多細(xì)節(jié)層次的三維城市模型是數(shù)字城市和智慧社會(huì)的關(guān)鍵空間數(shù)據(jù)基礎(chǔ)設(shè)施，從基于稀疏點(diǎn)線特征的交互式半自動(dòng)化建模到基于密集點(diǎn)云的自動(dòng)化智能化建模已經(jīng)成為國際學(xué)術(shù)界和工業(yè)界的熱點(diǎn)前沿。由于立體城市空間結(jié)構(gòu)的復(fù)雜性，多類型、多站點(diǎn)和多時(shí)相的點(diǎn)云數(shù)據(jù)融合處理是三維城市建模的基本途徑，其基本思想是將具有不同視角、密度、精度、尺度、細(xì)節(jié)、時(shí)間歷元等特征的多點(diǎn)云數(shù)據(jù)進(jìn)行一致性融合表達(dá)與集成處理，建立可直接面向計(jì)算分析的智能化表達(dá)的多點(diǎn)云模型。歸納總結(jié)了多點(diǎn)云數(shù)據(jù)的主要特點(diǎn)，針對(duì)時(shí)空基準(zhǔn)與精度、尺度、語義3個(gè)層面的一致性處理，分析了多點(diǎn)云數(shù)據(jù)融合的主要發(fā)展趨勢(shì)，并凝練了面向三維城市建模的多點(diǎn)云數(shù)據(jù)融合關(guān)鍵問題。

多細(xì)節(jié)層次的三維城市模型是數(shù)字城市和智慧社會(huì)的關(guān)鍵空間數(shù)據(jù)基礎(chǔ)設(shè)施[1]。現(xiàn)有的精細(xì)化三維城市建模 技術(shù)主要有基于多種數(shù)據(jù)源(計(jì)算機(jī)輔助設(shè)計(jì)(computer aided design，CAD)、建筑物信息建模(building information modeling，BIM)、地圖等)的人工交互建模和基于影像或激光掃描密集點(diǎn)云的半自動(dòng)化建模兩大類。人工交互建模利用稀疏點(diǎn)線特征幾何約束，需要大量人工交互式操作, 導(dǎo)致作業(yè)周期長、效率低，且模型質(zhì)量難以保證, 特別是紋理偏差大?；诿芗c(diǎn)云的半自動(dòng)化建模已成為大范圍三維城市建模的主要方式。由于立體城市空間結(jié)構(gòu)復(fù)雜，高大建筑相互遮擋，且建筑物屋頂和立面形狀結(jié)構(gòu)多樣，道路、植被、人工設(shè)施等地上下立體空間場(chǎng)景對(duì)象種類繁多，形態(tài)各異，單一類型與單一站點(diǎn)的點(diǎn)云數(shù)據(jù)普遍存在數(shù)據(jù)漏洞、描述尺度單一、結(jié)構(gòu)細(xì)節(jié)丟失等局限性[2]，難以表達(dá)目標(biāo)完整豐富的細(xì)節(jié)特征[3]。隨著“消費(fèi)級(jí)”激光掃描設(shè)備、影像密集匹配技術(shù)以及深度相機(jī)等新型數(shù)據(jù)獲取技術(shù)日新月異，點(diǎn)云數(shù)據(jù)獲取手段更為豐富，且難度與成本降低，類型、視角、屬性和內(nèi)涵信息更為豐富的點(diǎn)云數(shù)據(jù)日益可得[4]。因此，多點(diǎn)云數(shù)據(jù)融合處理成為三維城市建模的主要途徑，并成為國際學(xué)術(shù)界和工業(yè)界的熱點(diǎn)前沿。

