魏峰

(廣州市城市規(guī)劃勘測設(shè)計研究院，廣州 510060)

0 引言

建筑物作為城市環(huán)境的基本要素，其矢量信息是城市地理信息的重要組成部分。建筑精細(xì)信息分析、城市更新等領(lǐng)域?qū)ㄖ锸噶啃畔⑻崛√岢隽烁叩囊?，不僅需要對建筑單體進(jìn)行矢量化重建，還需要對建筑物進(jìn)行結(jié)構(gòu)化分割，以獲得具有陽臺、飄樓等語義結(jié)構(gòu)信息的建筑物矢量化結(jié)果，滿足行業(yè)應(yīng)用需求。此外，密集匹配點云作為低空攝影測量技術(shù)的成果，不僅滿足城市空間地理信息的快速獲取及更新，且較好地保持了建筑物的高精度三維信息[1]。因此，研究基于密集匹配點云的建筑物結(jié)構(gòu)矢量化方法在理論和現(xiàn)實中都具有重要意義。

目前已有大量的研究集中在建筑物信息重建，其中，建筑物2D輪廓線重建是建筑物矢量化的關(guān)鍵步驟。常見的方法包括基于二維柵格圖像的信息提取方法[2-3]以及基于三維點云的輪廓重建方法[4-5]等。此外，為獲得更高的精度，以數(shù)據(jù)驅(qū)動的建筑物輪廓提取算法成為當(dāng)前的主流方法，其過程大體分為邊緣點檢測和輪廓線規(guī)則化重建兩個階段。其中，Delaunay三角網(wǎng)[6]、Alpha-Shapes[7-8]、凸包算法[9-11]等算法是邊緣點檢測的常用方法。進(jìn)一步，考慮絕大部分建筑呈現(xiàn)直線型和直角結(jié)構(gòu)，已有學(xué)者基于最小二乘法的方法[12]、Hough變換方法[13]進(jìn)行輪廓規(guī)則化重建。但是僅對單體建筑進(jìn)行矢量化還無法滿足應(yīng)用需求，還需在單體建筑的基礎(chǔ)上，對建筑物點云進(jìn)行結(jié)構(gòu)化分割，并進(jìn)一步對各結(jié)構(gòu)單體進(jìn)行矢量化重建。

然而，點云的結(jié)構(gòu)化分割結(jié)果不足以區(qū)分陽臺、飄樓這類與建筑主體連接的局部結(jié)構(gòu)，因此，本文基于建筑物結(jié)構(gòu)單體點云提取結(jié)果，提出了一種包含陽臺、飄樓等局部結(jié)構(gòu)識別語義信息的建筑結(jié)構(gòu)矢量化流程，通過屋檐改正及剖面特征追蹤方法提取建筑結(jié)構(gòu)單體點云剖面輪廓結(jié)構(gòu)，并結(jié)合基于圖像的剖面結(jié)構(gòu)拓?fù)鋵Ρ确治龇椒▽崿F(xiàn)陽臺、飄樓區(qū)域的自動識別和定位，進(jìn)而獲得建筑物結(jié)構(gòu)矢量化結(jié)果。

1 建筑物結(jié)構(gòu)單體點云提取和輪廓重建

1.1 建筑物結(jié)構(gòu)單體點云提取

通過傾斜攝影測量技術(shù)獲取的密集匹配點云包含了場景中的各類地物，因此首要步驟是提取建筑物點云。閆利等[14]提出的建筑結(jié)構(gòu)單體提取算法不僅考慮了復(fù)雜場景中密集匹配點云存在插值產(chǎn)生的噪聲點，同時能夠?qū)ㄖ误w進(jìn)行分割，有效支撐后續(xù)建筑結(jié)構(gòu)矢量化信息的重建。

該方法在利用布料模擬濾波(cloth simulation filtering，CSF)算法進(jìn)行點云濾波的基礎(chǔ)上，通過法向量計算，將非地面點云分為水平點云和立面點云兩類，并對水平點云進(jìn)行點云聚類，實現(xiàn)點云面片的分割；進(jìn)一步，對于點云面片中存在的非建筑屋頂面部分，將點云面片投影至二維平面格網(wǎng)化并結(jié)合立面信息及面片幾何特征將非屋頂面的點云面片濾除；最后，根據(jù)點云面片之間的拓?fù)潢P(guān)系及點云面片的高程信息，將各屋頂面所包含的三維空間進(jìn)行分割，實現(xiàn)建筑結(jié)構(gòu)單體點云的提取。

