面向三維城市建模的多點云融合的發(fā)展趨勢

發(fā)布日期：2019-06-13 00:00 瀏覽量：10628

多細節(jié)層次的三維城市模型是數(shù)字城市和智慧社會的關(guān)鍵空間數(shù)據(jù)基礎(chǔ)設(shè)施。現(xiàn)有的精細化三維城市建模技術(shù)主要有基于多種數(shù)據(jù)源（計算機輔助設(shè)計（ＣＡＤ）、建筑物信息建模（ＢＩＭ）、地圖等））的人工交互建模和基于影像或激光掃描密集點云的半自動化建模兩大類。

人工交互建模利用稀疏點線特征幾何約束，需要大量人工交互式操作，導(dǎo)致作業(yè)周期長、效率低，且模型質(zhì)量難以保證，特別是紋理偏差大。基于密集點云的半自動化建模已成為大范圍三維城市建模的主要方式。由于立體城市空間結(jié)構(gòu)復(fù)雜，高大建筑相互遮擋，且建筑物屋頂和立面形狀結(jié)構(gòu)多樣，道路、植被、人工設(shè)施等地上下立體空間場景對象種類繁多，形態(tài)各異，單一類型與單一站點的點云數(shù)據(jù)普遍存在數(shù)據(jù)漏洞、描述尺度單一、結(jié)構(gòu)細節(jié)丟失等局限性，難以表達目標(biāo)完整豐富的細節(jié)特征。

隨著“消費級”激光掃描設(shè)備、影像密集匹配技術(shù)以及深度相機等新型數(shù)據(jù)獲取技術(shù)日新月異，點云數(shù)據(jù)獲取手段更為豐富，且難度與成本降低，類型、視角、屬性和內(nèi)涵信息更為豐富的點云數(shù)據(jù)日益可得。

因此，多點云數(shù)據(jù)融合處理成為三維城市建模的主要途徑，并成為國際學(xué)術(shù)界和工業(yè)界的熱點前沿。

多點云數(shù)據(jù)指多類型、多站點和多時相的點云數(shù)據(jù)。激光掃描、影像匹配、深度圖像測量、干涉雷達測量和野外實地測量等方法提供了具有不同數(shù)據(jù)屬性和信息內(nèi)涵的多類型點云。這些不同類型的點云還可以從空中、地面、室內(nèi)等不同站點獲取，具有多樣化的視角和尺度特征。

此外，不同時間歷元采集的多時相點云融合可反映對象的變化屬性和趨勢。多點云融合的前提是明確不同點云的優(yōu)勢信息和互補需求。如影像匹配點云密度高且富含邊緣特征信息，但具有大量的拓?fù)湓肼暎抑荒塬@取表面覆蓋數(shù)據(jù)，連片林地的地形常存在漏洞；空、地不同站點的激光掃描點云在效率、精度、結(jié)構(gòu)細節(jié)信息的采集方面也各有優(yōu)缺點。

根據(jù)多點云數(shù)據(jù)具有的不同視角、密度、精度、尺度、細節(jié)、語義等特征進行一致性處理是一項復(fù)雜的系統(tǒng)性工作，是后續(xù)多細節(jié)層次精細三維建模的關(guān)鍵基礎(chǔ)。通過消減不同點云間的空間基準(zhǔn)、尺度和語義表達等不一致性，如空間位置結(jié)構(gòu)語義、拓?fù)潢P(guān)系的沖突，以達到數(shù)據(jù)準(zhǔn)確、冗余最少，實現(xiàn)多點云數(shù)據(jù)的優(yōu)勢信息融合表達。

多點云數(shù)據(jù)的融合處理方法可歸納為時空基準(zhǔn)及精度、尺度、語義３個層面的一致性處理。時空基準(zhǔn)與精度一致性處理旨在建立整個場景統(tǒng)一的點云模型，尺度一致性處理則為了削減不同密度和精度的點云對同一目標(biāo)表達的尺度差異，語義一致性處理旨在綜合利用不同點云對同一目標(biāo)不同細節(jié)特征的表達。通過這３個層面的一致性處理，即可得到最初級的多點云融合模型，可滿足進一步精細化三維城市建模與智能化分析等深度應(yīng)用需求。

