基于空-地多源數(shù)據(jù)融合的建筑物精細(xì)建模研究

李永強(qiáng)，劉會云，曹 鴻，牛路標(biāo)，李立雪

（河南理工大學(xué) 測繪與國土信息工程學(xué)院，河南 焦作454000）

建筑物精細(xì)建模是數(shù)字城市和智慧城市建設(shè)的重要地理空間信息源，同時對建筑物空間信息獲取、建模效率及模型精度提出更高要求［1-3］。機(jī)載LiDAR（含航空影像）和車載LiDAR技術(shù)不但數(shù)據(jù)獲取速度快、精度高、信息量豐富，而且能直接從三維空間點云中提取建筑物特征信息，適合城市規(guī)模的自動化批處理需求。機(jī)載LiDAR系統(tǒng)從空中獲取建筑物頂部點云和影像信息，準(zhǔn)確反映建筑物頂部結(jié)構(gòu)特征，但對建筑物立面信息獲取能力有限，車載LiDAR系統(tǒng)精確獲取建筑物立面點云數(shù)據(jù)，準(zhǔn)確表達(dá)建筑物立面結(jié)構(gòu)特征，但很難得到建筑物頂部信息，空-地多源數(shù)據(jù)的聯(lián)合將會取長補(bǔ)短，發(fā)揮各自優(yōu)勢，數(shù)據(jù)融合是一種必然趨勢。盡管大場景建筑物進(jìn)行三維建模時，仍然集中在依賴單一數(shù)據(jù)源［4-7］，多源數(shù)據(jù)融合也開展了一系列的研究工作。童禮畢［8］以建筑輪廓為配準(zhǔn)基元，在實現(xiàn)車載Li-DAR點云中建筑輪廓提取的基礎(chǔ)上，采用配準(zhǔn)關(guān)系修正方法實現(xiàn)了車載-航空LiDAR數(shù)據(jù)的精確配準(zhǔn)。張志超［9］融合機(jī)載LiDAR數(shù)據(jù)中提取的屋頂高度以及輪廓線信息對建筑物缺失的立面進(jìn)行推理，并結(jié)合地面LiDAR數(shù)據(jù)提取立面對建筑物輪廓線進(jìn)行精化。吳海若［10］利用車載掃描獲取的布法羅一個街區(qū)的激光點云數(shù)據(jù)，結(jié)合相應(yīng)的航空影像數(shù)據(jù)，對某街區(qū)進(jìn)行三維建模，并將模型上傳到Google Earth的3D模型庫，檢測模型精度。Rutz-inger［11］結(jié)合機(jī)載和車載LiDAR點云數(shù)據(jù)，通過區(qū)域增長的方法共同提取建筑物立面邊界，但是并沒有對建筑物進(jìn)行三維重建。

以空-地LiDAR數(shù)據(jù)為主體進(jìn)行建筑物三維建模時，面臨兩個問題：①點云密度和精度不同。一般情況下，機(jī)載LiDAR點云點間距和點位精度均為dm級，車載LiDAR點云點間距和點位精度均為cm級；②點云表達(dá)對象形態(tài)結(jié)構(gòu)不同。機(jī)載LiDAR以頂部邊緣為輪廓構(gòu)建建筑物模型，車載LiDAR以建筑物立面為輪廓構(gòu)建建筑物模型，大多數(shù)建筑物都有檐廊、陽臺及層次設(shè)計，兩者所構(gòu)建的模型存在差異。本研究主要針對上述問題，研究探討聯(lián)合建模的精度問題，并給出合理的解決方案。

