第４０卷第９期２０１５年９月武汉大学学报·信息科学版
ＧｅｏｍａｔｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔ ｙ
Ｖｏｌ．４０Ｎｏ．９
ｔ．２０１５Ｓｅｐ
：／．ｗｈｕｉｓ２０１５０１７３ＤＯＩ１０．１３２０３ｊｇ（）文章编号：１６７１８８６０２０１５０９１１３７０７－－－
利用车载移动测量数据的建筑物立面建模方法
２２，３４１１，３
龚健雅１， 崔婷婷 单 杰 季顺平 黄玉春
湖北武汉，１ 武汉大学遥感信息工程学院，４３００７９
湖北武汉，２ 武汉大学测绘遥感信息工程国家重点实验室，４３００７９
４３００７９３ 地球空间信息技术协同创新中心，湖北武汉，
美国拉斐特，４ 普度大学土木工程学院，４７９０７
摘 要：随着三维空间数据获取能力的提高和人们对三维空间信息需求的提升，城市地区的三维重建成为研建筑物立面包含丰富和直观的细节信息，是建筑物三维建模不可或缺的组成部分；究及应用的热点。一方面，
另一方面，车载移动测量是街景级分辨率上高效采集建筑物立面数据的有效途径。但是，目前车载移动测量因此，在建筑物三维建模方面仍有巨大潜力和持续的研究价系统的数据处理能力难以与其采集能力相匹配，
值。本文综合国内外近期研究成果，分析了车载移动测量数据的特点，探讨了利用三维点云和影像序列数据进行建筑物立面重建及增强的方法，最后总结了现有方法的主要不足及存在的挑战。关键词：车载移动测量；建筑物立面建模；三维点云；影像序列中图法分类号：Ｐ２３７．３；Ｐ２０８ 文献标志码：Ａ
随着传统光学成像及激光扫描等传感器技术
三维空间数据获取的能力大大提高。同的发展，
时，人们对空间信息的需求也渐渐从二维扩展到三维，其中，城市地区的三维重建是一个持续的研立面是建筑物的主要组成部究热点。显而易见，
分。虽然近年来发展迅速的多视航空遥感技术具有快速获取大规模城市三维模型的能力，但鸟瞰式的视角难以完整获取建筑物立面信息。而车载移动测量系统恰好可在街景级别的分辨率上高效采集道路两侧建筑物丰富和直观的立面信息，是近年来得到了各科研航空遥感数据的必要补充，
测绘机构及互联网公司的关注，成为数字城院所、
市建设重要的空间数据源之一。
目前，车载移动测量软硬件发展失衡，缺乏成熟的自动化处理流程及标准，数据处理能力难以与数据采集能力匹配。现有移动测量系统所采集的海量三维点云和影像序列，多局限于街景地图的在线展示。事实上，移动测量数据在三维场景有能力实现高质量建筑物重建方面有巨大潜力，立面模型的自动化生产。
本文在分析车载移动测量数据的特点及常见问题的基础上，对国内外以建立建筑物立面模型
收稿日期：２０１５０３２７－－
）。项目来源：国家自然科学基金资助项目（４１２７１４３１
为目标的研究进行总结，并将算法分为重建和增重建侧重于由数据到强两大类进行讨论。其中，
现实世界的恢复过程，是数据获取（由现实世界到二维或三维坐标系的映射及采样）的逆过程，重建得到的模型质量与数据质量相关。而增强则侧重包括模型的细化、补充与规则于对模型的改善，
化，与重建过比，该过程运用知识实现对模型质量的提高。最后，本文归纳了现有方法的主要不足及存在的挑战。
１ 车载移动测量数据
１．１ 数据的特点
车载移动测量系统采集的主要数据类型为三维点云和影像序列，两者各有特点，其中点云的特点为：①直接获取的被测物表面的三维坐标；②空间分辨率较低；③有效测量距离有限。而
影像序列的特点为：直观的纹理信①具有丰富、边缘特征更精确；息；②分辨率更高，③视场角。如何结合两较大，其中全景相机更是达到３６０°者的优势、实现高度自动化的建筑物立面三维重建，具有较高的理论研究和应用价值。
：第一作者：龚健雅，博士，教授，中国科学院院士，长期从事地理信息理论和几何遥感基础研究。Ｅ－ｍａｉｌｏｎｈｕ．ｅｄｕ．ｃｎ＠ｗｇｇｊｙ：通讯作者：崔婷婷，博士生。Ｅ－ｍａｉｌｃｕｉｔｉｎｔｉｎｈｕ．ｅｄｕ．ｃｎ＠ｗｇｇ
１１３８
武汉大学学报·信息科学版２０１５年９月
１．２ 数据存在的问题
使用车载移动测量系统采集的三维点云和影像序列数据，存在以下常见的问题。
首先，点云和影像的配准。车载移动测量系统影得到的点云数据和影像数据常常不能准确对齐，响纹理映射和数据融合的效果。原因包括：①车载移动测量系统两类传感器的检校误差；②异源数据获取时间的差异——点云是一段时间的积累，而影像是某一时刻的瞬间拍摄结果。在参考信息（／如Ｇ不准时，配准误差尤为显著。ＰＳＩＭＵ）
其次，遮挡问题。建筑物立面受到树木、电线车辆、行人等前景的遮挡，导致被遮挡区域的杆、
数据缺失。该现象在点云和影像中都会独立存在，在线阵激光扫描获取的点云数据中尤为严重。
第三，点云数据缺失。由于激光有效测量距离有限、对玻璃等透明介质有穿透性、金属等高反造射强度对象的回波强度超过接收范围等原因，成相应区域点云缺失。
最后，纹理图像位移和色差问题。由于外方位元素的误差和相机镜头畸变等，相邻影像的纹理拼接会出现几何上的偏差；同时，光照差异也会导致色调的差异。
激光扫描技术可以直接获取被测物表面的三维坐标。结合点云和影像进行建筑物立面的重建，早期的工作可以追溯到２使００５年，文献［７］用装载了线阵激光扫描仪和数码相机的移动测量建立了带纹理的建筑物立面格网模型。随着车，
