EN中文

Journal of Geo-information Science >

2018 , Vol. 20 >Issue 4: 462 - 470

DOI: https://doi.org/10.12082/dqxxkx.2018.170470

A Fast Method of Building Extraction from Mobile LiDAR Scanning Data

  • SHAO Lei , 1, * ,
  • DONG Guangjun 1 ,
  • YU Ying 1, 2, 3 ,
  • YAO Qiangqiang 1 ,
  • ZHANG Along 1
Expand
  • 1. Information Engineering University, Zhengzhou 450001, China
  • 2. State Key Laboratory of Geo-information Engineering, Xi′an 7100541, China;
  • 3. Beijing Key Laboratory of Urban Spatial Information Engineering, Beijing 100000, China
*Corresponding author: SHAO Lei, E-mail:

Received date: 2017-10-09

  Request revised date: 2017-12-23

  Online published: 2018-04-20

Supported by

National Natural Science Foundation of China, No.41501482

State Key Laboratory of Geo-information Engineering, No.SKLGIE 2015-M-3-6

Beijing Key Laboratory of Urban Spatial Information Engineering, No.2017203.

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

The mobile LiDAR scanning system is a useful tool for getting the top information as well as façade information of buildings, which makes it as primary means to obtain 3D city modeling infrastructure. The first step of 3D modeling is to extract the building data from the complex mobile point cloud data quickly and accurately. Therefore, it is of great significance to study a fast and effective method of building extraction from vehicle laser scanning data. The buildings in mobile laser scanning data has the characteristics of uneven distribution of point densities, lack of existence, and some of the buildings in the measured data are not strictly flat, the top data of the low building is not the façade. In order to solve the problems discussed above, a method of building extraction in complex urban scenes from mobile LiDAR is proposed by using a variety of projection images. Firstly, the method projects the point cloud data into the XOY plane to produce a variety of projected images. Secondly, based on the geometric semantic features of the buildings, the geometric constraints and morphological calculations of the acquired projection images are processed to get the seed area of the building. On the basis of this seed area, the eight-neighborhood region of the building seed area is grown on the highest elevation image by setting the height difference threshold to obtain the building area. Lastly, the building area on the image is back-projected into three-dimensional space to extract the building objectives. Two data sets with different point densities and different scanning tools are used to verify the effectiveness of this method. Results show that this method has higher data processing efficiency than the existing three-dimensional extraction method because point cloud data is projected into the two-dimensional image and the geometrical features of the building are synthetically used in the process of building extraction. Using this method, both top surface and non-façade buildings can be extracted precisely. In this paper, sub-regional growth methods solve the problem that it′s difficult to extract the buildings with incompleteness of cloud data which is caused by the blockage through the traditional projection method.

Key words： geometric features; projection images; building extraction; seed area; mobile LiDAR; morphological operations

Cite this article

SHAO Lei , DONG Guangjun , YU Ying , YAO Qiangqiang , ZHANG Along . A Fast Method of Building Extraction from Mobile LiDAR Scanning Data[J]. Journal of Geo-information Science, 2018 , 20(4) : 462 -470 . DOI: 10.12082/dqxxkx.2018.170470

