基于激光雷达点云与视觉图像融合的异形高塔桥梁实景三维建模技术

薛飞; 蒲广宁; 黄磊; 臧建波; 马烨红; 王新祥

doi:10.12404/j.issn.1671-1815.2506804

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (15) :6584-6591 DOI: 10.12404/j.issn.1671-1815.2506804

交通运输

基于激光雷达点云与视觉图像融合的异形高塔桥梁实景三维建模技术

薛飞 ¹ ,
蒲广宁 ²^,^* ,
黄磊 ²^,³ ,
臧建波 ³ ,
马烨红 ³ ,
王新祥 ³

作者信息 +

Integration of LiDAR Point Cloud and Visual Imagery for 3D Real-scene Modeling of Bridge Pylons

XUE Fei ¹ ,
PU Guang-ning ²^,^* ,
HUANG Lei ²^,³ ,
ZANG Jian-bo ³ ,
MA Ye-hong ³ ,
WANG Xin-xiang ³

Author information +

文章历史 +

摘要

在大型桥梁工程建设中,实景三维建模技术对智能建造、智能施工与智能管养等领域具有重要应用价值。然而,在复杂且险峻的建设环境下,基于单一数据源的三维实景建模难以真实表达桥梁的三维信息与纹理特征。为解决此问题,提出了一种基于激光雷达点云与视觉图像融合的实景三维建模技术。以渭河管桥主桥桥塔为研究对象,综合倾斜摄影、机载激光扫描、地面激光扫描技术对主桥桥塔进行数据采集,并对所采集的数据进行去噪及坐标系统一化处理;通过全局与局部双阶段配准算法实现异源点云数据的高精度匹配;利用实景建模软件结合倾斜摄影影像实现纹理映射生成桥塔实景三维模型。所建立的实景三维模型完整地表示了结构几何特征,良好地还原了建筑物的真实情况。为了验证建模精度,对比分析了桥塔的三维模型数据与几何实测数据,桥塔实景模型的高程误差集中分布在4.00~4.70 cm,均值为4.32 cm,误差相较结构整体尺寸而言,高程误差/实际高程比值在0.3%以下。这表明所提出方法能较好地实现实景三维建模,能较准确表达桥梁桥塔的复杂几何细节和纹理特征,为大型桥梁建设的三维可视化监测与管理提供了可靠的数据支持。

Abstract

In large-scale bridge engineering, 3D real-scene modeling technology plays a crucial role in intelligent construction, execution, and operation & maintenance. However, in complex and challenging construction environments, 3D modeling that rely on a single data source often struggle to accurately capture the detailed geometry and surface textures of bridge structures, leading to inadequate representations. To address this limitation, an integrated 3D real-scene modeling method was proposed that combines LiDAR point clouds with visual imagery. Taking the main pylon of the Wei River Bridge as a case study, data acquisition was performed by integrating oblique photogrammetry, airborne laser scanning (ALS), and terrestrial laser scanning (TLS). The acquired multi-source data underwent preprocessing, including denoising and coordinate system unification. A two-stage registration algorithm (global-to-local) was then applied to achieve high-precision alignment of the point clouds. Subsequently, texture mapping based on oblique imagery was performed on the registered point cloud data using professional reality modeling software to generate a photorealistic 3D model of the pylon.The applied methodology yielded a real-scene 3D model with precise geometric representation and high-fidelity visual reconstruction of the actual structure.To validate the modeling accuracy, a comparative analysis was conducted between the 3D model data and geometrically measured field data of the pylon. The elevation errors of the real-scene model were predominantly distributed within the range of 4.00 cm to 4.70 cm, with an average error of 4.32 cm. Relative to the overall dimensions of the structure, the ratio of elevation error to actual elevation was less than 0.3%. These results demonstrate that the proposed method can effectively achieve high-fidelity 3D real-scene modeling, accurately capturing the complex geometric details and textural features of bridge pylons. This approach provides reliable data support for 3D visualization, monitoring, and management throughout the lifecycle of large-scale bridge construction projects.