多點(diǎn)云數(shù)據(jù)指多類型、多站點(diǎn)和多時(shí)相的點(diǎn)云數(shù)據(jù)。激光掃描、影像匹配、深度圖像測(cè)量、干涉雷達(dá)測(cè)量和野外實(shí)地測(cè)量等方法提供了具有不同數(shù)據(jù)屬性和信息內(nèi)涵的多類型點(diǎn)云[5]。這些不同類型的點(diǎn)云還可以從空中、地面、室內(nèi)等不同站點(diǎn)獲取，具有多樣化的視角和尺度特征[6]。此外，不同時(shí)間歷元采集的多時(shí)相點(diǎn)云融合可反映對(duì)象的變化屬性和趨勢(shì)。多點(diǎn)云融合的前提是明確不同點(diǎn)云的優(yōu)勢(shì)信息和互補(bǔ)需求。如影像匹配點(diǎn)云密度高且富含邊緣特征信息，但具有大量的拓?fù)湓肼?，且只能獲取表面覆蓋數(shù)據(jù)，連片林地的地形常存在漏洞;空、地不同站點(diǎn)的激光掃描點(diǎn)云在效率、精度、結(jié)構(gòu)細(xì)節(jié)信息的采集方面也各有優(yōu)缺點(diǎn)(如表 1所示)。根據(jù)多點(diǎn)云數(shù)據(jù)具有的不同視角、密度、精度、尺度、細(xì)節(jié)、語義等特征進(jìn)行一致性處理是一項(xiàng)復(fù)雜的系統(tǒng)性工作，是后續(xù)多細(xì)節(jié)層次精細(xì)三維建模的關(guān)鍵基礎(chǔ)。通過消減不同點(diǎn)云間的空間基準(zhǔn)、尺度和語義表達(dá)等不一致性，如空間位置、結(jié)構(gòu)語義、拓?fù)潢P(guān)系的沖突，以達(dá)到數(shù)據(jù)準(zhǔn)確、冗余最少[7-8]，實(shí)現(xiàn)多點(diǎn)云數(shù)據(jù)的優(yōu)勢(shì)信息融合表達(dá)。

表 1 多點(diǎn)云特征

多點(diǎn)云數(shù)據(jù)的融合處理方法可歸納為時(shí)空基準(zhǔn)及精度、尺度、語義3個(gè)層面的一致性處理。時(shí)空基準(zhǔn)與精度一致性處理旨在建立整個(gè)場(chǎng)景統(tǒng)一的點(diǎn)云模型，尺度一致性處理則為了削減不同密度和精度的點(diǎn)云對(duì)同一目標(biāo)表達(dá)的尺度差異，語義一致性處理旨在綜合利用不同點(diǎn)云對(duì)同一目標(biāo)不同細(xì)節(jié)特征的表達(dá)。通過這3個(gè)層面的一致性處理, 即可得到最初級(jí)的多點(diǎn)云融合模型，可滿足進(jìn)一步精細(xì)化三維城市建模與智能化分析等深度應(yīng)用需求[9]。

本文從時(shí)空基準(zhǔn)與精度、尺度、語義3個(gè)方面歸納了多點(diǎn)云數(shù)據(jù)的特點(diǎn)和融合處理的主要發(fā)展趨勢(shì)，凝練了面臨的主要技術(shù)難題，如圖 1所示。

圖 1 多點(diǎn)云數(shù)據(jù)融合技術(shù)框架

1 多點(diǎn)云時(shí)空基準(zhǔn)與精度一致性處理方法

多點(diǎn)云的融合反映了由單源到多源、由少到多、由簡單到復(fù)雜的趨勢(shì)，這種融合的第一步是理解和描述不同數(shù)據(jù)源間的復(fù)雜關(guān)系和相互轉(zhuǎn)換規(guī)律[10]，實(shí)現(xiàn)時(shí)空基準(zhǔn)與精度的一致性，建立整個(gè)場(chǎng)景統(tǒng)一的點(diǎn)云模型，彌補(bǔ)單一點(diǎn)云數(shù)據(jù)空洞，并增強(qiáng)尺度和語義信息，實(shí)現(xiàn)整個(gè)場(chǎng)景對(duì)象的無縫表達(dá)。

