向澤君 滕德貴 袁長征 龍川

摘 要：建筑立面信息是指建筑物與外部空間接觸面的空間分布及屬性信息，如何從點云數據中提取建筑立面信息是點云數據處理中的熱點和難點。為解決傳統(tǒng)格網密度算法在建筑立面點云提取時評價標準單一、適應性不強的問題，綜合分析建筑區(qū)各類典型地物點云的高程分布、投影密度、法向量分布等局部及整體空間特征，構建由點云單點語義、格網語義及區(qū)域語義組成的多層次語義特征描述子，在此基礎上提出一種建筑立面點云提取方法，針對建筑立面點云在不同層次語義上的特點設置合理閾值，通過逐層篩選實現建筑立面點云的精確提取。試驗結果表明：該算法能在低層、高層以及超高層建筑區(qū)等不同場景海量點云中快速準確地實現建筑立面點云提取，算法精度、效率、適應性良好。

關鍵詞：建筑立面;格網密度算法;點云;格網;語義;算法

中圖分類號：TU198?? 文獻標志碼：A?? 文章編號：2096-6717（2020）04-0099-09

收稿日期：2020-10-21

基金項目：重慶市技術創(chuàng)新與應用發(fā)展專項重點項目（cstc2019jscx-fxydX0083、cstc2019jscx-mbdx0029）

作者簡介：向澤君（1965- ），男，高級工程師，主要從事點云數據處理研究，E-mail：xiangzj@cqkcy.com。

袁長征（通信作者），男，高級工程師，E-mail：changzhengyuan@126.com。

Received：2020-10-21

Foundation items：Key Projects of Chongqing Technological Innovation and Application Development （No. cstc2019jscx-fxydX0083， cstc2019jscx-mbdx0029）

Author brief：XIANG Zejun （1965- ）， senior engineer， main research interest： point cloud data processing， E-mail： xiangzj@cqkcy.com.

YUAN Changzheng （corresponding author）， senior engineer， E-mail： yangkejia@tom.com.

An extraction method for building facade point cloud based on multi-level semantic features

XIANG Zejun， TENG Degui， YUAN Changzheng， LONG Chuan

（Chongqing Surveying Institute，Chongqing 401121， P. R. China）

Abstract： Building facade information refers to the spatial distribution and attribute information of the contact surface between buildings and external space. How to extract building facade information from point cloud data is a hot and difficult problem in point cloud data processing. In order to solve the problems of single evaluation standard and weak adaptability of traditional grid density algorithm in building facade point cloud extraction，? this paper analyzed the local and overall spatial characteristics such as elevation distribution， projection density and normal vector distribution of various typical surface feature point clouds in the construction area， and constructed a multi-level semantic feature descriptor composed of point cloud single point semantics， grid semantics and regional semantics. Based on this descriptor and the reasonable threshold which was set according to the semantic characteristics of building facade point cloud at different levels， a multi-level semantic feature extraction method was proposed to extract the building facade point cloud accurately layer by layer. The experimental results show that this algorithm can be used to quickly and accurately extract the building facades of low， high buildings and super high buildings from point clouds. Overall， this algorithm achieves a high precision， a high efficiency and a good adaptability.

Keywords：building facade; grid density algorithm; point cloud; grid; semantics; algorithm

建筑立面信息在建構筑物模型重建[1]、老舊小區(qū)改造[2]等方面具有重要作用，傳統(tǒng)的立面測量方法包括全站儀法、測距儀法及攝影測量法[3]等，存在信息獲取不全、作業(yè)效率低等問題。三維激光掃描可快速獲取具有三維坐標及顏色、強度、紋理等屬性的海量點云，極大提升了空間地理信息的獲取能力[4-5]，也為建筑立面圖測繪提供了一種更新、更快的技術手段[6]。由于點云中包含的地物類型多樣、點密度分布不均且存在各種噪聲，快速準確地提取建筑立面一直是點云數據處理的難點。

