第 1 章 绪论
1.1 研究背景及意义
随着科学技术的快速发展，数字化城市建模广泛应用于汽车导航，无人驾驶汽车路径规划、文物修复和军事数字化战场建设等工作中。许多专家应用遥感影像与计算机图像相结合的处理方法，对建筑物点云数据重建工作进行研究。建筑物三维重建主要是提取表达建筑物特征信息的点云数据，并利用多源信息相结合的分析方法，建立建筑物数字模型，完成建筑物的重建工作。其研究意义主要体现在以下几方面：
（1）有利于提升建筑物数字模型的获取能力
建筑物数字模型主要为构建数字地理信息与建立信息化模型提供了多种数据源。目前，通过传统测量法获取地理信息，已经出现了更新速度慢，细节表达不充分的现象，影响了城市建设规划发展。利用激光雷达扫描设备进行扫描，可以随时获取多维度、多角度的点云数据信息。并将自动化数据处理平台与规模化并行处理方法相结合，构建建筑物三维模型，实现智能化的重建方法，有利于提升地理信息的获取能力。
（2）有利于提高古代建筑物的修复能力
古代建筑物是了解历史文化的重要方法之一。由于建筑物年代比较久远，且有些遭到不法分子的破坏，建筑物出现了损坏严重的现象，需要对建筑物进行修复。利用激光雷达获取建筑物三维点云数据，开展点云数据的重建工作，得到建筑物的三维重建模型，提高了建筑物修复能力。
（3）有利于建设军事数字化战场
在高科技军事作战中，整个敌我态势需要依靠卫星，无人机和激光雷达等设备采集信息，并进行实时反馈。为了满足作战要求，如何利用遥感设备快速、动态、大范围地获取通用性强、品种多样、使用灵活、精确可靠的战场三维信息是目前研究的重要方向。利用激光雷达、无人机等方法获得高分辨率的点云数据与遥感影像，并进行快速重建，为军事数字化战场提供有效的技术支持。
建筑物三维重建主要采用激光雷达获取三维点云信息完成建筑物的几何形态重建与采用影像信息获取建筑表面纹理信息的纹理重建。目前，由于点云数据量较大、环境干扰较多、数据源采集方式不同等原因，导致建筑物重建精度并不高，对数字化城市的研究并没有重要意义。因此，研究一种对于复杂建筑物快速准确的重建方法具有较高的理论研究与实际应用价值。
.............................
1.2 点云数据处理研究进展
1.2.1 点云数据表示方法
点云数据有多种表示方法，主要有几何法、相邻关系法和不确定性表示法等。利用数字模型对点云数据进行合理表示，不但可以减少点云数据在重建过程中的计算量，还可以节省数据存储空间，提高建筑物的重建效率。
（1）几何表示方法
几何表示方法[1]是利用几何体的顶点描述点云之间关系的方法。主要有 ply、vtk 等表示格式。其中 ply 格式通常采用规则几何体顶点进行存储表示[2]。vtk 格式通常采用以行为单位的几何体顶点进行存储表示[3]。2011 年，Natali 等人[4]通过分析 Reeb 图中的点云数据关系，建立了 PCG 表示方法。2013 年，Mitra 等人[5]研究并制作了读取 ply 格式点云数据的 I/O 硬件接口，将点云数据的存储格式变成 las格式。同年，Xu K 等人[6]通过采用中值定理的思想，提出了 skeleton 点云数据的几何表示方法。2014 年，Hetrick 等人[7]采用分层存储的思想，完成对多个 ply 格式文件的同时存储。Boehm 等人[8]为了修正分层存储所存在的技术问题，提出了利用非关系型数据库对多种不同文档数据进行表示的方法。
（2）相邻关系表示方法
点云相邻关系主要通过任意两点云之间的欧氏距离进行表示 [9]。如果将邻域内的所有点云数据之间的欧氏距离全部计算出来进行分析，由于计算工作量过大，无法实现。对于这种问题可以利用点云数据相邻关系的表示方法，建立点云之间的索引结构，计算出同一类点云数据的欧氏距离，并通过索引的方法求得其他点云之间的距离，进行点云相邻关系的表达。
...........................
