本发明涉及地理信息系统技术领域，具体涉及一种空间约束的密集匹配点云平面基元提取方法。
背景技术：
建筑物是城区的重要地物，如何从场景中提取建筑物一直是国内外学者研究的重点与热点。倾斜航空影像具有“立面可见，无遮挡”的优势，不仅可以提供建筑物屋顶信息，还可以提供建筑物立面信息。
建筑物结构化重构方法的首要步骤是如何从倾斜航空影像的密集匹配点云中提取建筑物平面基元。现有平面基元提取方法主要分为三类：聚类、区域生长和模型拟合方法，在实际应用中这几种方法都容易受噪声影响，导致平面基元提取不完整，尖锐特征缺失或错误提取。
因此，现有技术还有待于改进和发展。
技术实现要素：
针对现有技术的上述缺陷，本发明提供一种空间约束的密集匹配点云平面基元提取方法，旨在解决现有平面基元提取方法容易受噪声影响，导致平面基元提取不完整，尖锐特征缺失或错误提取的问题。
本发明解决技术问题所采用的技术方案如下：
一种空间约束的密集匹配点云平面基元提取方法，其中，包括：
获取目标物体的密集匹配点云，将所述密集匹配点云分割为若干超体素；
采用区域生长方法确定各个所述超体素的平面支持区域，基于所述平面支持区域构建最大平面支持区域；
根据所述最大平面支持区域对所述点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息；
根据所述法向量信息，提取所述目标物体的平面基元并对所述平面基元进行修复。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述将所述密集匹配点云分割为若干超体素的步骤包括：
对所述密集匹配点云构建八叉树空间索引，并从所述八叉树空间索引中均匀选取若干点作为种子点；
获取所述密集匹配点云中各个点的特征向量，并根据所述特征向量对所述八叉树空间索引的叶子点进行合并，得到若干超体素。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述将所述密集匹配点云分割为若干超体素的步骤之后还包括：
根据若干所述超体素的协方差矩阵的奇异值分解，确定各个所述超体素的特征值；
根据所述特征值从各个所述超体素中筛选出跨越边界的超体素，并对跨越边界的所述超体素中的点进行重新分配。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述对跨越边界的所述超体素中的点进行重新分配的步骤包括：
计算未跨越边界的各个超体素中所有点的三维坐标的算术平均值，得到未跨越边界的各个超体素的三维质心；
根据所述三维质心确定跨越边界的所述超体素中的点对应的邻近超体素，并将跨越边界的所述超体素中的点分配给其对应的邻近超体素。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述采用区域生长方法确定各个所述超体素的平面支持区域的步骤包括：
获取各个所述超体素的3d形状特征和法向量；
根据所述3d形状特征和所述法向量，采用k最近邻算法进行邻域搜索，以区域生长方法确定各个所述超体素的平面支持区域。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述基于所述平面支持区域构建最大平面支持区域的步骤包括：
采用集合交集算法，对各个所述超体素的平面支持区域进行相互包含关系验证，并将经过相互包含关系验证的平面支持区域作为最大平面支持区域。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述根据所述最大平面支持区域对所述点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息的步骤包括：
根据所述最大平面支持区域以及预先设置的规则化函数和损失函数，确定各个所述超体素的旋转向量；
根据所述旋转向量对各个所述超体素的法向量进行重新定向，并根据重新定向后的所述法向量对所述密集匹配点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述规则化函数的公式为：
所述损失函数的公式为：
其中，
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述根据所述法向量信息，提取所述目标物体的平面基元的步骤包括：
以所述平面支持区域的中心点为种子点，根据所述法向量信息，获取所述种子点与其领域点的欧几里得距离和法向量相似性；
