一种用于融合建筑工地异构点云的3D几何自适应方法

《ADVANCED ENGINEERING INFORMATICS》：A 3D geometry adaptive approach for fusing heterogeneous point clouds in construction sites

高精度3D建模需融合多源点云，但数据精度空间异质性导致全局融合错误剔除高质量局部数据。本文提出几何自适应的分层分区融合框架：首先通过GCP和ICP算法统一配准坐标系，其次按建筑与子组件层级生成几何自适应分区，最后在每区域采用多策略滤波保留最优数据。实验验证在超高层建筑多源点云融合中，整体精度提升6.8%，细节区域达31.9%，显著改善纹理与结构表达，为施工管理提供可靠数据基础。

　　

陆宇杰|钟涛|邓浩宇|王硕|杨川|赵先忠

同济大学土木工程学院，上海200092，中国

摘要

大规模建筑工地的高保真3D建模需要融合多源点云数据，以满足各种工程任务的多样化需求。这一过程中的主要挑战是数据质量的不一致性，因为不同数据源之间的相对精度在场地内存在空间差异。这种变异性可能导致整体融合方法错误地丢弃高质量的局部数据。为了解决这个问题，本文提出的框架将全局融合问题重新定义为更易于处理的局部划分和优化问题。一种新颖的分层划分方法创建了能够适应建筑物构件的局部单元，从而提高了几何连续性和处理效率。该方法包括三个连续阶段：（1）所有源数据的高精度配准；（2）在建筑和子构件层面进行分层划分，以创建基本的融合单元；（3）基于每个单元内的数据质量采用多策略进行局部过滤。该框架在一个具有挑战性的案例中得到了验证，该案例涉及融合来自超高层建筑工地的多源图像点云数据。与简单合并的数据相比，整个场地的精度提高了6.8%，详细区域的精度提高了高达31.9%。该方法增强了建成模型的完整性，并改善了表面纹理和结构尺寸的表示，为下游施工管理任务（如空间进度监测）提供了可靠的数据基础。

引言

高保真3D点云模型是现代施工管理的数字基础，使行业从基于文档的方法转向以3D模型为中心的模式。点云为场地提供了明确的几何表示，使其非常适合进行进度监测、质量控制和数量统计等关键管理任务[1]、[2]、[3]。为了生成大规模场地的此类模型，通常使用激光扫描和摄影测量技术在各种平台上获取数据[4]，包括无人机（UAV）、地面站和手持设备[5]、[6]。

然而，不同的采集平台在精度、更新频率和空间覆盖范围方面存在固有的权衡（如图1所示）。因此，单一数据源很少能满足复杂大规模场地管理的所有多样化需求[7]。这就需要从多个数据源获取和融合数据。这种融合有几个关键目标：（1）提高更新频率，例如使用高频起重机相机数据更新低频UAV模型以进行进度监测[8]；（2）增强模型覆盖范围，例如将基于UAV的上部结构数据与基于地面的下部结构数据融合以进行场地文档记录[9]；（3）优化局部精度，例如用高精度地面激光扫描替换移动激光扫描仪的局部区域以进行质量检查[10]。简单地合并所有可用数据是一个不充分的解决方案，因为这会产生一种异构混合体，其中低精度点会降低高精度区域的精度并影响整体模型质量（图2）。因此，一个核心挑战是开发一个智能融合框架，能够战略性地选择和整合每个数据源中的最佳数据，创建一个针对特定工程任务定制的统一高质量模型。

有效融合的一个重要障碍是点云质量的不均匀性，这阻碍了整体比较。这种不均匀性意味着同一设备在不同位置捕获的点云质量可能会有所不同（见图2）。例如，基于图像的点云在近距离、高纹理区域具有更高的精度，而激光扫描的点云在低透射率和反射率的表面上更为准确[11]。传统的融合方法通常试图通过预先定义传感器精度的静态层次结构来管理这一问题。例如，它可能将激光扫描数据视为优于基于图像的数据，因此只在重叠区域保留激光扫描数据[12]。然而，这种严格的排名在实践中往往是无效的，因为不同设备之间的相对精度并不是恒定的，而且在融合类似类型传感器的数据时无法预先定义层次结构。这就需要将点云划分为局部区域进行分析，但这引入了一个关键的粒度困境：如果划分太大，高质量数据可能会被错误地过滤掉；如果划分太小，噪声簇可能会被保留。因此，一个关键的研究挑战是开发一种尊重建筑物几何形状的划分策略，以实现有效的局部融合而不导致结构不连续性。

为了解决这些挑战，本文将多源融合任务重新定义为合理的划分和局部数据选择问题。提出了一种几何自适应的划分方法，通过三个连续阶段融合建筑工地的点云数据。首先，使用地面控制点（GCP）和ICP算法进行粗到细的配准，将所有源数据配准到统一的空间参考系中。其次，根据几何和语义特征，在建筑和子构件层面将完整的点云分层划分为基本的融合单元。最后，在每个单元内应用多策略过滤方法，保留最高质量的数据，从而提高模型的整体完整性和精度。该方法增强了多源3D数据的完整性，改善了表面纹理和结构尺寸的表示，并直接服务于下游任务，如高保真3D可视化、空间进度监测和材料库存计算。

部分摘录

建筑工地的3D数据采集

建筑工地上存在多种3D数据采集方法，但每种方法都在采集频率、覆盖范围和精度之间存在着根本性的权衡。对于大规模建模，基于图像和激光扫描的技术最为适用。使用自动化塔吊相机等平台的基于图像的3D重建可以提供高频更新，但精度通常较低[13]、[14]。相比之下，地面激光扫描等方法可以提供

方法

本文提出的针对复杂建筑工地多源点云的融合方法基于分层划分策略（见图3）。首先，通过粗到细的配准阶段，使用地面控制点（GCP）进行初始配准，并使用迭代最近点（ICP）算法进行精细配准。其次，分层划分阶段将全局配准的点云分解为

实验设置

为了验证所提出的融合方法，选取了一个具有挑战性的案例，涉及多个基于图像的点云数据的融合。与具有相对均匀特性的激光扫描点云相比，基于图像的点云在尺度、密度和精度方面存在更明显的不均匀性（见表1）。这种固有的异质性意味着融合基于图像的数据不仅仅是一个简单的几何配准问题，而是一个复杂的局部处理过程

结构划分分析

整体处理大规模、异构的建筑工地点云在质量和效率方面都存在显著挑战。不同建筑高度的点密度和精度差异很大。因此，全局过滤或融合阈值往往无效，导致区域间的干扰，影响最终模型的结构连续性。

首先，划分是自适应参数化的先决条件。通过

结论

为了重建大规模建筑工地的高质量3D模型，需要融合多个点云数据以克服单源数据的完整性限制。本文提出了一种几何自适应的融合方法，解决了整合具有空间变化精度的异构数据的关键挑战。该方法将全局融合问题重新定义为局部划分和选择性优化问题，具体分为两个步骤：

CRediT作者贡献声明

陆宇杰：撰写——审稿与编辑、监督、资源管理、项目管理、资金获取、概念构思。钟涛：撰写——初稿撰写、验证、软件开发、方法论设计、调查、形式分析、数据管理、概念构思。邓浩宇：方法论设计、调查、数据管理。王硕：调查、数据管理。杨川：形式分析。赵先忠：监督、形式分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了长江三角洲科技创新共同体联合研究项目（项目编号：2025CSJCG0020/YDZX20263100004009）、国家自然科学基金（项目编号：52578373）以及中央高校基本科研业务费（2024-1-ZD-02和22120240236）的支持。