基于点云特征的建筑物屋顶面提取_叶长斌.pdf

随着激光雷达（LiDAR）技术的发展，LiDAR点云数据在数字城市建筑物提取、三维建模等方面的应用越来越广泛。获取高精度建筑物数据是构建数字城市的重要内容，因此从LiDAR点云中提取建筑物屋顶已成为研究热点。目前，建筑物屋顶面的提取主要采用基于随机采样一致性（RANSAC）算法、区域增长、三维Hough变换算法以及几者组合的算法1。朱军桃2等采用一种基于三角面的区域增长算法来实现建筑物屋顶面点云的分割，并结合RANSAC和AlphaShape算法3把过度分割的面片进行合并；该方法对于处理复杂建筑物屋顶面的效果较理想，但对于分割狭长屋顶面的结果较差。杨洋4等根据建筑物边缘垂直或平行的特点，利用区域生长算法将屋顶面分成了不同的平面；该方法对于规则的建筑物屋顶面具有较好的效果，但易受点云密度影响，提取精度随点云密度的降低而降低，当点云密度低于1 pt/m2时，可能会导致建筑物重建失败。闻平5等提出了一种基于点云数据的渐进式建筑物提取方法，采用改进效率的Hough变换提取点云中的平面，再根据相邻点方位角阈值和RANSAC 算法拟合建筑物轮廓线，从而提取出建筑物；该方法对于长边和复杂边界建筑物提取效果较好，且提供了一整套提取建筑物的流程。由于点云数据杂乱且数据量大，提取的屋顶面仍存在不完整、识别错误等问题，进而导致提取效果不佳、数据处理效率低。针对建筑物屋顶面提取中屋顶面识别问题，本文提出了一种基于点云特征的提取方法，结合点云特征和基于密度的空间聚类（DBSCAN）算法提取屋顶面。1研究方法1.1数据预处理为剔除原始点云中的噪声点，并分离地面点和非地面点，需进行数据预处理。本文利用CloudCompare软件进行数据预处理，选择该软件中的基于布料模拟滤波（CSF）算法，将地面点和非地面点分离开来。由于本文研究的重点是建筑物屋顶面的提取，而屋顶离地面具有一定的距离，因此通过设置高程阈值可剔除大部分噪声点。基于点云特征的建筑物屋顶面提取摘要：针对从激光雷达点云中提取建筑物屋顶面精度不高、效果不佳等问题，提出了一种利用点云特征的建筑物屋顶面提取方法。通过统计点云的屋顶面法向量特征识别屋顶面，利用改进的基于密度的空间聚类算法实现屋顶面聚类，并采用张量投票的方式解决屋顶面点云竞争的问题。实验结果表明，该方法能有效提取屋顶面点云，总体精度约为96%，能满足实际工作的需要。关键词：三维激光；点云；屋顶面；基于密度的空间聚类；分类提取中图分类号：P231文献标志码：B文章编号：1672-4623（2023）03-0086-04Extraction of Building Roof Surface Based on Point Cloud FeaturesYE Changbin1,JING Guofeng1,LUO Cuicui1,JIAO Zijun1,JIA Yajun1(1.Shandong Zhengyuan Digital City Construction Co.,Ltd.,Yantai 264670,China)Abstract:Aiming at the problem of low accuracy and poor effect of extracting building roof surface from LiDAR point cloud,we proposed abuilding roof surface extraction method based on point cloud features.We identified the roof surface by collecting the point cloud normal vectorfeatures of roof surface,used the improved density-based spatial clustering of applications with noise(DBSCAN)algorithm to realize the roof sur-face clustering,and used the tensor voting method to solve the problem of roof surface point cloud competition.The experimental results show thatthe method can effectively extract the point cloud of roof surface,and the overall accuracy is about 96%,which can meet the needs of actual work.Key words:3D laser,point cloud,roof surface,DBSCAN,classification extraction收稿日期：2021-10-06；修回日期：2021-12-13。项目来源：山东省自然科学基金资助项目（ZR2017MD029）。第一作者简介：叶长斌（1979），高级工程师，注册测绘师，主要从事测绘地理信息工作，E-mail：。引文格式：叶长斌,景国峰,罗翠翠,等.基于点云特征的建筑物屋顶面提取J.地理空间信息,2023,21(3):86-89.doi:10.3969/j.issn.1672-4623.2023.03.018Mar.,2023Vol.21,No.3地 理 空 间 信 息GEOSPATIAL INFORMATION2023 年 3 月第21卷第 3 期（1.