多點(diǎn)云從采集單元轉(zhuǎn)換到絕對(duì)地理坐標(biāo)系采用了不同的方法和輔助數(shù)據(jù)。機(jī)載和車載移動(dòng)激光掃描系統(tǒng)都配備了GPS/IMU(global positioning system/inertial measurement unit)組合慣性導(dǎo)航模塊，根據(jù)耦合計(jì)算得到的軌跡數(shù)據(jù)進(jìn)行絕對(duì)地理坐標(biāo)系的糾正，理想情況下，獲取的點(diǎn)云精度在5~15 cm左右[11]。地面激光掃描常利用掃描場(chǎng)景內(nèi)已知坐標(biāo)的靶標(biāo)球進(jìn)行多站點(diǎn)拼接和絕對(duì)地理坐標(biāo)糾正[12-13，得到的整個(gè)場(chǎng)景數(shù)據(jù)精度可達(dá)3 cm以內(nèi)。影像匹配點(diǎn)云利用像控點(diǎn)進(jìn)行立體恢復(fù)，并實(shí)現(xiàn)絕對(duì)地理坐標(biāo)的糾正，但由于遮擋、視差斷裂、紋理缺失及光照條件不一致等, 制約了影像密集匹配中關(guān)鍵特征點(diǎn)的可靠檢測(cè)[14-15]，常存在大量的幾何和拓?fù)湓肼昜16]。由于像控點(diǎn)、靶標(biāo)球、GPS/IMU慣導(dǎo)數(shù)據(jù)等輔助數(shù)據(jù)的采集質(zhì)量不一，對(duì)多點(diǎn)云融合精度產(chǎn)生直接影響[17]，因此多點(diǎn)云數(shù)據(jù)需要進(jìn)行點(diǎn)云精確配準(zhǔn)。

點(diǎn)云配準(zhǔn)是計(jì)算不同點(diǎn)云集合間空間幾何的關(guān)系精準(zhǔn)映射，求取坐標(biāo)轉(zhuǎn)換參數(shù)，將待轉(zhuǎn)換數(shù)據(jù)集進(jìn)行剛體變換的過程?，F(xiàn)階段點(diǎn)云配準(zhǔn)最廣泛的方案是基于局部特征匹配初值的迭代最近點(diǎn)(iterative closest point，ICP)算法[18-19]。ICP算法是一種全局配準(zhǔn)的迭代算法，可以獲得很高的配準(zhǔn)精度，但需要初始粗配準(zhǔn)以避免陷入局部最優(yōu)解。利用點(diǎn)-線等局部特征識(shí)別和匹配可得到七參數(shù)或四元數(shù)構(gòu)建的點(diǎn)云旋轉(zhuǎn)矩陣實(shí)現(xiàn)多點(diǎn)云融合[20]，且可以為ICP算法提供初值以獲取更高的配準(zhǔn)精度，如圖 2所示。

圖 2 基于特征的多點(diǎn)云數(shù)據(jù)配準(zhǔn)流程

基于局部特征的點(diǎn)云配準(zhǔn)可按照點(diǎn)、線、面3種特征基元進(jìn)行分類[21]，需要特征提取、同名特征識(shí)別、轉(zhuǎn)換參數(shù)的求取和應(yīng)用3個(gè)步驟。在面向城市三維建模的點(diǎn)云配準(zhǔn)任務(wù)，普遍的方法是運(yùn)用多種三維點(diǎn)云描述符如快速點(diǎn)特征直方圖(fast point feature histograms，F(xiàn)PFH)[22]等提取特征，或識(shí)別建筑物邊緣的幾何特征點(diǎn)和特征線[23]，這是由于建筑邊緣的幾何特征通常滿足穩(wěn)定性和特異性[24]。局部特征的提取及其相關(guān)的點(diǎn)云索引方法、法向量計(jì)算等是研究人員的熱點(diǎn)研究內(nèi)容[25]，利用點(diǎn)到線、點(diǎn)到面的關(guān)系[26]，提取特征曲線[27]、建筑面[28]作為特征, 也為基于特征的配準(zhǔn)方法提供了更好的適用性和靈活性。

