[发明专利]一种基于主成分分析的建筑物屋顶边缘快速检测方法

说明书

技术领域

本发明是关于一种从密集三维离散屋顶点云中快速检测屋顶轮廓方法，特别是关于加载LiDAR和无人机倾斜影像匹配重建点云的屋顶轮廓检测应用。

背景技术

实际应用中经常使用的屋顶轮廓检测方法有以下几种：依据横和列两个坐标轴向完全遍历的扫描线检测方法和簇聚类凸包检测算法。但是这些传统的方法往往存在一些重要的缺陷：例如，扫描线检测方法的精度受到建筑物和航向夹角的影响较为严重，且精度有限；凸包检测算法考虑空间搜索邻域半径约束的情况下可以精确地检测出建筑物屋顶轮廓点，但是计算量偏大。

基于主成分分析的建筑物屋顶检测方法采用簇内点在水平面上投影并构建协方差矩阵的方法，求解出单个建筑物屋顶的两个主轴方向。根据点在主轴方向上的投影距离，进而识别出建筑物边缘轮廓点。

发明内容

本发明为解决公知技术中的问题而提供一种基于建筑物屋顶两个主轴方向的提取算法。

本发明为解决公知技术中的问题所采用的技术方案是：(1)、基于主成分分析的建筑物屋顶边缘快速检测：通过主成分分析方法(Principal Component Analysis，简称PCA)检测出密集三维离散点云数据结构表达的屋顶边缘轮廓方法主要涉及三个关键步骤：首先、对于通过滤波和高程阀值处理后的建筑物屋顶三维密集点云数据，在水平投影后构建协方差矩阵。其次，由协方差矩阵特征分解， 解算出点云所在建筑物屋顶的两个主要方向，即建筑物屋顶的长和宽两个轴方向。最后，由屋顶点集投影P_xy的平面范围{(x_min，x_max)|(y_min，y_max)}结合物屋顶的两个主要轴方向做屋顶轮廓切片分析，则可以快速遴选出建筑物屋顶四边边缘点。

本发明具有的优点和积极效果是：本发明是计算几何和数据统计知识的有机结合，形成了一种利用主成分分析方法快速识别建筑物屋顶轮廓技术。针对聚类处理后的各个类簇cluster进行处理，从中快速自动检测屋顶近似轮廓，识别建筑物单体对象区域。本发明采用的方法减少了工作人员参与，算法计算复杂度低，可以快速实时处理海量城市场景建筑物单体化过程中建筑物屋顶检测环节，大大的降低了数据处理时间成本和人力资源成本。

附图说明

下面通过一组附图说明本算法的应用领域及关键步骤。

图1是一个复杂地表环境的数字正射影像

图2是和图1对应的一个三维密集匹配点云

图3是求解簇内建筑物屋顶点云两个主方向

图4是沿长轴主方向上的切片分析

图5是沿短轴主方向上的切片分析

图6是检测的屋顶边缘

具体实施方式

下面对本发明进行详细的描述。该技术用主成分分析方法对建筑物屋顶点集进行分析，利用投影距离原理，建立边缘点识别模型，通过计算点到主轴之间的距离，得到建筑物边缘轮廓点。

本发明的现实主要包括以下几个方面：

(1)、基于主成分分析的建筑物屋顶两个主轴方向检测

首先、对于通过滤波和高程阀值处理后的建筑物屋顶三维密集点云数据，在水平投影面xoy中构建协方差矩阵，令P_xy表示屋顶点在xoy平面上的投影坐标，可得到

其次，特征分解A_pv＝λv，解算出协方差矩阵A_p的两个特征值(λ₁，λ₂)及其对应的 特征向量(v₁，v₂)。这两个列向量表示就是所在建筑物屋顶点云分布的两个主要方向，即建筑物屋顶的长和宽两个轴方向。

最后，由屋顶点集投影P_xy的平面范围{(x_min，x_max)|(y_min，y_max)}结合物屋顶的两个主要轴方向做屋顶轮廓切片分析，则可以快速遴选出建筑物屋顶四边边缘点。

(2)、基于切片内点到直线距离最大检测边缘点

平面上的一条直线ax+by+c＝0分割平面空间为两个有向子集空间，令任一有向子空间中的点集合为对点集做“点在直线上投影”计算出各点在直线ax+by+c＝0上的投影点，最终获得投影点集依据投影点集的横坐标或纵坐标排序，并取4个单位点密度对其做切片分割。在每一个切片内，根据公式求解点到直线间的距离：

在每个切片内，距离直线最远点即为边缘点。