成本降低，更多的车载移动测量系统配置了激光扫描仪，并将其作为获取三维信息的主要途径。同时，使用激光点云结合影像进行建筑物立面重
］８１０－
。建也受到了更多研究者的关注［
２．２ 建筑物点云识别
三维点云包含场景中的多种地物，如地面、建车辆、电线杆、树木、车辆、行人等，点云的分筑物、
类或识别是进行建筑物三维重建的基础工作。
建筑物点云识别方法可分为４类：①基于平
１１］
简单直观、便于实现，但漏检和面约束的方法［
［８］
误检概率高；②基于知识的方法使用区域增长１２］
，其中邻域的定义很关键［该方法相分割点云，
但效率较低；对精确，③基于二维空间分布的方
］１３１４１５］－
、法依赖于投影点密度［高度、空间特征值［
等特征量，效率高但受阈值影响大；④基于学习
１６］
的方法［往往能达到较高的准确率，但需要手工
点云分类研究有两个发展趋势：标记样本。总之，
一是基于机器学习的方法，目标是提高识别准确率；二是在线识别，致力于提高效率。
目前，城市地区的点云分类仍是研究热点。欧盟Ｉ２０１４年，Ｑｍｕｌｕｓ项目组和法国ＴｅｒｒａＭｏ－
［７］
，该竞ｂｉｌｉｔａ项目组联合举办了点云分类竞赛１赛定义了城市地区对象的类别，并提供了相关点云数据、标注数据及明确的结果评估方法，对点云分类研究有指导意义。２．３ 几何模型重建
检测出建筑物的点云后，根据预定义的目标细节程度和模型结构是目模型进行重建。其中，标模型的两个关键参数。
结合车载激光的数据获取能力，本文将建筑物立面模型的细节程度按照ＣｉｔＧＭＬ建筑物的ｙ
［８］
，细节层次（标准１进行定ｌｅｖｅｌｏｆｄｅｔａｉｌＬＯＤ）
２ 建筑物立面重建
基于车载激光点云和影像数据的建筑物立面建筑物点云识重建的基本步骤为点云数据获取、别、几何模型重建及纹理映射。２．１ 三维点云生成
若使用影像序列进行建筑物立面三维重建，——一个摄影测量和首先要恢复像点的三维信息—
］１２－
计算机视觉［的经典问题。影像序列可分为三［［３］４］大类：①立体相对；②普通影像序列；③全］５６－
。随着全景相机被广泛应用于街景影像序列［
采用全景影像进行三维重建的方法值得景地图，
关注。无论采用何种影像数据源，基于影像序列进行三维重建均涉及到影像匹配，而影像匹配是由此得到的点云可靠性一般低于激个歧义问题，
光扫描直接测得的点云。
义。具体参数见表１。
表１ 建筑物立面ＬＯＤ１３模型－Ｔａｂ．１ ＬＯＤ１３ＭｏｄｅｌｓｏｆＦａｃａｄｅ－
等级应用场景
细节程度
位置／高度）精度要求（
简化程度（面积／长度）建筑物辅助部件
ＬＯＤ１
城市级别粗略模型５ｍ／５ｍ对象包围盒
／３ｍ＞６ｍ×６ｍ
无
ＬＯＤ２
街景级别单个建筑
／２ｍ２ｍ包含基本特征的对象
／２ｍ＞４ｍ×４ｍ
有
ＬＯＤ３
建筑物级别建筑物立面细节０．５ｍ／０．５ｍ包含细节特征的对象
／１ｍ＞２ｍ×２ｍ
明显特征
０卷第９期 第４龚健雅等：利用车载移动测量数据的建筑物立面建模方法
１１３９
用 常用的模型结构包括：①表面网格模型，
７］
，三角网或格网来表示建筑物立面及城市场景［适用于小范围的模型渲染，但数据量大且缺乏对象的语义信息；②长方体块状模型或长方形表面
１９］
，前者针对街区的建筑物整体模型［后者模型，
１５］
，是针对建筑物立面的简化模型［适用于大规模
电影像区域的选择可以在一定程度上避免树木、线杆等静态目标的遮挡，但行人、车辆等动态物体及遮挡物与建筑物立面过近等情况仍需依赖基于
］２６２７－
。④图像的遮挡检测、去除及纹理恢复算法［
影像的拼接与匀光。来自不同影像的区域会出现无法对齐及分辨率、色调不一致的情况，拼接和匀
］２８２９－
。光后才能生成无接缝的纹理［
场景的ＬＯＤ１级别的粗略建筑物立面快速重建，
［４，２０］
但缺乏细节描述；或细胞剖③深度分层模型２１］
，分模型［将建筑物立面近似为平面，根据规则
总体而言，纹理映射是影响建筑物模型效果的关键因素，厘米级的误差都可能导致边缘的巨大色差对比；目前纹理映射的自动化程度较低，仍是制约自动化重建的关键因素之一。
化的边缘对平面进行剖分，并赋予不同的深度信息，适用于ＬＯＤ２３级别包含建筑物立面细节的－其局限性是对于半圆形、三单个建筑物立面重建，
角形等不规则对象的描述能力差；④基于多边
２２］１０］
形［或多面体［的复杂层次模型，该模型以语义
３ 建筑物立面增强
由以上步骤重建得到的建筑物立面模型质量受数据质量的影响，利用影像中丰富的几何信息和建筑物设计中包含的规则可进一步提高模型质实现建筑物立面的增强。建筑物立面增强包量，
括用影像对立面模型进行补充与细化，及利用建筑物设计中的基本模式和高级语法的增强对门、窗等建筑物细节的规则化。３．１ 基于影像的增强
影像对几何信息的增强主要体现在完整性上对数据的补充和精确性上对模型的细化两方面。
在完整性上，影像可弥补激光有效距离有限、遮挡、穿透性等原因造成的点云缺失。例如，使用影像弥补点云无法获取的较高建筑物顶部数
２０］
，弥补窗户区域玻璃等透明介质造成的三维据［
９］
，数据缺失［对于遮挡等原因造成的数据缺失，通
用层次模型来组织建筑物对象，并约信息为基础，
束了拓扑关系，适用于ＬＯＤ２３级别的完整模型。－不同模型的实例如图１所示
。