1 引言

车载激光扫描系统能够弥补机载激光扫描系统只能获取建筑物顶面数据的不足,可以获取大量建筑物立面信息,已成为三维城市建模基础设施数据的主要获取手段之一[1]。对建筑物数据进行建模的首要工作是从复杂的车载点云数据中提取出建筑物数据,因此研究一种快速、有效的车载激光扫描数据建筑物提取方法具有重要的意义[2]。
车载激光扫描数据中的建筑物数据具有点密度分布不均、存在缺失等特点,且实测数据中部分建筑物立面并非严格的平面,低矮建筑物的顶面数据也并非立面,建筑物的多样性给建筑物提取带来了巨大的挑战。为解决上述问题,学术界展开了广泛的研究。目前从车载激光扫描数据中提取建筑物的方法主要有3类：① 利用激光脚点在扫描线上的分布特征进行建筑物提取[3]。Manandhar等[4]将扫描线分成不同线段集合,并计算线段的多项特征,根据线段特征提取出建筑物。该类方法可以简单快速地实现建筑物的提取,但依赖数据中的扫描线信息,难以对散乱激光扫描数据进行处理。② 直接对散乱点云中平面进行分割,然后利用每个分割区域的空间分布与几何特征提取建筑物区域[5,6,7]。 Rutzinger等[8]将点云分割成面片,并从面片中提取出垂直于水平方向的平面,根据不同平面的特征提取出建筑物。该方法易受到非建筑物立面的影响,为了解决这一问题,刘亚文等[9]提出了一种基于激光点云投影俯视图的蚁群算法提取沿街建筑物立面的方法。该类方法避免了三维到二维变化时造成的精度损失,但计算量较大,且对噪声较为敏感。③ 对散乱点云数据进行投影降维,生成二维图像,借助图像处理技术进行建筑物提取的方法。杨必胜等[10]利用生成的特征图像,采用阈值分割、轮廓提取与跟踪等手段提取图像分割的建筑物目标。但该方法提取的建筑物边界较为粗糙,魏征等[11]针对粗糙边界内部的建筑物目标进行了平面分割,通过建立不规则三角网,获取了建筑物精确的边界。彭晨等[12]提出了一种结合点云特征图像和SVM分类器的建筑物立面提取方法,该方法延续了基于图像方法的优点,降低了计算开销,且弥补了点投影法分类精度较低的缺点。该类方法加快了运算速度,但存在因遮挡导致的数据缺失时,建筑物提取结果的完整性较低。目前基于影像的方法大多只考虑到了投影图像中建筑物投影密度及其阈值,未考虑到建筑物自身的几何特性,导致建筑物提取结果不理想。
针对现有车载激光扫描数据建筑物提取方法的不足,本文提出了一种适合大场景中建筑物立面的提取方法。该方法的主要贡献有：① 在利用多种投影影像提取建筑物种子区域时,引入建筑物自身的几何语义特征,提高了建筑物提取的准确性和完整性;② 利用在最高高程投影影像中单栋建筑物局部范围内灰度值变化范围小于一定阈值的特性,对种子区域在最高高程投影影像上进行多种子点8邻域区域生长,能获取准确的建筑物投影区域;③ 有效地提取出了平面建筑物和非平面建筑物;④ 相比传统基于三维的建筑物提取方法,本文方法的主要计算过程是在影像上进行的,其处理效率有了较大的提高。

2 建筑物提取

2.1 投影影像

利用投影影像提取激光扫描数据中的建筑物具有运算速度快,处理效率高的优势,但现有文献大部分只简单利用密度影像等单种投影影像和阈值分割的方式实现建筑物的提取[13],导致在实际应用中建筑物提取的准确率和完整性不高。为了有效地从车载激光扫描数据中提取出建筑物,本文方法使用了3种投影影像。点云投影到XOY面上生成影像的具体原理如下：
W = x max - x min d H = y max - y min d （1）
row = int x - x min d + 0.5 col = int y - y min d + 0.5 （2）
式中：xmax和xmin分别为X方向上的最大值和最小值;ymax和xmin分别为Y方向上的最大值和最小值;W为投影影像的宽度;d为采样间隔（即每一个像元宽度对应的实际距离）;H为影像高度;(x,y,z)为投影点的三维坐标。式（2）中,col和row分别为投影点落入影像中像元所在的列号和行号。
设定采样间隔后,在投影过程中会有多个点落在同一个像元上。3种投影影像的定义如下：
（1）最高高程投影影像（Imax）：即在影像生成过程中,每个像元存储落在该像元内所有点中最大高程点的归一化高程值;
（2）高程差投影影像（Iheight）：在高程差投影影像生成过程中,每个像元存储落在该像元内最大高程点与最小高程点的归一化高程差;
（3）地面点投影影像（Iground）：对点云数据中地面点进行投影,有地面点落入的像元灰度值赋为255,无地面点落入的像元赋为0。

2.2 建筑物提取

车载点云数据具有结构复杂,地物多样的特点。为了减少部分悬空且类似建筑物立面（如大型广告牌）地物的影响,首先从点云数据中提取出地面点云;然后根据建筑物的几何语义特征提取出准确的建筑物种子区域;最后利用区域生长获得完整的建筑物区域。建筑物立面提取具体流程如图1所示。
Fig. 1 Framework of building extraction

