一种保证拟合精度的点云建筑轮廓线提取方法

1.本发明涉及一种保证拟合精度的点云建筑轮廓线提取方法，属于建筑土木工程、测绘工程技术领域。


背景技术：

2.激光扫描技术已经广泛应用于建筑测绘领域，利用激光扫描技术可以全景化获取建筑物的结构和空间信息，具有精度高，速度快的特点。然而，点云数据的海量性特征造成点云数据处理困难，对处理硬件和作业人员的要求较高。同时由于噪声、物体遮挡造成的点云数据缺失，现有的点云线特征自动提取方法难以保证几何精度。利用激光扫描点云进行内业制图需要大量的人工交互才能完成测绘制图的生产任务，难以满足快速测绘制图的需求。本发明提出了一种保证拟合精度的点云建筑轮廓线提取方法，可以减少提取线特征的冗余、保证提取的点云精度，满足利用点云快速提取建筑物轮廓线的需要。


技术实现要素：

3.针对上述现有技术存在的问题，本发明提供一种保证拟合精度的点云建筑轮廓线提取方法，从而解决上述技术问题。
4.为了实现上述目的，本发明采用的技术方案是：一种保证拟合精度的点云建筑轮廓线提取方法，包括以下步骤：
5.步骤s1:切片点云栅格化；计算点云的坐标范围，根据用户输入的像素大小，计算切片点云投影栅格图像的行列数。遍历点云，计算点云在栅格图像中的行列号，将对应行列号的像素的点数目加1，得到占用数目栅格。
6.步骤s2:计算像素权重中心，对切片点云构建kd树，对栅格图像的每个像素进行上采样，判断每个细分像素是否有采样点，对存在采样点的细分像素计算其权重中心点；
7.步骤s3:迭代细化，为权重中心点集构建kd树，利用改正mean-shift算法实现点云切片的细化，进一步优化权重中心点；
8.步骤s4:特征计算，利用每个像素内细化后的中心点搜索近邻，计算特征值和特征向量；将像素的方向向量变换为象限角，计算每个像素的曲率，存储为相应的栅格图像；
9.步骤s5:保精度迭代生长，根据曲率对像素进行排序，选择曲率最小的像素点进行迭代生长，得到线特征支持区域，利用线特征支持区域的中心、角度、长度和宽度确定线特征参数。
10.步骤s6:线特征修补与融合，构建每条线段的近邻域，修正拐角处的垂直线，修补共线的断线增加连通两者的线段、修补垂直交线延长两者相交。
11.进一步的，所述步骤s1切片点云栅格化的具体实现步骤为：
12.s11:用户输入点云切片数据p
slice
，像素大小s
pixel
，和噪声水平s。
13.s12:根据用户输入的点云切片p
slice
，计算点云的坐标范围。
14.s13:根据用户输入的像素大小，计算切片点云投影后的占用栅格图像s的行列数。
15.s14:遍历点云，计算点云在栅格图像中的行列号，将对应行列号的像素的点数目加1，得到占用栅格图像。
16.进一步的，所述步骤s2计算权重中心的具体实现步骤为：
17.s21:用户输入噪声水平s和像素大小s
pixel
，首先对切片点云p
slice
＝{p1,p2,
…
,p3},pi＝(xi,yi,0)构建kd搜索树tree1；
18.s22:对栅格图像的像素进行上采样，每个像素细分为5*5的小像素。
19.s23:通过搜索每个细分像素中心点的近邻数目，判断每个细分像素是否有采样点，如果像素大小s
pixel
同等的半径范围内有近邻点，则增加该细分像素到集合g
gravity
。
20.s24:遍历集合g
gravity
，利用kd树，搜索半径设置为s+s
pixel
，对存在采样点的细分像素计算其权重中心点。计算公式为：其中
21.进一步的，所述步骤s3迭代细化的具体实现步骤为：
22.s31:对权重中心点p
weight
集合构建kd搜索树tree2。
23.s32:遍历每一个权重中心点，利用改进的mean-shift算法计算每个中心点的新的位置。计算公式为：
[0024][0025]
其中第一项通过tree1搜索切片点云中的近邻域n1进行计算，第二项通过搜索tree2优化后的权重中心集中的近邻域n2进行计算。迭代参数为可选参数，默认为3；λ为平衡参数，默认值为0.35。
[0026]
