基于機載LiDAR點云數據的歷史文化街區重建方法研究

薛巍 楊志偉

摘 要：為了提高歷史街區重建過程中建筑物輪廓與實際建筑物激光腳點的吻合精度，提出了一種基于機載LiDAR點云數據的歷史文化街區重建方法。首先，對機載LiDAR點云數據作預處理，去除點云數據中的噪聲。其次，利用區域生長算法對激光腳點作分割，完成建筑物點云數據的獲取。之后，采用Alpha Shape算法提取建筑物特征信息，得到輪廓線，再通過管子算法將輪廓線規則化。針對多邊形輪廓線，采用分類強制正交法對其作規則化。最后，通過平面擬合、直線擬合等方法，對歷史文化街區進行三維重建。結果表明，所提出的重建方法在提取建筑物輪廓時，激光腳點吻合更精確，并且重建耗時為25 min，優于文獻所提的2種方法?；跈C載LiDAR點云數據的歷史文化街區重建方法，可以在一定程度上提高歷史文化街區的重建質量，并為其他歷史文化街區的保護與更新提供借鑒。

關鍵詞：光電子學與激光技術；機載LiDAR；點云數據；歷史文化街區；區域生長算法；輪廓線

中圖分類號：TP751

文獻標識碼：A

DOI： 10.7535/hbgykj.2023yx02005

Reconstruction method of historical and cultural blocks based on airborne LiDAR point cloud data

XUE Wei1，YANG Zhiwei2

（1.CCTEG Chongqing Engineering （Group） Company Limited， Chongqing 400016， China;

2.School of Architecture and Design， Chongqing College of Humanities， Science & Technology， Chongqing 401524， China）

Abstract：In order to improve the matching accuracy of building outlines and actual building laser foot points in the process of historical block reconstruction， a reconstruction method of historical and cultural blocks based on airborne LiDAR point cloud data was proposed. Firstly， the airborne LiDAR point cloud data were preprocessed to remove the noise in the point cloud data. Secondly， the region growing algorithm was used to segment the laser foot points to complete the acquisition of building point cloud data. Afterwards， the Alpha Shape algorithm was used to extract the feature information of the building， and the contour line was obtained， and then the contour line was regularized by the pipe algorithm. Aiming at polygonal contour lines， the method of classifying and forcing orthogonality was used to regularize them. Finally， through plane fitting， straight line fitting and other methods， the historical and cultural blocks were reconstructed in three dimensions. The results show that the proposed reconstruction method is more accurate in extracting building outlines than laser foot points. And the reconstruction time is 25 minutes， which is better than the two methods mentioned in the literature. The reconstruction method of historical and cultural blocks based on airborne LiDAR point cloud data can improve the reconstruction quality of historical and cultural blocks to a certain extent， and provides reference for the protection and renewal of other historical and cultural blocks.

Keywords：optoelectronics and laser technology；airborne LiDAR; point cloud data; historical and cultural blocks; region growing algorithm; outline

歷史文化街區作為城市建設發展過程中具有歷史價值的區域，其存在見證了城市街巷的演變發展歷程和景觀風貌的變遷，是城市景觀體現中非常重要的一部分^［1-3］。目前，歷史文化街區面臨被拆除和遺棄，一方面是因為這些歷史文化街區通常位于市中心，另一方面是歷史文化街區的價值被人們所忽視^［4-5］。然而，歷史文化街區對于城市的發展和規劃具有十分重大的意義，遠遠超過自身的經濟價值，逐漸受到相關學者的重視，重建歷史文化街區具有重要的意義。

機械激光雷達（機載LiDAR）技術能夠快速精準地獲取地面物體的位置和高度信息，是一種獲取地球空間信息的高新技術手段^［6］。該技術通過數據濾波處理獲取地面和非地面的點云數據，并將其分離，從而獲取實際的建筑物等信息，具有探測靈敏度高、數據精度高等優點。然而，在對機載LiDAR點云數據的處理中，由于所用算法不同，導致處理效果不同。傳統算法^［7-8］在對點云數據的處理過程中，提取建筑物輪廓的精確性還有待提高。王競雪等^［7］融合了區域生長及主成分分析方法，獲取了機載LiDAR建筑物點云，利用構建的離散點云數據三角網，提取建筑物邊緣特征點，在此基礎上進行單體化分割，實現了建筑物的點云提取。該方法具有較好的適應性，但點云數據的提取效率有待完善。趙傳等^［8］提出了基于深度殘差網絡的機載LiDAR點云分類方法。根據提取的歸一化高程點云低層次特征，生成點云特征圖，再將點云特征圖輸入到深度殘差網絡，進行點云提取與分類。該方法可以有效區分不同地物，但點云提取精度有待進一步完善。

