استخراج و بازسازي سه بعدي عارضه ساختمان با استفاده از داده‌هاي اپتيكي و ليدار

Extraction and 3D Reconstruction of Buildings Using LiDAR Data and Aerial Image

در این مقاله روشی جهت آشكارسازی ساختمان‌ها و بازسازی مدل سه بعدی آن‌ها از طریق تصویر هوایی و داده‌های لیدار ارائه شده است. این پژوهش شامل سه مرحله كلی آشكارسازی ساختمان‌ها، بازسازی مرز دو بعدی ساختمان‌ها و بازسازی مدل سه ‌بعدی ساختمان‌ها می‌باشد. در مرحله آشكارسازی ساختمان‌ها، عوارض غیرزمینی (درختان و ساختمان‌ها) از روی داده‌های لیدار استخراج می‌شوند و سپس جهت تفكیك ساختمان‌ها از درختان، طبقه‌بندی براساس ماشین‌های بردار پشتیبان (SVMs) بكار گرفته شده است. داده‌های آموزشی جهت انجام طبقه‌بندی ماشین‌های بردار پشتیبان بصورت نیمه‌اتوماتیك انتخاب شده است. جهت بهبود نتایج آشكارسازی ساختمان‌ها نیز ابتدا از عملگرهای مورفولوژی ریاضی استفاده شده است و سپس جداسازی ساختمان‌های غیرهم‌ارتفاع بر اساس دسته‌بندی K-Means انجام گرفته است. نتایج ارزیابی‌ها موفقیت روش پیشنهادی را در آشكارسازی ساختمان‌های بزرگ و كوچك نشان می‌دهند بطوری كه شاخص‌های پیكسل‌مبنا جامع‌بودن، صحیح بودن و كیفیت برای روش پیشنهادی به ترتیب 60/86%، 10/99%، 92/85% می‌باشند. در مرحله بازسازی مرز دو بعدی ساختمان‌ها، مرزهای دو بعدی ساختمان‌ها بعد از برداری كردن با خلاصه‌سازی و عمود‌سازی استخراج گردیده‌اند. در این تحقیق، بازسازی سه بعدی ساختمان در سطح LOD2 انجام گرفته است. جهت كشف ساختار سقف ساختمان‌ها، ابتدا پارامترهای صفحه برازش یافته به نقاط لیدار بدست می‌آیند و با در نظر گرفتن این پارامترها بعنوان ویژگی‌های هر ساختمان، دسته‌بندی ISO-DATA انجام گرفته است كه در نهایت نتایج این دسته‌بندی بیانگر تعداد سطوح صفحه‌ای هر ساختمان می‌باشد. با ادغام صفحات نزدیك و موازی و برازش صفحه به هر سطح صفحه‌ای، تعداد و پارامترهای سطوح صفحه‌ای هر ساختمان مشخص گردیده است. با تقاطع این سطوح و بدست آوردن نقاط میانی و نقاط مرزی هر ساختمان، ساختار سقف ساختمان‌ها بازسازی شده‌اند. دیوارهای ساختمان نیز بطور قائم بر روی مرز دو بعدی ساختمان قرار گرفته‌اند. مقدار RMS ارتفاعی صفحات تعیین شده برای ساختار سقف ساختمان‌ها 4/0 متر و مقدار خطای RMS كلی رئوس پلیگون‌های این صفحات 9/0 متر می‌باشد.

This paper introduces an approach to detect and 3D reconstructs buildings using aerial imagery and LiDAR data. This research consisted of three phases, building detection, 2D building outline reconstruction and 3D building reconstruction. In phase building detection, firstly off-terrain objects including trees and buildings are extracted from LiDAR data. Secondly Support Vector Machines (SVMs) Algorithm is employed to differentiate trees and buildings. Training data which are used in SVMs are choose in semi-automatic procedure. After eliminating trees, K-means clustering algorithm is used to separate buildings which are not in same elevation. Results are showing our building detection method was successful in detection of small and large buildings. Completeness, Correctness and Quality for building detection results respectively are 86.60%, 99.10% and 85.92%. In phase 2D building outline reconstruction, firstly, the building boundaries have been vectorized. Then produced boundaries are generalized and unnecessary line segments are removed. After generalization, a new approach is used to build orthogonal buildings. In this research, 3D building reconstruction is done in LOD2. For detection of roof structure of buildings, the parameters of plane that have been fitted to LiDAR points within each kernel is obtained. With considering these parameters as features of each building, ISO-Data clustering has been done. The results of this clustering represent the planar surfaces of each building. So, a plane is fitted to each class (planar surface) with least squares method. Then, within the boundaries of each building, roof patches which have similar plane parameters and are close together are merged. Plane parameters of integrated roof patches again are determined. Finally, 3D models of buildings have been reconstructed with intersection of planar surfaces and obtaining of vertex points of each building. Elevation and total RMS values of specified planes for roof structure of buildings respectively are 0.4 m and 0.9 m.