第 43 卷第 12 期 2018 年 12 月 武汉大学学报 信息科学版 GeomaticsandInformationScienceofWuhanUniversity Vol.43No.12 Dec.2018 犇犗犐 : /j.whugis 文章编号 :1671 8

Transcription

1 第 3 卷第 12 期 2018 年 12 月 武汉大学学报 信息科学版 GeomaticsandInformationScienceofWuhanUniversity Vol.3No.12 Dec.2018 犇犗犐 : /j.whugis 文章编号 : (2018) 面向三维城市建模的多点云数据融合方法综述 朱庆 1,2,3 李世明 1,2 胡翰 钟若飞 3 吴波 谢林甫 1 轨道交通工程信息化国家重点实验室 ( 中铁一院 ), 陕西西安, 西南交通大学地球科学与环境工程学院, 四川成都, 首都师范大学北京市成像技术高精尖创新中心, 北京,10008 香港理工大学土地测量与地理资讯学系, 香港九龙红 摘要 : 多细节层次的三维城市模型是数字城市和智慧社会的关键空间数据基础设施, 从基于稀疏点线特征的交互式半自动化建模到基于密集点云的自动化智能化建模已经成为国际学术界和工业界的热点前沿 由于立体城市空间结构的复杂性, 多类型 多站点和多时相的点云数据融合处理是三维城市建模的基本途径, 其基本思想是将具有不同视角 密度 精度 尺度 细节 时间历元等特征的多点云数据进行一致性融合表达与集成处理, 建立可直接面向计算分析的智能化表达的多点云模型 归纳总结了多点云数据的主要特点, 针对时空基准与精度 尺度 语义 3 个层面的一致性处理, 分析了多点云数据融合的主要发展趋势, 并凝练了面向三维城市建模的多点云数据融合关键问题 关键词 : 多点云 ; 数据融合 ; 三维城市建模 ; 激光扫描点云 ; 影像匹配点云 ; 语义中图分类号 :P237 文献标志码 :A 多细节层次的三维城市模型是数字城市和智 [1] 慧社会的关键空间数据基础设施 现有的精细化三维城市建模技术主要有基于多种数据源 ( 计算机辅助设计 (computeraideddesign,cad) 建筑物信息建模 (buildinginformation modeling, BIM) 地图等 ) 的人工交互建模和基于影像或激光扫描密集点云的半自动化建模两大类 人工交互建模利用稀疏点线特征几何约束, 需要大量人工交互式操作, 导致作业周期长 效率低, 且模型质量难以保证, 特别是纹理偏差大 基于密集点云的半自动化建模已成为大范围三维城市建模的主要方式 由于立体城市空间结构复杂, 高大建筑相互遮挡, 且建筑物屋顶和立面形状结构多样, 道路 植被 人工设施等地上下立体空间场景对象种类繁多, 形态各异, 单一类型与单一站点的点云数据普遍存在数据漏洞 描述尺度单一 结构细节 [2] 丢失等局限性, 难以表达目标完整丰富的细节 [3] 特征 随着 消费级 激光扫描设备 影像密集匹配技术以及深度相机等新型数据获取技术日新月异, 点云数据获取手段更为丰富, 且难度与成本降低, 类型 视角 属性和内涵信息更为丰富的点 [] 云数据日益可得 因此, 多点云数据融合处理成为三维城市建模的主要途径, 并成为国际学术界和工业界的热点前沿 多点云数据指多类型 多站点和多时相的点云数据 激光扫描 影像匹配 深度图像测量 干涉雷达测量和野外实地测量等方法提供了具有不同数 [5] 据属性和信息内涵的多类型点云 这些不同类型的点云还可以从空中 地面 室内等不同站点获 [6] 取, 具有多样化的视角和尺度特征 此外, 不同时间历元采集的多时相点云融合可反映对象的变化属性和趋势 多点云融合的前提是明确不同点云的优势信息和互补需求 如影像匹配点云密度高且富含边缘特征信息, 但具有大量的拓扑噪声, 且只能获取表面覆盖数据, 连片林地的地形常存在漏洞 ; 空 地不同站点的激光扫描点云在效率 精度 结构细节信息的采集方面也各有优缺点 ( 如表 1 所示 ) 根据多点云数据具有的不同视角 密度 精度 尺度 细节 语义等特征进行一致性处理是一项复杂的系统性工作, 是后续多细节层次精细三维建模的关键基础 通过消减不同点云间的空间基准 尺度和语义表达等不一致性, 如空间位置 收稿日期 : 项目资助 : 国家自然科学基金 (163117) 第一作者 : 朱庆, 博士, 教授, 博士生导师, 长江学者 特聘教授, 研究方向为摄影测量 地理信息系统 虚拟地理环境 zhuq66@263.com 通讯作者 : 胡翰, 博士, 博士后 huhan @163.com

2 第 3 卷第 12 期朱庆等 : 面向三维城市建模的多点云数据融合方法综述 1963 结构语义 拓扑关系的冲突, 以达到数据准确 冗余 表 1 最少 [7 8], 实现多点云数据的优势信息融合表达 多点云特征 Tab.1 MultiplePointCloudsFeatures 项目航空影像匹配机载激光扫描车载激光扫描地面激光扫描 适用范围 城镇等易于提取影像匹配特征的建成区域 块状或条带状较大区域 ( 1km 2 ) 城镇建成区域可通车道路沿途条带状区域 重要建筑单体 / 群及周 围场景的较小区域 点密度 /( 点 m -2 ) 00, 地物线特征更为密集 ( 常用无人机倾斜摄影 ) 1~20, 均匀分布 ( 常用航空平台 ) 100, 距离测站越近越密集 100, 距离测站越近越密集 主要误差来源 影像质量 匹配误差 底层遮挡 导航传递误差 几何校正残差 地物视线遮挡 GPS 信号失锁 地物视线遮挡 玻璃镜面反射 数据精度 受影像质量和匹配精度影响 15cm 且高程精度优于平面精度 厘米级 毫米级 优势信息高密度 特征内涵高效率 穿透性较高效率与精度高精度 多结构细节 融合需求 拓扑噪声处理 穿透顶部覆盖的地面数据 复杂精细化建筑的结构细节信息 城镇外区域数据 更高的作业效率 大 范围的整体场景建模 多点云数据的融合处理方法可归纳为时空基准及精度 尺度 语义 3 个层面的一致性处理 时空基准与精度一致性处理旨在建立整个场景统一的点云模型, 尺度一致性处理则为了削减不同密度和精度的点云对同一目标表达的尺度差异, 语义一致性处理旨在综合利用不同点云对同一目标不同细节特征的表达 通过这 3 个层面的一致性处理, 即可得到最初级的多点云融合模型, 可满足进一步精细化三维城市建模与智能化分析等深度 [9] 应用需求 本文从时空基准与精度 尺度 语义 3 个方面归纳了多点云数据的特点和融合处理的主要发展趋势, 凝练了面临的主要技术难题, 如图 1 所示 1 多点云时空基准与精度一致性处理方法 多点云的融合反映了由单源到多源 由少到多 由简单到复杂的趋势, 这种融合的第一步是理解和描述不同数据源间的复杂关系和相互转换规 [10] 律, 实现时空基准与精度的一致性, 建立整个场景统一的点云模型, 弥补单一点云数据空洞, 并增强尺度和语义信息, 实现整个场景对象的无缝表达 多点云从采集单元转换到绝对地理坐标系采用了不同的方法和辅助数据 机载和车载移动激光扫描系统都配备了 GPS/IMU(globalpositio ningsystem/inertialmeasurementunit) 组合惯性导航模块, 根据耦合计算得到的轨迹数据进行绝对地理坐标系的纠正, 理想情况下, 获取的点云精 [11] 度在 5~15cm 左右 地面激光扫描常利用扫描场景内已知坐标的靶标球进行多站点拼接和绝 [12 13] 对地理坐标纠正, 得到的整个场景数据精度可达 3cm 以内 