图1 建筑物提取流程

2.2.1 地面点云提取
在点云数据中地面点的高程一般较小,且地面点所在面一般与水平面保持平行或少量坡度。本文采用文献[14]所提出的方法提取地面点云,其主要原理如下：
对于影像Imin：D→V,D⊂Z2代表二维影像区域;V=[0,…,R]为像元灰度值集合。当选定种子点后,种子点按式（3）的规则进行区域生长,最终可得到地面点云的投影区域。
| I p - I q < λ （3）
式中：Ip和Iq分别为Imin中相邻2个像元的灰度值。其中,p,q∈D,λ为区域生长的阈值。在城区数据中,λ一般为20 cm所对应的灰度值。
2.2.2 建筑物种子区域提取
建筑物提取结果的准确性和完整性取决于所提取种子区域的准确性和完整性。为了提高种子区域提取结果的准确性和完整性,本文方法首先建立建筑物种子区域提取规则,设计了4个约束条件,将同时满足以下4个条件的区域标记为种子区域。
（1）高度约束：建筑物区域的高度一般大于3 m,因此建筑物种子区域在Iheight影像中应该满足以下 条件：
Th ( I height ) = p ∈ D | I height ( p ) > h min （4）
Th ( I height ) = ⋃ i = 1 n C i , i ≠ j ⇒ C i ⋂ C j = ∅ （5）
式中：Th(Iheight)为高度阈值分割而成的二值影像;hmin为3 m在Iheight中所对应的灰度值;C1,C2,…,Cn为二值影像Th(Iheight)中的连通区域。
（2）宽度约束：建筑物区域的宽度一般大于3 m,因此将Th(Iheight)影像中连通区域Cn最小外接矩形长边长度大于3 m的区域进一步标记为二值影像Th(long),其具体原理式（6）所示。
Th ( long ) = C j | L ( C j ) > L min （6）
式中：L(Cj)为联通区域Cj最小外接矩形长边长度的像元长度;Lmin为3 m所对应的像元长度。
（3）圆度约束：经过高度和宽度约束后,Th(long)表示的建筑物种子区域为建筑物立面区域。现有研究表明,建筑物种子区域的连通区域的圆度 Circ(Cj)一般小于1/3[15],其原理可由式（7）表示。
Th ( circ ) = C j | Circ ( C j ) < C min , C j ∈ Th ( long ) （7）
Circ ( C j ) = 4 πA ( C j ) P 2 ( C j ) （8）
式中：Th(circ)表示同时满足高度、宽度和圆度3个约束条件的连通区域,即待选种子区域;A(Cj)为连通区域Cj的像元面积;P(Cj)为连通区域Cj的边缘周长。
（4）地面点投影影像约束：部分地物底部与地面不直接相连,但通过前3种几何约束无法将其滤除（如大型广告牌、电力线）,此类地物底部存在地面点,因此可以通过地面点影像直接滤除该类地物。最终获取的建筑物种子区域Fmark可由式（9）表示。
F mark = p ij | p ij ∈ Th ( ci rc ) 且 I ground ( i , j ) = 0 （9）
式（9）表示满足几何约束条件且在Iground影像中对应位置像元灰度值为0的像元为最终建筑物种子区域,式中Pij表示第i行j列的像元。令Iseed为建筑物种子影像,其定义如式（10）所示。
I seed （ i , j ） = 1 , F mark ( i , j ) = 1 0 , 其他 （10）

2.3 多种子点区域生长

本文方法的区域生长是在Imax影像上进行的多种子点区域生长。在投影过程中,落入Imax影像中对应种子点位置的点必定为建筑物点,且该位置像元灰度值为落入该像元内建筑物点中最大高程点的高程所对应的灰度值。因此,可以利用单栋建筑物顶端在Imax影像中相邻像元灰度值小于一定阈值的特性,对所有的种子点进行区域生长,得到建筑物在影像中的准确投影区域,令Ifacade为区域生长后得到的建筑物影像,Ifacade生成算法的流程如图2所示。
Fig. 2 Framework of multiple seed region growth

图2 多种子点区域生长流程图

在获取最终的建筑物影像Ifacade后,将其反投影到三维空间中,得到最终提取出的建筑物点云,反投影原理与投影原理相似,本文不做详细介绍。

3 实验与分析

为了验证本文方法的有效性,本文采用扫描场景、扫描仪器类型和点密度各不相同的2份数据进行实验。奥克兰数据集是由德国欧Sick公司的LMS激光传感器采集的大学校园点云数据,其扫描范围大致为180 m×140 m,扫描密度为大致为45个/m2,共有300 000个数据点（图3（a））。该数据点密度较小,且由于地物的遮挡,建筑物上有大量的数据缺失。武汉数据集为刘先林院士团队开发的SSW-MMT系统采集的城区扫描数据,其扫描范围大致为500 m×160 m,扫描密度大致为160个/m2,共 8 001 645个数据点（图3（b））。该数据包含建筑物、行道树和汽车等地物,其中部分建筑物上包含非立面顶面和非平面立面。
Fig. 3 Two sets of test data

图3 实验数据

3.1 点云投影与种子区域选取

在点云投影到二维影像的过程中,只需设定采样间隔d,但d的选择对投影效果有较大的影响,如果d设置过小会导致单个地物在影像中的像元不连通,d设置的过大会导致大量点落入同一个像元,导致信息损失。根据本文实验经验及文献[16]的实验分析,当d取值为0.2-0.35时得到的投影影像质量最佳,本文实验中d的取值均为0.3。图4为武汉数据集中部分区域的多种投影影像。
Fig. 4 Multiple projection images