多點云時空基準(zhǔn)與精度一致性處理方法

　　多點云的融合反映了由單源到多源、由少到多、由簡單到復(fù)雜的趨勢，這種融合的第一步是理解和描述不同數(shù)據(jù)源間的復(fù)雜關(guān)系和相互轉(zhuǎn)換規(guī)律，實現(xiàn)時空基準(zhǔn)與精度的一致性，建立整個場景統(tǒng)一的點云模型，彌補單一點云數(shù)據(jù)空洞，并增強尺度和語義信息，實現(xiàn)整個場景對象的無縫表達。

多點云從采集單元轉(zhuǎn)換到絕對地理坐標(biāo)系采用了不同的方法和輔助數(shù)據(jù)。機載和車載移動激光掃描系統(tǒng)都配備了ＧＰＳ／ＩＭＵ組合慣性導(dǎo)航模塊，根據(jù)耦合計算得到的軌跡數(shù)據(jù)進行絕對地理坐標(biāo)系的糾正，理想情況下，獲取的點云精度在５～１５ｃｍ左右。

地面激光掃描常利用掃描場景內(nèi)已知坐標(biāo)的靶標(biāo)球進行多站點拼接和絕對地理坐標(biāo)糾正，得到的整個場景數(shù)據(jù)精度可達３ｃｍ以內(nèi)。影像匹配點云利用像控點進行立體恢復(fù)，并實現(xiàn)絕對地理坐標(biāo)的糾正，但由于遮擋、視差斷裂、紋理缺失及光照條件不一致等，制約了影像密集匹配中關(guān)鍵特征點的可靠檢測，常存在大量的幾何和拓?fù)湓肼?。由于像控點、靶標(biāo)球、ＧＰＳ／ＩＭＵ慣導(dǎo)數(shù)據(jù)等輔助數(shù)據(jù)的采集質(zhì)量不一，對多點云融合精度產(chǎn)生直接影響，因此多點云數(shù)據(jù)需要進行點云精確配準(zhǔn)。

多點云尺度一致性處理方法

不同點云密度和細節(jié)分辨率的多點云數(shù)據(jù)對同一目標(biāo)表達具有顯著的尺度差異?？罩姓军c多面向條帶狀和面狀大場景范圍的數(shù)據(jù)采集任務(wù)，是有效的大尺度場景ＤＳＭ、建筑群落屋頂結(jié)構(gòu)、植被冠層數(shù)據(jù)的采集手段。

其中，機載激光點云均勻且較為稀疏，較長的測程（通常為５００～３０００ｍ）會產(chǎn)生激光束散射現(xiàn)象，對對象細節(jié)信息采集有一定程度的損失，通常只能區(qū)分對象整體（如一棟建筑）；影像逐像素密集匹配點云的密度取決于影像分辨率，通常每ｍ２范圍大于２００點的高密度有利于對象單個平面的分割和識別，但其中點云的噪聲和對象的細節(jié)（如建筑外立面復(fù)雜的細節(jié)結(jié)構(gòu)）甄別困難，影像匹配點云密集的優(yōu)勢需要提高去噪的魯棒性才能更好的發(fā)揮。

地面站點通常測程較近（不超過５００ｍ），具有更高的點云密度和更豐富的細節(jié)信息，可以對建筑立面、道路設(shè)施、附屬部件進行小尺度的精細數(shù)據(jù)采集，分割識別精細的細節(jié)結(jié)構(gòu)，是單體化建筑模型精細結(jié)構(gòu)語義的主要數(shù)據(jù)源。經(jīng)過時空基準(zhǔn)與精度的一致性處理，場景中的對象如建筑物會有多種尺度的點云數(shù)據(jù)重疊。

