基于多平台激光雷达的实景三维道路部件普查

杨泽坤^1,2，张艺轩^1,2，程凯^1,2，王毅^1,2，张帆^1,2，

任淯^1,2，陈玉玲^1,2，孙喜亮³，郭庆华^1,2

1. 北京大学地球与空间科学学院，北京 100871；
2. 北京大学遥感与地理信息系统研究所，北京 100871；
3. 北京数字绿土科技股份有限公司，北京 100091

摘  要：实景三维中国建设，是面向新时期测绘地理信息服务经济社会发展和生态文明建设的新定位、新需求，是传统基础测绘业务的转型升级，是测绘地理信息服务的发展方向和基本模式。构建部件级实景三维产品对于建设智慧城市，实现个性化行业应用发展有着重要意义，但目前部件级产品建设的智能化、工程化程度还比较低，限制了当前部件级实景三维的建设发展。面向实景三维中国的建设要求，本文以城市道路部件普查为例，提出一套基于多平台LiDAR的全自动工程化道路部件普查技术框架。以LiDAR为核心传感器，包括整体化数据获取、单体化部件提取、质量检查与部件数字化保存等城市道路部件普查的核心内容。并以济南为例，构建济南道路部件级实景三维产品，实现了技术框架的落地应用。

关键词：实景三维；多平台激光雷达；部件普查；智能化；工程化

引用格式：杨泽坤, 张艺轩, 程凯, 王毅, 张帆, 任淯, 陈玉玲, 孙喜亮, 郭庆华. 2025. 基于多平台激光雷达的实景三维道路部件普查. 时空信息学报, 32(5): 467-480
Yang Z K, Zhang Y X, Cheng K, Wang Y, Zhang F, Ren Y, Chen Y L, Sun X L, Guo Q H. 2025. Multi-platform LiDAR-based 3D realistic geospatial landscape model road component investigation. Journal of Spatio-temporal Information, 32(5): 467-480, doi: 10.20117/j.jsti.2025050011

1  引  言

建设实景三维是落实数字中国建设战略的重要举措，已成为推动测绘地理信息加快转型升级的重要抓手（陈军等，2022）。按照实景三维表达的内容和层级不同，实景三维建设通常分为地形级、城市级和部件级（张帆等，2021）。其中，部件级实景三维产品面向微观尺度，是对前两级实景三维产品的分解和细致化表达，能够表现建筑物细节、道路标识标线、街头景观、城市设施等。城市道路部件普查对于部件级实景三维产品建设至关重要。这是因为道路部件是城市道路最基础的数据资源和最小的管理单元，构建这样的数据基底对摸清城市数字化资产，完善城市数字化建设，实现城市数字化发展有着重要意义（刘纪平等，2025）。

传统道路部件普查方法是人工现场调查和测量，或依托传统测绘方式采用“GPS-RTK+全站仪”技术，存在测量成本高、采集效率低下、部件遗漏率高、精度控制难度大等不足，无法满足实景三维道路普查工作的高效、高精度要求（周长江和张晨辉，2023）。目前，大范围城市道路部件普查的常用方法是基于激光雷达（light detection and ranging，LiDAR）和相机技术的移动测量系统，通过采集高精度三维点云数据与高分辨率图像，结合倾斜摄影测量和三维重建等技术，实现城市道路部件的精确识别、定位和分类，极大提高了三维实体数据采集的效率和精度（侯兴泽等，2018；郑义等，2023）。然而，面向实景三维建设要求，依然存在三方面不足。一是，三维数据采集生产方面，按照实景三维中国建设“只测一次，多级复用”的原则（陈军等，2025）；单一平台LiDAR和相机系统难以一次性满足从部件级到城市级的不同精度级别建模需求，如何满足不同尺度与不同精度的实景三维建模需求是当前实景三维建设中的基础挑战。二是，三维数据融合处理方面，现有解决方案在配准融合不同平台或不同传感器收集的数据时，大多需要提前识别控制点或标靶来完成数据配准工作，严重降低了工作效率，如何完成多源数据的自动化集成是目前实景三维建设中亟待解决的关键技术问题（杨必胜等，2022）。三是，三维应用产品建设方面，在复杂城市环境中，现有技术无法支撑对精确道路部件信息的工程化自动化提取，影响了要素识别的种类数量、空间精度，以及实体语义信息的准确度，导致城市数字空间与现实空间的实时关联互通存在差距（朱庆等，2022）。如何利用人工智能技术实现城市道路部件信息的精准获取，是当前实景三维建设中需要重点关注的又一核心技术问题。总之，面向构建部件级城市实景三维建设的需求，目前还缺少能够统筹解决以上问题的道路部件普查框架体系，迫切需要提出面向实景三维的新型道路部件普查方案，为建设实景三维中国提供有效的技术支撑。

