本发明公开了一种基于机载LiDAR点云的建筑物屋顶自动建模方法，该方法包括以下步骤：S1基于生成对抗神经网络的点云特征学习与重采样；S2基于方向正则化约束及全局聚类的建筑物屋顶面片基元提取；S3基于基元面片几何与语义信息的建筑物屋顶三维模型构建。本发明能够基于机载LiDAR点云获取密度均匀、量级适中的建筑物屋顶点云数据，实现高效、精准的屋顶基元面片提取，能够提取出完整的屋顶结构关键角点，完成三维建筑物屋顶模型的自动建模，推动机载LiDAR点云在诸如城市实景三维建模、节能模拟、城市太阳能捕集等领域的应用。
1.一种基于机载LiDAR点云的建筑物屋顶自动建模方法，其特征在于，包括如下步骤：S1：采用所设计的一种生成对抗神经网络对滤波处理后获取的建筑物屋顶点云数据进行上采样处理，然后通过体素滤波对加密后的屋顶点云数据进行下采样处理，获取分布均匀、量级适中的点云数据；
S2：采用所设计的基于方向正则约束的基元面片拟合方法，通过方向约束对点云进行正则约束，并转换为L0梯度最小化问题与子集选择问题，获得建筑物屋顶基元面片优化结果；
S3：基于AlphaShape算法提取屋顶基元面片轮廓线，采用角度阈值方法对轮廓线化简得到角点信息，基于屋顶拓扑图算法，通过构建最小环结构构建屋顶拓扑图，进而求取屋顶结构交点、内点、外点，完成屋顶拓扑与几何建模;步骤S1中，具体包括如下步骤：S11采用稀疏离群点统计滤波方法将原始建筑物点云数据中的离群点和稀疏的立面点进行滤除，获得建筑物屋顶点云数据；
S12设计一种生成对抗神经网络对屋顶点云数据进行特征提取与扩展，用于生成密集点云，设计判别器网络鉴别生成的点集对潜在点分布的影响并对偏离目标的输出进行惩罚；
S13采用体素滤波对上采样获取的屋顶密集点云数据进行下采样；
步骤S12中设计生成对抗网络Generative Adversarial Network, GAN，使用GAN框架的对抗性学习策略对输入点云进行全局预测，并对偏离目标的输出进行惩罚包括以下内容与步骤：
（1）首先构造一个Up‑Down‑Up单元来扩展点特征，对点特征的差值进行上采样达到自校正目的，提升生成器特征扩展能力，包括特征提取单元、特征扩展单元和点云生成单元；
（2）特征提取单元从原始点云P中提取底层几何形状特征F，采用基于补丁的多步渐进上采样Multi‑step Patch‑based Upsampling, MPU方法，以密集连接方式进行不同层次特征的整合；
（3）将提取的点云特征F进行扩展得到特征Fup，在此单元中设计了特征增加模块（Up）与特征减少模块Down，通过Up‑Down‑Up方式增加获取特征的多样性，首先对提取特征F进行多层感知机处理得到特征升维的F1，之后利用特征增加模块进行特征上采样得到初始的扩展特征 ；然后进行特征减少得到与F1同维度的特征F2，再将F1与F2的差值Δ进行特征扩展得到Δup，最终扩展的特征Fup是由Δup与初始的扩展特征 相加得到；
（4）设计基于MUP基线网络的判别器网络，全局特征与最终置信值分别使用一组共享的多层感知机和最大池化以及全连接层回归进行求取，如果置信度接近1，则预测输入来自目标区间，否则来自生成器；
（5）在生成器中特征扩展与鉴别器均加入自注意力模块，通过三个独立的多层感知机将输入特征转换为G、H和K，然后通过G和H求取注意力权重W，之后获取权重特征WTK，最终输出特征为输入特征与权重特征之和；其中，生成器的损失函数定义为复合损失，包含最小二乘损失、均匀损失与重建损失。
2.如权利要求1所述的一种基于机载LiDAR点云的建筑物屋顶自动建模方法，其特征在于：步骤S2中，具体包括如下步骤：S21：使用隐式角度约束，定义方向约束模型；
S22：利用主成分分析法求取点云初始法向量，对点云法向量使用方向约束模型进行重构；
S23：将方向约束模型问题转化为L0梯度最小化问题与子集选择问题，建立不相交区域间的隐式关系，完成全局正则性；
S24：对S23中的问题求解，依据输出法向量集合将输入点云依据法向量方向划分若干个连通区域，对各个区域进行平面拟合，获取基元面片结果。
3.如权利要求1所述的一种基于机载LiDAR点云的建筑物屋顶自动建模方法，其特征在于：步骤S3中，具体包括如下步骤：S31：基于AlphaShape算法，设定具体的几何形状以及多边形的精度参数，得到各屋顶面片的初始轮廓；