根据所述欧几里得距离和所述法向量相似性，提取出所述目标物体的平面基元。
所述的空间约束的密集匹配点云平面基元提取方法，其中，所述根据所述法向量信息，对所述平面基元进行修复的步骤包括：
根据所述法向量信息，计算所述平面基元的平均法向量；
根据所述平均法向量对所述平面基元上的点进行重投影，以对所述平面基元进行修复。
一种智能终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的空间约束的密集匹配点云平面基元提取方法中的步骤。
一种存储介质，其上存储有多条指令，其中，所述指令适于由处理器加载并执行，以执行实现上述所述的空间约束的密集匹配点云平面基元提取方法中的步骤。
本发明的有益效果：本发明通过构建最大平面支持区域，基于最大平面支持区域进行全局法向量优化，根据优化后的法向量进行平面基元及平面基元修复，能够有效降低噪声影响并保留物体的结构特征，提取出完整而连续的平面基元。
附图说明
图1是本发明实施例中提供的空间约束的密集匹配点云平面基元提取方法的一个实施例流程图；
图2是本发明实施例中提供的超体素的3d形状特征图；
图3是本发明实施例中提供的超体素之间的法向量角度差示意图；
图4是本发明实施例提供的存在单边包含关系的平面支持区域的结构示意图；
图5是本发明实施例提供的存在相互包含关系的平面支持区域的结构示意图；
图6是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的空间约束的密集匹配点云平面基元提取方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器（centralprocessingunit，cpu），图形处理器（graphicsprocessingunit，gpu）、视频处理单元（videoprocessingunit，vpu）等中的至少一种。
示例性方法
现有平面基元提取方法主要分为三类：聚类、区域生长和模型拟合方法。基于聚类的平面基元提取方法通常依据局部点或者表面特征将点分组成簇，但是由于噪声和复杂的表面结构，难以将点数据分割成具有连续性和完整性的平面结构；与聚类算法不同，区域增长算法将点云划分为更有意义的区域，其分割质量取决于种子点的选取和增长条件，虽然区域增长算法简单易行且使用广泛，但它对噪声敏感，计算量大；模型拟合算法通常适用于当提取的平面表面可以用数学方法进行定义，以随机抽样一致算法（randomsampleconsensus，ransac）为代表，基于ransac的平面提取方法，以迭代的方式估算几何图元的参数，并且每次迭代都会产生具有最大点数的平面，这种方法会导致多余的“假面”。为了防止“假面”的检测而考虑结合局部表面法向量或者区域增长方法来拓展ransac，但平面提取结果会因为点云数据噪声变得不稳定。
为了解决上述问题，本发明实施例提供了一种空间约束的密集匹配点云平面基元提取方法，请参照图1，图1是本发明提供的一种空间约束的密集匹配点云平面基元提取方法的一个实施例的流程图。
在本发明的一个实施例中，所述空间约束的密集匹配点云平面基元提取方法有四个步骤：
s100、获取目标物体的密集匹配点云，将所述密集匹配点云分割为若干超体素。
具体地，所述目标物为建筑物，所述目标物体的密集匹配点云通过倾斜航空影像获取，超体素分割的目的是将密集匹配点云过分割为具有均匀大小、形状以及相互联系且互不重叠的体素。本实施例获取目标物体的密集匹配点云后，将所述密集匹配点云分割为若干超体素，以便后续步骤中稳健地从密集匹配点云中提取完整而连续的平面基元。
在一具体实施方式中，步骤s100中所述将所述密集匹配点云分割为若干超体素的步骤包括：
s110、对所述密集匹配点云构建八叉树空间索引，并从所述八叉树空间索引中均匀选取若干点作为种子点；
s120、获取所述密集匹配点云中各个点的特征向量，并根据所述特征向量对所述八叉树空间索引的叶子点进行合并，得到若干超体素。
具体地，本实施例中对密集匹配点云进行分割时，首先对密集匹配点云构建八叉树空间索引，在3×3×3立方体邻域内生成26邻域连接图，并从所述八叉树空间索引中均匀选取若干点作为种子点；然后以所述密集匹配点云中点的特征向量为相似性测度，从初始叶子点出发，自底向上逐层迭代分析兄弟节点之间的相似程度，若相似度大于预设阈值，则合并这些兄弟节点，直至没有可合并的兄弟节点，得到若干同质性高的超体素。其中，密集匹配点云中点的特征向量的计算公式为：
