一種融合多尺度特征的激光掃描數據物理平面自動化提取方法
【技術領域】
[0001] 本發明屬于計算機視覺和激光掃描數據處理的交叉領域，尤其涉及激光掃描數據 物理平面特征提取與自動化模型重建方法。
【背景技術】
[0002] 激光掃描系統可以自動化的獲取地物表面高精度的3維坐標信息，已成為一種快 速的空間數據獲取手段，廣泛運用于基礎測繪、數字城市、交通運輸、森林資源調查、環境保 護、文物保護與重建等領域。同時，激光掃描數據具有數據量大，點云密度分布不均，場景目 標多樣（建筑物、道路、樹木、車輛、交通標志牌、交通信號燈等），細節結構豐富等特點，難 以直接對整個場景的激光掃描數據進行三維重建。為了實現基于海量的激光掃描數據進 行建筑物幾何模型三維重建，必須首先對激光掃描數據進行分割，識別出屬于建筑物的面 片區域，然后基于提取的面片進行建筑物3維幾何模型的重建。因此，建筑物平面面片地自 動、快速、準確提取和識別是建筑物三維重建的基礎和前提，也是本發明關注的重點。
[0003] 目前從大范圍城市復雜環境的激光掃描數據中快速提取物理平面的方法主要包 括：基于區域生長的分割方法，基于聚類的分割方法、基于輔助圖像的分割方法、基于隨機 采樣一致性的分割方法等四類。Belton and Lichti (2001)采用局部表面屬性（點的鄰近 性、點到擬合平面的距離、平滑表面法向量夾角等）作為相似性測度，然后將空間上鄰近并 且表面屬性相似的點分割到同一區域中。該分割方法對噪、點密度變化、數據遮擋缺失等比 較敏感。Filin(2002)首先計算激光掃描數據中所有的法向量和點到擬合平面的距離等特 征，然后把每個點從坐標空間轉換到特征空間，最后利用模糊C均值方法在特征空間聚類 從而得到代提取的平面。該分割方法穩健性好，對鄰域范圍的大小不敏感，但該方法需要人 為指定面片個數的初始信息，因此自動化程度會受到影響。Van Hansen et al. (2006)利用 了隨機采樣一致性方法來檢測平面特征，該方法首先將空間點云劃分成3D空間體素，然后 在每個體素內分別利用隨機采樣一致性方法檢測存在的平面，最后通過一定的合并規則將 相鄰體素中相似的平面特征進行合并。楊必勝，魏征（2010)首先將激光掃描數據根據距 離或者光譜信息投影到特定的平面上形成深度圖像或者彩色圖像，然后利用圖像處理中成 熟的平面檢測算法進行平面提取，再將分割后的圖像逆投影回激光掃描數據中，最終實現 激光掃描數據的分割。這種方法把3維的激光掃描數據轉換成2維的圖像數據進行處理， 加快了數據處理的效率，但是在轉換的過程中會造成精度的損失，同時還會受到圖像投影 誤差、圖像格網分辨率等因素的影響。
[0004] 總體而言，從大范圍城市復雜環境的激光掃描數據中快速、準確地提取平面仍然 存在：1)局部幾何特征計算對點密度變化、噪聲等影響比較敏感，導致特征計算精度較低； 2)平面提取的正確率和準確性相對較低，難以滿足自動化提取的需要；3)只適用于固定 站、車載、機載掃描數據中某一單一類型數據的平面提取，缺乏廣泛的適用性，在實際生產 中自動化程度低等問題。
【發明內容】
[0005] 本發明針對現有技術的不足，提出一種融合多尺度特征的激光掃描數據物理平面 自動化提取方法。本發明解決的技術問題主要包括：1)發展了基于信息熵的最佳鄰域自 適應確定方法，克服了點密度變化、噪聲、數據缺失等因素對三維點局部幾何特征計算的影 響；②綜合利用基于點的特征（維數特征，法向量等）和基于區域的特征（粗糙度、緊湊度、 尺度、長寬比等）進行物理平面區域提取，提高了物理平面提取的準確性；；③擴展了現有 平面分割方法的適用范圍，本發明適用于機載、車載、固定站等多種類型激光掃描數據的物 理平面提取。
