宋永存

(地质出版社，北京 100083)

多视激光点云数据融合与三维建模方法研究

宋永存

(地质出版社，北京 100083)

基于特征基元的点云数据配准方法，利用控制点对机载与车载点云数据进行概略匹配，构建了顾及梯度与颜色特征及特征组对的特征点匹配算法模型，根据拟合平面特征解算平移和旋转变换参数，实现了机载与车载点云数据的精确配准，并在此基础上建立了多角度点云数据融合的房屋顶部和立面特征提取、点云数据与光学影像纹理信息匹配的技术流程，实现了建(构)筑物三维精细建模，并通过实例验证了本文所提方法的有效性。

多视激光点云；匹配；融合；三维建模

建筑物的三维重建是“数字城市”与“智慧城市”建设的重要组成部分。机载LiDAR系统具有获取数据自动化程度高、受天气影响小、精度高等特点，可以快速精确地获取地表三维信息，为建筑物三维重建提供了一种新的技术途径，是目前城市三维建模的主要数据源。但是，由于机载雷达系统受扫描角度和分辨率等限制，仅利用机载LiDAR数据得到的建筑物模型往往缺少立面信息，而车载LiDAR数据与此相对应，包含大量的建筑物立面信息。因此，研究机载与车载激光点云数据融合、匹配及快速三维建模技术方法，可以充分利用两种数据源各自的优势，为实现城市全景三维和大比例尺三维立体地图建模提供重要的技术手段。

1 多视激光点云数据融合的三维建模方法

1.1 多视点云数据配准

机载与车载点云数据配准是指将处于不同坐标系中的点云数据转换到统一坐标系中的计算过程。本文采用基于特征基元的点云数据配准方法，该方法是从点云数据中提取点、线、面等特征，并利用特征基元间的对应关系解算旋转和平移矩阵进行配准，将建筑物角点、建筑轮廓线、线状道路及屋顶面片等视为点、线、面配准基元，具体流程如下：

(1) 根据建(构)筑物的空间分布特征，利用实际测量的控制点坐标，分别在机载和车载点云数据中标识出选取的控制点；然后利用自动搜索到的平面进行拟合，并将拟合得到的平面对机载和车载点云数据进行初始定向，在竖直方向进行平移。

(2) 根据建(构)筑物立面信息建立对应的两种数据特征，通过自动匹配完成旋转参数的搜索。从机载和车载点云中搜索控制点附近建筑物立面的具体方法：从车载点云的直方图信息中选取3～6个较大峰值作为立面主方向，并选取面积最大的平面片作为该方向上的主立面，获取到控制点附近不同方向的立面信息。在指定的相同区域范围内，搜索此范围内的多个立面。

配准时，对每一对平面特征设置权值，并根据平面拟合误差调整权值。图1(a)为机载与车载点云配准结果，图1(b)为建(构)筑物配准后的点云显示。

图1 机载与车载点云数据配准结果

1.2 机载点云数据提取房顶特征方法

机载激光点云提取建(构)筑物房顶特征的步骤叙述如下。

1.2.1 屋顶面片分割

采用区域增长算法，利用各点之间的法向量夹角和反射强度差值，实现建筑物顶面点云数据的分割。首先计算各点的曲率，并依据曲率的大小对各点进行排序，然后选取最小曲率的点作为区域增长的种子点，具体计算过程为：

(1) 计算点云的法向量与曲率，从中选取曲率最小的点作为种子点。

(2) 搜索种子点的临域，计算种子点与临近点的法向量夹角和强度值差，若角度差与强度差均小于阈值，则将该临近点加入到该区域。

(3) 若临近点曲率值小于设定阈值，则将该点加入到种子点集中，并将处理过的种子点从种子点集中删除；当种子点集所有点处理完毕，则完成该区域增长。对于未处理的点云，重复进行上述操作即可完成区域增长分割。

本文设定搜索邻域参数κ=10，曲率阈值c=0.02，法向量角度阈值θ=0.04π，根据上述增长条件设置增长半径为0.5 m，平面点云最少个数为50个，得到如图2所示的分割结果。