本文提出一種基于機載LiDAR點云數據的歷史文化街區重建方法，通過對比實驗，證實該方法具有更高的精確性。

1 歷史文化街區重建方法

1.1 機載LiDAR數據預處理

利用機載LiDAR獲取歷史文化街區的點云數據，得到的原始點云數據中包含大量噪聲，需要去除這些噪聲，便于后續建筑物邊緣提取^［9-10］。所以，首先需要對通過機載LiDAR獲取的歷史文化街區原始數據進行處理。數據預處理過程如下：將數據的噪聲作分類處理，將其分為高空孤立點、局部點和空洞點，通過后續處理中提到的平面擬合去除高空孤立點，通過插值對空洞點作賦值處理。然后，對經過預處理的機載LiDAR數據作進一步處理。

1.2 機載LiDAR點云數據獲取

采用區域生長算法對歷史文化街區的建筑物激光腳點進行分割，區域生長算法可以用來分割歷史文化街區比較復雜的建筑物圖像。區域生長算法過程如圖1所示。

針對相鄰的地面物體角點，創建一個區域集合Q={A1，A2，…，AN}。任意選取一個非地面腳點作為初始種子點，開始創建區域。通過遞歸，將種子點的八鄰域中的非地面腳點相連接，形成區域，直至沒有可以繼續連接的點，創建區域結束^{［5，11-12］}；重復上述過程，直至每個非地面腳點均被劃分到一個區域Ai中。然后，將每個區域Ai分成2部分Ii和Bi。其中，Ii表示區域內部腳點，Bi表示區域的邊緣腳點。如果一個腳點的八鄰域中至少有一個腳點屬于地面點，此激光腳點被定義為邊緣點，反之，則為內部點^［13］。如果小區域Ai內部的腳點數為0，則從集合Q中去除Ai。之后，對集合區域中的每個小區域作如下循環。

1）給定一個內部點dk（x0，y0，z0），以此內部點為原點建立直角坐標系，以dk和它的8個相鄰點通過最小二乘法得到擬合平面。假設平面方程如式（1）所示：

式中，（a，b，c）通過求解偏差σ平方和的極小值σk得到，極小值的求解如式（2）所示：

式中：K表示dk及其相鄰點構成的集合；hk表示激光點dk的高程測量值；zk表示擬合平面的高程測量值^［14-15］。通過上述公式可以得到由小區域Ai中所有內部激光腳點的最小值組成的集合θi={σ1i，σ2i，…，σNi}。

2）如果θi≠?，則設定Dj≠?，j的初始值為1。

3）選取最小值的點作為種子點開展區域生長任務，將該點加入集合Dj。

4）采用平面擬合方法對鄰近的種子點進行檢測，確定它們是否為一個集合，并在鄰近的位置做標識。將屬于同類的激光腳點通過最小二乘法構建平面^［16-18］。若鄰近的點距該平面的高度差低于臨界值，則將該鄰近的鄰近點數添加到Dj集合中，直至沒有激光腳點可添加至結合Dj中，此過程結束。

5）從集合Ai中去除集合Dj，與此同時，在θ中去除σ，返回步驟2）。

6）循環上述步驟，直至Ai=?。

通過上述循環過程，得到小區域Dj的集合D，D={D1，D2，…，Dj，…，DM}，Dj={d1j，d2j，…，dNj}，其中，dkj是小區塊j中的第k個激光腳點^［19-20］。如果Dj不完全包含在其他區域，則從D中去除Dj。之后，將D中相連的區域合并得到新集合DM。將具有不同高度的歷史建筑相鄰屋頂面合并為一個大的區塊，如果DMj小于預設的最小建筑物面積閾值，則將DMj從DM中去除，最后，DM中剩下的區塊都是歷史文化街區中的建筑物區塊。

1.3 歷史文化街區建筑輪廓線規則化處理

首先，采用Alpha Shape算法提取建筑物的輪廓線^［21-22］，再將其簡化，最后將其幾何規則化。利用Alpha Shape算法提取歷史文化街區建筑物輪廓的具體步驟如下。

假設建筑物的形狀為多邊形，該多邊形是有限點集X的輪廓，用一個半徑為β的圓沿著多邊形的邊緣滾動，如果β夠小，則此圓的滾動痕跡為X的邊界，并且每一個點都是邊界；如果β夠大，則是輪廓線X的凸包。

