激光扫描是一种前沿的三维空间信息获取技术, 在城市建筑建模、滑坡变形监测、市政部件调查以及高精度数字地图等领域得到了广泛的应用^{[1, 2]}。根据搭载平台的差异, 激光扫描技术可以分为地面激光扫描(terrestrial laser scanning, TLS)^[3]、车载移动激光扫描(vehicle-borne mobile laser scanning, V-MLS)^[4]、机载激光扫描(airborne laser scanning, ALS)^[5-8]。在获取建筑物三维数据方面, TLS、MLS与ALS各有优缺点:①TLS用以获取建筑侧面数据, 点云密度高且可以尽量避免遮挡, 但需要人工架站与大量后处理; ②MLS也用以获取建筑侧面数据, 能够高效采集道路两侧的立面, 但无法达到道路以外的地方; ③ALS用以采集建筑顶部数据, 效率高但点云密度低。TLS在保证数据完整性方面是不可或缺的, 三者扫描方式进行组合, 是完整建筑点云数据获取方法的发展趋势^[9]。

地面激光扫描技术是获取建筑物三维数据的重要手段之一, 建筑点云的提取算法分为以下两类:①直接对点云数据做分割与分类, 主要有基于散乱结构的方法^[10]和基于扫描线结构的方法^[11]; ②将三维点云的属性或空间分布特征投影到二维影像上, 主要有投影点密度(density of projected points, DoPP)法^[12]和特征图法^[13]。点云直接进行分割分类的效率比较低, DoPP法效率较高但缺乏足够的稳健性, 特征图法因为运算速度快且提取精度高而被运用于车载点云的地物提取, 本文将它拓展运用到TLS中。

在特征图法的基础上, 本文提出了地面点云中建筑物快速提取方法, 主要步骤包括点云配准、点云重采样、基于特征图的分割、空中管线移除、建筑区域提取。实验证明该方法具有速度快与准确率高的优点。

1 建筑区域快速提取方法

为了解决从地面激光扫描数据中提取建筑时自动化程度低且计算消耗大的难题, 本文设计了建筑区域点云的快速自动提取方法。其基本思想是:首先, 引入SLAM6D(simultaneous localization and mapping with 6 Dof)算法实现点云配准的自动化; 其次, 利用抽稀算法进行降采样, 在减少数据量的同时使得全局点密度更均匀, 并用空中管线移除算子来避免建筑间的粘连现象; 接着, 改进车载激光点云特征图法实现地面点云的快速分割, 其中使用形态学算法抑制了建筑物的过分割。最后, 利用先验知识识别出了建筑区域点云。

1) 点云配准。考虑到TLS采用逐站采集的方式, 各站点云都有独立的局部坐标系, 需要进行配准将其归算到同一坐标系下才能使用。目前, 主流的配准算法有最近迭代点法(iterative closest point, ICP)^[9]与最小二乘三维表面(least squares 3D surface, LS3D)^[10]。三维工具箱(3D tool kit, 3DTK)的SLAM6D模块^[11]集成了ICP算法, 本文使用该开源工具来实现多站点云的自动配准。3DTK提供一系列三维点云的处理方法, 其中包括高精度的自动配准方法, 也就是6个自由度的即时制图与定位方法(SLAM6D)。SLAM6D在处理序列点云时, 使用ICP算法分别处理前后相邻点云, 逐站传递6个变换参数, 最终实现全部测站点云的配准。

2) 点云重采样。为了使拼接后的点云在全局范围内的密度分布均匀, 本文使用体素格网法对点云进行降采样(图 1)。主要步骤如下:

(1) 根据预定义的单元格边长CellSize, 对点云进行体素化分割;

(2) 在每个单元内, 计算激光点到中心的距离;

(3) 对距离进行排序, 只保留距离最小的点来代表整个单元格。

3) 空中管线移除算子。建筑之间经常会有电力与通信等空中管线连接, 由于这类管线在特征图计算时的高程权值较大, 很容易被分到前景类, 进而会使得的建筑区域之间产生粘连现象。为此本文设计了一种空中管线移除算子, 首先将点云格网化, 每个网格在竖直方向分为3段(图 2), 分别统计上段、中段与下段中的激光点数, 根据空中管线所在网格的中段几乎无点而上下段点数较多的特点来剔除相应点, 成功避免了空中管线对建筑区域造成的粘连现象。

4) 点云分割。首先将地面扫描的点云生成特征图, 接着使用OTSU算法(大律法)将特征图分割为前景与背景, 然后对前景部分做形态学处理, 最后聚类提取建筑部分。本文利用文献[14]中的方法来生成地面扫描点云的特征影像。

5) 建筑物点云提取。经过形态学处理后, 属于同一幢建筑的像素点具有空间连通性。利用八邻域法, 对二值图像进行连通区域分析, 将前景像素聚类为空间上独立的分割单元, 再用面积与周长等预定义属性便可以对建筑区域筛选。最后将建筑区域像素对应格网中的激光点取出, 便完成了建筑区域点云的提取工作。

2 实验与分析

本文使用德国不来梅国际大学Thermal Mapper项目的公开数据进行实验(图 3), 有11个测站的数据, 共有八千多万个激光点。

使用3DTK中的SLAM6D模块对各站点云数据进行配准, 得到的结果如图 4所示, 其中白色圆圈标记的地方为扫描站点。

使用体素法进行降采样, 其单元格的尺寸为0.1 m。降采样后激光点数量为320万, 只有原始数据量的4%左右, 且分布密度更为均匀。空中管线移除算子成功滤除了管线点, 避免了接下来生成特征图的粘连现象。地面点云生成的特征图、特征图二值化结果、二值图像形态学处理结果以及图像聚类结果分别如图 5所示。从图 5可以看出, 形态学处理有效地填补了建筑内部的一些间隙, 抑制可能出现的过分割现象。

采用水平面积、竖直高度、点密度以及包含点数等先验知识, 对分割结果进行筛选, 得到的建筑候选区域如图 6所示, 正确的用矩形标识, 错误的用圆圈标识。在23个识别结果中, 21个正确, 两个错误, 正确率达到91.3%, 没有出现漏检, 但还存在过分割的情况。

3 结束语

为了解决从地面激光扫描数据中提取建筑区域点云时自动化程度低与计算消耗大的难题, 本文设计了新的提取方法。首先, 通过SLAM6D算法实现点云配准的自动化, 实施降采样消除冗余数据并获得均匀的点密度, 设计了空中管线移除算子来避免建筑间的粘连现象; 然后, 改进点云特征图法实现地面点云的快速分割, 其中使用形态学算法抑制了建筑物的过分割。最后, 利用先验知识识别出了建筑区域点云。

实验证明, 本文方法可以实现流程自动化, 具有较高的效率与准确率, 但仍需要进一步研究:进一步抑制过分割现象, 保证提取结果的完整性; 引入更多的判断准则, 或者考虑引入机器学习来进一步减少错误的识别结果。