一种基于激光雷达点云和近红外影像的建筑物检测方法与流程

本发明涉及遥感地物三维提取技术领域，特别是涉及一种基于激光雷达点云和近红外影像的建筑物检测方法。

背景技术：

利用遥感数据进行建筑物检测在城市规划、房地产和土地利用分析等各个领域中都很有良好的应用。从概念上讲，建筑物检测是一个分类问题，需要将建筑物与其他物体如车辆、地面(道路、草坪)和植被(树木和灌木)分离开来。现有的建筑物检测算法可以根据输入数据的不同分为三大类。

首先是基于航拍图像的方法，即采用基于像素和基于对象的图像分割方法来提取建筑物。基于像素的异构方法，无论是采用监督学习还是无监督学习，其优势在于复杂度总是很低，但由于城市场景中光谱和纹理的高度复杂性和可变性，基于像素的方法很难使用高分辨率的数据。基于初始对象的方法主要是利用像素的光谱相似性和同质性来识别对象，相比基于像素的方法具有更好的性能，但是很难确定最佳尺度级别。另外，使用图像进行建筑物检测的主要限制是，只能识别建筑物的二维轮廓。

其次是使用原始的als(机载激光扫描仪，airbornelaserscannerals)点云来探测建筑物。由于它们的高脉冲频率、高垂直分辨率，以及可以直接提供空间形状信息，als点云已经较多的用于建筑物探测，但是，这类方法仅仅使用空间和强度特征，忽略了纹理和光谱的考虑，导致这类方法往往混淆有平滑树冠的树木和建筑物。

第三类是融合点云和航空成像的多源数据来开展建筑物检测。rottensteiner等人在“rottensteiner,f；trinder,j.；clode,s.；kubik,k.usingthedempster–shafermethodforthefusionoflidardataandmulti-spectralimagesforbuildingdetection.inf.fusion2005，6,283-300.”中通过d-s方法以及激光点云推导出插值dsm，结合多光谱图像获得基于像素的建筑区域，这种方法通过融合图像数据，提高了结果的整体正确性，主要局限性在于插值dsm数据源降低了激光点云的分辨率，输出为建筑区域而不是标记的点云。awrangjeb等人在“awrangjeb，m.；ravanbakhsh，m.；fraser，c.s.automaticdetectionofresidentialbuildingsusinglidardataandmultispectralimagery.isprsj.photogramm.remotesens.2010，65，457-467.”中，首先分别从点云和多光谱图像中提取两套建筑物的掩膜，然后用得到的掩膜来分类可能的建筑物对象，这种基于对象的分类方法导致建筑物和树木之间的误分率极高，当建筑物周围的树木与建筑物的掩膜融合在一起时，无法将其分开。

技术实现要素：

本发明的目的是提供一种基于激光雷达点云和近红外影像的建筑物检测方法，以解决现有技术在高植被覆盖区域中建筑物和树木之间的误分率高、缺乏建筑物扫描点层级的高精度检测方法的问题，能够有效提高建筑物检测精度。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于激光雷达点云和近红外影像的建筑物检测方法，包括如下步骤：

获取具有近红外波段的正射影像、激光雷达点云，并将正射影像和激光雷达点云进行配准和融合；

计算融合后激光雷达点云中每个激光点的归一化植被指数ndvi，基于ndvi和支持向量机svm分类器完成激光雷达点云中植被的粗识别；

对于激光雷达点云中的非植被激光点，通过近邻搜索算法和高度阈值完成地面及低矮地物、建筑物的划分；

对于激光雷达点云中的建筑物激光点，提取屋顶种子点和候选立面点，并基于屋顶种子点获取基于单独建筑物的屋顶点群；

基于每个建筑物的屋顶点群，估计建筑物的垂直立面；基于候选立面点、估计垂直立面，采用距离阈值法进行立面点的精提取；通过屋顶点和精提取得到的立面点完成三维建筑物的检测。

优选地，正射影像和激光雷达点云进行配准和融合的具体方法包括：

针对激光雷达点云中的各个激光点，分别将正射影像中最邻近像元的近红外波段、红色波段、绿色波段的像素值分配到该激光点上，完成正射影像与激光雷达点云的融合。

优选地，激光雷达点云中植被的粗识别方法包括：

根据融合后激光雷达点云中每个激光点的近红外波段光谱值nir、红色波段光谱值r计算每个激光点的ndvi；

选取激光雷达点云中植被和非植被两类训练样本，并计算每个样本的ndvi，基于ndvi训练svm分类器；

将融合后激光雷达点云中每个激光点的ndvi输入训练好的svm分类器，得到激光雷达点云中植被的识别结果。

优选地，地面及低矮地物、建筑物的划分方法包括：

使用近邻搜索算法确定每个非植被激光点邻近的地面点；

计算每个非地面点的相对高度rh；

基于每个非地面点的相对高度rh，通过预设高度阈值完成建筑物和其他低矮地物的划分。

优选地，候选立面点和基于单独建筑物的屋顶点群获取方法包括：

基于建筑物激光点的表面曲率c、法向量z的方向值nz和最近回波信息echo，采用阈值分类方法提取可靠的屋顶种子点和候选立面点；

基于屋顶种子点，采用区域生长算法、图像分割算法得到属于每个单独的建筑物的屋顶点群。

优选地，建筑物立面点的精提取方法包括：

基于每个建筑物的屋顶点群，采用屋顶边界追踪算法和正则化算法来估计垂直立面；计算候选立面点到与其距离最近的估计垂直立面的最大法向距离，若最大法向距离大于预设阈值，则该候选立面点被标记为假立面点，否则，该候选立面点被标记为当前屋顶段的真正立面点，完成建筑物立面点的精提取。