第 2 章 多体系统动力学激光雷达误差与点云拼接研究
2.1 基于多体系统动力学车载激光雷达系统误差模型及分析
车载激光雷达扫描系统的误差由多种误差源组成的，利用多体系统动力学的思想，将多种误差源整合在同一数学模型内，通过对数学模型的解析，完成车载激光雷达扫描系统的误差分析。
2.1.1 车载激光雷达扫描系统
车载激光雷达扫描系统由车载控制单元、激光扫描单元、激光接收处理单元、全球定位系统（GPS）和车载平台等组成，如图 2-1 所示。
车载激光雷达扫描是激光雷达向目标体发射固定方向的激光束，并对返回的激光束进行采集信息并记录，形成激光雷达点云数据的过程。激光雷达的发射激光器与接收器保持在同一直线上，保证激光的发射光路与接收光路路径相同。激光束的扫描方向始终与汽车的行驶方向保持垂直，通过控制汽车的行驶路线，完成对目标体的扫描工作。
...........................
2.2 基于 GPS 点云拼接模型及拼接精度分析
激光点云数据能够真实的反映出建筑物的形态，目前已广泛应用在建筑物的三维重建中，其中点云数据拼接工作对于点云信息的重建起到了重要的作用，拼接精度直接影响到点云三维数据的质量。在实际扫描过程中，由于受到环境与扫描视角的限制，需要对建筑物进行多角度扫描，并将多视角点云信息进行拼接，从而获得目标建筑物完整的点云信息。
常见的点云拼接技术主要分为两类，分别是序列拼接和全局拼接。序列拼接主要是依靠于相邻点云数据中重合部分的法向量、曲率等自身特点找到同名信息对，完成点云信息的拼接，这种方法操作简单，可行性较强，但是对于数据量较大时，由于单点的误差累计，会造成数据的误差偏大，且计算量过大，效果并不理想。全局拼接主要依靠于建立一个全局坐标系，将不同视角下的所有点云信息统一到全局坐标系当中，这种拼接方法可以将误差优化分配到每一个局部区域，因此可以获得较高的拼接精度。全局拼接主要有基于标记点的拼接方法、基于旋转工作台的拼接方法和辅助标靶的拼接方法等。
基于 GPS 的点云拼接方法是车载激光雷达点云数据拼接中精度较高的拼接方法。利用全局拼接中误差小、精度高等特点，将不同视角下的点云数据中 GPS 信息整合在一起，保证测量范围足够大且精度高，实现点云信息的拼接工作。
..............................
第 3 章 α 范数凸集迭代收敛点云去噪与势能函数算法点云分割 ................. 37
3.1 点云数据噪声分类 .......................... 37
3.1.1 高程噪声点云数据 ................................... 37
3.1.2 建筑物边缘噪声点云数据 ........................... 38
第 4 章 基于点云特征信息的建筑物三维重建 ............................ 67
4.1 基于高程点云数据特征图像地面重建 .............................. 67
4.1.1 地面点云数据分段 ....................................... 68
4.1.2 基于统计分析阈值法提取地面点云数据 .......................................... 69
第 5 章 基于边缘特征的点云数据与无人机影像配准 .................................. 101
5.1 点云数据与无人机影像配准不足分析 ......................... 101
5.2 基于霍夫变换与透视投影变换的影像畸变处理 ............................ 103
第 6 章 建筑物三维重建综合试验分析
6.1 基于 α 范数约束的凸集迭代收敛点云去噪方法点云去噪试验
图 6-4 为建筑物原始点云信息，图中黑色矩形区域中包含三类噪声点云数据，其中 1 号区域是高程噪声点云数据。2 号区域是建筑物边缘噪声点云数据。3 号区域是大范围密集噪声点云数据。
...........................
