一種三維激光點云中建筑物立面分割方法

李玉兵

(濟南市房產測繪研究院，濟南 250002)

0 引言

隨著智慧城市、智慧住建的需求不斷迫切，如何對建筑物進行精細化三維重建是當下研究的熱點之一[1-2]。三維激光掃描技術作為一種新型的測量技術，具有數據獲取速度快、精度高、非接觸等優勢，已被廣泛地應用于城市規劃、智慧交通等方面[3-4]。三維激光掃描技術已成為快速獲取城市建筑三維信息的重要途徑，但其獲取的點云數據具有無序、離散、海量等特點，因此在三維激光掃描數據中快速、準確地分割出建筑物立面點云是當前的研究熱點。

針對建筑物點云分割，許多學者已經開展了大量的研究。Bauer等[5]提出的RANSAC(random sample consensus)算法通過隨機抽樣消除噪聲的影響，構建一個由局內點組成的子集，從而將各個具有面特征的建筑物立面分割開來。隨后文獻[6-8]對RANSAC點云分割方法進行改進，取得了較好的效果。但該類方法在分割過程中過于依賴閾值，人為設定閾值會產生過分割或欠分割的情況。文獻[9-10]利用Hough變換對建筑物立面實現了分割，但Hough變換算法在分割過程中易產生偽平面造成精度損失，同時計算量大，效率低。文獻[11-12]從建筑物點云的結構入手，依據點坐標、法向量和表面粗糙度等屬性制定生長規則完成不同立面的生長分割。這類區域生長法只需要少量種子點和規則就能實現立面分割，但種子點的選擇以及規則的設定會直接影響分割結果[13]。

針對三維激光點云數據中建筑物立面遮擋較多、周圍噪聲干擾多、易漏分割、過度分割等問題，本文提出了一種顧及立面幾何特征的建筑物分割方法。該方法深入分析建筑物立面激光點云在二維及三維空間中的幾何形態，根據立面幾何形狀確定生長方向，最后通過聚類生長完成立面分割。

1 研究方法

1.1 建筑物立面點云粗分割

點云數據中含有各種各樣的地物類別。從研究對象角度來說，點云中的地物類別可以分為建筑物與其他地物2大類，如表1所示。建筑物立面點云與其他地物最主要的區別有2個方面：三維空間和二維投影平面。

表1 建筑物與非建筑物空間形態對比

按照空間分布差異，將建筑物立面劃分為建筑物主體立面和陽臺小立面2個部分。首先，對建筑物主體立面分割：創建建筑物的二維格網與三維格網，以格網內點云特征作為立面分割的依據，通過確定種子格網進行立面格網區域生長。本文將立面種子格網分為平直立面格網和拱形彎曲立面格網。

圖1 平直立面投影擬合點及中心格網夾角示意圖

確定種子格網后，選擇種子格網的中心坐標(x，y)作為初步擬合點。本文采用DBSCAN算法對初步擬合點進行去噪，獲得最終擬合點。確定擬合點后，根據擬合點在XOY平面內的分布，采用最小二乘法進行投影線擬合，確定生長方向，將建筑物立面點云以種子擬合點為中心沿生長方向進行約束聚類生長，完成對立面的粗分割，如圖2所示。

平直立面擬合如式(1)所示。

(1)

拱形彎曲立面擬合如式(2)所示。

(2)

圖2 立面約束聚類生長示意圖

完成建筑物主立面點云的粗分割后，部分建筑物含有外部陽臺，也需要對該建筑物進行陽臺立面分割。由于主立面點云已分割完畢，因此剩下的為陽臺小型立面，其分割與主立面分割過程基本相同，只是在確定種子格網的規則上略有區別。相對于建筑物主體立面，陽臺立面點云較少，高差較小，因此不需要添加高差和密度2個約束條件，只需要檢查種子格網內點云中心到2個鄰域格網內點云中心的向量是否滿足共線條件，然后按照立面約束進行區域生長。

1.2 建筑物立面點云精分割

經粗分割后的建筑物平直立面點云周圍仍存在一些高密度噪點，如掃描儀采集到的窗簾、空調機等。這些噪聲點的特點與主立面點云的特點相似，都具有一定的高度和密度，在粗分割時往往會被判斷為立面點云。為此，應對粗分割后的建筑物各個立面進行精細化分割。

