建筑物立面点云直线段特征提取方法

李金涛; 程效军

doi:doi:10.3788/CJL201946.1109002

中国激光, 2019, 46 (11): 1109002, 网络出版: 2019-11-09

建筑物立面点云直线段特征提取方法下载： 1095次

Straight-Line-Segment Feature-Extraction Method for Building-Facade Point-Cloud Data

论文大纲

李金涛 ^1,**程效军 ^1,2,*

作者单位

¹ 同济大学测绘与地理信息学院, 上海 200092

² 自然资源部现代工程测量重点实验室, 上海 200092

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

针对现有从建筑物立面点云数据中检测提取直线段特征的方法存在漏检现象严重和准确程度不高的问题,提出一种基于切片的建筑物立面点云直线段特征提取方法。首先对建筑物点云姿态进行调整,使其走向与Y坐标轴一致,然后沿三个坐标轴方向对点云进行切片并在切片上提取特征点;之后分别对三个方向提取的特征点基于圆柱体生长的方式进行直线段聚类;最后采用残差1范数最小进行聚类特征点的直线段拟合及对直线段端点进行调整和优化。采用多组实验数据对本方法进行验证,实验结果表明:本文方法的直线段提取精度为点云中平均点间距的1/2;与基于平面分割和图像检测的方法相比,本文方法提取直线段的精确率平均提高了2.4%,召回率平均提高了48.1%,可以更加准确有效地从建筑物立面点云数据中提取直线段特征。

Abstract

In this study, we propose a straight-line-segment feature-extraction method for the building-fa ade point-cloud data based on slicing to improve the existing method of detecting and extracting the straight-line-segment features from the building-fa ade point-cloud data, which exhibits problems of missed detection and less-than-optimal accuracy. Further, the point cloud is sliced along the three coordinate axes after adjusting the point-cloud attitude of the building to ensure that its orientation is consistent with the Y-coordinate axis. Then, the feature points on each slice are extracted, and straight-line-segment clustering is applied to the extracted feature points based on the cylinder growth method. Finally, the straight-line-segment fitting of the feature points is performed using the 1-norm minimum residual algorithm, and the endpoints of the straight line segment are adjusted and refined. Subsequently, we validate the proposed method by applying it to several sets of experimental data; the experimental results exhibit improved accuracy, precision, and recall. The extraction accuracy of the straight line segment is half the average point spacing in the point cloud. The precision of the proposed method for extracting straight line segments is increased by 2.4% on average than that of the plane segmentation and image detection methods, whereas the recall is increased by 48.1% on average. Thus, our proposed method can accurately and effectively extract straight line segments from the building-facade point-cloud data.

1 引言

三维激光扫描技术可以快速获取物体表面的点云数据。三维直线段特征是点云中重要的特征之一,可以用于点云配准^[1]、视觉定位^[2]、测距传感器标定^[3]、建筑物立面图生成和建筑物三维模型重建^[4]等。“实景三维中国”概念的提出,使得建筑物三维模型的精细化重建具有重要意义,其中建筑物直线段特征在模型重建中发挥了重要作用,准确有效地提取直线段特征是三维模型重建的关键。根据文献[ 2,5]的定义,点云中三维直线段分为深度不连续直线段(表面轮廓)和表面相交直线段两类。基于点云数据对直线段进行提取的研究还处于起步和探索阶段^[5],现有从点云数据中提取直线段的方法可以分为基于图像的方法、基于平面相交的方法和基于点的方法。

基于图像的方法利用了较为成熟的图像处理相关算法。文献[ 6-7]分别采用正射投影和多视角投影的方式将点云投影到二维平面,然后利用线性特征检测算法(LSD)^[8]提取直线段。文献[ 9]先利用区域增长对点云进行平面分割,然后从平面中基于图像检测提取直线段特征点并拟合,最后将二维直线段映射回三维空间。基于图像提取直线段的主要问题在于最佳投影平面难以确定,直线段的提取依赖于投影平面的选择,且二维和三维之间的维度变换存在一定的精度损失。