过不同位置获取的影像序列可恢复被遮挡区域的三维坐标。此外，利用基本规则也可实现缺失区）。域的修补（详见§３．２
图１ 常见建筑物立面模型示例Ｆｉ．１ ＥｘａｍｌｅｓｏｆＦａｃａｄｅＭｏｄｅｌｓ ｇｐ
在精确性上，影像分辨率高于点云，所检测的边缘、角点等特征更加精确，可增强立面边缘信息尤其是在线特征集中的建筑物外轮的准确性，
３０］３１］
。廓［和窗户区域［
２．４ 纹理映射
纹理映射是从二维图像到三维模型表面的映射，从而得到近似于真实场景的物体表面，是建立具有真实感三维模型必不可少的步骤。
基于车载影像序列的纹理映射包含４个主要步骤：①计算三维模型在影像上的纹理坐
］２３２４－
。其中影像与点云的配准是基础，线特标［
２５］９］
征［和互信息［是常用的配准依据。②最优纹
总之，影像对增强点云几何信息的有效性已更高级别的特征、语义融合仍有待得到初步证实，进一步研究。
３．２ 基于模式规则的增强
基本模式规则是指人工地物中常常出现的重对称、阵列等现象。其中，重复是相同（或相复、
似）对象在一维空间中的反复出现，如高层建筑物（））；的楼层（图２对称则是局部或者全局沿某个ａ轴左右相同的现象，如建筑物的门、窗，如图２（）；阵列是指相同对象在二维空间中规律出现，ｂ
理区域的选择。对于模型的各个多边形表面，在影像序列中选取最优的影像及区域，两个关键要求是距离近和遮挡少。③遮挡的去除。通过最优
１１４０
武汉大学学报·信息科学版２０１５年９月
），如图２（阵列也可看作重复和对称现象的综ｃ合。规则一方面可以作为检测这些对象的依据，另一方面也可用于增强数据及改善检测结果
。
窗等细节特征的边缘；元中逐渐细分最终逼近门、
［３６］
②形式语法描述的方法使用四元组来表达语
，法规则Ｇ＝Γ（门、窗建筑物立面元素Ｎ，Ｔ，Ｐ，ω）
和基本规则等抽象元素为终端符号Ｔ，可由若干
Ｔ替代的符号为非终端符号Ｎ，Ｔ和Ｎ共同构成
语法的词汇，由以Ｐ为规则的集合，ω为起始符，上元素组合构建多层次树状结构的高级语法规则。
高级规则是城市建筑风格的反映，在同一区域内具有指导意义。文献［结合以上两种规３６］则，将点云和影像数据估计规则应用在同一地区得到相同风格的建筑物整个城镇的三维模型上，立面模型结果。
４ 结 语
车载移动测量系统是建筑物立面数据采集的使用车载移动测量数据进行建筑物重有效途径，
图２ 建筑物立面常见的基本规则Ｆｉ．２ ＣｏｍｍｏｎＰａｔｔｅｒｎｓｏｆＦａｃａｄｅ ｇ
建已成为研究热点。综合目前已有的探索性研究，笔者归纳为尚存在以下几个挑战性问题：①自动化程度有限，大部分自动化重建的方法仅以简单的表面模型为建模目标而不考虑对象的语义信息，其主要瓶颈在于自动化的立面目标识别和纹理映射。②面向不同模型质量和尺度的细节多层难以与现有次建筑物立面模型仍缺乏定义标准，
建筑物模型进行融合，给大规模生产应用造成障碍。③更高级别的点云和影像配准融合算法仍然空缺，目前算法多局限于从两种数据源中分别提取特征后进行融合，造成潜在信息损失。若在数据处理前期将两者使用一致、标准的数据结构组能够为后期的特征提取保留更多信息。织起来，
此外，最高层次的语义级融合也是需要研究的方向之一；④现有规则检测及应用算法针对性过强，依赖于特定的前提，更具普适性的规则检测方法需要进一步研究。
虽然车载移动测量系统可以高效、快捷地获取建筑物立面信息，但是其数据获取方式也有局它只能采集道路两旁的建筑物立面数据，建限性，
筑物背面及无法驶入车辆的区域无法获得数据。因此，如何与其他数据源结合，也是利用车载移动测量数据进行建筑物重建的挑战之一。机载或无鸟瞰人机可以快速获取大规模城市区域的数据，
４５］视角尤其是侧视视角［可以对建筑物模型的完
基本规则的检测方法及相关应用按照以下４种类别进行阐述。①基于扫描线的密集型检测
］３４３６－
是指沿主方向进行扫描并计算扫描线两方法［
侧特征量的变化率，其局部极值点则对应重复出现的关键位置，该方法常用于窗户检测。②特征空间聚类的稀疏型检测法
［］３２，３７４０－
将特定规则定
用转换的关键变量构建新的特征空间，义为转换，
两两选取特征点计算其相似度并在特征空间中累加，最后在特征空间中寻找极值点反投至空间坐标得到规则。稀疏型和密集型两种方法结合可提高检测的效率和准确率机场的方法
［４２］
［４１］
。③基于马尔科夫随
以备选结构为结点，使用拓扑关系
和形状约束结点间的相互关系，并找出符合最大后验概率规则的阵列。该方法适用于检测阵列规则，还可用于推测被遮挡结构的位置。④基于机
］４３４４－
器学习的方法［将机器学习的思想引入特定对
该方法需要大量标记样本，并选取恰当象的检测，
的特征训练分类器，常用于图像中的门、窗阳台等特定类别的建筑物细节检测。３．３ 基于高级语法规则的增强
高级规则是基于规则的规则，由若干简单规则组成，还包含对象的语义信息、拓扑关系、包含关系等。高级规则的定义方法包括：①基于语义
３３］层次细分的方法［将建筑物立面首先水平分为
整性进行有效的补充；由手机或普通数码相机拍
４６］
，摄的具有地理坐标的众源影像［也可为车载移
楼层，楼层中根据窗户的位置竖直分为单元，在单动测量数据提供灵活、及时的补充。
０卷第９期 第４龚健雅等：利用车载移动测量数据的建筑物立面建模方法
１１４１
参 考 文 献
［］：Ａ １ｏｒｓｔｈＤＡ，ＰｏｎｃｅＪ．ＣｏｍｕｔｅｒＶｉｓｉｏｎＭｏｄ Ｆ －ｙｐ