學者們針對點云分類與提取進行了大量研究，主要算法分為模型擬合法[7-8]、屬性聚類法[9-10]、區(qū)域生長法[11-13]、機器學習算法[14-20]以及平面投影法[21-23]等。其中，模型擬合法[7-8]基于平面、球體、圓柱體等幾何體的數學模型進行點云分隔，處理速度快，但只適用于規(guī)則地物的提取;屬性聚類法[9-10]利用點云的特征進行聚類和分隔，其結果較穩(wěn)定，但無法區(qū)分特征相似的地物，且處理復雜場景時耗時較長;區(qū)域生長法[11-13]首先選取種子點，然后搜索鄰域內滿足一定相似性標準的點進行聚類，通過不斷生長完成分割，算法結果依賴于種子點及生長準則的選取，選取不當將導致過生長或欠生長;面向三維點云的機器學習算法[14-20]框架還有待完善，且需要大量樣本數據進行訓練，分類結果具有一定隨機性。

點云平面投影方法[21-23]將三維點云投影到二維平面并進行格網劃分得到點云特征圖像，然后采用圖像處理方法進行分類，具有算法簡單、運算速度快等優(yōu)點，在點云分類方面得到了廣泛應用。史文中等[21]基于點云投影密度進行建筑物立面提取，由于分類標準單一，提取結果容易受其他地物干擾，在地形起伏較大、地物復雜多樣時效果難以保證;盧秀山等[22]通過三維和二維格網進行綜合判斷，并基于RANSAC算法去噪，提高了分類精度，但算法復雜度高，運算效率較低。邵磊等[23]提出了一種結合多種投影影像提取建筑物的方法，但該方法首先要進行地面點云提取，增加了算法復雜度，且地面點提取精度將直接影響后續(xù)建筑物提取精度。

針對上述傳統(tǒng)格網算法存在的問題，引入點云的單點語義、格網語義和區(qū)域語義，構建基于多層次語義特征的建筑立面點云提取方法，并對不同場景的點云數據進行提取，驗證算法的有效性。

1 基于多層次語義的建筑立面點云提取算法

1.1 建筑區(qū)典型地物點云空間特性

建筑區(qū)地物可分為地面（含低矮植被）、建筑物、桿狀物、樹木及其他地物類型[24]，通過地面三維激光掃描儀獲取的部分地物點云及平面投影如圖1所示，其具體特性如下：

1）建筑物點云特征。

建筑物外形較為規(guī)則，高度較高，點云集中在建筑物外立面，投影到XOY平面后呈線性連續(xù)分布，立面投影區(qū)域點云密度大，建筑物內部點云密度小。此外，由于建筑立面一般垂直于地面，點云法向量垂直角集中分布在90°附近，標準差較小。

2）地面點云特征。

地面點云高程值較小，投影到平面后呈面狀均勻分布，法向量垂直角分散分布，標準差較大。

3）桿狀地物點云特征。

電桿、路燈等桿狀地物一般垂直于地面且有一定高度，投影面積小，點密度較大。立桿部分與附屬部件（如燈泡、攝像頭等）法向量垂直角差異較大。

4）樹木點云特征。

樹木具有一定高度，且樹冠范圍較樹干大，單棵樹木投影后呈近似圓形分布，投影范圍內點密度分布較為均勻，法向量垂直角標準差較大。

計算圖1中各點云的法向量，并分別選取10 000個來計算其垂直角（法向量與Z軸夾角），分布特征如圖2和表1所示：

1.2 點云多層次語義特征

根據各類地物的空間特征，結合建筑立面提取的需求，構建點云單點語義、格網語義和區(qū)域語義3類特征。

1）單點語義特征。

對于點P，將其高程值PZ作為單點語義特征，即

P={PZ}（1）

基于該特征，通過設置低點閾值Zlow可將低于該值的非建筑點云剔除;若大于高點閾值Zhigh的點全部為建筑立面點，則可將該閾值以上的點標記為建筑立面點。

2）格網語義特征。

將點云進行平面投影并按一定尺寸劃分格網G，計算格網內的點云密度GD、最高點與最低點高差GH作為單元格網的語義特征，即

G={GD，GH}（2）

由于建筑物具有一定高度且在立面處的點云投影密度較大，可將格網密度或高差低于一定閾值的非建筑立面點云剔除。

3）區(qū)域語義特征。

將滿足格網語義特征閾值要求的格網定義為興趣格網，相互連通的興趣格網集合定義為一個對象區(qū)域A，對每個區(qū)域采用安德魯算法（Andrews Algorithm）計算凸包，統(tǒng)計凸包范圍內格網總數AT以及興趣格網數量AC，按式（3）計算興趣格網比例。