影像匹配点云利用像控点进行立体恢复, 并实现绝对地理坐标的纠正, 但由于遮挡 视差断裂 纹理缺失及光照条件不一致等, 制约了影像密集匹配中关键特征点的可靠检 [1 15] [16] 测, 常存在大量的几何和拓扑噪声 由于像控点 靶标球 GPS/IMU 惯导数据等辅助数据的采集质量不一, 对多点云融合精度产生直接影 [17] 响, 因此多点云数据需要进行点云精确配准 点云配准是计算不同点云集合间空间几何的关系精准映射, 求取坐标转换参数, 将待转换数据集进行刚体变换的过程 现阶段点云配准最广泛的方案是基于局部特征匹配初值的迭代最近点 [18 19] (iterativeclosestpoint,icp) 算法 ICP 算法是一种全局配准的迭代算法, 可以获得很高的配准精度, 但需要初始粗配准以避免陷入局部最优解 利用点 线等局部特征识别和匹配可得到七参数或四元数构建的点云旋转矩阵实现多点云 [20] 融合, 且可以为 ICP 算法提供初值以获取更高的配准精度, 如图 2 所示 基于局部特征的点云配准可按照点 线 面 3 [21] 种特征基元进行分类, 需要特征提取 同名特征识别 转换参数的求取和应用 3 个步骤 在面向城市三维建模的点云配准任务, 普遍的方法是运用多种三维点云描述符如快速点特征直方图 (fastpointfeaturehistograms,fpfh) [22] 等提取特征, 或识别建筑物边缘的几何特征点和特征 [23] 线, 这是由于建筑边缘的几何特征通常满足稳 [2] 定性和特异性 局部特征的提取及其相关的点云索引方法 法向量计算等是研究人员的热点 [25] [26] 研究内容, 利用点到线 点到面的关系, 提取 [27] [28] 特征曲线 建筑面作为特征, 也为基于特征

3 １９６４ 武汉大学学报 信息科学版 ２０１８ 年 １２ 月 图 １ 多点云数据融合技术框架 Ｆ １ Ｍｕ ｌ ｌ ｅｐｏ ｎ Ｃｌ ｏｕｄｓｄａ ａｆｕｓ ｏｎｔｅ ｃｈｎｏ ｌ ｏｇｙｆｒ ａｍｅｗｏ ｒ ｋ ｇ ｐ 图 ２ 基于特征的多点云数据配准流程 Ｆ ２ Ｆｅ ａ ｕ ｒ ｅ ｂａ ｓ ｅｄ Ｍｕ ｌ ｌ ｅｐｏ ｎ Ｃｌ ｏｕｄｓｄａ ａｒｅｇ ｓ ｒ ａ ｏｎｐｒ ｏ ｃ ｅ ｓ ｓ ｇ ｐ 的配准方法提供了更好的适用性和灵活性 但是 识别和 匹 配 几 何 特 征 仍 然 面 临 ３ 个 瓶 颈 ① 在城市周边 建 筑 稀 疏 或 非 人 工 建 成 区 的 几 何自然特征提取较难 ２９ 可采 用 地 面 作 为 特 征 基

4 第 3 卷第 12 期朱庆等 : 面向三维城市建模的多点云数据融合方法综述 1965 [30 31] 元进行配准 ;2 基于特征向量提取的几何特征冗余性强, 且由于精度和尺度差异影响, 普遍导致一对多 多对多 空匹配的相似性度量结果, 需要利用概率松弛约束匹配特征线等方法解 [8,32] 决 ;3 多时相点云的变化信息会干扰相同几何特征的识别和提取 因此, 利用场景语义信息提取准确的对应语义特征成为了新的趋势, 比如试图利用建筑物的 [33 3] [35] 顶面边界线 构筑物中心轴线 建筑物的 [36] [37] 垂直 相交 脚点等实现精确的点云配准 当然, 除了 ICP 算法外, 还有其他优秀方法可用于多点云配准 基于点云自身关系的 PCS( pointscon gruentsets) [28] 及其改进 superpcs [38] 算法, 通过智能索引进行全局配准, 及基于遗传算法 (ge neticalgorithm,ga) 的全局搜索策略多点云配准方法, 不需要初始粗配准辅助即可在定义的搜索 [39] 空间中找到最优解, 且可用于自由曲面的匹 [0] [1] 配, 在 3D 医疗点云的配准 地面多站点点 [17] 云配准方面得到了成功应用 2 多点云尺度一致性处理方法 不同点云密度和细节分辨率的多点云数据对同一目标表达具有显著的尺度差异 空中站点多面向条带状和面状大场景范围的数据采集任务, 是有效的大尺度场景 DSM(digitalsurfacemodel) [3,2] 建筑群落屋顶结构 植被冠层数据的采集手 [3] 段 其中, 机载激光点云均匀且较为稀疏, 较长的测程 ( 通常为 500~3000 m) 会产生激光束散射现象, 对对象细节信息采集有一定程度的损 [35] 失, 通常只能区分对象整体 ( 如一栋建筑 ); 影像逐像素密集匹配点云的密度取决于影像分辨率, 通常每 m 2 [] 范围大于 200 点的高密度有利于对象单个平面的分割和识别, 但其中点云的噪声和对象的细节 ( 如建筑外立面复杂的细节结构 ) 甄别困难, 影像匹配点云密集的优势需要提高去 [5 6] 噪的鲁棒性才能更好的发挥 地面站点通常测程较近 ( 不超过 500 m), 具有更高的点云密度和更丰富的细节信息, 可以对建筑立面 道路设 [7] 施 附属部件进行小尺度的精细数据采集, 分 [8] 割识别精细的细节结构, 是单体化建筑模型精细结构语义的主要数据源 经过时空基准与精度的一致性处理, 场景中的对象如建筑物会有多种尺度的点云数据重叠 比如空基俯视点云与地基侧视点云, 需要多点云 数据尺度一致性的进一步处理, 进行多尺度点云 [9] 不确定性评价, 解决重叠点云的冗余和矛盾, [50] 以实现点云数据的高效利用 对于多点云重叠部分, 依据细节丰富 精度最 [8] 高的数据, 对存在重复的其余数据进行清洗或精度纠正 例如地基点点云替换或加密建筑物侧 [51] 面的空基点点云数据, 依据激光点云数据对影 [52] 像匹配点云进行去噪, 利用加权局部最优投影 (weightedlocalyoptimalprojection,wlop) 算法等点云重采样方法以及顾及边缘信息的升采样 [53] 点云增强在面向多尺度特征时有良好的适用性 此外, 机载激光提取屋顶轮廓对车载点云的 [5] 建筑立面精细分割, 结合建筑物相似性判断进 [55] 行建筑立面空洞修复等类似的方法, 是多点云数据进行点云增强的新尝试 基于格网尺寸大小变化等方法建立尺度变换模型对单一尺度点云特征提取 滤波数字高程模型 (digitalelevationmodel,dem) 生成 曲面重建 [56 59] 等研究已经广泛的展开 面对多点云本身具有的不同尺度特性, 相应数据处理需要新的方法 此外, 多点云的不同尺度特征可对应三维城市建模多细节层次需求 按照开放地理空间信息联盟 (Open GeospatialConsortium,OGC) 标准 CityGML 定义的建筑物多细节层次 (levelsof [60] detail,lod) 标准, 三维城市模型从最初级细节层次 LOD0 的 DEM DSM 等产品, 到最高级层次 LOD 的室内外一体化精细化模型, 需要依据可视化和分析需要进行多细节层次模型构建 尺度一致性融合的多点云数据, 针对多细节层次三维建模需求, 形成按需提取的多尺度层级点云管 [61 62] 理和组织方法, 有效支撑精细化三维模型的 [63] 自动建模 3 多点云语义一致性处理方法 散乱的点云本身不具有语义信息, 三维重建需根据点云数据含有的空间坐标 ( 犡, 犢, 犣 ) 和其他属性 ( 如强度 色彩 ) 进行语义理解, 识别结构化语义 ( 几何 拓扑结构, 如墙角 窗边 边面等 ) 和分类信息 ( 植被 建筑 路灯等 ) 语义赋予了点云类的属性, 是进一步进行分析应用的基础 可见, 经过时空基准和尺度融合的多点云, 需要多种方法提取与理解不同点云对同一目标不同细节特征的 [6] 语义内涵, 并进行统一的语义标识 多点云数据的采集原理 信息内涵以及语义理解方式的不同, 都导致其具有显著的语义差异