图4 投影影像

由图4（a）可知在投影影像中单个地物的像元之间具有较好的连通性,不同地物之间互不相连,说明采样间隔取值较为合理;图4（b）为高程差投影影像,该影像中高差较大的目标具有较大灰度值,有利于种子区域的有效选取;图4（c）为地面点投影影像,该影像能对种子区域进行进一步约束,选取出更严格的种子区域。
种子区域的选取结果取决于建筑物的几何特征[17],现实生活中,建筑物高度一般大于3 m,宽度也大于3 m,其种子区域的圆度小于1/3。因此,本文分别将建筑物种子区域的高度、宽度和圆度的阈值设定如表1所示。
Tab. 1 The parameters settings of building seed area extraction

表1 建筑物种子区域提取实验参数设置

参数 奥克兰数据集 武汉数据集
高度/m 3 3
宽度/m 3 3
圆度 1/3 1/3
图5（a）和5（b）分别给出了奥克兰数据集的种子区域选取结果和武汉数据集部分区域的种子区域选取结果。由图5可知,本文方法提取出了奥克兰数据集中大部分建筑的种子区域,但仍有少量面片较小的建筑物的种子区域未被提取出。武汉数据集对应区域的建筑物种子区域已全被提取出来。
Fig. 5 Results of building seed area extraction

图5 建筑物种子区域提取结果

3.2 多种子点区域生长与反投影

本文区域生长算法实质上是对建筑物顶部数据在投影影像中的区域生长,对于单栋建筑物,只需一个种子像元即可完成整栋建筑物投影区域的提取,区域生长阈值一般设为0.5 m所对应的灰度值。图6（a）和6（b）分别是奥克兰数据集和武汉数据集建筑物种子区域的生长结果,由图6（b）可知,该区域生长方法不仅可以提取出建筑物立面区域,还能提取出建筑物的非立面区域。
Fig. 6 Results of multiple seed region growth

图6 区域生长结果

将区域生长获取的建筑物投影区域反投影至三维空间即可获得最终提取的建筑物。图7（a）和图7（b）分别为奥克兰数据集和武汉数据集的建筑物提取结果;图7（c）和图7（d）为奥克兰数和武汉数据集建筑物提取结果细节图。
Fig. 7 Results of final building extraction

图7 建筑物提取结果

为验证本文方法提取建筑物的正确性,使用人工标记试验数据作为参考数据,对本文提出方法 实验结果的完整率、正确率和整体精确度进行评 价[18]。通过手工标记的武汉数据集中共包含37个建筑物,本文提出算法共检测出36个建筑物,其中1个错误检测,35个正确检测,提取结果的正确率为97.1%,完整率为94.5%。数据中仅存在一栋建筑物未被提取出,该建筑物高度过于低矮,且建筑物前存在大量遮挡,导致无法提取出有效的种子点,从而本文算法无法检测出该建筑物。实验中被错误提取成建筑物的目标为一段较高的围墙,且该围墙离周围建筑物较近,与立面建筑物有着相似的属性,因此被错误检测成建筑物。实验结果表明,本文算法不仅可以提取出非平面建筑物（图7（e））,还可提取出建筑物的非立面顶面（图7（f））;且解决了已有基于影像的方法难以提取数据缺失建筑物的问题,提高了建筑物提取的完整性和准确性。

3.3 实验结果对比分析

为了验证本文方法相比于其他方法在建筑 物提取方面的优势,利用本文提出方法、杨必胜等[2]提出的自适应邻域方法和文献[12]提出方法分别对武汉数据集数据进行处理。本文方法设定的参数值为：采样密度为0.3 m,区域生长阈值为0.5 m所对应的灰度值;自适应邻域方法设定的参数值为：最小半径0.1 m,半径增量0.1 m,最大半径0.8 m。图8（a）和图（b）分别为自适应邻域方法和本文方法提取结果。由表2可知,本文方法建筑物立面提取正确率、完整率和计算效率优于自适应邻域和文献[12]方法,尤其是本文方法不针对单点特征进行计算,建筑物提取效率明显优于自适应邻域方法和文献[12]方法;由图8可知,本文方法提取的建筑物信息更加完整,能提取出建筑物中的立面和顶面数据,且能够有效地提取建筑物中的非平面数据。
Tab. 2 Comparison analysis of processing efficiencyof the proposed approach