[0006] 本發明的技術方案為一種融合多尺度特征的激光掃描數據物理平面自動化提取 方法，主要包含以下步驟：
[0007] -個激光掃描數據的步驟：利用機載、車載、固定站激光掃描儀獲取原始點云數 據，該數據包括道路及道路兩側地物的高精度的3維坐標信息。
[0008] -個基于信息熵的最佳鄰域確定和局部幾何特征計算的步驟：針對激光掃描獲取 原始數據確定局部幾何特征計算的最大鄰域半徑r_，最小鄰域半徑，并計算該最佳鄰域內 每個點的幾何特征，具體包括：
[0009] 步驟1. 1、確定局部幾何特征計算的最大鄰域半徑，最小鄰域半徑r_，半徑的 增量，強度差閾值IΛ，并初始化當前半徑r e= r _。
[0010] 步驟1. 2、逐步增大鄰域半徑re(re+ = rj，直到r _。對鄰域re內與當前點 反射強度差小于ΙΛ的數據進行主分量分析（PCA)得到點云數據分布的特征值λ i，λ 2, λ 3， (λ λ 2彡λ 3)，并定義維數特征：
和熵 函數 Ef = -a 1Dln (a1D) -a2Dln (a2D) -a3Dln (a3D)。
[0011] 步驟I. 3、把函數Ef為最小值時的半徑確定為最佳的鄰域半徑Fciptinial，并計算每個 激光腳點的維數特征（a 1D，a2D，a3D)和法向量（Nx，Ny，N z)。
[0012] -個基于支持向量機的逐點粗分類的步驟：根據計算的每個點的幾何特征利用支 持向量機（SVM)對每個激光腳點分類為線狀分布點、面狀分布點和球狀分布點3類：具體方 法是：
[0013] 將每一個激光腳點的維數特征（a1D，a2D，a 3D)歸一化到區間[-1，1]，手工標記一部 分點類別（線狀分布點、面狀分布點和球狀分布點）并將這些已知類別的點分為訓練集和 驗證集；輸入訓練集進行訓練（核函數采用高斯核函數），得到最優分類模型；用得到的模 型對驗證集和未知類別的點進行分類，分類為線狀分布點、面狀分布點和球狀分布點3類。
[0014] 一個針對面狀分布的點進行區域生長并提取初始平面的步驟：利用最小割方法合 并相鄰的相似平面，具體包括：
[0015] 步驟2. 1、標記所有的面狀分布的點為"未分割"，并從未分割的掃描點中隨機選取 一個點作為生長的初始種子點；
[0016] 步驟2. 2、利用KD樹搜索種子點的鄰域點，如果鄰域點法向量和種子點法向量的 夾角小于閾值Ta并且鄰域點到種子點所在平面的距離小于閾值T s，則認為鄰域點和種子點 屬于同一平面，并將該鄰域點作為下次生長的種子點；
[0017] 步驟2. 3、重復步驟2. 1至步驟2. 3,直到所有的點都已分割完畢，得到初始的分割 區域。
[0018] 步驟2. 4、把初始的分割區域作為結點，構建無向加權圖G = (V，E，W)，V表示圖中 所有的節點，E表示節點間的邊，W = [w(i, j)]n>Nn是權值矩陣，w(i, j)表示節點i和j之間 的相似性。假設將圖G分為兩個不相交的部分A與B，移去連接A與B之間的邊可以使該圖 一分為二，定義該圖的一個割如下：
[0020] 節點間的邊反映了節點間的相似程度，權值越小，相似程度越低。每次選取圖的 "最小割值"對圖G進行二分，直至滿足迭代終止條件。
[0021] -個基于語義知識的平面精細化提取的步驟，對提取的初始平面進行精化處理， 進一步剔除虛假的平面，具體方法是：計算每個初始片面的尺寸，包括長、寬、高、面積、粗糙
