EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 5: 763 - 772

DOI: https://doi.org/10.12082/dqxxkx.2021.200378

Building BIM Modeling based on Multi-source Laser Point Cloud Fusion

  • LIU Yakun ,
  • LIU Huiyun , * ,
  • LI Yongqiang ,
  • ZHAO Shangbin ,
  • YANG Yalun
Expand
  • School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454003, China
*LIU Huiyun, E-mail:

Received date: 2020-07-17

  Request revised date: 2020-11-06

  Online published: 2021-07-25

Supported by

National Natural Science Foundation of China(41771491)

National Natural Science Foundation of China(41701597)

National Natural Science Foundation of China(U1810203)

China Postdoctoral Science Foundation Project(2018M642746)

Copyright

Copyright reserved © 2021
Fold

Abstract

The wall, window, and other unit components are important parts of the building. It is of great significance to extract their geometric parameters and location information to express the overall model of the building. In view of the fact that a single point cloud data source cannot obtain the geometric parameters and location information of building unit components, but can fully and effectively express the problem of indoor and outdoor model reconstruction, this paper proposes a set of BIM model reconstruction technology that integrates indoor and outdoor multi-source point cloud data. In order to verify the effectiveness of this method, the teaching building of the School of Surveying and Land Information Engineering of Henan Polytechnic University was selected as the experimental area, and the data collection time of indoor and outdoor was May 2019. On the basis of preprocessing the airborne, vehicle-borne, and terrestrial laser scanner point cloud data in the experimental area, the conjugate feature points of each point set were selected respectively, and the high-precision terrestrial laser scanner point cloud was taken as the reference to fuse airborne and vehicle-borne point clouds with terrestrial laser scanner point cloud, so as to realize coordinate transformation and reduce the fusion accuracy by iteration. In order to improve the accuracy and processing efficiency of model reconstruction in the later stage, redundant data in overlapping areas were eliminated by means of minimum space distance between point clouds. The overall plane and elevation of the building were dissected, the profile was tracked in CAD to draw two-dimensional line drawings, the two-dimensional line drawings were imported into Revit software to draw axis network and elevation, and the extracted wall geometric parameters were used to edit wall family types for BIM model reconstruction. As for the facade window units, according to the extracted geometric parameters, the types were counted and the window family was edited, and they were classified into regular and irregular. Regular window units were found out by the repeatability law and position control parameters of each type, and irregular window units were placed one by one. The two were combined to optimize the BIM model. In order to verify the accuracy of model reconstruction, the representative facade of the building was selected. Taking the artificial measured facade side length as a reference, the corresponding facade side length and the model side length extracted from the point cloud data were compared and analyzed. The errors were concentrated between 0.0 and 0.2 m, with more than 0.2 m errors, but most of them were below 0.3 m. Experimental results show that the method is accurate.

Key words： multi-source LiDAR data; point cloud integration; redundant data removal; cutting figure; two-dimensional line plot; geometric parameter extraction; family of unit components; BIM model

Cite this article

LIU Yakun , LIU Huiyun , LI Yongqiang , ZHAO Shangbin , YANG Yalun . Building BIM Modeling based on Multi-source Laser Point Cloud Fusion[J]. Journal of Geo-information Science, 2021 , 23(5) : 763 -772 . DOI: 10.12082/dqxxkx.2021.200378