进一步的，所述步骤s4特征计算的具体实现步骤为：
[0027]
s41:对优化后权重中心点集构建新的kd树tree2。
[0028]
s42:对权重中心点进行栅格化，遍历每一个像素，关联每一个像素与权重中心点；当存在多个点落入像素，取任意一点作为像素关联中心点。
[0029]
s43:计算每个像素的特征值和特征向量。
[0030]
s44:记录最大的特征值对应的特性向量作为方向向量。将方向向量换算为象限角。根据特征值计算每个像素的曲率，存储在象限角栅格图像和曲率栅格图像中。
[0031]
进一步的，所述步骤s5的保精度迭代生长的具体实现步骤为：
[0032]
s51:根据曲率对像素进行排序，具有较小曲率的种子像素，它们更可能属于直线特征。选择曲率最小的像素点作为种子点。
[0033]
s52:搜索种子点周围5*5滑动窗口，判断种子点近邻的方向向量值是否与当前相同，通过判断种子单元集合中每个种子像素的所有近邻像素q是否具有相似性进行迭代生长；
[0034]
遍历所有的近邻像素，如果当前像素与近邻像素qi方向夹角θj小于阈值，即θj《δθ，则将该像素单元中所有的点加入集合ψ，更新线支持区域角度；将该像素作为新的生长中心，判断其近邻像素的相似性；当一个像素被添加到一个区域时，它会被标记并且再也不会被访问。
[0035]
s53:重复步骤s51-s53，直到所有的近邻像素都已经遍历完毕。
[0036]
s54：计算集合ψ的矩形包围盒，线支撑区域(一组像素)必须与一个线段(实际上
是一个矩形)相关联。线段由其端点及其宽度，或等效的中心，角度，长度和宽度决定。根据矩形区域提取线特征的参数。
[0037]
s55，重复步骤s51-s54，选择新的种子点进行迭代，直到所有的种子点都已经遍历完毕，得到最终的线特征集合l＝{l1,l2,...,ln},其中li为提取的直线段。
[0038]
进一步的，所述步骤s6线特征修补与融合的具体实现步骤为：
[0039]
s61:对l直线段集合，计算每条线段li的中点，构建迪洛尼三角网；通过迪洛尼三角网中的每一条边查找当前li线段的近邻m。
[0040]
s62:遍历每一条线段li，取近邻lj和lk；当线段li与近邻lj垂直，与近邻lk平行时，修正li的方向，使li和lk方向相同。
[0041]
s63:遍历每一条线段li，获取其近邻域mi内直线段lj，当线段li与近邻lj共线，且li和lj之间的不存在更近的近邻时，增加线段到修补集合l
repair
。
[0042]
s64:遍历每一条线段li，获取其近邻域mi内直线段lj，当线段li与近邻lj垂直，计算li和lj的交点，增加线段到修补集合l
repair
。
[0043]
s65:遍历每一条线段li，获取其近邻域《i内直线段lj，当线段li与近邻lj相连接，将近邻线段和当前线段融合为多义线，最后得到多义线集合pl。
[0044]
本发明的有益效果是：本发明可以有效解决由于激光点云噪声、遮挡、数据缺失造成的难以快速制图的问题，节约制图时间，提高城市建筑测绘制图的效率。
附图说明
[0045]
图1为本发明的算法流程图；
[0046]
图2为本发明实施例的点云栅格化上采样过程示例；
[0047]
图3为本发明实施例的建筑物点云切片数据示例；
[0048]
图4为本发明实施例的点云迭代细化效果图；
[0049]
图5为本发明实施例的线特征支持区域计算线特征参数示意图；
[0050]
图6为本发明实施例的提取建筑轮廓线矢量图；
具体实施方式
[0051]
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。
[0052]
除非另有定义，本文所使用的所有的技术术语和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0053]
如图1所示，本发明提供一种保证拟合精度的点云建筑轮廓线提取方法，可以解决由于激光点云噪声、遮挡、数据缺失造成的难以快速制图的问题。
[0054]