其中IJP 1 3為對面片進行主分量分析（PCA)得到的點云數據分布的特征值， 緊湊度
其中，area和perimeter為區域的面積和周長，保留同時滿足寬度 大于閾值!^、高度大于閾值TH、面積大于閾值Tfi、粗糙度小于閾值?；并且緊湊度大于閾值T。 的初始面片作為最終的平面提取結果。
[0022] 在上述一種融合多尺度特征的激光掃描數據物理平面自動化提取方法，在基于信 息熵的最佳鄰域確定和局部幾何特征計算的步驟中，確定局部幾何特征計算的最大鄰域半 徑r_，最小鄰域半徑r_，半徑的增量r Λ，強度差閾值IΛ，并初始化當前半徑re= r _。然 后逐步增大鄰域半徑rc，其中rc+ = rA，直到rc彡r _。通過對不同鄰域rc內的數據進行 主分量分析，發展了基于信息熵的最佳鄰域自適應確定方法，克服了點密度變化、噪聲、數 據缺失等因素對局部幾何特征計算的影響，從而提高了后續平面提取的完整性和正確率。
[0023] 在上述一種融合多尺度特征的激光掃描數據物理平面自動化提取方法，在基于支 持向量機的逐點粗分類的步驟和針對面狀分布的點進行區域生長并提取初始平面的步驟 中，利用支持向量機對每個激光腳點分類為線狀分布點、面狀分布點和球狀分布點3類，然 后對分類為面狀分布的點進行區域生長并提取初始平面，并利用最小割方法合并相鄰的相 似平面。該方法提高了物理平面提取的精度，同時降低了誤提取的可能性。
[0024] 本發明發展了基于信息熵的最佳鄰域自適應確定方法，克服了點密度變化、噪聲、 數據缺失等因素對局部幾何特征計算的影響，提高了初始平面提取的精度；同時，綜合利用 基于點的特征（維數特征，法向量等）和基于區域的特征（粗糙度、緊湊度、尺度、長寬比 等）進行平面區域提取，提高了平面提取的準確性。
【附圖說明】
[0025] 圖1是本發明實施例的基于知識的激光掃描數據平面自動化提取方法的整體流 程圖。
[0026] 圖2是本發明實施例的基于信息熵的最佳鄰域自適應確定方法的示意圖。
[0027] 圖3是本發明實施例的基于SVM逐點粗分類的示意圖。
[0028] 圖4是本發明實施例的利用"最小割"方法合并相鄰權值構造的示意圖。
【具體實施方式】
[0029] 本發明主要基于計算機視覺和空間幾何推理理論，提出一種融合多尺度特征的激 光掃描數據物理平面自動化提取方法。本發明綜合利用基于點的特征（維數特征，法向量 等）和基于區域的特征（粗糙度、緊湊度、尺度、長寬比等）進行平面區域提取，提高了物理 平面提取的準確性，擴展了現有平面分割方法的適用范圍。
[0030] 為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對 本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，并不 用于限定本發明。本發明提供的方法能夠用計算機軟件技術實現流程，整體技術流程圖參 見圖1，包括以下步驟：
[0031] 步驟1，為確定激光腳點的最佳鄰域，首先需要設定最大鄰域半徑rmax= 0. 5米，最 小鄰域半徑rmin= 0. 1米，半徑的增量r Λ = 0. 05米，強度差閾值I Λ = 5,并初始化當前半 徑A= r_，參見圖2。實施例具體的實施過程說明如下：
[0032] 逐步增大鄰域半徑rc(rc+ = rj，直到r _。利用鄰域rc內與當前點反射強 度差小于I λ的數據構建協方差矩陣M3x3:
[0034] 其中，k為鄰域點個數