通過對β的控制，調節輪廓線的平滑程度。取X內的2點V1，V2，以β為半徑畫圓，如果除了V1，V2外，沒有其他點落在該圓中，則判定V1，V2為邊界點^［23-24］，V1，V2之間的連線為邊界線段，判決條件如圖2所示。

如圖2所示，已知V1，V2的坐標分別為（x1，y1），（x2，y2），求取圓心V3的坐標。由于通過前述算法提取得到的輪廓線非常粗糙，故對其采用管子算法作進一步簡化處理，使輪廓線規則化。

具體處理過程：利用直徑為ω的管子模擬歷史文化街區建筑物輪廓線的外邊緣，如果建筑物輪廓線上所有的點均在管子內，這些點距離變化小于ω，則舍棄這些點中的中間點，輪廓線視為無變化^［25］；反之，如果這些點的距離變化大于ω，超出管子的直徑范圍時，則建筑物輪廓線的拐點被保留下來，通過矩形外接圓實現輪廓線的規則化。針對多邊形輪廓線，采用分類強制正交法對其作規則化處理，處理流程如圖3所示。

數據規則化處理可以改善點云數據的面元屬性，便于后續歷史街區的三維重建。

1.4 歷史文化街區三維重建

在提取機載LiDAR數據中歷史文化街區特征信息后，得到歷史文化街區的建筑物輪廓，對歷史文化街區開展三維重建工作。平面方程p=ax+by+c采用最小二乘法處理，點到平面距離的計算如式（3）所示：

將式（3）用泰勒公式作進一步處理，通過迭代計算，得到人字型屋頂平面的擬合平面。

對于其他形狀的屋頂建筑物，以屋頂面上任一點為原點，以建筑物的主方向和垂直方向分別作為橫坐標軸和縱坐標軸，建立坐標系，通過直線擬合，重建其他形狀的屋頂建筑物^［26］。建筑物屋頂的激光腳點在建立的坐標系o-x′y′z′中的坐標由式（4）得到：

式中，φ代表坐標系能與新建坐標系重合的順時針旋轉角度。通過直線擬合，重建四坡頂等其他形狀的建筑物。綜上所述，通過平面擬合和直線擬合，完成建筑物的三維重建。

至此，完成基于機載LiDAR點云數據的歷史文化街區重建方法的設計。

2 實驗與分析

以某歷史文化街區為例，采用提出的重建方法，驗證該重建方法是否可以有效得到歷史文化街區的點云數據。

2.1 歷史文化街區概況

某歷史文化街區概況圖如圖4所示。

針對圖4所示的某歷史文化街區概況圖，采用提出的重建方法重建該歷史文化街區。

2.2 實驗過程

采用提出的基于機載LiDAR點云數據的歷史文化街區重建方法對該歷史文化街區重建，選取某一區塊的機載LiDAR點云數據為實驗目標，并將提取結果與文獻［7］方法（結合區域生長及主成分分析的機載LiDAR建筑物點云提?。?、文獻［8］方法（基于深度殘差網絡的機載LiDAR點云分類）2種傳統重建方法作對比。

2.3 建筑物輪廓提取視覺對比

本文提出的基于機載LiDAR點云數據的歷史文化街區重建方法與文獻［7］方法、文獻［8］方法的對比結果如圖5所示。

由圖5可知，所提方法提取的建筑物輪廓與實際建筑物激光腳點吻合，能夠完整精確地提取建筑物的輪廓。采用文獻［7］方法，建筑物的大致輪廓可以被準確提取，但有些細節未能提取到。采用文獻［8］方法，提取建筑物的輪廓存在缺失現象。經對比發現，采用提出的方法能夠更精確地提取建筑物的輪廓，因為本文方法對機載LiDAR點云數據進行了去噪處理，又采用了區域生長法分割激光腳點，進一步提高了建筑輪廓的提取精度。

2.4 重建耗時對比

在上述實驗環境下，分別利用提出的重建方法、文獻［7］方法、文獻［8］方法進行歷史街區建筑重建，記錄并對比耗時，具體實驗結果如表1所示。

由表1結果可知，本文提出的方法重建耗時最短，為25 min，比文獻［7］方法的重建耗時少4 min，比文獻［8］方法的重建耗時少6 min。這是因為本文提出方法在提取特征信息前分割了激光腳點，獲得建筑物的初始輪廓，并利用管子法對其進行了規則化，為后續建筑特征信息的提取及重建進行了鋪墊，從而縮短了重建耗時。