S32：顺次计算轮廓线上相邻三点构成的两条直线夹角余弦值，采用角度阈值方法完成轮廓线化简得到角点信息；
S33：定义交点、内点、外点等角点，基于屋顶拓扑图算法，判断平面间拓扑关系，构建最小环结构，根据建筑物屋顶面片几何结构规则，判断与计算屋顶结构关键点与结构交点、内点，并对外点进行规则化；
S34：将获得的建筑物屋顶基元采用CityGML分层对象进行存储，完成建筑物屋顶模型构建。
4.如权利要求2所述的一种基于机载LiDAR点云的建筑物屋顶自动建模方法，其特征在于：S13：采用体素滤波对上采样获取的屋顶密集点云数据进行下采样，具体如下，对体素网格划分方法如下：
（1）根据上采样后点云平均间距、原始点云数据平均误差设定体素大小，将整个上采样后的点云数据进行体素网格划分；
（2）用每个体素网格中随机一点来代替原有体素网格中的点云。
5.如权利要求2所述的一种基于机载LiDAR点云的建筑物屋顶自动建模方法，其特征在于：
S21：使用隐式角度约束，定义方向约束模型，具体如下，定义方向约束模型如下：
给定平面集P，V表示为P的不同法向量的集合，当且仅当P和V满足时，则P表示m约束下的方向约束模型，其中，m为引入用来约束重构平面的不同法向量的数量。
6.如权利要求2所述的一种基于机载LiDAR点云的建筑物屋顶自动建模方法，其特征在于：
S22：利用主成分分析法求取点云初始法向量，对点云法向量使用方向约束模型进行重构，具体如下，其中，
（1）给定点云数据集D，利用主成分分析法求取点云初始法向量I，对其重构使其满足，
其中V是重构的点云法向量集合，E用来衡量V与原始法向量I之间的匹配程度；m为引入用来约束重构平面的不同法向量的数量；
其中N表示点云个数， 表示第i个点的邻域集， 表示重构法向量集第i个点云的索引； 参数用来平衡两项的影响；
（3）将公式3分为两个子问题解决，其中，子问题1：
一种基于机载LiDAR点云的建筑物屋顶自动建模方法
技术领域
[0001] 本发明涉及一种基于机载LiDAR点云的建筑物屋顶自动建模方法，属于新一代信息技术领域，尤其涉及数据识别技术领域。
背景技术
[0002] 激光雷达（LightDetection AND Ranging, LiDAR）技术可非接触、高分辨率、全天候、高精度的快速获取物体表面具有三维坐标、强度等信息的激光点云数据，在智慧城市与
实景三维、自动驾驶、重大基础设施健康监测、生态遥感等领域具有重要的应用。其中，机载
LiDAR点云由于其获取速度快、覆盖面积广、点位精度高，在三维建筑物屋顶建模方面具有
无与伦比的优势，后者则是城市三维实景建模、城市太阳能潜力估算等应用的核心数据基
础设施。然而，三维点云具有数据量庞大、数据密度高、冗余度高、非结构性、不完整等特点，
其数据识别难度较高。点云数据的智能识别与处理，是实现点云数据到科学研究和工程应
用之间的关键，其研究核心包含点云数据质量增强、三维信息智能提取、按需三维重建等多
重任务。目前基于点云数据的建筑物屋顶基元提取方法存在鲁棒性不强、时间效率低下、模
型拓扑关系不明确、语义信息缺乏等问题。为了充分利用机载LiDAR技术的上述优点，推动
机载LiDAR点云数据在诸如城市实景三维建模、节能模拟、城市太阳能捕集等领域的应用，
迫切需要一种能够基于机载LiDAR点云智能、快速地进行建筑物屋顶三维重建的方法。
发明内容
[0003] 本发明所要解决的技术问题在于，提供一种基于机载LiDAR点云的建筑物屋顶自动建模方法，促进其在智慧城市三维建模、城市节能、城市太阳能捕集等领域的应用。
[0004] 为解决上述技术问题，本发明提供一种基于机载LiDAR点云的建筑物屋顶自动建模方法，包括如下步骤：
[0005] S1采用所设计的一种生成对抗神经网络对滤波处理后获取的建筑物屋顶点云数据进行上采样处理，然后通过体素滤波对加密后的屋顶点云数据进行下采样处理，获取分
布均匀、量级适中的点云数据；
[0006] S2采用所设计的基于方向正则约束的基元面片拟合方法，通过方向约束对点云进行正则约束，并转换为L0梯度最小化问题与子集选择问题，获得建筑物屋顶基元面片优化
结果；
