近景图像序列线特征约束的建筑物立面重建

针对单纯利用近景图像序列点特征进行建筑物立面重建存在的问题,该文提出一种线特征约束下建筑物建模方法。首先利用运动恢复结构技术恢复相机参数和空间点云数据,并在此基础上利用多视图立体方法生成三维稠密点云;然后对图像序列进行基于梯度方向的边缘检测及顾及方向和长度的直线特征拟合;再利用多约束条件实现直线特征匹配及提取;最后基于三维点、线特征实现建筑物立面的三维重建。实验结果表明,该方法能有效利用近景图像序列点、线特征的优势互补重建建筑物的几何立面,更好地恢复建筑物立面的轮廓信息。     

车载LiDAR点云中建筑物立面位置边界的自动提取

提出了一种基于点云特征图像和特征值分析的车载LiDAR点云建筑物立面位置边界的自动提取方法。首先利用车载LiDAR点云数据生成扫描区域的点云特征图像,并通过图像处理手段提取可能的建筑物目标点云;然后对提取的目标点云进行剖面分析和特征值分析,识别建筑物目标;最后对建筑物点云进行平面分割,提取建筑物立面,并对立面点云进行特征值分析,得到建筑物立面与地面交接的三维位置边界。实验结果表明,该方法能快速有效地提取车载LiDAR点云数据中的建筑物目标,同时提取的建筑物立面位置边界与原始点云能准确符合。     

利用原始激光雷达点云数据提取渐进式建筑物轮廓线

建筑物是城市三维建模的重要元素，其轮廓信息的提取既是难点又是重点。本文提出了原始激光雷达点云数据的渐进式建筑物轮廓线提取方法。首先对原始点云数据采用渐进数学形态学滤波分离非地面点；然后使用改进的三维Hough转换分类出建筑物点云；进一步提取建筑物轮廓点，并根据相邻点方位角阈值确定建筑点云轮廓的关键点，以此简化并拟合建筑物轮廓线；最后基于轮廓线长度加权方向将建筑物轮廓规则化。结果表明，该方法大大提高了点云处理的效率和精度，可以直接从采集到的初始数据中自动化渐进式得到建筑物轮廓线信息。同时该方法对解决中小城镇建筑物体积小，距离近和屋顶坡度较大等问题具有较好的效果。     

一种基于无人机倾斜摄影的高精度单体三维建模方法

传统倾斜摄影测量在同时获取正射和倾斜影像数据时,往往对建筑物低空立面纹理采集不够精细,且多数建筑物或地物模型毗连成片,不利于单独管理与使用。鉴于此,提出了一种高精度单体三维建模方法。首先结合建筑物几何特征和分辨率需求,研究三维环绕式航线设计方案,采集覆盖全局的高分辨率影像数据;然后将倾斜摄影模型的点云划分为虚拟网格,并将每个虚拟网格中的点云视为一个整体,通过设置高差提取建筑立面的点云,经点云分类处理,进一步提取轮廓信息;最后通过提取轮廓线相交三角形,实现单个建筑模型的三维构建。结果表明,该方法能自动、高效地单体化构建倾斜摄影建筑模型,对工程建设与发展具有一定的应用价值。     

顾及局部特征的三维点云建筑物轮廓精确化提取

建筑物是城市的重要组成部分,从三维点云数据中精细化地提取建筑物特征是当前研究的热点。本文提出了一种顾及局部特征的三维点云建筑物轮廓精确化提取方法。首先,采用基于统计学的滤波预处理方法,分离地面点与非地面点,去除离群点,降低点云数量;然后,通过基于改进3D Hough变换的建筑物立面提取方法,提取点云数据的多立面,提高立面提取的精度和效率;最后,采用基于降维边界索引的点云轮廓精准提取方法,获取局部特征和外部轮廓特征。结果表明,该方法能够充分兼顾建筑物的整体外部轮廓及局部细节特征,高效准确地实现建筑物的精确化提取,为城市规划、城市更新等相关应用提供技术支持。     

