第36卷第2期2021年4月
遥感信息
R e m o te S ensing In fo rm a tio n
V o l.36，N o.2
A p r. ,2021
李玉兵
(济南市房产测绘研究院，济南250002)
摘要：针对三维激光点云数据中建筑物立面分割不完整、不准确的问题，深入分析建筑物立面激光点云在二
维及三维空间中的几何形态，提出了一种根据立面特征规则的建筑物立面分割方法。首先，充分考虑建筑物主体
立面与阳台立面特征的异同，建立相应判断规则；然后，依据立面的几何形状将立面分为平直立面与拱形弯曲立
面，据此动态确定立面点云聚类生长方向，提高分割精度。实验表明，该方法可以准确分割建筑物立面点云数据，
分割的准确率可达94%以上，具有较强的适用性和鲁棒性。
关键词：三维激光点云；立面分割；几何形状；特征规则；聚类生长
doi：10.3969/j.issn.1000-3177. 2021.02.015
中图分类号：P208文献标志码：A文章编号=1000-3177(2021)02-0104-05
A Method of Building Elevation Segmentation in
3D Laser Point Clouds
L I Y u b in g
(Jinan Institute ofReal E state Surveying and Mapping■>犑in an 250002 ■>C hina)
A b stra c t：A im in g a t th e p ro b le m o f in c o m p le te and in a ccu ra te b u ild in g facade s e g m e n ta tio n in3D la se r p o in t c lo u d d a ta,th is
pa p e r d e e p ly analyzes th e g e o m e try o f b u ild in g facade la se r p o in t c lo u d in 2D and 3D sp a ce,and p ropose s a b u ild in g facade
s e g m e n ta tio n m e th o d based o n facade fe a tu re ru le s.In th is m e th o d，th e s im ila ritie s and d iffe re n c e s b e tw e e n th e m a in facade and
b a l
c o n y facade are i^ully c o n s i
d
e re d,and th e c o rre s p o n d in g ju d g m e n t ru le s are e s ta b lis h e d.T h e n,th e facade is d iv id e d in to
s tra ig h t facade and a rc h c u rve d facade a cc o rd in g to th e g e o m e tric shape o f t h e fa c a d e，and th e g r o w t h d ir e c t io n o f t h e facade
p o in t c lo u d c lu s te rin g is d y n a m ic a lly d e te rm in e d?so as to im p ro v e th e s e g m e n ta tio n accu ra cy.T h e e x p e rim e n ta l re s u lts sh o w
th a t th e p ro p o se d m e th o d can seg m ent th e b u ild in g facade p o in t c lo u d data a c c u ra te ly,and th e s e g m e n ta m o re th a n94% ,w h ic h has s tro n g a p p lic a b ility and ro b u s tn e s s.
K e y w o r d s：3D la se r p o in t c lo u d；e le v a tio n d iv is io n；g e o m e try；fe a tu re r u le；c lu s te r g r o w th
〇引言
随着智慧城市、智慧住建的需求不断迫切，如何对建筑物进行精细化三维重建是当下研究的热 点之一[12]。三维激光扫描技术作为一种新型的测量技术，具有数据获取速度快、精度高、非接触 等优势，已被广泛地应用于城市规划、智慧交通等 方面[4]。三维激光扫描技术已成为快速获取城市建筑三维信息的重要途径，但其获取的点云数 据具有无序、离散、海量等特点，因此在三维激光扫描数据中快速、准确地分割出建筑物立面点云是当前的研究热点。 针对建筑物点云分割，许多学者已经开展了大 量的研究。B a u e r等[]提出的R A N S A C(r a n d o m
