1.大场景机载点云语义建模方法,其特征是包括如下步骤:
1)ALS点云场景分类;
2)建筑语义基元标识;
3)建筑语义重建;
4)精度评价;
所述的建筑语义基元标识,将点云分为建筑、植被、地面和“其他”四类,然后针对标记后的建筑点云实施连通聚类分析,完成单幢建筑分割;其后进一步实施建筑语义基元标识;
具体包括如下步骤:
(a)建筑立面基元:
给定建筑边界线 通过最佳标签过程 分割出m个潜在的线性基元其中任意的线性基元 由点集p1,p2,…,pn组成;整个过程表达如下:其中,Ealignment控制分割后想线性基元逼近真实建筑轮廓的程度;Esmooth确保位于同一条边界上的点保持相同的标号;Efidelity抑制产生过度琐碎的分割边界,即分割后的线性基元要尽可能与真实建筑边界保持一致;
设计Ealignment子项为:
Ealignment=Edistance×Edirection. (7)Edistance的惩罚欧式距离度量的不一致性:
其中, 变量 表示点pj到线性基元 之间的欧式
距离度量;较大的概率密度 意味着点pj具有较大的可能被分割到线性基元Edirection惩罚方向向量的不一致性:
其中, 表示边界点pj的局部切线方向; 表示线性基元 的方向向量;二者之间残差越大,惩罚就越大;符号“·”表示向量的点乘;
利用当前边界点的前后两个直接邻接点作为参考,设计平滑项Esmooth:其中, 表示对pj的标号;符号“%”表示模运算;如果当前点与其直接邻点标号不一致时,当前点与其直接邻点之间的欧式距离度量越大,惩罚越小;Esmooth项确保局部邻接点具有相同的标号;
融入Efidelity项进一步抑制过分割,减少标号数目,提高分割的保真度:其中, 表示线性基元 的长度;表示 中任意点pj;符号 表示集合 中最大长度的线性基元;Efidelity惩罚较小长度的线性基元,并试图与其他线性基元进行合并,以减少冗余标签;
给定初始标号的前提条件下,通过动态规划、模拟退火、置信传播或图割优化求解该目标函数;
得到线性基元集合 后,对这些边界基元实施规则化处理,以保证建筑规则性的几何外,即针对 顺序实施平行约束、主方向一致性约束、正交约束和共线约束,从而有效避免多约束间的冲突:(a)平行约束:如果 与 近似平行且满足 平行约束将确保其完全平行;首先两两比较,继而采用区域增长的扩张算法,将 划分到不同的分组:(b)主方向约束:如果每个线性基元组方向gi与建筑主方向具有一致性,将该组的方向调整为相应建筑主方向;针对不同数据场景,提出数据驱动和混合驱动两种方法计算建筑主方向
数据驱动:统计建筑内外边界点的局部切线方向、立面和地面的交线方向、建筑屋顶面片的屋脊线方向,构建直方图,然后在直方图中迭代搜索局部极值点,获取建筑所有主方向;
混合驱动:将建筑内外墙边界线在建筑主方向上做环路积分,积分最大值对应的方向即为建筑的主方向,目标函数如下:其中, 表示建筑内外边界的数目; 表示 中第i个边界段的长度;θ*即为所求的建筑主方向 通过Gauss-Newton或者Levenberg-Marquardt算法迭代求解该函数;
正交约束:如果基元组gi与gj近似正交,|gi·gj|<∈,调整其为严格正交,选择长度最大的基元组作为基准基元组,然后调整另外一个基元组与之严格正交;
共线约束:针对每个基元组,如果所含有两个线性基元 与 近似共线,即满足调整其为严格共线;
(b)建筑屋顶基元:采用分层策略,首先提取占据主导地位的线性平面基元,然后提取圆柱、圆椎、圆球和圆环非线性参数基元,最后提取非线性自由曲面基元;具体针对如下基元进行提取:(1)屋顶线性平面基元
首先分析点的局部几何空间,求取位于建筑屋脊线和建筑边界线处的“显著点”,继而根据“立面线性基元”的分割方法,从“显著点”中提取系列线性基元,以此作为约束条件,构建屋顶平面基元最优化分割目标函数;
点的显著性计算公式如下:
其中,Pflatness表示点的平整度,越趋近零,其位于建筑屋脊线的可能性越大;Puniformity表征局部点采样的不均一性,越趋近零,其位于建筑边缘处的可能性越大;通过分割显著点集合为一系列线性基元,以这些线性基元作为约束,构建屋顶面片分割能量方程,即给定屋顶点集 通过最优化点标记过程 将其分割为n个屋顶平面基亓最优化屋顶能量方程如下:
Ealignment控制分割后的平面基元与相应平面点云数据的一致性;Esmooth确保点云在局部空间标号的一致性;为此,Ealignment子项设计为:其中, 变量∈表示粗差阈值,用来控制生成 集合;
表示相应分割面片的点云数目; 表示点pj到平面基元 的欧式空间度量;
Ealignment子项将惩罚建筑屋脊点、边界点、大于∈的离值点;
考虑到屋脊线、边界线线性基元的约束,Esmooth子项设计为:在局部球形邻域 中的两个点pi和pj,如果二者标号不一致,即 且被线性基元划分到不同的空间单元,即 此时需对当前点实施c1惩罚;相反应对当前点实施c2惩罚,且满足0<c1<c2<1;采用Gurobi求解器求解目标方程(14);
(2)屋顶非线性参数基元