5 1966 武汉大学学报 信息科学版 2018 年 12 月 激光扫描点云来自主动式遥感, 除空间三维坐标外, 还包含具有层次感的强度信息 以被动式遥感方法获取的影像匹配点云具有对应影像像元的颜色信息 强度和色彩可从不同方面给点云的分类识别和语义理解提供辅助 激光扫描点云采样均匀, 在结构化特征反应上并无指向性 影像匹配点云在此处具有优势 由于匹配策略往往基于特征, 因此在对象的线特 [65] 征 边缘处点密度较高 激光雷达优势在于其多目标能力, 可穿透植被冠层获取地面数据 影像匹配点云则只能获取对象表面覆盖, 容易受到草 低矮灌木 屋顶附属物的影响 激光扫描点云的强度信息和多目标能力 影像匹配点云的色彩信息和特征处点密度更高的特性, 赋予了多点云属性显著差异特点, 从而对多点云数据的类信息提取需要不同的处理方案 空地多平台的多尺度特性则会影响点云类信息识别的精细程度 融合的多点云数据可为改进三维场景数据的完整性 密度 地理参考质量 精度 可靠性 [52] 及点云数据处理奠定良好基础 对于同一对象的不同点云来源, 包含有不同的语义信息, 需要不同方法提取和理解 现有的点云分类主要可分为基于点和基于对象两大 [66 67] 类 基于点的分类通常以球体或圆柱体定义点的邻域, 提取点特征后使用监督或非监督分类器, 因此这类方法集中于特征和分类器的选择 基于对象的分类与前者相比, 增加了一个点集群形成点簇的过程, 将齐次点进行集成以便于每个点簇对应至对象的某个组件, 如门面或屋顶, 再利 [68] [69] 用概率分布函数 支持向量机 马尔科夫随 [66] 机场模型等算法进行分类 近年来, 利用机器学习进行分类和语义标注的方法也开始涌现, 处理对象分类 部分分割到场景语义解析的 Point NET [70], 利用上下文信息和概率推理, 对点云进行整体预测并分类的 ScanComplete [71] 等, 这得益 [72] 于计算机视觉领域的研究快速发展 将分类结果进行互操作, 相互对比 修正与赋值等一致性同化, 建立统一的语义标识, 实现多点 [73] 云语义信息的综合理解 此时, 同一对象会存在不同精细程度的语义标识信息, 保留最精细语义而剔除其他属性会造成信息的丢失, 因此建立多粒度的语义标识是有效方案, 如图 3 所示 统一的语义标识可实现多点云数据理解层面的一致 三个层次的一致性处理数据可支持智能化分析, 满足从浅层的描述到深层的计算 量测和 分析, 直接满足智慧城市管理和智能决策的需要, 比如基于时空一致的多点云模型不仅可以自动提取单体化对象并进行多细节层次的三维重建, 还能检测变化 诊断异常等 图 3 多粒度语义统一标识示意图 Fig.3 SchematicDiagramofUnifiedSemanticIdentity 多点云融合存在的关键问题及发展趋势 1) 多点云融合将面对更为复杂多样的点云数据源 点云数据获取装备正从 专业级 向 消费级 快速发展, 轻小型无人机平台和车载平台激光扫描设备开启了点云数据采集的众包模式, 更为参差不齐的基准 精度 尺度和语义差别, 需要新的点云数据管理 清洗 约束 融合方法 室内环境下深度相机和红外相机等新型传感器的应用, 加速了室内外 地上下一体化的多点云融合发展, 使得 LOD 层级的三维城市全息模型快速获得成为可能 2) 面向自动化三维城市建模和动态更新的多点云数据按需抽取 现有的三维城市建模方法大多采用有限的假设和几何约束, 需要人工交互且不适用于现实场景中所有复杂的对象 最近的研 [7] 究显示了语义信息对复杂三维城市重建的重要性 一致性处理后的多点云数据是自动化多 [75] LOD 层级三维城市建模的必要条件, 统一的语义信息标识可引导多点云数据的按需抽取, 适应和感知用户及环境变化, 给三维城市模型的动态更新提供新的机会 3) 机器学习技术的应用 使用卷积神经网络 (convolutionalneuralnetwork,cnn) 架构的深度学习是解决图像分类任务的标准解决办法, 由于点云是不规则和无序的, 将深度学习应用于点云的提取 分类识别较为困难, 相关的探索, 如 PointNet [70] PointCNN [76] 等方法已将点云数据作为训练样本, 模拟生物视觉认知方式进行了点 [77] 云分类 进一步地, 多点云数据的一致性提取

6 第 3 卷第 12 期朱庆等 : 面向三维城市建模的多点云数据融合方法综述 1967 问题将在人工智能 机器学习等先进技术的驱动下向自动化 智能化方向快速发展, 将更好地服务于复杂地理空间对象的认知 识别 分析和知识化服务 5 结语 多点云融合已经应用于建筑物 道路 植被 地形等典型对象的三维重建 随着智慧城市建设的深入发展, 红外 合成孔径雷达干涉测量 (inter ferometricsyntheticapertureradar,insar) 深度图像等新型点云数据的引入, 面对室内外 地上下一体化的全要素多细节层次的三维城市建模需求, 自动化 智能化的多点云融合处理仍然是挑战性的难题 参考文献 [1] ZhuQing,Lin Hui.DigitalCityGeographicInfor mationsystem:a Preliminary Exploration of3d Urban Modelin VirtualUrban Environment[M]. Wuhan :Wuhan UniversityPress,200( 朱庆, 林珲. 数码城市地理信息系统 : 虚拟城市环境中的三维城市模型初探 [M]. 武汉 : 武汉大学出版社, 200) [2] ZhangJixian,LinXiangguo.AdvancesinFusionof OpticalImageryandLiDARPointCloudAppliedto PhotogrammetryandRemoteSensing[J]. 犐狀狋犲狉狀犪 狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犐犿犪犵犲牔犇犪狋犪犉狌狊犻狅狀,2016,8 (1):1 31 [3] MathewB,AndreaT,LeemS,etal.ASurveyof Surface Reconstruction from Point Clouds [J]. 犆狅犿狆狌狋犲狉犌狉犪狆犺犻犮狊犉狅狉狌犿,2016,36(1): [] GeorgeV,MaximilianC,FranzR.ContextualSeg ment BasedClassificationofAirborneLaserScanner Data[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵,2017,128: [5] Yang Bisheng,Liang Fuxun, Huang Ronggang. Chalengesand Perspectives of3d LiDAR Point CloudProcessing[J]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅 犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2017,6(10): ( 杨必胜, 梁福逊, 黄荣刚. 三维激光扫描点云数据处理研究进展 挑战与趋势 [J]. 