[0007] S3基于AlphaShape算法提取屋顶基元面片轮廓线，采用角度阈值方法对轮廓线化简得到角点信息，基于屋顶拓扑图算法，通过构建最小环结构构建屋顶拓扑图，进而求取屋
顶结构交点、内点、外点，完成屋顶拓扑与几何建模。
[0008] 优选的，步骤S1中，采用所设计的一种生成对抗神经网络对滤波处理后获取的建筑物屋顶点云数据进行上采样处理，然后通过体素滤波对加密后的屋顶点云数据进行下采
样处理，获取分布均匀、量级适中的点云数据，具体包括如下步骤：
[0009] S11采用稀疏离群点统计滤波方法将原始建筑物点云数据中的离群点和稀疏的立面点进行滤除，获得建筑物屋顶点云数据；
[0010] S12设计一种生成对抗神经网络对屋顶点云数据进行特征提取与扩展，用于生成密集点云，设计判别器网络，定义生成器的损失函数，鉴别生成的点集对潜在点分布的影响
并对偏离目标的输出进行惩罚；
[0011] S13采用体素滤波对上采样获取的屋顶密集点云数据进行下采样。
[0012] 优选的，步骤S2中，采用所设计的基于方向正则约束的基元面片拟合方法，通过方向约束对点云进行正则约束，并转换为L0梯度最小化问题与子集选择问题，获得建筑物屋
顶基元面片优化结果具体包括如下步骤：
[0013] S21使用隐式角度约束，定义方向约束模型；
[0014] S22利用主成分分析法求取点云初始法向量，对点云法向量使用方向约束模型进行重构；
[0015] S23将方向约束模型问题转化为L0梯度最小化问题与子集选择问题，建立不相交区域间的隐式关系，完成全局正则性；
[0016] S24对S23中的问题求解，依据输出法向量集合将输入点云依据法向量方向划分若干个连通区域，对各个区域进行平面拟合，获取基元面片结果。
[0017] 优选的，步骤S3中，基于AlphaShape算法提取屋顶基元面片轮廓线，采用角度阈值方法对轮廓线化简得到角点信息，基于屋顶拓扑图算法，通过构建最小环结构构建屋顶拓
扑图，进而求取屋顶结构交点、内点、外点，完成屋顶拓扑与几何建模具体包括如下步骤：
[0018] S31基于AlphaShape算法，设定具体的几何形状以及多边形的精度参数，得到各屋顶面片的初始轮廓；
[0019] S32顺次计算轮廓线上相邻三点构成的两条直线夹角余弦值，采用角度阈值方法完成轮廓线化简得到角点信息；
[0020] S33定义交点、内点、外点等角点，基于屋顶拓扑图算法，判断平面间拓扑关系，构建最小环结构，根据建筑物屋顶面片几何结构规则，判断与计算屋顶结构关键点与结构交
点、内点，并对外点进行规则化；
[0021] S34将获得的建筑物屋顶基元采用CityGML分层对象进行存储，完成建筑物屋顶模型构建。
[0022] 本发明的有益效果为：本发明相比以往方法，通过设计生成对抗网络与体素滤波对点云数据进行特征增强上采样与下采样，以及基于隐式方向约束条件重构平面法向量，
能够在保持点云特征的同时，获取量级适中，但密度更加均匀的建筑物屋顶点云数据；实现
屋顶基元面片更高效、精准地批量提取，并生成完整的屋顶结构关键角点与拓扑关系构建，
完成三维建筑物屋顶模型的自动建模，极大提高了建筑物屋顶建模的效率，推动机载LiDAR
点云在诸如城市实景三维建模、节能模拟、城市太阳能捕集等领域的应用。
附图说明
[0023] 图1为本发明的方法流程示意图；
[0024] 图2生成器网络示意图；
[0025] 图3特征扩展单元示意图；
[0026] 图4判别器网络示意图；
[0027] 图5自注意力模块示意图；
[0028] 图6平面相邻拓扑关系判断算法流程示意图。
具体实施方式
[0029] 为了加深对本发明的认识和理解，下面结合实施例详细的介绍该技术方案。
[0030] 实施例1：如图1所示，一种基于机载LiDAR点云的建筑物屋顶自动建模方法，包括如下步骤：
[0031] S1：设计一种生成对抗神经网络，对滤波处理后获取的建筑物屋顶点云数据进行上采样处理，然后通过体素滤波对加密后的屋顶点云数据进行下采样处理，获取分布均匀、
量级适中的点云数据。包括如下步骤与内容：
[0032] S11：采用稀疏离群点统计滤波方法将原始建筑物点云数据中的离群点和稀疏的立面点进行滤除，获得建筑物屋顶点云数据；