：ＰｅｒｎＡｒｏａｃｈ［Ｍ］．ＵｅｒＳａｄｄｌｅＲｉｖｅｒｅａｒｓｏｎ ｐｐｐｐ，，ＥｄｕｃａｔｉｏｎＩｎｃ．２０１２
［］：Ａ２ｚｅｌｉｓｋｉＲ．ＣｏｍｕｔｅｒＶｉｓｉｏｎｌｏｒｉｔｈｍｓａｎｄＡ Ｓ －ｐｇｐ
，Ｍ］．Ｎｅｗ Ｙｏｒｋ：Ｓｒｉｎｅｒｅｒｌａ２０１０ｌｉｃａｔｉｏｎｓ［－Ｖｐｇｇｐ
［］３ｏｌｌｅｆｅｓＭ，ＮｉｓｔéｒＤ，ＦｒａｈｍＪＭ，ｅｔａｌ．Ｄｅｔａｉｌｅｄ Ｐ ｙ
ＲｅａｌｉｍｅＵｒｂａｎ３ＤＲｅｃｏｎｓｔｒｕｃｔｉｏｎｆｒｏｍ Ｖｉｄｅｏ－Ｔ ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏＣｏｍｕｔｅｒＶｉｓｉｏｎ， ｆ ｐ（）：２００８，７８２１４３１６７－
［］４ｉａｏＪ．ＩｍａｅａｓｅｄＢｕｉｌｄｉｎＭｏｄｅｌｉｎＤ］．Ｈｏｎ Ｘ －Ｂ ｇｇｇ［ｇ
：ＴｈｅＨｏｎＫｏｎＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅａｎｄＫｏｎ ｇｇｙｇ ，２００９Ｔｅｃｈｎｏｌｏｇｙ
［］５ｏｒｉｉＡ，ＨａｖｌｅｎａＭ，ＰａｄｌａＴ．Ｆｒｏｍ ＧｏｏｌｅＳｔｒｅｅｔ Ｔ ｊｇ
ｔｏ３ＤＣｉｔＭｏｄｅｌｓ［Ｃ］．Ｔｈｅ１２ｔｈＩｎｔｅｒｎａｔｉｏｎＶｉｅｗ －ｙ ，ａｌＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＣｏｍｕｔｅｒＶｉｓｉｏｎ Ｗｏｒｋｓｈｏｓ ｐｐ，Ｋｏｔｏ２００９ｙ
［］６ｉｃｕｓｉｋＢ，ＫｏｓｅｃｋａＪ．ＰｉｅｃｅｗｉｓｅＰｌａｎａｒＣｉｔ３Ｄ Ｍ ｙ
ＭｏｄｅｌｉｎｆｒｏｍＳｔｒｅｅｔＶｉｅｗＰａｎｏｒａｍｉｃＳｅｕｅｎｃｅｓ ｇｑ ［Ｃ］．ＩＥＥＥＣｏｍｕｔｅｒＳｏｃｉｅｔＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍ－ ｐｙ ，Ｍ，ＦＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｎｉｔｉｏｎｉａｍｉＬ，ｕｔｅｒ ｐｇＵＳＡ，２００９
［］７ｒｕｅｈＣ，ＪａｉｎＳ，ＺａｋｈｏｒＡ．ＤａｔａＰｒｏｃｅｓｓｉｎＡｌｏ Ｆ －ｇｇ
ｒｉｔｈｍｓｆｏｒＧｅｎｅｒａｔｉｎＴｅｘｔｕｒｅｄ３ＤＢｕｉｌｄｉｎＦａｃａｄｅ ｇｇ ］ＭｅｓｈｅｓｆｒｏｍＬａｓｅｒＳｃａｎｓａｎｄＣａｍｅｒａＩｍａｅｓ［Ｊ． ｇ
］（）：）物立面的方法［测绘学报，Ｊ．２０１３，４２３４１１４１７－［］Ｓ，Ｌ，Ｌ１３ｈｉＷｅｎｚｈｏｎｉＢｉｕｎｉＱｉｎｕａｎ．Ａ Ｍｅｔｈｏｄ ｇｊｇｑ
ＳｅｍｅｎｔａｔｉｏｎｏｆＲａｎｅＩｍａｅＣａｔｕｒｅｄｂＶｅｈｉｆｏｒ －ｇｇｇｐｙ ｃｌｅｏｒｎｅＬａｓｅｒＳｃａｎｎｉｎＢａｓｅｄｏｎｔｈｅＤｅｎｓｉｔｏｆ－Ｂ ｇｙ ＰｒｏｅｃｔｅｄＰｏｉｎｔｓ［Ｊ］．Ａｃｔａ ＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏ－ ｊ（）：（史文中，李ｒａｈｉｃａＳｉｎｉｃａ，２００５，３４２９５１００ －ｇｐ
必军，李清泉．基于投影点密度的车载激光扫描距］：离图像分割方法［Ｊ．测绘学报，２００５，３４（２）９５－）１００
［］Ｌ，Ｈ１４ｕＸｉｕｓｈａｎｕａｎＬｅｉ．ＧｒｉｄＭｅｔｈｏｄｏｎＢｕｉｌｄｉｎ ｇｇ
ＩｎｆｏｒｍａｔｉｏｎＥｘｔｒａｃｔｉｏｎＵｓｉｎＬａｓｅｒＳｃａｎｎｉｎＤａｔａ ｇｇ ［］Ｊ．ＧｅｏｍａｔｉｃｓａｎｄＩｎｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏＷｕｈａｎ ｆｆ （）：卢秀山，黄磊．２００７，３２１０８５２８５５（Ｕｎｉｖｅｒｓｉｔ－ｙ，基于激光扫描数据的建筑物信息格网化提取方法［］：Ｊ．武汉大学学报·信息科学版，２００７，３２（１０））８５２８５５－
］Ｗ，，，［１５ｅｉＺｈｅｎＤｏｎＺｈｅｎＬｉＱｉｎｕａｎｅｔａｌ．Ａｕｔｏ －ｇｇｇｑ
ｍａｔｅｄＥｘｔｒａｃｔｉｏｎｏｆｕｉｌｄｉｎａｃａｄｅｏｏｔｒｉｎｔｓ Ｂ Ｆｇｐ Ｆ］ｆｒｏｍ ＭｏｂｉｌｅＬｉＤＡＲＰｏｉｎｔＣｌｏｕｄｓ［Ｊ．Ｇｅｏｍａｔｉｃｓ
ＩｎｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏＷｕｈａｎ Ｕｎｉｖｅｒｓｉｔａｎｄ ｆｆ ｙ，（）：（魏征，董震，李清泉，等．２０１２，３７１１１３１１１３１５ － 车载ＬｉＤＡＲ点云中建筑物立面位置边界的自动提］取［Ｊ．武汉大学学报·信息科学版，２０１２，３７（）：）１１１３１１１３１５ －
］Ｚ［１６ｈａｎＣ，ＷａｎＬ，ＹａｎＲ．ＳｅｍａｎｔｉｃＳｅｍｅｎｔａｔｉｏｎ ｇｇｇｇ
ＵｒｂａｎＳｃｅｎｅｓＵｓｉｎＤｅｎｓｅＤｅｔｈＭａｓ［Ｃ］．ｏｆ ｇｐｐ Ｔｈｅ１１ｔｈＥｕｒｏｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｕｔｅｒＶｉ －ｐｐ，，，ｓｉｏｎＣｒｅｔｅＧｒｅｅｃｅ２０１０
［］，１７ＩＱｍｕｌｕｓＴｅｒｒａＭｏｂｉｌｉｔａ．ＩＱｍｕｌｕｓ＆ＴｅｒｒａＭｏｂｉｌｉｔａ
