基于多層次語義特征的建筑立面點云提取方法

向澤君，滕德貴，袁長征，龍川

(重慶市勘測院，重慶 401121)

建筑立面信息在建構筑物模型重建[1]、老舊小區改造[2]等方面具有重要作用，傳統的立面測量方法包括全站儀法、測距儀法及攝影測量法[3]等，存在信息獲取不全、作業效率低等問題。三維激光掃描可快速獲取具有三維坐標及顏色、強度、紋理等屬性的海量點云，極大提升了空間地理信息的獲取能力[4-5]，也為建筑立面圖測繪提供了一種更新、更快的技術手段[6]。由于點云中包含的地物類型多樣、點密度分布不均且存在各種噪聲，快速準確地提取建筑立面一直是點云數據處理的難點。

學者們針對點云分類與提取進行了大量研究，主要算法分為模型擬合法[7-8]、屬性聚類法[9-10]、區域生長法[11-13]、機器學習算法[14-20]以及平面投影法[21-23]等。其中，模型擬合法[7-8]基于平面、球體、圓柱體等幾何體的數學模型進行點云分隔，處理速度快，但只適用于規則地物的提取；屬性聚類法[9-10]利用點云的特征進行聚類和分隔，其結果較穩定，但無法區分特征相似的地物，且處理復雜場景時耗時較長；區域生長法[11-13]首先選取種子點，然后搜索鄰域內滿足一定相似性標準的點進行聚類，通過不斷生長完成分割，算法結果依賴于種子點及生長準則的選取，選取不當將導致過生長或欠生長；面向三維點云的機器學習算法[14-20]框架還有待完善，且需要大量樣本數據進行訓練，分類結果具有一定隨機性。

點云平面投影方法[21-23]將三維點云投影到二維平面并進行格網劃分得到點云特征圖像，然后采用圖像處理方法進行分類，具有算法簡單、運算速度快等優點，在點云分類方面得到了廣泛應用。史文中等[21]基于點云投影密度進行建筑物立面提取，由于分類標準單一，提取結果容易受其他地物干擾，在地形起伏較大、地物復雜多樣時效果難以保證；盧秀山等[22]通過三維和二維格網進行綜合判斷，并基于RANSAC算法去噪，提高了分類精度，但算法復雜度高，運算效率較低。邵磊等[23]提出了一種結合多種投影影像提取建筑物的方法，但該方法首先要進行地面點云提取，增加了算法復雜度，且地面點提取精度將直接影響后續建筑物提取精度。

針對上述傳統格網算法存在的問題，引入點云的單點語義、格網語義和區域語義，構建基于多層次語義特征的建筑立面點云提取方法，并對不同場景的點云數據進行提取，驗證算法的有效性。

1 基于多層次語義的建筑立面點云提取算法

1.1 建筑區典型地物點云空間特性

建筑區地物可分為地面(含低矮植被)、建筑物、桿狀物、樹木及其他地物類型[24]，通過地面三維激光掃描儀獲取的部分地物點云及平面投影如圖1所示，其具體特性如下：

圖1 建筑區典型地物點云及平面投影Fig.1 Typical surface point cloud and plane projection in the building

1)建筑物點云特征。建筑物外形較為規則，高度較高，點云集中在建筑物外立面，投影到XOY平面后呈線性連續分布，立面投影區域點云密度大，建筑物內部點云密度小。此外，由于建筑立面一般垂直于地面，點云法向量垂直角集中分布在90°附近，標準差較小。

2)地面點云特征。地面點云高程值較小，投影到平面后呈面狀均勻分布，法向量垂直角分散分布，標準差較大。

3)桿狀地物點云特征。電桿、路燈等桿狀地物一般垂直于地面且有一定高度，投影面積小，點密度較大。立桿部分與附屬部件(如燈泡、攝像頭等)法向量垂直角差異較大。

4)樹木點云特征。樹木具有一定高度，且樹冠范圍較樹干大，單棵樹木投影后呈近似圓形分布，投影范圍內點密度分布較為均勻，法向量垂直角標準差較大。

計算圖1中各點云的法向量，并分別選取10 000個來計算其垂直角(法向量與Z軸夾角)，分布特征如圖2和表1所示：

圖2 建筑區典型地物法向量垂直角分布統計圖Fig.2 Normal vector vertical angle distribution of typical features in the building

表1 建筑區典型地物法向量垂直角均值及標準差統計表Table 1 Mean and standard deviation of normal vector vertical angle of typical features in the building area

1.2 點云多層次語義特征

根據各類地物的空間特征，結合建筑立面提取的需求，構建點云單點語義、格網語義和區域語義3類特征。

1)單點語義特征。對于點P，將其高程值PZ作為單點語義特征，即

P={PZ}

(1)