1 引言

三维模型重建是数字建筑可视化、智慧城市、灾害评估、交通应急等现实应用的基础[1]。传统建模软件（如3DMax等）无法充分利用现有地理数据,且模型重建效率难以提升。BIM（Building Information Modeling）技术能够动态表达建筑物几何形状、构件属性、生命周期等信息,满足模型重建精确度、广泛性、实时性要求。新建、待建项目都在积极寻求BIM技术模型重建方案,但如何利用大量现存建筑物实体重建模型成为亟待解决的问题[2]。三维激光扫描技术（Light Detection and Ranging,LiDAR）为获取三维空间信息提供新的技术手段,具有精度高、实时性、主动性等特点[3]。BIM技术与三维激光扫描技术的有效结合能极大地提升模型重建效率和质量[4]。BIM以三维模型为信息载体,描述建筑物全生命周期的动态发展过程。该技术通过建立建筑实体的虚拟三维模型,利用数字化技术,为模型提供完整的信息库,具有可视化、协调性、参数化、模拟性特点[5]。同时,以BIM技术为核心,结合其他现代数字化技术而形成的BIM+理念更是BIM技术的一次突破[6],如BIM+LiDAR[7,8,9]。该技术为现存建筑物实体模型重建提供了强有力的支撑。
目前,国内外学者对BIM+LiDAR已有大量研究。王令文等[10]对单元构件参数复杂度进行评价,将整个建筑物实体拆分为常规与非常规构件并分别模型化,最后组合成完整模型。邓林建等[11]通过融合建筑外立面与顶部影像数据重建BIM模型。赵琦等[12]基于不同标准元件的几何特征,提出了相应的多LOD模型标准以及相应的参数,建立整体BIM模型。Lee等[13]基于图像的三维重建技术,利用地面激光雷达点云数据建立现存建筑物户外结构BIM模型,可以大致呈现建筑物的三维形状。Mill等[14]结合地面激光扫描仪与全站仪收集准确的调查数据,创建作为数字管理基础的BIM模型。Borkowski[15]融合机载与车载LiDAR点云数据,重建建筑物表面模型。以上研究虽然取得了一定成果,但依然存在一定问题,如单一数据源的模型重建无法完整表达实体全部信息,缺少室内及模型单元构件几何参数。基于复杂与规则构件组合方式重建模型,无法避免相邻单元构件之间吻合度差,难以建立构件间相应拓扑关系。
本文在对机载、车载及地面LiDAR点云数据预处理的基础上,根据各平台点云特性实现3种数据源的融合;对融合后的完整点云进行整体剖分并提取相关参数,依据参数编辑Revit族类型,为BIM模型重建提供数据支撑。

2 研究方法

2.1 技术路线

首先利用机载、车载以及地面LiDAR 3种方式采集同一建筑实体内部与外部点云信息,在对点云进行预处理的基础上,针对3种数据源不同特点实现平台间融合;对融合后的冗余数据进行剔除,以提高处理效率及整体点云质量;根据建筑物完整点云结构特征剖切点云,将剖面点云导入CAD中进行跟踪绘制二维线划图,提取平剖面、立剖面中构件几何参数;在Revit软件中结合建筑物二维线划图绘制轴网与标高,基于构件几何参数编辑族类型,实现BIM模型重建。对于窗户、门等细节信息,统计其类型,找出重复性规律及关键参数,绘制窗户、门单元模型后逐层精细化BIM模型。具体工作流程如图1所示。
图1 BIM模型重建技术路线

Fig. 1 Flow chart of BIM model reconstruction

2.2 基于特征点对的平台间点云融合

以LiDAR为技术载体所采集到的三维点云数据（X,Y,Z,A）已成为继矢量地图和影像数据之后的第3类重要时空数据源[16]。受扫描视角及采集目标几何形态影响,各类别LiDAR系统分别获取被采集目标不同区域数据。由于多源点云数据分属不同坐标系,需要进行点云融合。考虑点云数据坐标系归属差异,将其分为平台内融合及多平台间融合2种类型。平台内融合无需考虑点云精度、密度、尺度等平台参数,测站间重叠度、特征点选取最优化及避免产生点云空洞应是其重点关注内容。平台间融合适用于机载、车载、地面及背包式LiDAR中2种或2种以上数据。根据平台类型、点云精度、点云尺度的不同,以其中一种平台为基准,分别将其他平台点云融合至该平台。
结合建筑物特点及采集设备适用性,对建筑物屋顶、外立面和室内数据分别采用机载、地面和移动车载LiDAR进行采集。在对多平台数据融合前需要解决以下问题：① 机载LiDAR系统无选择地采集了地面及地物信息,而对于建筑物模型重建,则需要提取建筑物点云数据。② 对于外立面,由于建筑物体量较大,地面LiDAR系统无法一次完成,单站获取其局部点云,平台内多测站局部点云融合成完整点云。③ 建筑物内部以轻便型移动平台（手推车或背包式）,搭载LiDAR设备进行采集。该过程易产生失锁现象,造成点云数据漂移,因此应对室内数据进行纠偏处理。
机载、车载、地面LiDAR点云精度分别为dm级、cm级、mm级,三者点云精度和密度均有差别[17],其中地面LiDAR数据精度最高。在空间位置上,地面LiDAR包含丰富的建筑物立面点云信息,与建筑物顶部和室内点云数据均有重叠区域,具有衔接作用。因此,以地面LiDAR点云数据为融合基准,以机载与车载LiDAR为待融合数据集为最优选择。机载和地面LiDAR点云数据都是建筑物外表面三维坐标,是其融合的一大优势,如图2（a）。地面与车载移动LiDAR分别采集室外与室内点云数据,即同一目标的不同侧面,二者融合存在较大困难。经过对二者采集到的点云数据进行分析得知,镶嵌于墙体内部的窗户单元,是连接室内外空间的重要媒介,窗户的边界交点为点云融合提供了共轭特征点对,如图2（b）。点云是激光遇到实体反射回来而形成的脚点,但激光对窗户上的玻璃具有穿透性,无法形成点云信息,在此形成了空洞。激光的该缺点对于模型重建产生困扰,但是对于点云融合提供了较好的区域。本文以Cloud Compare为点云融合平台,将融合工作细分为粗融合以及精确融合2个阶段进行。粗融合阶段,交互选取各自待融合点集3个以上特征点,且特征点的空间位置不应在同一条直线上。由于三者点云数据分属不同坐标系,因此该阶段主要是以地面点云数据为基准,对机载与车载移动LiDAR点云数据进行坐标转换。精确融合阶段,利用软件平台ICP工具,迭代调整融合精度,以降低融合误差,并对三者点云数据进行纠偏。
图2 建筑物与窗户边界交点

