一种建筑物激光扫描点云数据的聚类方法
【技术领域】
[0001] 本发明涉及一种建筑物激光扫描点云数据的聚类方法。
【背景技术】
[0002] 古建筑是人类文明的重要标志，是文化信息的特殊载体。因此，继承和保护古建筑 是当代人不可推卸的责任。但是由于目前经济的发展和城市建设，以及古建筑被岁月侵蚀， 使很多大型古建筑产生了不同程度的变形和破坏，古建筑保护面临着严峻的形势。
[0003] 三维彩色扫描技术具有快速性，不接触性，穿透性，实时、动态、主动性，高密度、高 精度，数字化、自动化等特性，随着其测量精度、扫描速度、空间解析度等方面的进步和价格 的降低，在古建筑保护方面得到越来越广泛的应用。它采用非接触式测量手段，可以在不损 伤物体的情况下，深入到复杂的环境和现场进行扫描操作，并直接将各种大型的、复杂的、 不规则实体的三维数据完整地采集到计算机中，从而快速重构出扫描物体的三维模型。同 时，它所采集的三维激光点云数据不仅包含目标的空间信息，而且记录了目标的反射强度 信息和色彩灰度信息。
[0004] 利用三维激光扫描仪可以快速的获取建筑的三维点云模型，点云数据中的每个点 都包涵显性的三维坐标。基于点云数据，可以实现简单的建筑物三维浏览和漫游。然而，一 方面单纯的点云数据结构数据量庞大，难以适用于古建筑物的高效漫游和浏览，另一方面 由于无法提供语义（semantic)级别的信息，无法进行更高层次的分析研究，因此需要在此 基础上进一步对点云数据进行处理，从而提取和重建物体的三维结构，以实现显示，分析、 量测、仿真、模拟、监测，存储，检索等功能。而目前点云数据处理目前很大程度上需要人机 交互，自动化程度较低。
[0005] 数据分割是点云数据特征提取和三维建模的重要步骤。Rabbanietal(2006)描 述数据分割为点云数据的逐点标识过程，具有相同标识的点被认为属于同一表面或区域， 那些在连续区域内具有相似特征的点被分割到一个子集。
[0006] 当前的点云分割算法主要包括四类：基于聚类的分割、基于区域增长的分割、基于 模型拟合的分割以及其他混合分割算法。
[0007] -般聚类算法大致包括五种：层次方法、划分方法、基于密度的方法、基于模型的 方法和基于网格的方法。
[0008] 基于密度的聚类方法认为，簇是数据空间中被低密度区域分割开的高密度对象区 域，而稀疏数据区域中的数据被认为是噪声数据。该算法设定一定的阀值，只要某点邻近区 域的密度大于这个阈值，聚类就可以继续进行。这类方法可以发现任意形状的聚类，并能 过滤"噪声"数据。可以发现任意形状的簇是该算法的最大优点，其主要缺点是对用户定义 的密度参数比较敏感，不同的阀值对于聚类的结果影响比较大。该类方法的典型算法包括 DBSCAN算法（Density-BasedSpatialClusteringofApplicationswithNoise)等。
【发明内容】
[0009] 由于古建筑物点云数据在高斯球面或者其他曲线上的二维数据的聚类有多种形 状，并且其中存在大量的噪音点。因此基于密度的聚类方法比较适用于该类数据的聚类。针 对古建筑点云数据的特点，本发明提出了基于DBSCAN算法改进的AQ-DBSCAN算法，并提供 一种利用AQ-DBSCAN算法对建筑物激光扫描点云数据的聚类方法，本发明的AQ-DBSCAN算 法解决了 DBSCAN算法中的邻域半径的自动估算问题，以及有效选取代表点即聚类中扩散 时减少运算量以快速进行密度聚类处理的问题。
[0010] 本发明将AQ-DBSCAN算法应用到古建筑点云数据的聚类中，以得到点云中的点属 于建筑物中哪个部位，为此，本发明提供的技术方案为：
[0011] -种建筑物激光扫描点云数据的聚类方法，包括：