此外，LiDAR目前已经在很多国家的城市场景三维测绘项目中作为精确的高程数据来源（Schrotter 和Hürzeler，2020；Lehner 和Dorffner，2020；朱军等，2025）。针对上述问题，面对部件级到城市级不同精度级别的建模需求，研发以LiDAR为主的多平台测量系统进行实景三维数据采集。首先，根据国家实景三维建设对道路部件普查的要求，城市级基础地理实体精度最高要求平面中误差不能超过0.3 m，高程中误差不能超过0.25 m（王永生等，2025）。机载、车载、背包等LiDAR平台能够获取精度误差不超过0.1 m的点云数据，同时能够对道路部件提供多角度的立体化采集提取，获取丰富的多维度数据信息。多平台的数据耦合能够提供高精度的点云数据全面获取，能够应对不同精度和不同尺度的实景三维建模需求。其次，针对多源数据自动化集成配准问题，构建一套高效快速的全自动数据配准方案。该配准方案结合不同类型特征点对不同变换的约束性构建新的配准条件，以解决需要控制点或靶标完成数据配准的问题。针对自动化、精确化提取道路部件的问题，结合新型大模型技术，利用多平台LiDAR点云丰富视角的优势，提出基于多平台视锥相交的深度学习点云分割方法，进而获取道路部件的基本信息。最后，针对道路部件的数字化入库处理仍未完全规范的问题，结合实景三维中国对道路部件级产品构建的需求，对道路部件的实体图元数据和实体属性数据进行整合，构建道路部件实体标准属性数据库规范，以此规范化道路部件的存储和未来应用。结合以上解决方案，本文提出一套多平台LiDAR道路部件普查技术框架（下文简称框架）。重点论述道路部件普查任务中的多源数据配准、智能化部件语义解译、部件数字化保存与质量检查等核心内容；并通过在济南的落地应用，证明框架的有效性。

2  研究方法

道路部件普查总体技术框架如图1所示。以LiDAR为主，融合车载LiDAR、便携式LiDAR和机载LiDAR及高分辨率相机设备，面向道路部件普查中的整体化数据获取、单体化部件提取、部件数字化保存与质量检查的工作内容，利用多源数据配准与融合、大模型语义分割、数据库构建等核心技术，实现高效、高精度的城市道路部件普查。

2.1  整体化数据获取

一方面，现有基础测绘工作中仍存在稳定性差、智能化低、应急机动性差、参数口径不一致、集成难度大、安防及保密设施不规范等问题，难以满足实景三维中国新型基础测绘建设等工作的要求，给实景三维中国建设带来了极大挑战（王瑞幺等，2023）；另一方面，在确定好普查范围的基础上，结合自主研发的车载测量平台、便携式测量平台和机载测量平台等多平台LiDAR，可完成原始数据的获取和多平台数据的配准解算（周磊等，2016；江宇等，2021；张晨辉等，2023）。因此，提出基于多平台LiDAR的数据采集方案。

2.1.1  多平台LiDAR研发

多平台LiDAR道路部件普查硬件系统如图2所示。多平台LiDAR设备主要包括车载测量平台、机载测量平台和便携式测量平台，基本参数见表1。

集成了高精度LiDAR和全景相机的车载测量平台，主要负责道路内部和道路两侧部件立面的提取，可提供相对误差精度3 cm、绝对误差精度10 cm的点云和匹配的影像数据。机载测量平台，主要在垂直范围内提供更多的数据，既可获取地面平台无法测量的建筑物俯视数据，也可获取大范围道路状况，如高等级公路的数据。便携式测量平台，如手持或背包LiDAR，主要在水平范围内提供更多的数据，如在车辆无法通行的辅道小路等；其可以提供相对误差精度3 cm以内、绝对误差精度在5 cm以内的点云数据。根据表2可知，可选取多种测量平台进行点云和图像数据的同步采集，获取多角度的原始数据。

