多细节层次的三维城市模型是数字城市和智慧社会的关键空间数据基础设施。现有的精细化三维城市建模技术主要有基于多种数据源（计算机辅助设计（ＣＡＤ）、建筑物信息建模（ＢＩＭ）、地图等））的人工交互建模和基于影像或激光扫描密集点云的半自动化建模两大类。

人工交互建模利用稀疏点线特征几何约束，需要大量人工交互式操作，导致作业周期长、效率低，且模型质量难以保证，特别是纹理偏差大。基于密集点云的半自动化建模已成为大范围三维城市建模的主要方式。由于立体城市空间结构复杂，高大建筑相互遮挡，且建筑物屋顶和立面形状结构多样，道路、植被、人工设施等地上下立体空间场景对象种类繁多，形态各异，单一类型与单一站点的点云数据普遍存在数据漏洞、描述尺度单一、结构细节丢失等局限性，难以表达目标完整丰富的细节特征。

随着“消费级”激光扫描设备、影像密集匹配技术以及深度相机等新型数据获取技术日新月异，点云数据获取手段更为丰富，且难度与成本降低，类型、视角、属性和内涵信息更为丰富的点云数据日益可得。

因此，多点云数据融合处理成为三维城市建模的主要途径，并成为国际学术界和工业界的热点前沿。

多点云数据指多类型、多站点和多时相的点云数据。激光扫描、影像匹配、深度图像测量、干涉雷达测量和野外实地测量等方法提供了具有不同数据属性和信息内涵的多类型点云。这些不同类型的点云还可以从空中、地面、室内等不同站点获取，具有多样化的视角和尺度特征。

此外，不同时间历元采集的多时相点云融合可反映对象的变化属性和趋势。多点云融合的前提是明确不同点云的优势信息和互补需求。如影像匹配点云密度高且富含边缘特征信息，但具有大量的拓扑噪声，且只能获取表面覆盖数据，连片林地的地形常存在漏洞；空、地不同站点的激光扫描点云在效率、精度、结构细节信息的采集方面也各有优缺点。

根据多点云数据具有的不同视角、密度、精度、尺度、细节、语义等特征进行一致性处理是一项复杂的系统性工作，是后续多细节层次精细三维建模的关键基础。通过消减不同点云间的空间基准、尺度和语义表达等不一致性，如空间位置结构语义、拓扑关系的冲突，以达到数据准确、冗余最少，实现多点云数据的优势信息融合表达。

多点云数据的融合处理方法可归纳为时空基准及精度、尺度、语义３个层面的一致性处理。时空基准与精度一致性处理旨在建立整个场景统一的点云模型，尺度一致性处理则为了削减不同密度和精度的点云对同一目标表达的尺度差异，语义一致性处理旨在综合利用不同点云对同一目标不同细节特征的表达。通过这３个层面的一致性处理，即可得到最初级的多点云融合模型，可满足进一步精细化三维城市建模与智能化分析等深度应用需求。

多点云时空基准与精度一致性处理方法

　　多点云的融合反映了由单源到多源、由少到多、由简单到复杂的趋势，这种融合的第一步是理解和描述不同数据源间的复杂关系和相互转换规律，实现时空基准与精度的一致性，建立整个场景统一的点云模型，弥补单一点云数据空洞，并增强尺度和语义信息，实现整个场景对象的无缝表达。

多点云从采集单元转换到绝对地理坐标系采用了不同的方法和辅助数据。机载和车载移动激光扫描系统都配备了ＧＰＳ／ＩＭＵ组合惯性导航模块，根据耦合计算得到的轨迹数据进行绝对地理坐标系的纠正，理想情况下，获取的点云精度在５～１５ｃｍ左右。

地面激光扫描常利用扫描场景内已知坐标的靶标球进行多站点拼接和绝对地理坐标纠正，得到的整个场景数据精度可达３ｃｍ以内。影像匹配点云利用像控点进行立体恢复，并实现绝对地理坐标的纠正，但由于遮挡、视差断裂、纹理缺失及光照条件不一致等，制约了影像密集匹配中关键特征点的可靠检测，常存在大量的几何和拓扑噪声。由于像控点、靶标球、ＧＰＳ／ＩＭＵ惯导数据等辅助数据的采集质量不一，对多点云融合精度产生直接影响，因此多点云数据需要进行点云精确配准。