一种保证拟合精度的点云建筑轮廓线提取方法，包括以下步骤：
[0055]
步骤s1:如图2用户输入点云切片数据，像素大小盒点云噪声水平。算法首先计算点云的坐标范围，根据的像素大小，计算切片点云投影栅格图像的行列数。遍历点云，计算点云在栅格图像中的行列号，将对应行列号的像素的点数目加1，得到占用数目栅格。
[0056]
步骤s2:计算像素权重中心，对切片点云构建kd树，对栅格图像的每个像素进行上采样(图3)，判断每个细分像素是否有采样点，对存在采样点的细分像素计算其权重中心点；
[0057]
步骤s3:迭代细化，为权重中心点集构建kd树，利用改正mean-shift算法实现点云切片的细化，进一步优化权重中心点，得到结果如图4；
[0058]
步骤s4:特征计算，利用每个像素内细化后的中心点搜索近邻，计算特征值和特征向量；将像素的方向向量变换为象限角，计算每个像素的曲率，存储为相应的栅格图像；
[0059]
步骤s5:保精度迭代生长，根据曲率对像素进行排序，选择曲率最小的像素点进行迭代生长，得到线特征支持区域，利用线特征支持区域的中心、角度、长度和宽度确定线特征参数，如图5。
[0060]
步骤s6:线特征修补与融合，构建每条线段的近邻域，修正拐角处的垂直线，修补共线的断线增加连通两者的线段、修补垂直交线延长两者相交。
[0061]
至此，算法结束。如图6得到提取的线特征集合。
[0062]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种保证拟合精度的点云建筑轮廓线提取方法，其特征在于，包括以下步骤：步骤s1:切片点云栅格化；计算点云的坐标范围，根据用户输入的像素大小，计算切片点云投影栅格图像的行列数；遍历点云，计算点云在栅格图像中的行列号，将对应行列号的像素的点数目加1，得到占用数目栅格；步骤s2:计算像素权重中心，对切片点云构建kd树，对栅格图像的每个像素进行上采样，判断每个细分像素是否有采样点，对存在采样点的细分像素计算其权重中心点；步骤s3:迭代细化，为权重中心点集构建kd树，利用改正mean-shift算法实现点云切片的细化，进一步优化权重中心点；步骤s4:特征计算，利用每个像素内细化后的中心点搜索近邻，计算特征值和特征向量；将像素的方向向量变换为象限角，计算每个像素的曲率，存储为相应的栅格图像；步骤s5:保精度迭代生长，根据曲率对像素进行排序，选择曲率最小的像素点进行迭代生长，得到线特征支持区域，利用线特征支持区域的中心、角度、长度和宽度确定线特征参数。步骤s6:线特征修补与融合，构建每条线段的近邻域，修正拐角处的垂直线，修补共线的断线增加连通两者的线段、修补垂直交线延长两者相交。2.根据权利要求1所述的一种保证拟合精度的点云建筑轮廓线提取方法，其特征在于，所述步骤s2计算权重中心的具体实现步骤为：s21:用户输入噪声水平s和像素大小s
pixel
，首先对切片点云p
slice
＝{p1,p2,
…
,p3},p
i
＝(x
i
,y
i
,0)构建kd搜索树tree1；s22:对栅格图像的像素进行上采样，每个像素细分为5*5的小像素；s23:通过搜索每个细分像素中心点的近邻数目，判断每个细分像素是否有采样点，如果像素大小s
pixel
同等的半径范围内有近邻点，则增加该细分像素到集合g
gravity
；s24:遍历集合g
gravity
，利用kd树，搜索半径设置为s+s
pixel
，对存在采样点的细分像素计算其权重中心点。计算公式为：其中3.根据权利要求1所述的一种保证拟合精度的点云建筑轮廓线提取方法，其特征在于，所述步骤s3迭代细化的具体实现步骤为：s31:对权重中心点p
weight
集合构建kd搜索树tree2；s32:遍历每一个权重中心点，利用改进的mean-shift算法计算每个中心点的新的位置；计算公式为：其中第一项通过tree1搜索切片点云中的近邻域n1进行计算，第二项通过搜索tree2优化后的权重中心集中的近邻域n2进行计算。迭代参数为可选参数，默认为3；λ为平衡参数，默认值为0.35。4.根据权利要求1所述的一种保证拟合精度的点云建筑轮廓线提取方法，其特征在于，所述步骤s4特征计算的具体实现步骤为：s41:对优化后权重中心点集构建新的kd树tree2；