1 試驗方案

試驗數(shù)據(jù)為芬蘭首都赫爾辛基部分城區(qū)同一區(qū)域建筑物群的機(jī)載LiDAR、車載LiDAR及航空影像數(shù)據(jù)。該試驗區(qū)地處赫爾辛基新城區(qū)核心位置，面積約為50萬m2，地形平坦，建筑物密度較大，建筑物屋頂主要有平頂、人字形屋頂、少數(shù)復(fù)雜組合屋頂，多以建筑群方式匯聚展現(xiàn)。試驗區(qū)機(jī)載LiDAR數(shù)據(jù)使用Riegl LMS-Q560型機(jī)載激光掃描儀獲取，點云密度約為20個／m2，車載LiDAR數(shù)據(jù)使用StreetMapper系統(tǒng)獲取，點云密度約為400個／m2，航空影像像素分辨率約為5cm，各數(shù)據(jù)都經(jīng)過前期數(shù)據(jù)處理（包括影像糾正、坐標(biāo)轉(zhuǎn)換、數(shù)據(jù)配準(zhǔn)等），三者均覆蓋建筑物約20幢。圖1為試驗區(qū)各類數(shù)據(jù)，圖1（a）～1（d）分別為機(jī)載LiDAR數(shù)據(jù)、車載LiDAR數(shù)據(jù)、航空影像數(shù)據(jù)和空-地LiDAR配準(zhǔn)數(shù)據(jù)。

試驗數(shù)據(jù)具有較高精度，且經(jīng)過嚴(yán)格的前期處理，因此本研究忽略前期數(shù)據(jù)處理工作，重點探討基于多源數(shù)據(jù)融合的建筑物模型精度問題。試驗方案：先基于機(jī)載LiDAR、車載LiDAR及影像數(shù)據(jù)，分別提取建筑物頂面與地面矢量輪廓線；再將三種矢量輪廓線兩兩融合比較，以輪廓線間垂直距離作為衡量矢量圖之間融合效果的指標(biāo)，構(gòu)建直方圖進(jìn)行擬合分析與誤差評定；最后根據(jù)分析結(jié)果，給出基于空-地多源數(shù)據(jù)融合的建筑物精細(xì)建模的基本原則和方法。

圖1 試驗區(qū)數(shù)據(jù)

2 建筑物矢量輪廓線提取

本研究的重點是探討多源數(shù)據(jù)融合進(jìn)行建筑物建模的精度，為了更精確地提取建筑物矢量輪廓線，研究中未采用自動提取算法得到建筑物矢量輪廓線，而是通過Terrasolid軟件的繪圖工具，由熟練操作人員交互完成。根據(jù)不同數(shù)據(jù)自身的特點，分別進(jìn)行建筑物輪廓線的提取。航空影像為高清正射影像，精確選取建筑物頂部邊緣特征點，連接成為規(guī)則矢量輪廓線，如圖2（a）所示。機(jī)載LiDAR為建筑物頂部點云，有較大的點云密度，參照對應(yīng)的航空影像，精確選擇建筑物頂部邊緣點，連接成為規(guī)則矢量輪廓線，如圖2（b）所示。車載LiDAR獲取的是建筑物立面點云數(shù)據(jù)，根據(jù)建筑物立面垂直于水平面的特點，對車載LiDAR點云進(jìn)行水平投影，從頂視圖窗口點云圖像中可以看出，立面點云在水平面上的疊加會明確地反映出建筑物底面輪廓的線性特征，密度大的線性點云即為建筑物底面輪廓線，利用精確繪圖工具繪制出矢量輪廓線，如圖2（c）所示。

從矢量圖看出：車載LiDAR系統(tǒng)受數(shù)據(jù)獲取方式的限制，部分建筑物立面數(shù)據(jù)不完整，所生成的建筑物矢量輪廓線未閉合，顯示結(jié)果較為簡潔；機(jī)載LiDAR能得到較完整的建筑物頂部點云，所生成的矢量輪廓線較車載信息量更完整；基于高清影像數(shù)據(jù)生成的矢量圖更能清楚地反映出建筑物頂部內(nèi)輪廓的具體形態(tài)細(xì)節(jié)。