图2 平顶建筑物分割结果

1.2.2 屋顶轮廓线提取及规则化

常用的提取轮廓线方法是由原始点云数据内插为DSM，进一步得到规则化的nDSM，再利用图像分割及轮廓线提取算法进行处理，实现房屋顶部轮廓线的提取。本文根据提取的轮廓线效果不断对α值进行修正，改进了Alpha Shape算法，并对提取的轮廓线进行规则化处理，使得边界线平滑规则，得到了较好的轮廓线结果，如图3所示。

图3 自动提取的建筑物轮廓线

1.3 车载点云数据提取建筑物立面方法

建筑物立面包含丰富的细节特征，如几何位置、层次信息及窗户、门、阳台等结构细节。为实现建筑物立面特征提取及三维重建，需要从树木、行人、车辆等遮挡物及激光穿过透明物体后形成的散乱点中提取建筑物立面点云，然后利用高程值、结合点云的投影点密度提取出建筑物立面，在此基础上提取建筑物轮廓线。本文基于建筑物点云数据的高程信息与投影点密度方法，提取出建筑物的立面信息，经过滤波处理得到如图4所示的结果。

图4 车载点云提取出的立面点云(俯视)

1.4 基于顶面和立面融合的建筑物精细三维建模

利用车载点云可以反映出建筑物立面细节(如立面结构布局、门窗等)特征，而机载点云能够得到建筑物的顶部特征，因此将这两种数据源进行融合处理，并纳入到同一坐标系中，可以优势互补，实现建(构)筑物的精细三维建模，如图5所示。

图5 综合机载与车载点云的建(构)筑物三维重建

1.5 点云与光学影像融合

本文综合利用激光点云与影像数据，实现建(构)筑物立面纹理映射，具体技术方法如下：

(1) 对车载点云进行抽稀等预处理，设置点云密度阈值和格网内点云高程差异的权重；经滤波处理将得到建筑物点云，利用点云的面片拓扑关系构建建筑物点云几何框架。

(2) 对序列影像进行预处理、影像分割及形态学等处理，并利用POS数据与传感器之间的几何关系建立影像与点云间的一一对应关系，实现影像数据的纠正和映射。

1.6 纹理映射

纹理重建的过程实质上是从相机获取的影像所在的影像空间到纹理空间、空间实体及模型空间之间的转换。

建立影像空间与模型空间的变换，由相机投影矩阵C表示。设P1=g1(P)，表示两个空间的变换函数；设P2=g2(P)，表示像素从纹理空间至模型空间的变换函数。则影像空间到纹理空间的变换函数为

p1=g1(g2p2)≅CMp2

(1)

考虑到建筑物的几何建模及纹理映射的完整性，将全景影像按照单个CCD生成单张影像，并利用车载系统的POS数据和各传感器间的固定几何关系建立影像与激光点云的一一对应关系，从而得到激光点云与单片影像的配准。

对于地面任意一目标点，其像点的空间坐标(u,v,w)与扫描仪坐标(U,V,W)间的映射关系可表示为

(2)

式中,R为空间坐标系与扫描仪坐标系转变的旋转矩阵，由3个姿态角的三角函数组成；T为两坐标系之间的平移量。

2 建(构)筑物三维建模

利用光学影像经过纠正制作的正射图像可直接用于三维建模，具体方法为：首先将纠正后的影像数据导入软件材质库中，直接进行渲染得到几何模型和纹理模型，形成三维可视化模型；然后利用车载激光雷达和相机同步获取的数据，计算单张影像与扫描仪之间的旋转矩阵和平移变量，实现点云与影像的配准。

得到纠正后的墙体影像和玻璃材质影像即可直接映射到实体模型中，映射时可采用整体映射和各材质分别映射的方法。在本模型中涉及玻璃和墙体的不同材质，为实现更精确和美观的试验效果，采用了各材质分别映射的方式，得到了如图6所示的效果图。在模型精细化过程中，本文对建筑物顶面、正面墙体和楼梯等部位进行了手工干预映射。

