从机载激光雷达点云中提取建筑物屋顶点的方法和系统技术方案

本发明专利技术公开了一种从机载激光雷达点云中提取建筑物屋顶点的方法和系统，其中提取建筑物屋顶点的方法通过三维欧几里得聚类将测区的机载激光雷达点云分割为多个聚类，对其中面积较大的聚类，计算DSM的拉普拉斯算子，如果拉普拉斯算子小于平坦度阈值的像素占比较高，将聚类内的点分为建筑物屋顶点；对面积较小的聚类，采用改进的RANSAC算法提取建筑物屋顶上的点。该方法能够克服提取建筑物平面屋顶点时计算复杂度高、执行效率低的问题，还可以避免将非建筑物的树木点分类为建筑物屋顶点，提高了建筑物屋顶点提取的效率和准确度。

The method and system of building roof point extraction from Airborne LIDAR point cloud

【技术实现步骤摘要】
从机载激光雷达点云中提取建筑物屋顶点的方法和系统
本专利技术属于机载激光雷达点云数据处理
，具体涉及一种从机载激光雷达点云中提取落在建筑物屋顶上的点的方法和系统。
技术介绍
机载LiDAR(LightDetectionAndRanging，激光雷达)是当前测绘领域效率最高、发展最快的大面积测绘手段之一。通过使用激光器发射和接收高能激光脉冲来测距，GNSS(GlobalNavigationSatelliteSystem，全球导航卫星系统)接收机给出激光器实时位置，INS(InertialNavigationSystem，惯性导航系统)给出激光器实时三维姿态，可利用向量公式和坐标转换计算出散射面的三维坐标。借助机械扫描装置，机载LiDAR可以实现大面积面状测量。目前，机载LiDAR的发射频率普遍高达数百KHZ以上乃至2000KHZ。这意味着，在不考虑多回波和无回波的情况下，一秒钟激光雷达可采集数十万乃至数百万点。因此，机载LiDAR可以在短时间内获得海量的点，称为点云。经过初步处理的机载LiDAR点云中，除点坐标外，还提供的点属性包括回波强度、第几次回波、数据采集时间等。但是，缺乏语义信息，不能给出激光脉冲打到的散射面的物理性质，不知道测量是地面、建筑物还是植被、鸟等。而在构建DEM(DigitalElevationModel，数字高程模型)时必须采用位于地面上的点，在构建三维建筑物模型时必须采用位于建筑物上的点，在进行森林制图时必须采用位于树木上的点。所以，对点云进行分类，确定点位于哪种基本地物类型上，是机载LiDAR数据处理中最重要的基础工作之一。在机载LiDAR点云，尤其是覆盖居民区的点云中，往往含有落在建筑物上的点。提取出落在建筑物上的点，可以用于建筑物的三维建模、DSM(DigitalSurfaceModel，数字表面模型)生成、城市规划等。建筑物点提取是点云数据处理的热门问题。目前研究人员已经提出了很多从机载LiDAR点云中提取建筑物点的方法，既有基于点云的，也有基于图像的。基于图像的方法(参见徐文学，杨必胜，魏征，等.多标记点过程的LiDAR点云数据建筑物和树冠提取[J].测绘学报，2013，42(1)：51-58.)将点云内插为图像，而后通常借助一些图像分析方法来提取含有建筑物的像素，进而实现建筑物点的提取和边界的追踪。基于点云的方法通常是利用RANSAC(随机采样一致性，参见专利CN105139379B)算法或Hough变换(参见袁晨鑫，基于Hough变换的建筑物点云数据特征提取及三维建模，2019，东华理工大学硕士论文)或基于种子点的区域生长算法(参加专利CN104036544B和CN107944383A)从离散点云中提取位于局部平面上的点作为屋顶点。但是，基于图像和基于点云的方法都有明显的问题。基于图像的方法往往会损失原始点云中的信息，尤其是点云的垂直分布所反映的地物垂直结构信息，对于提取树木遮挡的建筑物的效果并不好。另外人工修剪过的平顶植被容易被误分为屋顶点。