面向三維城市建模的多點(diǎn)云融合的發(fā)展趨勢

多細節層次的三維城市模型是數字城市和智慧社會(huì )的關(guān)鍵空間數據基礎設施?，F有的精細化三維城市建模技術(shù)主要有基于多種數據源（計算機輔助設計（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(diǎn)云的半自動(dòng)化建模兩大類(lèi)。

人工交互建模利用稀疏點(diǎn)線(xiàn)特征幾何約束，需要大量人工交互式操作，導致作業(yè)周期長(cháng)、效率低，且模型質(zhì)量難以保證，特別是紋理偏差大?；诿芗c(diǎn)云的半自動(dòng)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構復雜，高大建筑相互遮擋，且建筑物屋頂和立面形狀結構多樣，道路、植被、人工設施等地上下立體空間場(chǎng)景對象種類(lèi)繁多，形態(tài)各異，單一類(lèi)型與單一站點(diǎn)的點(diǎn)云數據普遍存在數據漏洞、描述尺度單一、結構細節丟失等局限性，難以表達目標完整豐富的細節特征。

隨著(zhù)“消費級”激光掃描設備、影像密集匹配技術(shù)以及深度相機等新型數據獲取技術(shù)日新月異，點(diǎn)云數據獲取手段更為豐富，且難度與成本降低，類(lèi)型、視角、屬性和內涵信息更為豐富的點(diǎn)云數據日益可得。

因此，多點(diǎn)云數據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(diǎn)前沿。

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

此外，不同時(shí)間歷元采集的多時(shí)相點(diǎn)云融合可反映對象的變化屬性和趨勢。多點(diǎn)云融合的前提是明確不同點(diǎn)云的優(yōu)勢信息和互補需求。如影像匹配點(diǎn)云密度高且富含邊緣特征信息，但具有大量的拓撲噪聲，且只能獲取表面覆蓋數據，連片林地的地形常存在漏洞；空、地不同站點(diǎn)的激光掃描點(diǎn)云在效率、精度、結構細節信息的采集方面也各有優(yōu)缺點(diǎn)。

根據多點(diǎn)云數據具有的不同視角、密度、精度、尺度、細節、語(yǔ)義等特征進(jìn)行一致性處理是一項復雜的系統性工作，是后續多細節層次精細三維建模的關(guān)鍵基礎。通過(guò)消減不同點(diǎn)云間的空間基準、尺度和語(yǔ)義表達等不一致性，如空間位置結構語(yǔ)義、拓撲關(guān)系的沖突，以達到數據準確、冗余最少，實(shí)現多點(diǎn)云數據的優(yōu)勢信息融合表達。

多點(diǎn)云數據的融合處理方法可歸納為時(shí)空基準及精度、尺度、語(yǔ)義３個(gè)層面的一致性處理。時(shí)空基準與精度一致性處理旨在建立整個(gè)場(chǎng)景統一的點(diǎn)云模型，尺度一致性處理則為了削減不同密度和精度的點(diǎn)云對同一目標表達的尺度差異，語(yǔ)義一致性處理旨在綜合利用不同點(diǎn)云對同一目標不同細節特征的表達。通過(guò)這３個(gè)層面的一致性處理，即可得到最初級的多點(diǎn)云融合模型，可滿(mǎn)足進(jìn)一步精細化三維城市建模與智能化分析等深度應用需求。

多點(diǎn)云時(shí)空基準與精度一致性處理方法

　　多點(diǎn)云的融合反映了由單源到多源、由少到多、由簡(jiǎn)單到復雜的趨勢，這種融合的第一步是理解和描述不同數據源間的復雜關(guān)系和相互轉換規律，實(shí)現時(shí)空基準與精度的一致性，建立整個(gè)場(chǎng)景統一的點(diǎn)云模型，彌補單一點(diǎn)云數據空洞，并增強尺度和語(yǔ)義信息，實(shí)現整個(gè)場(chǎng)景對象的無(wú)縫表達。

多點(diǎn)云從采集單元轉換到絕對地理坐標系采用了不同的方法和輔助數據。機載和車(chē)載移動(dòng)激光掃描系統都配備了ＧＰＳ／ＩＭＵ組合慣性導航模塊，根據耦合計算得到的軌跡數據進(jìn)行絕對地理坐標系的糾正，理想情況下，獲取的點(diǎn)云精度在５～１５ｃｍ左右。

地面激光掃描常利用掃描場(chǎng)景內已知坐標的靶標球進(jìn)行多站點(diǎn)拼接和絕對地理坐標糾正，得到的整個(gè)場(chǎng)景數據精度可達３ｃｍ以?xún)?。影像匹配點(diǎn)云利用像控點(diǎn)進(jìn)行立體恢復，并實(shí)現絕對地理坐標的糾正，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(diǎn)的可靠檢測，常存在大量的幾何和拓撲噪聲。由于像控點(diǎn)、靶標球、ＧＰＳ／ＩＭＵ慣導數據等輔助數據的采集質(zhì)量不一，對多點(diǎn)云融合精度產(chǎn)生直接影響，因此多點(diǎn)云數據需要進(jìn)行點(diǎn)云精確配準。