本发明公开了以下技术效果：

(1)本发明采用ndvi指数有效将建筑物与周围茂密的植被分开，很好的提升了建筑物和植被的分割精度。在测试数据集上的实验结果表明，本发明在进行建筑物检测时，无论是点云层面还是建筑物对象层面，正确性和完整性均达到92％以上。

(2)与现有的建筑物检测方法相比，本发明通过集成激光点云数据和具有近红外波段的多波段正射影像来检测每个建筑物体的屋顶点和立面点，能够为每个点分配一个对象类标签，使单体建筑模型的几何重建达到一个相对较高的细节水平。

(3)本发明建筑物检测自动化程度高，是一种极具实用前景的高植被覆盖区域建筑物提取方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于激光雷达点云和近红外影像的建筑物检测方法流程图；

图2为本发明实施例中通过测试数据集对本发明建筑物检测方法进行验证的中间结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1所示，本实施例提供一种基于激光雷达点云和近红外影像的建筑物检测方法，包括如下步骤：

步骤s1、获取具有近红外波段的正射影像、激光雷达点云，并将正射影像和激光雷达点云进行配准和融合；具体包括：

针对激光雷达点云中的各个激光点，分别将正射影像中最邻近像元的近红外波段、红色波段、绿色波段的像素值分配到该激光点上，完成正射影像与激光雷达点云的融合；融合结果中，每个激光点包括9个属性：x坐标值、y坐标值、z坐标值、回波强度、第几次回波、回波总次数、近红外波段光谱值nir、红色波段光谱值r、绿色波段光谱值g。

步骤s2、计算融合后激光雷达点云中每个激光点的ndvi(归一化植被指数，normalizedvegetationindex)，基于ndvi和支持向量机svm分类器完成激光雷达点云中植被的粗识别；具体包括：

根据融合后激光雷达点云中每个激光点的近红外波段光谱值nir、红色波段光谱值r计算每个激光点的ndvi，如式(1)所示：

ndvi＝(nir-r)/(nir+r)………………………………(1)

选取激光雷达点云中植被和非植被两类训练样本，根据式(1)计算每个样本的ndvi，基于ndvi训练svm分类器；

将融合后激光雷达点云中每个激光点的ndvi输入训练好的svm分类器，得到激光雷达点云中植被的识别结果，完成植被的粗识别。

步骤s3、对于激光雷达点云中的非植被激光点，通过近邻搜索算法和高度阈值完成地面及低矮地物、建筑物的划分；具体包括：

首先，使用近邻搜索算法确定每个非植被激光点邻近的地面点；

其次，计算每个非地面点的相对高度rh，如式(2)所示；

其中是当前非地面点的海拔，是当前非地面点的第j个邻近地面点的海拔，n是当前非地面点的邻近地面点数目，j＝1，2，…，n；

再次，基于每个非地面点的相对高度rh，通过预设高度阈值完成建筑物和其他低矮地物的划分，本实施例高度阈值设为2.5米。

步骤s4、对于激光雷达点云中的建筑物激光点，提取屋顶种子点和候选立面点，并基于屋顶种子点获取基于单独建筑物的屋顶点群；具体包括：

对于只包含建筑物激光点的点云集合，首先，基于建筑物激光点的表面曲率c、法向量z的方向值nz和最近回波信息echo，采用阈值分类方法提取可靠的屋顶种子点和候选立面点；然后，基于屋顶种子点，采用区域生长算法、图像分割算法得到属于每个单独的建筑物的屋顶点群。

步骤s5、基于每个建筑物的屋顶点群，估计建筑物的垂直立面；基于候选立面点、估计垂直立面，采用距离阈值法进行立面点的精提取；通过屋顶点和精提取得到的立面点完成三维建筑物的检测。具体包括：

基于每个建筑物的屋顶点群，采用屋顶边界追踪算法和正则化算法来估计垂直立面；计算候选立面点到与其距离最近的估计垂直立面的最大法向距离，若最大法向距离大于预设阈值，则该候选立面点被标记为假立面点，否则，该候选立面点被标记为当前屋顶段的真正立面点；通过屋顶点和真正立面点完成三维建筑物的检测。

为进一步验证本发明建筑物检测方法的准确性，通过测试数据集对本发明建筑物检测方法进行验证，各步骤结果示意图如图2所示；其中，图(a)为原始激光雷达点云平面投影图，相似高度的点具有相似的颜色；图(b)为根据正射影像的光谱值进行设色的激光雷达点云三维图；图(c)为根据ndvi值进行设色的激光雷达点云三维图；图(d)为利用svm进行植被粗提取的掩膜；图(e)为利用近邻搜索算法和高度阈值技术提取得到的地面和低矮目标；图2(f)为利用表面曲率c、法向量z的方向值nz和最近回波信息分类得到的可靠屋顶种子点；图(g)为利用区域生长和区域阈值分割算法，对建筑物屋顶的候选对象进行聚类和过滤结果；图(h)为提取到的建筑物屋顶。通过测试数据集的验证，本发明基于激光雷达点云和近红外影像的建筑物检测方法在进行建筑物检测时正确性和完整性均达到92％以上，并且使单体建筑模型的几何重建达到一个相对较高的细节水平。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。