AR=ACAT（3）

建筑物對應區(qū)域AC較大但AR較小;桿狀物及樹木對應區(qū)域AC較小但AR較大。此外，由于建筑立面點云法向量垂直角標準差AN明顯小于其他地物，可作為立面點云提取的一個重要特征。綜上，將AC、AR以及AN作為對象區(qū)域的語義特征，即

A={AC，AR，AN}（4）

以上定義的點云單點語義、格網語義及區(qū)域語義分別代表地物的單點特征、局部特征和整體特征，形成了點云多層次語義特征描述子，如表2及圖3所示。

1.3 算法步驟

基于上述多層次語義特征描述子，提出一種建筑立面點云提取算法：首先通過單點語義特征，即點的高程值剔除低于建筑物的點云，同時提取出一定高度以上僅包含建筑物的高層建筑點云;然后將剩余點云及高層建筑點云投影到XOY平面并劃分格網，根據格網語義特征選取興趣格網;最后對興趣格網進行連通性分析得到對象區(qū)域，并基于區(qū)域語義特征實現建筑立面點云的精確提取，具體步驟如下。

1）數據預處理。

數據預處理主要是通過裁剪、濾波等方式剔除點云中的噪點，減少對后續(xù)數據處理的干擾;此外，按一定采樣間隔進行重采樣，去除過密點云，提高運算效率。

2）基于單點語義特征的初步分類。

設置低點閾值Zlow，剔除低于該值的非建筑點云;設置高點閾值Zhigh，提取高于該值的建筑立面點，即

p（PZ）=PZ

Zlow≤PZ≤Zhigh，待分類點

PZ>Zhigh，高層建筑立面點（5）

閾值設置時，要確保低于Zlow無建筑立面點，高于Zhigh只有建筑立面點。

3）點云平面投影及單元格網劃分。

將步驟2）得到的待分類點以及高層建筑立面點投影到XOY平面，投影計算公式為

X′，Y′，Z′=X，Y，Z110+0，0，h （6）

式中：X、Y、Z為點云原始坐標;X′、Y′、Z′為投影后坐標;h為投影面高程，一般取0。投影后即可按一定間隔d進行格網劃分，設點云平面坐標最大、最小值分別為Xmin、Ymin、Xmax、Ymax，則格網的行列數R、C分別為

R=（Xmax-Xmin）/d

C=Ymax-Ymin/d（7）

設點i坐標為（xi，yi，zi），則對應格網行列號ri、ci為

ri=floorxi-Xmind

ci=flooryi-Ymind（8）

式中：floor為小于該值的最大整數，且行列號從0開始計數。

4）基于格網語義特征的二次分類。

設格網I內的點數為N，對應三維點云坐標為（XIi，YIi，ZIi），i=1，2，…，N，則該格網的點密度GDI、高差GHI分別為

GDI=N/d2（9）

GHI=max1≤i≤NZIi-min1≤i≤NZIi（10）

設置點密度閾值GD_th和高差閾值GH_th，并基于式（11）所示準則選取建筑物立面對應興趣格網。

g（GD，GH）=

（GD>GD_th）∧（GH>GH_th），興趣格網

[（GD>GD_th）∧（GH>GH_th）]，非興趣格網（11）

點密度閾值GD_th根據點云密度與格網尺寸d進行確定;高差閾值GH_th應略小于范圍內最矮建筑物的高度。

5）基于區(qū)域語義特征的精確分類。

對興趣格網進行連通性分析得到多個對象區(qū)域，設區(qū)域J包含的興趣格網數量為S，對應凸包范圍內格網總數為T，則該區(qū)域語義特征ACJ、ARJ分別為

ACJ=S（12）

ARJ=ST（13）

計算區(qū)域內點云法向量及垂直角，并統(tǒng)計垂直角標準差ANJ，然后設置各特征閾值AC_th、AR_th及AN_th，基于式（14）所示準則進行建筑立面點云的精確分類。

a（AC，AR）=（AC>AC_th）∧（AR

[（AC>AC_th）∧（AR

興趣格網數量閾值AC_th根據格網尺寸與建筑物大小進行設置;根據測試，比例閾值AR_th一般設置為20%～30%，法向量垂直角標準差閾值AN_th一般設置為5°～10°。