基于該特征，通過設置低點閾值Zlow可將低于該值的非建筑點云剔除；若大于高點閾值Zhigh的點全部為建筑立面點，則可將該閾值以上的點標記為建筑立面點。

2)格網語義特征。將點云進行平面投影并按一定尺寸劃分格網G，計算格網內的點云密度GD、最高點與最低點高差GH作為單元格網的語義特征，即

G={GD,GH}

(2)

由于建筑物具有一定高度且在立面處的點云投影密度較大，可將格網密度或高差低于一定閾值的非建筑立面點云剔除。

3)區域語義特征。將滿足格網語義特征閾值要求的格網定義為興趣格網，相互連通的興趣格網集合定義為一個對象區域A，對每個區域采用安德魯算法(Andrew’s Algorithm)計算凸包，統計凸包范圍內格網總數AT以及興趣格網數量AC，按式(3)計算興趣格網比例。

(3)

建筑物對應區域AC較大但AR較小；桿狀物及樹木對應區域AC較小但AR較大。此外，由于建筑立面點云法向量垂直角標準差AN明顯小于其他地物，可作為立面點云提取的一個重要特征。綜上，將AC、AR以及AN作為對象區域的語義特征，即

A={AC,AR,AN}

(4)

以上定義的點云單點語義、格網語義及區域語義分別代表地物的單點特征、局部特征和整體特征，形成了點云多層次語義特征描述子，如表2及圖3所示。

表2 點云多層次語義特征Table 2 Multi-level semantic features of point cloud

圖3 點云多層次語義特征示意圖Fig.3 Multi-level semantic features of point

1.3 算法步驟

基于上述多層次語義特征描述子，提出一種建筑立面點云提取算法：首先通過單點語義特征，即點的高程值剔除低于建筑物的點云，同時提取出一定高度以上僅包含建筑物的高層建筑點云；然后將剩余點云及高層建筑點云投影到XOY平面并劃分格網，根據格網語義特征選取興趣格網；最后對興趣格網進行連通性分析得到對象區域，并基于區域語義特征實現建筑立面點云的精確提取，具體步驟如下。

1)數據預處理。數據預處理主要是通過裁剪、濾波等方式剔除點云中的噪點，減少對后續數據處理的干擾；此外，按一定采樣間隔進行重采樣，去除過密點云，提高運算效率。

2)基于單點語義特征的初步分類。設置低點閾值Zlow，剔除低于該值的非建筑點云；設置高點閾值Zhigh，提取高于該值的建筑立面點，即

(5)

閾值設置時，要確保低于Zlow無建筑立面點，高于Zhigh只有建筑立面點。

3)點云平面投影及單元格網劃分。將步驟2)得到的待分類點以及高層建筑立面點投影到XOY平面，投影計算公式為

(6)

式中：X、Y、Z為點云原始坐標；X′、Y′、Z′為投影后坐標；h為投影面高程，一般取0。投影后即可按一定間隔d進行格網劃分，設點云平面坐標最大、最小值分別為Xmin、Ymin、Xmax、Ymax，則格網的行列數R、C分別為

(7)

設點i坐標為(xi,yi,zi)，則對應格網行列號ri、ci為

(8)

式中：floor為小于該值的最大整數，且行列號從0開始計數。

4)基于格網語義特征的二次分類。設格網I內的點數為N，對應三維點云坐標為(XIi,YIi,ZIi),i=1,2,…,N，則該格網的點密度GDI、高差GHI分別為

GDI=N/d2

(9)

(10)

設置點密度閾值GD_th和高差閾值GH_th，并基于式(11)所示準則選取建筑物立面對應興趣格網。

g(GD,GH)=

(11)

點密度閾值GD_th根據點云密度與格網尺寸d進行確定；高差閾值GH_th應略小于范圍內最矮建筑物的高度。

5)基于區域語義特征的精確分類。對興趣格網進行連通性分析得到多個對象區域，設區域J包含的興趣格網數量為S，對應凸包范圍內格網總數為T，則該區域語義特征ACJ、ARJ分別為

ACJ=S

(12)

(13)

計算區域內點云法向量及垂直角，并統計垂直角標準差ANJ，然后設置各特征閾值AC_th、AR_th及AN_th，基于式(14)所示準則進行建筑立面點云的精確分類。

a(AC,AR)={(AC>AC_th)∧(ARAC_th)∧(AR

(14)

興趣格網數量閾值AC_th根據格網尺寸與建筑物大小進行設置；根據測試，比例閾值AR_th一般設置為20%～30%，法向量垂直角標準差閾值AN_th一般設置為5°～10°。

最后，查詢平面投影位于建筑立面區域內的點云，與步驟(2)提取的高層建筑點云取并集，即得到滿足多層次語義特征的建筑立面點云。

算法流程如圖4所示。

圖4 算法流程圖

2 實驗分析

目前，基于屬性聚類算法的點云分類方法在多款主流的點云商業處理軟件中方得到了實現，使用較為廣泛。本文算法是對傳統格網密度算法的改進，因此，分別采用本文算法、傳統格網密度(DoPP)算法以及屬性聚類算法對不同場景的點云數據進行建筑立面提取，并對提取結果進行評價以驗證本文算法的提取精度、效率及適用性。

