文章编号
: 0494-0911( 2012) 11-0031-04
中图分类号
: P237
文献标识码
: B
基于改进
RANSAC
算法的屋顶激光点
云面片分割方法
胡 伟
,
卢小平
,
李 珵
,
贾智乐
(
河南理工大学 矿山空间信息技术国家测绘地理信息局重点实验室
,
河南 焦作
454003)
Extended RANSAC Algorithm for Building Roof Segmentation from LiDAR Data
HU Wei,LU Xiaoping,LI Cheng,JIA Zhile
摘要
:
基于改进的随机抽样一致性算法
( RANSAC)
对建
(
构
)
筑物屋顶面片进行点云分割
,
通过改进种子点选取方式来提高面片分割
的置信度
,
并将点到平面距离的标准差作为判断准则
,
以提高分割面片的准确性
。
同时
,
采用
KD-Tree
组织点云
,
根据空间平面的法
向量
、
连通性分析
、
点云的
R
半径密度对分割的面片进行优化处理
,
试验证明该方法能有效地对建筑物屋顶面片进行点云分割
。
关键词
:
RANSAC;
激光点云
; KD-Tree;
屋顶面片分割
; R
半径密度
收稿日期
: 2012-02-14
基金项目
:
国家测绘科技项目
(
测科函
[2011]16
号
)
作者简介
:
胡 伟
( 1988—) ,
男
,
河南信阳人
,
硕士生
,
主要研究方向为雷达数据处理
。
一
、
引 言
建
(
构
)
筑物三维重建是三维
GIS
中的重要组
成部分
,
已广泛应用于城市科学规划与管理等领
域
[1]
。
机载 激光 雷达
( airborne light detection and
ranging,LiDAR)
是近年来快速发展的对地探测新技
术
,
能够快速
、
精确地获取地物的位置信息和高度
信息
,
为构建三维数字城市尤其是建
(
构
)
筑物重建
提供了新的技术方法和手段
[2]
。
建
(
构
)
筑物模型重建目前主要有数据驱动和
模型驱动两种方法
。
模型驱动法是在模型库中寻
找最合适的建筑物模型
,
通过简单的参数来描述此
类模型
,
因此适合结构较为简单的建筑物的三维重
建
;
数据驱动法是通过拟合建
(
构
)
筑物中各个部分
来获得最接近或最可靠的多面体模型
,
可构建更广
泛的建
(
构
)
筑物模型
,
其中建筑物面片的自动分割
算法是该方法中最关键的部分
。
目前
,
屋顶面片分
割算法主要有区域增长算法
、
聚类算法
、3D
霍夫变
换
( 3D-Hough transform) 、
随机抽样一致性
( random
sampling consensus,RANSAC)
算法等
。
区域增长算
法是选取一个小的种子区域
,
根据屋顶面片的连通
性和邻接性来拓展面片
,
该方法能较好地分割面
片
,
但对种子区域的选取要求较高
,
增长过程中易
受噪声点
(
如屋顶的天窗
、
烟囱等
)
影响且参数设置
较困难
,
平滑的相邻区域难以分割
[3-4]
。
聚类算法
是根据点邻域的点云精确计算该点的特征空间
,
并
利用计算机视觉中的模式搜索算法对点云进行特
征空间的非监督聚类来分割面片
,
但该算法需要的
建
(
构
)
筑物模型先验知识往往难以获得而导致模
式聚类中心不稳定
,
且算法过于复杂
、
速 度 较
慢
[5-6]
。3D
霍夫变换分割方法是将传统的二维霍夫
变换拓展到三维空间
,
将平面转换到参数空间
,
根
据点云生成所有可能的平面
,
统计平面中点的个数
来确定平面
,
此方法计算量大
、
速度慢
,
且容易产生
伪平面
[7-8]
。
二
、RANSAC
算法
RANSAC
算法最早由
Fischler
和
Bolles
于
1981
年提出
,
该算法是根据一组包含异常数据的样本数
据集计算出数据的模型参数
,
从而得到有效样本
。
其基本思想是
:
数据由
“
局内点
”
组成
,
数据的分布
可用一些模型参数来解释
; “
局外点
”
是不能适应该
模型的数据
,
除此之外的数据均属于噪声
。
该算法
能够以一定概率得出合理的结果
,
因此为了提高概
率就必须提高迭代次数
,
即要保证在一定置信度下
基本子集最小抽样数
N
与至少取得一个良好抽样
子集的概率
P
满足如下关系
P = 1 - ( 1 -
ε
k
)
N
( 1)
式中
,
ε 为局内点与数据集点数的比值
; k
为计算模
型参数需要的最小数据量
; P
一般取值为
0. 9 ~
0. 99。
对式
( 1)
两边取对数可得
N =
log( 1 - P)
log( 1 -
ε
k
)
( 2)
13
2012
年 第
11
期 胡 伟
,
等
:
基于改进
RANSAC
算法的屋顶激光点云 面片分割方法