车载LiDAR扫描测量由于高效率、高精度、高密度和实时获取三维空间坐标信息等优势,已成为“智慧城市”建设中三维数字城市模型信息采集的主要方式之一。车载LiDAR获取的数字城市点云具有三维离散性、高密度和海量性特点,测量对象包含地面点、线杆、低矮灌木、树木、行人、建筑物立面信息以及部分低矮建筑物的顶面、粗差点等复杂信息。如何高效率、高精度地从点云数据中自动提取建筑物立面信息,成为车载LiDAR点云应用于数字城市建模的主要任务之一,也是目前车载LiDAR点云数据后处理的难题。车载LiDAR点云数据中提取建筑物立面信息首先要建立点云数据索引,然后分离出地物点和地面点,再从地物点中识别建筑物数据,最后提取出建筑物立面信息。车载LiDAR点云是三维离散分布、海量化的数据,应用现有的常规八叉树、规则格网等进行海量点云索引构建时效率较低。而且车载LiDAR获取的城市点云数据中地面点与低矮灌木交界、低矮浅丘等地形变化区域,应用基于扫描线、固定坡度等现有滤波算法不能随着地形的变化自动调整,难以准确区分地面点和非地面点。滤波后的地物点,通常的算法难以从含有建筑物、树木、线杆类、行人等多种多样的地物信息中自动准确识别出建筑物点云数据。即使是普遍认同的随机抽样一致性算法(Random sample Consensus, RANSAC)算法,在自动提取建筑物立面信息时,也容易出现平面分割过度、共面点归属判断和伪平面问题。本文在车载LiDAR点云的建筑物立面信息快速自动提取研究中,首先汲取3D规则格网和线性八叉树优点,利用哈希表对八叉树结点存储进行优化,采用3DGrid_Hash_Octree索引算法为车载LiDAR点云后处理建立高效的索引基础,实现高效构建海量的三维离散点云索引。然后在地面点和地物点的分类过程中,根据城市地面具有连续性、局部平整性的特点,改进坡度滤波算法的种子点选取和区域增长规则,提出地形自适应的地面点滤波算法进行地面点和地物点的自动滤波,解决了基于扫描线、固定坡度等现有滤波算法阈值不能随着地形的变化自动调整问题,提高了地面点和地物点自动分类的准确性。分类出地物点集后,再根据地物对象的自然特征、空间特征以及拓扑关系,和同类地物的扫描点密度、空间分布、空间形态等共性知识规则,通过建立地物分类规则知识库和判别规则,依据知识库进行建筑物、树木、线杆和行人等地物目标的自动识别和分类,解决人工辅助地物分类的低效率问题。最后通过分析平面过度分割、共面点空间位置关系和伪平面产生的原因,改进常规RANSAC算法为I-RANSAC算法,根据平面法线和距离判断实现过度分割平面合并,应用固定距离临近球辅助判断共面点归属、消除伪平面,实现建筑物立面点云中平面信息的自动提取。本文根据研究算法开发的车载LiDAR点云数据后处理软件,通过Trimble车载LiDAR获取的实测数据和必要的模拟数据,进行点云数据快速索引构建、地面点和地物点自动滤波、地物自动识别分类和建筑物立面信息的自动提取等实验。试验结果表明,3DGrid_Hash_Octree的索引构建效率和检索效率比3DGrid_Octree算法提高35%和55%左右,解决了海量三维离散点云的索引快速构建和检索问题；地形自适应滤波方法实现了城市点云地形复杂区域的地面点和非地面点自动正确分类,可为建筑物、树木等地物分类提供较精确的地物点子集,同时较精确的地面点云,也有利于如道路信息提取等研究；利用知识库的地物自动分类方法可实现地物点集中建筑物等不同地物的自动识别与分类,同时获得树木、线杆等不同地物的独立点云；I-RANSAC方法可实现建筑物立面信息中平面点云自动分割和提取,为建筑物的平面特征提取、三维建模提供精确的平面点云子集,解决人工辅助处理效率较低问题。实测数据实验证明研究的车载LiDAR点云的建筑物立面信息快速自动提取算法正确有效,软件可行、实用。