拓普康IP-S2移动测量系统主要由IP-S2主控单元、激光扫描仪、360° 全景相机及其控制系统和电源系统组成, 其中3个2D激光扫描仪能够获取道路路面及其两侧的高分辨率3D点云数据。

LiDAR点云数据在内容和形式等方面具有其自身的特点: ①在形式上呈离散分布; ②具有反射强度信息; ③呈扫描线排列方式; ④具有盲目性^[9]。另外, 由于测量系统固有的量测视角局限性, 总是难以获取场景的完整三维数据。因此车载系统难以对目标的顶面和周围4面做完整的扫描, 而且存在树木等其他地物的遮挡问题(图1)。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 LiDAR点云数据的不完整性Fig.1 Incompleteness of LiDAR point cloud data

实验采用IP-S2车载系统获取的LiDAR点云数据, 并经过前端采集软件的配准处理, 获得完整的街景三维点云数据(* .ips格式)。经过地理坐标编码, 将原始WGS84坐标转换为北京54坐标, 导出点云的存储格式为北京54坐标系统下的文本格式(* .txt格式), 每个点用其三维坐标、强度和颜色信息(X, Y, Z, Intensity, R, G, B)表达。本文使用的是转换后的.txt格式点云数据, 并针对不同街景地物完成后期的三维建模。

在LiDAR点云数据的重采样中, 由于车载LiDAR点云数据量十分庞大, 导致软件对数据处理的速度被大大降低; 为了高效完成后续点云数据建模, 需要使用Pointools软件对点云数据进行“ 稀化” , 即根据建模精度要求, 对不同地物的重采样设置不同的格网间距。城市道路大多比较平坦, 一般可设置格网间距为0.1 m; 而对建筑物则需要设置0.01 m的格网间距进行重采样(图2)。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 用Pointools 稀化点云的显示Fig.2 Display of point cloud sparseness using Pointools

本文建立的车载LiDAR点云数据分割与半自动化建模技术流程见图3。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 点云数据分割与半自动化建模技术流程Fig.3 Technical flowchart of point cloud data segmentation and semi-automatic modeling

现将点云数据分割与半自动化建模技术流程简述如下:

1)数据采集。采用拓普康IP-S2移动测量系统完成街景LiDAR点云数据的获取。

2)数据预处理。将LiDAR点云数据转换成标准格式, 并对数据进行重采样。

3)点云分割。充分利用各类地物的特性, 对不同地物使用不同的点云数据分割方法, 最终实现LiDAR点云数据的分割。

4)模型精化。以车载和航空图像的纹理信息为基础, 辅助完成建筑物的立面和顶面点云模型的精化。

5)三维建模。基于精化后的LiDAR点云数据以及建筑物的特点, 利用SketchUp软件完成街景模型的重建。

街景三维重建是建立在准确分割点云数据的基础上。针对城市街景, 主要分为道路分割、建筑物分割、树和路灯等附属设施分割^{[10, 11]}。

1)道路分割。首先将LiDAR点云数据生成栅格模型(图4), 然后根据栅格模型的高程值进行滤波处理, 得到道路点云数据。道路可以认为是地表, 且具有平面特征。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 道路点云栅格模型Fig.4 Raster model of road point cloud

以地表高程最小、在一定范围内高程平滑作为约束条件, 可实现道路地表的自动分割(图5)。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 道路点云分割Fig.5 Segmentation of road point cloud

2)建筑物分割。在道路分割的基础上, 使用Cyclone软件, 利用建筑物自身的属性信息(如高程值特性), 可以实现建筑物的分割。如果分割中仍带有其他噪点, 可以再次进行人工去噪, 分割出建筑物区域。由于车载LiDAR点云数据无法扫描建筑物顶面或背面信息, 往往导致建筑物点云不完整(仅保留部分立面信息)。图6示出分割后建筑物局部点云图。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 建筑物点云Fig.6 Point cloud of buildings

3)附属设施分割。树和路灯等典型的街景附属设施一般较难实现自动分割, 需要人工判读, 进一步人工去除噪点信息, 才可较为准确地提取出附属设施的点云数据; 而且在分割道路和建筑物点云数据的基础上, 点云数据将以附属设施为主, 这也相对减少了附属设施人工提取的工作量(图7)。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 附属设施点云Fig.7 Point cloud of subsidiary facilities

在点云分割的基础上, 完成道路、建筑物与树和路灯等附属设施的建模。

1)道路建模。基于自动准确提取的道路点云数据, 对道路点云进行三角网模型处理, 同时辅以图像纹理信息完成街景道路的三维建模。

2)建筑物建模。由于自动分割后的建筑物主要以立面信息为主, 利用图像的纹理信息辅助完成建筑物立面和顶面的三维建模。本次实验采用成熟的建模软件和方法, 使用SketchUp软件完成点云数据的导入、独立坐标系的定义、面的挤压与拉伸、窗户阳台的细节建模以及纹理映射等过程, 实现了建模的完整性和较强的准确性。

3)附属设施建模。树和路灯等附属设施的建模以点云提供的基点为基准, 不要求实际模型的重建, 只要插入现有的虚拟模型即可, 最终得到附属设施的三维重建结果(图8)。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 局部街景三维模型Fig.8 3D model of local streetscape

在车载激光系统扫描过程中会出现被测物体表面数据丢失的问题, 其原因主要有3个方面^[12]: ①扫描过程中各个物体由于其自身空间拓扑结构产生的遮挡(这也是补洞的重点所在); ②被测物体表面不良的反射特性(对之后的模型重建没有影响, 可不考虑); ③三维激光扫描仪自身的缺陷和误差(比如扫描距离不够时, 扫描就会产生杂点)。

目前对于LiDAR点云的精化处理主要基于自身数据, 通过统计模型得出被测目标表面较为完整的数据描述。本文从LiDAR数据本身出发, 采用图像纹理辅助建模, 利用纹理图像的信息及建筑物纹理的重复性, 在建模过程通过复制、移动、镜像等操作完成模型的精化, 实现对有树木等遮挡的建筑物的重建方法(图9和图10)。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 立面不完整的建筑物点云Fig.9 Point cloud of incomplete facade building

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 修复后建筑物模型Fig.10 Repaired building model

上述方法对解决车载LiDAR点云扫描过程中其他地物遮挡建筑物的问题也很有效。另外, 对于建筑物顶面无完整数据的处理, 本次实验主要采用航空或遥感卫星图像辅助建模, 利用建筑物的顶面纹理信息等, 用人工方法完成三维建模的工作(图11和图12)。

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 顶面不完整的建筑物点云Fig.11 Point cloud of top surface of incomplete building

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 修复后建筑物模型Fig.12 Repaired building model