表2 处理效率对比分析

提取方法 正确率/% 完整率/% 计算耗时/s
自适应邻域方法 0.93 0.89 883
文献[12]方法 0.87 0.83 727
本文方法 0.97 0.95 102
Fig. 8 Building extraction results of two methods

图8 2种方法建筑物提取结果

4 结论

本文提出了一种利用多种投影影像提取车载激光扫描数据中建筑物的方法。实验结果表明,将点云数据投影到二维影像,且在建筑物提取过程中综合利用了建筑物自身几何特征,本文方法较之现有基于三维的提取方法具有更高的数据处理效率,且能取得更高的准确率和完整率;本文多种子区域生长方法解决了传统基于投影方法难以提取完整建筑物的问题,比传统基于投影的方法更能有效地提取出完整的建筑物。但本文方法也存在一定局限性,针对低矮建筑物或与建筑物立面具有相似结构的地物时,会出现错误提取或提取结果不完整的现象。后续研究将对算法进行改进,如在提取过程中加入GPS轨迹信息和点云强度信息,使算法能够适应更加复杂的建筑物。下一步将在建筑物立面精细分割以及建筑物立面精细建模等方面展开研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
卢秀山,李清泉,冯文灏,等.车载式城市信息采集与三维建模系统[J].武汉大学学报·工学版,2003,36(3):76-80.

[ Lu X S, Li Q Q, Fan W H, et al.Vehicle-borne urban information acquisition and 3D modeling system[J]. Journal of Wuhan University of Hydraulic and Electric Engineering, 2003,36(3):76-80. ]

[2]
杨必胜,董震,魏征,等.从车载激光扫描数据中提取复杂建筑物立面的方法[J].测绘学报,2013,42(3):411-417.提出一种从车载激光扫描数据中提取复杂建筑物立面的新方法。该方法首先利用"维数特征"方法确定每个扫描点的最佳邻域,进而计算得到每个扫描点精确的局部几何特征(法向量、主方向、维数特征);然后基于"维数特征"对扫描点进行粗分类,并设置相应的生长准则对不同类别的扫描数据分别进行分割;最后综合建筑物立面的语义知识对建筑物立面区域进行精确提取。试验结果和比较分析表明,本文的方法不但能提取建筑物平面和非平面立面,而且可消除点密度差异(变化)对建筑物立面提取结果的影响,提高建筑物立面提取的正确率和完整性。

[ Yang B S, Dong Z, Wei Z, et al.Extracting facades of complex buildings from mobile laser scaning data[J]. Acta Geodaetica et Cartographica Sinica, 2013,42(3):411-417. ]

[3]
Abuhadrous I, Ammoun S, Nashashibi F, et al.Digitizing and 3D modeling of urban environments and roads using vehicle-borne laser scanner system[C]// Ieee/rsj International Conference on Intelligent Robots and Systems. IEEE, 2004:76-81.

[4]
Manandhar D, Shibasaki R.Auto-extraction of urban features from vehicle-borne laser data[C]// International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. Ottawa: ISPRS, 2002.

[5]
Jochem A, Bernhard H, Rutzinger M.Extraction of vertical walls from mobile laser scanning data for solar potential assessment[J]. Remote Sensing, 2011,3(4):650-667.In recent years there has been an increasing demand among home owners for cost effective sustainable energy production such as solar energy to provide heating and electricity. A lot of research has focused on the assessment of the incoming solar radiation on roof planes acquired by, e.g., Airborne Laser Scanning (ALS). However, solar panels can also be mounted on building facades in order to increase renewable energy supply. Due to limited reflections of points from vertical walls, ALS data is not suitable to perform solar potential assessment of vertical building facades. This paper focuses on a new method for automatic solar radiation modeling of facades acquired by Mobile Laser Scanning (MLS) and uses the full 3D information of the point cloud for both the extraction of vertical walls covered by the survey and solar potential analysis. Furthermore, a new method isintroduced determining the interior and exterior face, respectively, of each detected wall in order to calculate its slope and aspect angles that are of crucial importance for solar potential assessment. Shadowing effects of nearby objects are considered by computing the 3D horizon of each point of a facade segment within the 3D point cloud.