图6 模型图示

从图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质，因此首先对图像进行分割，本文采用K-means聚类算法对图像进行了分割，利用数学形态学对分割后的图像进行了进一步的边缘处理，得到了建筑物墙面纹理和玻璃纹理，如图7所示。

图7 建筑物图像

3 结 语

本文利用多角度激光点云数据，构建了机载与车载点云数据多项式拟合平面，实现了机载与车载点云数据的精确配准。提出了利用相邻点法向量相似聚类的区域增长算法，从机载LiDAR数据提取出房屋的轮廓线并进行了规则化，从而得到建(构)筑物轮廓矢量图。提出了扩展的投影点密度方法，利用车载激光点云高程及点云投影密度提取的建(构)筑物轮廓立面细节及窗户轮廓特征，建立格网并进行分类、聚类等处理，提取出窗户的角点坐标，构建建(构)筑物窗户模型，实现了多视点云数据的精确配准。

[1] 卢小平，朱宁宁，禄丰年. 基于椭圆柱面模型的隧道点云滤波方法[J].武汉大学学报(信息科学版)，2016，41(11)：1476-1482.

[2] 卢遥，卢小平，李国清，等. 综合机载LiDAR与高分影像的煤矿区典型地物提取方法 [J]．测绘通报，2015(12)：57-59.

[3] 张艳亭，马东洋，马浩，等. 360°激光扫描仪测角误差检校方法探讨[J]. 测绘科学，2011(6)：118-120.

[4] 徐巍，孙志鹏，徐朋，等. 基于LiDAR点云数据插值方法研究[J]. 工程地球物理学报，2012(3)：365-370.

[5] 史文中，李必军，李清泉. 基于投影点密度的车载激光扫描距离图像分割方法[J]. 测绘学报，2005，34(2)：95-100.

[6] 邹晓亮，于英，张永生，等. 基于车载激光扫描数据的电线杆自动识别与定位[J]. 测绘科学，2012(2)：91-93.

[7] 秦家鑫，万幼川，王迪，等. 基于Otsu的建筑物点云分割改进算法[J]. 地理空间信息，2014(1)：110-113.

[8] 李永强，吕海洋，苏蕾，等. 车载LiDAR点云中建筑物立面的自动分割[J]. 测绘科学，2014(4)：106-109.

[9] 徐国杰，焦见彬. LiDAR数据和航摄影像结合的地物分类研究[J]. 测绘，2012(2)：70-73.

[10] 孙华，余锐，欧阳光辉，等. 基于LiDAR数据和航空影像的建筑物三维重建技术研究[J]. 城市勘测，2012(2)：60-64.

[11] 龚亮，李正国，包全福. 融合航空影像的LiDAR地物点云分类[J]. 测绘工程，2012(1)：34-38.

[12] 程亮，李满春，龚健雅，等. LiDAR数据与正射影像结合的三维屋顶模型重建方法[J]. 武汉大学学报(信息科学版)，2013(2)：208-211.

[13] 尤红建，苏林，李树楷. 基于扫描激光测距数据的建筑物三维重建[J]. 遥感技术与应用，2005(4)：81-85.

[14] 张昊，蒋立辉，汪承义. 基于LiDAR点云生成DSM的插值方法研究[J]. 现代电子技术，2007(11)：4-6.

[15] 李瑞林，李涛. 一种从LiDAR点云数据中提取DTM的方法[J]. 铁道勘察，2007(5)：53-54.

[16] 熊立伟，镇姣. 基于区域增长的城区机载激光雷达数据的分类算法研究[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.多视激光点云数据融合与三维建模方法研究[J].测绘通报，2017(5)：79-81.

10.13474/j.cnki.11-2246.2017.0159.

2017-03-03;

2017-04-05

宋永存(1967—)，男，编辑，主要从事三维立体地图的开发、研究及出版工作。E-mail：163syc@163.com

P208

A

0494-0911(2017)05-0079-03