山东正元数字城市建设有限公司，山东 烟台 264670）叶长斌1，景国峰1，罗翠翠1，焦字军1，贾亚军1第21卷第3期图1点云分布和密度特征对比示意图5.420 0755.420 075.420 0655.420 065.420 0555.420 055.420 045Y坐标/m4.976 254.976 34.976 354.976 44.976 454.976 54.976 554.976 64.976 65106105X坐标/m3.374 2993.374 2983.374 2973.374 2963.374 2953.374 2943.374 2933.374 2923.374 291Y坐标/m2.6632.663 052.663 12.663 15106105X坐标/m2.663 22.663 252.663 32.663 35a 屋顶面点云b 树木点云1.2法向量特征常见的建筑物屋顶面多为平面或曲面6，同一屋顶面的激光脚点往往具有相似的特征。利用点云特征可从LiDAR数据中提取屋顶面，本文主要利用法向量和点云密度特征提取屋顶面。目前法向量的计算方法主要分为基于局部平面拟合、基于Delaunay/Voronoi、基于鲁棒统计3类1。本文利用屋顶面局部拟合平面求得法向量，以任意一点p为例，计算点p与其邻域点pi(i=1,2,k)构成的局部平面法向量，再通过构造邻域点协方差矩阵求得其特征值以及对应的特征向量，最小特征值对应的特征向量即为点p的法向量。局部平面内点p的单位法向量的点积值7近似为1，因此可利用点云局部拟合平面的法向量来识别屋顶面。1.3基于DBSCAN的屋顶面提取DBSCAN 算法将具有相同密度特征的点归为一簇8，与其他地物点云相比，屋顶面激光脚点分布规律且密度均匀，如图1所示，屋顶面点云分布呈现一定的规律，且密度较均匀；树木点云则较杂乱且密度分布不均，因此可通过DBSCAN算法区分屋顶面点云和其他密度不均匀的点云。DBSCAN算法的主要参数包括邻域半径（Eps）和最小点数阈值（MinPts）。以点p为例，计算点p与其他所有点的欧氏距离，按距离远近排序并找到距离转折点，据此设置Eps和MinPts的初始值；再通过聚类选出满足条件的点9；最后根据聚类效果调整参数大小，通过迭代算法实现所有点的聚类。然而，DBSCAN算法运行时间长、效率低，没有考虑屋顶面点云的特征。为更好地实现屋顶面点云的聚类提取，本文利用点云法向量特征对DBSCAN算法进行改进，除计算邻域点欧氏距离外，增加法向量信息，即计算点p单位法向量与各邻域点单位法向量的点积，若点积接近于1，则归为屋顶面点云。其基本步骤为：输入数据集，设置初始参数（Eps和MinPts等）；检索点pi(i=1,2,3,N)，搜索其Eps内的点数n，判断是否满足MinPts的阈值条件，若满足，则将该点标记为核心点，其邻域点标记为邻域点，若不满足则标记为噪声点；计算点pi和邻域点的单位法向量，并计算其点积，若点积值接近于1，则将点pi标记为屋顶面点云，邻域点标记为待定屋顶面点云，若不满足则标记为噪声点；检索点pi的邻域点，重复步骤、，并不断向外生长检索其他点，直到所有点检索完成；输出标记的屋顶面点云。1.4基于张量投票的屋顶面竞争屋顶面竞争是指在交界处的点同时属于多个屋顶面，而在提取过程中，交界处的点云被误分到一个平面，导致面与面之间的边界不清晰10，如图2中屋顶面A、B、C的交界点p1、p2，若先检索屋顶面B，则点p1、p2都被归属到屋顶面B的点集中，而屋顶面A、C的点集中没有点p1、p2；相反，若先检索屋顶面A或C，点p1、p2则分别归属到A、C的点集中，而屋顶面B点集中没有点p1、p2，这就造成了屋顶面竞争现象。张量投票方法可以很好地解决建筑物屋顶面竞争问题。张量投票具有强大的结构特征推理能力11，首先根据点云的位置、法向量或曲率等信息将点云数据表示为稀疏张量，即正定对称矩阵；再根据位置进行稀疏投票；最后对投票后的张量矩阵进行特征分解，叶长斌等：基于点云特征的建筑物屋顶面提取87地理空间信息第21卷第3期得到张量分量和显著性，从而进行结构推理判断激光脚点所在的屋顶面。p1p2ABC图2屋顶面竞争示意图2实验结果与精度分析2.1实验数据为验证本文算法的有效性，采用国际摄影测量和遥感学会提供的Vaihigen地区中部分建筑物点云数据进行实验，点云密度约为4pts/m2，平均点间距为0.5m，建筑物影像如图 3 所示，屋顶多为复式结构且有天窗、小阁楼等。建筑物1建筑物2建筑物3建筑物4建筑物5建筑物6图3建筑物影像2.2精度评价因子为验证本文算法的提取效果，本文与RANSAC、区域增长算法提取的屋顶面结果进行对比，并采用参考文献12中的完整度（P）、正确度（R）、质量（Q）来评价提取效果。P=PTPT+NF（1）R=PTPT+PF（2）Q=PTPT+PF+NF（3）式中，PT为正确提取的屋顶面点云的个数；PF为非屋顶面点云被误分为屋顶面点云的个数；NF为屋顶面点云被误分为非屋顶面点云的个数。2.3精度分析利用本文方法提取的建筑物屋顶面如图4所示，可以看出，本文算法能提取建筑物屋顶面，且能实现不同面体的分割，平面屋顶面的面体越大、点数越多，提取效果越好，但存在点云遗漏和错误提取（图4中红色线框），算法特征提取没有正确识别出面体，出现了提取遗漏问题。为进一步验证本文算法的有效性和可行性，采用2.2节的精度评价因子对提取结果进行统计，并与 RANSAC、区域增长算法进行对比，结果如表 1 所示，可以看出，面积越大或点云个数越多的屋顶面面体具有更好的提取效果，对屋顶面的识别和判断更准确，本文算法的总体精度约为 96.81%，RANSCA、区域增长算法的总体精度分别约为95.59%和96.62%，说明本文方法与RANSAC、区域增长算法的提取结果基本一致，能有效提取屋顶面；但因曲面屋顶面的法向量方向各异、点积不为1，建筑物3中的曲面屋顶面没有得到有效提取，在曲面屋顶面提取方面还需进行进一步的验证。建筑物1建筑物2建筑物3建筑物4建筑物5建筑物6图4提取的建筑物屋顶面点云表1屋顶面提取评价因子统计结果数据建筑物1建筑物2建筑物3建筑物4建筑物5建筑物6算法本文算法RANSAC区域增长本文算法RANSAC区域增长本文算法RANSAC区域增长本文算法RANSAC区域