测绘学报,2017,6(10): ) [6] WuBo,TangShengjun.ReviewofGeometricFu sionofremotesensingimageryandlaserscanning Data[J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犐犿犪犵犲牔犇犪狋犪犉狌狊犻狅狀,2015,6(2):97 11 [7] LongleyPA,Goodchild M F,MaguireDJ,etal. GeographicInformationSystemsandScience[M]. New York:Wiley,2001 [8] ZhangYunfei.MethodsforCongruentConflationof Multi sourceroad Networksand POIs[D].Wu han:wuhanuniversity,2015( 张云菲. 多源道路网与兴趣点的一致性整合方法 [D]. 武汉 : 武汉大学, 2015) [9] PouxF,HalotP,NeuvileR,etal.SmartPoint Cloud:Definitionand Remaining Chalenges[C]. The11th3D GeoinfoConference,Athens,Greece, 2016 [10]WangJiayao.Cartographyinthe AgeofSpatio temporalbig Data[J]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅 犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2017,6(10): ( 王家耀. 时空大数据时代的地图学 [J]. 测绘学报, 2017,6(10): ) [11]HuisingEJ,LmgomesP.ErrorsandAccuracyEs timatesoflaser Data Acquired by Various Laser ScanningSystemsforTopographicApplications[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵,1998,53(5): [12]HeLei,Yu Chunping,LiGuangyun.Methodof LaserScanningDataMatching[J]. 犑狅狌狉狀犪犾狅犳犌犲狅 犿犪狋犻犮狊犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔,2008,25(6):10 13( 贺磊, 余春平, 李广云. 激光扫描数据的多站配准方法 [J]. 测绘科学技术学报,2008,25(6):10 13) [13] Lan Qiuping,Tian Qinghong,LiZikuan,etal. Automatic Registration of Multi site Point Cloud withbaltarget[j]. 犑狅狌狉狀犪犾狅犳犌犲狅犿犪狋犻犮狊,2018, 3(6),doi: /j ( 蓝秋萍, 田青红, 李子宽, 等. 利用球目标的多测站点云自动配准 [J]. 测绘地理信息,2018,3(6),doi: /j ) [1]ZhuQing,ChenChongtai,Hu Han,etal.AnA daptivedense Matching MethodforAirborneIma gesusingtextureinformation[j]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2017,6(1):62 72( 朱庆, 陈崇泰, 胡翰, 等. 顾及纹理特征的航空影像自适应密集匹配方法 [J]. 测绘学报,2017,6(1): 62 72) [15]StevenmS,BrianC,JamesD,etal.AComparison andevaluationofmulti viewstereoreconstruction Algorithms[C].2006IEEEComputerSocietyCon ferenceon Computer Visionand Patern Recogni tion,new York,USA,2006 [16] Yannick V,FlorentL,Pierre A.LOD Generation forurbanscenes[j]. 犃犆犕犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌狉犪狆 犺犻犮狊,2015,3(3):1 1 [17]YanL,TanJ,Liu H,etal.AutomaticRegistra tionoftls TLSandTLS MLSPointCloudsUsing ageneticalgorithm[j]. 犛犲狀狊狅狉狊 ( 犅犪狊犲犾 ),2017,17

7 1968 武汉大学学报 信息科学版 2018 年 12 月 (9),DOI: /s [18]PauljB,NeildM.A MethodforRegistrationof3 D Shapes[J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犘犪狋犲狉狀犃狀犪犾狔狊犻狊犪狀犱犕犪犮犺犻狀犲犐狀狋犲犾犻犵犲狀犮犲,1992,1(2): [19]ChenYang,Gérard M.ObjectModelingbyRegis trationofmultiplerangeimages[j]. 犐犿犪犵犲牔犞犻 狊犻狅狀犆狅犿狆狌狋犻狀犵,1992,10(3): [20] WangYongbo,WangYunjia,She Wenwen,etal. ALinearFeaturesConstrained,PlückerCoordinates Based,Closed form RegistrationApproachforTer restriallidarpointcloud[j]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀 犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2018,2 (9): ( 王永波, 汪云甲, 佘雯雯, 等. 直线特征约束下利用 Plücker 坐标描述的 LiDAR 点云无初值配准方法 [J]. 武汉大学学报 信息科学版, 2018,2(9): ) [21]ZhangJixian,Lin Xiangguo,Liang Xinlian.Ad vancesandprospectsofinformationextractionfrom PointClouds[J]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2017,6(10): ( 张继贤, 林祥国, 梁欣廉. 点云信息提取研究进展和展望 [J]. 测绘学报,2017,6(10): ) [22]RadubogdanR,NicoB,ZoltancsabaM,etal.Alig ningpointcloud Views Using PersistentFeature Histograms[C].IEEEInternationalConferenceon RoboticsandAutomation,Nice,France,2013 [23]AparajithanS,ShanJie.BuildingBoundaryTracing and Regularization from Airborne LiDAR Point Clouds[J]. 