Fig. 2 The boundary between the building and the window

2.3 冗余数据剔除

激光雷达在扫描数据时具有无选择性特点,其扫描数据包括非目标点云。另外,两数据集融合后的重叠区域并不会自动降低密度。因此冗余数据主要包括2类：① 建筑物外冗余数据,如地表、树木、公共设施等;② 融合后重叠区域,如图3中黑色线框区域。冗余数据不仅造成存储空间浪费,降低数据处理效率,而且为模型重建精度带来困扰。建筑物外距建筑主体较远冗余数据,交互剔除即可。而对于建筑物外墙体附近冗余数据,由于距墙体较近,单一依靠人工剔除难以保证剔除质量且效率较低,因此采用人工与自动方式相结合。对于墙体附近比较明显的冗余数据,手动剔除;然后利用Cloud Compare软件中的SOR工具进行处理,完成墙体附近冗余数据剔除。融合后重叠的冗余数据由于交织在同一区域,不能完全剔除重叠区域内同一属性数据集,如完全剔除红色点云,将造成该区域点云密度与周围点云密度存在差异,从而导致局部精度与全局精度不一致。本文以Cloud Compare软件为平台,首先框选非重叠区域,量测其点云密度;然后以多边形方式选中重叠区域点云,以非重叠区域密度值为参考,设定点云之间的最小空间距离的方式,对该区域进行抽稀处理,以达到降低密度,从而减少数据冗余度。
图3 墙体融合后重叠点云区域

Fig. 3 The overlapping point cloud area after wall fusion

2.4 整体点云剖切及二维线划图绘制

BIM模型不仅是建筑物几何形状的外在呈现,也是建筑物单元构件的参数表达。散乱且不连续的三维点云数据对于建筑物参数提取较为困难。而基于降维思想,对建筑物剖切形成平面,进而提取单元构件参数的方法具有一定优势。
剖切面是建筑物整体的平面显示,对于结构几何参数提取具有较好效果。首先基于剖切理念,提取建筑物整体点云平剖面,剖面厚度及剖切位置根据建筑物层高及该层中窗户单元位置确定。前文提到,由于激光对玻璃的透射性,窗户区域难以形成点云脚点。为避免提取到的剖切平面轮廓点云产生断裂现象,在提取时应避免窗户区域,如图 4（a）所示非剖切区域。在该层楼板与窗户底部之间区域提取剖切面,如图4（a）所示剖切区域,之后将提取到的剖切面导入AutoCAD软件中跟踪绘制二维线划图,如图4（b）所示。在绘制二维线划图前,以水平线段为基准,调整点云剖面平面位置与水平线段平行,然后逐步绘制建筑物墙体中心线,形成完整建筑物平面二维线划图。
图4 剖面位置及线划图绘制

