傳統的三維建模是基于圖片信息的場景建模和表現，這種技術存在著缺少真實感，三維幾何信息不準確以及處理速度緩慢的缺點。因此，近年來基于激光掃描技術的三維建模技術成為了研究熱點。

利用激光掃描儀獲取的點云數據構建實體三維幾何模型時，針對不同的應用對象、不同點云數據的特性，激光掃描點云數據建模的過程和方法也不盡相同。本文提出的方法能夠很好的為快速三維建模進行服務，尤其是比較關注街道兩側信息的三維獲取，這將大大減少人工三維數據獲取及其建模的工作量，將有很好的應用前景。

激光掃描儀能夠直接獲取景物的深度信息，方便快捷。此外，利用激光掃描技術進行三維重建能夠有效恢復出具有準確幾何信息和照片真實感的三維模型。

　　整個點云數據建模過程包括數據預處理和模型重建。

數據預處理為模型重建提供可靠精確的點云數據，降低模型重建的復雜度，提高模型重構的精確度和速度。數據預處理階段涉及的內容有點云數據的濾波、點云數據的平滑、點云數據的縮減、點云數據的分割、點云數據的分類、不同站點掃描數據的配準及融合等；模型重建階段涉及的內容有三維模型的重建、模型重建后的平滑、殘缺數據的處理和模型簡化等。實際應用中，應根據三維激光掃描數據的特點及建模需求，選用相應的數據處理策略和方法。

一、 數據預處理 
　　針對車載激光點云數據的特性，將數據預處理方法分為兩類，半自動的數據預處理方法和全自動的數據預處理方法。 
　　1 、半自動數據預處理方法 
　　半自動的方法主要是利用現有的各種類型的點云數據處理軟件，如三維激光掃描儀配帶的相應點云數據處理軟件或逆向工程領域比較著名的商業點云處理軟件，一般都具有點云數據編輯、拼接與合并、數據點三維空間量測、點云數據可視化、空間數據三維建模、紋理分析處理和數據轉換等功能，但它們往往具有通用的處理功能，對于特定的數據處理效果有一定的不足之處，在功能和性能上也或多或少存在一定缺陷，且一般比較昂貴。

 
　　2、全自動數據預處理方法 
　　全自動的數據預處理方法主要是通過一定的算法來實現點云數據預處理，包括點云數據濾波，點云數據分類等。

 
　　數據濾波的目的是為了去除測量噪聲。實際測量過程中存在各種因素的影響，觀測數據往往不是理想的結果。為了得到合理正確的目標物體形體信息，需要對觀測數據進行濾波，剔除掉含有粗差的相關觀測數據和無效形體數據，從而得到目標物體形體信息的最佳估值。

　　由于激光掃描儀對空間信息采集的盲目性，使得激光點云數據在三維空間的分布形態呈現隨機離散性，在這些離散點中，有些位于真實地形表面，有些位于人工建筑物（房屋、塔、輸電線等）或自然植被（樹、灌木、草等）上。如果直接利用這些點進行建模，處理的難度非常大。

因此，要在激光點云數據中提取目標對象的三維信息進而構建其三維模型，就需要對去噪濾波后的數據點進行分類，將其劃分成具有單一幾何特征的拓撲結構區域。

 
　　3、數據預處理結果 
　　按照以上算法流程編寫 MATLAB 程序，實現地面點與非地面點的分離，用本算法進行濾波時要注意濾波參數的設置，通常要根據不同地表形態來選取適當的參數。應用本算法對鐵路兩旁的數據進行了濾波處理，前后對比效果如圖所示，從中可以看出該算法能很好的實現地面點與非地面點的分離，但是該算法需要輸入很多濾波參數，如地形坡度，窗口大小等，這些直接影響著濾波的效果，因此要實現很好的濾波需要根據實際地形情況反復試驗幾個濾波參數。

濾波前點云數據

濾波后點云數據
　　 

二、 模型重建 
　　點云數據經過濾波分類處理之后，就可以針對分出來的不同類別采用不同的建模方法了，這里濾波分類主要分為地面點和非地面點，所以，模型重建也通過這兩類來分析。

　　1、 地面點建模 
　　與通常的柵格影像數據不同，激光點云數據是離散分布的不規則點數據。因此，要用模型的形式表示地形表面分布，就需要進行網格化處理，即將離散的點連續化。我們采用三角網的方式對數據進行組織，地形表面由連接數據點的三角形構成，通過進行插值實現對地形表面的逼近和近似，這是對地形表面的一種精確表達。 
　　例如，采用 TinModel 5 提供的構網模塊實現了將分類后的離散的地面點構建為不規則三角網（TIN）。

　　 
　　2、非地面點建模 
　　非地面點比較復雜，包括建筑物、植被、道路兩旁設施等。隨著 AutoCAD、Maya 、逆向工程等三維建模軟件的出現，可以通過人機交互的手段來輔助三維建模，如圖所示為利用逆向工程軟件 ImageWave 對城市道路兩旁的建筑物點云數據進行建模效果圖。