1.2 建筑物矢量輪廓重建

建筑單體點云的提取雖然對雜亂無章的點云進(jìn)行了有效分割，但此時的成果仍未達(dá)到應(yīng)用需求，因此，還需在建筑結(jié)構(gòu)單體點云提取的基礎(chǔ)上，依次對各結(jié)構(gòu)單體進(jìn)行2D矢量輪廓重建。

矢量輪廓重建方法主要包括外邊緣點檢測和輪廓線規(guī)則化兩個關(guān)鍵過程。在外邊緣點檢測過程，基于鄰域約束的凸包算法是當(dāng)前非常有效且常用的輪廓追蹤算法，可滿足對凹多邊形輪廓的檢測。然而，由于點云本身的采樣和誤差等問題，檢測的邊緣點呈現(xiàn)不規(guī)則的折線形式，與建筑物實際輪廓不符，不滿足建筑物矢量化的要求，因此，還需要進(jìn)行輪廓線規(guī)則化處理。根據(jù)建筑物輪廓線通常為相互垂直的兩個方向這一先驗條件，利用最小二乘的直線增長算法提取邊緣點中的線特征，并以線特征長度作為權(quán)值對其方向進(jìn)行權(quán)重二均值聚類，確定建筑物的主軸方向之后，以此方向?qū)λ芯€特征進(jìn)行重定向及重定位處理，得到規(guī)則化輪廓線結(jié)果。

2 建筑局部結(jié)構(gòu)感知和矢量化

由于建筑結(jié)構(gòu)單體點云的提取結(jié)果是基于建筑結(jié)構(gòu)單體屋頂面計算得到，此時進(jìn)行矢量化輪廓重建實際僅得到屋頂面輪廓。然而在現(xiàn)實場景中，由于飄樓、陽臺、屋檐等建筑結(jié)構(gòu)的存在，其建筑基底輪廓與屋頂輪廓不一致，在建筑精細(xì)分析領(lǐng)域，如建筑總量統(tǒng)計方面，若不將這些結(jié)構(gòu)與建筑主體進(jìn)行區(qū)分，統(tǒng)計結(jié)果將存在較大誤差。

2.1 屋檐改正

屋檐結(jié)構(gòu)通常不參與建筑物的矢量化。作為干擾部分，需要對其進(jìn)行識別剔除。如圖1所示，屋檐通常表現(xiàn)為屋頂面在建筑墻面位置向外突出一定距離，從而導(dǎo)致屋頂面下方的建筑墻面所圍成的輪廓相比于屋頂面輪廓出現(xiàn)向內(nèi)凹進(jìn)的情況。

圖1 包含屋檐的建筑物點云

由于屋檐的存在，屋頂面的輪廓并不能代表建筑物的實際輪廓，而屋頂面下方的立面點云所構(gòu)成的矢量輪廓為實際輪廓。因此，對于結(jié)構(gòu)單體BSi，計算其屋頂面點云RPi中的最低高程Hi，取屋頂面下方dh高度的建筑剖面點云，即高程在[Hi-dh-δh/2，Hi-dh+δh/2]區(qū)間內(nèi)的點云PPi，δh為剖面寬度，對PPi進(jìn)行矢量輪廓重建，得到剖面輪廓PBi(profile boundary)。通常情況下，令dh=1 m時，能得到可以正確反映建筑實際輪廓的剖面輪廓。

2.2 建筑剖面特征追蹤方法

為了將各結(jié)構(gòu)單體矢量輪廓中的主體部分與陽臺、飄樓部分進(jìn)行區(qū)分，本文以陽臺、飄樓結(jié)構(gòu)的幾何結(jié)構(gòu)特征作為先驗信息。陽臺、飄樓結(jié)構(gòu)在建筑結(jié)構(gòu)單體提取過程中無法與建筑主體進(jìn)行區(qū)分，但是建筑基底均不包含陽臺、飄樓結(jié)構(gòu)，導(dǎo)致首層的建筑剖面輪廓與建筑整體的外輪廓相比，其具有向內(nèi)凹進(jìn)的特點，而凹進(jìn)部分的輪廓即為陽臺、飄樓輪廓。因此，本文算法以此條件對陽臺、飄樓結(jié)構(gòu)進(jìn)行識別。