s a m p le c o n s e n s u s)算法通过随机抽样消除噪声的影 响，构建一个由局内点组成的子集，从而将各个具有 面特征的建筑物立面分割开来。随后文献[68]对 R A N S A C点云分割方法进行改进，取得了较好的效 果。但该类方法在分割过程中过于依赖阈值，人为设 定阈值会产生过分割或欠分割的情况。文献[9-10]
收稿日期：2020-08-21 修订日期=020-10-10
基金项目：城市自然数字模型技术体系建设项目单位自研课题(FCY2019001)。
作者简介：李玉兵（974—）男，硕士，高级工程师，主要研究方向为不动产测绘、工程测量及三维激光测量。E-mail：****************
—104 —
引用格式：李玉兵.一种三维激光点云中建筑物立面分割方法[J].遥感信息，2021,36(2) :104-108.利用H o u g h变换对建筑物立面实现了分割，但
H o u g h变换算法在分割过程中易产生伪平面造成
精度损失，同时计算量大，效率低。文献[11-12]从
建筑物点云的结构人手，依据点坐标、法向量和表面
粗糙度等属性制定生长规则完成不同立面的生长分
实现立面分割，但种子点的选择以及规则的设定会
直接影响分割结果[13]。
针对三维激光点云数据中建筑物立面遮挡较
多、周围噪声干扰多、易漏分割、过度分割等问题，本
文提出了一种顾及立面几何特征的建筑物分割方
法。该方法深人分析建筑物立面激光点云在二维及
三维空间中的几何形态，根据立面几何形状确定生
长方向，最后通过聚类生长完成立面分割。
1研究方法
1.1建筑物立面点云粗分割
点云数据中含有各种各样的地物类别。从研究
对象角度来说，点云中的地物类别可以分为建筑物
与其他地物2大类，如表1所示。建筑物立面点云
与其他地物最主要的区别有2个方面：三维空间和
二维投影平面。
表1建筑物与非建筑物空间形态对比
点云类别三维空间特性二维投影面特性
建筑物点云具有一定高度，呈连
续型均勻面状分布，
相邻点距稳定
呈连续型线状分布，单
位面积内具有稳定密度
非建筑体积较小，分布较散呈散乱分布，没有规律性，物点云乱，相邻点距不稳定单位面积内密度不稳定
按照空间分布差异，将建筑物立面划分为建筑 物主体立面和阳台小立面2个部分。首先，对建筑 物主体立面分割：创建建筑物的二维格网与三维格 网，以格网内点云特征作为立面分割的依据，通过确 定种子格网进行立面格网区域生长。本文将立面种 子格网分为平直立面格网和拱形弯曲立面格网。
对于平直立面种子格网，应符合以下规则：①种 子格网内的点云高差大于阈值②种子格网内点密度大于阈值③种子格网至少具有2个点密度 大于阈值P的邻域格网；④种子格网内点云中心到 上一步中2个邻域格网内点云中心的向量应在一定 范围内，即应满足共线条件，即图1(b)中方向向量 ■的夹角应在范围（n—"，n)内。
对于拱形弯曲立面种子格网，应符合以下规则：①种子格网内的点高差大于阈值②种子格网内点密度大于阈值③种子格网至少具有2个点密 度大于阈值P的邻域格网；④种子格网内点云中心 到上一步中2
个邻域格网内点云中心的向量应满足 不共线条件，即图1(b)中方向向量的夹角
应在范围（n/2，n—"）内。
(b)种子格网及邻域格网点云中心夹角示意图
图1平直立面投影拟合点及中心格网夹角示意图
确定种子格网后，选择种子格网的中心坐标G，：y)作为初步拟合点。本文采用D B S C A N算 法对初步拟合点进行去噪，获得最终拟合点。确定 拟合点后，根据拟合点在X O Y平面内的分布，采用 最小二乘法进行投影线拟合，确定生长方向，将建筑 物立面点云以种子拟合点为中心沿生长方向进行约 束聚类生长，完成对立面的粗分割，如图2所示。
平直立面拟合如式（1)所示。
狔二珔狓七珔(1)式中：为投影线的斜率珔为投影线的截距狓，狔为投影格网内点云的中心坐标。
拱形弯曲立面拟合如式（2)所示。
狔=a0x2 +犪1狓+犪2(2)式中：犪7、犪1、犪2为一元二次方程的3个参数；狓，狔为 投影格网内点云的中心坐标。
完成建筑物主立面点云的粗分割后，部分建筑 物含有外部阳台，也需要对该建筑物进行阳台立面 分割。由于主立面点云已分割完毕，因此剩下的为 阳台小型立面，其分割与主立面分割过程基本相同，只是在确定种子格网的规则上略有区别。相对于建 筑物主体立面，阳台立面点云较少，高差较小，因此
一 105
—
遥感信息2021年2期
(b)弯曲立面方向约束聚类生长示意图
图2立面约束聚类生长示意图
不需要添加高差和密度2个约束条件，只需要检查 种子格网内点云中心到2个邻域格网内点云中心的 向量是否满足共线条件，然后按照立面约束进行区 域生长。
1.2建筑物立面点云精分割
经粗分割后的建筑物平直立面点云周围仍存在 一些高密度噪点，如扫描仪采集到的窗帘、空调机 等。这些噪声点的特点与主立面点云的特点相似，都具有一定的高度和密度，在粗分割时往往会被判 断为立面点云。为此，应对粗分割后的建筑物各个 立面进行精细化分割。
