构建高精度的数字化三维建筑物模型是智慧城市、室内导航等领域应用的基础。现阶段，国际上主要使用城市地理标志语言（CityGML）作为城市建筑物应用标准，按照建筑物描述的详细程度（LoD），CityGML将三维建筑物模型划分成5个等级（LoD0~LoD4），等级越高代表建筑物模型的刻画越精细[1]。门窗作为建筑物立面的重要结构，从LoD3开始，建筑物模型就要求对门窗及其拓扑关系进行详细建模。建筑物立面门窗的提取对于构建地理信息系统下的建筑物信息模型（BIM）至关重要。因此，从影像或点云数据中精确识别建筑物的门窗成为摄影测量领域的一个研究热点[2]。1点云分类的研究现状Weinmann等[3]专注于研究点云的几何特征，利用K-dimension tree树构建邻域集合，通过计算邻域特征值与特征向量提取点云的二维几何特征与三维几何特征，利用随机森林实现了点云的分类与目标识别。Brodu等[4]认为点云中每个点的最优尺度不同，因此，采用多尺度局部描述特征替代单一尺度特征，提高了点云的分类精度。Malihi等[5]基于局部密度的多尺度滤波和对称性格式塔法，在可见光影像点云上实现门窗提取。为了提高建筑物立面语义建模的抗噪能力，Fan等[6]基于格式塔法的关系图模型和基于吉布斯采样的模拟退火优化策略实现了低密度点云数据的立面建模。综上所述，大多数现有方法只关注点云的几何特征，忽略点云的其他属性特征。现有方法是利用分类器（如支持向量机）进行一次基于点云局部特征的分类，导致“椒盐效应”严重。2点云分类方法现有点云分类方法主要利用点云局部的空间位置信息，具有一定局限性，文章提出一种融合多尺度可见光属性特征与几何特征、联合随机森林与条件随机场的建筑物立面门窗提取方法，力求兼顾点云的位置与颜色、局部与全局，提升建筑物立面的智能识别精度。2.1随机森林点云分类为了提取点云的几何特征，将点云中的每个点作为球心，利用球形半径内的邻域点集构建协方差矩阵，通过计算协方差矩阵的特征值和特征向量实现中心点几何特征的提取。将协方差矩阵的特征值（λmaxλmedλmin）与最小特征值对应的特征向量（vmin）作为局部几何特征基准，通过特征值和特征向量的四则运算即可获得高级三维几何特征（如平面拟合性、各向异性、线性、平面性、球面性、无差异性、垂直性）。将RGB颜色空间转化至HSV颜色空间，并将（Hp，Sp，Vp）作为可见光属性值。其中，Hp表示点p的色相，Sp表示点p的饱和度，Vp表示点p的亮度。除了单点颜色特征，在3个球形尺度上（半径为10、30、50 cm）分别计算了可见光跨度、可见光均值和可见光方差，并将计算出的数据作为可见光属性统计特征。基于上述特征提取结果x，选择随机森林分类器预测不同类别标签y的条件概率P(y|x)，进而实现点云分类。随机森林作为一种经典的分类方法，由一组随机训练的决策树组成，每个决策树根据训练数据的随机子集训练获得。因此，不同决策树的分类结果可以认为是互不相关的，综合多个决策树的分类结果能够提高预测结果的外推性和鲁棒性[7]。在点云分类问题中，对于每个三维点，随机森林中的每个决策树都会为其提供一个分类结果，三维点的最终分类标签通过选择多数票结果确定：P(x,yi=l)=NlT （1）式中：x——点云的特征提取结果；Nl——点i的多数票结果l的决策树数目；T——决策树个数。试验由50棵决策树组成随机森林试验，为了平衡预测结果的精度以及计算效率，采用袋外误差（OOB）的方法提升分类效果。2.2条件随机场分类基于点特征的分类结果极易受到“椒盐效应”的干扰导致分类精度下降。为了抑制“椒盐效应”的影响，在随机森林分类结果的基础上，利用条件随机场挖掘点云的上下文信息，得到平滑点云分类结果，提升点云分类精度。条件随机场是一种无向图模型优化方法，能够为点云分类提供基于上下文信息的统计概率框架。在典型的条件随机场模型中，无向图G（n，e）包含一组节点n和其对应的一组边e。每个节点i∈n对应三维点云中的一个点，而每条边eij代表一条连接相邻点i和j的边。点云分类的目标是在已知点云特征x的基础上，找到所有点最优分类的标签y，条件随机场通过最大优化后的概率P(y|x)可实现分类平滑的目的[8]：P(y|x)=1Z(x)∏i∈nφix,yi∏eij∈eψijx,yi,yj （2）式中：Z(x)——归一化常数，用于将势函数转换为概率；φij（x,yi,yj）——二元势函数，可以利用相邻点标签yi和yj之间的上下文关系优化点云分类结果；φi（x,yi）——一元势函数，指在已知点云特征x的基础上，将点i分类为标签yi的概率。条件随机场通过给相邻的三维点赋值相同的分类标签抑制“椒盐效应”，达到平滑分类结果的目的。采用一种基于条件概率的随机森林方法解决相邻点被分类为不同标签的问题。假设点云中存在m个不同的地物类别，则相邻点的二元势函数需要考虑m2种不同的地物分类情况。以一条连接节点i和点j的边eij为例，通过两点特征gij(x)构建二元观测数据，构建方式包括级联和差分。级联是通过将两个邻接点特征合并为一个集合的方式构建，gij(x)=[fi(x),fj(x)]；差分是通过计算两个邻接点特征差分的方式构建，gij(x)=fi(x)-fj(x)。