面向三維城(chéng)市建模的(de)多(duō)點雲融合的(de)發展趨勢

發布日期：2019-06-13 00:00 浏覽量：8937

多(duō)細節層次的(de)三維城(chéng)市模型是數字城(chéng)市和(hé)智慧社會的(de)關鍵空間數據基礎設施。現有的(de)精細化(huà)三維城(chéng)市建模技術主要有基于多(duō)種數據源（計算(suàn)機輔助設計（ＣＡＤ）、建築物(wù)信息建模（ＢＩＭ）、地圖等））的(de)人(rén)工交互建模和(hé)基于影(yǐng)像或激光(guāng)掃描密集點雲的(de)半自動化(huà)建模兩大(dà)類。

人(rén)工交互建模利用(yòng)稀疏點線特征幾何約束，需要大(dà)量人(rén)工交互式操作，導緻作業周期長(cháng)、效率低，且模型質量難以保證，特别是紋理(lǐ)偏差大(dà)。基于密集點雲的(de)半自動化(huà)建模已成爲大(dà)範圍三維城(chéng)市建模的(de)主要方式。由于立體城(chéng)市空間結構複雜(zá)，高(gāo)大(dà)建築相互遮擋，且建築物(wù)屋頂和(hé)立面形狀結構多(duō)樣，道路、植被、人(rén)工設施等地上下(xià)立體空間場(chǎng)景對(duì)象種類繁多(duō)，形态各異，單一類型與單一站點的(de)點雲數據普遍存在數據漏洞、描述尺度單一、結構細節丢失等局限性，難以表達目标完整豐富的(de)細節特征。

随著(zhe)“消費級”激光(guāng)掃描設備、影(yǐng)像密集匹配技術以及深度相機等新型數據獲取技術日新月(yuè)異，點雲數據獲取手段更爲豐富，且難度與成本降低，類型、視角、屬性和(hé)内涵信息更爲豐富的(de)點雲數據日益可(kě)得(de)。

因此，多(duō)點雲數據融合處理(lǐ)成爲三維城(chéng)市建模的(de)主要途徑，并成爲國際學術界和(hé)工業界的(de)熱(rè)點前沿。

多(duō)點雲數據指多(duō)類型、多(duō)站點和(hé)多(duō)時(shí)相的(de)點雲數據。激光(guāng)掃描、影(yǐng)像匹配、深度圖像測量、幹涉雷達測量和(hé)野外實地測量等方法提供了(le)具有不同數據屬性和(hé)信息内涵的(de)多(duō)類型點雲。這(zhè)些不同類型的(de)點雲還(hái)可(kě)以從空中、地面、室内等不同站點獲取，具有多(duō)樣化(huà)的(de)視角和(hé)尺度特征。

此外，不同時(shí)間曆元采集的(de)多(duō)時(shí)相點雲融合可(kě)反映對(duì)象的(de)變化(huà)屬性和(hé)趨勢。多(duō)點雲融合的(de)前提是明(míng)确不同點雲的(de)優勢信息和(hé)互補需求。如影(yǐng)像匹配點雲密度高(gāo)且富含邊緣特征信息，但具有大(dà)量的(de)拓撲噪聲，且隻能獲取表面覆蓋數據，連片林(lín)地的(de)地形常存在漏洞；空、地不同站點的(de)激光(guāng)掃描點雲在效率、精度、結構細節信息的(de)采集方面也(yě)各有優缺點。

根據多(duō)點雲數據具有的(de)不同視角、密度、精度、尺度、細節、語義等特征進行一緻性處理(lǐ)是一項複雜(zá)的(de)系統性工作，是後續多(duō)細節層次精細三維建模的(de)關鍵基礎。通(tōng)過消減不同點雲間的(de)空間基準、尺度和(hé)語義表達等不一緻性，如空間位置結構語義、拓撲關系的(de)沖突，以達到數據準确、冗餘最少，實現多(duō)點雲數據的(de)優勢信息融合表達。

多(duō)點雲數據的(de)融合處理(lǐ)方法可(kě)歸納爲時(shí)空基準及精度、尺度、語義３個(gè)層面的(de)一緻性處理(lǐ)。時(shí)空基準與精度一緻性處理(lǐ)旨在建立整個(gè)場(chǎng)景統一的(de)點雲模型，尺度一緻性處理(lǐ)則爲了(le)削減不同密度和(hé)精度的(de)點雲對(duì)同一目标表達的(de)尺度差異，語義一緻性處理(lǐ)旨在綜合利用(yòng)不同點雲對(duì)同一目标不同細節特征的(de)表達。通(tōng)過這(zhè)３個(gè)層面的(de)一緻性處理(lǐ)，即可(kě)得(de)到最初級的(de)多(duō)點雲融合模型，可(kě)滿足進一步精細化(huà)三維城(chéng)市建模與智能化(huà)分(fēn)析等深度應用(yòng)需求。