针对粗分割后仍存在较多高密度噪点问题，本 文采用建筑物分层立面精分割策略。首先，对粗分 割后的点云根据划分的三维格网进行分层；然后，逐 层进行最佳拟合平面探测，根据先验知识设置平面 拟合阈值，从粗分割后的点云中快速、精细地分割出 建筑物平直立面，剔除噪声点。对分层后的各层
建 筑物立面分割完毕后，需要将上下层属于同一主立 面的点云合并。由于各层阳台是分开独立的，因此，阳台立面并不需要合并。一般情况下，建筑物为立 面垂直于地面的规则目标。因此，各层主立面上下 各层满足一-一^对应关系，由此设定的合并策略为逐 层、逐立面合并，具体如下。
1)由于花草树木的遮挡，造成建筑物立面点云 存在一定程度的缺失。因此，首先对点云个数进行 统计，出各层建筑物点云完整率最高的一层作为 —106 —基准层。
2) 如图3所示，假定红线为基准层立面在
X O Y面上的投影拟合线，蓝线为另一层立面点云
的投影拟合线，2层在空间上是上下对应的关系，所
以2条线的间距需处于一定的阈值范围内。假设图
中分别为蓝线的2端点以及中点，则3点
到基准层投影线（红线）的距离均应小于阈值以。
3) 对各层建筑物点云的立面按上述方法判断是 否与基准层的立面为同一立面，并将属于同一立面
的点云上下合并。
4) 建筑物各层主立面点云合并完毕后，将未合 并的各个阳台立面合并入对应的层数中，完成建筑
物点云整体的分割流程。
2实验分析
2.1实验数据与参数
为了证明本文方法的适用性，选取2处典型建
筑物点云进行立面分割。建筑物1周围存在空调
外机、窗帘等非建筑物点，共672 390个点；建筑
物2周围存在树木、健身器材等非建筑物点，共
8 535 372个点，如图4所示。
(a)建筑物1的原始点云
(b)建筑物2的原始点云
图4实验数
据
引用格式：李玉兵.一种三维激光点云中建筑物立面分割方法[J].遥感信息，2021,36(2) :104-108.
表2建筑物立面分割所用参数
阶段参数参数描述参数值
x s te p0.05 m
点云格网化3^step格网步长0.05 m
zs te p 4.00 m
犎高差阈值 1.30 m
种子格网选定犘密度阈值60个
P-冗余弧度值4〇
拟合点确定D B S C A N
算法搜索半径0.05 m
邻域样本个数阈值3个
立面合并犱各层立面投影线与基准
层立面投影线距离阈值
0.05 m
2. 2头验结果与分析
从图5可以看出，对于弯曲立面与平直立面组 成的建筑物点云，本文方法可以有效分割。图5(a)红方框中为第2层阳台点云中的弯曲立面，显示 该弯曲立面被完整地分割出来，与周围其他立面分 离度较高，轮廓清晰，周围噪点较少；图5(b)内部以 及外部噪声点均被去除，各个立面的分割效果良好。文献[13]中的方法，对弯曲阳台立面不能进行准确 分割，部分点云被误分割为噪声点，如图6(a)中红 方框所示；部分外部噪声点被错误地分割为立面 点云，如图6(b)中椭圆形框所示。从图7可以看 出，本文方法对不同类型的建筑物进行分割时能够 有效地分割出建筑物立面，但由于部分立面被树木 遮挡严重，点云质量较差，少数立面存在漏分割现象。
(a)建筑物1的立面分割结果
(b)建筑物2的立面分割结果
图5本文算法实验结果
(a)建筑物1的立面分割结果
(b)建筑物2的立面分割结果
图6文献[13]算法实验结果
图7本文算法实验结果俯视图
为进一步说明本文算法的准确性，对实验数据 分割出的立面面片数量进行统计，通过人工交互提 取实验数据立面数量，同时采用文献[13]的方法进 行提取，通过比较立面分割的准确率（a c c u r a c y r a t e，A R)，对建筑物立面提取结果进行评价。A R 定义为：各方法提取的立面数量/人工交互识别的立 面数量X100%。对比结果如表3所示。本文算法 提取的建筑物1的立面分割准确率为95. 00%，建 筑物2的立面分割准确率为94. 59%；文献[13]算 法提取的建筑物1的立面分割准确率为75. 00%，建筑物2的立面分割准确率为83.78%。文献[3]的方法无法区分处于邻近同一水平位置的阳台平直
—107
—
遥感信息2021年2期
立面和卷帘门点云，因而会造成漏分，且有部分窗帘
噪点存在，对一些因遮挡造成面积较小的立面也不
能有效识别，故而本文的方法准确率高。
表3 2种分割结果定量分析
建筑物方法人工识别
出的立面
数量/个
算法分割
出的立面
数量/个
准确率/
(W
1
文献[13]算法201575 00
本文算法201995 00 2
文献[13]算法373183 78
本文算法373594 593结束语
本文充分挖掘了三维激光点云中建筑物点云在 二维及三维空间中的形状特性，提出了一种立面特 征规则约束的建筑物立面分割方法。首先，根据立 面特征选取建筑物立面拟合种子格网，确立初始拟 合点；然后，依据立面投影特征约束生长方向，完成 立面粗分割；最后，对粗分割立面进行精细化处理，完成建筑物立面精分割。研究结果表明，本文方法 能有效地分割出建筑物主体立面与阳台立面，同时 对建筑物中平直立面与拱形弯曲立面的分割质量较 高，具有较强的适用性和鲁棒性。
参考文献
[I]张祥，杨剑，吴浩，等.基于多尺度张量投票的建筑立面分割方法[J/O L].武汉大学学报（信息科学版）：1-6[2020-06-30].