DOI

[6]
董震,杨必胜.车载激光扫描数据中多类目标的层次化提取方法[J].测绘学报,2015,44(9):980-987.提出了一种从车载激光扫描数据中层次化提取多类型目标的有效方法。该方法首先利用颜色、激光反射强度、空间距离等特征,生成多尺度超级体素;然后综合超级体素的颜色、激光反射强度、法向量、主方向等特征利用图分割方法对体素进行分割;同时计算分割区域的显著性,以当前显著性最大的区域为种子区域进行邻域聚类得到目标;最后结合聚类区域的几何特性判断目标可能所属的类别,并按照目标类别采用不同的聚类准则重新聚类得到最终目标。试验结果表明,该方法成功地提取出建筑物、地面、路灯、树木、电线杆、交通标志牌、汽车、围墙等多类目标,目标提取的总体精度为92.3%。

DOI

[ Dong Z, Yang B S.Hierarchical extraction of multiple objects from mobile laser scanning data[J]. Acta Geodaetica et Cartographica Sinica, 2015,44(9):980-987. ]

[7]
卢维欣,万幼川,何培培,等.大场景内建筑物点云提取及平面分割算法[J].中国激光,2015,42(9):336-342.提出一种从地面激光点云数据中提取建筑目标并进行分割的新方法,该方法利用半径渐变的主成分分析法确定各点局部几何特征(最佳半径,法向量、维度特征);根据几何特征将地面点从原始点云中剔除,将非地面点按距离聚类形成点云簇,并对点云簇进行整体特征分析,识别建筑物目标;依据点的局部特征设置区域增长法生长准则对建筑物目标进行平面分割并对分割结果进行优化。实验结果表明,该方法不仅能快速有效提取大场景中的建筑物目标进行分割,并且解决了传统区域增长法不稳定的问题,提高了建筑物点云平面分割的精确性和可靠性。

DOI

[ Lu W X, Wan Y C, He P P, et al.Extraction of point cloud of buildings from large scenes and algorithms of plane segmentation[J].Chinese Journal of Lasers, 2015,44(9):980-987. ]

[8]
Rutzinger M, Höfle B, Oude Elberink S, et al.Feasibility of facade footprint extraction from mobile laser scanning data[J]. Photogrammetrie, Fernerkundung, Geoinformation, 2011,6952(2011):97-107.Terrestrial laser scanning provides valuable information for building outlining, facade detection and building reconstruction. Especially mobile laser scanning (MLS) is considered as well suited to collect 3D point clouds from building facades along road corridors for large areas. However, the completeness of facade representation in MLS has to be investigated in order to be able to draw conclusions about the usability of this kind of data sets for further applications such as building facade modelling. We investigate the detection rates of a fully automatic point cloud processing method for extracting building facades from MLS. The point cloud is segmented into planar regions, from which vertical structures are extracted. The detection rate is assessed by comparing the detected facade footprints with visible building outlines extracted from a digital cadastre map. The completeness of the extraction is investigated regarding the facade structure, length and the distance of the facades to the vehicle trajectory. It was found that the representation of facades extracted from MLS and the cadastral map might differ if very short facade parts (< 2 m) representing jutties are present on the ground level floor. This leads to an underestimation of completeness. Moreover, it can be shown that there is a direct relationship between further characteristics, e.g. that long facades and facades near to the vehicle are more likely to be detected than others. Facades with a length between 10 m and 20 m reach a completeness of 74%. Most facades are found in a distance of 10–20 m from the vehicle where the completeness ranges from 71% to 50%. The low completeness can be explained by occlusions from moving objects and vegetation, the facade structure, orientation and its complexity. The comparison with digital cadastral data shows that MLS is not that well suited for the detection of building facades as one might expect. Terrestrisches Laserscanning liefert wertvolle Informationen für die Abgrenzung und Detektion von Geb01uden und Fassaden. Insbesondere Mobiles Laserscanning (MLS) eignet sich zur gro08 01chigen Erfassung von 3D Punktwolken von Geb01udefassaden entlang von Stra08enzügen. Es bedarf jedoch der Untersuchung der Vollst01ndigkeit der Fassadenrepr01sentation in MLS-Daten, um Aussagenüber die Verwendbarkeit dieser Art von Datens01tzen in Anwendungen wie zum Beispiel Geb01udefassadenmodellierung treffen zu k02nnen. Wir untersuchen die Detektionsraten einer vollautomatischen Punktwolkenprozessierungsmethode für die Extraktion von Geb01udefassaden aus MLS-Daten. Die Punktwolke wird in ebene Einheiten segmentiert, von denen alle vertikalen Strukturen extrahiert werden. Die Detektionsraten werden analysiert, indem die detektierten Fassaden mit sichtbaren Geb01udeumrissen, die von einer digitalen Katastralmappe extrahiert wurden, verglichen werden. Die Vollst01ndigkeit der Extraktionsmethode wird betreffend der Fassadenstruktur, L01nge und Distanz zwischen Fassade und MLS-Fahrzeug untersucht. Fassaden unterscheiden sich in beiden Datens01tzen vor allem dann, wenn sehr kurze (< 2 m) Fassadenteile vorhanden sind, die zum Beispiel Erker repr01sentieren. Dies führt zu einer Untersch01tzung der Vollst01ndigkeit. Darüber hinaus kann gezeigt werden, dass ein direkter Zusammenhang zwischen weiteren Charakteristiken besteht. Insbesondere lange Fassaden und Fassaden nahe dem MLS-Fahrzeug erreichen h02here Vollst01ndigkeiten als kurze und weiter entfernte. Fassaden mit einer L01nge zwischen 10 m und 20 m erreichen eine Vollst01ndigkeit von 74%. Die meisten Fassaden werden in einer Distanz von 10–20 m zum MLS-Fahrzeug mit einer Vollst01ndigkeit von 71% bis 50% detektiert. Die geringe Vollst01ndigkeit kann durch Abschattungseffekte von bewegten Objekten, Vegetation und durch die Fassadenstruktur, ausrichtung und ihrer Komplexit01t erkl01rt werden. Der Vergleich mit der digitalen Katastralmappe zeigt, dass MLS nicht in jenem Ausma08 für die Detektion von Geb01udefassaden geeignet ist, als man in einem ersten Blick erwarten würde

