本文是一篇软件工程硕士论文，本文通过对国内外建筑物点云分割方法的分析，针对现有研究中的问题，深入探索了大型复杂建筑物点云场景的分割方法。
1 绪论
1.1 研究背景与意义
建筑物场景作为人类生活的基本场所，对三维点云建筑物场景的理解与分割，既是三维点云进行配准以及重建等重要研究的基础，更是计算机与环境交互的关键科学难题。特别地，在《“十四五”国家信息化规划》中，国家强调加快完善城市信息模型平台和运行管理服务平台，探索建设数字孪生城市（Digital Twin Cities）[1]。同时，2024年习总书记在会见美国工商界和战略学术界代表时，就人工智能等新兴领域的发展问题发表了意见[2]。在当下时代发展需求的背景下，三维点云相比于传统图像或者视频数据更能反映物体的真实空间位置和形状特征，因此其作为众多研究领域的技术基础也得到了越来越多的关注，例如：人工智能、动植物学[3][4]、医学[5]、考古学[6]等领域。而建筑物场景又是现代城市的关键元素，是建设数字孪生城市以及智慧城市的重要对象。因此，探索一种能够快速且准确地完成现代复杂建筑物场景分割的方法，具有极其重要的理论意义、研究价值以及实际应用价值。
点云分割旨在将原始点云数据依据数据间的共性将其划分成一系列简单的基元。在自动驾驶、深度地图、古建筑物保护修复、建筑物建模或装修等各个方面，都需要有更为高效的建筑物点云分割技术为其提供高精度的建筑物模型。但是目前基于三维点云建筑物场景的分割研究仍然存在以下问题亟待解决：①随着建造技术的发展，现在的很多建筑物不仅仅由平面模型构成，如会议厅、教堂或者一些古朴的建筑物，其结构十分复杂，但现有的方法多数仍停留在简单的平面分割，对复杂建筑结构的分割研究较少，方法普适性不高；②点云采集设备以及扫描工艺的提升，使得对大型建筑物场景的扫描更加准确，获得的点云密度更大，导致目前点云数据量越来越庞大。反观现有的大多数研究却很少考虑分割方法的效率；③诸如会议厅、走廊等这类环境复杂的场景，点云数据采集过程中场景物体之间难免会相互干扰，点云碎片化严重。此外，这类场景的细节又很多，致使现有方法的分割准确率不高。
1.2 国内外研究现状
目前，国内外已经有许多研究人员对建筑物场景的点云分割工作做出了大量研究，并提出了许多优秀的分割方法。本文主要从三维点云建筑物场景的复杂程度以及分割难度出发，从单个建筑物的点云分割以及大规模的建筑物点云语义分割两个方面对国内外研究现状进行分析。
1.2.1 单个建筑物的点云分割
面向单个建筑物场景的点云分割方法相对丰富，其技术也更为成熟。根据对点云特征的分析处理方式以及对数学理论的应用，传统的建筑物分割算法一般分为：聚类法、模型拟合法、区域增长法以及混合方法等。
（1）基于聚类的分割方法
基于聚类的分割方法主要依据点云特征如法向量、曲率或者颜色等进行分组归纳。Zhan等人[7]以城市建筑物点云场景为研究内容，根据点云的法向量以及颜色属性进行聚类，实现了点云屋顶与地面的分割。随后该团队又通过改进欧氏距离聚类并综合考虑法向量与颜色聚类的优点进行点云分割[8]，并通过实验验证了该方法的有效性。虽然该方法结合了每一种基于特征分割的优点，但多个阈值的设置是实验成功的关键，而这也成为了该方法的最大缺陷。相反地，Peng等人[9]针对欧几里得聚类算法对阈值敏感的问题，通过引入平滑度参数提出了一种改进的欧式聚类算法，降低了对阈值选择的难度并使得分割精度提升了5%左右。此外，DBSCAN聚类也是最为常用的分割方法。Chen等人[10]通过对输入点云进行多维尺度分析，设计了一种基于密度分层的自适应DBSCAN聚类方法，实现了对建筑物点云平面的聚类分割并有效减少了过分割问题，然而该方法对非均匀点云数据的方法普适性有待提高。Wang等人[11]针对激光点云数据设计出了一种基于改进密度聚类的无监督分割方法，通过实验验证了该方法具有较高分割准确率以及鲁棒性的优点，但是算法中的平均距离计算操作十分耗时，导致算法效率较低。总之，基于聚类的分割方法复杂性较大，且分割性能与特征空间和算法的选择有很大的关系，对于大型点云数据的处理，基于聚类的方法可能会花费较长的时间。由于聚类算法有着一定的可延展性，且对数据维度以及聚簇的形状没有较强的要求，聚类结果非常直观等，考虑到效率以及精度方面的提升，本文将会着重研究DBSCAN算法在三维点云聚类上的应用。
2 基于迭代聚类与模型拟合的建筑物点云分割方法
2.1 方法框架
图2-1是本章基于迭代聚类与模型拟合的建筑物点云分割方法的整体框架，该方法主要分为三大部分：迭代聚类的粗分割、模型拟合精提取以及模型优化。