犘犺狅狋狅犵狉犪犿犿犲狋狉犻犮犈狀犵犻狀犲犲狉犻狀犵牔犚犲 犿狅狋犲犛犲狀狊犻狀犵,2007,73(7): [2]FengYun,CuiLei,HeXiaowei.From2Dto3D: MedicalImageAnalysisandOrgan3D Reconstruc tion[m].beijing:sciencepress,2016( 冯筠, 崔磊, 贺小伟. 从二维到三维 : 医学影像分析及器官三维重建 [M]. 北京 : 科学出版社,2016) [25]GrossH,ThoennessenU.ExtractionofLinesfrom LaserPointClouds[J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犃狉犮犺犻狏犲狊狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔, 犚犲犿狅狋犲犛犲狀狊犻狀犵犪狀犱犛狆犪狋犻犪犾犐狀 犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狊,2006,36(3):86 93 [26]YeQin,YaoYahui,GuiPopo.KinectPointCloud Registration MethodBasedon EpipolarandPoint to PlaneConstraint[J]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2017,2(9): ( 叶勤, 姚亚会, 桂坡坡. 基于极线及共面约束条件的 Kinect 点云配准方法 [J]. 武汉大学学报 信息科学版,2017,2(9): ) [27]YangBisheng,ZangYufu.AutomatedRegistration ofdense TerrestrialLaser Scanning Point Clouds UsingCurves[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿 犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵,201,95(3): [28]DrorA,NiloyjM,DanielCO. PointsCongruent SetsforRobustPairwiseSurfaceRegistration[J]. 犃犆犕犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌狉犪狆犺犻犮狊,2008,27 (3):1 10 [29]JanB,Norbert H.EficientIntegrationofAerial and Terrestrial Laser Data[J]. 犝狀犻犛狋狌狋犵犪狉狋 犝狀犻狏犲狉狊犻狋 狋狊犫犻犫犾犻狅狋犺犲犽,2007,36(3): [30]ArminG,Devrim A.LeastSquares3DSurfaceand Curve Matching[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅 犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵,2005,59(3): [31]TeoT A,HuangS H.Surface BasedRegistration of Airborneand Terrestrial Mobile LiDAR Point Clouds[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵,201,6(12): [32]Song Wenbo,Jamesm K, Timothyl H,et al. Relaxation BasedPointFeatureMatchingforVector MapConflation[J]. 犜狉犪狀狊犪犮狋犻狅狀狊犻狀犌犐犛,2011,15 (1):3 60 [33] Wang Hongtao,Zhang Wuming,ChenYiming,et al.semantic Decompositionand Reconstructionof Compound Buildings with Symmetric Roofsfrom LiDAR Dataand AerialImagery[J]. 犚犲犿狅狋犲犛犲狀 狊犻狀犵,2015,7(10): [3]YangBisheng,Xu Wenxue,DongZhen.Automa tedextractionofbuilding Outlinesfrom Airborne LaserScanningPointClouds[J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲牔犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2013,10(6): [35]JulgeK,ElmannA.CombiningAirborneandTer restriallaserscanningtechnologiesfor Measuring Complex Structures[M ].The 10th International Conference Environmental Engineering, Vilnius, Lithuania,201 [36] Yang Bisheng,Dong Zhen,Liang Fuxun,etal. AutomaticRegistrationofLarge ScaleUrbanScene PointCloudsBasedonSemanticFeaturePoints[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵,2016,113:3 58 [37]ZhangK,YanJ,ChenSC.AutomaticConstruc tionofbuilding Footprintsfrom Airborne LiDAR Data[J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲牔犚犲 犿狅狋犲犛犲狀狊犻狀犵,2006,(9): [38] Nicolas M,Dror A,Niloyj M.SuperPCS Fast GlobalPointCloudRegistrationviaSmartIndexing [J]. 犆狅犿狆狌狋犲狉犌狉犪狆犺犻犮狊犉狅狉狌犿,2015,33(5): [39]ZhuJihua,MengDeyu,LiZhongyu,etal.Robust RegistrationofPartialyOverlappingPointSetsvia GeneticAlgorithm withgrowthoperator[j]. 犐犈犜犐犿犪犵犲犘狉狅犮犲狊犻狀犵,201,8(10): [0]Brunnstrom K,StoddartAJ.Genetic Algorithms