基于平面相交的方法可以提取三维直线段中的平面相交直线段。文献[ 1-2]分别利用随机采样一致性算法(RANSAC)^[10-11]和区域增长算法从点云中提取平面,然后通过平面求交得到平面相交直线段。由于实际墙面难以保证平整,因此平面相交求取的直线段容易出现偏差。为此文献[ 12]用直线段邻域点集对平面进行重心归化,提高了直线段的提取精度。基于平面相交提取相交直线段的主要问题在于点云中的小平面难以被精确分割,方向相同的相邻直线段提取效果不佳。

基于点的方法利用局部特征直接提取特征点,并通过直线拟合获取直线段。文献[ 2]和[3]中采用局部主成分分析算法(PCA)^[13]提取深度不连续的边缘点,然后进行直线的聚类和拟合。文献[ 4]通过邻域内的夹角关系提取建筑物直线特征点,然后通过聚类和统计分析确定直线段端点并提取每条直线段。此外,文献[ 14-17]也分别通过PCA和法向量变化提取特征边界点,但未对每条特征线进行区分和拟合。基于点对直线段进行提取的主要问题在于局部邻域范围大小对特征点提取影响较大,阈值难以确定,且难以聚类区分每条直线段。

针对点云直线段提取的现有方法存在精度差、漏提取严重、参数阈值难以选取等不足,本文提出一种基于切片的建筑物立面点云直线段提取方法。该方法首先对原始点云进行姿态调整,然后沿坐标轴进行切片并在切片上提取直线段特征点,之后基于圆柱体生长方式对特征点进行聚类及拟合直线段,最后对直线段的端点进行调整与优化。

2 直线段提取

基于切片的建筑物立面点云直线段特征提取方法主要分为6个步骤:建筑物立面点云姿态调整、沿坐标轴方向切片生成、切片上特征点的提取、基于圆柱体生长的特征点聚类、基于残差1范数最小的直线段拟合、直线段端点的调整与优化。

2.1 姿态调整

通过沿特征直线段方向进行切片的方式实现局部加密,进而提取该方向上直线段特征点并沿该方向聚类特征点拟合特征直线段。为便于切片方向的确定和后续特征点的聚类生长,现对建筑物立面整体点云进行姿态调整,使建筑物立面走向与Y坐标轴指向一致,且垂直于XY平面(即Z轴竖直向上)。由于数据采集时,三维激光扫描仪的整平操作可以确保坐标系的Z轴竖直向上,因此只需将立面点云在XY平面内绕Z轴旋转一定角度即可使建筑物立面走向与Y轴一致。

原始点云如图1(a)所示,其在XY平面内的投影示意图如图2(a)所示,图中投影边界线颜色越深表示建筑物对应立面上的扫描点越多。由于主立面上点的数量最多,因此投影后点云在XY平面内的主方向即为建筑物立面走向。点云在XY平面内的主方向可利用PCA^{[13, 18]}进行计算。对投影点构造协方差矩阵D,表示为

\begin{matrix} D = [\begin{matrix} \overset{N}{\sum_{n = 1}} Δ x_{n} Δ x_{n} & \overset{N}{\sum_{n = 1}} Δ x_{n} Δ y_{n} \\ \overset{N}{\sum_{n = 1}} Δ y_{n} Δ x_{n} & \overset{N}{\sum_{n = 1}} Δ y_{n} Δ y_{n} \end{matrix}], (1) \end{matrix}

式中:Δx_n=x_n- $\begin{matrix} \bar{x} \end{matrix}$ ,Δy_n=y_n- $\begin{matrix} \bar{y} \end{matrix}$ ;x_n、y_n分别为投影后点在平面中的横纵坐标,n=1,2,…,N,n为点云数据中的第n个点,N为点云中点的总数; $\begin{matrix} \bar{x} \end{matrix}$ 、 $\begin{matrix} \bar{y} \end{matrix}$ 分别为所有点坐标的平均值。

矩阵D的最大特征值对应的特征向量即为主方向,如图2(b)中箭头所示。计算主方向与Y坐标轴的夹角α,将原始点云以主方向上距离原点最近的点(x₀,y₀)为旋转中心,绕Z轴旋转角度α即可使主方向与Y轴平行,从而完成原始点云姿态的调整,如图2(c)所示,调整后点云的三维视图如图1(b)所示。