基于区域生长的算法需要给出法向量夹角阈值和曲率阈值，而这两个阈值的取值受到数据质量和屋顶平整度的影响，难以简单确定。更重要的是，该方法提取到的屋顶点并不全，经常存在大量漏检的屋顶点。Hough变换提取平面需要三个参数，而三参数的Hough变换非常复杂，需要在三维Hough空间进行分块，用作累加器的分区，以进行投票。空间分块的粒度直接影响后续平面检测的效果，而且在检测结果中经常存在错误。在点云量大时计算复杂度很高，需要大量存储空间。基于RANSAC方法的基本思路是从点云中随机抽取3个点构建平面模型，测试其它点是否可以很好地用该平面进行拟合。上述过程重复执行很多次。假设点云共有N个点，则随机取3个点共有个不重复的组合。随着N的增加，组合的数目迅速增加。如果N达到上万，会是个天文数字。而随机采样的次数是有限的，这就导致找到稳健模型的概率明显降低。即使有限度地增加随机采样次数，也不会明显解决问题，反而会造成计算时间显著延长。从这个角度讲，RANSAC方法并不适合点数较多的情况。此外，从理论上讲，即使对于随机分布的点，RANSAC都可能得到一些模型。例如，森林内的点云，也可以用RANSAC探测出一些平面出来，而且平面上的点可能足够多。在这种情况下，传统RANSAC难以确保平面来自建筑物而不是非建筑物。为了克服RANSAC的这些缺陷，迫切需要对RANSAC方法进行改进，使得其更适合对海量机载LiDAR点云进行平面提取，区分森林和建筑物屋顶，提高提取效率和准确率。
技术实现思路
专利技术目的：本专利技术旨在解决在机载LiDAR点云中使用RANSAC方法提取建筑物平面屋顶点时计算复杂度高、执行效率低的问题，避免将非建筑物的点分类为建筑物屋顶点，以提高建筑物屋顶点提取的效率和准确度。技术方案：本专利技术一方面公开了一种从机载激光雷达点云中提取建筑物屋顶点的方法，包括：(1)获取测区的机载激光雷达点云；对可能包含建筑物屋顶的点类进行三维欧几里得聚类；计算每个聚类内点云的平均离地高度，对平均离地高度大于高度阈值的每一个聚类按步骤2-4进行处理，提取建筑物屋顶点；(2)生成当前聚类Cp对应的DSM，获取Cp在DSM中有效像素的数目Nvalid，计算Cp在XY平面的投影面积AC；(3)如果Cp的投影面积AC大于等于面积阈值，计算DSM中拉普拉斯算子Lp小于平坦度阈值LT的像素占DSM有效像素总数Nvalid的比值PLaplacian，如果所述比值大于平顶比例阈值PLaplacian_T，则当前聚类Cp中的点全部为建筑物屋顶上的点；(4)如果Cp的投影面积AC小于面积阈值，按如下步骤判断：(4.1)平移当前聚类Cp得到Ctmp，Ctmp的重心在坐标原点；初始化当前采样次数NS＝0；初始化Ctmp中所有点的状态为未抽取，清空有效模型序列和最优模型序列；(4.2)如果当前采样次数NS达到最大采样次数NS_T，跳转至步骤4.5；从Ctmp中随机抽取状态为未抽取的点p0，将p0的状态修改为已抽取，寻找Ctmp内距离p0最近的三个邻域点p1、p2、p3；如果p1、p2、p3距p0的距离都足够小，且四点能够用平面拟合，计算拟合平面Pfit；否则当前采样次数NS加一，重新执行步骤4.2；(4.3)计算Ctmp中每个点到平面Pfit的距离；将所述距离小于平坦度阈值LT的点组成内点集合Cinlier；如果集合Cinlier中点数小于聚类最小点数阈值，当前采样次数NS加一，重新执行步骤4.2；否则对集合Cinlier再次进行三维欧几里得聚类；(4.4)如果步骤4.3只得到一个聚类，将平面Pfit加入有效模型序列；当前采样次数NS加一，重新执行步骤4.2；(4.5)对有效模型序列进行遍历，寻找内点数目最多的有效模型作为最优模型，加入最优模型序列；从Ctmp中移除最优模型所对应的内点集合中的点，如果剩余点数大于聚类最小点数阈值，则初始化当前采样次数Ns＝0；初始化Ctmp中所有点的本文档来自技高网...