2.1.2  多平台数据配准解算

利用两步算法完成自动化数据集成。因不需要识别控制点或者标靶，极大地提高了配准过程的工作效率。主要包括粗配准和精配准两个步骤。

（1）粗配准。借助于全球导航卫星系统（global navigation satellite system，GNSS）绝对定位和同步定位与建图（simultaneous localization and mapping，SLAM）方法，参考已有研究（Guo 等，2017），实现数据在相同地理坐标下的整合配准。其中采用新型的面向高精度城市测绘的激光紧耦合SLAM方法（孙喜亮等，2021），SLAM配准算法示意图如图3所示。

按照数据采集中地面点、杆状及面状特征点，针对不同变换的约束性不同，分别建立同名点特征匹配优化条件，完成激光帧的相对位姿匹配。对整体点云地图构建采用新的目标函数E_global进行约束。E_global由四部分构成，分别是点云绝对位置和测量GNSS绝对位置距离差所构成的位置因子约束r_gnss、每两帧局部点云经过位姿变换后的绝对距离差所构成的点云配准因子r_M、闭环检测中形成的点云绝对距离差所构成的闭环因子r_loop、IMU预积分因子r_imu。有

式中，为局部地图之间的位姿变换；F为以点云表示的局部特征；F_src、F_tar为在闭环检测获得的局部特征点云对；S_i、P_gi分别为地图内关联的单帧点云位置、GNSS位置；n、m分别为点云帧总数量；i、j为对应帧点云索引。

上述参数用于衡量SLAM中由各个过程带来的误差，通过调整每一帧点云之间的变换矩阵，结合拉格朗日最小化算法最小化目标函数，完成高精度的全局点云地图构建优化。有

（2）精配准。主要解决多测量平台之间的匹配误差，采用迭代最近点（iterative closest point，ICP）算法对粗配准后的多平台LiDAR点云进行配准。给定配准点云a、b，通过计算两者的特征点集p_ia、p_ib之间的欧几里得距离最小误差，来获取旋转矩阵R和平移矩阵T。有

为验证方法有效性，在北京可搜集到的开放园区、街区道路及城市公园数据进行了测试。统计结果表明，所获得的点云绝对位置平均误差分别仅0.05 m、0.079 m、0.063 m，配准所得到的点云精度达厘米级。

2.2  单体化部件提取

构建一套利用融合数据实现从配准点云到部件化实体的自动化流程，主要分为语义分割、轮廓提取和属性计算三个阶段。如图4所示，按照不同特征，将地理实体分类为2D实体和3D实体进行提取。

2.2.1  语义分割

1）2D实体语义分割

对切片点云进行2D栅格化，使其与点云对应的图像信息相匹配。为解决地理实体单体化生成的精度差和效率低的问题，结合最新的MobileSAM大模型网络，采用点提示，实现2D实体的精确高效分割。其中，点提示通过利用哈里斯（Harris）算子，对2D栅格进行关键道路标线特征点识别；而后将特征点作为提示输入MobileSAM。MobileSAM的基本思路是利用轻量化图像编码器ViT（vision Transformer）重训练新的SAM（segment anything model），并使用解耦蒸馏方法完成图像编码器的知识蒸馏过程，具备高性能（Zhang 等，2023a，b）。这既适宜于移动平台数据的图像分割，又适用于大场景内多道路部件的快速提取。此外，针对特定道路部件而言，框架虽训练简单，但保持了与原始SAM一致的高精度，能够提供稳定精确的道路部件分割结果。同时，根据已有研究（Sultan 等，2023），实验使用道路场景中典型数据，如车道线、转弯标志等实例数据，进行MobileSAM微调，使其能够适应于道路普查场景，因此构建的大模型分割网络能够实现高精度二维地物的提取。

