[发明专利]一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法

说明书

本发明公开了一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法，其特征在于，包括如下步骤：(1)首先基于RANSAC算法进行建筑物的立面分割，得到多个相对独立的建筑物立面点云；(2)根据每个平面的点集建立Delaunay三角网；(3)设置Alpha shapes算法中检测圆的半径R，设置为1～2倍的平均点间距；(4)若三角形中某条边的长度大于2R，则删除该三角形；(5)对三角形的每条边进行判断：若过某条边的两点且半径为R的圆包含其他点，则删除该三角形；(6)在所得到的三角网上求出三角网的边缘；(7)进行点云面片的合并从而得到完整的建筑物轮廓线。本发明具有效率高、稳定性好等优点。

技术领域

本发明涉及地理信息技术领域，尤其涉及一种基于改进的Alpha Shapes算法的激光点云建筑物轮廓线提取方法。

背景技术

地面三维激光扫描系统作为一种全新的空间数据获取方式，兼顾了距离和空间分辨率的高精度需求，其能快速、精准、连续、自动的获取关于建筑物立面的高精度三维点云。建筑物的轮廓信息是建筑物提取与三维模型重建的重要基础,已广泛应用于城市基础信息库更新、目标识别、灾害预估、变化检测、房地产等领域。目前,基于激光点云数据追踪建筑物平面轮廓的一般方法是采用插值算法,将三维点云的高程值赋给图像灰度值,进一步处理得到规则化的nDSM,最后图像分割,边缘检测或结合高分辨率影像进行建筑物轮廓线的提取。这些方法存在的问题是所追踪到的边缘是离散点集的粗略边界,精度较低。

也有一些学者研究了直接从离散点集提取其轮廓的方法,如黄先锋等提出一种基于平面离散点的边缘追踪算法,该算法将边长比作为约束条件,降低了算法参数对点密度的依赖性,从而提高算法对细长特征或分布不均匀的点集边缘提取的适应性,但是约束条件的阈值设置不当易造成边缘过渡收缩的现象。

Alpha Shapes算法最早由Edelsbrunner等提出,后来许多学者对其进行改进并应用于激光点云数据处理领域,该算法理论完善、效率高,还能够处理较复杂的建筑物轮廓提取问题,主要缺点是不适用于分布不均匀的数据,同时算法参数的选择也较困难。当检测圆的半径α较大时,检测圆在点集S的外部滚动,外部滚动的痕迹就是点集的边界轮廓线。当半径α值较小时,检测圆就滚动到点集S内部去,当α值足够小时,点集中的每个点都是边界点。圆半径α的取值与检测出来的建筑物轮廓线精细程度密切相关。半径相对较小时,检测出来的轮廓线较精细,半径相对较大时,检测出来的轮廓线略微粗糙。因此现有方法还需要进一步完善。

发明内容

本发明所要解决的技术问题是提供一种基于改进的Alpha Shapes算法的激光点云建筑物轮廓线提取方法，用于解决现有建筑物的轮廓线提取效率低等问题。

为解决上述的技术问题，本发现采用以下技术方案：

基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法，包括以下步骤：

步骤1：首先基于RANSAC算法进行建筑物的立面分割，得到多个相对独立的建筑物立面点云；

步骤2：根据每个平面的点集建立Delaunay三角网；

步骤3：设置Alpha shapes算法中检测圆的半径R，一般设置为1～2倍的平均点间距；

步骤4：若三角形中某条边的长度大于2R，则删除该三角形；

步骤5：对三角形的每条边进行判断：若过某条边的两点且半径为R的圆包含其他点，则删除该三角形；

步骤6：在所得到的三角网上求出三角网的边缘；

步骤7：进行点云面片的合并从而得到完整的建筑物轮廓线。

作为优选，所述步骤1中采用的基于RANSAC算法进行建筑物的立面分割的具体方法是：