Fig. 4 Section position and line drawing

2.5 建筑物单元构件参数提取

地面和车载移动LiDAR分别采集建筑物外部与内部数据,并在墙体内外形成激光脚点。在剖切建筑物整体点云后,墙体内外点云所包含区域将会形成空洞,如图5（a）所示。空洞宽度即为建筑物墙体几何尺寸,也即重建模型墙体单元几何参数。因此,本文首先截取存在墙体内外点云局部区域,根据该处内外部点云垂直距离提取墙体厚度参数。为减少误差,取局部点云两侧平均值 d ̅ = d 1 + d 2 2 作为最终墙体厚度参数。
图5 建筑物单元构件几何参数提取

Fig. 5 Extraction of geometrical parameters of building elements

平剖面能够确定建筑物单元构件空间位置及几何参数信息,但无法确定建筑物层高及窗户几何尺寸信息。因此在完成建筑物平剖面提取后,基于完整建筑物点云,分割出建筑物中具有相互垂直的建筑物外立面墙体点云平面。对于外立面墙体点云平面,如图5（b）所示,先根据外立面层高标志点云,确定其层高值 H total ,对于窗户边界点云,跟踪绘制二维线划图并提取其几何尺寸 H i 、 W i ,在此基础上计算出窗户距层高标志线距离 D i 、距垂直边界距离 D j 。找出两相邻窗户边界距离 D k 及窗户在立面点云的分布规律。获取窗户尺寸后,统计其几何形状并归类。

2.6 BIM模型重建

目前,国内外学者提出的模型重建方式主要有2种：模型驱动和数据驱动[18]。模型驱动关键在于提取的模型与模型库的匹配。该方法能够正确表达建筑物各单元几何形状,但无法避免提取的模型与模型库构件之间的误差,且存在错误匹配或无法匹配的情况。数据驱动方法进行模型重建依赖于采集到的数据,对于结构复杂的建筑物模型重建困难较大。本文将二者结合,基于二维线划图利用Revit软件完成轴网与标高的绘制,并根据内外点云剖面图提取到的墙体构件几何尺寸编辑墙体族类型;基于墙体单元完成BIM模型重建,根据立面窗户单元优化BIM模型。
族是Autodesk Revit软件重要构成要素[19],是以2D或3D图元为表达形式的建筑对象集合体,具有图形表达和参数表达能力[4]。对于同类型构件,使用相同的族类型,但对于构件所内含的不同属性,其内在参数具有差异化。Revit中的族分为系统族与自定义族。轴网与标高是模型重建的基础工作,用于确定BIM模型中单元构件的三维空间位置。本文重建建筑物模型为单体规则建筑物,即不与其他建筑物在结构、空间上连通,且单元构件规则,无异形结构的建筑物。结合LiDAR所获取墙体内外与屋顶表面点云信息,主要基于墙体与板单元重建建筑物模型。先将建筑物平面二维线划图导入Revit软件中,以此为基准确定建筑物标高与轴网。利用提取到的墙体几何参数编辑墙体族类型,使其适用于本模型重建构件。在轴网视图上逐层绘制墙体,形成完整BIM模型。
此时的BIM模型只是由墙体单元构件搭建而成的块状模型,缺乏高层次细节信息。基于提取到的窗户信息,统计提取的窗户尺寸 H i 、 W i ,对其进行分类。根据窗户类型,在Revit软件中修改每种窗户属性信息,建立所需要的窗户单元模型。结合窗户位置信息及控制参数 D i 、 D j ,在已经建立的墙体模型中逐个放置窗户模型,直至一层窗户模型全部放置完毕。通过对建筑物外立面窗户位置分析,标准层上下层窗户一一对应,因此,在完成第一层窗户绘制后,利用下层窗户顶部到上层窗户底部距离逐层复制。而对于非标准层窗户模型,则根据其相应位置逐个绘制。