面向道路部件普查的实体化提取，对多平台采集到的图像数据，采用YoloV7图像目标识别框架，在图像中检测路灯、垃圾桶、红绿灯等多种典型道路部件要素。针对每个识别的道路要素，根据已有研究（Wang 等，2023），分别建立基于像素到点云的映射关系，将仅包含单个地物的目标包络转换至点云视锥包络。由于点云坐标系中的地物可能会在多平台采集的多时刻图像中出现，匹配过程可分为如下两个步骤：①单一平台内多时刻目标追踪。利用基于匈牙利算法的多目标追踪方法，进行视锥关联。具体地，计算不同地物在视图空间中的几何和位置相似性，通过使匹配地物之间特征相似性最大，来完成相邻图像中的地物目标跟踪。②多平台内相同目标匹配。采用基于匈牙利算法的多目标匹配方法。因视角不同会使得地物的几何和位置特征发生较大差异，方法原理是利用在不同平台内经步骤①所得到的相交视锥进行确定；随后，通过计算不同目标视锥内主体点云之间的平均交并比（mean intersection over union，MIoU）作为特征相似性，来完成匈牙利算法匹配，如图5所示。

通过上述匹配，所获得的视锥相交点云和单体地物目标点云基本相似。结合PointTransformer（Zhao 等，2022），构建地物语义分割框架；其中，自注意力机制，适用于小目标的提取，对于视锥相交之后的少量点云能够完成高精度的语义分割。此外，轻量级设计能够降低内存消耗，加快点云分割的处理速度，因而能够高效精确的获取道路部件实体点云（Li 和Zhuang，2023）。

2）3D实体语义分割

采用图像引导的点云语义分割策略（Cui 等，2022；Zhou 等，2022；Barea 等，2018），对3D实体进行语义分割。基本原理是首先通过图像目标识别确定感兴趣的地物类型；其次利用摄影测量的基本原理将图像目标识别结果转为视锥体内的点云，对三维点（X，Y，Z），经过相机固有矩阵A、旋转矩阵R = 、平移矩阵T = [t₁，t₂，t₃]^T，投影至以焦距（f_x，f_y）和相机中心点（c_x，c_y）定义的坐标系中点（u，v），图像中的点可以通过式（4）转换为视锥体内的点云；最后在视锥体内对点云采用基于Transformer的点云分割方法进行语义分割，获取精确的点云语义分割结果。有

相较于2D实体的标注数据，3D实体的标注数据相对较少且更难以标注，导致获取高质量的训练数据集成本高昂，因此需要弱监督学习方法来完成语义分割任务。如图6所示，实验采用的混合注意力模块使用自注意力机制将点云的几何特征加权，并与经最大池化得到的全局信息融合，更有效地混合点云的局部信息和全局信息。此外，基于注意力的特征聚合模块使网络能够在多个尺度上聚合信息，进而增强对不同尺度类别的分割能力（Wang 等，2021b）。因此，在小样本环境下，尽管训练数据有限，网络依然能够实现较为精确的语义分割，适用于弱监督语义分割。

3）验证

分别在北京、武汉搜集了典型街道数据进行上述算法的验证。其中，北京街道数据主要包括236个2D实体、368个3D实体，武汉街道数据包含323个2D实体、398个3D实体。按照4︰1划分为训练数据集、测试数据集。为验证方法有效性，还与同类别的Pix4Point算法（Qian等，2024），进行比较实验。

基于上述数据，利用Pix4Point算法（Qian 等，2024），检测精度结果分别为平均MIoU值仅86%、平均召回率（recall，Re）值86%、平均准确率（precise，Pr）值91.2%、平均F1分数（F1 score，F1）值90%。由表3可知，本文方法所得到的平均检测精度结果大部分超过90%，尤其平均MIoU值可以达到90%，能够满足道路部件实体提取的精度要求。

2.2.2  轮廓提取与属性计算

轮廓提取是实现实景三维轻量化处理的关键技术，单一地理语义实体含有大量的几何信息，无法支撑大规模的应用要求。提取的实体轮廓有助于在软件中进行高效快速的渲染，并支持高效的实体语义属性计算。