最后，查詢平面投影位于建筑立面區(qū)域內的點云，與步驟（2）提取的高層建筑點云取并集，即得到滿足多層次語義特征的建筑立面點云。

算法流程如圖4所示。

2 實驗分析

目前，基于屬性聚類算法的點云分類方法在多款主流的點云商業(yè)處理軟件中方得到了實現，使用較為廣泛。本文算法是對傳統(tǒng)格網密度算法的改進，因此，分別采用本文算法、傳統(tǒng)格網密度（DoPP）算法以及屬性聚類算法對不同場景的點云數據進行建筑立面提取，并對提取結果進行評價以驗證本文算法的提取精度、效率及適用性。

2.1 實驗數據

實驗數據為低層建筑區(qū)、高層建筑區(qū)以及超高層建筑區(qū)3種典型場景的實測地面三維激光點云，如圖5所示。

3個數據集的基本特征如表3所示。

2.2 實驗方法

首先通過人工編輯方式對3個數據集中的建筑立面進行精細提取，并將其作為評價算法精度的標準;然后分別用3種算法提取建筑立面點云，對提取結果的精度、適應性及效率進行對比分析。其中本文算法及DoPP算法采用C++語言編程實現，屬性聚類算法采用某商業(yè)軟件點云分類功能模塊。

2.2.1 參數設置

針對不同數據集的實際特點，設置了本文算法以及DoPP算法的各項參數，為便于比較，對兩種算法設置相同的格網尺寸和點云密度參數，如表4所示。

2.2.2 算法提取

圖6、圖7、圖8分別展示了采用人工精細分類、本文算法、DoPP算法以及屬性聚類算法對3個數據集的建筑立面提取結果。

2.2.3 評價指標

以人工提取結果作為真實值，分別按式（15）、（16）、（17）、（18）計算各算法提取結果的真正類率（True Positive Rate，TPR）、假正類率（False Positive Rate，FPR）、準確率（Accuracy，Acc）和交并比（Intersection over Union，IoU）4個精度指標，同時，統(tǒng)計運算時間來評價算法效率。

TPR=TPTP+FN（15）

FPR=FPFP+TN（16）

Acc=TP+TNTP+TN+FP+FN（17）

IoU=TPTP+FP+FN（18）

式中：TP、FP、TN、FN的含義可用混淆矩陣表示。

為評價算法效率，采用3種算法對所有數據集分別處理10次，計算平均用時，測試平臺基本參數如表6所示。

3種分類方法的評價指標如表7所示。

2.3 結果分析

從圖6、圖7、圖8以及表7中可以看出：

1）提取精度方面：除了高層建筑區(qū)的TPR指標，本文算法其他各項指標均為最優(yōu)。對于高層建筑區(qū)，DoPP算法的TPR指標最高，即該算法提取的真實建筑立面點最多，但FPR指標同樣很高，說明結果中包含了大量錯分點，圖7（c）也證明了這一結論。

2）場景適應性方面：本文算法對3種不同場景的點云均提取出了較為完整的建筑立面，僅在點云過于稀疏的立面和擋墻處（圖6（b）A、B處;圖7（b）C、D處;圖8（b）E、F、G處）有部分缺失;DoPP算法在低層及高層建筑區(qū)的錯分點云較多（圖6（c）、圖7（c）），在超高層建筑上部立面缺失明顯（圖8（c））;屬性聚類算法在高層建筑區(qū)提取效果較好，但無法剔除大面積的密集植被，且超高層建筑立面缺失嚴重（圖8（d））。

3）運算效率方面：與DoPP算法相比，由于本文算法顧及的特征更加全面，運算時間略有增加，但相差均小于1 s，且都在10 s以內;屬性聚類算法運算時間較長。

綜合各項評價指標，本文算法在提取精度及不同場景的適應性方面均明顯優(yōu)于DoPP算法及屬性聚類算法;在運算效率方面與于DoPP算法相當，與屬性聚類算法相比優(yōu)勢明顯。