Graphical abstract

关键词

激光扫描 / 倾斜摄影 / 异形高塔桥梁 / 数据融合 / 实景三维建模

Key words

laser scanning / oblique photography / irregular high tower bridge / data fusion / reality-based 3D modeling

引用本文

引用格式 ▾

薛飞, 蒲广宁, 黄磊, 臧建波, 马烨红, 王新祥. 基于激光雷达点云与视觉图像融合的异形高塔桥梁实景三维建模技术[J]. 科学技术与工程, 2026, 26(15): 6584-6591 DOI:10.12404/j.issn.1671-1815.2506804

XUE Fei, PU Guang-ning, HUANG Lei, ZANG Jian-bo, MA Ye-hong, WANG Xin-xiang. Integration of LiDAR Point Cloud and Visual Imagery for 3D Real-scene Modeling of Bridge Pylons[J]. Science Technology and Engineering, 2026, 26(15): 6584-6591 DOI:10.12404/j.issn.1671-1815.2506804

登录浏览全文

4963

注册一个新账户忘记密码

在复杂险峻的桥梁建造环境下,如何通过智能化技术手段实现大型桥梁的智能建造、智能施工及智能管养,已成为推动中国桥梁建设高质量发展的关键课题^[1]。三维激光扫描与视觉影像技术(无人机倾斜摄影测量、贴近摄影测量等)作为当前结构空间三维信息获取的前沿手段,能够快速采集高精度点云数据与影像数据,为桥梁实景三维建模提供高效可靠的技术支撑。

激光雷达(light detection and ranging,LiDAR)测量技术是获取三维空间信息的一种新兴手段,根据其安装平台可分为机载激光扫描(airborne laser scanning, ALS)、地面激光扫描(terrestrial laser scanners, TLS)和移动式激光扫描(mobile laser scanners, MLS)三类。这些扫描方式可适应不同业务需求和测量场景下的采集要求,具备高效的数据采集能力。相较于传统测量方法在单点测量方面的局限性,LiDAR技术在应对复杂恶劣的建设环境时,能够在复杂恶劣的建设环境中快速、精准且高效地实现表面物体的三维建模,使大型桥梁在建设期间的三维可视化监测与管理成为可能^[2-5]。

目前,国内外学者对基于三维点云数据的逆向建模技术已开展了大量研究。Cao等^[6]通过ALS获取建筑物的三维点云数据,采用区域生长算法对建筑平面进行分割,利用平面碎片的交点重建建筑物的拓扑和几何信息,并对缺失点云进行修补,从而实现建筑物的三维重建。Liu等^[7]则引入基于Transformer架构的Point2Building自回归生成模型,学习建筑物的几何形状和结构特征,对因ALS视野遮挡导致的建筑物立面点云缺失进行修复,完成三维重建。徐福斌等^[8]通过TLS获取复杂钢结构的三维点云数据,并进行去噪和分割操作,将处理后的单体点云数据导入SketchUp软件中,实现复杂钢结构各单体模型的精细化重建。上述研究表明,采用单一数据源对高大或复杂建筑物进行三维重建时,容易因视角受限、遮挡物影响、扫描设备精度不足或数据采集范围有限等因素影响,导致点云数据无法完整表达结构的整体几何信息。

随着异源数据的多样化发展,诸如视频点云、UAV(unmanned aerial vehicle)点云、众包点云、地面点云,以及各类影像等多模态数据的获取成本显著降低,如何实现多源点云数据的高精度配准与深度融合已成为当前研究的重点。张玉涛等^[9]为解决单一无人机影像在复杂拱桥建模中精度与完整度不足的问题,提出一种融合三维激光扫描数据与无人机航空影像的精细化建模方法,经验证该方法能重建出几何精度高、完整性好、纹理真实的拱桥实景三维模型,可为类似底部脱空建筑的数据采集提供参考,具有良好工程应用价值。刘亚坤等^[10]利用ALS、MLS以及地TLS 3种方式对建筑物内外部点云进行采集,将采集数据进行处理后,导入Revit软件中实现了建筑信息模型(building information modeling,BIM)重建,让模型构件信息化。文学东等^[11]则通过整合机载点云、地面点云和倾斜多视纹理,利用倾斜影像对顶面和立面模型进行边界规则约束及纹理映射,成功实现了建筑物的三维精细化重建。徐郑冰等^[12]通过融合倾斜摄影、激光点云与地理信息语义化等技术,解决了复杂遮挡场景下的数据融合难题,同时借助三维高斯泼溅建模方法,成功实现了大高差地形条件下的高质量实景三维重建。通过有效整合不同来源的数据,充分发挥各自优势,显著增强三维模型的几何完整性、语义信息和结构表面细节,从而弥补单一数据源在建模过程中常出现的点云数据缺失、密度不均,缺乏纹理信息等缺陷。