考虑到2D实体的边缘轮廓提取可以直接在2D栅格上进行，因此直接使用2D深度学习网络进行提取。图4（a）中通过集成U-net边缘提取网络，实现2D实体的轮廓提取。U-net网络既可以提取多维特征，又可以对原始数据特征进行升维，还可以将语义分割的结果作为特征输入，辅助提取精确的2D实体轮廓结果（Yang 等，2019；Wang 等，2021a）。此外，对于3D实体，使用alpha-shape轮廓提取算法（Foley 等，1994），实现对3D实体表面点简单有效的提取。其中，滚动球半径通常取值0.1 m，并可依据道路实体细节进行参数调整。

自动化流程属性计算目的是为了完成高效自动的实体语义构建过程，提取包括实体属性和关系在内的实体语义。其中：①对于2D实体，辅以内置的道路部件模板库，结合语义分割和轮廓提取的结果，完成属性的计算，如长度、完整性等。例如，针对转弯标识长度属性，使用半自动探测算法探测转弯标识轮廓的特征点；而后在轮廓上通过环形路径积分即可计算长度信息。②对于道路周边的3D实体，如行道树、电线杆等，可直接在点云上进行对应属性计算。例如，高度可以直接通过上下点之间的高程差进行计算；而宽度半径则将某一高度点云投影至平面后，使用霍夫变换（Hough transform）拟合圆方式进行提取计算。

2.3  部件数字化入库

传统的城市道路部件普查规范默认所有部件以点符号展示，但目前单一的点符号无法满足精细化管理的要求，需要以更多维度的数据来表征当前数据结果（兀伟等，2023；李德仁，2016；刘纪平等，2023）。按照实景三维地理实体数据产品的建设规范（王永生等，2025），基础地理实体数据成果应由实体图元数据、实体属性数据、实体关系数据和元数据组成。在对单一部件进行唯一编码后，实体图元数据和实体基本属性数据进行组合存储，而元数据和实体关系数据将被单独存储。为高效利用以往的城市部件普查数据，并满足实景三维数据存储要求，参考以往的标准规范（王永生等，2025），构建面向实景三维建设道路部件普查信息存储的基本数据库，即部件实体属性数据库，见表4。

由表4可知，部件实体属性数据库既保存了道路部件普查传统的管理属性信息，又加入了面向实景三维的几何类型、几何数据等关键图元信息和不同部件特有的基本属性信息。此外，还链接了提取的原始点云和图像数据，方便针对未来需求进行定义更改。以这种方式保存的数据成果可以借助于实景三维规范定义的接口实现数据共享，完成个性化行业应用。

2.4  质量检查

为满足实景三维工程化需求，需要质量检查对结果进行评估修正（张继贤等，2018）。质量检查包括两项内容，分别是内业质检和外业核查。内业质检是通过人工目视检查，对当前道路普查对象进行一定比例抽样，检查包括空间参考系、位置精度等多项关键信息，见表5。当发现某类部件精度较低时，使用单一的一类算法对其进行重新提取，或者直接人工处理以修正相应的结果信息。外业核查是在内业检查的基础上，抽样选取一定比例的道路部件进行人工勘察，可借助和数据库互通的专用道路部件普查APP，能够实现即时数据更新和修改。

3  应用实践

目前，上文所述数据处理算法已被完全集成至国产自研软件LiDAR360 MLS中，用以辅助城市道路部件级实景三维产品生成。本文以济南城市部件普查实例，验证框架在生成道路部件地理实体产品中的有效性。针对济南道路状况，以“车载移动测量系统+背包SLAM”为主要外业采集手段，以“北斗探针+移动采集APP”为辅助调查及现场核实手段，于2023年7月对济南中心城区78条主干道、40 km²范围内五大类、64小类合计约41万个城市部件，进行了点云和图像数据的搜集工作，包括数据采集、数据处理、数据入库及质量检查在内的总流程。周期不超过7 d，相较于传统人工测绘，极大地提高了道路部件普查的效率。