但是，識(shí)別和匹配幾何特征仍然面臨3個(gè)瓶頸:①在城市周邊建筑稀疏或非人工建成區(qū)的幾何自然特征提取較難[29]，可采用地面作為特征基元進(jìn)行配準(zhǔn)[30-31];②基于特征向量提取的幾何特征冗余性強(qiáng)，且由于精度和尺度差異影響，普遍導(dǎo)致一對(duì)多、多對(duì)多、空匹配的相似性度量結(jié)果，需要利用概率松弛約束匹配特征線等方法解決[18,32];③多時(shí)相點(diǎn)云的變化信息會(huì)干擾相同幾何特征的識(shí)別和提取。

因此，利用場(chǎng)景語義信息提取準(zhǔn)確的對(duì)應(yīng)語義特征成為了新的趨勢(shì), 比如試圖利用建筑物的頂面邊界線[33-34]、構(gòu)筑物中心軸線[35]、建筑物的垂直、相交[36]、腳點(diǎn)[37]等實(shí)現(xiàn)精確的點(diǎn)云配準(zhǔn)。

當(dāng)然，除了ICP算法外, 還有其他優(yōu)秀方法可用于多點(diǎn)云配準(zhǔn)。

基于點(diǎn)云自身關(guān)系的4PCS(4-points congruent sets)[28]及其改進(jìn)super4PCS[38]算法，通過智能索引進(jìn)行全局配準(zhǔn)，及基于遺傳算法(genetic algorithm，GA)的全局搜索策略多點(diǎn)云配準(zhǔn)方法，不需要初始粗配準(zhǔn)輔助即可在定義的搜索空間中找到最優(yōu)解[39]，且可用于自由曲面的匹配[40]，在3D醫(yī)療點(diǎn)云的配準(zhǔn)[41]、地面多站點(diǎn)點(diǎn)云配準(zhǔn)[17]方面得到了成功應(yīng)用。

2 多點(diǎn)云尺度一致性處理方法

不同點(diǎn)云密度和細(xì)節(jié)分辨率的多點(diǎn)云數(shù)據(jù)對(duì)同一目標(biāo)表達(dá)具有顯著的尺度差異?？罩姓军c(diǎn)多面向條帶狀和面狀大場(chǎng)景范圍的數(shù)據(jù)采集任務(wù)，是有效的大尺度場(chǎng)景DSM(digital surface model)、建筑群落屋頂結(jié)構(gòu)[34,42]、植被冠層數(shù)據(jù)的采集手段[43]。其中，機(jī)載激光點(diǎn)云均勻且較為稀疏，較長的測(cè)程(通常為500~3 000 m)會(huì)產(chǎn)生激光束散射現(xiàn)象，對(duì)對(duì)象細(xì)節(jié)信息采集有一定程度的損失[35]，通常只能區(qū)分對(duì)象整體(如一棟建筑);影像逐像素密集匹配點(diǎn)云的密度取決于影像分辨率，通常每m2范圍大于200點(diǎn)[44]的高密度有利于對(duì)象單個(gè)平面的分割和識(shí)別，但其中點(diǎn)云的噪聲和對(duì)象的細(xì)節(jié)(如建筑外立面復(fù)雜的細(xì)節(jié)結(jié)構(gòu))甄別困難，影像匹配點(diǎn)云密集的優(yōu)勢(shì)需要提高去噪的魯棒性才能更好的發(fā)揮[45-46]。地面站點(diǎn)通常測(cè)程較近(不超過500 m)，具有更高的點(diǎn)云密度和更豐富的細(xì)節(jié)信息，可以對(duì)建筑立面、道路設(shè)施、附屬部件進(jìn)行小尺度的精細(xì)數(shù)據(jù)采集[47]，分割識(shí)別精細(xì)的細(xì)節(jié)結(jié)構(gòu)[48]，是單體化建筑模型精細(xì)結(jié)構(gòu)語義的主要數(shù)據(jù)源。

經(jīng)過時(shí)空基準(zhǔn)與精度的一致性處理，場(chǎng)景中的對(duì)象如建筑物會(huì)有多種尺度的點(diǎn)云數(shù)據(jù)重疊。比如空基俯視點(diǎn)云與地基側(cè)視點(diǎn)云，需要多點(diǎn)云數(shù)據(jù)尺度一致性的進(jìn)一步處理，進(jìn)行多尺度點(diǎn)云不確定性評(píng)價(jià)[49]，解決重疊點(diǎn)云的冗余和矛盾，以實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)的高效利用[50]。