8 第 3 卷第 12 期朱庆等 : 面向三维城市建模的多点云数据融合方法综述 1969 forfree Form Surface Matching[C].International Conferenceon Patern Recognition,Vienna,Aus tria,1996 [1]JeanjoséJ,ChristianR.Registrationof3 DImages by Genetic Optimization[J]. 犘犪狋犲狉狀犚犲犮狅犵狀犻狋犻狅狀犔犲狋犲狉狊,1995,16(8): [2]TongLihua,ChengLiang,LiManchun,etal.Re gistration of Vehicle and Airborne LiDAR with BuildingContours[J]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅 犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2013,2(5): ( 童礼华, 程亮, 李满春, 等. 建筑轮廓的车载和航空 LiDAR 数据配准 [J]. 测绘学报,2013,2(5): ) [3] MoskalL M,Erdody T,Kato A,etal.LiDAR ApplicationsinPrecisionForestry[C].Proceedings ofsilvilaser,texas,usa,2009 [] Norbert H,Mathias R.Dense Multi stereo Mat chingforhighqualitydigitalelevationmodels[j]. 犘犺狅狋狅犵狉犪犿犿犲狋狉犻犲 犉犲狉狀犲狉犽狌狀犱狌狀犵 犌犲狅犻狀犳狅狉犿犪狋犻狅狀, 2012,2012(): [5]Cao Hong.Research on Buildings Three dimen sionalreconstructionbasedonairborneandvehi clebornelidar Data[D].Jiaozuo:HenanPoly technicuniversity,201( 曹鸿. 基于空 地 LiDAR 数据的建筑物三维重建研究 [D]. 焦作 : 河南理工大学,201) [6]Zhang Zhichao. Airborne and Terrestrial LiDAR DataFusionfor3D Building Reconstruction[D]. Wuhan:WuhanUniversity,2010( 张志超. 融合机载与地面 LiDAR 数据的建筑物三维重建研究 [D]. 武汉 : 武汉大学,2010) [7]Jorge H,Beatriz M.Filtering of Artifacts and PavementSegmentationfrom Mobile LiDAR Data [C]//Bretar F,Pierrot Deseiligny M,Vosselman G.LaserScanning2009,IAPRS,2013,38(3/W8): [8]YangBisheng,Zang Yufu,DongZhen,etal.An Automated Methodto Register Airborneand Ter restriallaserscanning PointClouds[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵, 2015,109:62 76 [9] Chen Xijiang,Hua Xianghong,Zhang Guang,et al.using ErrorEntropyto Evaluate PointCloud UncertaintyInfluencedbySpot[J]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2017, 2(6):86 868( 陈西江, 花向红, 章光, 等. 利用误差熵评价光斑中点云不确定性 [J]. 武汉大学学报 信息科学版,2017,2(6):86 868) [50]YanLi,HuXiaobin,XieHong.Data Management and Visualizationof Mobile LaserScanning Point Cloud[J]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2017,2(8): ( 闫利, 胡晓斌, 谢洪. 车载 LiDAR 海量点云数据管理与可视化研究 [J]. 武汉大学学报 信息科学版,2017, 2(8): ) [51] Hirschmüler H.StereoProcessingbySemiglobal Matchingand MutualInformation[J]. 犐犈犈犈犜狉犪狀 狊犪犮狋犻狅狀狊狅狀犘犪狋犲狉狀犃狀犪犾狔狊犻狊牔犕犪犮犺犻狀犲犐狀狋犲犾犻 犵犲狀犮犲,2008,30(2): [52] MandlburgerG,WenzelK,Spitzer A,etal.Im proved Topographic Models via Concurrent Air bornelidaranddenseimage Matching [C].IS PRSAnnalsofthePhotogrammetry,RemoteSen singandspatialinformationsciences,wuhan,chi na,2017 [53]Huang Hui, Wu Shihao,Gong Minglun,etal. Edge AwarePointSetResampling[J]. 犃犆犕犜狉犪狀 狊犪犮狋犻狅狀狊狅狀犌狉犪狆犺犻犮狊,2013,32(1):1 12 [5]LiLixue,LiYongqiang,WangLi,etal.FineSeg mentationofbuildingfacadecombined MobileLi DAR with AirborneLiDAR PointCloud Data[J]. 犑狅狌狉狀犪犾狅犳犌犲狅犿犪狋犻犮狊犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔, 2017,3(2): ( 李立雪, 李永强, 王力, 等. 车载联合机载 LiDAR 点云数据的建筑物立面精细分割 [J]. 测绘科学技术学报,2017,3(2): ) [55]LiYongqiang,NiuLubiao,LiLixue,etal.Hole FilingofBuilding Facade Basedon LiDAR Point Cloud[J]. 犛犮犻犲狀犮犲狅犳犛狌狉狏犲狔犻狀犵犪狀犱犕犪狆狆犻狀犵, 2017,2(10): ( 李永强, 牛路标, 李立雪, 等.LiDAR 点云的建筑物立面空洞修复 [J]. 测绘科学,2017,2(10): ) [56] Huang Ronggang,YangBisheng,LiJianping,et al.buildingpointsdetectionfrom AirborneLiDAR PointCloudsUsingTopologicalRelationshipGraph WithinEachObjectRegion[J]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀 犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2017,2 ():75 81( 黄荣刚, 杨必胜, 李健平, 等. 