1）不同平台LiDAR数据采集

前期通过实地勘探和资料收集，对测区内车载测量平台进行合理的路径规划和时间规划，采集时间尽量避开通勤早晚高峰期及光线较弱的时间段。针对车辆无法进入的路段，如道路部件、绿化设施较多的辅道，采用背包LiDAR进行补测，以提供多角度、全方位的基础数据。不同平台LiDAR采集的城市部件数据范围如图7所示。

2）道路实体智能化提取

对上述数据进行预处理和配准工作后，统一导入LiDAR360 MLS中进行处理，完成部件图元数据的生成。经过语义分割、轮廓提取两个步骤，提取了包括路名牌、人行横道线等30余种道路部件。其中，针对多种道路部件实体，识别得到的道路部件的F1结果超过90%。2D实体道路点云提取的F1结果超过85%；3D实体道路部件点云提取F1结果超过90%，所构建的道路3D模型能够保证道路建模的真实性和完整性。3D实体道路智能化提取示例如图8所示。

3）道路部件数据库存储

在获取了道路部件实体图元信息后，利用LiDAR360 MLS内业采集了部件名称、主管部门、所在单元网格、部件状态等管理属性信息；针对不同类型的基本地理实体部件，几何属性信息和特定的属性信息，如井盖直径等属性，通过自动化算法处理采集。这些属性数据和图元信息按照部件实体数据库统一组织，而实体关系数据库和元数据数据库则进行单独组织。道路部件数据库存储示例如图9所示。将这些数据作为城市管理基础部件数据库原始数据进行保存处理。经过内业检查和外业核验，对重要生成数据的语义分割和轮廓提取部分进行重点检查，配合人工抽样现场核查，并通过专用APP对数据库中原始数据进行修改或添加，同步至济南道路部件数据库中，实现小范围数据修改更新。最终，道路部件普查结果可作为城市信息模型（city information modeling，CIM）的基础信息输入。这为城市管理提供了基本时空信息，辅助城市管理决策，提高智慧城市运营的效率和响应能力。

限于无人机管控，进行城市道路部件普查时，缺少机载平台的数据采集。利用车载、便携式测量平台进行数据采集时，受直视距离和地面角度的限制，一些道路部件的顶部数据，如路灯的顶部、交通信号灯悬挂结构等位置，覆盖不够完全，导致顶部测量和建模存在缺失。在未来道路部件普查中，统筹的多平台采集设备能够从多角度高效扫描大范围的城市道路网，提供高精度多角度的3D数据支持，实现对道路部件更精确的识别、分类和分析，支持更高效的道路管理和决策制定。由于济南道路较为开阔，进行道路部件普查时未遇到明显遮挡情况，因此采集的数据较为完整，所获取的道路部件精度较高。在复杂的遮挡情况下，可利用背包或手持平台的灵活性，进行进一步加密扫描，以完成道路部件的采集工作。

4  结  语

实景三维中国建设能够提供三维立体、动态更新的国土空间数字化基底，提供高质量的测绘地理信息服务，开展高层次的时空分析推演，实现高水平的时空赋能。作为实景三维中最细粒度的表达，道路部件普查构建出的部件级实景三维产品对于支撑实景三维中国建设具有重要意义。本文基于自主研发的多平台LiDAR设备，结合多平台LiDAR采集多维度多视角信息的优势，构建了集成多平台LiDAR采集道路部件的技术方法，形成了总体技术框架；详细介绍了多平台数据融合解算算法和基于大模型的道路部件提取算法，构建了流程化的道路部件普查技术流程，实现了道路部件从采集到入库的全流程化应用。实践表明：所提出的道路部件级实景三维产品的普查框架极大地提高了产品生成的工程化、智能化能力，框架实现的全过程、自动化的道路部件三维实体提取、数字化和入库工作能够填补面向实景三维中国道路部件普查体系的不足，解决现有道路部件普查流程自动化不足的问题，生产出的部件级产品能够实现精细化社会认知，提高区域精细化治理能力，能够为未来城市道路部件普查，工程化实现实景三维中国提供重要的技术参考。

