摘要

針對大規(guī)模城市場景中建筑物傾斜攝影測量模型輪廓線提取過程中存在的局部特征模糊與全局拓?fù)涫?zhǔn)問題，提出一種動(dòng)態(tài)聚類-規(guī)則化協(xié)同優(yōu)化模型。先將傾斜攝影測量模型三角網(wǎng)與橫截面的交線離散為點(diǎn)云，通過構(gòu)建點(diǎn)云的密度自適應(yīng)聚類算法與基于特征值分解的直線度驅(qū)動(dòng)輪廓生長機(jī)制，實(shí)現(xiàn)噪聲環(huán)境下建筑主體輪廓初步提??；進(jìn)一步設(shè)計(jì)多層級規(guī)則化約束，解決復(fù)雜直角輪廓的斷裂與冗余邊問題。在某大學(xué)傾斜攝影測量模型中的5棟不同形狀建筑物模型上與Alpha Shapes算法進(jìn)行對比試驗(yàn)，本文提出的方法在5組建筑物上的點(diǎn)均離線誤差均小于10 cm,且無系統(tǒng)性偏差，均方根誤差小于0.2,相對占地誤差均低于0.7%,顯示出高精度和良好的輪廓整體把握能力，顯著優(yōu)于Alpha Shapes算法。研究成果可為三維城市建模提供高精度、可擴(kuò)展的技術(shù)方案。

引用

[1] 沈元博,車德福. 一種三維建筑物模型外輪廓的自動(dòng)化提取方法[J]. 測繪科學(xué), 2026, 51 (1): 146-154.

DOI:10.16251/j.cnki.1009-2307.2026.01.015.

引言

現(xiàn)有建筑物輪廓提取方法可歸納為3類：

1)影像驅(qū)動(dòng)方法，基于深度學(xué)習(xí)，如OEC-RNN [2] 、DARNe t [3] 的影像分割技術(shù)雖在規(guī)則建筑檢測中表現(xiàn)良好，但對遮擋嚴(yán)重區(qū)域的輪廓完整性恢復(fù)能力不足。

2)機(jī)載 LiDAR 點(diǎn)云驅(qū)動(dòng)方法：文獻(xiàn) [4]提出利用三角函數(shù)與斜率獲取初始輪廓點(diǎn)，再擬合成輪廓線并規(guī)則化，適用于低密度變化場景，通用性仍需改進(jìn)；文獻(xiàn) [5]采用多層級 MBR 分解策略提取輪廓線，這種方法局限于矩形幾何假設(shè)；文獻(xiàn) [6]通過改進(jìn)不規(guī)則三角網(wǎng)加密法分離地面/非地面點(diǎn)，結(jié)合 Alpha Shapes 與方位角閾值法提取關(guān)鍵點(diǎn)，最后以線段長度加權(quán)方向?qū)崿F(xiàn)規(guī)則化，該方法受限于垂直/平行等幾何先驗(yàn)強(qiáng)約束。

3)多源數(shù)據(jù)融合方法：建筑信息模型(building information modeling, BIM)與傾斜模型集成雖能提升語義信息豐富度，卻因數(shù)據(jù)異構(gòu)性導(dǎo)致計(jì)算復(fù)雜度激增 [7-9] 。

針對傾斜攝影模型，本團(tuán)隊(duì)曾提出半自動(dòng)隨機(jī)抽樣一致算法(random sample consensus, RANSAC)改進(jìn)算法 [10] ,但其人工交互耗時(shí)占比超60%,且噪聲干擾下占地面積相對誤差(relative error of area, REA)波動(dòng)范圍大于3%,難以滿足城市級建模需求。

針對上述挑戰(zhàn)，提出一種動(dòng)態(tài)聚類-規(guī)則化協(xié)同優(yōu)化框架，其核心創(chuàng)新包括：

1)密度自適應(yīng)的動(dòng)態(tài)生長聚類算法。通過歐氏距離約束的種子點(diǎn)擴(kuò)展機(jī)制，有效分離建筑主體點(diǎn)云與漂浮物噪聲，克服傳統(tǒng)固定半徑聚類對場景尺度敏感的問題。

2)直線度驅(qū)動(dòng)的輪廓生長模型。基于協(xié)方差特征分解量化局部線特征置信度，結(jié)合隨機(jī)采樣一致性檢驗(yàn)自適應(yīng)擴(kuò)展輪廓邊界，確保復(fù)雜直角結(jié)構(gòu)的拓?fù)溥B貫性。