现提出一种基于LiDAR点云与视觉图像融合的异形高塔桥梁实景三维建模技术。以主桥桥塔为研究对象,综合运用倾斜摄影、ALS与TLS技术对异形高塔桥梁进行多源数据采集,通过多源数据配准与融合处理,实现主桥桥塔的高精度实景三维重建,为大型桥梁施工期与运维期的三维可视化监测与智能化管理提供有效支撑。

1 多源数据采集及处理

1.1 测量区域概况

渭河管桥地处周至县辛家寨镇朱田号村、武功县柳林村交界的渭河上。渭河管桥全长1.23 km,主桥长490 m,跨径布置为(65+3×120+65) m,是中国首座四塔五跨钢桁梁斜拉结构的输水管道特大桥。桥塔采用水滴型桥塔,高73.5 m,外形采用圆曲线连续过渡,上塔柱采用箱型等截面,截面尺寸为3.5 m(横桥向)×4.5 m(纵桥向);下塔柱与上塔柱等宽,采用变高五边形箱型截面,下塔柱底部采用实心矩形截面,截面尺寸为16 m×4.5 m;中横梁采用实心矩形截面,截面尺寸为3.0 m×3.0 m,如图1所示。

1.2 技术流程

提出了一种基于LiDAR点云与视觉图像融合的实景三维建模技术,有效解决了单一数据源带来的视角盲区和数据缺失问题,所重建的模型在平面误差和高程误差方面均满足工程精度要求。整体流程可分为三个步骤:①结合倾斜摄影技术、ALS(机载激光扫描)和TLS(地面激光扫描)对主桥桥塔进行数据采集,获取桥塔的点云和影像数据。②对初步采集的ALS和TLS点云数据进行去噪与坐标系统一化处理。在此基础上,采用基于四点一致集(4-point congruent sets, 4PCS)^[13]与迭代最近点(iterative closest point, ICP)^[14]算法的两阶段配准策略,对ALS与TLS获取的桥塔点云数据进行由粗到精的配准融合,生成完整的目标点云数据集。③将处理后的点云数据导入ContextCapture软件中,结合倾斜摄影获取的桥塔影像数据,对模型进行精细的纹理映射,实现桥塔的实景三维模型重建。技术流程如图2所示。

1.3 多源数据采集

数据采用无人机和TLS进行采集,相关设备的信息及参数如表1~表3所示。文献[15-16]研究表明,无人机路径规划与TLS测站布置方案对桥梁实景三维模型重建的完整度及精度具有重要影响,合理的无人机路径规划与测站布置可以显著提升主桥桥塔初始数据采集质量。根据渭河管桥桥塔的几何及环境特点,对无人机路径规划与TLS测站布置进行设计,具体步骤如下:

(1)无机路径规划。使用大疆M350 RTK(real-time kinematic)无人机搭载禅思L2机载激光扫描仪和禅思P1航测镜头绕桥塔进行扫描,采用环形航线,点云数据以(*.Las)格式存储。为提高ALS点云质量,无人机飞行速度设定为5 m/s,设定无人机距桥塔的扫描距离为50 m。机载激光雷达采用多回波扫描,扫描频率为120万点/s;相机镜头角度为45°,航向重叠度80%,旁向重叠度为75%。具体航线规划如图3所示。

(2)TLS测站布置。在桥塔四周布设6个测站点,使用南方测绘SPL-1500站式激光扫描仪对桥塔进行TLS点云数据采集。在相邻测站间布设一两个靶标作为坐标参考点,用于点云拼接与坐标系转换,点云数据以(*.Las)格式存储。设置扫描距离为10 m,扫描分辨率为3 mm@100 m,扫描频率为200万点/s,扫描时间为5 min/站,具体测站布置如图4所示。