為找到建筑物外輪廓的凹進(jìn)部分，本文提出了一種建筑剖面特征追蹤方法。在獲得屋檐改正后的建筑矢量輪廓(building boundary，BB)的基礎(chǔ)上，從屋頂面高度自上而下，每隔一定高度獲取該高度下的建筑剖面，利用矢量輪廓重建方法計算該剖面的規(guī)則化輪廓(profile boundary，PB)，并采用基于圖像的輪廓拓?fù)鋵Ρ确治龇椒?，基于圖像方法求取BB和PB的交集區(qū)域和差集區(qū)域，最后結(jié)合形態(tài)學(xué)處理，找到該剖面輪廓中相比于建筑矢量輪廓的凹進(jìn)部分。該方法主要包含兩個核心部分：基于圖像的輪廓拓?fù)鋵Ρ确治龇椒ㄒ约盎诮ㄖ史值年柵_、飄樓識別流程。

1)基于圖像的輪廓拓?fù)鋵Ρ确治龇椒?。由于點云數(shù)據(jù)本身的精度及采樣問題或建筑立面上的空調(diào)或窗戶等影響，建筑矢量輪廓BB和剖面輪廓PB除了在陽臺、飄樓區(qū)域存在差異以外，還存在較多細(xì)小差異，直接利用幾何計算將導(dǎo)致算法極其復(fù)雜，因此，本文采用了一種基于圖像處理的方式，將建筑物結(jié)構(gòu)單體輪廓和建筑剖面輪廓轉(zhuǎn)變?yōu)闁鸥駡D像，進(jìn)而計算差集區(qū)域，并采用形態(tài)學(xué)處理，可以輕易地剔除細(xì)小差異，進(jìn)而得到陽臺、飄樓的輪廓區(qū)域。

該過程涉及到柵格圖像分辨率參數(shù)的設(shè)置，參數(shù)值較小時，可以更好地表現(xiàn)輪廓原本的精度，但是會帶來效率的成倍降低。在實際應(yīng)用過程中，圖像分辨率(rs)設(shè)為0.05 m時可以保證較高效率的同時，輪廓精度的損失較小。

此外，本算法采用形態(tài)學(xué)開運算處理，經(jīng)過腐蝕、膨脹過程后，圖像中細(xì)小的噪聲區(qū)域會被剔除。在濾波窗口大小的選擇方面，由于陽臺、飄樓通常具有一定大小，其窄邊寬度一般大于1 m，因此將窗口設(shè)為15像素×15像素，即可以將窄邊小于15個像素(若rs=0.05 m，則15個像素對應(yīng)0.75 m)的狹窄區(qū)域濾除。

以圖2中的簡單建筑模型為例，該建筑包含藍(lán)色、綠色和黃色三部分結(jié)構(gòu)單體B1、B2、B3，分別計算各結(jié)構(gòu)單體屋檐改正后的整體輪廓BB1、BB2、BB3。然后，利用從上至下的建筑剖分方法，首先構(gòu)建差異輪廓集合FB={}，并對藍(lán)色部分結(jié)構(gòu)B1進(jìn)行剖分，計算剖面高度，如式(1)所示。

(1)

(2)

圖2 包含飄樓結(jié)構(gòu)的簡單建筑物模型及從上至下的建筑剖分流程示意圖

由于密集匹配點云的精度問題，在某個剖面下計算得到的差異輪廓并不能完整地表現(xiàn)陽臺、飄樓輪廓形狀，因此需要對各個剖面下獲得的差異輪廓進(jìn)行整合。對FB中的差異輪廓進(jìn)行疊加后利用連通分析對其聚類，并將各聚類簇中的差異輪廓進(jìn)行合并和統(tǒng)計，得到合并的差異輪廓集合CFB={CFBi}，i=1，2，…，n，n為聚類數(shù)。以CFBi對應(yīng)的聚類簇中最低的差異輪廓高程作為CFBi的參考高程。

