一种三维建筑物模型外轮廓的提取方法

摘要

针对大规模城市场景中建筑物倾斜摄影测量模型轮廓线提取过程中存在的局部特征模糊与全局拓扑失准问题，提出一种动态聚类-规则化协同优化模型。先将倾斜摄影测量模型三角网与横截面的交线离散为点云，通过构建点云的密度自适应聚类算法与基于特征值分解的直线度驱动轮廓生长机制，实现噪声环境下建筑主体轮廓初步提取；进一步设计多层级规则化约束，解决复杂直角轮廓的断裂与冗余边问题。在某大学倾斜摄影测量模型中的5栋不同形状建筑物模型上与Alpha Shapes算法进行对比试验，本文提出的方法在5组建筑物上的点均离线误差均小于10 cm,且无系统性偏差，均方根误差小于0.2,相对占地误差均低于0.7%,显示出高精度和良好的轮廓整体把握能力，显著优于Alpha Shapes算法。研究成果可为三维城市建模提供高精度、可扩展的技术方案。

引言

现有建筑物轮廓提取方法可归纳为3类：

1)影像驱动方法，基于深度学习，如OEC-RNN [2] 、DARNe t [3] 的影像分割技术虽在规则建筑检测中表现良好，但对遮挡严重区域的轮廓完整性恢复能力不足。

2)机载 LiDAR 点云驱动方法：文献 [4]提出利用三角函数与斜率获取初始轮廓点，再拟合成轮廓线并规则化，适用于低密度变化场景，通用性仍需改进；文献 [5]采用多层级 MBR 分解策略提取轮廓线，这种方法局限于矩形几何假设；文献 [6]通过改进不规则三角网加密法分离地面/非地面点，结合 Alpha Shapes 与方位角阈值法提取关键点，最后以线段长度加权方向实现规则化，该方法受限于垂直/平行等几何先验强约束。

3)多源数据融合方法：建筑信息模型(building information modeling, BIM)与倾斜模型集成虽能提升语义信息丰富度，却因数据异构性导致计算复杂度激增 [7-9] 。

针对倾斜摄影模型，本团队曾提出半自动随机抽样一致算法(random sample consensus, RANSAC)改进算法 [10] ,但其人工交互耗时占比超60%,且噪声干扰下占地面积相对误差(relative error of area, REA)波动范围大于3%,难以满足城市级建模需求。

针对上述挑战，提出一种动态聚类-规则化协同优化框架，其核心创新包括：

1)密度自适应的动态生长聚类算法。通过欧氏距离约束的种子点扩展机制，有效分离建筑主体点云与漂浮物噪声，克服传统固定半径聚类对场景尺度敏感的问题。

2)直线度驱动的轮廓生长模型。基于协方差特征分解量化局部线特征置信度，结合随机采样一致性检验自适应扩展轮廓边界，确保复杂直角结构的拓扑连贯性。

3)多层级规则化约束体系。融合几何一致性校验、邻近边融合与闭合拓扑修复策略，消除建筑物轮廓断裂现象。实验表明，本方法在测试中表现出优越性能，关键指标显著优于Alpha Shapes [11-12] 算法。处理效率较人工标注采集显著提升，满足城市级测绘需求。

主要图表

图1 欧氏距离约束的动态生长聚类算法流程图

图4 规则化算法示意图

图5 随机圆内4种点集的直线度计算情况

图6 点云聚类结果对比

图7 建筑物轮廓提取结果

应用本算法对5栋建筑物共提取134处角点，其中与真实坐标偏差小于20 cm的占74.63%。建筑物①的MAD最高，但结合其36个角点的具体偏差分布，有两处角点偏差显著，其余点偏差普遍低于0.3 m。这表明复杂多边形可能因局部几何复杂性导致个别角点提取难度增加，但整体误差可控。建筑物②(20边)和建筑物④(18边)的MAD较低，且其角点偏差分布更均匀(如建筑物②的角点偏差均低于0.393 m),说明边数较少的建筑轮廓提取更易保持一致性。

尝试进行误差归因，可以发现误差主要来源于以下3个方面：

1)数据来源有误。

算法的数据来源于OSGB模型的Mesh网，为了保证算法的速度，选择的Mesh网并不稠密，可能无法反映出建筑物的真实细节。

2)算法的随机误差。

由于算法采样局部直线特征的方式为随机采样，因此得出的结果会带有一定范围的随机误差。

3)算法的理论短板。

算法得出轮廓的较短边并非是算法直接拟合得来的，而是进行多段线闭合时连接而来，算法理论上无法拟合两条以上的连续较短边，从而产生误差。

结束语

针对倾斜摄影三维模型中建筑物外轮廓提取面临的局部特征模糊与全局拓扑失准难题，本研究提出一种融合动态聚类与多尺度规则化的协同优化方法。通过构建密度自适应的动态生长聚类算法，有效分离建筑主体点云与噪声，实现复杂场景下点云的高精度获取；设计基于特征值分解的直线度驱动轮廓生长机制，结合随机采样一致性检验，解决稀疏三角网环境下直线特征检测的鲁棒性问题；构建多层级规则化约束体系，消除建筑物轮廓断裂现象，显著提升复杂直角轮廓的拓扑连贯性。实验验证表明，本方法在多源数据测试中表现出优越性能，关键指标显著优于Alpha Shapes算法。处理效率较人工标注采集显著提升，满足城市级建模需求。未来研究将聚焦复杂结构语义识别、多尺度特征融合及跨模态数据泛化能力，进一步推动三维地理信息提取技术的工程化应用。

- END -