在一具体实施方式中，步骤s100中所述将所述密集匹配点云分割为若干超体素的步骤之后还包括：
s130、根据若干所述超体素的协方差矩阵的奇异值分解，确定各个所述超体素的特征值；
s140、根据所述特征值从各个所述超体素中筛选出跨越边界的超体素，并对跨越边界的所述超体素中的点进行重新分配。
完成超体素分割后，不能保证每个体素都是平面结构，个别体素可能会出现跨越平面边界的情况。基于平面假设，点的3d形状特征可以用于测量每个超体素的平面度，针对个别体素跨越平面边界的问题，本实施例中增加超体素精细化步骤，根据若干超体素中点集的斜方差矩阵的奇异值分解，得到各个超体素的特征值；然后根据各个超体素的特征值从各个所述超体素中筛选出跨越边界的超体素，并对跨越边界的超体素中的点进行重新分配，从而解决个别体素跨越平面边界的问题。其中，跨越平面边界的超体素的筛选条件为：
在一具体实施方式中，步骤s140中所述对跨越边界的所述超体素中的点进行重新分配的步骤包括：
s141、计算未跨越边界的各个超体素中所有点的三维坐标的算术平均值，得到未跨越边界的各个超体素的三维质心；
s142、根据所述三维质心确定跨越边界的所述超体素中的点对应的邻近超体素，并将跨越边界的所述超体素中的点分配给其对应的邻近超体素。
对于跨越平面边界的超体素，本实施例中将其再次分离为点并重新分配到其对应的邻近超体素。具体地，本实施例中首先计算未跨越边界的各个超体素中所有点的三维坐标的算术平均值，得到未跨越边界的各个超体素的三维质心；对于跨越平面边界的超体素中的每个点，计算其坐标与未跨越平面边界的各个超体素的三维质心的欧式距离，根据所述欧式距离确定跨越平面边界的超体素中的各个点对应的邻近超体素，并将跨越边界的超体素中的各个点分配到其对应的邻近超体素中，从而实现了超体素的精细化，保证密集匹配点云分割出的每个超体素都是平面结构。
s200、采用区域生长方法确定各个所述超体素的平面支持区域，基于所述平面支持区域构建最大平面支持区域。
具体地，每个超体素都有其对应的平面支持区域，所述最大平面支持区域为经过相互包含关系验证的平面支持区域。本实施例中将点云分割为若干超体素后，采用区域生长方法确定各个超体素的平面支持区域，然后对各个超体素的平面支持区域进行相互包含关系验证，构建最大平面支持区域，以便后续步骤中根据最大平面支持区域对点云中的点的法向量进行全局优化，以实现建筑物平面基元准确提取与点云修复。
在一具体实施方式中，步骤s200中所述采用区域生长方法确定各个所述超体素的平面支持区域的步骤包括：
s210、获取各个所述超体素的3d形状特征和法向量；
s220、根据所述3d形状特征和所述法向量，采用k最近邻算法进行邻域搜索，以区域生长方法确定各个所述超体素的平面支持区域。
为了确定各个超体素的平面支持区域，本实施例中采用超体素的3d形状特征及法向量角度差作为包含区域的判别标准，图2为超体素的3d形状特征，图3为超体素之间的法向量角度差，其中，平面
在一具体实施方式中，步骤s200中所述基于所述平面支持区域构建最大平面支持区域的步骤包括：
s230、采用集合交集算法，对各个所述超体素的平面支持区域进行相互包含关系验证，并将经过相互包含关系验证的平面支持区域作为最大平面支持区域。
为了进一步减少在区域生长过程中平面支持区域si出现的跨越平面边界的情况，在确定各个超体素的平面支持区域后，采用排序数组中的集合交集算法，对各个所述超体素的平面支持区域进行相互包含关系验证，并将经过相互包含关系验证的所述超体素对的平面支持区域作为最大平面支持区域，使得在后续向量全局优化过程中仅考虑相互包含在其对应的平面支持区域中的超体素对
s300、根据所述最大平面支持区域对所述点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息。
最大平面支持区域虽然可以恢复场景中的部分全局结构，但在复杂的城市条件下，相互包含的平面支持区域可能并不会彼此相交，从而阻碍了整个结构的恢复。因此，本实施例中在最大平面支持区域上进行全局法向量优化，全局优化的目的是超体素法向量的重定向，获取所述密集匹配点云的法向量信息。
在一具体实施方式中，所述步骤s300具体包括：
s310、根据所述最大平面支持区域以及预先设置的规则化函数和损失函数，确定各个所述超体素的旋转向量；
