基于城市地区建筑物点云特征提取.docVIP

基于城市地区建筑物点云特征提取 　　【摘要】由于三维点云数据的非结构化特征，使得操作人员很难对其进行提取实体等操作。本文尝试针对点云数据中的较为规则的部分进行特征的提取，进而对其进行结构化处理。因为城市地区的建筑物对城市地理信息尤为重要，且城市地区的建筑物形状较为规则，容易提取其特征点，所以本文选取城市地区的建筑物为研究对象，使描述城市地区建筑物的点云变成结构化数据。 　　【关键字】LIDAR点云；特征提取；建筑物 　　1.引言 　　在信息化的21世纪，各行各业在处理相关业务的过程中都累计了海量的数据信息。这些信息数据常被分为两类：结构化数据和非结构化数据。对于我们GIS行业来说，非结构化数据主要包括4D产品中的数字正射影像图（DOM）、数字高程模型（DEM）、数字栅格地图（DRG）、遥感影像，摄影测量航片以及三维激光扫描所产生的点云数据等；结构化数据则主要包括数字线划地图（DLG）。 　　我们更容易获取的是类似遥感影像、航片以及三维激光扫描数据这些非结构化数据。对于遥感影像、数字正射影像以及摄影测量航片我们经常要对其进行一系列的处理，使其变成易于存储以及操作的结构化数据。随着三维激光的出现，如何对这些数据进行较为充分的利用也是当今研究的热点。 　　2.点云数据研究的现状 　　针对点云数据的研究，大部分是将三维点云在进行配准、去噪后直接在软件上显示出来，但是这样做有几个缺点，一是数据存储量大，冗余度高，难以实现对数据的压缩，二是对数据的操作和编辑比较困难[1]。在我们的地理信息系统中，我们的地物地貌是以实体的形式存储在空间数据库中的，每个实体有其对应的ID和它的属性以及可以对其进行的操作。而我们现在对三维激光扫描数据进行的处理――用三维点对地物地貌进行显示则不具有这些优点。这种存储和显示方法使得我们很难把某一个实体或某类地物进行整体操作，这将大大限制我们对数据的利用。另外如果可以采取某种方式把非结构化的点云数据结构化，则更容易实现点云数据所获取的数据与其他形式数据的融合。总而言之，大大的提高了点云数据的利用的便捷性和广泛性。 　　王刃等人通过一系类的算法将建筑物脚点从海量点云数据中提取出来[2]，首先对数据进行粗差的剔除，然后将DSM数据分为地面点和非地面点，过滤掉地面点以后在通过树木与建筑物表面粗糙度的不同，进一步将非地面点分为植被点与建筑物脚点。本文所进行的工作是在以上处理的基础上进行的。 　　3.LIDAR数据的特征提取 　　3.1 点云特征 　　特征是几何模型的重要组成部分，对于几何模型的外观和结构的准确表达具有重要作用。对于点云数据来说，特征是指那些能够反映出物体表面结构特征及集合形状的点、线、面，特征能够对点云建模过程进行指导和约束，对构建精确的模型有着极其重要的作用。对于本文而言，这是一项重要的前期工作。在点云模型的非真实感现实中，模型的特征线可以用来抽象的准确地勾画原始模型，从而代替数庞大的点云数据。 　　一般而言研究人员对点云数据的特征提取包括点点云数据的提取和面点云数据的提取。这两种提取的结果都是呈离散形式的几何图形。也就是说，线点云数据是由一组分布在物体曲线上的有序离散点组成的，在几何上又称为离散曲线；针对线点云数据的提取需要对点云数据就进行几何曲率的运算。面点云数据是由一组分布在物体表面上的离散点组成的，在几何上又称为离散曲面。针对面点云数据的的提取需要对点云数据进行散点拟合的处理，运算量也比较大。 　　3.2 点云特征点的提取 　　三维点云数据的特征识别是指从三维点云数据中识别出各种几何不连续点，这些几何不连续点往往包含了物体表面重要的几何拓扑信息，充分体现了物体表面的形状特征[3]。本文针对对城市地区建筑物点特征的提取提出了一种基于主方向变化的特征识别新方法。该方法首先从三维点云数据中估算出主方向，对于建筑物的提取而言，主要是指其轴线所在的方向。并深刻研究在几何不连续处主曲率沿主方向的变化行为。该方法对原来的通过曲率的变化来判别特征点的方法做出一些改进。首先通过曲率变化判断出建筑物角点的特征点，然后以这些角点为种子点进行追踪，分别追踪与前一步所判断的主方向一致的的方向进行对比，设定一个阈值，两夹角大于该阈值的点舍去，将最接近主方向的点作为下一个种子点继续进行追踪。一直追踪到没有满足要求的点为止。 　　本文所提取的建筑物属于外形相对简单的几何体，除了可以用现在比较成熟的从点云中识别及重建平面对象的算法来对建筑物的特征面进行提取外，本文拟采用在提取特征点的基础上，通过点连线，线构面，面构体的方法实现对城市地区建筑物的三维提取。因为相对于从海量点云中识别并重建出三维建筑物的特征线与特征面而言，特征点的提取相对而言比较简单，对于点云数据的海量特征而言，相对简单的算法能够减少大