s42:对权重中心点进行栅格化，遍历每一个像素，关联每一个像素与权重中心点；当存在多个点落入像素，取任意一点作为像素关联中心点；s43:计算每个像素的特征值和特征向量；s44:记录最大的特征值对应的特性向量作为方向向量。将方向向量换算为象限角。根据特征值计算每个像素的曲率，存储在象限角栅格图像和曲率栅格图像中。5.根据权利要求1所述的一种保证拟合精度的点云建筑轮廓线提取方法，其特征在于，所述步骤s5的保精度迭代生长的具体实现步骤为：s51:根据曲率对像素进行排序，具有较小曲率的种子像素，它们更可能属于直线特征。选择曲率最小的像素点作为种子点；s52:搜索种子点周围5*5滑动窗口，判断种子点近邻的方向向量值是否与当前相同，通过判断种子单元集合中每个种子像素的所有近邻像素q是否具有相似性进行迭代生长；遍历所有的近邻像素，如果当前像素与近邻像素q
i
方向夹角θ
j
小于阈值，即θ
j
<δθ，则将该像素单元中所有的点加入集合ψ，更新线支持区域角度；将该像素作为新的生长中心，判断其近邻像素的相似性；当一个像素被添加到一个区域时，它会被标记并且再也不会被访问；s53:重复步骤s51-s53，直到所有的近邻像素都已经遍历完毕；s54：计算集合ψ的矩形包围盒，线支撑区域(一组像素)必须与一个线段(实际上是一个矩形)相关联。线段由其端点及其宽度，或等效的中心，角度，长度和宽度决定。根据矩形区域提取线特征的参数；s55，重复步骤s51-s54，选择新的种子点进行迭代，直到所有的种子点都已经遍历完毕，得到最终的线特征集合l＝{l1,l2,...,l
n
},其中l
i
为提取的直线段。6.根据权利要求1所述的一种保证拟合精度的点云建筑轮廓线提取方法，其特征在于，所述步骤s6线特征修补与融合的具体实现步骤为：s61:对l直线段集合，计算每条线段l
i
的中点，构建迪洛尼三角网；通过迪洛尼三角网中的每一条边查找当前l
i
线段的近邻m；s62:遍历每一条线段l
i
，取近邻l
j
和l
k
；当线段l
i
与近邻l
j
垂直，与近邻l
k
平行时，修正l
i
的方向，使l
i
和l
k
方向相同；s63:遍历每一条线段l
i
，获取其近邻域m
i
内直线段l
j
，当线段l
i
与近邻l
j
共线，且l
i
和l
j
之间的不存在更近的近邻时，增加线段到修补集合l
repair
；s64:遍历每一条线段l
i
，获取其近邻域m
i
内直线段l
j
，当线段l
i
与近邻l
j
垂直，计算l
i
和l
j
的交点，增加线段到修补集合l
repair
；s65:遍历每一条线段l
i
，获取其近邻域m
i
内直线段l
j
，当线段l
i
与近邻l
j
相连接，将近邻线段和当前线段融合为多义线，最后得到多义线集合pl。

技术总结
本发明公开了一种保证拟合精度的点云建筑轮廓线提取方法，在点云细化阶段，首先对切片点云进行栅格化；接着对切片点云构建KD树，计算每个像素点的权重中心；然后为权重中心点集构建KD树，利用改正Mean-Shift算法实现点云切片的迭代细化，进一步优化权重中心点。在特征提取阶段，利用每个像素内细化后的中心点搜索近邻，计算特征值和特征向量；将像素的方向变换为象限角，计算每个像素的曲率；根据曲率对像素进行排序，选择曲率最小的像素点进行迭代生长。对得到的每个线支持区域，利用区域中心、长度、宽度确定线特征参数。本发明方法实现了离散点和像素耦合的切片线特征提取，该方法可以获得厘米级的线特征提取精度，可以满足城市建筑测绘制图要求。市建筑测绘制图要求。市建筑测绘制图要求。


技术研发人员：杨帆 张芳硕 唐叶婷 周蕙文 王玥 阮中一 吴亦乐 张驰 车明亮 张季一
受保护的技术使用者：南通大学
技术研发日：2023.07.14
技术公布日：2023/10/15