（1）迭代聚类的粗分割：该过程主要完成对原始点云数据中的建筑结构（平面结构以及柱面结构）的粗略分割。该部分首先需要利用主成分分析（Principal Component Analysis，PCA）[52]计算获取原始点云数据的法向量特征，然后根据点云法矢特征进行高斯映射（依据点法向量将点映射到半径为1的高斯球体上），接着利用所设计的MS-DBSCAN算法完成聚类，最后将每个点云集簇的点从原始数据中提取出来以完成粗分割过程。由于大型建筑物点云场景中包含较为复杂的结构，需要通过迭代过程分别对场景中的大平面、小平面以及柱面依次分割。
（2）模型拟合精提取：该过程通过将上一步骤所获得的点云分割结果作为参数输入，然后利用NE-RANSAC模型拟合算法，从原始点云数据中拟合得到每个建筑结构（平面或者柱面）的精确分割结果。对于点云场景中平面以及柱面结构，该部分将分类处理以提高最终的分割精度。最后将拟合结果从原始点云数据中提取剔除，并将剩余的点云数据进行下一轮的迭代过程。
（3）模型优化：为了获得更加精确完整的点云建筑物结构分割结果，还需要对上述过程得到的分割结果进行模型优化，该部分主要包括三个过程，模型合并、模型修正以及模型去噪三个过程。其中模型合并主要用于解决一个平面被分割成为多个平面的问题，模型修正是将过分割的点重新计算以划分到正确所属的模型点云簇中，而模型去噪的目的是去除建筑物点云场景中模型结构的噪点。
2.2 迭代聚类的粗分割
鉴于大型的建筑物点云场景（如会议厅、教堂等）结构较为复杂，通常除了规整的平面结构，还会有着较为艺术性的设计结构，如柱面以及小平面拼接等。对于这些点云场景直接利用模型拟合完成分割，会造成过分割或者欠分割的情况。因此，在模型拟合之前，对原始点云数据进行粗略的分割是必不可少的。点云粗分割阶段首先需要根据点云法向量完成高斯映射，接着对映射结果进行聚类，然后对聚类点云簇进行提取，并通过迭代该过程逐步对大型场景中的复杂结构进行分解完成初步的分割。通过迭代聚类完成点云场景的粗分割过程，不仅可以将复杂的点云场景进行分类提取，还可以依次地完成大平面到小平面到柱面结构的分步分别处理。为后继的精细分割过程提供更为可靠的参数输入，以提高模型拟合分割的精度。
对于单个模型结构，高斯映射之后的点云分布规律仍然清晰。但是对于实际建筑物点云场景，由于场景中存在着大量的、方向各异的平面结构，如天花板或屋顶、地面、墙面等，除此之外，还可能存在各种面积较小的平面结构甚至是柱面结构。这些点云场景经过高斯映射后，在高斯球上的点分布情况就变得十分的复杂。如图2-4所示是一个实际建筑物点云场景的高斯映射结果。如果直接对映射结果进行聚类，提取结果是十分不理想的。因此，本文将根据平面模型的大小，从平面到柱面的顺序逐层地聚类，分步迭代的提取以完成对整个建筑物点云的分割。
3 基于动态特征融合图卷积的建筑物点云分割方法 .......................... 37
3.1 方法框架 ........................... 37
3.2 特征构造模块 ................................ 38
4 基于自适应阈值区域增长的复杂建筑物屋顶面的分割方法 .......... 53
4.1 方法框架 ......................... 53
4.2 法向量和曲率的稳健计算 ........................ 54
5 总结与展望................................... 69
5.1 本文工作总结 .......................... 69
5.2 未来工作展望 ............................. 70
4 基于自适应阈值区域增长的复杂建筑物屋顶面的分割方法
4.1 方法框架
基于自适应阈值区域增长的复杂建筑物屋顶面的分割方法的总体框架如图4-1所示，主要包含三个步骤，其具体内容如下所示：
（1）法向量与曲率的稳健计算：该过程主要用于完成对建筑物场景中屋顶点云数据的法向量与曲率的计算，方法首先利用PCA算法计算点云法向量以及曲率作为后续步骤的先验知识，并根据点云曲率将点分为非特征点及特征点（即屋脊部分的点）。对于特征点的法向量，通过邻域偏移的方法再次进行评估以获得其较为稳健的法线特征。
（2）自适应阈值区域增长优化分割：基于前面对屋顶点云法向量以及曲率的稳健评估工作，该过程首先根据点云曲率特征自适应设定曲率阈值。区域增长种子点的选取需将点云按曲率升序排序，首次选取曲率值较小的点。后续利用法向量结合曲率并根据相应阈值进行约束以完成对整个建筑物屋顶面的分割。对于屋脊部分，则采用一种竞争优化方法获得更为精确的分割结果。
（3）面片优化：经过自适应阈值区域增长的优化分割过程，建筑物点云场景中的屋顶面可以全部被分割出来。但在实际的处理过程中，仍然存在误分割或者欠分割的情况，为了减小其对分割结果的影响，需