：Ａ）ＣｏｎｔｅｓｔｎａｌｓｉｓｏｆＭｏｂｉｌｅＬａｓｅｒＳｃａｎｓ（ＭＬＳｉｎ ｙ／：／／ＤｅｎｓｅＵｒｂａｎＥｎｖｉｒｏｎｍｅｎｔｓ［ＥＢＯＬ］．ｈｔｔｄａ －ｐ／／／，ｔａ．ｉｎ．ｆｒｂｅｎｃｈｍａｒｋｓＵｒｂａｎＡｎａｌｓｉｓ２０１４ｇｙ［］Ｇ１８ｒ ｅｒＧ，ＫｏｌｂｅＴ Ｈ，ＣｚｅｒｗｉｎｓｋｉＡ，ｅｔａｌ．ＯＧＣ ｇ
）ＧｅｏｒａｈＭａｒｋｕＬａｎｕａｅ（ＣｉｔｍｌＥｎｃｏＣｉｔ－ｇｐｙｐｇｇｙｇｙ ／：／／ｄｉｎＳｔａｎｄａｒｄｖ２．０［ＥＢＯＬ］．ｈｔｔｗｗｗ．ｏｅｎ －ｇｐｐ ／／／，ｅｏｓａｔｉａｌ．ｏｒｓｔａｎｄａｒｄｓｃｉｔｍｌ２０１２ｇｐｇｙｇ
［］Ｚ，１９ｈｕＬＬ，ＨａＪＫｕｋｋｏＡ，ｅｔａｌ．Ｐｈｏｔｏｒｅａｌｉｓｔｉｃ ｙｙｐｐ
ＢｕｉｌｄｉｎＲｅｃｏｎｓｔｒｕｃｔｉｏｎｆｒｏｍ ＭｏｂｉｌｅＬａｓｅｒＳｃａｎ －ｇ ］（）：ｎｉｎＤａｔａ［Ｊ．ＲｅｍｏｔｅＳｅｎｓｉｎ２０１１，３７１４０６ －ｇｇ， １４２６
［］Ｌ２０ｉＹ，ＺｈｅｎＱ，ＳｈａｒｆＡ，ｅｔａｌ．２Ｄ３ＤＦｕｓｉｏｎｆｏｒ － ｇ
ＬａｅｒＤｅｃｏｍｏｓｉｔｉｏｎｏｆＵｒｂａｎＦａｃａｄｅｓ［Ｃ］．Ｔｈｅ ｙｐＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＣｏｍｕｔｅｒＶｉ１３ｔｈ －ｐ，，，ｓｉｏｎＢａｒｃｅｌｏｎａＳａｉｎ２０１１ｐ
［２１］ＢｅｃｋｅｒＳ，ＨａａｌａＮ．ＣｏｍｂｉｎｅｄＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ
ｆｏｒＦａｃａｄｅＲｅｃｏｎｓｔｒｕｃｔｉｏｎ［Ｃ］．ＩＳＰＲＳ Ｗｏｒｋｓｈｏ ｐ，Ｅ，Ｆ，ＬａｓｅｒＳｃａｎｎｉｎａｎｄＳｉｌｖｉＬａｓｅｒｓｏｏｉｎｌａｎｄｏｎ ｇｐ２００７
［］Ｐ２２ｕＳ，ＶｏｓｓｅｌｍａｎＧ．ＫｎｏｗｌｅｄｅＢａｓｅｄＲｅｃｏｎｓｔｒｕｃ －ｇ
ｔｉｏｎｏｆＢｕｉｌｄｉｎＭｏｄｅｌｓｆｒｏｍ ＴｅｒｒｅｓｔｒｉａｌＬａｓｅｒＳｃａｎ －ｇ ］ｎｉｎＤａｔａ［Ｊ．ＩＳＰＲＳ ＪｏｕｒｎａｌｏＰｈｏｔｏｒａｍｍｅｔｒ ｇｆ ｇｙ
ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏＣｏｍｕｔｅｒＶｉｓｉｏｎ，２００５， ｆ ｐ（）：６１２１５９１８４－
［］８ｕＳ．ＫｎｏｗｌｅｄｅＢａｓｅｄＢｕｉｌｄｉｎＦａｃａｄｅＲｅｃｏｎ Ｐ －ｇｇ
ｓｔｒｕｃｔｉｏｎｆｒｏｍＬａｓｅｒＰｏｉｎｔＣｌｏｕｄｓａｎｄＩｍａｅｓ［Ｄ］． ｇ，：Ｕ，ｔｈｅＮｅｔｈｅｒｌａｎｄｓｎｉｖｅｒｓｉｔｏｆＴｗｅｎｔｅＥｎｓｃｈｅｄｅ ｙ ２０１０
［］９ａｎＲ．ＴｏｗａｒｄｓＵｒｂａｎ３ＤＭｏｄｅｌｉｎＵｓｉｎＭｏ Ｗ －ｇｇｇ
，Ｃ：ｂｉｌｅＬｉＤＡＲａｎｄＩｍａｅｓ［Ｄ］．Ｍｏｎｔｒｅａｌａｎａｄａ ｇ，ＭｃＧｉｌｌＵｎｉｖｅｒｓｉｔ２０１１ ｙ
［］Ｌ，１０ｉｎＨ，ＧａｏＪＺｈｏｕＹ，ｅｔａｌ．ＳｅｍａｎｔｉｃＤｅｃｏｍｏｓｉ －ｐ
ｔｉｏｎａｎｄＲｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆＲｅｓｉｄｅｎｔｉａｌＳｃｅｎｅｓｆｒｏｍ ］ＬｉＤＡＲＤａｔａ［Ｊ．ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ｇｒａｈｉｃｓ， ｐ（）：２０１３，３２４１１０－
［１１］ＡｒａｃｈｃｈｉｅＮ Ｈ，ＰｅｒｅｒａＳＮ，ＭａａｓＨ Ｇ．Ａｕｔｏ －ｇ
ｍａｔｉｃＰｒｏｃｅｓｓｉｎｏｆＭｏｂｉｌｅＬａｓｅｒＳｃａｎｎｅｒＰｏｉｎｔ ｇ ｆｏｒＢｕｉｌｄｉｎＦａｃａｄｅＤｅｔｅｃｔｉｏｎ［Ｃ］．ＴｈｅＣｌｏｕｄｓ ｇ ２２ｎｄＣｏｎｒｅｓｓｏｆｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔｆｏｒＰｈｏ －ｇｙ ，Ｍ，ｔｏｒａｍｍｅｔｒｎｄｅｍｏｔｅｅｎｓｉｎｅｌｂｏｕｒｎｅ Ｒ Ｓｇｙｇ ａ，Ａｕｓｔｒａｌｉａ２０１２
［］Ｙ，Ｄ，Ｗ，１２ａｎＢｉｓｈｅｎｏｎＺｈｅｎｅｉＺｈｅｎｅｔａｌ．Ｅｘ －ｇｇｇｇ
ｔｒａｃｔｉｎＣｏｍｌｅｘＢｕｉｌｄｉｎＦａｃａｄｅｓｆｒｏｍ ＭｏｂｉｌｅＬａ －ｇｐｇ ］ｓｅｒＳｃａｎｎｉｎＤａｔａ［Ｊ．Ａｃｔａ ＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏ－ ｇ （）：（杨必胜，董ｒａｈｉｃａＳｉｎｉｃａ，２０１３，４２３４１１４１７ －ｇｐ
震，魏征，等．从车载激光扫描数据中提取复杂建筑
１１４２
武汉大学学报·信息科学版２０１５年９月
（）：ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎ２００９，６４６５７５５８４ －ｇ，［］Ｗｕ２３Ｊｕｎ．ＲｅｓｅａｒｃｈｏｎＲａｉｄｌＲｅｃｏｎｓｔｒｕｃｔｉｎＴｅｘ －ｐｙｇ
ｔｕｒｅｆｏｒＦａｃａｄｅｓｉｎ３ＤＣｉｔＭｏｄｅｌｉｎＪ］．Ａｃｔａ ｙｇ［ ：ＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏｒａｈｉｃａＳｉｎｉｃａ，２００５，３４（４） ｇｐ吴军．３１７３２３（３维城市建模中的建筑墙面纹理快－］（）：）速重建研究［Ｊ．测绘学报，２００５，３４４３１７３２３－［］Ｆ，Ｗ２４ａｎＣｈｏｎａｎＸｕｅ．ＲｅｓｅａｒｃｈｏｎＲａｉｄｌＲｅ －ｇｇｐｙ