h t t p；//d o i.o rg/10.13203/j.w h u g is20180487.
[]卢秀山，邢恺强，刘如飞，等.一种三维激光点云中建筑物立面渐进分割方法[].测绘科学，2019，44(12): 7-13.
[]黄承亮.三维激光扫描技术在城市规划管理中的应用[].测绘通报，2018(S1):84-88.
[]李健，姚亮.融合多特征深度学习的地面激光点云语义分割[/O L].测绘科学：1-11[2020-06-30]. h t t p://k n s.c n k i n e t/ k c m s/d e ta il/11.4415. P.20200515. 1204. 002.h tm l.
[5] B A U E R J,K A R N E R K,S C H I N D L E R K,e t a l.S e g m e n ta tio n o f b u ild in g fro m dense3D p o in t-c lo u d s in p ro ce e d in g s o f th e
IS P R S[M].N e th e rla n d s；W o rk s h o p L a s e r S c a n n in g，2005.
[6] M A R T I N E Z，A L E X S，P E D R O A，e t a l.A u to m a tic p r o c e s s in g o f te r re s tr ia l la s e r s c a n n in g d a ta o f b u ild in g fa c a d e s[J].
A u to m a tio n in C o n s tru c tio n,2012,22 ；298-305.
[]李娜，马一薇，杨洋，等.利用R A N S A C算法对建筑物立面进行点云分割[].测绘科学，2011，36(5):144-145，138.
[]李孟迪，蒋胜平，王红平.基于随机抽样一致性算法的稳健点云平面拟合方法[].测绘科学，2015，40(1) 102-106.
[9] R O S T I S L A V H，M I C H A L S，P A V E L S，e t a l.C o n tin u o u s plan e d e te c tio n in p o in t-c lo u d data based o n 3D H o u g h
tra n s fo r m[J].J o u rn a l o f V is u a l C o m m u n ic a tio n and Im a g e R e p re s e n ta tio n,2014,25(1) ：86-97.
[10] B O R R M A N N D，E L S E B E R G J，L I N G E M A N N K，e t a l.T h e3D H o u g h t r a n s f o r m f o r p la n e d e t e c t io n in p o in t c lo u d s:a
re v ie w and a n e w a c c u m u la to r d e s ig n[J]. 3D R e s e a rc h,2011,202(2) ：3.
[II] V O S S E L M A N G，G O R T E B G H，S IT H O L E G，e t a l.R e c o g n is in g s tr u c tu r e in l a s e r s c a n n e r p o i n t c l o u d s[J].
In te rn a tio n a l A rc h iv e s o f P h o to g ra m m e try,R e m o te S ensing and S p a tia l In fo rm a tio n S cie n ce s,2004,46(8) ：33-38.
[12] B IO S C A J,L E R M A J L.U n s u p e rv is e d ro b u s t p la n a r s e g m e n ta tio n o f te r re s tr ia l la se r scan ner p o in t clo u d s based o n fu zzy
c lu s te rin g m e th o
d s[J].IS P R S J o u rn a l o f P h o to g ra m m
e try and R e m o te S e n s in g,2008,63(1)：84-98.
[13] C H E N C S，H U N G Y P，C H E N G J B.R A N S A C-b a s e d D A R C E S:a n e w a p p r o a c h t o f a s t a u t o m a t ic r e g i s t r a t i o n o f
p a rtia lly o v e rla p p in g ra nge im a g e s[J].IE E E T ra n s a c tio n s o n P a tte rn A n a ly s is and M a c h in e In te llig e n c e,2002,21 (11)：1229-1234
108