3 結 語

為了提高歷史文化街區重建的真實性與完整性，提高激光腳點吻合進度，研究了基于機載LiDAR點云數據的歷史文化街區重建方法，研究結論如下。

1）機載LiDAR點云數據中噪聲去除后，可以更精準地利用區域生長法分割激光腳點，使實驗中提取到的激光腳點更符合實際的建筑物輪廓。

2）采用Alpha Shape法提取精準的建筑特征，利用管子法對其進行了規則化，縮短了歷史文化街區建筑重建的耗時。

3）考慮了多邊形輪廓線情況，采用分類強制正交法對其作規則化處理，優化了街區重建的效果，縮短了重建時間。在此基礎上，通過平面擬合、直線擬合等方法，實現了歷史文化街區的三維重建。

在接下來的研究中，會結合城市環境的復雜性，在歷史文化街區的建設管理中進一步提高方法的環境適應性。

參考文獻/References：

［1］ 鄧春鳳，呂佳文.歷史文化街區保護與更新研究——以桂林市正陽路東西巷為例［J］.住宅科技，2021，41（1）：38-41.

DENG Chunfeng，LYU Jiawen.Research on the protection and renewal of historical and cultural blocks：Take the east-west lane of Zhengyang road in Guilin as an example［J］.Housing Science，2021，41（1）：38-41.

［2］ 黃璐，劉雪菲，易嬌.歷史文化街區的升級改造：基于AISAS的場景重塑研究［J］.現代商貿工業，2021，42（9）：15-17.

HUANG Lu，LIU Xuefei，YI Jiao.Upgrading and reconstruction of historical and cultural blocks：Research on scene reconstruction based on AISAS［J］.Modern Business Trade Industry，2021，42（9）：15-17.

［3］ 郭亞棟，王賢昆，宿殿鵬，等.基于方向預測規則化的機載激光雷達建筑物正交輪廓線提?。跩］.激光與光電子學進展，2020，57（6）：062801.

GUO Yadong，WANG Xiankun，SU Dianpeng，et al.Building orthogonal boundary extraction for airborne LiDAR based on directional prediction regularization［J］.Laser & Optoelectronics Progress，2020，57（6）：062801.

［4］ 周嘉俊，李勇，何明，等.機載激光雷達點云多層次建筑物的三維重建［J］.遙感信息，2019，34（5）：76-80.

ZHOU Jiajun，LI Yong，HE Ming，et al.Three dimensional reconstruction of multi-level buildings from airborne LiDAR point clouds［J］.Remote Sensing Information，2019，34（5）：76-80.

［5］ 高智梅，王競雪，沈昭宇.機載LiDAR建筑物點云漸進提取算法［J］.測繪通報，2021（8）：7-13.

GAO Zhimei，WANG Jingxue，SHEN Zhaoyu.Aerial LiDAR building point-cloud progressive extraction algorithm［J］.Bulletin of Surveying and Mapping，2021（8）：7-13.

［6］ 陳宇琪，羅一芬，龍競帥，等.顧及上下文信息的城區機載LiDAR建筑物自動化提取方法研究［J］.地理信息世界，2019，26（5）：58-63.

CHEN Yuqi，LUO Yifen，LONG Jingshuai，et al.Contextual extraction of urban buildings from airborne LiDAR point cloud［J］.Geomatics World，2019，26（5）：58-63.

［7］ 王競雪，洪紹軒.結合區域生長及主成分分析的機載LiDAR建筑物點云提?。跩］.信號處理，2018，34（9）：1094-1104.

WANG Jingxue，HONG Shaoxuan.Aerial LiDAR buildings point clouds extraction combining region growing and principal component analysis［J］.Journal of Signal Processing，2018，34（9）：1094-1104.

［8］ 趙傳，郭海濤，盧俊，等.基于深度殘差網絡的機載LiDAR點云分類［J］.測繪學報，2020，49（2）：202-213.

ZHAO Chuan，GUO Haitao，LU Jun，et al.Airborne LiDAR point cloud classification based on deep residual network［J］.Acta Geodaetica et Cartographica Sinica，2020，49（2）：202-213.

［9］ 馮仕超，郭興平，韓彥偉，等.基于三維激光掃描技術在崖墓保護中的應用［J］.地理空間信息，2022，20（2）：57-59.

FENG Shichao，GUO Xingping，HAN Yanwei，et al.Application of 3D laser scanning technology in the protection of rock-tombs［J］.Geospatial Information，2022，20（2）：57-59.

［10］王宏濤，雷相達，趙宗澤.融合光譜信息的機載LiDAR點云三維深度學習分類方法［J］.激光與光電子學進展，2020，57（12）：122802.