多(duō)點雲時(shí)空基準與精度一緻性處理(lǐ)方法

　　多(duō)點雲的(de)融合反映了(le)由單源到多(duō)源、由少到多(duō)、由簡單到複雜(zá)的(de)趨勢，這(zhè)種融合的(de)第一步是理(lǐ)解和(hé)描述不同數據源間的(de)複雜(zá)關系和(hé)相互轉換規律，實現時(shí)空基準與精度的(de)一緻性，建立整個(gè)場(chǎng)景統一的(de)點雲模型，彌補單一點雲數據空洞，并增強尺度和(hé)語義信息，實現整個(gè)場(chǎng)景對(duì)象的(de)無縫表達。

多(duō)點雲從采集單元轉換到絕對(duì)地理(lǐ)坐(zuò)标系采用(yòng)了(le)不同的(de)方法和(hé)輔助數據。機載和(hé)車載移動激光(guāng)掃描系統都配備了(le)ＧＰＳ／ＩＭＵ組合慣性導航模塊，根據耦合計算(suàn)得(de)到的(de)軌迹數據進行絕對(duì)地理(lǐ)坐(zuò)标系的(de)糾正，理(lǐ)想情況下(xià)，獲取的(de)點雲精度在５～１５ｃｍ左右。

地面激光(guāng)掃描常利用(yòng)掃描場(chǎng)景内已知坐(zuò)标的(de)靶标球進行多(duō)站點拼接和(hé)絕對(duì)地理(lǐ)坐(zuò)标糾正，得(de)到的(de)整個(gè)場(chǎng)景數據精度可(kě)達３ｃｍ以内。影(yǐng)像匹配點雲利用(yòng)像控點進行立體恢複，并實現絕對(duì)地理(lǐ)坐(zuò)标的(de)糾正，但由于遮擋、視差斷裂、紋理(lǐ)缺失及光(guāng)照(zhào)條件不一緻等，制約了(le)影(yǐng)像密集匹配中關鍵特征點的(de)可(kě)靠檢測，常存在大(dà)量的(de)幾何和(hé)拓撲噪聲。由于像控點、靶标球、ＧＰＳ／ＩＭＵ慣導數據等輔助數據的(de)采集質量不一，對(duì)多(duō)點雲融合精度産生直接影(yǐng)響，因此多(duō)點雲數據需要進行點雲精确配準。

多(duō)點雲尺度一緻性處理(lǐ)方法

不同點雲密度和(hé)細節分(fēn)辨率的(de)多(duō)點雲數據對(duì)同一目标表達具有顯著的(de)尺度差異。空中站點多(duō)面向條帶狀和(hé)面狀大(dà)場(chǎng)景範圍的(de)數據采集任務，是有效的(de)大(dà)尺度場(chǎng)景ＤＳＭ、建築群落屋頂結構、植被冠層數據的(de)采集手段。

其中，機載激光(guāng)點雲均勻且較爲稀疏，較長(cháng)的(de)測程（通(tōng)常爲５００～３０００ｍ）會産生激光(guāng)束散射現象，對(duì)對(duì)象細節信息采集有一定程度的(de)損失，通(tōng)常隻能區(qū)分(fēn)對(duì)象整體（如一棟建築）；影(yǐng)像逐像素密集匹配點雲的(de)密度取決于影(yǐng)像分(fēn)辨率，通(tōng)常每ｍ２範圍大(dà)于２００點的(de)高(gāo)密度有利于對(duì)象單個(gè)平面的(de)分(fēn)割和(hé)識别，但其中點雲的(de)噪聲和(hé)對(duì)象的(de)細節（如建築外立面複雜(zá)的(de)細節結構）甄别困難，影(yǐng)像匹配點雲密集的(de)優勢需要提高(gāo)去噪的(de)魯棒性才能更好的(de)發揮。

地面站點通(tōng)常測程較近（不超過５００ｍ），具有更高(gāo)的(de)點雲密度和(hé)更豐富的(de)細節信息，可(kě)以對(duì)建築立面、道路設施、附屬部件進行小尺度的(de)精細數據采集，分(fēn)割識别精細的(de)細節結構，是單體化(huà)建築模型精細結構語義的(de)主要數據源。經過時(shí)空基準與精度的(de)一緻性處理(lǐ)，場(chǎng)景中的(de)對(duì)象如建築物(wù)會有多(duō)種尺度的(de)點雲數據重疊。