1.4 多源数据采集

受限于仪器工作原理与外部环境等因素影响,三维激光扫描仪获取的初始点云数据通常数量庞大且密度分布不均,如图5(a)所示,这会降低后续配准算法的运算速度和模型精度。为避免上述问题,本研究对初始点云数据进行去噪处理。去噪后的点云如图5(b)所示。由于桥塔点云数据来源于多种扫描设备及不同测站位置,各数据源往往采用了各自独立的坐标系。为避免异源数据无法准确配准,数据重叠或混淆等问题,并减少后续数据处理的复杂性,对多源点云数据进行坐标系统一化处理。此外,统一的坐标系也是实现点云数据与CAD(computer aided design)图纸等其他数据有效对接的关键步骤。

采集的桥塔点云数据包括ALS点云数据和TLS点云数据,其中,ALS点云数据基于国家CGCS2000坐标系,TLS点云数据采用的是局部坐标系,施工现场则采用西安80坐标系。为方便后续多源点云的高效处理以及与CAD图纸数据集的高效对接,本研究将不同点云数据的坐标系统一转换至西安80坐标系,这不仅确保了不同数据源的对齐精度,还为点云与其他工程设计数据的融合提供了统一的空间基准。

采用布尔莎七参数模型^[17]进行坐标转换,转换方程为

(1)$\left[\begin{array}{l}{\mathit{X}}_{2}\\ {\mathit{Y}}_{2}\\ {\mathit{Z}}_{2}\end{array}\right]$=(1+k)$\left[\begin{array}{lll}1& {\mathit{r}}_{\mathit{Z}}& {\mathit{r}}_{\mathit{Y}}\\ -{\mathit{r}}_{\mathit{Z}}& 1& {\mathit{r}}_{\mathit{X}}\\ {\mathit{r}}_{\mathit{Y}}& -{\mathit{r}}_{\mathit{X}}& 1\end{array}\right]\left[\begin{array}{l}{\mathit{X}}_{1}\\ {\mathit{Y}}_{1}\\ {\mathit{Z}}_{1}\end{array}\right]$+$\left[\begin{array}{l}\mathrm{d}\mathit{X}\\ \mathrm{d}\mathit{Y}\\ \mathrm{d}\mathit{Z}\end{array}\right]$

式(1)中:(dX,dY,dZ)为坐标平移量;k为缩放因子;(r_X,r_Y,r_Z)为旋转参数。通过在现场布设标靶,得到不同坐标系下三个公共点的坐标,使用最小二乘法来求解转换参数,对点云模型进行旋转、平移、缩放处理,实现坐标系统一化。

2 多源数据融合建模

2.1 多源点云配准

经过去噪和坐标系统一化处理后,ALS桥塔点云数据共有163 104 093个点,文件大小为5.16 GB,使用倾斜摄像机共拍摄2 785张图像。经拼接后的TLS桥塔点云数据共有66 079 518个点,文件大小为3.02 GB。由于桥塔高73.5 m且结构较为复杂,使用单一设备对高大或复杂建筑物进行数据采集时,由于视角受限、遮挡物影响、扫描设备精度不足或数据采集范围有限等因素影响,点云数据无法完整表达结构的整体信息。

如图6、图7所示分别为TLS和ALS点云数据。可以看出,TLS采集的点云数据在结构下部信息丰富,点云完整性较高;然而,上部区域点云密度分布不均,存在明显空洞和扭曲现象。这主要是由于TLS在采集过程中受到施工现场塔吊、脚手架等设施的遮挡,造成视野受限,引起数据缺失。同时,受TLS量程限制,较远距离处的点云密度也有所下降。相比之下,ALS采集的数据在桥塔上部及侧面点云覆盖较为完整,但在下部及部分视野盲区则信息稀疏,存在局部缺失。这一现象与桥塔横梁高度、无人机GPS信号受屏蔽以及ALS自身工作原理等因素有关。

为得到一个更为完整的目标点云数据,本研究采用四点一致集(4-point congruent sets, 4PCS)全局配准算法与迭代最近点(iterative closest point, ICP)局部配准算法相结合的策略,对ALS与TLS两种点云数据进行由粗到精的配准融合,以提高点云配准精度和质量。ICP点云配准算法对初始配准位置依赖性强,配准结果容易陷入局部最优,导致配准效率不高^[18]。为此,首先采用4PCS算法对TLS与ALS桥塔点云进行粗配准,以提升配准效率。