3 实验及分析

3.1 实验数据来源及处理

选择河南理工大学测绘与国土信息工程学院教学楼为研究对象,该建筑总高五层,局部三层或四层,无异形结构。建筑物不同区域点云数据采集设备型号及具体参数（表1）。建筑物外立面共采集7站数据,采集完毕利用设备配套软件Riscan Pro进行平台内测站间融合,以其中一站为基准站,以与基准站有重叠区域的测站为待融合站进行逐站融合,并进行多站点调整。经剔除冗余点处理后效果如图6（a）所示。建筑物顶部点云数据在进行滤波、去除冗余等预处理后得到如图6（b）所示效果。室内点云数据利用SSW移动LiDAR（以手推车为搭载平台）设备对一层楼道进行往返采集,数据采集过程中为避免GNSS失锁,在经过与外界连通区域（如门）时稍作停留,以恢复GPS信号。在经过往返数据融合、点云漂移纠正处理及剔除冗余数据后如图6（c）所示。
表1 不同区域扫描设备型号及其参数

Tab. 1 Model and parameters of scanning equipment in different areas

部位 型号 精度/
mm		 扫描
距离/m		 激光发射
频率/（m/s）
外立面 VZ-1000 5 ≤ 1200 300 000
屋顶 D200 15~40 - -
走廊 SSW 10 1~500 -
图6 室内外点云数据

Fig. 6 Indoor and outdoor point cloud data

由表1可知,地面LiDAR在三者之间精度最高。且根据图6所示,建筑物外立面点云信息最为丰富。综合以上条件,结合2.2节所述,以建筑物外立面点云数据为基准,以室内、顶部点云为待融合点集。在Cloud Compare软件中依次打开融合点云,选取3个以上共轭特征点,并利用ICP功能进行迭代,进一步优化融合精度,最终形成完整的建筑物内外点云数据,如图7（a）所示。对建筑物整体点云进行剖切,平剖面确定剖切厚度为10 cm,如图 7（b）,立剖面无剖切厚度,如图7（c）。之后将平剖面及立面点云导入Auto CAD软件中跟踪绘制二维线划图,并对线划图进行规则化处理。根据平剖面提取墙体位置信息及厚度参数,图7（b）中A区域所示,用于定位建筑物墙体平面位置及在重建模型时编辑墙体信息。由于同时存在墙体内外点云区域较少,故以此区域墙体厚度代替模型所有墙体厚度。A区域所示存在构造柱表面点云脚点,但由于获取构造柱位置信息较少,故本文忽略构造柱单元构件。根据立剖面提取到的层高、窗户几何信息和位置控制参数用于定位模型层高、板等信息的高度,窗户信息用于优化模型。
图7 建筑物整体点云及剖面提取

Fig. 7 Overall point cloud and section extraction of the building

根据导入到Revit软件中的建筑物二维线划图,进行标高与轴网的建立。首先在第一层平面利用建筑物互相垂直边界进行最外层轴网绘制,依次细化内部各构件轴网位置,如图8所示。对于标高的建立,根据点云立面提取的建筑物层高及女儿墙高度信息绘制标高,自下往上依次为室内外地坪、标准层、女儿墙及楼梯间的高度定位。
图8 Revit软件中标高与轴网的绘制

Fig. 8 Revit software won the drawing of high and axis network

完成标高与轴网建立后,进行建筑物模型重建。BIM模型重建采用自下而上、内外同步的方式。依照顺序,在赋予墙体族几何尺寸的基础上,逐层绘制墙体图元。如图9（a）黑色实线所示（一层墙体）,一层墙体三维显示效果如图9（b）所示。在此,需要检查重建模型与建筑物实体吻合度,如果吻合度较好,则继续绘制二层至顶层建筑物模型,最后效果如图9（c）所示。完成以上模型重建工作后,需要建立建筑物高层次细节模型,如窗户单元构件的绘制。对于一至三层标准层,根据提取到的窗户位置控制参数及层间重复性规律,结合窗户种类逐层细化模型。而对于非标准层窗户,根据单个窗户位置参数逐个绘制,最终模型如图9（d）所示。
图9 建筑物一层墙体和完整模型

注：③、④、⑤表示轴线标号。

Fig. 9 The first floor wall and complete model of the building

3.2 融合精度分析

对于建筑物外立面各测站精度分析（表2）,ScanPos3- ScanPos7、ScanPos5- ScanPos6站之间交互融合精度较低,原因在于两站之间公共区域较少,从而导致选取的共轭特征点不足,故误差较大,但在多站点调整后误差降低。通过多站点调整后的误差与3次交互融合误差平均值相比均较低,故先通过交互融合,而后进行多站点调整的方法切实可行。
表2 外立面各站点融合精度对比分析

