摘 要
车载LiDAR扫描测量由于高效率、高精度、高密度和实时获取三维空间坐标信息 等优势，已成
为“智慧城市”建设中三维数字城市模型信息采集的主要方式之一。车载 LiDAR获取的数字城市点
云具有三维离散性、高密度和海量性特点，测量对象包含地面 点、线杆、低矮灌木、树木、行人、建
筑物立面信息以及部分低矮建筑物的顶面、粗差 点等复杂信息。如何高效率、高精度地从点云数据中
自动提取建筑物立面信息，成为车 载LiDAR点云应用于数字城市建模的主要任务之一，也是目前车
载LiDAR点云数据后 处理的难题。
车载LiDAR点云数据中提取建筑物立面信息首先要建立点云数据索引，然后分离 出地物点和地
面点，再从地物点中识别建筑物数据，最后提取出建筑物立面信息。车载 LiDAR点云是三维离散分
布、海量化的数据，应用现有的常规八叉树、规则格网等进行 海量点云索引构建时效率较低。而且车
载LiDAR获取的城市点云数据中地面点与低矮 灌木交界、低矮浅丘等地形变化区域，应用基于扫描
线、固定坡度等现有滤波算法不能 随着地形的变化自动调整，难以准确区分地面点和非地面点。滤波
后的地物点，通常的 算法难以从含有建筑物、树木、线杆类、行人等多种多样的地物信息中自动准确
识别出 建筑物点云数据。即使是普遍认同的随机抽样一致性算法(Random sample Consensus ,
RANSAC)算法，在自动提取建筑物立面信息时，也容易出现平面分割过度、共面点归 属判断和伪平
面问题。
本文在车载LiDAR点云的建筑物立面信息快速自动提取研究中，首先汲取3D规则 格网和线性八
叉树优点，利用哈希表对八叉树结点存储进行优化，采用 3DGrid_Hash_Octree索引算法为车载
LiDAR点云后处理建立高效的索引基础，实现高 效构建海量的三维离散点云索引。然后在地面点和
地物点的分类过程中，根据城市地面 具有连续性、局部平整性的特点，改进坡度滤波算法的种子点选
取和区域增长规则，提 出地形自适应的地面点滤波算法进行地面点和地物点的自动滤波，解决了基于
扫描线、 固定坡度等现有滤波算法阈值不能随着地形的变化自动调整问题，提高了地面点和地物 点
自动分类的准确性。分类出地物点集后，再根据地物对象的自然特征、空间特征以及 拓扑关系，和同
类地物的扫描点密度、空间分布、空间形态等共性知识规则，通过建立 地物分类规则知识库和判别规
则，依据知识库进行建筑物、树木、线杆和行人等地物目 标的自动识别和分类，解决人工辅助地物分
类的低效率问题。最后通过分析平面过度分 割、共面点空间位置关系和伪平面产生的原因，改进常规
RANSAC算法为I-RANSAC 算法，根据平面法线和距离判断实现过度分割平面合并，应用固定距离
临近球辅助判断 共面点归属、消除伪平面，实现建筑物立面点云中平面信息的自动提取。
本文根据研究算法开发的车载LiDAR点云数据后处理软件，通过Trimble车载 LiDAR获取的实
测数据和必要的模拟数据，进行点云数据快速索引构建、地面点和地物 点自动滤波、地物自动识别分
类和建筑物立面信息的自动提取等实验。试验结果表明， 3DGrid_Hash_0ctree的索引构建效率和检
索效率比3DGrid_0ctree算法提高35%和55% 左右，解决了海量三维离散点云的索引快速构建和检索
评论0