ransac算法_基于区域生长算法的复杂建筑物屋顶点云分割

朱军桃1,2,王雷1,2(),赵传3,郑旭东1,2

1. 桂林理工大学测绘地理信息学院,桂林 541006 2. 广西空间信息与测绘重点实验室,桂林 541006 3. 信息工程大学地理空间信息学院,郑州 450001

原文链接：

摘要

精确分割建筑物屋顶激光雷达(light detection and ranging,LiDAR)点云是三维模型重建的重要环节。针对现有算法分割复杂建筑物屋顶面结构精度差的问题,提出一种以三角面为基元的基于区域生长算法的复杂建筑物屋顶点云分割方法。首先,构建Delaunay三角网建立各激光点间相互关系,计算各三角面法向量,利用同一建筑物面片上各三角面法向量基本一致的特征对点云进行初步划分; 然后,由于点云散乱性及误差影响产生诸多散乱三角面,对各构成散乱三角面的点进行剖分,并基于具有良好鲁棒性的随机采样一致性算法(random sample consensus,RANSAC),结合Alpha Shape算法获取建筑物各面片边界,合并过度分割的面片及孤立点,完成建筑物屋顶点云分割。实验结果表明,该方法对复杂建筑物屋顶点云分割的完整性、正确性及质量均较为理想。

关键词： LiDAR点云 ; Delaunay三角网 ; RANSAC算法 ; Alpha Shape算法

引用格式

朱军桃, 王雷, 赵传, 郑旭东. 基于区域生长算法的复杂建筑物屋顶点云分割. 国土资源遥感[J], 2019, 31(4): 20-25 doi:10.6046/gtzyyg.2019.04.03

ZHU Juntao, WANG Lei, ZHAO Chuan, ZHENG Xudong. Point cloud segmentation on the roof of complicated building based on the algorithm of region growing. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(4): 20-25 doi:10.6046/gtzyyg.2019.04.03

0 引言

随着机载激光雷达(light detection and ranging, LiDAR)测量技术的不断突破,其应用前景广为人们关注。利用高密度的LiDAR数据构建3D城市模型相比于影像匹配更加容易,而对城市中的建筑物进行模型重建无疑需要对复杂的建筑物屋顶进行精细化分割。由于复杂建筑物的屋顶存在较多大小不一的面片,其点云分布散乱且存在噪声等问题,使现有算法在精确分割建筑物屋顶面时仍面临着严峻挑战。

对建筑物屋顶点云进行分割方法主要包括3类: ①基于模型匹配的算法,由于实际中建筑物往往包含多个顶面,随机采样一致性算法(random sample consensus,RANSAC) [1,2,3]以迭代的方式从含有大量局外点中获得最优的模型参数从而受到广泛关注,但局外点所占比例往往需要以很高迭代次数才能获得最优模型参数,导致时间成本巨大,不利于对复杂建筑物的屋顶面点云分割; ②基于特征聚类的算法[4,5],此类方法通过采样点邻域计算出采样点微分几何属性,几何属性的估算受采样点邻域大小以及测量误差影响,同时其阈值敏感性高,若设置不当就会造成建筑物屋顶面分割效果不理想甚至分割失败; ③基于区域生长算法[6,7,8]的算法,区域生长算法可简单描述为从某种子点开始,以种子点与邻域