s320、根据所述旋转向量对各个所述超体素的法向量进行重新定向，并根据重新定向后的所述法向量对所述密集匹配点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息。
在进行法向量的全局优化时，若直接强制法向量相等，则在迭代最小二乘优化中可能违背法向量的单位向量约束，因此需要间接优化每个超体素法向量的旋转向量r=[r1,r2,r3]t。本实施例中预先设置用于法向量全局优化的规则化函数及损失函数，根据所述最大平面支持区域以及预先设置的规则化函数和损失函数，确定各个所述超体素对应的旋转向量；然后根据得到的旋转向量对各个所述超体素的法向量进行重新定向，并根据重新定向后的所述法向量对所述点云中的点的法向量进行全局优化，获得准确的点云法向量信息用于后续平面基元提取。
在一具体实施方式中，所述规则化函数的公式为：
s400、根据所述法向量信息，提取所述目标物体的平面基元并对所述平面基元进行修复。
法向量是面片提取必不可少的信息，本实施例中获取到密集匹配点云的法向量信息后，根据所述法向量信息并采用区域生长方法提取连续且完整的建筑物平面基元，并根据所述点云法向量信息对提取出的建筑物平面基元进行点云修复，从而实现建筑物平面基元准确提取与点云修复。
在一具体实施方式中，步骤s400中所述根据所述法向量信息，提取所述目标物体的平面基元的步骤包括：
s410、以所述平面支持区域的中心点为种子点，根据所述法向量信息，获取所述种子点与其领域点的欧几里得距离和法向量相似性；
s420、根据所述欧几里得距离和所述法向量相似性，提取出所述目标物体的平面基元。
为了提取平面基元，本实施例中首先选取平面支持区域的中心点作为种子点，并从种子点出发，通过相邻对象的相似性进行扩展，提取面片基元，其中，相邻对象由粗到精共包含三类：相邻平面支持区域、相邻超体素以及相邻的单个点。在通过相似性进行扩展时，以欧几里得距离和角度差作为判别标准，欧几里得距离可用于确定空间连接性
在一具体实施方式中，步骤s400中所述根据所述法向量信息，对所述平面基元进行修复的步骤包括：
s430、根据所述法向量信息，计算所述平面基元的平均法向量；
s440、根据所述平均法向量对所述平面基元上的点进行重投影，以对所述平面基元进行修复。
为了保证提取出的平面基元的平面性，本实施例中提取出平面基元后，利用优化后的法向量信息以及平面基元提取结果计算每个提取的平面基元的平均法向量，并根据所述平均法向量对平面基元上的点进行重投影，以对所述平面基元进行修复。其中，对平面基元上的点进行重投影的计算公式为：
示例性设备
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图6所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空间约束的密集匹配点云平面基元提取方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在装置内部设置，用于检测内部设备的当前运行温度。
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：
获取目标物体的密集匹配点云，将所述密集匹配点云分割为若干超体素；
采用区域生长方法确定各个所述超体素的平面支持区域，基于所述平面支持区域构建最大平面支持区域；
根据所述最大平面支持区域对所述点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息；
根据所述法向量信息，提取所述目标物体的平面基元并对所述平面基元进行修复。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
综上所述，本发明公开了一种空间约束的密集匹配点云平面基元提取方法，包括：获取目标物体的密集匹配点云，将所述密集匹配点云分割为若干超体素；采用区域生长方法确定各个所述超体素的平面支持区域，基于所述平面支持区域构建最大平面支持区域；根据所述最大平面支持区域对所述点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息；根据所述法向量信息，提取所述目标物体的平面基元并对所述平面基元进行修复。本发明通过构建最大平面支持区域，基于最大平面支持区域进行全局法向量优化，根据优化后的法向量进行平面基元及平面基元修复，能够有效降低噪声影响并保留物体的结构特征，提取出完整而连续的平面基元。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