利用目标区域拓扑关系图提取建筑物点云 [J]. 武汉大学学报 信息科学版,2017,2():75 81) [57] LiLelin,Jiang Wanshou,LiChaokui.A Multi scale Filtering Method for LiDAR Point Clouds Conside ring Terrain Complexity[J]. 犛犮犻犲狀犮犲狅犳犛狌狉狏犲狔犻狀犵犪狀犱犕犪狆狆犻狀犵,2016,1(11): ( 李乐林, 江万寿, 李朝奎. 一种顾及地形复杂度的 LiDAR 点云多尺度滤波方法 [J]. 测绘科学,2016, 1(11): ) [58]WuHuifeng,TangJianlin,LongYing.Multi scale DEM GenerationMethodBasedonAirborneLiDAR PointCloud[J]. 犛犮犻犲狀犮犲狅犳犛狌狉狏犲狔犻狀犵犪狀犱犕犪狆 狆犻狀犵,2017,2(5): ( 吴惠丰, 唐健林, 龙盈. 机载 LiDAR 点云生成多尺度 DEM 方法 [J]. 测绘科学,2017,2(5): )

9 1970 武汉大学学报 信息科学版 2018 年 12 月 [59]ZhuJunfeng,Hu Xiangyun,ZhangZuxun,etal. HierarchicalOutlierDetectionforPointCloudData Usinga Density Analysis Method[J]. 犃犮狋犪犌犲狅 犱犪犲狋犻犮犪犲狋犆犪狉狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2015,(3): ( 朱俊锋, 胡翔云, 张祖勋, 等. 多尺度点云噪声检测的密度分析法 [J]. 测绘学报,2015,(3): ) [60]Gerhard G,LutzP.CityGML-InteroperableSe mantic3d City Models[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵,2012,71:12 33 [61]GongJun,ZhuQing,ZhongRuofei,etal.AnEfi cientpointcloud Management MethodBasedona 3D R Tree[J]. 犘犺狅狋狅犵狉犪犿犿犲狋狉犻犮犈狀犵犻狀犲犲狉犻狀犵牔犚犲犿狅狋犲犛犲狀狊犻狀犵,2012,7(): [62]GongJun,KeShengnan,ZhuQing,etal.AnEfi cient Management Method for Point Cloud Data BasedonOctreeand3DR tree[j]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2012,1():597 60( 龚俊, 柯胜男, 朱庆, 等. 一种八叉树和三维 R 树集成的激光点云数据管理方法 [J]. 测绘学报,2012,1 ():597 60) [63]YingShen,GuoRenzhong,JinFengzan,etal.Au to Construction of 3D Colsed Buildings from CityGML LoD3[J]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2018,3(5): ( 应申, 郭仁忠, 靳凤攒, 等. 利用 CityGML 模型自动构建三维封闭建筑体 [J]. 武汉大学学报 信息科学版,2018,3(5): ) [6]ZhuQing.Analysisof3D GISandtheApplication ininteligentcity[j]. 犑狅狌狉狀犪犾狅犳犌犲狅 犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲,201,16(2): ( 朱庆. 三维 GIS 及其在智慧城市中的应用 [J]. 地球信息科学学报, 201,16(2): ) [65]FengShuai.ComparisonofImage MatchingPoint Cloudswith LiDAR PointClouds[J]. 犌犲狅狊狆犪狋犻犪犾犐狀犳狅狉犿犪狋犻狅狀,201,12(6):82 83( 冯帅. 影像匹配点云与机载激光点云的比较 [J]. 地理空间信息, 201,12(6):82 83) [66] Markus G,XiaoJing.FusionofAirborneLaser ScanningPointCloudsandImagesforSupervised and Unsupervised Scene Classification[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵, 201,87(1):78 92 [67]ZhouYingqun,XuLing,WangBingfang,etal.Modi fiedsequentialtherapyregimen VersusConventional Triple Therapyfor HelicobacterPyloriEradicationin DuodenalUlcerPatientsinChina:A MulticenterClini calcomparativestudy[j]. 犌犪狊狋狉狅犲狀 狋犲狉狅犾狅犵狔犚犲 狊犲犪狉犮犺犪狀犱犘狉犪犮狋犻犮犲,2012,2012(5):1 8 [68]PoulisC.A Frameworkfor Automatic Modeling from PointCloudData[J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犘犪狋犲狉狀犃狀犪犾狔狊犻狊牔犕犪犮犺犻狀犲犐狀狋犲犾犻犵犲狀犮犲,2013,35 (11): [69]ZhangJianfeng,NieJun.TransformationofCom plexinternalstructuresofpoly(ethyleneoxide)/ Chitosan Oligosaccharide Electrospun Nanofibers [J]. 