對(duì)于多點(diǎn)云重疊部分，依據(jù)細(xì)節(jié)豐富、精度最高的數(shù)據(jù)，對(duì)存在重復(fù)的其余數(shù)據(jù)進(jìn)行清洗[8]或精度糾正。例如地基點(diǎn)點(diǎn)云替換或加密建筑物側(cè)面的空基點(diǎn)點(diǎn)云數(shù)據(jù)[51]，依據(jù)激光點(diǎn)云數(shù)據(jù)對(duì)影像匹配點(diǎn)云進(jìn)行去噪[52]，利用加權(quán)局部最優(yōu)投影(weighted locally optimal projection，WLOP)算法等點(diǎn)云重采樣方法以及顧及邊緣信息的升采樣點(diǎn)云增強(qiáng)[53]在面向多尺度特征時(shí)有良好的適用性。此外，機(jī)載激光提取屋頂輪廓對(duì)車載點(diǎn)云的建筑立面精細(xì)分割[54]，結(jié)合建筑物相似性判斷進(jìn)行建筑立面空洞修復(fù)[55]等類似的方法，是多點(diǎn)云數(shù)據(jù)進(jìn)行點(diǎn)云增強(qiáng)的新嘗試。

基于格網(wǎng)尺寸大小變化等方法建立尺度變換模型對(duì)單一尺度點(diǎn)云特征提取、濾波數(shù)字高程模型(digital elevation model，DEM)生成、曲面重建等研究已經(jīng)廣泛的展開[56-59]。面對(duì)多點(diǎn)云本身具有的不同尺度特性，相應(yīng)數(shù)據(jù)處理需要新的方法。

此外，多點(diǎn)云的不同尺度特征可對(duì)應(yīng)三維城市建模多細(xì)節(jié)層次需求。按照開放地理空間信息聯(lián)盟(Open Geospatial Consortium，OGC)標(biāo)準(zhǔn)CityGML定義的建筑物多細(xì)節(jié)層次(levels of detail, LOD)標(biāo)準(zhǔn)[60]，三維城市模型從最初級(jí)細(xì)節(jié)層次LOD0的DEM、DSM等產(chǎn)品，到最高級(jí)層次LOD4的室內(nèi)外一體化精細(xì)化模型，需要依據(jù)可視化和分析需要進(jìn)行多細(xì)節(jié)層次模型構(gòu)建。尺度一致性融合的多點(diǎn)云數(shù)據(jù)，針對(duì)多細(xì)節(jié)層次三維建模需求，形成按需提取的多尺度層級(jí)點(diǎn)云管理和組織方法[61-62]，有效支撐精細(xì)化三維模型的自動(dòng)建模[63]。

3 多點(diǎn)云語義一致性處理方法

散亂的點(diǎn)云本身不具有語義信息，三維重建需根據(jù)點(diǎn)云數(shù)據(jù)含有的空間坐標(biāo)(X，Y，Z)和其他屬性(如強(qiáng)度、色彩)進(jìn)行語義理解，識(shí)別結(jié)構(gòu)化語義(幾何、拓?fù)浣Y(jié)構(gòu)，如墻角、窗邊、邊面等)和分類信息(植被、建筑、路燈等)。語義賦予了點(diǎn)云類的屬性，是進(jìn)一步進(jìn)行分析應(yīng)用的基礎(chǔ)?？梢?，經(jīng)過時(shí)空基準(zhǔn)和尺度融合的多點(diǎn)云，需要多種方法提取與理解不同點(diǎn)云對(duì)同一目標(biāo)不同細(xì)節(jié)特征的語義內(nèi)涵，并進(jìn)行統(tǒng)一的語義標(biāo)識(shí)[64]。

