基于地面激光扫描的大规模城市场景树木和建筑的三维重建

Accurate and efficient three-dimensional (3D) reconstruction of urban scene is the basis for generating digital cities, and quick access to the city's high-resolution 3D spatial data is the premise of urban modeling. In recent years, terrestrial laser scanning (TLS) becomes an important way for acquiring high-resolution 3D data of large-scale urban scenes. Because of the scanning process for the large-scale scenes, only the point cloud of one side of the objects facing to the scanners is obtained, and the point density of each object is sparse. Furthermore, the limitations of the measurement conditions cause the measurement data having a high noise due to occlusions, so the point cloud data is usually incomplete. Therefore, due to the complexity and diversity of urban spatial structures, the huge number, and varying point density of the point cloud, it is a great challenge for reconstructing the TLS point cloud-based 3D urban models. The aim of our project is to mainly focus on tree and building reconstruction based on urban point cloud obtained from the TLS single-direction scan. The efficient and accurate segmentation methodology of urban TLS point cloud, especially, incomplete point cloud, will be studied, a series of high-performance data repairing schemes will be developed to implement the automatic 3D reconstruction theories and methods, and we ultimately achieve high-precise TLS-based 3D digital models automatically and efficiently. This study is very important to promote efficient TLS point cloud processing and accurate 3D reconstruction of large-scale urban models.

城市场景精确、高效三维(3D)重建是构建数字城市的基础，而快速获取城市的高分辨率3D空间数据是城市建模的前提。目前地面激光扫描（TLS）技术成为获取大范围城市场景3D数据的重要手段。由于针对大规模场景，扫描过程一般只能获得其面向扫描仪一面的点云数据，而且每一实体点密度有限；再有，测量条件的限制导致测量数据经常存在较高噪声，同时不可避免的产生遮挡，所以点云数据通常是不完整的，部分区域缺失数据。因此，城市场景结构复杂多样、点云数量巨大而且密度不均一，为城市场景TLS点云分割与3D重建带来了极大挑战。基于单方向扫描的城市TLS点云，本项目拟研究城市场景的高效精确分割方法，对分割出的树木和建筑等对象的不完全点云，提出高性能数据修复和自动3D重建的理论和方法，最终实现基于TLS的高精度3D数字城市模型的自动快速重建。本研究对促进大规模城市场景TLS点云的高效处理和精确3D重建具有重要应用价值。

近年来，飞速发展的激光扫描仪和多视立体几何技术能快速获取城市三维点云。点云数据具有海（大）量性、多样性、缺失严重、点密度不均一和非结构化的特点。结构，是不同层次（尺度）实体之间的有序排列，决定事物的内在规律与外在表象。在本项目的资助下，完成人围绕点云内在结构表达与关联这一科学问题，深入分析了点云数据中地物结构在同一层次的几何逻辑关系和不同层次表象间的上下文关联，实现大规模城市场景树木和建筑的三维重建的方法，构建了目标自动定位、探测、解译、分割与三维重建一体化的框架，发展了基于内在特征驱动分析方法高效表达三维场景，提出了局部结构和方向感知的数据修复和点云固化方法，实现了从低质量或数据缺失严重的点云中高精度重建大场景地物，提升了建筑和树木三维建模的精度和鲁棒性，为场景的分析与理解提供了有效的解决思路和技术基础。. 在关键数据方面，构建了用于深度强化学习训练的高分辨率遥感数据集RSceneNet，是目前已知最大的遥感数据样本库，共58类，450,000张影像，分别来自于光学、高光谱、无人机、激光雷达点云等。目前正研究通过迁移学习方法，实现超大规模激光雷达点云的快速分类、目标检测等研究。. 作为通讯作者，在本领域国际著名学术期刊和重要国际学术会议上发表20余篇，其中标注项目号的论文有17篇，授权发明专利4项；研究成果先后荣获第四届吴文俊人工智能科学技术创新奖一等奖、美国摄影测量与遥感学会（ASPRS） ERDAS Award for Best Scientific Paper in Remote Sensing、测绘科技进步奖一等奖。