DOI

[9]
刘亚文,庞世燕,左志奇.蚁群算法的建筑立面点云数据提取[J].武汉大学学报·信息科学版,2012,37(11):1307-1310.提出了一种基于蚁群算法的地面激光扫描数据建筑物立面提取方法,该方法可以有效地区分沿街LiDAR扫描景观数据中建筑物立面和位于其前方的树木、街灯、行人、停靠车辆等遮挡物。三组真实的地面激光点云的实验结果表明,该方法能准确、有效地提取建筑物立面点云数据。

[ Liu Y W, Pang S Y, Zuo Z Q.Ant colony algorithms for building façade points extraction[J]. Geomatics and Information Science of Wuhan University, 2012,37(11):1307-1310. ]

[10]
魏征,杨必胜,李清泉.车载激光扫描点云中建筑物边界的快速提取[J].遥感学报,2012,16(2): 286-296.以车载激光扫描点云数据为研究对象,提出一种由粗到细且快速获取点云中建筑物3维位置边界的方法。首先,通过分析格网内部点云的空间分布特征(平面距离、高程差异和点密集程度等)确定激光扫描点的权值,采用距离加权倒数IDW(Inverse Distance Weighted)内插方法生成车载激光扫描点云的特征图像。然后,采用阈值分割、轮廓提取与跟踪等手段提取特征图像中的建筑物目标的粗糙边界。最后,对粗糙边界内部的建筑物目标点云进行平面分割,提取建筑物的立面特征并构建立面不规则三角网TIN(Triangulated Irregular Network),并在建筑物先验框架知识条件下自动提取建筑物的精确3维位置边界。

DOI

[ Wei Z, Yang B S, Li Q Q.Automated extraction of building footprints from mobile LiDAR point clouds[J]. Journal of Remote Sensing, 2012,16(2):286-296. ]

[11]
杨必胜,魏征,李清泉,等.面向车载激光扫描点云快速分类的点云特征图像生成方法[J].测绘学报,2010,39(5):540-545.车载激光扫描是空间数据快速获取的一种重要手段。车载激光扫描点云数据的分类和特征提取是目标识别与三维重建的基础。本文以车载激光点云数据为研究对象，提出了一种适合于其快速分类与目标提取的点云特征图像生成方法。该方法首先将扫描区域进行平面规则格网投影，通过分析格网内部点云的空间分布特征（平面距离、高程差异、点密集程度等）确定激光扫描点的定权，从而生成车载激光扫描点云的特征图像。利用生成的点云特征图像，可采用阈值分割、轮廓提取与跟踪等手段提取图像分割的建筑物目标的边界，从而确定边界内部点云数据，实现目标分类与提取。本文以Optech公司的车载激光扫描数据为实验对象，验证了本文提出方法的可行性和实用性。实验结果表明，该方法能快速有效分离出车载激光扫描点云中的地面数据、建筑物数据等。

DOI

[ Yang B S, Wei Z, Li Q Q, et al.A classification oriented method of feature image generation for vehicle-borne laser scanning point clouds[J]. Acta Geodaetica et Carographica Sinica, 2010,39(5):540-545. ]