2.1 實驗數據

實驗數據為低層建筑區、高層建筑區以及超高層建筑區3種典型場景的實測地面三維激光點云，如圖5所示。

圖5 實驗數據

3個數據集的基本特征如表3所示。

表3 點云數據集特征描述Table 3 Feature description of point cloud data set

2.2 實驗方法

首先通過人工編輯方式對3個數據集中的建筑立面進行精細提取，并將其作為評價算法精度的標準；然后分別用3種算法提取建筑立面點云，對提取結果的精度、適應性及效率進行對比分析。其中本文算法及DoPP算法采用C++語言編程實現，屬性聚類算法采用某商業軟件點云分類功能模塊。

2.2.1 參數設置 針對不同數據集的實際特點，設置了本文算法以及DoPP算法的各項參數，為便于比較，對兩種算法設置相同的格網尺寸和點云密度參數，如表4所示。

表4 算法參數表Table 4 Algorithm parameters

2.2.2 算法提取 圖6、圖7、圖8分別展示了采用人工精細分類、本文算法、DoPP算法以及屬性聚類算法對3個數據集的建筑立面提取結果。

圖6 低層建筑區提取結果Fig.6 Extraction results of low-rise building

圖7 高層建筑區提取結果Fig.7 Extraction results of high-rise building

圖8 超高層建筑區提取結果Fig.8 Extraction results of super-tall building

2.2.3 評價指標 以人工提取結果作為真實值，分別按式(15)、(16)、(17)、(18)計算各算法提取結果的真正類率(True Positive Rate，TPR)、假正類率(False Positive Rate，FPR)、準確率(Accuracy，Acc)和交并比(Intersection over Union，IoU)4個精度指標，同時，統計運算時間來評價算法效率。

(15)

(16)

(17)

(18)

式中：TP、FP、TN、FN的含義可用混淆矩陣表示。

表5 分類混淆矩陣Table 5 Classification confusion matrix

為評價算法效率，采用3種算法對所有數據集分別處理10次，計算平均用時，測試平臺基本參數如表6所示。

表 6測試平臺基本參數表Table 6 Basic parameter of test platform

3種分類方法的評價指標如表7所示。

2.3 結果分析

從圖6、圖7、圖8以及表7中可以看出：

表7 提取結果對比分析Table 7 Comparison and analysis of extracted results

1)提取精度方面：除了高層建筑區的TPR指標，本文算法其他各項指標均為最優。對于高層建筑區，DoPP算法的TPR指標最高，即該算法提取的真實建筑立面點最多，但FPR指標同樣很高，說明結果中包含了大量錯分點，圖7(c)也證明了這一結論。

2)場景適應性方面：本文算法對3種不同場景的點云均提取出了較為完整的建筑立面，僅在點云過于稀疏的立面和擋墻處(圖6(b)A、B處；圖7(b)C、D處；圖8(b)E、F、G處)有部分缺失；DoPP算法在低層及高層建筑區的錯分點云較多(圖6(c)、圖7(c))，在超高層建筑上部立面缺失明顯(圖8(c))；屬性聚類算法在高層建筑區提取效果較好，但無法剔除大面積的密集植被，且超高層建筑立面缺失嚴重(圖8(d))。

3)運算效率方面：與DoPP算法相比，由于本文算法顧及的特征更加全面，運算時間略有增加，但相差均小于1 s，且都在10 s以內；屬性聚類算法運算時間較長。

綜合各項評價指標，本文算法在提取精度及不同場景的適應性方面均明顯優于DoPP算法及屬性聚類算法；在運算效率方面與于DoPP算法相當，與屬性聚類算法相比優勢明顯。

3 結論

結合各類地物點云的單點特征、局部特征及整體特征構建對應的語義屬性，并提出了一種基于多層次語義特征的建筑物立面提取方法。該方法的主要貢獻有：

1)綜合考慮點云高程、平面投影點密度及分布特征、法向量垂直角等多層次語義特征，實現對建筑立面的精確描述，提高了提取結果的正確率和完整性。

2)將三維分類問題轉化到二維平面，算法效率高。

3)算法參數設置靈活，適應性好，可滿足不同場景的提取需求。

通過不同場景點云的提取實驗結果表明：該方法可快速有效的提取復雜環境中的建筑立面點云，與傳統DoPP算法及屬性聚類算法相比，提取精度及適應性顯著提高。目前，算法參數需根據點云的實際情況進行設定，下一步將研究參數的自適應設置，提高算法的實用性，并在三維建模、智慧城市建設等領域推廣應用。