比如空基俯視點雲與地基側視點雲，需要多(duō)點雲數據尺度一緻性的(de)進一步處理(lǐ)，進行多(duō)尺度點雲不确定性評價，解決重疊點雲的(de)冗餘和(hé)矛盾，以實現點雲數據的(de)高(gāo)效利用(yòng)。

多(duō)點雲語義一緻性處理(lǐ)方法

散亂的(de)點雲本身不具有語義信息，三維重建需根據點雲數據含有的(de)空間坐(zuò)标（Ｘ，Ｙ，Ｚ）和(hé)其他(tā)屬性（如強度、色彩）進行語義理(lǐ)解，識别結構化(huà)語義（幾何、拓撲結構，如牆角、窗(chuāng)邊、邊面等）和(hé)分(fēn)類信息（植被、建築、路燈等）。語義賦予了(le)點雲類的(de)屬性，是進一步進行分(fēn)析應用(yòng)的(de)基礎。可(kě)見，經過時(shí)空基準和(hé)尺度融合的(de)多(duō)點雲，需要多(duō)種方法提取與理(lǐ)解不同點雲對(duì)同一目标不同細節特征的(de)語義内涵，并進行統一的(de)語義标識。

多(duō)點雲數據的(de)采集原理(lǐ)、信息内涵以及語義理(lǐ)解方式的(de)不同，都導緻其具有顯著的(de)語義差異。

激光(guāng)掃描點雲來(lái)自主動式遙感，除空間三維坐(zuò)标外，還(hái)包含具有層次感的(de)強度信息。以被動式遙感方法獲取的(de)影(yǐng)像匹配點雲具有對(duì)應影(yǐng)像像元的(de)顔色信息。強度和(hé)色彩可(kě)從不同方面給點雲的(de)分(fēn)類識别和(hé)語義理(lǐ)解提供輔助。

激光(guāng)掃描點雲采樣均勻，在結構化(huà)特征反應上并無指向性。影(yǐng)像匹配點雲在此處具有優勢。由于匹配策略往往基于特征，因此在對(duì)象的(de)線特征、邊緣處點密度較高(gāo)。

激光(guāng)雷達優勢在于其多(duō)目标能力，可(kě)穿透植被冠層獲取地面數據。影(yǐng)像匹配點雲則隻能獲取對(duì)象表面覆蓋，容易受到草(cǎo)、低矮灌木(mù)、屋頂附屬物(wù)的(de)影(yǐng)響。

激光(guāng)掃描點雲的(de)強度信息和(hé)多(duō)目标能力、影(yǐng)像匹配點雲的(de)色彩信息和(hé)特征處點密度更高(gāo)的(de)特性，賦予了(le)多(duō)點雲屬性顯著差異特點，從而對(duì)多(duō)點雲數據的(de)類信息提取需要不同的(de)處理(lǐ)方案。空地多(duō)平台的(de)多(duō)尺度特性則會影(yǐng)響點雲類信息識别的(de)精細程度。融合的(de)多(duō)點雲數據可(kě)爲改進三維場(chǎng)景數據的(de)完整性、密度、地理(lǐ)參考質量、精度、可(kě)靠性及點雲數據處理(lǐ)奠定良好基礎。

多(duō)點雲融合存在的(de)關鍵問題及發展趨勢

1）多(duō)點雲融合将面對(duì)更爲複雜(zá)多(duō)樣的(de)點雲數據源。

2）面向自動化(huà)三維城(chéng)市建模和(hé)動态更新的(de)多(duō)點雲數據按需抽取。

3）機器學習(xí)技術的(de)應用(yòng)。使用(yòng)卷積神經網絡（ＣＮＮ）架構的(de)深度學習(xí)是解決圖像分(fēn)類任務的(de)标準解決辦法，由于點雲是不規則和(hé)無序的(de)，将深度學習(xí)應用(yòng)于點雲的(de)提取、分(fēn)類識别較爲困難，相關的(de)探索，如ＰｏｉｎｔＮｅｔ、ＰｏｉｎｔＣＮＮ等方法已将點雲數據作爲訓練樣本，模拟生物(wù)視覺認知方式進行了(le)點雲分(fēn)類。

進一步地，多(duō)點雲數據的(de)一緻性提取問題将在人(rén)工智能、機器學習(xí)等先進技術的(de)驅動下(xià)向自動化(huà)、智能化(huà)方向快(kuài)速發展，将更好地服務于複雜(zá)地理(lǐ)空間對(duì)象的(de)認知、識别、分(fēn)析和(hé)知識化(huà)服務。