结论
基于激光点云数据的建筑物重建技术广泛应用于数字城市、互联网地图等领域，车载激光雷达扫描时采集建筑物立面数据的有效方法，具有时效性强，精度高等特点，本文采用车载激光雷达扫描系统与无人机影像作为主要数据来源，研究了点云数据的建筑物三维重建的关键技术，主要包括点云数据的分类与去噪、建筑物立面层次区域重建及点云数据与影像数据配准，论文所得出的结论包括：
（1）基于多体系统动力学的方法对车载激光雷达扫描系统误差进行分析。将激光雷达扫描系统中的大地坐标系、方位轴坐标系、俯仰轴坐标系、横倾轴坐标系和激光雷达设备坐标系组成一个多体结构。建立车载激光雷达扫描系统的多体系统动力学模型，分别对各轴系进行了垂直度误差、相交度误差、回转误差及安装误差的分析。基于 Matlab 软件计算垂直度误差、相交度误差及回转误差对整体误差的影响，得出车载平台应选择横倾轴与俯仰轴稳定范围在 ±10° ，方位轴稳定范围在 ±30° ，稳定精度10′ 的三轴平台。对多视角点云数据拼接问题进行研究，各测量站的定位精度决定了点云数据的拼接精度，提出了基于 GPS 大地坐标系对点云数据进行拼接的方法，建立点云数据拼接模型，并对模型进行解算，利用此方法对点云数据进行拼接，验证了基于 GPS 大地坐标系点云拼接方法具有拼接精度高、受外界因素影响小等特点。
（2）基于 α 范数约束的凸集迭代收敛点云去噪算法，主要计算过程为自适应法向量均值滤波、并利用凸集迭代收敛的特点完成关键数据点的更新，并对该方法进行了验证。该方法可以对原始点云数据同时去除高程噪声信息、建筑物边缘噪声信息及大范围密集噪声信息。同时建立了势能函数算法点云分割模型。主要依靠于矢量空间聚类的思想，提出采用点云间的势能关系对点云进行分割，研究激光点云数据间的势能函数关系，并建立势能约束函数的点云分割方法。点云势能函数使对不同维度下的离散点云数据分割时能够自适应地调节带宽参数，在势能函数收缩时，进行带宽参数的更新，保证聚类移动的收敛性质。
参考文献（略）
1.1 研究背景及意义
随着科学技术的快速发展，数字化城市建模广泛应用于汽车导航，无人驾驶汽车路径规划、文物修复和军事数字化战场建设等工作中。许多专家应用遥感影像与计算机图像相结合的处理方法，对建筑物点云数据重建工作进行研究。建筑物三维重建主要是提取表达建筑物特征信息的点云数据，并利用多源信息相结合的分析方法，建立建筑物数字模型，完成建筑物的重建工作。其研究意义主要体现在以下几方面：
（1）有利于提升建筑物数字模型的获取能力
建筑物数字模型主要为构建数字地理信息与建立信息化模型提供了多种数据源。目前，通过传统测量法获取地理信息，已经出现了更新速度慢，细节表达不充分的现象，影响了城市建设规划发展。利用激光雷达扫描设备进行扫描，可以随时获取多维度、多角度的点云数据信息。并将自动化数据处理平台与规模化并行处理方法相结合，构建建筑物三维模型，实现智能化的重建方法，有利于提升地理信息的获取能力。
（2）有利于提高古代建筑物的修复能力
古代建筑物是了解历史文化的重要方法之一。由于建筑物年代比较久远，且有些遭到不法分子的破坏，建筑物出现了损坏严重的现象，需要对建筑物进行修复。利用激光雷达获取建筑物三维点云数据，开展点云数据的重建工作，得到建筑物的三维重建模型，提高了建筑物修复能力。
（3）有利于建设军事数字化战场
在高科技军事作战中，整个敌我态势需要依靠卫星，无人机和激光雷达等设备采集信息，并进行实时反馈。为了满足作战要求，如何利用遥感设备快速、动态、大范围地获取通用性强、品种多样、使用灵活、精确可靠的战场三维信息是目前研究的重要方向。利用激光雷达、无人机等方法获得高分辨率的点云数据与遥感影像，并进行快速重建，为军事数字化战场提供有效的技术支持。
建筑物三维重建主要采用激光雷达获取三维点云信息完成建筑物的几何形态重建与采用影像信息获取建筑表面纹理信息的纹理重建。目前，由于点云数据量较大、环境干扰较多、数据源采集方式不同等原因，导致建筑物重建精度并不高，对数字化城市的研究并没有重要意义。因此，研究一种对于复杂建筑物快速准确的重建方法具有较高的理论研究与实际应用价值。
.............................
