一种基于显著性分析的点云建筑物立面窗户提取方法技术

本发明专利技术公开了基于显著性分析的建筑物立面窗户提取方法，步骤1、计算每点的法向量与建筑物立面主方向的差异得到全局显著性，设定阈值提取全局显著性高的点；步骤2、计算建筑物立面点云中每点与其局部临近点的几何特征差异，设定阈值提取局部显著性高的点；步骤3、合并步骤1与步骤2提取的显著性高的点，去除集合中距离最高和最低点较近的点，得到高显著特征点集合；步骤4、对高显著特征点集合进行纵向、横向切分，构建每个切片中点云数据的累计直方图，将其转化为二进制形式，将1‑0变换处确定为窗户的纵向、横向切分处；步骤5、对分割结果进行修正，完成窗户的提取。解决现有技术中因点云数据质量差导致立面重复结构识别不准确的问题。

A method to extract facade windows of point cloud buildings based on significance analysis

【技术实现步骤摘要】
一种基于显著性分析的点云建筑物立面窗户提取方法
本专利技术属于计算机视觉与模式识别相结合的交叉学科
，具体涉及一种基于显著性分析的点云建筑物立面窗户提取方法。
技术介绍
建筑物是城市场景中的常见物体，窗户是建筑物立面的重要组成元素。窗户的准确探测与提取是计算机视觉中一个重要研究内容。它可以广泛地应用于建筑物重建、虚拟旅游、娱乐等多个领域。人类具有强大的识别能力，可以快速地定位识别建筑物上的窗户，但是如何使计算机像人类一样，能够自动地识别出立面的窗户，仍有很大的困难。目前，已有的窗户探测方法可以分为两类：基于图像的窗户提取方法和基于点云的窗户提取方法。①基于图像的窗户提取方法Müller首先将墙面图像进行分析矫正，将图像分割为具有语义信息的结构组合，然后根据分割的结果生成形状语法，利用形状语法完成图像中重复结构的探测。Liu利用颜色聚类方法得到候选模板，然后，通过构造自适应区域描述符和重复特征曲线，检测墙面上未遮挡或者部分遮挡的重复结构。最后，利用贝叶斯概率网络推断出完全遮挡的重复结构。Xiao通过提取修正图像中的水平、垂直基准线探测墙面上的重复结构。通过构造一个最大后验问题度量定位重复结构的概率。提取重复结构的显著边界后，假设重复结构的间隔相同，获得重复结构的定位。建筑物图像的采集易受到遮挡、反射和光照变化的影响，另外，基于图像的窗户提取方法往往要求被检测的图像是平行视图。②基于点云数据的窗户提取方法在利用激光扫描仪扫描建筑物时，由于玻璃不能将激光束反射回扫描仪，扫描得到窗户的点云数据非常少，所以墙面上的空洞对应的即为窗户。Zolanvari提出一种基于切分的窗户探测方法：首先利用随机抽样一致性算法提取建筑物的墙面，然后对墙面进行横向切分并将每个切片中的点投影到局部定义的x轴，得到多个线条，将线条根据距离进行聚类，通过判断沿着线条方向点间距离大于2倍的中间距离探测墙面上的空洞；然后对墙面进行纵向切分后进行同样的处理。Pu将提取的墙面边界点分为内轮廓点和外轮廓点，内轮廓点用于提取窗户。与Pu相似，Peethambaran通过alpha-shape方法提取墙面的轮廓点，去除距离墙面的凸壳较近的外围轮廓点，该方法假设墙面上的窗户或者门与二维坐标轴对齐：首先沿x轴方向计算边界点到距离最近的扫描线的加权点数，并根据加权点数绘制波形，局部最低点即为分割处；然后，沿y轴方向进行同样的操作，最终完成窗户的分割。Aijazi将三维点云墙面数据投影到二维空间，基于几何信息对窗口进行分割，窗口提取之前的2D投影将不可避免地导致精度损失，该方法把三维识别转化为二维识别，会造成三维信息的丢失，导致识别不准确。Friedman等使用傅立叶分析识别重复特征，通过处理边界线从建筑物点云中提取重复结构。Mesolongitis假设窗户以多个周期性结构排列，并采用投票方案进行窗户检测。目前已有的基于点云的窗户提取方法需要事先对建筑物进行分割或者提取墙面的内部边界点，这些步骤易受到扫描数据质量的影响。由于扫描过程中遮挡、噪声的干扰，以及点云数据的海量性，导致已有的方法不适用于复杂建筑物立面窗户的提取。