3 精度分析

因建筑物頂部檐廊及層次設(shè)計的需要，頂面與底面矢量輪廓線在尺寸和形狀上并不完全相同，頂面矢量輪廓線相對復(fù)雜，底面矢量輪廓線相對簡單，底面矢量輪廓線各邊均貼切地包含于頂面矢量輪廓線內(nèi)。圖3為某建筑物頂面與底面矢量輪廓線比較，圖3（a）～3（c）分別為頂?shù)资噶枯喞獔D、局部放大圖、對應(yīng)建筑物影像圖，可以看出，建筑物頂部輪廓線在整體上大于底部輪廓線，兩者基本上保持平行關(guān)系，其間隔可以認(rèn)為是屋檐寬度。

圖2 建筑物矢量輪廓線

圖3 建筑物頂／底矢量輪廓線對比

試驗區(qū)建筑物多以建筑物群的形態(tài)顯現(xiàn)，邊長及面積相對較大，車載LiDAR系統(tǒng)受數(shù)據(jù)獲取方式的限制，無法得到建筑物內(nèi)側(cè)立面點云數(shù)據(jù)，另外航空影像為正射高清影像，沒有高程信息，因此在本試驗研究中，只對三類數(shù)據(jù)源共有的建筑物外輪廓進(jìn)行數(shù)據(jù)融合和精度分析，并在忽略三者高程差異的基礎(chǔ)上，重點分析討論建筑物模型的平面精度。試驗選擇18幢數(shù)據(jù)相對完好的建筑物為研究對象，分別將機(jī)載LiDAR、車載LiDAR、正射影像所得矢量輪廓線進(jìn)行疊置，統(tǒng)計三類矢量輪廓線中的188條線段間的平均距離，輪廓線間最小距離為0.03m，最大距離為0.87m。以0.1m為組距，矢量輪廓線間距的分布直方圖分別如圖4、圖5、圖6所示。

圖4為影像／機(jī)載建筑物外輪廓線間隔統(tǒng)計直方圖，直方圖分布呈遞減的規(guī)律，其中間隔在0.3m以內(nèi)占到了65%。圖5為機(jī)載／車載LiDAR建筑物外輪廓線間隔統(tǒng)計直方圖，直方圖呈正態(tài)分布規(guī)律，以0.4～0.5m為峰值。圖6為影像／車載LiDAR建筑物外輪廓線間隔統(tǒng)計直方圖，分布特征與圖5類似，基本符合正態(tài)分布特征，也以0.4～0.5m為峰值。

1）影像／機(jī)載LiDAR得到建筑物頂部外輪廓線，理論上兩者應(yīng)該重合，但由于數(shù)據(jù)配準(zhǔn)、數(shù)據(jù)自身精度及人工提取誤差等因素影響，兩者存在一定差異，但大部分間隔都在0.3m以內(nèi)，而超過0.7m的間隔僅為2%，可以認(rèn)為試驗所用數(shù)據(jù)有較高的精度；

圖4 影像／機(jī)載LiDAR建筑物外輪廓線間隔統(tǒng)計

圖5 機(jī)載／車載LiDAR建筑物外輪廓線間隔統(tǒng)計

圖6 影像／車載LiDAR建筑物外輪廓線間隔統(tǒng)計

2）機(jī)載／車載LiDAR提取建筑物外輪廓線間隔在0.2～0.7m之間的比例為68%，以0.4～0.5 m為峰值。除數(shù)據(jù)配準(zhǔn)、數(shù)據(jù)自身精度及人工提取誤差等因素外，主要因為兩者的對象不同，機(jī)載Li-DAR提取的是建筑物頂部外輪廓線，車載Li-DAR提取的是建筑物立面外輪廓線，建筑物頂部檐廊及層次設(shè)計是造成兩者差異較大的主要因素，由圖3（b）可以看出，建筑物頂部外輪廓和立面存在一定差異。不同建筑物檐廊寬度不同，同一建筑物不同部位檐廊寬度也可能存在不同。