ｃｏｎｓｔｒｕｃｔｉｎＴｅｘｔｕｒｅｆｏｒＦａｃａｄｅｓｉｎ３ＤＣｉｔＭｏｄｅｌ －ｇｙ ］ｉｎＪ．Ｇｅｏｍａｔｉｃｓ＆ＳａｔｉａｌＩｎｏｒｍａｔｉｏｎ Ｔｅｃｈ－ ｇ［ｐｆ
：范冲，王学．三维城市ｎｏｌｏ２０１４，３７（７）１４（－ｇｙ，］建筑物的纹理映射综述［Ｊ．测绘与空间地理信息，（）：）２０１４，３７７１４－
］Ｌ［２５ｉｕＬ，ＳｔａｍｏｓＩ．ＡＳｓｔｅｍａｔｉｃＡｒｏａｃｈｆｏｒ２Ｄ －ｙｐｐ
Ｉｍａｅｔｏ３Ｄ－ＲａｎｅＲｅｉｓｔｒａｔｉｏｎｉｎＵｒｂａｎＥｎｖｉｒｏｎ －ｇｇｇｍｅｎｔｓ［Ｊ］．ＣｏｍｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｅＵｎｄｅｒ －ｐｇ（）：ｓｔａｎｄｉｎ２０１２，１１６１２５３７－ｇ，
［，Ｇ２６］ＬｉｕＹａｗｅｎｕａｎＺｈｅｎ．ＯｃｃｌｕｓｉｏｎＲｅｍｏｖａｌｆｏｒ
］ＦａｃａｄｅＴｅｘｔｕｒｉｎＪ．ＧｅｏｍａｔｉｃｓａｎｄＩｎ－Ｂｕｉｌｄｉｎ ｇ［ｇ
，Ｍ，ｔｒａｓｅｄＦａｃａｄｅＲｅａｉｒ［Ｃ］．Ｖｉｓｉｏｎｏｄｅｌｉｎ－Ｂ ｙｐｇ，Ｂ，ＧａｎｄＶｉｓｕａｌｉｚａｔｉｏｎ Ｗｏｒｋｓｈｏｒａｕｎｓｃｈｗｅｉｅｒ －ｐｇ，ｍａｎ２００９ｙ
［］Ｍ３３üｌｌｅｒＰ，ＺｅｎＧ，ＷｏｎｋａＰ，ｅｔａｌ．Ｉｍａｅａｓｅｄ －Ｂｇｇ
］ＰｒｏｃｅｄｕｒａｌＭｏｄｅｌｉｎｏｆＦａｃａｄｅｓ［Ｊ．ＡＣＭ Ｔｒａｎｓ －ｇ （）：ａｃｔｉｏｎｓｏｎ Ｇｒａｈｉｃｓ，２００７，２６３８５９４ －ｐ
［］Ｆ３４ｒｉｅｄｍａｎＳ，ＳｔａｍｏｓＩ．ＯｎｌｉｎｅＦａｃａｄｅＲｅｃｏｎｓｔｒｕｃ －
ｔｉｏｎｆｒｏｍ ＤｏｍｉｎａｎｔＦｒｅｕｅｎｃｉｅｓｉｎＳｔｒｕｃｔｕｒｅｄＰｏｉｎｔ ｑＣｌｏｕｄｓ［Ｃ］．ＩＥＥＥＣｏｍｕｔｅｒＳｏｃｉｅｔＣｏｎｆｅｒｅｎｃｅｏｎ ｐｙ ＣｏｍｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｎｉｔｉｏｎ Ｗｏｒｋ －ｐｇ，，，ＵｓｈｏｓＰｒｏｖｉｄｅｎｃｅＲＩＳＡ，２０１２ｐ
［］Ｗ３５ａｎＲ，ＦｅｒｒｉｅＦＰ，ＭａｃｆａｒｌａｎｅＪ．Ａ Ｍｅｔｈｏｄｆｏｒ ｇ
］Ｗｉｎｄｏｗｓｆｒｏｍ ＭｏｂｉｌｅＬｉＤＡＲＤａｔａ［Ｊ．Ｄｅｔｅｃｔｉｎ ｇ
ＰｈｏｔｏｒａｍｍｅｔｒｉｃＥｎｉｎｅｅｒｉｎ＆ＲｅｍｏｔｅＳｅｎｓｉｎ ｇｇｇ ｇ，（）：２０１２，７８１１１１２９１１４０ －
［］Ｂ３６ｅｃｋｅｒＳ．ＧｅｎｅｒａｔｉｏｎａｎｄＡｌｉｃａｔｉｏｎｏｆＲｕｌｅｓｆｏｒ ｐｐ
］ＱｕａｌｉｔＤｅｅｎｄｅｎｔＦａｃａｄｅＲｅｃｏｎｓｔｒｕｃｔｉｏｎ［Ｊ．ＩＳ－ ｙｐ
ＰＲＳ ＪｏｕｒｎａｌｏＰｈｏｔｏｒａｍｍｅｔｒａｎｄ Ｒｅｍｏｔｅ ｆ ｇｙ （）：Ｓｅｎｓｉｎ２００９，６４６６４０６５３－ｇ，
［］Ｗ３７ｅｎｚｅｌＳ，ＤｒａｕｓｃｈｋｅＭ，ＦｃｒｓｔｎｅｒＷ．Ｄｅｔｅｃｔｉｏｎｏｆ
］ＲｅｅａｔｅｄＳｔｒｕｃｔｕｒｅｓｉｎＦａｃａｄｅＩｍａｅｓ［Ｊ．Ｐａｔｔｅｒｎ ｐｇ：ＲｅｃｏｎｉｔｉｏｎａｎｄＩｍａｅＡｎａｌｓｉｓ，２００８，１８（３） ｇｇｙ４０６４１１－
［］Ｚ３８ｈｅｎＱ，ＳｈａｒｆＡ，ＷａｎＧ，ｅｔａｌ．ＮｏｎｌｏｃａｌＳｃａｎ － ｇ
Ｃｏｎｓｏｌｉｄａｔｉｏｎｆｏｒ３ＤＵｒｂａｎＳｃｅｎｅｓ［Ｃ］．ＡＣＭＳＩＧ －，，ＧＲＡＰＨ２０１０，ＬｏｓＡｎｅｌｅｓＣａｌｉｆｏｒｎｉａ２０１０ ｇ［］Ｍ，Ｇ，３９ｉｔｒａＮＪｕｉｂａｓＬＪＰａｕｌＭ．ＰａｒｔｉａｌａｎｄＡ －ｙｐ
ＳｍｍｅｔｒＤｅｔｅｃｔｉｏｎｆｏｒ３ＤＧｅｏｍｅｔｒｒｏｘｉｍａｔｅ ｙｙｙｐ ［］（）：Ｊ．ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ｇｒａｈｉｃｓ，２００６，２５３ ｐ５６０５６８－
［］Ｐ，Ｗ，４０ａｕｌＭ，ＭｉｔｒａＮＪａｌｌｎｅｒＪｅｔａｌ．Ｄｉｓｃｏｖｅｒｉｎ ｙｇ
Ｒｅｕｌａｒｉｔｉｎ３ＤＧｅｏｍｅｔｒＪ］．ＡＣＭＳｔｒｕｃｔｕｒａｌ ｇｙｙ［ （）：Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ｇｒａｈｉｃｓ，２００８，２７３１１１ －ｐ［４１］ＷｕＣ，ＦｒａｈｍＪｏｌｌｅｆｅｓＭ．ＤｅｔｅｃｔｉｎＬａｒｅ －Ｍ，Ｐ ｙｇｇ
ＲｅｅｔｉｔｉｖｅＳｔｒｕｃｔｕｒｅｓｗｉｔｈＳａｌｉｅｎｔＢｏｕｎｄａｒｉｅｓ［Ｃ］． ｐ１１ｔｈＥｕｒｏｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｕｔｅｒＶｉＴｈｅ －ｐｐ，，，ｓｉｏｎＣｒｅｔｅＧｒｅｅｃｅ２０１０
［］Ｋ４２ｏｒａｈＴ，ＲａｓｍｕｓｓｅｎＣ．２ＤＬａｔｔｉｃｅＥｘｔｒａｃｔｉｏｎｆｒｏｍ
Ｅｎｖｉｒｏｎｍｅｎｔｓ［Ｃ］．Ｔｈｅ１４ｔｈＩＥＥＥＩｎＳｔｒｕｃｔｕｒｅｄ －，ＳｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｅＰｒｏｃｅｓｓｉｎａｎ ｇｇ，，ＵＡｎｔｏｎｉｏＴｅｘａｓＳＡ，２００７