基于机载LiDAR点云的建筑物多细节层次建模方法

机载激光雷达点云（LiDAR）重建大范围建筑物模型一直是实景三维建模的热点问题,由于机载激光点云稀疏、建筑物立面数据缺失,给模型自动化重建带来了极大的挑战。为了解决该问题,本论文研究基于图优化理论重建建筑物多细节层次（LOD）模型。首先,对原始点云进行自动化滤波,分离地面点和非地面点,对地面点构建数字高程模型（DEM）,对非地面点半自动提取单体化建筑物点云。然后,基于滚球法（Alpha shape）提取建筑物边界,利用通用图优化方法（G2O）对误差线进行全局一致性改正,获得规则化的二维边框。并基于建筑物屋顶三维高程及DEM高程值重建建筑物LOD1模型。其次,根据点云的高程差异生成高程栅格图,从高程栅格图提取建筑物轮廓线,对轮廓线进行简化、规则化、聚类,并将规则后的边界线拉伸获取建筑物立面结构,弥补建筑物立面数据缺失对建模的影响。最后,将屋顶平面相交、建筑物立面裁剪,对候选平面进行二元图割全局优化,选择最能表达建筑物结构的平面,以此重建建筑物LOD2模型。本论文选择北京市2017年机载激光点云进行实验,结果表明,本文提出的方法可以稳健地重建建筑物多细节层次模型,LOD2模型距离偏差为0....     

利用三维激光点云重构建筑物模型

随着三维激光点云数据获取能力的提升，基于三维激光点云进行建筑物模型重建与立面测绘成为工程应用中常用的方法。三维激光点云数据能够体现建筑物丰富和直观的细节信息，然而海量数据处理给建筑物模型构建带来了极大挑战。本文通过对建筑物的三维激光点云数据进行横切得到建筑物轮廓点，并采用基于遗传算法的TSP算法对轮廓点进行处理以获取建筑物各立面的方程系数，最终实现建筑物模型的构建和获取详细的建筑物立面数据。试验结果表明，此方法可以较好地实现LOD1级建筑物模型的构建，进而为更高（LOD3）级别的建筑物模型构建提供依据。     

利用点云数据进行三维可视化建模技术研究

依据三维激光扫描仪的工作原理,阐述点云数据处理、数据提取与快速建模的全过程工作原理。以某一建筑物扫描为例,先获取其点云模型数据,并对点云数据采取不同的方法进行拼接处理,且对因拼接方法不同而产生的误差进行比对分析,选取出最优的拼接方法;然后对点云数据进行合并、去噪等处理;最后使用建模工具从点云数据模型中获取建筑物的各立面线划图,完成快速精准的三维可视化建模。     

三维激光扫描建筑物立面数据的自动提取

对地面三维激光扫描仪所获取的海量点云进行建筑物立面数据的提取,有利于提高后续分割拟合、三维建模及变化检测等处理的效率和稳定性。因此本文针对建筑立面点云数据的特点,提出了一种基于相邻扫描点角度间隔直方图的提取方法。首先介绍了固定式三维激光扫描获取的数据特点,然后对基于扫描线的建筑物立面数据提取方法应用于固定式三维激光扫描数据的局限性进行了分析,在此基础上提出了统计扫描角度范围内指定大小（如1°×1°）格网内扫描点的个数,以生成相邻扫描点角度间隔的二维直方图并转换成灰度图像,通过二值化和连通区域标记方法提取了建筑立面数据。试验证明本文方法是行之有效的。     

单体建筑物点云数据的CSF净化处理

从场景整体点云数据中提取单体建筑物的点云是建筑物单体三维建模的基础。然而，现有点云提取方法在提取建筑物点云数据时往往包含部分植被、地面等非建筑数据点，不利于建筑物对象建模。针对该问题，本文提出使用CSF方法对初步提取的建筑物点云数据进行净化处理。该方法首先将场景点云数据投影生成点云图像，根据图像特征初步提取单体建筑物点云数据；然后对获得的单体建筑物点云数据采用CSF方法进行净化处理，可以获得较为纯净的单体建筑物点云数据。本文以南京师范大学仙林校区部分区域为研究对象对该方法进行了验证。结果表明，该方法可以较好地对建筑物点云数据进行净化，得到较为纯净的单体建筑物点云数据，为基于点云数据的建筑物单体模型构建打下了良好的基础。     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