3）影像／車載LiDAR所提取建筑物外輪廓線間隔在0.2～0.7m之間的比例為67%，以0.4～0.5m為峰值，與機(jī)載／車載LiDAR建筑物外輪廓線間隔統(tǒng)計一致，進(jìn)一步佐證建筑物檐廊是造成頂／底輪廓線不一致的主要原因。

從定量角度看，影像／機(jī)載LiDAR、機(jī)載／車載LiDAR、影像／車載LiDAR對應(yīng)矢量輪廓線平均距離分別為0.20m，0.46m，0.43m。從數(shù)據(jù)源的精度來看，一般情況下，機(jī)載LiDAR／影像的平面精度為20cm，車載LiDAR平面點位精度為5cm。機(jī)載LiDAR／影像提取輪廓線間較差為20cm，且在正常的限差范圍內(nèi)，車載LiDAR／機(jī)載LiDAR、車載LiDAR／航空影像提取輪廓線間距差可以認(rèn)為在0.4～0.6m，這個距離主要是建筑物檐廊的正常寬度，進(jìn)行建筑物精細(xì)建模時，這個值是不能被忽略的，而當(dāng)前實際生產(chǎn)中，設(shè)置0.5m的屋檐寬度，雖然在一定程度上滿足生產(chǎn)需求，但每棟建筑物屋檐寬度存在差異，人為寬度缺乏實測依據(jù)。基于已有研究成果，針對空-地多源數(shù)據(jù)聯(lián)合進(jìn)行建筑物精細(xì)建模，對城市規(guī)模的大數(shù)據(jù)自動處理給出了可行的解決方案：

1）空地數(shù)據(jù)坐標(biāo)統(tǒng)一?？?地數(shù)據(jù)獲取的重要傳感器均為POS系統(tǒng)，先轉(zhuǎn)換為WGS84坐標(biāo)系或CGCS2000坐標(biāo)系（國內(nèi)數(shù)據(jù)），再以車載LiDAR數(shù)據(jù)為參考，對空-地數(shù)據(jù)源進(jìn)行精確配準(zhǔn)［8］。

2）建筑物頂部數(shù)據(jù)處理。先自動提取建筑物頂部點云數(shù)據(jù)，再以建筑物頂部點云為基礎(chǔ)構(gòu)建三維模型，該模型能準(zhǔn)確表達(dá)建筑物頂部特征，同時提取建筑物頂部輪廓線，作為地面建筑物數(shù)據(jù)提取的輔助信息［12］。

3）建筑物立面數(shù)據(jù)處理。以基礎(chǔ)地理數(shù)據(jù)或機(jī)載LiDAR提取的建筑物輪廓線為輔助信息［13］，設(shè)置緩沖區(qū)，將車載LiDAR點云中建筑物立面數(shù)據(jù)分割出來。進(jìn)一步處理分割出的建筑物立面點云，擬合出各建筑物立面的空間平面位置，并自動提取建筑物立面門窗等細(xì)節(jié)特征信息。

4）空地多源數(shù)據(jù)聯(lián)合處理。以機(jī)載LiDAR／影像數(shù)據(jù)為基礎(chǔ)構(gòu)建建模物頂部模型，突出建筑物頂部細(xì)節(jié)特征，以車載LiDAR數(shù)據(jù)為基礎(chǔ)構(gòu)建建筑物立面模型，突出立面位置及門窗等細(xì)節(jié)特征，融合為統(tǒng)一的建筑物模型。

5）數(shù)據(jù)融合的取舍：空-地模型融合時，當(dāng)車載LiDAR獲取較大面積建筑物頂（傾斜屋頂）部數(shù)據(jù)時，或機(jī)載LiDAR獲取較大面積立面數(shù)據(jù)時，以車載LiDAR數(shù)據(jù)為基準(zhǔn)，對機(jī)載LiDAR數(shù)據(jù)進(jìn)行整體平移（平移量＜0.5m），然后再分別建模。

6）建筑物屋檐問題。建筑物頂部外輪廓與車載LiDAR擬合的立面之間的水平距離即為屋檐寬度，屋檐厚度需要進(jìn)一步研究，一般可設(shè)置為0.15～0.2m。