針對粗分割后仍存在較多高密度噪點問題，本文采用建筑物分層立面精分割策略。首先，對粗分割后的點云根據劃分的三維格網進行分層；然后，逐層進行最佳擬合平面探測，根據先驗知識設置平面擬合閾值，從粗分割后的點云中快速、精細地分割出建筑物平直立面，剔除噪聲點。對分層后的各層建筑物立面分割完畢后，需要將上下層屬于同一主立面的點云合并。由于各層陽臺是分開獨立的，因此，陽臺立面并不需要合并。一般情況下，建筑物為立面垂直于地面的規則目標。因此，各層主立面上下各層滿足一一對應關系，由此設定的合并策略為逐層、逐立面合并，具體如下。

1)由于花草樹木的遮擋，造成建筑物立面點云存在一定程度的缺失。因此，首先對點云個數進行統計，找出各層建筑物點云完整率最高的一層作為基準層。

2)如圖3所示，假定紅色線為基準層立面在XOY面上的投影擬合線，藍色線為另一層立面點云的投影擬合線，2層在空間上是上下對應的關系，所以2條線的間距需處于一定的閾值范圍內。假設圖中a、b、c分別為藍色線的2端點以及中點，則3點到基準層投影線(紅色線)的距離均應小于閾值Δd。

3)對各層建筑物點云的立面按上述方法判斷是否與基準層的立面為同一立面，并將屬于同一立面的點云上下合并。

4)建筑物各層主立面點云合并完畢后，將未合并的各個陽臺立面合并入對應的層數中，完成建筑物點云整體的分割流程。

圖3 相同立面合并示意圖

2 實驗分析

2.1 實驗數據與參數

為了證明本文方法的適用性，選取2處典型建筑物點云進行立面分割。建筑物1周圍存在空調外機、窗簾等非建筑物點，共672 390個點；建筑物2周圍存在樹木、健身器材等非建筑物點，共8 535 372個點，如圖4所示。

圖4 實驗數據

表2 建筑物立面分割所用參數

2.2 實驗結果與分析

從圖5可以看出，對于彎曲立面與平直立面組成的建筑物點云，本文方法可以有效分割。圖5(a)紅色方框中為第2層陽臺點云中的彎曲立面，顯示該彎曲立面被完整地分割出來，與周圍其他立面分離度較高，輪廓清晰，周圍噪點較少；圖5(b)內部以及外部噪聲點均被去除，各個立面的分割效果良好。文獻[13]中的方法，對彎曲陽臺立面不能進行準確分割，部分點云被誤分割為噪聲點，如圖6(a)中紅色方框所示；部分外部噪聲點被錯誤地分割為立面點云，如圖6(b)中橢圓形框所示。從圖7可以看出，本文方法對不同類型的建筑物進行分割時能夠有效地分割出建筑物立面，但由于部分立面被樹木遮擋嚴重，點云質量較差，少數立面存在漏分割現象。

圖5 本文算法實驗結果

圖6 文獻[13]算法實驗結果

圖7 本文算法實驗結果俯視圖

為進一步說明本文算法的準確性，對實驗數據分割出的立面面片數量進行統計，通過人工交互提取實驗數據立面數量，同時采用文獻[13]的方法進行提取，通過比較立面分割的準確率(accuracy rate，AR)，對建筑物立面提取結果進行評價。AR定義為：各方法提取的立面數量/人工交互識別的立面數量×100%。對比結果如表3所示。本文算法提取的建筑物1的立面分割準確率為95.00%，建筑物2的立面分割準確率為94.59%；文獻[13]算法提取的建筑物1的立面分割準確率為75.00%，建筑物2的立面分割準確率為83.78%。文獻[13]的方法無法區分處于鄰近同一水平位置的陽臺平直立面和卷簾門點云，因而會造成漏分，且有部分窗簾噪點存在，對一些因遮擋造成面積較小的立面也不能有效識別，故而本文的方法準確率高。

表3 2種分割結果定量分析

3 結束語

本文充分挖掘了三維激光點云中建筑物點云在二維及三維空間中的形狀特性，提出了一種立面特征規則約束的建筑物立面分割方法。首先，根據立面特征選取建筑物立面擬合種子格網，確立初始擬合點；然后，依據立面投影特征約束生長方向，完成立面粗分割；最后，對粗分割立面進行精細化處理，完成建筑物立面精分割。研究結果表明，本文方法能有效地分割出建筑物主體立面與陽臺立面，同時對建筑物中平直立面與拱形彎曲立面的分割質量較高，具有較強的適用性和魯棒性。