[0012] 步骤一、将对建筑物进行激光扫描后得到的三维点云数据中的每个点都转化为二 维数据，获得点云的二维数据的集合X;
[0013] 步骤二、指定密度阈值最小包含点数MinPts，对于集合X中的任意一个点，计算与 该点距离最近的最小包含点数MinPts个对象的最远距离，并统计集合X中所有点的最远 距离的最大值和最小值；
[0014] 步骤三、将最远距离的最大值和最小值的差值m分成n等份，以点云中产生最远距 离的最小值的点为圆心，以等份的间距m/n为单位逐级递增值为半径，做出n个圆，计算每 个圆内点的数量；
[0015] 步骤四、以差值m作为横坐标，以等份的间距m/n作为横坐标的递增单位区间，以 每个圆内点的数量Nm为纵坐标，绘制坐标图，并拟合坐标图上的点，形成绘制曲线；
[0016] 步骤五、寻找所绘制的曲线的拐点，将该拐点对应的横坐标的数值作为邻域半径 〇的取值；
[0017] 步骤六、以密度阈值MinPts和邻域半径〇为条件建立AQ-DBSCAN算法，并用 AQ-DBSCAN算法对集合X中的点进行聚类，以得到所述点云中的点属于该建筑物中哪个部 位的聚类分析。
[0018] 优选的是，所述的建筑物激光扫描点云数据的聚类方法中，所述步骤六包括：
[0019] 6. 1)以点云中产生最远距离的最小值的点为圆心，以邻域半径0为半径，画出第 一级圆，如果该第一级圆中的点的个数小于MinPts，则消除该第一级圆，如果大于MinPts; 则继续6. 2)
[0020] 6. 2)以c 〇其中0 < c < 1为半径，画出第一级子圆，若第一级圆和第一级子圆之 间的环形区域中的点的个数小于MinPts，则选取环形区域中所有的点作为第二级圆心；若 环形区域中的点的个数大于等于MinPts，则选取MinPts个点作为第二级圆心；
[0021] 6. 3)以所选取的第二级圆心为圆心，以邻域半径〇为半径，画出至少一个第二级 圆，如果任一个第二级圆中的点的个数小于MinPts，则消除该第二级圆，如果大于MinPts; 则重复执行步骤6. 2)和6. 3)，逐级画圆，直到所画出来的圆均被消除为止；
[0022] 6.4)将所有级别的圆中的点聚为一类，并在所述点云中去除，而对剩余的点云中 的点重复执行步骤二到步骤六的操作。
[0023] 优选的是，所述的建筑物激光扫描点云数据的聚类方法中，所述步骤6. 2)中，选 取MinPts个点作为第二级圆心的方法为：
[0024] 在该环形区域中，首先选取离第一级圆心距离最远的点作为第一点，然后选取距 离该第一点的距离最远的点作为第二点，然后选取距离该第一点和第二点的距离之和最远 的点作为第三点，按照此规律直到选取出第MinPts个点。
[0025] 优选的是，所述的建筑物激光扫描点云数据的聚类方法中，所述MinPts为4。
[0026] 优选的是，所述的建筑物激光扫描点云数据的聚类方法中，所述c为3/4。
[0027] 优选的是，所述的建筑物激光扫描点云数据的聚类方法中，所述拐点为斜率变化 最大的点。
[0028] 优选的是，所述的建筑物激光扫描点云数据的聚类方法中，所述步骤一中，对建筑 物进行激光扫描后得到的三维点云数据中的每个点都映射到高斯球从而转化为二维数据。
[0029] 下面介绍DBSCAN算法的基本概念。
[0030] DBSCAN 算法：
[0031] 点集X中一点\处的密度一般可以做如下定义：
[0032]
【主权项】