[0033] S12：设计一种生成对抗神经网络对屋顶点云数据进行特征提取与扩展，用于生成密集点云，设计判别器网络，定义生成器的损失函数，鉴别生成的点集对潜在点分布的影响
并对偏离目标的输出进行惩罚。其中，
[0034] 设计生成对抗网络（Generative Adversarial Network, GAN），使用GAN框架的对抗性学习策略对输入点云进行全局预测，并对偏离目标的输出进行惩罚包括以下内容与步
骤：
[0035] （1）首先构造一个Up‑Down‑Up单元来扩展点特征，对点特征的差值进行上采样达到自校正目的，提升生成器特征扩展能力。设计生成器网络如图2所示，包括特征提取单元、
特征扩展单元和点云生成单元；
[0036] （2）特征提取单元从原始点云P中提取底层几何形状特征F，采用基于补丁的多步渐进上采样（Multi‑step Patch‑based Upsampling, MPU）方法，以密集连接方式进行不同
层次特征的整合；
[0037] （3）特征扩展单元如图3所示，将提取的点云特征F进行扩展得到特征Fup，在此单元中设计了特征增加模块（Up）与特征减少模块（Down），通过Up‑Down‑Up方式增加获取特征的
多样性。首先对提取特征F进行多层感知机处理得到特征升维的F1，之后利用特征增加模块
进行特征上采样得到初始的扩展特征 ，然后进行特征减少得到与F1同维度的特征F2，再
将F1与F2的差值Δ进行特征扩展得到Δup，最终扩展的特征Fup是由Δup与初始的扩展特征
加得到；
[0038] （4）设计基于MUP基线网络的判别器网络，如图4所示。全局特征与最终置信值分别使用一组共享的多层感知机和最大池化以及全连接层回归进行求取，如果置信度接近1，则
预测输入来自目标区间，否则来自生成器；
[0039] （5）在生成器中特征扩展与鉴别器均加入自注意力模块，如图5所示，通过三个独立的多层感知机将输入特征转换为G、H和K，然后通过G和H求取注意力权重W，之后获取权重
特征WTK，最终输出特征为输入特征与权重特征之和，其中，生成器的损失函数定义为复合
损失，包含最小二乘损失、均匀损失与重建损失。
[0040] S13：采用体素滤波对上采样获取的屋顶密集点云数据进行下采样。其中，
[0041] 对体素网格划分方法如下：
[0042] （1）根据上采样后点云平均间距、原始点云数据平均误差设定体素大小，将整个上采样后的点云数据进行体素网格划分；
[0043] （2）用每个体素网格中随机一点来代替原有体素网格中的点云；
[0044] S2：采用所设计的基于方向正则约束的基元面片拟合方法，通过方向约束对点云进行正则约束，并转换为L0梯度最小化问题与子集选择问题，获得建筑物屋顶基元面片优
化结果具体包括如下步骤：
[0045] S21：使用隐式角度约束，定义方向约束模型。其中，
[0046] 定义方向约束模型如下：
[0047] 给定平面集P，V表示为P的不同法向量的集合，当且仅当P和V满足
[0048] 时，则P表示m约束下的方向约束模型（m‑Directional Constraint Model, mDCM），其中，m为引入用来约束重构平面的不同方向法向量的数量。
[0049] S22：利用主成分分析法求取点云初始法向量，对点云法向量使用方向约束模型进行重构。其中，
[0050] （1）给定点云数据集D，利用主成分分析法求取点云初始法向量I，对其重构使其满足
[0051] ；
[0052] 其中：
[0053] V表示重构的点云法向量集合；
[0054] E为用来衡量V与原始法向量I之间的匹配程度的能量函数；
[0055] m为约束重构平面的不同方向法向量的数量。
[0056] （2）采用L0能量函数求取E，将公式2转化为
[0057] ；
[0058] 其中：
[0059] V和m的含义同公式（2）；
[0060] N表示点云个数；
[0061] 表示第i个点的邻域集；
[0062] 表示重构法向量集第i个点云的索引；
[0063] 表示重构法向量集第j个点云的索引；
[0064] λ参数用来平衡两项的影响。
[0065] （3）将公式3分为两个子问题解决，其中，
[0066] 子问题1：
[0067] ；
[0068] 子问题2：
[0069] 。
[0070] 公式中参数意义同上。