Tab. 2 Comparative analysis of the fusion accuracy of each site on the facade

站点 手动
融合/m		 多站点
调整/m		 三次手动
融合平均值/m
ScanPos1-ScanPos2 0.019 0.010 0.020
ScanPos2-ScanPos3 0.013 0.009 0.015
ScanPos3-ScanPos7 0.023 0.017 0.021
ScanPos7-ScanPos4 0.019 0.012 0.019
ScanPos7-ScanPos5 0.017 0.015 0.018
ScanPos5-ScanPos6 0.025 0.015 0.022
ScanPos6-ScanPos1 0.016 0.011 0.015
机载、地面、车载LiDAR三者融合精度分析（表3）。由表可知,机载与地面LiDAR融合精度低于车载与地面LiDAR融合精度,原因在于地面、车载 LiDAR扫描精度都在cm级以下,点云密度较大,融合时特征点选取精确度较高。ICP迭代后误差小于3次融合时的最小融合误差,表明经过交互融合及ICP迭代方法能够最大限度降低融合误差。
表3 多平台融合精度分析

Tab. 3 Multi-platform fusion accuracy analysis

点集 融合误差
平均值/m		 最小融合
误差/m		 ICP迭代
误差/m
机载与地面LiDAR 0.132 0.107 0.085
车载与地面LiDAR 0.089 0.073 0.059

3.3 模型分析

模型重建精度、效率及适用性是衡量模型重建工作的重要指标。本文先对模型重建精度进行评价,然后对模型重建的工作量及适用性进行探讨。模型精度通过模型及其单元构件的尺寸与位置进行评价,模型尺度的不同影响评价指标的选取。单体建筑模型重建,重点在于构件尺寸及位置。为了对模型进行精度分析,选取建筑物4个具有代表性,且能够控制建筑物形状的平面,获取平面各边长值,并进行对比。首先通过人工方式测量选取平面边长,作为精度分析基准值。再选取点云数据平面交点坐标并计算平面边长,最后将模型中相对应的平面边长与二者进行对比分析（表4）。
表4 建筑物代表性平面边长值对比分析

Tab. 4 Comparative analysis of the representative plane side length of buildings

平面ID 边ID 实测平面边长/m 源数据平面边长/m 模型平面边长/m 误差∆d/m
A 横向 1 19.04 19.34 19.20 0.16
2 19.00 19.29 19.20 0.20
纵向 3 12.20 11.81 12.07 0.13
4 12.22 12.59 12.07 0.15
B 横向 1 40.03 39.89 39.81 0.22
2 40.01 39.96 39.81 0.10
纵向 3 16.48 16.16 16.80 0.32
4 16.54 19.89 16.80 0.26
C 横向 1 7.91 7.92 7.75 0.16
2 7.95 7.66 7.75 0.20
纵向 3 20.78 20.99 21.00 0.22
4 20.83 21.03 21.00 0.17
D 横向 1 32.00 32.26 32.22 0.22
2 32.07 32.37 32.22 0.15
纵向 3 20.80 20.55 20.54 0.26
4 20.83 20.51 20.54 0.29
根据边长误差统计图10可以得出,本文选取的关键平面中的16条边误差集中分布在0~0.2 m之间,存在0.2 m以上误差,但大部分在0.3 m以下。另外,在4个关键平面中总体纵向误差大于横向误差,经过对建筑物实地勘测以及点云数据分析,原因在于建筑物四周存在大量树木遮挡,点云产生空洞。但局部较大误差对模型精度影响较小,整体高程可选取点云完整区域计算平均值得出。总体来说,本文建模方法,误差分布较稳定,模型精度满足需求。可以很好地在数字城市模型重建方面应用。
图10 建筑物代表性平面中各边长值误差统计

Fig. 10 Error statistics of each side length in the representative plane of the building

模型重建工作主要包括数据采集与处理、模型生成两部分内容。数据采集方面,传统人工量测建筑物整体及各构件尺寸进行模型重建工作量巨大,且各构件间衔接容易形成误差累积。三维激光扫描技术能够快速、实时性采集数据,且覆盖面较大。基于点云数据的模型重建主要有BIM、CAD、Geomagic等方案。CAD模型重建是以绘制三维线框图为思路,Geomagic模型重建是以生成不规则三角网为目标,皆为由点到线、由线到面、由面到体的过程。基于BIM技术的模型重建侧重于模块化、协调性,是由点到线,由线到体的过程,简化了步骤,大大提高了模型重建效率。此外,BIM技术中建筑物规则及复杂单元构件的多样性及可自定义化,使得该方法不仅能够用于单体规则建筑物,而且对于多幢及非规则建筑物模型重建也具有较好的适用性。