2.1.1 4PCS粗配准

4PCS算法是一种经典的点云粗配准方法,该方法基于随机采样一致性(random sample consensus,RANSAC)^[19]的理念设计,对噪声、遮挡和异常值具有良好的适应性,能够对有噪声和遮挡的原始点云数据进行配准,无需预先进行数据过滤或去噪处理。此外,该方法显著降低了噪声情况下潜在表面可靠配准所需的试验次数,提高效率。具体步骤如下:

(1)对于给定的源点云P,目标点云Q。从P中选择一个近似共面四点集s_P={p₁,p₂,p₃,p₄},且该四点不共线。

(2)令p₁p₂与p₃p₄交于e,计算四点的比例因子r₁、r₂为

(2) r₁=(p₁-e)/(p₁-p₂)

(3) r₂=(p₃-e)/(p₃-p₄)

(3)对于目标点云Q中任意一对点q₁和q₂,可计算出e₁和e₂为

(4) e₁=q₁+r₁(q₂-q₁)

(5) e₂=q₁+r₂(q₂-q₁)

(4)如果有e₁=e₂,则它们是符合要求的与s_P相近似的共面四点集。

(5)通过这些相似共面四点集使用最小二乘法计算出刚性变换矩阵T(P)为

(6) T(P)=RP+t

式(6)中:R为旋转矩阵;t为平移向量。

(6)遍历Q中的所有点集,通过不断迭代,计算得到刚性变换矩阵T(P)的最优解。

4PCS算法的时间复杂度分为2个部分,其中在目标点云中寻找点对的时间复杂度为O(n²),遍历k个4点集的时间复杂度为O(k),总的时间复杂度为O(n²+k)。

2.1.2 ICP精配准

ICP算法是一种基于最小二乘法原理的经典点云配准方法,其因原理简单、易于实现,且在误差较小时能快速收敛的优点,被广泛应用于三维点云配准和模型对齐。该算法通过不断迭代计算,求解两组点云之间的最优刚性变换矩阵,以实现精准对齐。具体步骤如下。

(1)对于给定的源点云A中的任意点a_i∈A,在目标点云B中寻找最近点b_j∈B,即

(7)b_j=$\underset{\mathit{b}\in \mathit{B}}{\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}}$‖a_i-b‖

(2)对于找到的对应点对(a_i,b_j),可以通过误差函数计算出最优刚性变换矩阵E=(R,t),即

(8)E(R,t)=$\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}$b_j-(Ra_i+t)²

(3)使用刚性变换矩阵E=(R,t)更新目标点云B得到计算B',重复步骤(1)和步骤(2)。

(4)计算B'中b'_j与源点云A中对应点集a_i的平均距离d,进行迭代,直至d小于给定的阈值或者大于预设的最大迭代次数为止。

配准结果如图8所示,从中可见,融合后的桥塔点云整体质量显著提高,无明显空洞、扭曲或密度不均现象,可视化效果得到明显改善,结构几何特征也更加清晰。结果表明,提出的空-地三维激光点云采集技术能够有效适应复杂险峻的建设环境,克服由外部施工干扰、复杂扫描结构及设备自身限制导致的数据缺失问题。所获取的桥塔点云数据为后续分析与建模提供了更可靠的基础,同时提升了特征提取的准确性和效率。

2.2 融合建模结果及精度分析

2.2.1 融合建模结果

将配准融合后的桥塔点云导入Autodesk ReCap,转换为RCP或RCS格式,再将其导入ContextCapture软件中进行三维重建,利用摄像机所拍的主桥桥塔实景照片进行纹理映射,完成异形桥塔的实景精细化建模。实验平台为Intel(R) Core(TM)i9-14900K 3.20 GHz,64 GB内存,Windows11 64位操作系统,代码编译环境为Visual Studio 2015,算法库为PCL1.8.0。

将ALS与TLS点云数据分别进行模型重建,并与基于多源数据融合的模型进行对比,如图9所示。可以发现,基于ALS或TLS点云数据的桥塔三维模型无法完整表达结构的三维信息,在横梁与塔身连接处出现了扭曲与拉花现象。而基于LiDAR点云与视觉图像融合所构建的异形桥塔实景三维模型相较于单一数据源所构建的异形桥塔三维模型,完整地表示了建筑顶部、底部、侧面细节,整体未出现空洞与扭曲现象,且能够更直观、清晰地表达桥塔纹理特征,良好地还原了塔式建筑物的真实情况。同时,纹理信息中适当的光照和阴影增强了模型的立体感。