首先从平面基元提取后的剩余点中分析当前点所在的局部区域点集反映出的两个主曲率k1和k2:如果高斯曲率k=0(k=k1×k2),则选择圆柱抛物面拟合当前局部点集;
如果高斯曲率k<0,则选择双曲面拟合当前局部点集;
如果高斯曲率k>0,则选择椭球面拟合当前局部点集;
在此基础上,实施区域增长,将周围的点加入到当前点集中,然后采用最小二乘,实时优化当前曲面参数,直到大于给定残差,结束当前基元的探测;
(3)屋顶非线性自由曲面基元
将非线性参数基元提取后的剩余点组织成无向图,然后在无向图中搜索满足条件的连通分量,即在无向图中搜索分布连续且满足一定面积的点集作为非线性自由曲面屋顶基元;
(c)建筑底面基元:
首先栅格化地面点,采用拉普拉斯方程: 填补大面积连续栅格单元数据缺失,继而得到建筑对应的底部平面基元;对于二维离散图像中每个数据空缺栅格单元,令两个维度上二阶差分和为零,以高程作为每个栅格单元求解的变量,以周边非缺失数据栅格单元作为构建拉普拉斯方程的约束条件;即求解 将求解空白区域连续栅格单元的高程问题转化为求解系数为正定矩阵的非齐次线性方程组问题;为快速求解面积较大建筑造成地形数据的缺失问题,采用处理大规模正定稀疏矩阵的线性求解器TAUCS,给定建筑底部水平面上特定点的空间坐标 和该点的法向向量 即可唯一决定底部的平面II的方程: 其中 表示II上任意点坐标。
2.根据权利要求1所述的大场景机载点云语义建模方法,其特征是所述的ALS点云场景分类具体包括:(a)构建内容感知下的多层次对象
将机载激光雷达欧式点云的数据空间映射到二维流形空间 然后,在二维流形空间 构建基于重心约束的Voronoi图,得到内容感知的点集对象;最后,通过对不同层次阈值的控制,借助NCuts(Normalized Cuts)算法,得到具有内容感知的多层次点集对象和多层次点集对象间的继承隶属关系;
(b)基于多层次对象的三维胶囊网络模型的表达
首先,在多层次点集对象基础上,体素化各层次下的点集对象,继而实施初始三维卷积操作,初始卷积层的作用是将构建各个层次下点集的局部特征,并将该特征用于胶囊网络模型;
胶囊网络模型中的各个胶囊关系的判别如下:首先,胶囊网络中胶囊j输出的特征向量可通过下式判断:其中, 是胶囊j总的输入特征向量;对于每一层胶囊,总的输入的特征向量 是所有j层之下层次胶囊特征向量 的加权和:其中, 是第j层胶囊之下第i层次胶囊输出的向量, 为对应的权重矩阵;
cij为胶囊i和胶囊j的耦合系数,定义如下:
其中, bij的初始值为0;
通过上述过程即可得到最后一层胶囊的特征向量,再经过FC层,将特征量连成一个完整的向量,得到各个层次下点集的深度学习特征向量;
(c)基于多层次对象的点云分类框架
训练数据被构建成多层次点集对象后,提取各个层次对象的深度学习高层次特征;所有对象的深度学习特征构建完成后,训练得到每个层次的分类器,继而应用到未标记点云的分类中,未知的点集通过多层次的分类器联合标注,一个点集被分配标签li的概率为:其中 是多层次对象特征,num表示点集分割次序,1≤num≤m, 表示分类器针对特定点集对象归属li类的输出权重;
将对象 的第i个层次下标记为li的概率为 对象 在(i+1)对象下标记li的概率为 则继承 的识别概率的基础上,点集 标记为li概率为 同理,最精细层次对象 标记为li的概率为 最终,最低层次点集标记为li的概率表达为:最后,最低层次对象标记为各个类中概率最高的类别作为对象最终识别结果。
3.根据权利要求1所述的大场景机载点云语义建模方法,其特征是所述的建筑语义重建基于建筑往往由多面体几何模型部件、非线性参数部件和非线性自由曲面部件组合而成的假设,利用各类平面基元构建多面体几何部件,非线性参数基元构建非线性参数部件,非线性自由曲面基元生成非线性自由曲面部件,然后利用CSG布尔操作组装上述部件,形成完整建筑几何模型;具体包括如下步骤:(a)获取建筑最小外包立方空间,然后按尺寸c划分建筑外包空间为均匀立方体元;
(b)使用建筑所有平面基元进一步将相关的立方体元划分为不规则的多面体体元;
(c)构建三维体元0-1标号最优目标能量方程,从而将多面体几何建模问题转化为三维体元的二值分割问题;
针对非线性参数基元,顾及相应基元的参数表达和所隶属点云的数据范围,生成在一定数据范围约束下的紧凑且封闭的几何体表达,实现非线性参数部件的建模;针对非线性自由曲面基元,利用经典的二次误差测度精简算法实现自由曲面基元的几何体表达,在最大程度上均衡模型的几何精度和紧凑性,实现自由曲面部件的重建;最终利用CSG布尔操作整合上述建筑各类部件,完成最终模型的组装,最后采用“半边数据结构”维护建筑模型中点、线和面之间的拓扑关系。
4.根据权利要求1所述的大场景机载点云语义建模方法,其特征是所述的精度评价具体包括如下步骤:采用Dublin、Netherlands、USC ALS数据集和国内UAV LiDAR点云数据集,从“参数敏感性”、“鲁棒性”、“可扩展性”、“LoDs表达”和“时空复杂度”五个方面直接评价算法,从生成模型的“几何精确度”、“拓扑正确性”和“语义丰富程度”三个方面间接评价建模算法。