由于邻接点的特征值较为近似，特征值差分趋近于0，不利于区分不同地物类别之间的差异，因此采用级联的方式构建二元特征集。使用多尺度二元特征集提升点云分类精度的效果有限，与一元势函数在3个不同尺度上计算特征集不同，本方法仅在以10 cm为半径的单一球形尺度上计算二元特征集。二元势函数的计算方法为：φijx,yi=l,yj=k=Nl,kT （3）式中：l、k——相邻点的分类标签；Nl,k——点i和点j的多数票结果；T——决策树个数。为了取得最大后验概率值和最优的点云分类结果，使用循环置信传播的迭代传递算法，在不增加错分结果的基础上，尽量降低相邻点被分类为不同地物类别的“椒盐效应”。3实验结果与分析以德国德累斯顿老城区的两排复杂建筑物为研究对象，将立面摄影测量影像点云作为实验数据[9]。首先验证可见光属性特征能否提升建筑物立面点云的分类精度，并在最优逐点分类结果的基础上利用条件随机场引入上下文特征，验证条件随机场能否平滑逐点分类结果中的“椒盐效应”，进一步提升点云的分类结果。两组立面点云数据共包含约278万个离散点，约370个建筑物门窗，参考的点云分类结果通过手工标注完成。在试验中，按照固定的门窗样本比例，通过随机采样的方式，将两组建筑物立面点云数据分成训练样本集和测试样本集。具体的训练样本和测试样本集如表1所示。10.19301/j.cnki.zncs.2023.08.003.T001表1训练、测试样本数据集数据集点数门窗个数门窗点数门窗点数占比/%训练集立面1629 36785160 28625立面2395 86361120 00830测试集立面1876 050120222 96825立面2890 037105270 26130基于随机森林的多尺度点特征分类试验验证可见光属性特征是否有助于提升点云分类精度。每组对比实验采用相同的训练样本集进行训练，使用相同的测试样本集进行精度评价，采用逐点计算的方法对分类结果进行精度评价，即将预测分类结果与手动标注标签进行逐点对比，并对点云分类的正确性和完整性进行精度评价：正确性=TPTP+FP （4）完整性=TPTP+FN （5）式中：TP——正确的检测结果，即该点是门窗且被检测为门窗；FP——误检结果，即该点本身不是门窗，但是被检测为门窗；FN——漏检结果，即该点本身是门窗，但未被检测为门窗。在随机森林分类器参数不变的条件下，通过对比不同特征组合的分类精度，验证不同种类特征之间的优势互补的特性。设置两组实验，第一组为几何特征；第二组为融合特征，即几何特征+可见光特征。不同特征集对于点云分类的精度如表2所示。10.19301/j.cnki.zncs.2023.08.003.T002表2不同特征集对于点云分类的精度特征集合立面1立面2完整性正确性完整性正确性几何特征59827882融合特征70908190%相比几何特征，融合特征更能够提升点云的分类精度，立面1完整性和正确性分别提高了18.64％和9.76％；立面2完整性和正确性分别提高了0.04％和0.10％。在最优逐点分类结果的基础上，将随机森林整合至条件随机场分类框架下降低“椒盐效应”，能够进一步提升点云分类精度。将基于融合特征的随机森林后验概率作为一元势函数概率值，并利用条件随机场二元势函数引入空间上下文信息。结合一元势函数和二元势函数给定分类概率值，利用循环置信传播算法得到融合空间上下文信息的门窗分类结果。融合空间上下文信息的点云分类精度如表3所示。10.19301/j.cnki.zncs.2023.08.003.T003表3融合空间上下文信息的点云分类精度统计数据集正阳性假阳性假阴性完整性/%正确性/%立面1183 84117 25441 1288190立面2260 44713 69329 8159091对比表2和表3可知，基于条件随机场的空间上下文特征，能够提升基于随机森林的完整性分类精度。立面1的完整性分类精度从70％提高到81％，立面2的完整性分类精度从81％提高到90％。此外，从分类结果上看，空间上下文信息在提高完整性精度的同时，也没有降低正确性精度，立面1的分类正确性保持在90%不变，而立面2的分类正确性从90%上升为91%。融合空间上下文信息的门窗分类结果如图1所示。图1融合空间上下文信息的门窗分类结果10.19301/j.cnki.zncs.2023.08.003.F1a1（a）立面110.19301/j.cnki.zncs.2023.08.003.F1a2（b）立面2文中研究方法有助于检测到清晰、完整的门窗轮廓，可为后续的建筑物要素轮廓提取和建筑物LoD3重建奠定了坚实的基础。4结语现有点云分类方法主要利用点云局部几何特征，针对这一问题，文章提出一种融合多尺度可见光属性特征与几何特征、联合随机森林与条件随机场的建筑物立面点云门窗提取方法。（1）点云的可见光特征与几何特征具有优势互补的效果。与仅使用几何特征相比，融合几何特征和可见光特征能够提升三维点云的分类精度。（2）条件随机场能够充分挖掘点云的上下文信息，降低逐点分类结果的“椒盐效应”，提升点云的分类精度。（3）随机森林与条件随机场均属于传统机器学习方法，需要人工设计特征，而算法的迁移性有限，难以满足复杂场景多目标识别的需求，未来可以利用深度学习方法实现海量点云稳健特征的提取与挖掘，进而实现建筑物立面的端到端智能解译。