2.2.2 融合建模精度分析

为了确保模型的可靠性,将桥塔三维模型中的几何数据a与使用RTK和全站仪对桥塔进行了实测的桥塔几何数据b进行比对,通过计算误差值Δ=|a-b|,验证模型的可靠性。通过检查10个公共点,最终计算结果如表4所示。通过表4可知,桥塔实景模型的高程误差集中分布在4.00~4.70 cm,均值为4.32 cm,误差相较结构整体尺寸而言,高程误差/实际高程比值在0.3%以下。由此可见,通过本实验构建的桥塔模型,能够非常接近桥塔的真实情况,精度上满足虚拟建模规划要求。

3 结论

以渭河管桥主桥桥塔为研究对象,开展了多源数据融合的大型桥梁实景三维建模技术研究,提出了基于LiDAR点云与视觉图像识别的建模方法。初步得到以下结论。

(1)提出的空-地三维激光点云采集技术能够有效适应复杂险峻的建设环境,克服由外部施工干扰、复杂扫描结构及设备自身限制导致的数据缺失问题。

(2)基于多源数据建立的桥塔实景三维模型完整呈现了顶部、底部及侧面细节,整体无空洞与扭曲,纹理特征清晰直观,真实还原了塔式建筑物的实际状态。

(3)桥塔三维模型与RTK实测数据的高程误差集中在4.00~4.70 cm,均值4.32 cm。高程误差/实际高程比值在0.3%以下。

构建的实景三维模型在复杂结构细节表达方面仍存在一定局限,有待进一步改进。未来的研究将进一步优化多源点云数据的融合策略,提升模型的精细化程度与信息完整性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	《中国公路学报》编辑部. 中国桥梁工程学术研究综述· 2024[J]. 中国公路学报, 2024, 37(12): 1-160.

[2]	Editorial Board of Journal of China Highway and Transport. Overview of academic research on China’s bridge engineering · 2024[J]. Journal of China Highway and Transport, 2024, 37(12): 1-160.

[3]	潘玥, 庄骁磊, 王达磊, 等. 融合数字孪生的桥梁巡检技术: 综述与展望[J]. 中国公路学报, 2026, 39(1): 20-41.

[4]	Pan Yue, Zhuang Xiaolei, Wang Dalei, et al. Bridge inspection technology integrated with digital twin: a review and prospect[J]. China Journal of Highway and Transport, 2026, 39(1): 20-41.

[5]	杨必胜, 董震. 点云智能研究进展与趋势[J]. 测绘学报, 2019, 48(12): 1575-1585.

[6]	Yang Bisheng, Dong Zhen. Research progress and trends in point cloud intelligence[J]. Journal of Geodesy and Geoinformation Science, 2019, 48(12): 1575-1585.

[7]	齐亚辉, 蔺鹏臻. 点云技术在土木工程中的应用现状综述[J/OL]. (2025-09-30) [2025-12-12]. https://link.cnki.net/urlid/11.2595.O3.20250930.0901.004.

[8]	Qi Yahui, Lin Pengzhen. Current status and application of point cloud technology in civil engineering: a review[J/OL]. (2025-09-30) [2025-12-12]. https://link.cnki.net/urlid/11.2595.O3.20250930.0901.004.

[9]	徐郡彬, 宋建平, 黄小林, 等. 利用激光与影像融合优化区域古建筑模型的方法[J]. 科学技术与工程, 2025, 25(1): 37-43.

[10]	Xu Junbin, Song Jianping, Huang Xiaolin, et al. Method of optimizing regional ancient architectural models using laser and image fusion[J]. Science Technology and Engineering, 2025, 25(1): 37-43.

[11]	Cao R, Zhang Y, Liu X, et al. 3D building roof reconstruction from airborne lidar point clouds: a framework based on a spatial database[J]. International Journal of Geographical Information Science, 2017, 31(7): 1359-1380.

[12]	Liu Y, Obukhov A, Wegner J D, et al. Point2building: reconstructing buildings from airborne LiDAR point clouds[J]. arXiv Preprint, arXiv: 2403. 02136, 2024.