［］Ａ４３ｌｉＨ，ＳｅｉｆｅｒｔＣ，ＪｉｎｄａｌＮ，ｅｔａｌ．ＷｉｎｄｏｗＤｅｔｅｃ －
ｔｉｏｎｉｎＦａｃａｄｅｓ［Ｃ］．Ｔｈｅ１４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ －，Ｍ，ｅｎｃｅｏｎＩｍａｅＡｎａｌｓｉｓａｎｄＰｒｏｃｅｓｓｉｎｏｄｅｎａ ｇｙｇ，Ｉｔａｌ２００７ｙ
［４４］ＤｒａｕｓｃｈｋｅＭ，ＦｃｒｓｔｎｅｒＷ．ＳｅｌｅｃｔｉｎＡｒｏｒｉａｔｅ ｇｐｐｐ
ｆｏｒＤｅｔｅｃｔｉｎＢｕｉｌｄｉｎｓａｎｄＢｕｉｌｄｉｎＰａｒｔｓＦｅａｔｕｒｅｓ ｇｇｇ ［Ｃ］．Ｔｈｅ２１ｓｔＣｏｎｒｅｓｓｏｆｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔ ｇｙ，Ｂ，ｆｏｒＰｈｏｔｏｒａｍｍｅｔｒａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｅｉｉｎ ｇｙｇｊｇ ，Ｃｈｉｎａ２００８
［］Ｌ，Ｌ，４５ｉＤｅｒｅｎｉｕＬｉｋｕｎＳｈａｏＺｈｅｎｆｅｎ．ＡｎＩｎｔｅｒａ －ｇｇ
ｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏＷｕｈａｎ Ｕｎｉｖｅｒｓｉｔ２０１０，３５ ｆｆ ｙ，
（）：刘亚文，关振．街景建筑物立１２１４５７１４６０（ － ］面纹理遮挡恢复方法研究［Ｊ．武汉大学学报·信（）：）息科学版，２０１０，３５１２１４５７１４６０ －
［］Ｋ２７ｏｒａｈＴ，ＲａｓｍｕｓｓｅｎＣ．ＡｎａｌｓｉｓｏｆＢｕｉｌｄｉｎＴｅｘ －ｙｇ
ｔｕｒｅｓｆｏｒＲｅｃｏｎｓｔｒｕｃｔｉｎＰａｒｔｉａｌｌＯｃｃｌｕｄｅｄＦａｃａｄｅｓ ｇｙ ［Ｃ］．Ｔｈｅ１０ｔｈＥｕｒｏｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｕｔｅｒ ｐｐ，Ｍ，，ａｒｓｅｉｌｌｅＦｒａｎｃｅ２００８Ｖｉｓｉｏｎ
［］Ｋ２８ａｎＺ，ＺｈａｎＬ，ＺｌａｔａｎｏｖａＳ，ｅｔａｌ．ＡｎＡｕｔｏｍａｔ －ｇｇ
ｉｃＭｏｓａｉｃｋｉｎＭｅｔｈｏｄｆｏｒＢｕｉｌｄｉｎＦａｃａｄｅＴｅｘｔｕｒｅ ｇｇ ＭａｉｎＵｓｉｎａＭｏｎｏｃｕｌａｒＣｌｏｓｅａｎｅＩｍａｅＳｅ －Ｒ －ｐｐｇｇｇｇ ｕｅｎｃｅ［Ｊ］．ＩＳＰＲＳ ＪｏｕｒｎａｌｏＰｈｏｔｏｒａｍｍｅｔｒ ｑｆ ｇｙ（）：ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎ２０１０，６５３２８２２９３ －ｇ，［］Ｋ，Ｚ，Ｚ２９ａｎＺｈｉｚｈｏｎｈａｎＺｕｘｕｎｈａｎＪｉａｎｉｎ．ｇｇｇｇｑｇ
ＲａｉｄｌＲｅａｌｉｚｉｎ３ＤＶｉｓｕａｌｉｚａｔｉｏｎｆｏｒＳｔｒｅｅｔＳｉｈｔ ｐｙｇｇ ］ＣｂｅｒＣｉｔＪ．ＧｅｏｍａｔｉｃｓａｎｄＩｎｏｒｍａｔｉｏｎＳｃｉｉｎ －ｙｙ［ｆ：ｅｎｃｅｏＷｕｈａｎ Ｕｎｉｖｅｒｓｉｔ２０１０，３５（２）２０５２０８ －ｆ ｙ，（康志忠，张祖勋，张剑清．城市街道景观三维可视］化的快速实现［Ｊ．武汉大学学报·信息科学版，（）：）２０１０，３５２２０５２０８－
［］Ｋ，Ｗ，Ｌ３０ａｎＺｈｉｚｈｏｎａｎＷｅｉｗｅｉｉＺｈｅｎ．ＡｎＩｎｔｅ －ｇｇｇ
ｒａｔｉｖｅＭｅｔｈｏｄｏｆ３ＤＰｏｉｎｔＣｌｏｕｄｓＦｅａｔｕｒｅＳｅｍｅｎ －ｇｇｔａｔｉｏｎａｎｄＦｉｔｔｉｎＦｕｓｉｎＭｕｌｔｉｌｅＤａｔａＳｏｕｒｃｅｓ ｇｇｐ ［］Ｊ．ＧｅｏｍａｔｉｃｓａｎｄＩｎｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏＷｕｈａｎ ｆｆ ：康志忠，２０１３，３８（１１）１３１７１３２１（Ｕｎｉｖｅｒｓｉｔ － ｙ，王薇薇，李珍．多源数据融合的三维点云特征面分］割和拟合一体化方法［Ｊ．武汉大学学报·信息科（）：）学版，２０１３，３８１１１３１７１３２１ －
］Ｂ［３１ｅｃｋｅｒＳ，ＨａａｌａＮ．ＲｅｆｉｎｅｍｅｎｔｏｆＢｕｉｌｄｉｎＦａｃａｄｅｓ ｇ
ｂＩｎｔｅｒａｔｅｄＰｒｏｃｅｓｓｉｎｏｆＬｉＤＡＲａｎｄＩｍａｅＤａｔａ ｙｇｇｇ ［，Ｍ，Ｃ］．ＰｈｏｔｏｒａｍｍｅｔｒｉｃＩｍａｅＡｎａｌｓｉｓｕｎｉｃｈ ｇｇｙ，Ｇｅｒｍａｎ２００７ｙ
［］Ｍ３２ｕｓｉａｌｓｋｉＰ，ＷｏｎｋａＰ，ＲｅｃｈｅｉｓＭ，ｅｔａｌ．Ｓｍｍｅ －ｙ
０卷第９期 第４龚健雅等：利用车载移动测量数据的建筑物立面建模方法
１１４３
ｔｉｏｎｏｆＡｅｒｉａｌＯｂｌｉｕｅＰｈｏｔｏｒａｍｍｅｔｒａｎｄＭｏｂｉｌｅ ｑｇｙ ＭａｉｎＳｓｔｅｍｆｏｒＵｒｂａｎＧｅｏｒａｈｉｃａｌＣｏｎｄｉｔｉｏｎｓ ｐｐｇｙｇｐ ］ＭｏｎｉｔｏｒｉｎＪ．ＧｅｏｍａｔｉｃｓａｎｄＩｎｏｒｍａｔｉｏｎＳｃｉ －ｇ［ｆ：ｅｎｃｅｏＷｕｈａｎ Ｕｎｉｖｅｒｓｉｔ２０１５，４０（４）４２７４３５ －ｆ ｙ，（李德仁，刘立坤，邵振峰．集成倾斜航空摄影测量］和地面移动测量技术的城市环境监测［Ｊ．武汉大（）：）学学报·信息科学版，２０１５，４０４４２７４３５－