1. 一种建筑物激光扫描点云数据的聚类方法，其特征在于，包括： 步骤一、将对建筑物进行激光扫描后得到的H维点云数据中的每个点都转化为二维数 据，获得点云的二维数据的集合X ; 步骤二、指定密度阔值最小包含点数MinPts，对于集合X中的任意一个点，计算与该点 距离最近的最小包含点数MinPts个对象的最远距离，并统计集合X中所有点的最远距离的 最大值和最小值； 步骤H、将最远距离的最大值和最小值的差值m分成n等份，W点云中产生最远距离的 最小值的点为圆也，W等份的间距m/n为单位逐级递增值为半径，做出n个圆，计算每个圆 内点的数量； 步骤四、W差值m作为横坐标，W等份的间距m/n作为横坐标的递增单位区间，W每个 圆内点的数量为纵坐标，绘制坐标图，并拟合坐标图上的点，形成绘制曲线； 步骤五、寻找所绘制的曲线的拐点，将该拐点对应的横坐标的数值作为邻域半径0的 取值； 步骤六、W密度阔值MinPts和邻域半径0为条件建立AQ-DBSCAN算法，并用 AQ-DBSCAN算法对集合X中的点进行聚类，W得到所述点云中的点属于该建筑物中哪个部 位的聚类分析。
2. 如权利要求1所述的建筑物激光扫描点云数据的聚类方法，其特征在于，所述步骤 六包括： 6.1) W点云中产生最远距离的最小值的点为圆也，W邻域半径0为半径，画出第一级 圆，如果该第一级圆中的点的个数小于MinPts,则消除该第一级圆，如果大于MinPts ;则继 续 6. 2) 6.2) Wco其中0<c<l为半径，画出第一级子圆，若第一级圆和第一级子圆之间的 环形区域中的点的个数小于MinPts,则选取环形区域中所有的点作为第二级圆也；若环形 区域中的点的个数大于等于MinPts,则选取MinPts个点作为第二级圆也； 6.3) W所选取的第二级圆也为圆也，W邻域半径0为半径，画出至少一个第二级圆， 如果任一个第二级圆中的点的个数小于MinPts，则消除该第二级圆，如果大于MinPts ;贝。 重复执行步骤6. 2)和6. 3)，逐级画圆，直到所画出来的圆均被消除为止； 6.4) 将所有级别的圆中的点聚为一类，并在所述点云中去除，而对剩余的点云中的点 重复执行步骤二到步骤六的操作。
3. 如权利要求2所述的建筑物激光扫描点云数据的聚类方法，其特征在于，所述步骤 6. 2)中，选取MinPts个点作为第二级圆也的方法为： 在该环形区域中，首先选取离第一级圆也距离最远的点作为第一点，然后选取距离该 第一点的距离最远的点作为第二点，然后选取距离该第一点和第二点的距离之和最远的点 作为第H点，按照此规律直到选取出第MinPts个点。
4. 如权利要求1或3所述的建筑物激光扫描点云数据的聚类方法，其特征在于，所述 MinPts 为 4。
5. 如权利要求4所述的建筑物激光扫描点云数据的聚类方法，其特征在于，所述C为 3/4。
6. 如权利要求1所述的建筑物激光扫描点云数据的聚类方法，其特征在于，所述拐点 为斜率变化最大的点。
7.如权利要求1所述的基于AQ-DBSCAN算法的点云的聚类方法，其特征在于，所述步骤 一中，对建筑物进行激光扫描后得到的H维点云数据中的每个点都映射到高斯球从而转化 为二维数据。
【专利摘要】本发明公开了一种建筑物激光扫描点云数据的聚类方法，包括：将点云数据转化为二维数据，获得集合X；指定密度阈值MinPts，对于X中任意一点，计算与该点距离最近的MinPts个对象的最远距离，并统计所有点最远距离的最大和最小值；将最远距离的最大和最小值的差值分成n等份，以产生最远距离的最小值的点为圆心，以等份的间距为单位逐级递增值为半径做圆，计算每个圆内的点数；以差值为横坐标，以每个圆内的点数为纵坐标，拟合形成曲线；寻找曲线的拐点，将拐点对应的横坐标的数值作为σ的取值；以MinPts和σ为条件建立AQ-DBSCAN算法，并对X中的点进行聚类，以得到点云中的点属于该建筑物中哪个部位的聚类分析。
【IPC分类】G06K9-62
【公开号】CN104573705
【申请号】CN201410539285
【发明人】赵江洪, 王晏民, 张瑞菊, 郭明
【申请人】北京建筑大学
【公开日】2015年4月29日
【申请日】2014年10月13日