建筑物立面点云直线段特征提取方法 下载： 1095次

1 引言

2 直线段提取

2.1 姿态调整

图 1. 原始点云姿态调整。(a)原始点云;(b)姿态调整后点云

Fig. 1. Attitude adjustment of original point cloud. (a) Original point cloud; (b) point cloud after attitude adjustment

图 2. 姿态调整。(a)原始点云姿态;(b)原始点云主方向;(c)调整后点云姿态

Fig. 2. Attitude adjustment. (a) Attitude of original point cloud; (b) principal direction of original point cloud; (c) attitude of point cloud after adjustment

2.2 切片生成

图 3. 切片生成。(a) X轴切片;(b) Y轴切片;(c) Z轴切片

Fig. 3. Slice generation. (a) Slices along X axis; (b) slices along Y axis; (c) slices along Z axis

2.3 特征点提取

图 4. 切片上特征点提取

Fig. 4. Extraction of feature points from slices

图 5. 近拐角点

Fig. 5. Points near corner

图 6. 映射回三维空间的特征点

Fig. 6. Feature points mapped back into three-dimensional space

图 7. 特征点提取。(a) X轴切片特征点;(b) Y轴切片特征点;(c) Z轴切片特征点

Fig. 7. Extraction of feature points. (a) Feature points on slices along X axis; (b) feature points on slices along Y axis; (c) feature points on slices along Z axis

2.4 直线段特征点聚类

图 8. 基于圆柱体生长的特征点聚类流程图(Z方向)

Fig. 8. Flow chart of feature points clustered based on cylindrical growth (Z direction)

图 9. 直线段生长示意图

Fig. 9. Schematic of straight-line-segment growth

图 10. 特征点聚类。 (a) X轴切片特征点聚类;(b) Y轴切片特征点聚类;(c) Z轴切片特征点聚类

Fig. 10. Clustering of feature points. (a) Clustering of feature points on slices along X axis; (b) clustering of feature points on slices along Y axis; (c) clustering of feature points on slices along Z axis

2.5 直线段拟合

图 11. 拟合的直线段

Fig. 11. Fitted straight line segments

2.6 直线段调整与优化

图 12. 直线段端点调整与优化。(a)优化与调整前;(b)优化与调整后

Fig. 12. Adjustment and refinement of endpoints of straight line segments. (a) Before adjustment and refinement; (b) after adjustment and refinement

3 实验与分析

3.1 实验数据

3.2 直线段提取与分析

表 1. 实验数据处理结果

Table 1. Processing results of experiment data

图 13. 直线段提取结果。(a)~(d) Data 1,Data 2,Data 3,Data 4;(e)~(h) Data 1,Data 2,Data 3,Data 4的提取结果

Fig. 13. Extraction results of straight line segments. (a)-(d) Data 1, Data 2, Data 3, and Data 4; (e)-(h) extraction results of Data 1, Data 2, Data 3, and Data 4

表 2. Data 4窗体提取误差分析

Table 2. Error analysis of windows extraction of Data 4

3.3 对比实验

图 14. 直线段提取结果对比。(a) Data 1,文献[ 9]算法提取结果;(b) Data 1,本文算法提取结果;(c) Data 3,文献[ 9]算法提取结果;(d) Data 3,本文算法提取结果

图 15. 精确率和召回率统计区域。(a) Data 1统计区域;(b) Data 3统计区域

Fig. 15. Statistical areas of precision and recall. (a) Statistical areas of Data 1; (b) statistical areas of Data 3

表 3. 直线段提取结果的精确率和召回率对比

Table 3. Comparison of precision and recall of extraction results of straight line segments

图 16. Data 1特征点提取结果对比。(a) PCA提取结果,0.2 cm<R<7 cm;(b) PCA提取结果,0.2 cm<R<10 cm;(c) PCA提取结果,0.2 cm<R<15 cm;(d)本文算法提取结果

Fig. 16. Comparison of extraction results of feature points of Data 1. (a) Extraction result of PCA, 0.2 cm<R<7 cm;(b) extraction result of PCA, 0.2 cm<R<10 cm; (c) extraction result of PCA, 0.2 cm<R<15 cm;(d) extraction result of proposed method

4 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

建筑物立面点云直线段特征提取方法下载： 1095次