1.2 点云数据处理研究进展
1.2.1 点云数据表示方法
点云数据有多种表示方法，主要有几何法、相邻关系法和不确定性表示法等。利用数字模型对点云数据进行合理表示，不但可以减少点云数据在重建过程中的计算量，还可以节省数据存储空间，提高建筑物的重建效率。
（1）几何表示方法
几何表示方法[1]是利用几何体的顶点描述点云之间关系的方法。主要有 ply、vtk 等表示格式。其中 ply 格式通常采用规则几何体顶点进行存储表示[2]。vtk 格式通常采用以行为单位的几何体顶点进行存储表示[3]。2011 年，Natali 等人[4]通过分析 Reeb 图中的点云数据关系，建立了 PCG 表示方法。2013 年，Mitra 等人[5]研究并制作了读取 ply 格式点云数据的 I/O 硬件接口，将点云数据的存储格式变成 las格式。同年，Xu K 等人[6]通过采用中值定理的思想，提出了 skeleton 点云数据的几何表示方法。2014 年，Hetrick 等人[7]采用分层存储的思想，完成对多个 ply 格式文件的同时存储。Boehm 等人[8]为了修正分层存储所存在的技术问题，提出了利用非关系型数据库对多种不同文档数据进行表示的方法。
（2）相邻关系表示方法
点云相邻关系主要通过任意两点云之间的欧氏距离进行表示 [9]。如果将邻域内的所有点云数据之间的欧氏距离全部计算出来进行分析，由于计算工作量过大，无法实现。对于这种问题可以利用点云数据相邻关系的表示方法，建立点云之间的索引结构，计算出同一类点云数据的欧氏距离，并通过索引的方法求得其他点云之间的距离，进行点云相邻关系的表达。
...........................
第 2 章 多体系统动力学激光雷达误差与点云拼接研究
2.1 基于多体系统动力学车载激光雷达系统误差模型及分析
车载激光雷达扫描系统的误差由多种误差源组成的，利用多体系统动力学的思想，将多种误差源整合在同一数学模型内，通过对数学模型的解析，完成车载激光雷达扫描系统的误差分析。
2.1.1 车载激光雷达扫描系统
车载激光雷达扫描系统由车载控制单元、激光扫描单元、激光接收处理单元、全球定位系统（GPS）和车载平台等组成，如图 2-1 所示。
车载激光雷达扫描是激光雷达向目标体发射固定方向的激光束，并对返回的激光束进行采集信息并记录，形成激光雷达点云数据的过程。激光雷达的发射激光器与接收器保持在同一直线上，保证激光的发射光路与接收光路路径相同。激光束的扫描方向始终与汽车的行驶方向保持垂直，通过控制汽车的行驶路线，完成对目标体的扫描工作。
...........................
2.2 基于 GPS 点云拼接模型及拼接精度分析
激光点云数据能够真实的反映出建筑物的形态，目前已广泛应用在建筑物的三维重建中，其中点云数据拼接工作对于点云信息的重建起到了重要的作用，拼接精度直接影响到点云三维数据的质量。在实际扫描过程中，由于受到环境与扫描视角的限制，需要对建筑物进行多角度扫描，并将多视角点云信息进行拼接，从而获得目标建筑物完整的点云信息。
常见的点云拼接技术主要分为两类，分别是序列拼接和全局拼接。序列拼接主要是依靠于相邻点云数据中重合部分的法向量、曲率等自身特点找到同名信息对，完成点云信息的拼接，这种方法操作简单，可行性较强，但是对于数据量较大时，由于单点的误差累计，会造成数据的误差偏大，且计算量过大，效果并不理想。全局拼接主要依靠于建立一个全局坐标系，将不同视角下的所有点云信息统一到全局坐标系当中，这种拼接方法可以将误差优化分配到每一个局部区域，因此可以获得较高的拼接精度。全局拼接主要有基于标记点的拼接方法、基于旋转工作台的拼接方法和辅助标靶的拼接方法等。
基于 GPS 的点云拼接方法是车载激光雷达点云数据拼接中精度较高的拼接方法。利用全局拼接中误差小、精度高等特点，将不同视角下的点云数据中 GPS 信息整合在一起，保证测量范围足够大且精度高，实现点云信息的拼接工作。
..............................