3 結論

結合各類地物點云的單點特征、局部特征及整體特征構建對應的語義屬性，并提出了一種基于多層次語義特征的建筑物立面提取方法。該方法的主要貢獻有：

1）綜合考慮點云高程、平面投影點密度及分布特征、法向量垂直角等多層次語義特征，實現對建筑立面的精確描述，提高了提取結果的正確率和完整性。

2）將三維分類問題轉化到二維平面，算法效率高。

3）算法參數設置靈活，適應性好，可滿足不同場景的提取需求。

通過不同場景點云的提取實驗結果表明：該方法可快速有效的提取復雜環(huán)境中的建筑立面點云，與傳統(tǒng)DoPP算法及屬性聚類算法相比，提取精度及適應性顯著提高。目前，算法參數需根據點云的實際情況進行設定，下一步將研究參數的自適應設置，提高算法的實用性，并在三維建模、智慧城市建設等領域推廣應用。參考文獻：

[1] 羅德安， 廖麗瓊， 吳志群. 基于點云的建筑立面模型快速重建[J]. 測繪通報， 2013（12）：21-24.

LUO D A， LIAO L Q， WU Z Q. Rapid reconstruction building facade models from point cloud [J]. Bulletin of Surveying and Mapping， 2013（12）： 21-24. （in Chinese）

[2] 邵萬里. Agisoft PhotoScan在立面測量中的應用[J]. 城市勘測， 2019（2）： 74-76.

SHAO W L. Application of agisoft PhotoScan in facade surveying [J]. Urban Geotechnical Investigation & Surveying， 2019（2）： 74-76. （in Chinese）

[3] 袁凌云， 李慧， 李杰， 等. 三維激光掃描技術在建筑立面照明設計中的應用[J]. 測繪通報， 2020（1）： 164-166.

YUAN L Y， LI H， LI J， et al. Application of 3D laser scanning technology in building facade lighting design [J]. Bulletin of Surveying and Mapping， 2020（1）： 164-166. （in Chinese）

[4] 楊必勝， 梁福遜， 黃榮剛. 三維激光掃描點云數據處理研究進展、挑戰(zhàn)與趨勢[J]. 測繪學報， 2017， 46（10）： 1509-1516.

YANG B S， LIANG F X， HUANG R G. Progress， challenges and perspectives of 3D LiDAR point cloud processing [J]. Acta Geodaetica et Cartographica Sinica， 2017， 46（10）： 1509-1516. （in Chinese）

[5] 袁長征， 滕德貴， 胡波， 等. 三維激光掃描技術在地鐵隧道變形監(jiān)測中的應用[J]. 測繪通報， 2017（9）： 152-153.

YUAN C Z， TENG D G， HU B， et al. Application of 3D laser scanning technology in subway tunnel deformation monitoring [J]. Bulletin of Surveying and Mapping， 2017（9）： 152-153. （in Chinese）

[6] 李婉. 地面三維激光掃描技術對建筑物立面測量的應用[J]. 測繪通報， 2016（Sup2）： 241-244.

LI W. Application of ground 3D laser scanning technology to building elevation measurement [J]. Bulletin of Surveying and Mapping， 2016（Sup2）： 241-244. （in Chinese）

[7]? SCHNABEL R， WAHL R， KLEIN R. Efficient RANSAC for point-cloud shape detection [J]. Computer Graphics Forum， 2007， 26（2）： 214-226.

[8]? YANG B S， DONG Z. A shape-based segmentation method for mobile laser scanning point clouds [J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 81： 19-30.

[9]? ZHAN Q M， LIANG Y， LIANG Y B. A point cloud segmentation method based on vector estimation and color clustering [C]//The 2nd International Conference on Information Science and Engineering， December 4-6， 2010， Hangzhou， China. IEEE， 2010： 3463-3466.

[10] 王曉輝， 吳祿慎， 陳華偉， 等. 應用改進的粒子群優(yōu)化模糊聚類實現點云數據的區(qū)域分割[J]. 光學精密工程， 2017， 25（4）： 1095-1105.

WANG X H， WU L S， CHEN H W， et al. Region segmentation of point cloud data based on improved particle swarm optimization fuzzy clustering [J]. Optics and Precision Engineering， 2017， 25（4）： 1095-1105. （in Chinese）

[11] 趙傳， 張保明， 陳小衛(wèi)， 等. 一種基于LiDAR點云的建筑物提取方法[J]. 測繪通報， 2017（2）： 35-39.