多点云尺度一致性处理方法

不同点云密度和细节分辨率的多点云数据对同一目标表达具有显著的尺度差异。空中站点多面向条带状和面状大场景范围的数据采集任务，是有效的大尺度场景ＤＳＭ、建筑群落屋顶结构、植被冠层数据的采集手段。

其中，机载激光点云均匀且较为稀疏，较长的测程（通常为５００～３０００ｍ）会产生激光束散射现象，对对象细节信息采集有一定程度的损失，通常只能区分对象整体（如一栋建筑）；影像逐像素密集匹配点云的密度取决于影像分辨率，通常每ｍ２范围大于２００点的高密度有利于对象单个平面的分割和识别，但其中点云的噪声和对象的细节（如建筑外立面复杂的细节结构）甄别困难，影像匹配点云密集的优势需要提高去噪的鲁棒性才能更好的发挥。

地面站点通常测程较近（不超过５００ｍ），具有更高的点云密度和更丰富的细节信息，可以对建筑立面、道路设施、附属部件进行小尺度的精细数据采集，分割识别精细的细节结构，是单体化建筑模型精细结构语义的主要数据源。经过时空基准与精度的一致性处理，场景中的对象如建筑物会有多种尺度的点云数据重叠。

比如空基俯视点云与地基侧视点云，需要多点云数据尺度一致性的进一步处理，进行多尺度点云不确定性评价，解决重叠点云的冗余和矛盾，以实现点云数据的高效利用。

多点云语义一致性处理方法

散乱的点云本身不具有语义信息，三维重建需根据点云数据含有的空间坐标（Ｘ，Ｙ，Ｚ）和其他属性（如强度、色彩）进行语义理解，识别结构化语义（几何、拓扑结构，如墙角、窗边、边面等）和分类信息（植被、建筑、路灯等）。语义赋予了点云类的属性，是进一步进行分析应用的基础。可见，经过时空基准和尺度融合的多点云，需要多种方法提取与理解不同点云对同一目标不同细节特征的语义内涵，并进行统一的语义标识。

多点云数据的采集原理、信息内涵以及语义理解方式的不同，都导致其具有显著的语义差异。

激光扫描点云来自主动式遥感，除空间三维坐标外，还包含具有层次感的强度信息。以被动式遥感方法获取的影像匹配点云具有对应影像像元的颜色信息。强度和色彩可从不同方面给点云的分类识别和语义理解提供辅助。

激光扫描点云采样均匀，在结构化特征反应上并无指向性。影像匹配点云在此处具有优势。由于匹配策略往往基于特征，因此在对象的线特征、边缘处点密度较高。

激光雷达优势在于其多目标能力，可穿透植被冠层获取地面数据。影像匹配点云则只能获取对象表面覆盖，容易受到草、低矮灌木、屋顶附属物的影响。

激光扫描点云的强度信息和多目标能力、影像匹配点云的色彩信息和特征处点密度更高的特性，赋予了多点云属性显著差异特点，从而对多点云数据的类信息提取需要不同的处理方案。空地多平台的多尺度特性则会影响点云类信息识别的精细程度。融合的多点云数据可为改进三维场景数据的完整性、密度、地理参考质量、精度、可靠性及点云数据处理奠定良好基础。

多点云融合存在的关键问题及发展趋势

1）多点云融合将面对更为复杂多样的点云数据源。

2）面向自动化三维城市建模和动态更新的多点云数据按需抽取。

3）机器学习技术的应用。使用卷积神经网络（ＣＮＮ）架构的深度学习是解决图像分类任务的标准解决办法，由于点云是不规则和无序的，将深度学习应用于点云的提取、分类识别较为困难，相关的探索，如ＰｏｉｎｔＮｅｔ、ＰｏｉｎｔＣＮＮ等方法已将点云数据作为训练样本，模拟生物视觉认知方式进行了点云分类。

进一步地，多点云数据的一致性提取问题将在人工智能、机器学习等先进技术的驱动下向自动化、智能化方向快速发展，将更好地服务于复杂地理空间对象的认知、识别、分析和知识化服务。

版权声明：文章来源于网络，作者孙行高，登载此文出于传递更多信息之目的，版权归原作者及刊载媒体所有，如本文中图片或文字侵犯您的权益，请联系我们。

猜你喜欢：

浅析倾斜摄影测量点云监督分类方法

激光Lidar 点云到DOM制作需历经几步？