2.3 建筑物結(jié)構(gòu)矢量化

為了計算建筑物結(jié)構(gòu)矢量化結(jié)果，需要獲取各結(jié)構(gòu)單體屋頂面的準(zhǔn)確輪廓。因此，在已有各結(jié)構(gòu)單體整體輪廓BBi的基礎(chǔ)上，計算BBi與其拓?fù)潢P(guān)聯(lián)的結(jié)構(gòu)單體輪廓的差集作為其屋頂面輪廓RBi。如圖3(a)所示，由于B1為無拓?fù)潢P(guān)聯(lián)的結(jié)構(gòu)單體，因此RB1=BB1。圖3(b)為結(jié)構(gòu)單體B2的屋頂面輪廓RB2計算結(jié)果，此時RB2=BB2-BB1。計算RB3=(BB3-BB2)-BB1，如圖3(c)所示。

圖3 結(jié)構(gòu)單體屋頂面輪廓示意圖

最后將結(jié)構(gòu)單體的屋頂面輪廓RBi依次與合并的差異輪廓CFBj進(jìn)行求交運算，其中交集區(qū)域RBi∩CFBj為屋頂面輪廓RBi中的陽臺、飄樓輪廓；CFBj在RBi的差集區(qū)域RBi-CFBj為去除陽臺、飄樓部分后的屋頂面輪廓RBi。圖3的屋頂面輪廓經(jīng)過與圖2中獲得的合并差異輪廓進(jìn)行求交運算，得到如圖4中各結(jié)構(gòu)單體屋頂面中的陽臺、飄樓輪廓以及更新后的屋頂面輪廓。

圖4 屋頂面輪廓與合并的差異輪廓求交計算得到陽臺、飄樓輪廓及更新后的屋頂面輪廓

將陽臺、飄樓的識別結(jié)果以及各結(jié)構(gòu)單體屋頂面輪廓的計算結(jié)果投影至二維平面，得到建筑物二維矢量圖結(jié)果。同時，利用該結(jié)果對建筑物進(jìn)行結(jié)構(gòu)化矢量重建，得到建筑物結(jié)構(gòu)矢量化結(jié)果。

3 實驗與分析

如圖5所示，以廣州市某城中村作為測區(qū)采集傾斜影像，并利用ContextCapture軟件進(jìn)行數(shù)據(jù)處理得到密集匹配點云，對該數(shù)據(jù)利用前文方法進(jìn)行建筑物結(jié)構(gòu)單體點云提取，得到如圖6所示的結(jié)構(gòu)單體點云提取結(jié)果，以此為基礎(chǔ)，進(jìn)行陽臺、飄樓的識別及建筑物的結(jié)構(gòu)化矢量重建。

圖5 原始點云數(shù)據(jù)

圖6 建筑物結(jié)構(gòu)單體點云提取結(jié)果

圖7為陽臺、飄樓識別結(jié)果以及建筑物結(jié)構(gòu)矢量化結(jié)果，圖中紅色線條為建筑中結(jié)構(gòu)單體的輪廓線，橙黃色部分為識別的陽臺、飄樓結(jié)構(gòu)。直觀來看，該矢量化結(jié)果較好地反映了建筑物的實際幾何形狀，且單體部分均已得到區(qū)分，符合建筑矢量化應(yīng)用的需要。此外，由于本算法在建筑物結(jié)構(gòu)單體點云提取的基礎(chǔ)上進(jìn)行處理，數(shù)據(jù)量已大大減少，本實驗數(shù)據(jù)僅需2～3 s即可完成運算，說明本方法在效率方面具有一定的保障。