比如空基俯視點云與地基側(cè)視點云，需要多點云數(shù)據(jù)尺度一致性的進一步處理，進行多尺度點云不確定性評價，解決重疊點云的冗余和矛盾，以實現(xiàn)點云數(shù)據(jù)的高效利用。

多點云語義一致性處理方法

散亂的點云本身不具有語義信息，三維重建需根據(jù)點云數(shù)據(jù)含有的空間坐標(biāo)（Ｘ，Ｙ，Ｚ）和其他屬性（如強度、色彩）進行語義理解，識別結(jié)構(gòu)化語義（幾何、拓?fù)浣Y(jié)構(gòu)，如墻角、窗邊、邊面等）和分類信息（植被、建筑、路燈等）。語義賦予了點云類的屬性，是進一步進行分析應(yīng)用的基礎(chǔ)?？梢?，經(jīng)過時空基準(zhǔn)和尺度融合的多點云，需要多種方法提取與理解不同點云對同一目標(biāo)不同細節(jié)特征的語義內(nèi)涵，并進行統(tǒng)一的語義標(biāo)識。

多點云數(shù)據(jù)的采集原理、信息內(nèi)涵以及語義理解方式的不同，都導(dǎo)致其具有顯著的語義差異。

激光掃描點云來自主動式遙感，除空間三維坐標(biāo)外，還包含具有層次感的強度信息。以被動式遙感方法獲取的影像匹配點云具有對應(yīng)影像像元的顏色信息。強度和色彩可從不同方面給點云的分類識別和語義理解提供輔助。

激光掃描點云采樣均勻，在結(jié)構(gòu)化特征反應(yīng)上并無指向性。影像匹配點云在此處具有優(yōu)勢。由于匹配策略往往基于特征，因此在對象的線特征、邊緣處點密度較高。

激光雷達優(yōu)勢在于其多目標(biāo)能力，可穿透植被冠層獲取地面數(shù)據(jù)。影像匹配點云則只能獲取對象表面覆蓋，容易受到草、低矮灌木、屋頂附屬物的影響。

激光掃描點云的強度信息和多目標(biāo)能力、影像匹配點云的色彩信息和特征處點密度更高的特性，賦予了多點云屬性顯著差異特點，從而對多點云數(shù)據(jù)的類信息提取需要不同的處理方案?？盏囟嗥脚_的多尺度特性則會影響點云類信息識別的精細程度。融合的多點云數(shù)據(jù)可為改進三維場景數(shù)據(jù)的完整性、密度、地理參考質(zhì)量、精度、可靠性及點云數(shù)據(jù)處理奠定良好基礎(chǔ)。

多點云融合存在的關(guān)鍵問題及發(fā)展趨勢

1）多點云融合將面對更為復(fù)雜多樣的點云數(shù)據(jù)源。

2）面向自動化三維城市建模和動態(tài)更新的多點云數(shù)據(jù)按需抽取。

3）機器學(xué)習(xí)技術(shù)的應(yīng)用。使用卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）架構(gòu)的深度學(xué)習(xí)是解決圖像分類任務(wù)的標(biāo)準(zhǔn)解決辦法，由于點云是不規(guī)則和無序的，將深度學(xué)習(xí)應(yīng)用于點云的提取、分類識別較為困難，相關(guān)的探索，如ＰｏｉｎｔＮｅｔ、ＰｏｉｎｔＣＮＮ等方法已將點云數(shù)據(jù)作為訓(xùn)練樣本，模擬生物視覺認(rèn)知方式進行了點云分類。

進一步地，多點云數(shù)據(jù)的一致性提取問題將在人工智能、機器學(xué)習(xí)等先進技術(shù)的驅(qū)動下向自動化、智能化方向快速發(fā)展，將更好地服務(wù)于復(fù)雜地理空間對象的認(rèn)知、識別、分析和知識化服務(wù)。

版權(quán)聲明：文章來源于網(wǎng)絡(luò)，作者孫行高，登載此文出于傳遞更多信息之目的，版權(quán)歸原作者及刊載媒體所有，如本文中圖片或文字侵犯您的權(quán)益，請聯(lián)系我們。