　　利用 ImageWave 對點云數據建模

       利用軟件也能夠對模型進行紋理映射與可視化。但這些方法費時費力，而且對使用者的技巧要求很高，對于結構復雜、不規則的場景建模更是無能為力。

　　顯然純粹地利用三維建模軟件實現激光點云非地面點數據的模型重建，并非一個好的辦法，研究怎樣從這些離散的三維點云中快速準確地構建出真實的模型顯得尤為重要，逆向工程中用激光掃描某個特定物體獲得的數據直接重構物體，但此方法在車載激光掃描測量中不可行，因為是它是自動目標采集，掃描無特定目的，不能控制掃描哪些物體。

所以，激光掃描的數據量非常大，如果直接進行三維重構的話消耗太大，必須先對距離圖像進行處理，提取出特征點、特征線和特征面再繼續建模。由于到目前為止，還沒有距離圖像分割和特征提取的成熟、可行方法，使得當前的激光掃描系統都采用與 CCD 或類似圖像采集設備集成，其中距離圖像以用于構建高精度的DEM 為主，圖像分割和特征提取則采用 CCD影像數據解決。這種聯合作業方式使得系統運行成本高、控制比較復雜、數據存儲量大、多源數據處理與融合復雜。

將建好的模型可視化效果圖

目前對距離圖像的數據處理方法集中在構建DSM/DEM 上，或者附加 CCD 影像進行融合，對直接從距離圖像中進行目標分類和特征提取的研究比較缺乏。鑒于此本文通過閱讀文獻，針對車載激光點云數據總結了以下的建模方法和步驟。

 　　  
　　（1）對非地面點進一步分類 
　　通過車載掃描系統獲得的點云數據中非地面點存在很多雜點，受車體行駛周圍影響很大，如要對道路兩旁建筑物建模，則建筑物點云受路兩旁的樹木，廣告牌、線桿以及周圍車輛等影響很大。這樣直接用這些點云數據進行建筑物建模，效果會很差，所以有必要對非地面點進一步分類，可分為建筑物，線桿以及其它地物點（如植被、路燈、公交站牌、廣告牌等）等。其中建筑物是非地面點中最重要的部分，也是通常最關心的地物。

　　（2）通過點云數據對建筑物進行特征提取 
　　利用前面提出的數據分類方法，考慮建筑物自身的幾何特征，設計了一個簡單的建筑物特征提取方法：首先，從分類后的激光掃描數據中提取出建筑物數據；然后，從建筑物數據中提取出每個格網單元中 Z 值最大和 Z 值最小的數據點，這些點就是建筑物的特征點；后續處理中，可以從這些特征點中探測線特征或者用線段擬合這些特征點得到建筑物的特征線，也可以導入專業建模軟件直接參與三維建模。

　　（3）線桿提取 
　　線桿提取基于以下的假設：1）、桿是獨立的直線；2）、桿近乎垂直；3）、桿有最小高度；4）、桿應在建筑物或墻面的前面。當然以上假設也限制了一些桿的提取，比如桿正好在建筑物或墻面附近，這樣干擾點比較多，本算法暫不考慮這些。設置一個距離門限值來識別獨立的直線，線的獨立性通過計算線間的垂直中心距離來得到；設置一個傾斜角門限值來識別直線在傾斜角范圍內是否垂直；有時，桿的底部被植物或小的物體掩藏起來，此時只能得到桿的上部。

因此，設置另一個門限值來檢查桿的底部的位置；當桿目標很小時，激光數據也可能不包含反射自桿的點，這些小物體的獲取依賴于車速。車速決定激光數據的沿軌跡分辨率，當車速過快時極少桿被掃描到，所以有些時候還要人工對比一下圖像數據再做決定。

　　（4）其它地物提取 
　　其它地物如樹，對其進行特征提取和重構由于樹形狀的極度不規則性，數據處理非常復雜，且在城市環境中知道樹的具體形狀特征意義也不大，一般情況下只要知道樹的位置和高度既可。

 
　　 
　　綜上所述，結合某三維城市建模案例探討了基于激光點云數據的數據預處理方法和模型重建方法，探討了半自動數據預處理方法和全自動數據預處理方法，給出了全自動數據預處理的算法流程，在模型重建中，探討了地面點重建和非地面點重建。該方法能夠很好的為快速三維建模進行服務，尤其是比較關注街道兩側信息的三維獲取，這將大大減少人工三維數據獲取及其建模的工作量，將有很好的應用前景。

版權聲明：文章來源于網絡，登載此文出于傳遞更多信息之目的，版權歸原作者及刊載媒體所有，如本文中圖片或文字侵犯您的權益，請聯系我們。