［］Ｓ，Ｑ，Ｈ，ｅ４６ｈａｎＪｉｅｉｎＫｕｎｕａｎＣｈａｎｉｎｔａｌ． ｇｇｑｇ
ＭｅｔｈｏｄｓｏｆＣｒｏｗｄＳｏｕｒｃｉｎＧｅｏｒａｈｉｃＤａｔａＰｒｏ －ｇｇｐ ］ｃｅｓｓｉｎａｎｄＡｎａｌｓｉｓ［Ｊ．ＧｅｏｍａｔｉｃｓａｎｄＩｎｏｒｍａ－ ｇｙｆ ：ｔｉｏｎＳｃｉｅｎｃｅｏＷｕｈａｎ Ｕｎｉｖｅｒｓｉｔ２０１４，３９（４） ｆ ｙ，单杰，秦昆，黄长青，等．众源地理数据３９０３９６（－］处理与分析方法探讨［Ｊ．武汉大学学报·信息科（）：）学版，２０１４，３９４３９０３９６－
ＡＳｕｒｖｅｏｎＦａｃａｄｅＭｏｄｅｌｉｎＵｓｉｎＬｉＤＡＲＰｏｉｎｔＣｌｏｕｄｓａｎｄＩｍａｅ ｙｇｇｇ
ＳｅｕｅｎｃｅｓＣｏｌｌｅｃｔｅｄｂＭｏｂｉｌｅＭａｉｎＳｓｔｅｍｓ ｑｙｐｐｇｙ
２３４１１３
ＧＯＮＧ Ｊｉａｎａ１２ ＣＵＩ ＴｉｎｔｉｎＪｉｅＩＳｈｕｎｉｎＹｕｃｈｕｎ Ｊ ｙｇｇ ＳＨＡＮ ｐｇ ＨＵＡＮＧ
，
，
，
，Ｗｕ，Ｗｕ１ ＳｃｈｏｏｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎｈａｎＵｎｉｖｅｒｓｉｔｈａｎ４３００７９，Ｃｈｉｎａ ｇｇｇｙ ，Ｍ，２ ＳｔａｔｅＫｅＬａｂｏｒａｔｏｒｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎｉｎＳｕｒｖｅｉｎａｉｎａｎｄＲｅｍｏｔｅＳｅｎｓｉｎ ｙｙｇｇｙｇｐｐｇｇ
，ＷｕＷｕｈａｎＵｎｉｖｅｒｓｉｔｈａｎ４３００７９，Ｃｈｉｎａ ｙ
，Ｗｕ３ ＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏｆＧｅｏｓａｔｉａｌＴｅｃｈｎｏｌｏｈａｎ４３００７９，Ｃｈｉｎａ ｐｇｙ，，Ｗ，ｃｈｏｏｌｏｆＣｉｖｉｌＥｎｉｎｅｅｒｉｎＰｕｒｄｕｅＵｎｉｖｅｒｓｉｔｅｓｔＬａｆａｅｔｔｅＩＮ４７９０７，ＵＳＡ４ Ｓ ｇｇｙｙ
：ＷＡｂｓｔｒａｃｔｉｔｈｔｈｅｄｅｖｅｌｏｍｅｎｔｏｆｓｅｎｓｏｒｓａｎｄｒｉｓｉｎｄｅｍａｎｄｆｏｒｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｓａｔｉａｌｉｎｆｏｒｍａ － －ｐｇｐ ，，ｔｉｏｎ３Ｄｃｉｔｒｅｃｏｎｓｔｒｕｃｔｉｏｎｈａｓｂｅｃｏｍｅａｈｏｔｔｏｉｃｉｎｒｅｓｅａｒｃｈａｎｄａｌｉｃａｔｉｏｎｓ．Ａｆａｃａｄｅａｓｏｆａｒｔ ｙｐｐｐｐ ，，ｔｈｅｂｕｉｌｄｉｎｍｏｄｅｌｃｏｎｔａｉｎｓｄｅｔａｉｌｅｄａｎｄｉｎｔｕｉｔｉｖｅｉｎｆｏｒｍａｔｉｏｎｗｈｉｃｈｃｏｕｌｄｂｅｅｆｆｅｃｔｉｖｅｌｃｏｌｌｅｃｔｅｄｂ ｇｙｙ
，ｍａｉｎｓｓｔｅｍｓｗｉｔｈｈｉｈｒｅｓｏｌｕｔｉｏｎｏｎｓｔｒｅｅｔｖｉｅｗ．Ｈｏｗｅｖｅｒｔｈｅｃｕｒｒｅｎｔｃａａｍｏｂｉｌｅｒｏｃｅｓｓｉｎ －ｐｐｇｙｇｐｐｇ ｂｉｌｉｔｆｏｒｍｏｂｉｌｅｍａｉｎｄａｔａｉｓｎｏｔｓｕｉｔａｂｌｅｆｏｒｔｈｅｃｏｎｓｉｓｔｅｎｔｌｒｏｗｉｎａｎｄｍａｓｓｉｖｅａｍｏｕｎｔｏｆｄａｔａ ｙｐｐｇｙｇｇ
，ｂｍｏｂｉｌｅｍａｉｎｓｓｔｅｍｓ．Ｔｈｅｒｅｆｏｒｅｔｈｅｒｅｉｓｓｔｉｌｌｈｕｅａｎｄｓｕｓｔａｉｎａｂｌｅｖａｌｕｅｉｎａｃｕｉｒｅｄｏｔｅｎｔｉａｌ ｑｙｐｐｇｙｇｐ ｔｈｅｒｅｓｅａｒｃｈｏｆ３Ｄｂｕｉｌｄｉｎｍｏｄｅｌｉｎｕｓｉｎｍｏｂｉｌｅｍａｉｎｄａｔａ．Ｔｈｉｓｒｅｖｉｅｗｓｔｈｅｅｘｉｓｔｉｎｒｅａｅｒ －ｇｇｇｐｐｇｇｐｐ
，ｌａｔｅｄｒｅｓｅａｒｃｈａｃｔｉｖｉｔｉｅｓｂｏｔｈａｔｈｏｍｅａｎｄａｂｒｏａｄ．Ｆｉｒｓｔｌｔｈｅａｎａｌｚｅｓｔｈｅｆｅａｔｕｒｅｓｏｆｍｏｂｉｌｅａｅｒ ｙｙｐｐ，ｍａｉｎｄａｔａ．Ｓｅｃｏｎｄｌｔｈｅａｅｒｄｉｓｃｕｓｓｅｓｔｈｅｍａｉｎａｌｏｒｉｔｈｍｓｉｎｔｈｅｗｏｒｋｆｌｏｗｏｆｂｕｉｌｄｉｎｆａｃａｄｅ ｐｐｇｙｐｐｇｇ
，ｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｉｎｔａｎｄｅｎｈａｎｃｅｍｅｎｔｕｓｉｎ３Ｄｐｏｉｎｔｃｌｏｕｄｓａｎｄｉｍａｅｓｅｕｅｎｃｅ．Ｆｉｎａｌｌｗｅｏｕｔｔｈｅ ｇｇｑｙｐ ｏｆｔｈｅｅｘｉｓｔｉｎｍｅｔｈｏｄｓａｎｄｔｈｅｃｈａｌｌｅｎｅｓｆｏｒｆｕｔｕｒｅｒｅｓｅａｒｃｈ．ｌｉｍｉｔａｔｉｏｎｓ ｇｇ
：ｍ；；；Ｋｅｗｏｒｄｓｏｂｉｌｅｍａｉｎｓｓｔｅｍｓｆａｃａｄｅｍｏｄｅｌｉｎ３Ｄｐｏｉｎｔｃｌｏｕｄｓｉｍａｅｓｅｕｅｎｃｅｓ ｐｐｇｙｇｇｑｙ
：Ｇ，，，ＦｉｒｓｔａｕｔｈｏｒＯＮＧＪｉａｎａＰｈＤ，ＡｃａｄｅｍｉｃｉａｎｏｆｔｈｅＣｈｉｎｅｓｅＡｃａｄｅｍｏｆＳｃｉｅｎｃｅｓｓｅｃｉａｌｉｚｅｓｉｎａｎｄｒｏｆｅｓｓｏｒｅｏｉｎｆｏｒｍａｔｉｃｓｈｏｔｏ －ｙｙｐｐｇｐ ：ａｉｌｈｕ．ｅｄｕ．ｃｎｒａｍｍｅｔｒ．Ｅ－ｍｏｎ＠ｗｇｙｇｇｊｙ
：，：ＣｏｒｒｅｓｏｎｄｉｎａｕｔｈｏｒＣＵＩＴｉｎｔｉｎＰｈＤｃａｎｄｉｄａｔｅ．Ｅ－ｍａｉｌｃｕｉｔｉｎｔｉｎｈｕ．ｅｄｕ．ｃｎ ＠ｗｇｇｇｇｐｇ ：，ＮＦｏｕｎｄａｔｉｏｎｓｕｏｒｔＴｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａｏ．４１２７１４３１． ｐｐ