犘狅犾狔犿犲狉犐狀狋犲狉狀犪狋犻狅狀犪犾,2015,61(1): [70]QiC R,Su H,Mo K C,etal.PointNet:Deep Learningon PointSetsfor3D Classification and Segmentation[C].IEEE Conferenceon Computer VisionandPaternRecognition,Honolulu,Hawai, USA,2017 [71] AngelaD,DanielR,Martin B,etal.ScanCom plete:large ScaleSceneCompletionandSemantic Segmentationfor3D Scans[C].IEEE Conference oncomputervisionandpaternrecognition,hono lulu,hawai,usa,2017 [72]ZhuQing,LiYuan,Hu Han,etal.RobustPoint CloudClassification Basedon Multi levelsemantic RelationshipsforUrbanScenes[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔牔犚犲犿狅狋犲犛犲狀狊犻狀犵,2017,129: [73]LiDeren,Yao Yuan,ShaoZhenfeng.TheCon cept,supporting Technologiesand Applicationsof SmartCity[J]. 犑狅狌狉狀犪犾狅犳犈狀犵犻狀犲犲狉犻狀犵犛狋狌犱犻犲狊, 2012,(): ( 李德仁, 姚远, 邵振峰. 智慧城市的概念 支撑技术及应用 [J]. 工程研究 跨学科视野中的工程,2012,(): ) [7] MarosB,Christoph V,Audrey R,etal.Large Scale Semantic 3D Reconstruction: An Adaptive Multi resolution Modelfor Multi class Volumetric Labeling[C].IEEEConferenceonComputerVision andpatern Recognition,Las Vegas,NV,United States,2016 [75]KenO,HugoL,FilipB,etal.Modelinga3DCity ModelandItsLevelsofDetailasaTrueD Model [J]. 犐犛犘犚犛犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犌犲狅 犐狀犳狅狉 犿犪狋犻狅狀,2015,(3): [76]LiYangyan,BuRui,Sun Mingchao,etal.Point CNN[C].IEEE Conference on Computer Vision andpaternrecognition,saltlakecity,usa,2018 [77]LiuFangyu,LiShuaipeng,ZhangLiqiang,etal. 3DCNN DQN RNN:A Deep ReinforcementLear ningframeworkforsemanticparsingoflarge scale 3DPointClouds[C].IEEEConferenceonComput ervisionandpatern Recognition,Honolulu,Ha wai,usa,2017

10 第 3 卷第 12 期朱庆等 : 面向三维城市建模的多点云数据融合方法综述 1971 犕狌犾狋犻狆犾犲犘狅犻狀狋犆犾狅狌犱狊犇犪狋犪犉狌狊犻狅狀犕犲狋犺狅犱犳狅狉 3 犇犆犻狋狔犕狅犱犲犾犻狀犵 1,2,3 犣犎犝犙犻狀犵 1,2 犔犐犛犺犻犿犻狀犵 犎犝犎犪狀 3 犣犎犗犖犌犚狌狅犳犲犻 犠犝犅狅 犡犐犈犔犻狀犳狌 1 StateKeyLaboratoryofRailTransitEngineeringInformatization(FSDI),Xi an71003,china 2 FacultyofGeosciencesandEnvironmentalEngineering,SouthwestJiaotongUniversity,Chengdu611756,China 3 BeijingAdvancedInnovationCenterforImagingTechnology,CapitalNormalUniversity,Beijing10008,China DepartmentofLandSurveyingandGeo Informatics,TheHongKongPolytechnicUniversity,HungHom,HongKong,China 犃犫狊狋狉犪犮狋 :Three dimensionalcitymodelsinmultiplelevelsofdetailsconsistsofthefundamentalgeo spatialdatainfrastructurefordigitalcityandwisdomsociety,featurebasedinteractivemodelingusing sparsepointorlinefeaturesandautomatic modeling based on densepointcloudshavetriggered interestsinbothacademicandindustrialcommunities.becauseofthecomplexityofspatialstructure ofthree dimensionalcities,fusionofmulti source,multi viewand multi temporalpointcloudsisa criticalissueofthree dimensionalcity modeling.thebasicideaistointegratemultiplepointclouds data,whichhavediferentcharacteristicssuchasangleofview,density,accuracy,scale,levelof detail,timestamps,intothesamecoherentrepresentation.thispaperfirstsummarizesthe main charactersticsofubiquitouspointcloudsdata,andthenanalyzesthe majortrendof multiplepoint cloudsdatafusionmethodsfromthreeaspects,time spacedatumandprecision,scale,andsemantics. Finaly,criticalissuesofmultiplepointcloudsdatafusionfor3Dcitymodelingaregiven. 犓犲狔狑狅狉犱狊 :multiplepointclouds;datafusion;three dimensionalcity modeling;laserscanningpoint cloud;imagematchingpointcloud;semantic 犉犻狉狊狋犪狌狋犺狅狉 :ZHU Qing,PhD,professor,DistinguishedProfessorofChangjiangScholarProgram.Hisresearchdirectionisphotogram metry,geographicinformationsystemandvirtualgeographicalenvironment.e mail:zhuq66@263.com 犆狅狉狉犲狊狆狅狀犱犻狀犵犪狌狋犺狅狉 :HU Han,PhD,postdoctoralfelow.E mail:huhan @163.com 犉狅狌狀犱犪狋犻狅狀狊狌狆狆狅狉狋 :TheNationalNaturalScienceFoundationofChina,No