[13]	徐福斌, 曲相屹, 王健, 等. 基于LiDAR点云的复杂钢结构模型重建[J]. 测绘通报, 2022(5): 170-173.

[14]	Xu Fubin, Qu Xiangyi, Wang Jian, et al. LiDAR point cloud-based reconstruction of complex steel structure models[J]. Surveying and Mapping Bulletin, 2022(5): 170-173.

[15]	张玉涛, 孙保燕, 莫春华, 等. 无人机与三维激光扫描融合的拱桥三维重建[J]. 科学技术与工程, 2023, 23(6): 2274-2281.

[16]	Zhang Yutao, Sun Baoyan, Mo Chunhua, et al. 3D reconstruction of arch bridge based on fusion of UAV and 3D laser scanning[J]. Science Technology and Engineering, 2023, 23(6) : 2274-2281.

[17]	刘亚坤, 刘会云, 李永强, 等. 基于多源激光点云融合的建筑物BIM建模[J]. 地球信息科学学报, 2021, 23(5): 764-773.

[18]	Liu Yakun, Liu Huiyun, Li Yongqiang, et al. Building bim modeling based on multi-source LiDAR point cloud fusion[J]. Journal of Earth Information Science, 2021, 23(5): 764-773.

[19]	文学东, 陈为民, 谢洪, 等. 一种融合多源特征的建筑物三维模型重建方法[J]. 武汉大学学报(信息科学版), 2019, 44(5): 731-736, 764.

[20]	Wen Xuedong, Chen Weimin, Xie Hong, et al. A multi-source feature fusion method for 3D building model reconstruction[J]. Journal of Wuhan University (Information Science Edition), 2019, 44(5): 731-736, 764.

[21]	徐郑冰, 冯国正, 邹阳, 等. 多源测绘地理信息数据融合的三维高斯泼溅建模技术[J]. 测绘通报, 2025(11): 176-180.

[22]	Xu Zhengbing, Feng Guozheng, Zou Yang, et al. 3D gaussian splashing modeling technology based on fusion of multi-source surveying and mapping geographic information data[J]. Bulletin of Surveying and Mapping, 2025 (11): 176-180.

[23]	Aiger D, Mitra N J, Cohen-Or D. 4-points congruent sets for robust pairwise surface registration[C]// ACM Transactions on Graphics. New York: Association for Computing Machinery, 2008: 670-679.

[24]	Besl P J, McKay N D. A method for registration of 3d shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.

[25]	徐浩文. 基于三维点云模型的桥梁构件实景逆向建模关键技术与应用[D]. 南京: 东南大学, 2022.

[26]	Xu Haowen. Key technologies and applications of reverse modeling for bridge components based on 3d point cloud models[D]. Nanjing: Southeast University, 2022.

[27]	孙钰珊, 张力, 艾海滨, 等. 倾斜影像匹配与三维建模关键技术发展综述[J]. 遥感信息, 2018, 33(2): 1-8.

[28]	Sun Yushan, Zhang Li, Ai Haibin, et al. Review of key technologies in oblique image matching and 3D modeling[J]. Remote Sensing Information, 2018, 33(2): 1-8.

[29]	何林, 柳林涛, 许超钤, 等. 常见平面坐标系之间相互转换的方法研究——以1954北京坐标系、1980西安坐标系、2000国家大地坐标系之间的平面坐标相互转换为例[J]. 测绘通报, 2014(9): 6-11.

[30]

He Lin, Liu Lintao, Xu Chaoqi, et al. Study on methods for coordinate transformation between common planar coordinate systems—taking the transformation of planar coordinates between 1954 Beijing coordinate system, 1980 Xi’an coordinate system, and 2000 national geodetic coordinate system as an example[J]. Surveying and Mapping Bulletin, 2014(9): 6-11.

[31]	李仁忠, 杨曼, 田瑜, 等. 基于ISS特征点结合改进ICP的点云配准算法[J]. 激光与光电子学进展, 2017, 54(11): 312-319.

[32]	Li Renzhong, Yang Man, Tian Yu, et al. Point cloud registration algorithm based on ISS feature points combined with improved ICP[J]. Progress in Laser and Optoelectronics, 2017, 54(11): 312-319.

[33]	Fischler M A, Bolles R C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the ACM, 1981, 24(6): 381-395.