WANG Hongtao，LEI Xiangda，ZHAO Zongze.3D deep learning classification method for airborne LiDAR point clouds fusing spectral information［J］.Laser & Optoelectronics Progress，2020，57（12）：122802.

［11］趙賽男，閆利.利用基元分解的機載點云復雜建筑物自動重建［J］.遙感信息，2018，33（3）：70-76.

ZHAO Sainan，YAN Li.Building reconstruction from airborne LiDAR point clouds using primitive-based method［J］.Remote Sensing Information，2018，33（3）：70-76.

［12］楊業，李宏寧.基于機載LiDAR點云數據的電力線自動提取方法［J］.激光與光電子學進展，2020，57（9）：090102.

YANG Ye，LI Hongning.Automatic power line extraction method based on airborne LiDAR point cloud data［J］.Laser & Optoelectronics Progress，2020，57（9）：090102.

［13］WANG Qian，TAN Yi，MEI Zhongya.Computational methods of acquisition and processing of 3D point cloud data for construction applications［J］.Archives of Computational Methods in Engineering，2020，27（2）：479-499.

［14］楊鈺琪，陳馳，楊必勝，等.基于UAV影像密集匹配點云多層次分割的建筑物層高變化檢測［J］.武漢大學學報（信息科學版），2021，46（4）：489-496.

YANG Yuqi，CHEN Chi，YANG Bisheng，et al.3D change detection of buildings based on multi-level segmentation of dense matching point clouds from UAV images［J］.Geomatics and Information Science of Wuhan University，2021，46（4）：489-496.

［15］蔡湛，李如仁，李新科，等.一種基于激光點云數據的房屋輪廓線提取方法［J］.地理與地理信息科學，2013，29（5）：17-21.

CAI Zhan，LI Ruren，LI Xinke，et al.Building roof boundary extraction from LiDAR point cloud［J］.Geography and Geo-Information Science，2013，29（5）：17-21.

［16］GUO Ziye，LIU Hui，PANG Lei，et al.DBSCAN-based point cloud extraction for Tomographic synthetic aperture radar （TomoSAR） three-dimensional （3D） building reconstruction［J］.International Journal of Remote Sensing，2021，42（6）：2327-2349.

［17］ALBANO R.Investigation on roof segmentation for 3D building reconstruction from aerial LIDAR point clouds［J］.Applied Sciences，2019，9（21）：4674.

［18］陳俊吉，皮大偉，謝伯元，等.基于幾何特征與三維點云特征的道路邊沿識別算法［J］.河北科技大學學報，2019，40（6）：461-468.

CHEN Junji，PI Dawei，XIE Boyuan，et al.Curb recognition algorithm based on geometric characters and 3D point cloud features［J］.Journal of Hebei University of Science and Technology，2019，40（6）：461-468.

［19］吳越，李勝旺，白宇.用于三維重建的改進特征匹配策略［J］.河北科技大學學報，2019，40（5）：423-430.

WU Yue，LI Shengwang，BAI Yu.Improved feature matching strategy for 3D Reconstruction［J］.Journal of Hebei University of Science and Technology，2019，40（5）：423-430.

［20］BASSIER M，YOUSEFZADEH M，VERGAUWEN M.Comparison of 2D and 3D wall reconstruction algorithms from point cloud data for as-built BIM［J］.Journal of Information Technology in Construction，2020，25：173-192.

［21］CHEN Jingdao，KIRA Z，CHO Y K.Deep learning approach to point cloud scene understanding for automated scan to 3D Reconstruction［J］.Journal of Computing in Civil Engineering，2019，33（4）：04019027.

［22］BASSIER M，VERGAUWEN M，POUX F.Point cloud vs.Mesh features for building interior classification［J］.Remote Sensing，2020，12（14）：2224.

［23］BOHAK C，SLEMENIK M，KORDEZ J，et al.Aerial LiDAR data augmentation for direct point-cloud visualisation［J］.Sensors，2020，20（7）：2089.

［24］ZDEMIR E.REMONDINO F.Classification of aerial point clouds with deep learning［J］.The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2019，XLII-2/W13：103-110.

［25］WANG Cheng，HOU Shiwei，WEN Chenglu，et al.Semantic line framework-based indoor building modeling using backpacked laser scanning point cloud［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2018，143：150-166.

［26］DEY E K，KURDI F T，AWRANGJEB M，et al.Effective selection of variable point neighbourhood for feature point extraction from aerial building point cloud data［J］.Remote Sensing，2021，13（8）：1520.