多點(diǎn)云尺度一致性處理方法

不同點(diǎn)云密度和細節分辨率的多點(diǎn)云數據對同一目標表達具有顯著(zhù)的尺度差異?？罩姓军c(diǎn)多面向條帶狀和面狀大場(chǎng)景范圍的數據采集任務(wù)，是有效的大尺度場(chǎng)景ＤＳＭ、建筑群落屋頂結構、植被冠層數據的采集手段。

其中，機載激光點(diǎn)云均勻且較為稀疏，較長(cháng)的測程（通常為５００～３０００ｍ）會(huì )產(chǎn)生激光束散射現象，對對象細節信息采集有一定程度的損失，通常只能區分對象整體（如一棟建筑）；影像逐像素密集匹配點(diǎn)云的密度取決于影像分辨率，通常每ｍ２范圍大于２００點(diǎn)的高密度有利于對象單個(gè)平面的分割和識別，但其中點(diǎn)云的噪聲和對象的細節（如建筑外立面復雜的細節結構）甄別困難，影像匹配點(diǎn)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(diǎn)通常測程較近（不超過(guò)５００ｍ），具有更高的點(diǎn)云密度和更豐富的細節信息，可以對建筑立面、道路設施、附屬部件進(jìn)行小尺度的精細數據采集，分割識別精細的細節結構，是單體化建筑模型精細結構語(yǔ)義的主要數據源。經(jīng)過(guò)時(shí)空基準與精度的一致性處理，場(chǎng)景中的對象如建筑物會(huì )有多種尺度的點(diǎn)云數據重疊。

比如空基俯視點(diǎn)云與地基側視點(diǎn)云，需要多點(diǎn)云數據尺度一致性的進(jìn)一步處理，進(jìn)行多尺度點(diǎn)云不確定性評價(jià)，解決重疊點(diǎn)云的冗余和矛盾，以實(shí)現點(diǎn)云數據的高效利用。

多點(diǎn)云語(yǔ)義一致性處理方法

散亂的點(diǎn)云本身不具有語(yǔ)義信息，三維重建需根據點(diǎn)云數據含有的空間坐標（Ｘ，Ｙ，Ｚ）和其他屬性（如強度、色彩）進(jìn)行語(yǔ)義理解，識別結構化語(yǔ)義（幾何、拓撲結構，如墻角、窗邊、邊面等）和分類(lèi)信息（植被、建筑、路燈等）。語(yǔ)義賦予了點(diǎn)云類(lèi)的屬性，是進(jìn)一步進(jìn)行分析應用的基礎?？梢?jiàn)，經(jīng)過(guò)時(shí)空基準和尺度融合的多點(diǎn)云，需要多種方法提取與理解不同點(diǎn)云對同一目標不同細節特征的語(yǔ)義內涵，并進(jìn)行統一的語(yǔ)義標識。

多點(diǎn)云數據的采集原理、信息內涵以及語(yǔ)義理解方式的不同，都導致其具有顯著(zhù)的語(yǔ)義差異。

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

激光掃描點(diǎn)云采樣均勻，在結構化特征反應上并無(wú)指向性。影像匹配點(diǎn)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(xiàn)特征、邊緣處點(diǎn)密度較高。

激光雷達優(yōu)勢在于其多目標能力，可穿透植被冠層獲取地面數據。影像匹配點(diǎn)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(diǎn)云的強度信息和多目標能力、影像匹配點(diǎn)云的色彩信息和特征處點(diǎn)密度更高的特性，賦予了多點(diǎn)云屬性顯著(zhù)差異特點(diǎn)，從而對多點(diǎn)云數據的類(lèi)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(huì )影響點(diǎn)云類(lèi)信息識別的精細程度。融合的多點(diǎn)云數據可為改進(jìn)三維場(chǎng)景數據的完整性、密度、地理參考質(zhì)量、精度、可靠性及點(diǎn)云數據處理奠定良好基礎。

多點(diǎn)云融合存在的關(guān)鍵問(wèn)題及發(fā)展趨勢

1）多點(diǎn)云融合將面對更為復雜多樣的點(diǎn)云數據源。

2）面向自動(dòng)化三維城市建模和動(dòng)態(tài)更新的多點(diǎn)云數據按需抽取。

3）機器學(xué)習技術(shù)的應用。使用卷積神經(jīng)網(wǎng)絡(luò )（ＣＮＮ）架構的深度學(xué)習是解決圖像分類(lèi)任務(wù)的標準解決辦法，由于點(diǎn)云是不規則和無(wú)序的，將深度學(xué)習應用于點(diǎn)云的提取、分類(lèi)識別較為困難，相關(guān)的探索，如ＰｏｉｎｔＮｅｔ、ＰｏｉｎｔＣＮＮ等方法已將點(diǎn)云數據作為訓練樣本，模擬生物視覺(jué)認知方式進(jìn)行了點(diǎn)云分類(lèi)。

進(jìn)一步地，多點(diǎn)云數據的一致性提取問(wèn)題將在人工智能、機器學(xué)習等先進(jìn)技術(shù)的驅動(dòng)下向自動(dòng)化、智能化方向快速發(fā)展，將更好地服務(wù)于復雜地理空間對象的認知、識別、分析和知識化服務(wù)。

版權聲明：文章來(lái)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益，請聯(lián)系我們。

猜你喜歡：

淺析傾斜攝影測量點(diǎn)云監督分類(lèi)方法

激光Lidar 點(diǎn)云到DOM制作需歷經(jīng)幾步？