圖7 包含陽臺、飄樓識別結(jié)果的建筑物結(jié)構(gòu)矢量化結(jié)果

從圖7中的陽臺、飄樓識別結(jié)果(橙黃色部分)可見，陽臺、飄樓結(jié)構(gòu)的矢量輪廓結(jié)果與真實的結(jié)構(gòu)輪廓較為符合，在該數(shù)據(jù)條件下取得了較好的識別效果。但是對于密集建筑區(qū)域，如圖8紅圈部分所示，由于遮擋原因，在建筑首層區(qū)域，密集匹配點云數(shù)據(jù)存在大量的插值點，導(dǎo)致其飄樓結(jié)構(gòu)區(qū)域的首層部分點云被過度平滑，失去了向內(nèi)凹進(jìn)的特點，破壞了飄樓的可識別條件，從而導(dǎo)致算法無法對該情況下的飄樓結(jié)構(gòu)進(jìn)行識別。對于該情況，應(yīng)從數(shù)據(jù)源方面進(jìn)行改進(jìn)，采用地面LiDAR或SLAM技術(shù)等進(jìn)行數(shù)據(jù)采集，結(jié)合多源數(shù)據(jù)還原遮擋區(qū)域的點云實際分布情況，即可更好地實現(xiàn)陽臺、飄樓結(jié)構(gòu)的識別。

圖8 建筑物遮擋區(qū)域的局部展示

本文利用該區(qū)域的結(jié)構(gòu)矢量化結(jié)果結(jié)合樓層信息計算各建筑的總面積。將該結(jié)果與通過外業(yè)測圖統(tǒng)計的建筑總面積進(jìn)行定量對比分析，21棟建筑的對比結(jié)果如表1所示，其中最大相對誤差為12.5%，最小相對誤差為0.7%，平均誤差在6.8%，整體誤差在6.5%。從該結(jié)果看，相比手工成圖的面積統(tǒng)計結(jié)果，基于本文算法結(jié)構(gòu)矢量信息的面積統(tǒng)計結(jié)果絕大多數(shù)都偏大，這主要由于密集匹配點云本身的精度(一般在8～10 cm)、密集匹配噪聲、局部結(jié)構(gòu)漏識別、輪廓自動提取與正則化算法四個方面，尤其是陽臺、飄樓結(jié)構(gòu)的漏識別，導(dǎo)致在本應(yīng)計算一半面積的陽臺飄樓區(qū)域計算了全部面積，使得總面積統(tǒng)計結(jié)果偏大，而陽臺、飄樓結(jié)構(gòu)的漏識別與密集匹配點云本身的噪聲相關(guān)。因此，采用多源數(shù)據(jù)融合的方式進(jìn)行建筑結(jié)構(gòu)矢量化，進(jìn)一步改善了矢量化結(jié)果。

表1 本文矢量化結(jié)果統(tǒng)計的建筑面積與外業(yè)數(shù)據(jù)采集及手工成圖所統(tǒng)計的建筑面積對比

整體而言，本文方法得到的建筑結(jié)構(gòu)矢量化結(jié)果具有較好的精度，在大大提升建筑物矢量成圖的效率且降低矢量成圖成本的同時，還保證了矢量化結(jié)果的精度，具有一定的應(yīng)用前景。

4 結(jié)束語

本文在建筑物結(jié)構(gòu)單體點云提取的基礎(chǔ)上，基于矢量輪廓重建算法，設(shè)計了一種建筑物結(jié)構(gòu)矢量化算法。該算法利用已初步結(jié)構(gòu)化分割的建筑物點云，采用基于建筑剖面輪廓的屋檐改正方法剔除屋檐對矢量化的影響；針對建筑物陽臺、飄樓等局部結(jié)構(gòu)的識別問題，采用剖面特征追蹤方法，并結(jié)合基于圖像的剖面結(jié)構(gòu)拓?fù)鋵Ρ确治龇椒▽崿F(xiàn)陽臺、飄樓區(qū)域的自動識別；進(jìn)一步，通過結(jié)構(gòu)化矢量重建，得到包含陽臺、飄樓語義信息的建筑結(jié)構(gòu)矢量化結(jié)果。實驗結(jié)果表明，該算法可以較好地反映建筑真實矢量特征，能夠快速、準(zhǔn)確且自動地重建建筑物結(jié)構(gòu)矢量信息。

在實驗結(jié)果中，由于密集匹配點云數(shù)據(jù)本身存在的精度問題以及受遮擋影響出現(xiàn)的插值點問題，造成建筑局部結(jié)構(gòu)的漏識別，可以考慮通過多源數(shù)據(jù)融合的方式，結(jié)合地面LiDAR點云還原遮擋區(qū)域的點云實際分布情況，提高建筑結(jié)構(gòu)矢量化的準(zhǔn)確性，這也是本研究需要進(jìn)一步改進(jìn)的地方。