技术实现思路
本专利技术的目的是提供一种基于显著性分析的建筑物立面窗户提取方法，解决了现有技术中存在的由于三维点云数据扫描质量不好导致立面重复结构识别不准确的问题。本专利技术所采用的技术方案是，一种基于显著性分析的建筑物立面窗户提取方法，具体按照以下步骤实施：步骤1、通过比对建筑物立面点云中每点法向量与建筑物立面主方向的差异计算得到立面上每点的全局显著性，并通过设定阈值提取全局显著性高的特征点；步骤2、利用快速点特征直方图描述符计算建筑物立面点云中每点与其局部临近点的几何特征差异，得到每点的局部显著性，并通过设定阈值提取局部显著性高的特征点；步骤3、将步骤1得到的特征点集合与步骤2得到的局部显著性高的特征点进行合并，去除合并后特征点集合中距离最高点和最低点较近的点，得到构成窗户框架的高显著特征点集合；步骤4、根据步骤3得到的显著特征点集合，首先对其显著特征点集合进行纵向切分，构建每个切片上的点云数据的累计直方图，并通过设定阈值，将累计直方图转化为二进制形式，则1-0转化处即为垂直分割位置，然后对步骤3得到的显著特征点集合水平方向进行与垂直方向相同的操作，确定水平分割位置。步骤5、根据窗户间的临近关系以及窗户的结构相似性对步骤4得到的分割结果进行修正，即完成对建筑物立面窗户的提取。本专利技术的特点还在于：步骤1的具体实施步骤为：步骤1.1、利用主元分析法计算建筑物立面点云的主方向；步骤1.2、利用主元分析法计算立面点云中每点的法向量；步骤1.3、计算点的全局显著性。步骤1.1具体步骤为：假设pi是建筑物立面点云中的任意一点，N为建筑物立面点云中点的总数，建筑物立面点云的三阶协方差矩阵M为：式(1)中，为建筑物立面点云中点的平均位置，通过奇异值分解对立面点云的三阶协方差矩阵M进行特征值分解，得到三阶协方差矩阵M的特征值λ3、λ2、λ1，其中λ3≥λ2≥λ1＞0，则最小特征值λ1所对应的特征向量即为建筑物立面点云的主方向。步骤1.2体步骤为：利用k-d树找到建筑物立面点云中点pi的k个邻近点pj，pj∈{p1，p2，…，pk}，点pi的三阶协方差矩阵为：式(3)中，p'为点pi的k个邻近点的平均位置，通过奇异值分解对点pi的三阶协方差矩阵进行特征值分解，得到三阶协方差矩阵的特征值其中，则点pi的法向量为最小特征值所对应的特征向量即点pi的法向量为步骤1.3步骤为：步骤1.3.1、计算建筑物立面点云中点pi的法向量与建筑物立面主方向的距离di：将点pi的显著程度量值定义为距离di在双曲正切函数空间的映射：式(6)中，λ控制双曲正切函数形状的陡峭程度，c为双曲正切函数的几何质心；根据建筑物立面点云中距离di的分布范围，将di分成T份，统计所有点法向与建筑物立面主方向间的距离di落在T份取值范围内的点的个数，假设Nt分别表示落在T份里的点的个数，则建筑物立面点云中的某个点落在直方图中第t个成份的概率为：双曲正切函数的几何质心c为：式(8)中，ht为对应于距离di分布直方图第t个成份取值范围的中值，其中T＝5，λ＝0.5；步骤1.3.2、通过设定阈值α，提取全局显著性高的点，如果Sglobal(pi)大于α，该点pi即为高全局显著点；否则，该点为非显著点，其中阈值α的范围为0.5-0.6。步骤2的具体实施步骤为：步骤2.1、计算建筑物立面点云中每点的快速点特征直方图FPFH，假设pi是建筑物立面点云中的任意一点，利用k-d树找到建筑物立面点云中点pi的k个邻近点pj，pj∈{p1,p2,…pk}，pi的法向量为pj的法向量为在点p本文档来自技高网...

