[發明專利]一種基于八叉樹和邊界優化的機載點云屋頂平面分割方法

有效

• 申請號: 202010121064.2
• 申請日: 2020-02-26
• 公開（公告）號: CN111275724B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 姚劍;薛婧雅;李禮;蔣佳芹
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T17/00;G06V10/762;G06V10/764;G06K9/62
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種基于八叉樹和邊界優化的機載點云屋頂平面分割方法，進行基于八叉樹的多尺度初始平面片提取，包括根據八叉樹的數據結構將無序列點云根據空間位置迭代地劃分為不同尺度的平面片，并從中選擇出具有平面性的平面片，作為數據預處理所得初始平面片；通過分層聚類將初始平面片根據相鄰關系和參數相似性進行聚合形成初始平面；基將沒有歸入平面片的點，通過區域生長合并到初始平面中；基于能量最優化的平面邊界點重分類，包括通過能量函數將平面邊界點重分類問題轉換為能量最優化問題，優化區域生長所得平面邊界，得到最終平面分割結果。本發明解決在點云平面分割中區域生長的種子點魯棒性差和邊界不準確的問題，得到最優的平面分割結果。

技術領域

本發明屬于機載LiDAR點云數據處理技術領域，特別是涉及一種基于八叉樹和邊界優化的機載點云屋頂平面分割方法。

背景技術

點云數據因其可以直接獲得建筑的三維信息、細節豐富等特點，逐漸成為構建三維建筑模型的主要數據，而屋頂平面分割是機載激光雷達數據構建精確三維建筑模型的關鍵問題之一，可以提高三維重建的速度和效率。目前三維點云平面分割常用的方法有三種，基于隨機抽樣一致性算法(RANdom Sample Consensus，RANSAC)、基于霍夫變換的算法、區域生長法，另外基于這三種方法也出現了很多改進算法。

基于隨機抽樣一致性算法：是一種模型參數估計的迭代方法，可以將其應用到點云的平面檢測，該算法不斷地隨機在空間中選擇三點擬合平面，并計算所有點中與該平面距離小于閾值的點的數量，最終選擇小于閾值的點的數量最多的平面作為結果。該方法可以解決外點密度和分布變化帶來的模型估計不穩定問題，并且采用隨機子集對估計到的模型進行評價，減少了運算量，在保持形狀模型檢測精度的同時提高了計算速度，但是容易產生假平面。

基于霍夫變換的方法：首先對參數空間(霍夫空間)離散化得到一系列子空間，即累加器，根據數據點然后對每個累加器投票，對票數進行統計，峰值累加器所對應的圖像空間中的平面即為檢測到的最佳平面。然而累加器的設計存在共同的缺陷，即累加器的大小不一致和峰值可辨性差，導致檢測到的平面模型不準確，而且此方法計算量大，消耗占據較大的存儲空間。

區域生長法：是根據同一物體區域內點參數相似的性質來聚集點的方法。首先任意選擇一點或區域作為種子點，從種子點的鄰域范圍內開始計算，將相鄰的具有同樣性質的點或其它區域歸并到目前的區域中從而逐步增長區域，直至沒有可以歸并的點或其它小區域為止。區域生長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，能取得最佳的性能，可以用來分割比較復雜的圖像，但是，區域生長算法是一種迭代的方法，它的空間和時間開銷都比較大。

傳統的區域生長方法存在兩個問題：一方面是很難選擇比較魯棒的種子點，另一個方面生成的平面邊界可能會出現鋸齒狀等不平滑現象。為了解決這兩個問題，本發明提出一種基于多尺度八叉樹的層次聚類和邊界點能量最優化算法從無組織的機載激光雷達點云中分割屋頂平面方法，最終可以得到邊界光滑、準確的高質量屋頂平面。

發明內容

為了解決屋頂平面提取不準確的問題，本發明提供了一種基于八叉樹和邊界優化的機載點云屋頂平面分割方法。

本發明技術方案提供一種基于八叉樹和邊界優化的機載點云屋頂平面分割方法，包括以下步驟，

步驟1，基于八叉樹的多尺度初始平面片提取，包括根據八叉樹的數據結構將無序列點云根據空間位置迭代地劃分為不同尺度的平面片，并從中選擇出具有平面性的平面片，作為數據預處理所得初始平面片；

步驟2，基于分層聚類進行平面片合并，包括通過分層聚類將步驟1得到的初始平面片根據相鄰關系和參數相似性進行聚合形成初始平面；

步驟3，基于區域生長的非平面點分類，包括將在步驟1中沒有歸入平面片的點，通過區域生長合并到步驟2得到的初始平面中；