多點(diǎn)云數(shù)據(jù)的采集原理、信息內(nèi)涵以及語義理解方式的不同，都導(dǎo)致其具有顯著的語義差異。

激光掃描點(diǎn)云來自主動(dòng)式遙感，除空間三維坐標(biāo)外，還包含具有層次感的強(qiáng)度信息。以被動(dòng)式遙感方法獲取的影像匹配點(diǎn)云具有對(duì)應(yīng)影像像元的顏色信息。強(qiáng)度和色彩可從不同方面給點(diǎn)云的分類識(shí)別和語義理解提供輔助。

激光掃描點(diǎn)云采樣均勻，在結(jié)構(gòu)化特征反應(yīng)上并無指向性。影像匹配點(diǎn)云在此處具有優(yōu)勢(shì)。由于匹配策略往往基于特征，因此在對(duì)象的線特征、邊緣處點(diǎn)密度較高[65]。

激光雷達(dá)優(yōu)勢(shì)在于其多目標(biāo)能力，可穿透植被冠層獲取地面數(shù)據(jù)。影像匹配點(diǎn)云則只能獲取對(duì)象表面覆蓋，容易受到草、低矮灌木、屋頂附屬物的影響。

激光掃描點(diǎn)云的強(qiáng)度信息和多目標(biāo)能力、影像匹配點(diǎn)云的色彩信息和特征處點(diǎn)密度更高的特性，賦予了多點(diǎn)云屬性顯著差異特點(diǎn)，從而對(duì)多點(diǎn)云數(shù)據(jù)的類信息提取需要不同的處理方案?？盏囟嗥脚_(tái)的多尺度特性則會(huì)影響點(diǎn)云類信息識(shí)別的精細(xì)程度。融合的多點(diǎn)云數(shù)據(jù)可為改進(jìn)三維場(chǎng)景數(shù)據(jù)的完整性、密度、地理參考質(zhì)量、精度、可靠性及點(diǎn)云數(shù)據(jù)處理奠定良好基礎(chǔ)[52]。

對(duì)于同一對(duì)象的不同點(diǎn)云來源，包含有不同的語義信息，需要不同方法提取和理解?，F(xiàn)有的點(diǎn)云分類主要可分為基于點(diǎn)和基于對(duì)象兩大類[66-67]。基于點(diǎn)的分類通常以球體或圓柱體定義點(diǎn)的鄰域，提取點(diǎn)特征后使用監(jiān)督或非監(jiān)督分類器，因此這類方法集中于特征和分類器的選擇。基于對(duì)象的分類與前者相比，增加了一個(gè)點(diǎn)集群形成點(diǎn)簇的過程，將齊次點(diǎn)進(jìn)行集成以便于每個(gè)點(diǎn)簇對(duì)應(yīng)至對(duì)象的某個(gè)組件，如門面或屋頂，再利用概率分布函數(shù)[68]、支持向量機(jī)[69]、馬爾科夫隨機(jī)場(chǎng)模型[66]等算法進(jìn)行分類。近年來，利用機(jī)器學(xué)習(xí)進(jìn)行分類和語義標(biāo)注的方法也開始涌現(xiàn)，處理對(duì)象分類、部分分割到場(chǎng)景語義解析的PointNET[70]，利用上下文信息和概率推理，對(duì)點(diǎn)云進(jìn)行整體預(yù)測(cè)并分類的ScanComplete[71]等，這得益于計(jì)算機(jī)視覺領(lǐng)域的研究快速發(fā)展[72]。

將分類結(jié)果進(jìn)行互操作，相互對(duì)比、修正與賦值等一致性同化，建立統(tǒng)一的語義標(biāo)識(shí)，實(shí)現(xiàn)多點(diǎn)云語義信息的綜合理解[73]。此時(shí)，同一對(duì)象會(huì)存在不同精細(xì)程度的語義標(biāo)識(shí)信息，保留最精細(xì)語義而剔除其他屬性會(huì)造成信息的丟失，因此建立多粒度的語義標(biāo)識(shí)是有效方案，如圖 3所示。