【技术保护点】
1.一种基于显著性分析的建筑物立面窗户提取方法，其特征在于，具体按照以下步骤实施：/n步骤1、通过比对建筑物立面点云中每点法向量与建筑物立面主方向的差异计算得到立面上每点的全局显著性，并通过设定阈值提取全局显著性高的特征点；/n步骤2、利用快速点特征直方图描述符计算建筑物立面点云中每点与其局部临近点的几何特征差异，得到每点的局部显著性，并通过设定阈值提取局部显著性高的特征点；/n步骤3、将步骤1得到的特征点集合与步骤2得到的局部显著性高的特征点进行合并，去除合并后特征点集合中距离最高点和最低点较近的点，得到构成窗户框架的高显著特征点集合；/n步骤4、根据步骤3得到的显著特征点集合，首先对其显著特征点集合进行纵向切分，构建每个切片上的点云数据的累计直方图，并通过设定阈值，将累计直方图转化为二进制形式，则1-0转化处即为垂直分割位置，然后对步骤3得到的显著特征点集合水平方向进行与垂直方向相同的操作，确定水平分割位置；/n步骤5、根据窗户间的临近关系以及窗户的结构相似性对步骤4得到的分割结果进行修正，即完成对建筑物立面窗户的提取。/n

【技术特征摘要】
1.一种基于显著性分析的建筑物立面窗户提取方法，其特征在于，具体按照以下步骤实施：
步骤1、通过比对建筑物立面点云中每点法向量与建筑物立面主方向的差异计算得到立面上每点的全局显著性，并通过设定阈值提取全局显著性高的特征点；
步骤2、利用快速点特征直方图描述符计算建筑物立面点云中每点与其局部临近点的几何特征差异，得到每点的局部显著性，并通过设定阈值提取局部显著性高的特征点；
步骤3、将步骤1得到的特征点集合与步骤2得到的局部显著性高的特征点进行合并，去除合并后特征点集合中距离最高点和最低点较近的点，得到构成窗户框架的高显著特征点集合；
步骤4、根据步骤3得到的显著特征点集合，首先对其显著特征点集合进行纵向切分，构建每个切片上的点云数据的累计直方图，并通过设定阈值，将累计直方图转化为二进制形式，则1-0转化处即为垂直分割位置，然后对步骤3得到的显著特征点集合水平方向进行与垂直方向相同的操作，确定水平分割位置；
步骤5、根据窗户间的临近关系以及窗户的结构相似性对步骤4得到的分割结果进行修正，即完成对建筑物立面窗户的提取。


2.根据权利要求1所述的一种基于显著性分析的建筑物立面窗户提取方法，其特征在于，所述步骤1的具体实施步骤为：
步骤1.1、利用主元分析法计算建筑物立面点云的主方向；
步骤1.2、利用主元分析法计算立面点云中每点的法向量；
步骤1.3、计算点的全局显著性。


3.根据权利要求2所述的一种基于显著性分析的建筑物立面窗户提取方法，其特征在于，所述步骤1.1具体步骤为：
假设pi是建筑物立面点云中的任意一点，N为建筑物立面点云中点的总数，建筑物立面点云的三阶协方差矩阵M为：



式(1)中，为建筑物立面点云中点的平均位置，



通过奇异值分解对立面点云的三阶协方差矩阵M进行特征值分解，得到三阶协方差矩阵M的特征值λ3、λ2、λ1，其中λ3≥λ2≥λ1＞0，则最小特征值λ1所对应的特征向量即为建筑物立面点云的主方向。


4.根据权利要求3所述的一种基于显著性分析的建筑物立面窗户提取方法，其特征在于，所述步骤1.2具体步骤为：
利用k-d树找到建筑物立面点云中点pi的k个邻近点pj，pj∈{p1,p2,…pk}，点pi的三阶协方差矩阵为：



式(3)中，p'为点pi的k个邻近点的平均位置，



通过奇异值分解对点pi的三阶协方差矩阵进行特征值分解，得到三阶协方差矩阵的特征值其中，则点pi的法向量为最小特征值所对应的特征向量即点pi的法向量为


5.根据权利要求4所述的一种基于显著性分析的建筑物立面窗户提取方法，其特征在于，所述步骤1.3步骤为：
步骤1.3.1、计算建筑物立面点云中点pi的法向量与建筑物立面主方向的距离di：



将点pi的显著程度量值定义为距离di在双曲正切函数空间的映射：



式(6)中，λ为控制双曲正切函数形状的陡峭程度，c为双曲正切函数的几何质心；
根据建筑物立面点云中距离di的分布范围，将di分成T份，统计所有点法向与建筑物立面主方向间的距离di落在T份取值范围内的点的个数，假设Nt分别表示落在T份里的点的个数，则建筑物立面点云中的某个点落在直方图中第t个成份的概率为：



双曲正切函数的几何质心c为：



式(8)中，ht为对应于距离di分布直方图第t个成份取值范围的中值，其中T＝5，λ＝0.5；
步骤1.3.2、通过设定阈值α，提取全局显著性高的点，



如果Sglobal(pi)大于α，该点pi即为高全局显著点；否则，该点为非显著点，其中阈值α的范围为0.5-0.6。


6.根据权利要求1所述的一种基于显著性分析的建筑物立面窗户提取方法，其特征在于，所述步骤2的具体实施步骤为：
步骤2.1、计算建筑物立面点云中每点的快速点特征直方图FPFH，假设pi是建筑物立面点云中的任意一点，利用k-d树找到建筑物立面点云中点pi的k个邻近点pj，pj∈{p1,p2,…pk}，pi的法向量为pj的法向量为...

【专利技术属性】
技术研发人员：郝雯，楚良，王映辉，石争浩，赵明华，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61