3)多層級規(guī)則化約束體系。融合幾何一致性校驗(yàn)、鄰近邊融合與閉合拓?fù)湫迯?fù)策略，消除建筑物輪廓斷裂現(xiàn)象。實(shí)驗(yàn)表明，本方法在測試中表現(xiàn)出優(yōu)越性能，關(guān)鍵指標(biāo)顯著優(yōu)于Alpha Shapes [11-12] 算法。處理效率較人工標(biāo)注采集顯著提升，滿足城市級測繪需求。

主要圖表

圖1 歐氏距離約束的動(dòng)態(tài)生長聚類算法流程圖

圖4 規(guī)則化算法示意圖

圖5 隨機(jī)圓內(nèi)4種點(diǎn)集的直線度計(jì)算情況

圖6 點(diǎn)云聚類結(jié)果對比

圖7 建筑物輪廓提取結(jié)果

應(yīng)用本算法對5棟建筑物共提取134處角點(diǎn)，其中與真實(shí)坐標(biāo)偏差小于20 cm的占74.63%。建筑物①的MAD最高，但結(jié)合其36個(gè)角點(diǎn)的具體偏差分布，有兩處角點(diǎn)偏差顯著，其余點(diǎn)偏差普遍低于0.3 m。這表明復(fù)雜多邊形可能因局部幾何復(fù)雜性導(dǎo)致個(gè)別角點(diǎn)提取難度增加，但整體誤差可控。建筑物②(20邊)和建筑物④(18邊)的MAD較低，且其角點(diǎn)偏差分布更均勻(如建筑物②的角點(diǎn)偏差均低于0.393 m),說明邊數(shù)較少的建筑輪廓提取更易保持一致性。

嘗試進(jìn)行誤差歸因，可以發(fā)現(xiàn)誤差主要來源于以下3個(gè)方面：

1)數(shù)據(jù)來源有誤。

算法的數(shù)據(jù)來源于OSGB模型的Mesh網(wǎng)，為了保證算法的速度，選擇的Mesh網(wǎng)并不稠密，可能無法反映出建筑物的真實(shí)細(xì)節(jié)。

2)算法的隨機(jī)誤差。

由于算法采樣局部直線特征的方式為隨機(jī)采樣，因此得出的結(jié)果會(huì)帶有一定范圍的隨機(jī)誤差。

3)算法的理論短板。

算法得出輪廓的較短邊并非是算法直接擬合得來的，而是進(jìn)行多段線閉合時(shí)連接而來，算法理論上無法擬合兩條以上的連續(xù)較短邊，從而產(chǎn)生誤差。

結(jié)束語

針對傾斜攝影三維模型中建筑物外輪廓提取面臨的局部特征模糊與全局拓?fù)涫?zhǔn)難題，本研究提出一種融合動(dòng)態(tài)聚類與多尺度規(guī)則化的協(xié)同優(yōu)化方法。通過構(gòu)建密度自適應(yīng)的動(dòng)態(tài)生長聚類算法，有效分離建筑主體點(diǎn)云與噪聲，實(shí)現(xiàn)復(fù)雜場景下點(diǎn)云的高精度獲取；設(shè)計(jì)基于特征值分解的直線度驅(qū)動(dòng)輪廓生長機(jī)制，結(jié)合隨機(jī)采樣一致性檢驗(yàn)，解決稀疏三角網(wǎng)環(huán)境下直線特征檢測的魯棒性問題；構(gòu)建多層級規(guī)則化約束體系，消除建筑物輪廓斷裂現(xiàn)象，顯著提升復(fù)雜直角輪廓的拓?fù)溥B貫性。實(shí)驗(yàn)驗(yàn)證表明，本方法在多源數(shù)據(jù)測試中表現(xiàn)出優(yōu)越性能，關(guān)鍵指標(biāo)顯著優(yōu)于Alpha Shapes算法。處理效率較人工標(biāo)注采集顯著提升，滿足城市級建模需求。未來研究將聚焦復(fù)雜結(jié)構(gòu)語義識(shí)別、多尺度特征融合及跨模態(tài)數(shù)據(jù)泛化能力，進(jìn)一步推動(dòng)三維地理信息提取技術(shù)的工程化應(yīng)用。

來源：測繪學(xué)術(shù)資訊