【技术保护点】
1.从机载激光雷达点云中提取建筑物屋顶点的方法，其特征在于，包括：/n(1)获取测区的机载激光雷达点云；采用三维欧几里得聚类对所获取的点云进行聚类；计算每个聚类内点云的平均离地高度，对平均离地高度大于高度阈值的每一个聚类按步骤2-4进行处理，提取建筑物屋顶点；/n(2)生成当前聚类C

【技术特征摘要】
1.从机载激光雷达点云中提取建筑物屋顶点的方法，其特征在于，包括：
(1)获取测区的机载激光雷达点云；采用三维欧几里得聚类对所获取的点云进行聚类；计算每个聚类内点云的平均离地高度，对平均离地高度大于高度阈值的每一个聚类按步骤2-4进行处理，提取建筑物屋顶点；
(2)生成当前聚类Cp对应的DSM，获取Cp在DSM中有效像素的数目Nvalid，计算Cp在XY平面的投影面积AC；
(3)如果聚类Cp投影面积AC大于等于面积阈值，计算DSM中拉普拉斯算子Lp小于平坦度阈值LT的像素占有效像素总数Nvalid的比值PLaplacian，如果所述比值大于平顶比例阈值PLaplacian_T，则将当前聚类Cp中的点全部分为建筑物屋顶点；
(4)如果聚类投影面积AC小于面积阈值，按如下步骤进行判断：
(4.1)平移当前聚类Cp得到Ctmp，Ctmp的重心在坐标原点；初始化当前采样次数NS＝0；初始化Ctmp中所有点的状态为未抽取，清空有效模型序列和最优模型序列；
(4.2)如果当前采样次数NS达到最大采样次数NS_T，跳转至步骤4.5；
从Ctmp中随机抽取状态为未抽取的点p0，将p0的状态修改为已抽取，寻找Ctmp内距离p0最近的三个邻域点p1、p2、p3；如果p1、p2、p3距p0的距离都足够小，且四点能够近似用平面拟合，计算拟合平面Pfit；否则当前采样次数NS加一，重新执行步骤4.2；
(4.3)计算Ctmp中每个点到平面Pfit的距离；将所述距离小于平坦度阈值LT的点组成内点集合Cinlier；如果集合Cinlier中点数小于聚类最小点数阈值，当前采样次数NS加一，重新执行步骤4.2；否则对集合Cinlier再次进行三维欧几里得聚类；
(4.4)如果步骤4.3只得到一个聚类，将平面Pfit加入有效模型序列；
当前采样次数NS加一，重新执行步骤4.2；
(4.5)对有效模型序列进行遍历，寻找内点数目最多的有效模型作为最优模型，加入最优模型序列；从Ctmp中移除最优模型所对应的内点集合中的点，如果剩余点数大于聚类最小点数阈值，则初始化当前采样次数NS＝0；初始化Ctmp中所有点的状态为未抽取，清空有效模型序列和最优模型序列，跳转至步骤4.2；
(4.6)计算Cp内的每个点与最优模型序列中平面的最小距离dmin，将dmin小于平坦度阈值LT的点组成集合Cinlier_all；如果Cinlier_all的点数占Cp中点数的比例大于阈值Pinlier_all_T，则将Cinlier_all中的点分为建筑物屋顶点。


2.根据权利要求1所述的提取建筑物屋顶点的方法，其特征在于，步骤(1)中所述三维欧几里得聚类的参数设置为：
搜索半径R的范围为(Rmin，Rmax)，其中D是激光脉冲脚点的密度，Rmax为相邻建筑物之间的最小距离；
聚类最小点数阈值Nmin＝AminD-Q
聚类最大点数阈值Nmax＝AmaxD+Q
其中Q为误差调节常数，Amin为建筑物屋顶最小面积，Amax为建筑物屋顶最大面积。


3.根据权利要求1所述的提取建筑物屋顶点的方法，其特征在于，步骤(1)中计算聚类内点云的平均离地高度，包括：
获取聚类中每个点的地面高度：第n个点的坐标为(Xn，Yn，Hn)，对应的地面高度HTn为XY平面上距离(Xn，Yn)最近的地面点的高程；
计算聚类中每个点的离地高度：ΔHn＝Hn-HTn；
聚类内点云的平均离地高度：
N为聚类内点的总数。


4.根据权利要求1所述的提取建筑物屋顶点的方法，其特征在于，所述步骤(2)具体包括：
(2.1)计算Cp中点的最小X坐标Xmin、最大X坐标Xmax、最小Y坐标Ymin、最大Y坐标Ymax；将以(Xmin，Ymin)、(Xmax，Ymax)为对角顶点的矩形区域划分为Nrow行、Ncol列、格网大小为R的栅格，其中：
Nrow＝int(Ymax-Ymin)/R+1
Ncol＝int(Xmax-Xmin)/R+1
R为三维欧几里得聚类的搜索半径，int(·)为取整函数；
(2.2)将Cp中的点分配到栅格中的像素，得到当前聚类Cp对应的DSM；
第n个点映射到像素(i，j)中，其中(Xn，Yn，Hn)为第n个点的坐标；
(2.3)对栅格内的像素进行遍历；如果一个像素有点落入，则取落入点的高度指标作为DSM的值，该像素为有效像素，无点落入的像素的DSM值设为Hinvalid；所述高度指标为：落入点的高程最小值，或落入点的高程最大值，或落入点的高程平均值；
(2.4)对DSM逐像素进行遍历，统计有效像素的数目Nvalid；Cp在XY平面的投影面积AC为：Ac＝NvalidR2。


5.根据权利要求4所述的提取建筑物屋顶点的方法，其特征在于，所述步骤(3)DSM在像素(i，j)处的拉普拉斯算子Lp(i，j)为：





6.从机载激光雷达点云中提取建筑物屋顶点的系统，其特征在于，包括：
机载激光雷达点云聚类模块，用于获取测区的机载激光雷达点云；采用三维欧几里得聚类对所获取的点云进行聚类；计算每个聚类内点云的平均离地高度，获取平均离地高度大于高度阈值的聚类；
D...

【专利技术属性】
技术研发人员：程晓光，
申请(专利权)人：飞燕航空遥感技术有限公司，
类型：发明
国别省市：湖北;42