7）不完整建筑物立面。利用建筑物的對稱特征或鄰近建筑物相似特征將缺失部分填補(bǔ)出來，不能修補(bǔ)缺失部分的，仍以機(jī)載LiDAR構(gòu)建的建筑物模型的立面為準(zhǔn)。

4 結(jié)束語

本文依據(jù)機(jī)載LiDAR點云、車載LiDAR點云與航空正射影像三種數(shù)據(jù)源提取了同一建筑物群頂面與地面矢量輪廓線，通過對三類矢量輪廓線平面間距的對比分析，認(rèn)為建筑物頂部／底部輪廓線間隔為0.4～0.6m，該間隔主要由建造屋檐造成，

屋檐是建筑物精細(xì)建模中不能忽略的因素。空-地多源數(shù)據(jù)融合，進(jìn)行自動化的建筑物精細(xì)三維建模是數(shù)字城市和智慧城市建設(shè)的必然要求，但當(dāng)前研究尚處于初步階段，還有大量問題需要深入系統(tǒng)地研究，主要問題有：空地多源數(shù)據(jù)的精確配準(zhǔn)、建筑物頂部／立面模型的融合機(jī)制、數(shù)據(jù)驅(qū)動／規(guī)則驅(qū)動在多源數(shù)據(jù)融合中的運用、建筑物屋檐問題的解決等。

［1］張會霞，陳宜金，劉國波.基于三維激光掃描儀的校園建筑物建模研究［J］.測繪工程，2010，19（1）：32-34，38.

［2］張超，魏占營，王銳，等.數(shù)字城市建模方法研究與應(yīng)用［J］.測繪科學(xué)，2012，37（5）：190-193.

［3］舒琪.精細(xì)三維場景制作中數(shù)據(jù)量控制的方法研究［J］.測繪通報，2012（S1）：441-443.

［4］吳秀蕓.基于高分辨率遙感影像的建筑物提取及輪廓矢量化研究［D］.南京：南京大學(xué)，2011.

［5］李峰，崔希民，袁德寶，等.利用機(jī)載LiDAR點云提取復(fù)雜城市建筑物面域［J］.國土資源遙感，2013，25（3）：86-89.

［6］楊必勝，董震，魏征，等.從車載激光數(shù)據(jù)中提取復(fù)雜建筑物立面的方法［J］.測繪學(xué)報，2013，42（3）：412-417.

［7］曾紅齊，毛建華，李先華，等.機(jī)載LiDAR點云數(shù)據(jù)的建筑物重建研究［J］.武漢大學(xué)學(xué)報：自然科學(xué)版，2011，36（3）：322-324.

［8］童禮畢，程亮，李滿春，等.建筑輪廓的車載和航空Li-DAR數(shù)據(jù)配準(zhǔn)［J］.測繪學(xué)報，2013，42（5）：699-706，714.

［9］張志超.融合機(jī)載與地面LiDAR數(shù)據(jù)的建筑物三維重建研究［D］.武漢：武漢大學(xué)，2010.

［10］吳海若，鐘若飛.使用Sketch Up結(jié)合車載掃描和航空影像數(shù)據(jù)進(jìn)行建筑物三維建模-以紐約布法羅為例［J］.首都師范大學(xué)學(xué)報：自然科學(xué)版，2013，34（6）：92-98.

［11］RUTZINGER M，et al.Automatic extraction of vertical walls from mobile and airborne laser scanning data［J］.ISPRS 2009，37（3／W8）：7-11.

［12］JOCHEM A，et al.Automatic roof plane detection and analysis in airborne LiDAR point clouds for solar potential assessment［J］.Sensors（Basel）.2009；9（7）：5241-5262.

［13］李永強(qiáng)，呂海洋，蘇蕾，等.車載LiDAR點云中建筑物立面的自動分割［J］.測繪科學(xué)，2014，39（4）：106-109.