圖 3 多粒度語義統(tǒng)一標(biāo)識(shí)示意圖

統(tǒng)一的語義標(biāo)識(shí)可實(shí)現(xiàn)多點(diǎn)云數(shù)據(jù)理解層面的一致。三個(gè)層次的一致性處理數(shù)據(jù)可支持智能化分析，滿足從淺層的描述到深層的計(jì)算、量測(cè)和分析，直接滿足智慧城市管理和智能決策的需要，比如基于時(shí)空一致的多點(diǎn)云模型不僅可以自動(dòng)提取單體化對(duì)象并進(jìn)行多細(xì)節(jié)層次的三維重建，還能檢測(cè)變化、診斷異常等。

4 多點(diǎn)云融合存在的關(guān)鍵問題及發(fā)展趨勢(shì)

1) 多點(diǎn)云融合將面對(duì)更為復(fù)雜多樣的點(diǎn)云數(shù)據(jù)源。點(diǎn)云數(shù)據(jù)獲取裝備正從“專業(yè)級(jí)”向“消費(fèi)級(jí)”快速發(fā)展，輕小型無人機(jī)平臺(tái)和車載平臺(tái)激光掃描設(shè)備開啟了點(diǎn)云數(shù)據(jù)采集的眾包模式，更為參差不齊的基準(zhǔn)、精度、尺度和語義差別，需要新的點(diǎn)云數(shù)據(jù)管理、清洗、約束、融合方法。室內(nèi)環(huán)境下深度相機(jī)和紅外相機(jī)等新型傳感器的應(yīng)用，加速了室內(nèi)外、地上下一體化的多點(diǎn)云融合發(fā)展，使得LOD4層級(jí)的三維城市全息模型快速獲得成為可能。

2) 面向自動(dòng)化三維城市建模和動(dòng)態(tài)更新的多點(diǎn)云數(shù)據(jù)按需抽取?，F(xiàn)有的三維城市建模方法大多采用有限的假設(shè)和幾何約束，需要人工交互且不適用于現(xiàn)實(shí)場(chǎng)景中所有復(fù)雜的對(duì)象。最近的研究[74]顯示了語義信息對(duì)復(fù)雜三維城市重建的重要性。一致性處理后的多點(diǎn)云數(shù)據(jù)是自動(dòng)化多LOD層級(jí)三維城市建模的必要條件[75]，統(tǒng)一的語義信息標(biāo)識(shí)可引導(dǎo)多點(diǎn)云數(shù)據(jù)的按需抽取，適應(yīng)和感知用戶及環(huán)境變化，給三維城市模型的動(dòng)態(tài)更新提供新的機(jī)會(huì)。

3) 機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用。使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)架構(gòu)的深度學(xué)習(xí)是解決圖像分類任務(wù)的標(biāo)準(zhǔn)解決辦法，由于點(diǎn)云是不規(guī)則和無序的，將深度學(xué)習(xí)應(yīng)用于點(diǎn)云的提取、分類識(shí)別較為困難，相關(guān)的探索，如PointNet[70]、PointCNN[76]等方法已將點(diǎn)云數(shù)據(jù)作為訓(xùn)練樣本，模擬生物視覺認(rèn)知方式進(jìn)行了點(diǎn)云分類[77]。進(jìn)一步地，多點(diǎn)云數(shù)據(jù)的一致性提取問題將在人工智能、機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)的驅(qū)動(dòng)下向自動(dòng)化、智能化方向快速發(fā)展，將更好地服務(wù)于復(fù)雜地理空間對(duì)象的認(rèn)知、識(shí)別、分析和知識(shí)化服務(wù)。

5 結(jié)語

多點(diǎn)云融合已經(jīng)應(yīng)用于建筑物、道路、植被、地形等典型對(duì)象的三維重建。隨著智慧城市建設(shè)的深入發(fā)展，紅外、合成孔徑雷達(dá)干涉測(cè)量(interferometric synthetic aperture radar，InSAR)、深度圖像等新型點(diǎn)云數(shù)據(jù)的引入, 面對(duì)室內(nèi)外、地上下一體化的全要素多細(xì)節(jié)層次的三維城市建模需求，自動(dòng)化、智能化的多點(diǎn)云融合處理仍然是挑戰(zhàn)性的難題。