性，將全景影像按照單個CCD生成單張影像，并利用車載系統的POS數據和各傳感器間的固定幾何關系建立影像與激光點云的一一對應關系，從而得到激光點云與單片影像的配準。

對于地面任意一目標點，其像點的空間坐標(u,v,w)與掃描儀坐標(U,V,W)間的映射關系可表示為

(2)

式中,R為空間坐標系與掃描儀坐標系轉變的旋轉矩陣，由3個姿態角的三角函數組成；T為兩坐標系之間的平移量。

2 建(構)筑物三維建模

利用光學影像經過糾正制作的正射圖像可直接用于三維建模，具體方法為：首先將糾正后的影像數據導入軟件材質庫中，直接進行渲染得到幾何模型和紋理模型，形成三維可視化模型；然后利用車載激光雷達和相機同步獲取的數據，計算單張影像與掃描儀之間的旋轉矩陣和平移變量，實現點云與影像的配準。

得到糾正后的墻體影像和玻璃材質影像即可直接映射到實體模型中，映射時可采用整體映射和各材質分別映射的方法。在本模型中涉及玻璃和墻體的不同材質，為實現更精確和美觀的試驗效果，采用了各材質分別映射的方式，得到了如圖6所示的效果圖。在模型精細化過程中，本文對建筑物頂面、正面墻體和樓梯等部位進行了手工干預映射。

圖6 模型圖示

從圖6中可以看到，影像中包括建筑物和其他地物，建筑物影像中包括玻璃和其他材質，因此首先對圖像進行分割，本文采用K-means聚類算法對圖像進行了分割，利用數學形態學對分割后的圖像進行了進一步的邊緣處理，得到了建筑物墻面紋理和玻璃紋理，如圖7所示。

圖7 建筑物圖像

3 結 語

本文利用多角度激光點云數據，構建了機載與車載點云數據多項式擬合平面，實現了機載與車載點云數據的精確配準。提出了利用相鄰點法向量相似聚類的區域增長算法，從機載LiDAR數據提取出房屋的輪廓線并進行了規則化，從而得到建(構)筑物輪廓矢量圖。提出了擴展的投影點密度方法，利用車載激光點云高程及點云投影密度提取的建(構)筑物輪廓立面細節及窗戶輪廓特征，建立格網并進行分類、聚類等處理，提取出窗戶的角點坐標，構建建(構)筑物窗戶模型，實現了多視點云數據的精確配準。

[1] 盧小平，朱寧寧，祿豐年. 基于橢圓柱面模型的隧道點云濾波方法[J].武漢大學學報(信息科學版)，2016，41(11)：1476-1482.

[2] 盧遙，盧小平，李國清，等. 綜合機載LiDAR與高分影像的煤礦區典型地物提取方法 [J]．測繪通報，2015(12)：57-59.

[3] 張艷亭，馬東洋，馬浩，等. 360°激光掃描儀測角誤差檢校方法探討[J]. 測繪科學，2011(6)：118-120.

[4] 徐巍，孫志鵬，徐朋，等. 基于LiDAR點云數據插值方法研究[J]. 工程地球物理學報，2012(3)：365-370.

[5] 史文中，李必軍，李清泉. 基于投影點密度的車載激光掃描距離圖像分割方法[J]. 測繪學報，2005，34(2)：95-100.

[6] 鄒曉亮，于英，張永生，等. 基于車載激光掃描數據的電線桿自動識別與定位[J]. 測繪科學，2012(2)：91-93.

[7] 秦家鑫，萬幼川，王迪，等. 基于Otsu的建筑物點云分割改進算法[J]. 地理空間信息，2014(1)：110-113.

[8] 李永強，呂海洋，蘇蕾，等. 車載LiDAR點云中建筑物立面的自動分割[J]. 測繪科學，2014(4)：106-109.

[9] 徐國杰，焦見彬. LiDAR數據和航攝影像結合的地物分類研究[J]. 測繪，2012(2)：70-73.

[10] 孫華，余銳，歐陽光輝，等. 基于LiDAR數據和航空影像的建筑物三維重建技術研究[J]. 城市勘測，2012(2)：60-64.

[11] 龔亮，李正國，包全福. 融合航空影像的LiDAR地物點云分類[J]. 測繪工程，2012(1)：34-38.

[12] 程亮，李滿春，龔健雅，等. LiDAR數據與正射影像結合的三維屋頂模型重建方法[J]. 武漢大學學報(信息科學版)，2013(2)：208-211.

[13] 尤紅建，蘇林，李樹楷. 基于掃描激光測距數據的建筑物三維重建[J]. 遙感技術與應用，2005(4)：81-85.

[14] 張昊，蔣立輝，汪承義. 基于LiDAR點云生成DSM的插值方法研究[J]. 現代電子技術，2007(11)：4-6.

[15] 李瑞林，李濤. 一種從LiDAR點云數據中提取DTM的方法[J]. 鐵道勘察，2007(5)：53-54.

[16] 熊立偉，鎮姣. 基于區域增長的城區機載激光雷達數據的分類算法研究[J]. 科技信息，2012(27)：5-6.

Research on Multi-look Laser Point Cloud Data Fusion and 3D Modeling Method

SONG Yongcun

(Geological Publishing House, Beijing 100083, China)

Based on the point cloud data registration method of feature primitives, this paper uses the control points to roughly match the airborne and vehicle point cloud data, and constructs the feature point matching algorithm model which takes the gradient and color feature and the feature group pair into account. Then, it realizes the accurate registration of airborne and vehicle point cloud data with translation and rotation transformation parameters obtained by fitting the plane feature. On this basis, the technical process of matching the top and facade features of the multi-angle point cloud data fusion, the point cloud data and the optical image texture information are established, and the building (structure) 3D fine modeling is realized, finally the validity of the proposed method is verified by an example.

multi-look laser point cloud; matching; fusion; 3D modeling

宋永存.多視激光點云數據融合與三維建模方法研究[J].測繪通報，2017(5)：79-81.

10.13474/j.cnki.11-2246.2017.0159.

2017-03-03;

2017-04-05

宋永存(1967—)，男，編輯，主要從事三維立體地圖的開發、研究及出版工作。E-mail：163syc@163.com

P208

A

0494-0911(2017)05-0079-03