1.一种空间约束的密集匹配点云平面基元提取方法，其特征在于，包括：
获取目标物体的密集匹配点云，将所述密集匹配点云分割为若干超体素；
采用区域生长方法确定各个所述超体素的平面支持区域，基于所述平面支持区域构建最大平面支持区域；
根据所述最大平面支持区域对所述点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息；
根据所述法向量信息，提取所述目标物体的平面基元并对所述平面基元进行修复。
2.根据权利要求1所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述将所述密集匹配点云分割为若干超体素的步骤包括：
对所述密集匹配点云构建八叉树空间索引，并从所述八叉树空间索引中均匀选取若干点作为种子点；
获取所述密集匹配点云中各个点的特征向量，并根据所述特征向量对所述八叉树空间索引的叶子点进行合并，得到若干超体素。
3.根据权利要求1所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述将所述密集匹配点云分割为若干超体素的步骤之后还包括：
根据若干所述超体素的协方差矩阵的奇异值分解，确定各个所述超体素的特征值；
根据所述特征值从各个所述超体素中筛选出跨越边界的超体素，并对跨越边界的所述超体素中的点进行重新分配。
4.根据权利要求3所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述对跨越边界的所述超体素中的点进行重新分配的步骤包括：
计算未跨越边界的各个超体素中所有点的三维坐标的算术平均值，得到未跨越边界的各个超体素的三维质心；
根据所述三维质心确定跨越边界的所述超体素中的点对应的邻近超体素，并将跨越边界的所述超体素中的点分配给其对应的邻近超体素。
5.根据权利要求1所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述采用区域生长方法确定各个所述超体素的平面支持区域的步骤包括：
获取各个所述超体素的3d形状特征和法向量；
根据所述3d形状特征和所述法向量，采用k最近邻算法进行邻域搜索，以区域生长方法确定各个所述超体素的平面支持区域。
6.根据权利要求1所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述基于所述平面支持区域构建最大平面支持区域的步骤包括：
采用集合交集算法，对各个所述超体素的平面支持区域进行相互包含关系验证，并将经过相互包含关系验证的平面支持区域作为最大平面支持区域。
7.根据权利要求1所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述根据所述最大平面支持区域对所述点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息的步骤包括：
根据所述最大平面支持区域以及预先设置的规则化函数和损失函数，确定各个所述超体素的旋转向量；
根据所述旋转向量对各个所述超体素的法向量进行重新定向，并根据重新定向后的所述法向量对所述密集匹配点云中的点的法向量进行全局优化，获取所述密集匹配点云的法向量信息。
8.根据权利要求7所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述规则化函数的公式为：
所述损失函数的公式为：
其中，
9.根据权利要求1所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述根据所述法向量信息，提取所述目标物体的平面基元的步骤包括：
以所述平面支持区域的中心点为种子点，根据所述法向量信息，获取所述种子点与其领域点的欧几里得距离和法向量相似性；
根据所述欧几里得距离和所述法向量相似性，提取出所述目标物体的平面基元。
10.根据权利要求1所述的空间约束的密集匹配点云平面基元提取方法，其特征在于，所述根据所述法向量信息，对所述平面基元进行修复的步骤包括：
根据所述法向量信息，计算所述平面基元的平均法向量；
根据所述平均法向量对所述平面基元上的点进行重投影，以对所述平面基元进行修复。
技术总结