4 结论

本文以建筑物为研究对象,提出一种融合室内外点云数据重建建筑物BIM模型的方法。为验证方法的有效性,选择河南理工大学测绘与国土信息工程学院教学楼为实验区域,数据采集时间为2019年5月。研究结果显示：
（1）以高精度的地面点云为融合基准,机载与车载LiDAR为待融合数据集。机载和地面LiDAR点云数据融合选取屋顶与外立面边界交点。车载和地面LiDAR数据的融合以镶嵌于墙体内部窗户单元的边界交点为共轭特征点对。以Cloud Compare为点云融合平台,将融合工作细分为粗融合以及精确融合2个阶段进行。实现了点云数据的坐标转换和纠偏。
（2）对于建筑物主体附近及较远噪点,手动框选结合SOR滤波剔除即可。而对于重叠区域的冗余数据,以非重叠区域点云数据密度值为参考,以点云间最小空间距离的方式对该区域进行抽稀处理,能够达到降低密度,减少数据冗余度的目的。
（3）基于剖切理念,提取建筑物整体点云剖面。将提取到的剖切面导入AutoCAD软件中跟踪绘制二维线划图。为后期轴网与标高的绘制提供依据。多源数据融合不仅能够完整表达建筑物几何形状,而且能够精细提取建筑物单元构件参数,为BIM模型属性的编辑提供良好的数据支撑。
（4）以二维线划图和单元构件几何参数为依据,在Revit软件中绘制轴网与标高,编辑并创建墙体和窗户单元族类型。根据规律,自下而上完成建筑物BIM模型重建。为定量分析模型精度,选取建筑物中具有代表性,且能够控制建筑物形状的平面,以人工方式测量其平面边长并作为精度分析基准值。对比分析源数据和模型对应边长值,结果表明：选取的关键平面中的16条边误差集中分布在0~0.2 m之间,存在0.2 m以上误差,大部分在0.3 m以下。误差分布较稳定,模型精度满足需求。
多平台LiDAR系统为建筑物各区域点云数据的获取提供了便利的手段。本文方法简单、高效,能够在对建筑物单元构件模型重建的基础上,完整表达整体模型几何形状。但本文方法并未对室内门、窗等单元构件进行提取。因此,如何获取更多模型构件几何参数参与模型重建,以提高BIM模型信息完整性将是以后的改进方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
文学东, 陈为民, 谢洪, 等. 一种融合多源特征的建筑物三维模型重建方法[J]. 武汉大学学报·信息科学版, 2019,44(5):731-736,764.

[ Wen X D, Chen W M, Xie H, et al. A method for building model reconstruction based on multi-source feature fusion[J]. Geomatics and Information Science of Wuhan University, 2019,44(5):731-736,764. ]

[2]
吕凤华, 刘宝华, 刘玉. 基于点云数据地铁车站BIM模型构建[J]. 测绘通报, 2018(A01):22-26.

[ Lv F H, Liu B H, Liu Y. Construction of BIM model of subway station based on point cloud data[J]. Bulletin of Surveying and Mapping, 2018(A01):22-26. ]

[3]
Zhang L, Li Z, Li A, et al. Large-scale urban point cloud labeling and reconstruction[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2018,138(APR.):186-100.

[4]
滕飞. 基于点云数据的结构BIM模型研究[D]. 哈尔滨:哈尔滨工程大学, 2016.

[ Teng F. Research on BIM model of structure based on point cloud data[D]. Harbin: Harbin Engineering University, 2016. ]

[5]
朱燕, 李懋廷, 李丹, 等. BIM结合三维激光扫描技术在既有建筑改造中的应用[J]. 施工技术, 2018,47(A03):19-22.

[ Zhu Y, Li M T, Li D, et al. BIM combined with three-dimensional laser scanning technology used in existing buildings reconstruction[J]. Construction Technology, 2018,47(A03):19-22. ]

[6]
孟卉, 李渊, 张宇. 基BIM+理念的建筑文化遗产数字化保护探索[J]. 地理空间信息, 2019,17(3):20-23,26,9.