[0071] S23：将方向约束模型问题转化为L0梯度最小化问题与子集选择问题，建立不相交区域间的隐式关系，完成全局正则性。其中，
[0072] （1）设计全局正则约束算法如下：
[0073] 输入：点云D, 初始法向量I，邻域集ξ，局部正则参数λ，全局正则参数m；
[0074] 输出：重置法向量V；
[0075] ；
[0076] ；
[0077] 3：重复；
[0078] ；
[0079] ；
[0080] ；
[0081] ；
[0082] ；
[0083] （2）子集选择算法如下：
[0084] 输入：不相交区域集合ε, 区域共享的法向量
[0085] 输出：子集法向量V；
[0086] 1：集合ε按照点数降序排序；
[0087] ；
[0088] ;
[0089] ；
[0090] ；
[0091] ；
[0092] ；
[0093] ；
[0094] 9：else；
[0095] ；
[0096] 11：end if；
[0097] 12：end for；
[0098] 13：return V；
[0099] S24：对S23中的问题求解，依据输出法向量集合将输入点云依据法向量方向划分若干个连通区域，对各个区域进行平面拟合，获取基元面片结果。
[0100] S3：基于AlphaShape算法提取屋顶基元面片轮廓线，采用角度阈值方法对轮廓线化简得到角点信息，基于屋顶拓扑图算法，通过构建最小环结构构建屋顶拓扑图，进而求取
屋顶结构交点、内点、外点，完成屋顶拓扑与几何建模具体包括如下步骤：
[0101] S31：基于AlphaShape算法，设定具体的几何形状以及多边形的精度参数，得到各屋顶面片的初始轮廓。
[0102] S32：顺次计算轮廓线上相邻三点构成的两条直线夹角余弦值，采用角度阈值方法完成轮廓线化简得到角点信息。其中，角度阈值根据点云密度和质量进行设定，在本实施例
中设定为30度。
[0103] S33：定义交点、内点、外点等角点，基于屋顶拓扑图算法，判断平面间拓扑关系，构建最小环结构，根据建筑物屋顶面片几何结构规则，判断与计算屋顶结构关键点与结构交
点、内点，并对外点进行规则化。其中，
[0104] （1）定义交点、内点、外点如下：
[0105] 交点：可由三个不共面的相交面相交得到的点；
[0106] 内点：指由两个不共面的相邻屋顶面交线上的点；
[0107] 外点：指没有相邻屋顶面的轮廓线上的外角点；
[0108] （2）基于屋顶拓扑图理论算法，将阶梯边等概念舍弃，通过构建最小环结构构建屋顶拓扑图，设定最小环节点数为3，得到交点；通过每个环的边确定相邻屋顶面，求取相交线
并将简化轮廓线投影至相交线获取内点；
[0109] （3）判断屋顶各个平面之间的相邻拓扑关系，设计算法流程图见图6：首先选取任意平面P1，再选取其余任一平面P2，设定距离阈值D表示P2平面内点云与P1简化轮廓线逐点
的距离阈值，设定数量阈值N表示P2平面内点云与P1简化轮廓线逐点的距离d小于距离阈值D
的个数。计算P1简化轮廓线内逐点与P2内点云的距离，判断其是否满足设定距离阈值D与数
量阈值N，若存在d小于D的个数n大于N，则将P2记录为P1的邻接面；依次选择其余平面并重复
以上操作，直到完成所有邻接面关系的判断；
[0110] （4）利用广度优先搜索算法依次对每个平面进行搜索，判别与其余各个平面之间是否具备相邻拓扑关系，以此构建最小屋顶拓扑图结构。
[0111] （5）利用屋顶各面片参数及其拓扑关系，通过几何结构关系直接求得屋顶结构交点，通过相邻面片交线与简化结构线投影获得内点，对外点采用轮廓线规则化优化获得。
[0112] S34：将获得的建筑物屋顶基元采用CityGML分层对象进行存储，完成建筑物屋顶模型构建。其中，由GML3定义的几何对象模型表示具备细节层次的建筑物模型，对于提取到
的屋顶基元面片，分别用CityGML的分层对象进行存储，建筑物屋顶由多个面片组成，面片
由线组成，线由各个步骤S33中获得的交点、内点、外点等关键点组成。根据各个关键点的拓
扑特征进行组合形成不同的基元面片，并将其保存为CityGML格式的三维模型。
[0113] 需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。