[12]
彭晨,余柏蒗,吴宾,等.基于移动激光扫描点云特征图像和SVM的建筑物立面半自动提取方法[J].地球信息科学学报,2016,18(7):878-885.lt;p>建筑物立面是城市地物的重要组成部分,而移动激光扫描是获取城市地物三维信息的重要手段之一。本文提出了一种基于移动激光扫描点云的建筑物立面半自动提取算法。该方法首先构建研究区水平网格;然后计算局部点云几何特征,并且将特征投影到水平网格生成点云特征图像;接着基于支持向量机（Support Vector Machine,SVM）对建筑物立面网格进行粗提取;最后使用网格属性（形状系数、网格面积、最大高程）对粗提取结果进行过滤,并将结果反投影到三维空间中得到精确的建筑物立面。以卡内基梅隆大学的移动激光扫描点云进行试验后表明,本算法能够较好地提取出建筑物立面,提取精度为84%,召回率为90%,数据修正后精度为88%,召回率为91%。通过与现有算法对比,本文提出的算法具有较高精度。</p>

DOI

[ Peng C, Yu B L, Wu B, et al.A method for semi-automated segmentation of building facade from mobile laser scanning point cloud based on feature images and SVM[J]. Journal of Geo-information Science, 2016,18(7):878-885. ]

[13]
Hammoudi K, Dornaika F, Paparoditis N.Extracting building footprints from 3D point clouds using terrestrial laser scanning at street level[C]// Isprs Workshop on City Models, Roads and Traffic, 2009.

[14]
Hernandez J, Marcotegui B.Point cloud segmentation towards urban ground modeling[C]// Urban Remote Sensing Event. IEEE, 2009:1-5.

[15]
Serna A, Marcotegui B, Hernández J.Segmentation of façades from urban 3D point clouds using geometrical and morphological attribute-based operators[J]. ISPRS International Journal of Geo-Information, 2016,5(1):6.3D building segmentation is an important research issue in the remote sensing community with relevant applications to urban modeling, cloud-to-cloud and cloud-to-model registration, 3D cartography, virtual reality, cultural heritage documentation, among others. In this paper, we propose automatic, parametric and robust approaches to segment fa ades from 3D point clouds. Processing is carried out using elevation images and 3D decomposition, and the final result can be reprojected onto the 3D point cloud for visualization or evaluation purposes. Our methods are based on geometrical and geodesic constraints. Parameters are related to urban and architectural constraints. Thus, they can be set up to manage fa ades of any height, length and elongation. We propose two methods based on fa ade marker extraction and a third method without markers based on the maximal elongation image. This work is developed in the framework of TerraMobilita project [1]. The performance of our methods is proved in our experiments on TerraMobilita databases using 2D and 3D ground truth annotations.

DOI

[16]
Serna A, Marcotegui B.Detection, segmentation and classification of 3D urban objects using mathematical morphology and supervised learning[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2014,93(7):243-255.We propose an automatic and robust approach to detect, segment and classify urban objects from 3D point clouds. Processing is carried out using elevation images and the result is reprojected onto the 3D point cloud. First, the ground is segmented and objects are detected as discontinuities on the ground. Then, connected objects are segmented using a watershed approach. Finally, objects are classified using SVM with geometrical and contextual features. Our methodology is evaluated on databases from Ohio (USA) and Paris (France). In the former, our method detects 98% of the objects, 78% of them are correctly segmented and 82% of the well-segmented objects are correctly classified. In the latter, our method leads to an improvement of about 15% on the classification step with respect to previous works. Quantitative results prove that our method not only provides a good performance but is also faster than other works reported in the literature.

DOI

[17]
Morales A F S. Semantic analysis of 3D point clouds from urban environments : ground, facades, urban objects and accessibility[D]. Paris:Ecole Nationale Supérieure Des Mines De Paris, 2014

[18]
Yu Y, Li J, Guan H, et al.Three-Dimensional object matching in mobile laser scanning point clouds[J]. IEEE Geoscience & Remote Sensing Letters, 2014,12(3):492-496.This letter presents a 3-D object matching framework to support information extraction directly from 3-D point clouds. The problem of 3-D object matching is to match a template, represented by a group of 3-D points, to a point cloud scene containing an instance of that object. A locally affine-invariant geometric constraint is proposed to effectively handle affine transformations, occlusions, incompleteness, and scales in 3-D point clouds. The 3-D object matching framework is integrated into 3-D correspondence computation, 3-D object detection, and point cloud object classification in mobile laser scanning (MLS) point clouds. Experimental results obtained using the 3-D point clouds acquired by a RIEGL VMX-450 system showed that completeness, correctness, and quality of over 0.96, 0.94, and 0.91 are achieved, respectively, with the proposed framework in 3-D object detection. Comparative studies demonstrate that the proposed method outperforms the two existing methods for detecting 3-D objects directly from large-volume MLS point clouds.

DOI

Options
Outlines

/

〈 〉