ZHAO C， ZHANG B M， CHEN X W， et al. A method of extracting building based on LiDAR point clouds [J]. Bulletin of Surveying and Mapping， 2017（2）： 35-39. （in Chinese）

[12]? VO A V， TRUONG-HONG L， LAEFER D F， et al. Octree-based region growing for point cloud segmentation [J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2015， 104： 88-100.

[13] 盧學良， 童曉沖， 張永生， 等. 城市密集點云的區(qū)域生長表面構網改進算法[J]. 武漢大學學報（信息科學版）， 2016， 41（6）： 832-837.

LU X L， TONG X C， ZHANG Y S， et al. An improved region-growing surface triangulation algorithm for urban dense point cloud [J]. Geomatics and Information Science of Wuhan University， 2016， 41（6）： 832-837. （in Chinese）

[14]? CHARLES R Q， HAO S， MO K C， et al. PointNet： Deep learning on point sets for 3D classification and segmentation [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， July 21-26， 2017， Honolulu， HI， USA. IEEE， 2017： 77-85.

[15] LI Y Y， BU R， SUN M C， et al. PointCNN： Convolution on X-transformed points [C]∥Advances in Neural Information Processing Systems， December 3-8， 2018， Montréal， Canada， 2018： 820-830.

[16]? PAOLETTI M E， HAUT J M， PLAZA J， et al. A new deep convolutional neural network for fast hyperspectral image classification [J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 145： 120-147.

[17] JADERBERG M， SIMONYAN K， ZISSERMAN A， et al. Spatial transformer networks [C]∥Advances in Neural Information Processing Systems， December 7-12， 2015， Montreal， Quebec， Canada， 2015： 2017-2025.

[18]? LI Z Q， CAI X， LIU Y， et al. A novel Gaussian-bernoulli based convolutional deep belief networks for image feature extraction [J]. Neural Processing Letters， 2019， 49（1）： 305-319.

[19]? KOMARICHEV A， ZHONG Z C， HUA J. A-CNN： annularly convolutional neural networks on point clouds [C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 15-20， 2019， Long Beach， CA， USA. IEEE， 2019： 7413-7422.

[20]? YE X Q， LI J M， HUANG H X， et al. 3D recurrent neural networks with context fusion for point cloud semantic segmentation[M]//Computer Vision-ECCV 2018. Cham： Springer International Publishing， 2018： 415-430.

[21] 史文中， 李必軍， 李清泉. 基于投影點密度的車載激光掃描距離圖像分割方法[J]. 測繪學報， 2005， 34（2）： 95-100.

SHI W Z， LI B J， LI Q Q. A method for segmentation of range image captured by vehicle-borne laserscanning based on the density of projected points [J]. Acta Geodaetica et Cartographic Sinica， 2005， 34（2）： 95-100. （in Chinese）

[22] 盧秀山， 邢愷強， 劉如飛， 等. 一種三維激光點云中建筑物立面漸進分割方法[J]. 測繪科學， 2019， 44（12）： 7-13.

LU X S， XING K Q， LIU R F， et al. Gradual segmentation method for building facade in 3D laser point cloud [J]. Science of Surveying and Mapping， 2019， 44（12）： 7-13. （in Chinese）

[23] 邵磊， 董廣軍， 于英， 等. 車載激光掃描數據中建筑物立面快速提取[J]. 地球信息科學學報， 2018， 20（4）： 462-470.

SHAO L， DONG G J， YU Y， et al. A fast method of building extraction from mobile LiDAR scanning data [J]. Journal of Geo-Information Science， 2018， 20（4）： 462-470. （in Chinese）

[24] 吳芬芳， 李清泉， 熊卿. 基于車載激光掃描數據的目標分類方法[J]. 測繪科學， 2007， 32（4）： 75-77， 195.

WU F F， LI Q Q， XIONG Q. On classification of vehicle-borne laser-scanning data [J]. Science of Surveying and Mapping， 2007， 32（4）： 75-77， 195. （in Chinese）

（編輯 章潤紅）