半自动机载LiDAR点云建筑物三维重建方法

针对全自动建筑物3D重建存在需要后续人工检验,且发现重建错误需要花费额外时间修改的问题,提出了一种半自动的面向对象的机载LiDAR点云建筑物3D重建方法。基于建筑物类别点云的联通分析和平面生长分割结果,提出了自动的建筑物栋数检测、单栋建筑物外轮廓提取、单栋建筑物内部结构线提取方法;同时,在计算机无法完成部分工作时,人工辅助计算机完成高程阶越线提取、识别建筑物屋顶附属物点云等工作。实验证明,该方法可以适用于高密度机载LiDAR点云数据中城区大部分建筑物的3D模型重建。     

利用QuickBird影像的阴影提取建筑物高度

高度信息作为建筑物的重要属性信息,在军事和民用上都具有很高的利用价值。本文中提出了一种新的建筑物高度信息提取方法——基于分类的建筑物高度信息提取。此方法可以分为三个步骤:第一,利用面向对象分类方法进行建筑物屋顶和阴影的信息提取;第二,屋顶和阴影的优化;第三,建筑物高度信息提取。通过实验证明了这种方法在建筑物高度信息提取中的潜力。     

基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。     

机载LiDAR点云的多层建筑物三维轮廓模型自动重建

以机载LiDAR点云数据为研究对象,提出一种新的基于点云数据的多层建筑物三维轮廓模型高精度自动重建方法。在已完成建筑物结构提取及轮廓规则化处理的基础上,利用多层屋顶轮廓在水平投影面内的相邻关系,将各层屋顶中同等级屋顶的相邻关系概括为平行边、不平行且不相交、相交3种相邻形式,结合多层屋顶的层级结构信息对相邻轮廓边界进行一致性处理。实验证明本文方法可以进一步消除多层建筑物各屋顶轮廓的规则化处理误差,使相邻轮廓边界在水平投影面内严格重合,同时重建后建筑物三维轮廓模型的正确性与完整性较高,拐点的定位精度优于激光点平均间距。     

Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds

Accurate 3D road information is important for applications such as road maintenance and virtual 3D modeling. Mobile laser scanning (MLS) is an efficient technique for capturing dense point clouds that can be used to construct detailed road models for large areas. This paper presents a method for extracting and delineating roads from large-scale MLS point clouds. The proposed method partitions MLS point clouds into a set of consecutive “scanning lines”, which each consists of a road cross section. A moving window operator is used to filter out non-ground points line by line, and curb points are detected based on curb patterns. The detected curb points are tracked and refined so that they are both globally consistent and locally similar. To evaluate the validity of the proposed method, experiments were conducted using two types of street-scene point clouds captured by Optech’s Lynx Mobile Mapper System. The completeness, correctness, and quality of the extracted roads are over 94.42%, 91.13%, and 91.3%, respectively, which proves the proposed method is a promising solution for extracting 3D roads from MLS point clouds.     

A generative statistical approach to automatic 3D building roof reconstruction from laser scanning data

This paper presents a generative statistical approach to automatic 3D building roof reconstruction from airborne laser scanning point clouds. In previous works, bottom-up methods, e.g., points clustering, plane detection, and contour extraction, are widely used. Due to the data artefacts caused by tree clutter, reflection from windows, water features, etc., the bottom-up reconstruction in urban areas may suffer from a number of incomplete or irregular roof parts. Manually given geometric constraints are usually needed to ensure plausible results. In this work we propose an automatic process with emphasis on top-down approaches. The input point cloud is firstly pre-segmented into subzones containing a limited number of buildings to reduce the computational complexity for large urban scenes. For the building extraction and reconstruction in the subzones we propose a pure top-down statistical scheme, in which the bottom-up efforts or additional data like building footprints are no more required. Based on a predefined primitive library we conduct a generative modeling to reconstruct roof models that fit the data. Primitives are assembled into an entire roof with given rules of combination and merging. Overlaps of primitives are allowed in the assembly. The selection of roof primitives, as well as the sampling of their parameters, is driven by a variant of Markov Chain Monte Carlo technique with specified jump mechanism. Experiments are performed on data-sets of different building types (from simple houses, high-rise buildings to combined building groups) and resolutions. The results show robustness despite the data artefacts mentioned above and plausibility in reconstruction.