[ Meng H, Li Y, Zhang Y. Exploration on digital protection of architectural cultural heritage based on BIM+ concept[J]. Geospatial Information, 2019,17(3):20-23,26,9. ]

[7]
Kim S, Kim S, Lee D. 3D Point cloud and BIM-based reconstruction for evaluation of project by as-planned and as-built[J]. Remote Sensing, 2020,12(9):1457.

DOI

[8]
李国远, 王健, 刘秀涵, 等. 改进的自适应遗传算法支持下点云与BIM模型配准[J]. 测绘通报, 2020(2):160-162.

[ Li G Y, Wang J, Liu X H, et al. The improved adaptive genetic algorithm supports point cloud and BIM model registration[J]. Bulletin of Surveying and Mapping, 2020(2):160-162. ]

[9]
刘昊. 基于点云的古建筑信息模型(BIM)建立研究[D]. 北京:北京建筑大学, 2014.

[ Liu H. The establishment and research of BIM based on point cloud[D]. Beijing: Beijing Jian Zhu University, 2014. ]

[10]
王令文. 结合点云数据与BIM技术的古建筑三维重建与信息化管理[J]. 测绘通报, 2018(6):114-117,129.

[ Wang L W. Combining point cloud data and BIM technology for 3D reconstruction and informational management of ancient buildings[J]. Bulletin of Surveying and Mapping, 2018(6):114-117,129. ]

[11]
邓林建, 程效军, 程小龙, 等. 一种基于点云数据的建筑物BIM模型重建方法[J]. 地矿测绘, 2016,32(4):14-16.

[ Deng L J, Cheng X J, Cheng X L, et al. A building BIM model reconstruction method based on point cloud data[J]. Geological Mining Surveying and Mapping, 2016,32(4):14-16. ]

[12]
赵琦, 侯妙乐, 解琳琳, 等. 基于点云数据的古建筑多层级BIM构建[J]. 遗产与保护研究, 2018,3(9):72-78.

[ Zhao Q, Hou M L, Xie L L, et al. Multi-level BIM construction of ancient architecture based on point cloud data[J]. Research on Heritages and Preservation, 2018,3(9):72-78. ]

[13]
Lee J, Hong S, Cho H, et al. Accuracy comparison between image-based 3D reconstruction technique and terrestrial LiDAR for as-built BIM of outdoor structures[J]. Journal of the Korean Society of Surveying Geodesy Photogrammetry & Cartography, 2015,33(6):557-567.

[14]
Mill T, Alt A, Liias R. Combined 3D building surveying Techniques-terrestrial Laser Scanning (TLS) and total station surveying for BIM data management purposes[J]. Journal of Civil Engineering and Management, 2013,19(sup1):S23-S32.

DOI

[15]
Borkowski A, Poland, Jozkow G, et al. Accuracy of 3D building models created using terrestrial and airborne laser scanning data [C]. Kuala Lumpur: Engaging the Challenges-Enhancing the Relevance, 2014.

[16]
杨必胜, 董震. 点云智能研究进展与趋势[J]. 测绘学报, 2019,48(12):1575-1585.

[ Yang B S, Dong Z. Research progress and trend of point cloud intelligence[J]. Journal of Surveying and Mapping, 2019,48(12):1575-1585. ]

[17]
李永强, 刘会云, 曹鸿, 等. 基于空-地多源数据融合的建筑物精细建模研究[J]. 测绘工程, 2015,24(8):1-4,10.

[ Li Y Q, Liu H Y, Cao H, et al. Research on precise modeling of buildings based on multi-source data fusion of airborne to terrestrial[J]. Engineering of Surveying and Mapping, 2015,24(8):1-4,10. ]

[18]
Haala N, Kada M. An update on automatic 3D building reconstruction[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010,65(6):570-580.

DOI

[19]
王岩, 刘茂华, 由迎春, 等. 三维激光点云数据在建筑物BIM构建中的研究与应用[J]. 测绘通报, 2016(S2):224-226.

[ Wang Y, Liu M H, You Y C, et al. Research and application of 3D laser point cloud data in building BIM construction[J]. Bulletin of Surveying and Mapping, 2016(S2):224-226. ]

Options
Outlines

/

〈 〉