第 3 章 α 范数凸集迭代收敛点云去噪与势能函数算法点云分割 ................. 37
3.1 点云数据噪声分类 .......................... 37
3.1.1 高程噪声点云数据 ................................... 37
3.1.2 建筑物边缘噪声点云数据 ........................... 38
第 4 章 基于点云特征信息的建筑物三维重建 ............................ 67
4.1 基于高程点云数据特征图像地面重建 .............................. 67
4.1.1 地面点云数据分段 ....................................... 68
4.1.2 基于统计分析阈值法提取地面点云数据 .......................................... 69
第 5 章 基于边缘特征的点云数据与无人机影像配准 .................................. 101
5.1 点云数据与无人机影像配准不足分析 ......................... 101
5.2 基于霍夫变换与透视投影变换的影像畸变处理 ............................ 103
第 6 章 建筑物三维重建综合试验分析
6.1 基于 α 范数约束的凸集迭代收敛点云去噪方法点云去噪试验
图 6-4 为建筑物原始点云信息，图中黑色矩形区域中包含三类噪声点云数据，其中 1 号区域是高程噪声点云数据。2 号区域是建筑物边缘噪声点云数据。3 号区域是大范围密集噪声点云数据。
...........................
结论
基于激光点云数据的建筑物重建技术广泛应用于数字城市、互联网地图等领域，车载激光雷达扫描时采集建筑物立面数据的有效方法，具有时效性强，精度高等特点，本文采用车载激光雷达扫描系统与无人机影像作为主要数据来源，研究了点云数据的建筑物三维重建的关键技术，主要包括点云数据的分类与去噪、建筑物立面层次区域重建及点云数据与影像数据配准，论文所得出的结论包括：
（1）基于多体系统动力学的方法对车载激光雷达扫描系统误差进行分析。将激光雷达扫描系统中的大地坐标系、方位轴坐标系、俯仰轴坐标系、横倾轴坐标系和激光雷达设备坐标系组成一个多体结构。建立车载激光雷达扫描系统的多体系统动力学模型，分别对各轴系进行了垂直度误差、相交度误差、回转误差及安装误差的分析。基于 Matlab 软件计算垂直度误差、相交度误差及回转误差对整体误差的影响，得出车载平台应选择横倾轴与俯仰轴稳定范围在 ±10° ，方位轴稳定范围在 ±30° ，稳定精度10′ 的三轴平台。对多视角点云数据拼接问题进行研究，各测量站的定位精度决定了点云数据的拼接精度，提出了基于 GPS 大地坐标系对点云数据进行拼接的方法，建立点云数据拼接模型，并对模型进行解算，利用此方法对点云数据进行拼接，验证了基于 GPS 大地坐标系点云拼接方法具有拼接精度高、受外界因素影响小等特点。
（2）基于 α 范数约束的凸集迭代收敛点云去噪算法，主要计算过程为自适应法向量均值滤波、并利用凸集迭代收敛的特点完成关键数据点的更新，并对该方法进行了验证。该方法可以对原始点云数据同时去除高程噪声信息、建筑物边缘噪声信息及大范围密集噪声信息。同时建立了势能函数算法点云分割模型。主要依靠于矢量空间聚类的思想，提出采用点云间的势能关系对点云进行分割，研究激光点云数据间的势能函数关系，并建立势能约束函数的点云分割方法。点云势能函数使对不同维度下的离散点云数据分割时能够自适应地调节带宽参数，在势能函数收缩时，进行带宽参数的更新，保证聚类移动的收敛性质。
参考文献（略）
收藏