然而，现有框架仍受限于算力和存储的约束，未来融合大模型的语义理解能力和云计算框架，能够进一步实现道路部件的实时智能处理，有效提升部件普查工程化、智能化能力。同时，大模型在目标识别、实例分割和语义分割中的泛化优势，将进一步提高不同道路部件识别的准确度，减少现有框架内相似道路部件的混淆情况。下一步，框架仍需耦合包括神经辐射场在内的三维重建方法，实现对现有的3D实体轮廓实时重建更新，进而完善实景三维时空数据基底的获取和管理。

参考文献（References）

陈军, 刘建军, 田海波. 2022. 实景三维中国建设的基本定位与技术路径. 武汉大学学报(信息科学版),47(10): 1568-1575[Chen J, Liu J J, Tian H B. 2022. Basic directions and technological path for building 3D realistic geospatial scene in China. Geomatics and Information Science of Wuhan University, 47(10): 1568-1575 (in Chinese)]

陈军, 高崟, 郭辰阳, 汤锦辉, 廖小罕, 蒋捷, 张姗琪, 刘万增. 2025. 实景三维赋能低空经济的基本思路与重点任务.时空信息学报, 32(1): 1-10[Chen J, Gao Y, Guo C Y, Tang J H, Liao X H, Jiang J, Zhang S Q, Liu W Z.2025. Harnessing 3D realistic geospatial landscape model to empower the low-altitude economy: Fundamental problems and major tasks. Journal Spatio-temporal Information, 32(1): 1-10(in Chinese)]

侯兴泽, 王永红, 李俊, 陈宏强, 吴波. 2018. 车载激光建模测量系统在城市部件普查中的应用. 测绘与空间地理信息, 41(3): 167-170[Hou X Z, Wang Y H, Li J, Chen H Q, Wu B. 2018. Application of vehicle laser modeling and measuring system in urban component investigation. Geomatics & Spatial Information Technology, 41(3): 167-170 (in Chinese)]

江宇, 韦兴荣, 王国飞, 闫继扬, 付文群. 2021. 机载和车载LiDAR融合构建高精三维城市模型研究. 地理空间信息, 19(12): 81-83, 122, 6[Jiang Y, Wei X R, Wang G F, Yan J Y, Fu W Q. 2021. Research on the fusion of airborne and mobile LiDAR to construct high-accuracy 3D city model. Geospatial Information, 19(12): 81-83, 122, 6 (in Chinese)]

李德仁. 2016. 展望大数据时代的地球空间信息学. 测绘学报, 45(4): 379-384[Li D R. 2016. Towards geo-spatial information science in big data era. Acta Geodaetica et Cartographica Sinica, 45(4): 379-384 (in Chinese)]

刘纪平, 刘坡, 翟亮. 2025. 实景三维中国标准体系框架和内容. 时空信息学报, 32(1): 11-19[Liu J P, Liu P, Zhai L. 2025. Research and construction of standardization for China’s national 3D mapping program(3DRGLM). Journal of Spatio-temporal Information, 32(1): 11-19 (in Chinese)]

刘纪平, 刘坡, 翟亮, 戴昭鑫. 2023. 基础地理实体的特征分析与表达初探. 测绘科学, 48(8): 1-9[Liu J P, Liu P, Zhai L, Dai Z X.  2023. Characteristic analysis and modeling of fundamental geo-entities. Science of Surveying and Mapping, 48(8): 1-9 (in Chinese)]

孙喜亮, 关宏灿, 苏艳军, 徐光彩, 郭庆华. 2021. 面向高精度城市测绘的激光紧耦合SLAM方法. 测绘学报, 50(11): 1585-1593[Sun X L, Guan H C, Su Y J, Xu G C, Guo Q H. 2021. A tightly coupled SLAM method for precise urban mapping. Acta Geodaetica et Cartographica Sinica, 50(11): 1585-1593 (in Chinese)]

王瑞幺, 严荣华, 肖建华, 李海亭. 2023. 国家新型基础测绘体系建设试点的进展与思考. 地理空间信息, 21(7): 1-6[Wang R Y, Yan R H, Xiao J H, Li H T. 2023. Progress and thinking on the pilot project of national new fundamental surveying and mapping system construction. Geospatial Information, 21(7): 1-6 (in Chinese)]

王永生, 许颖, 朱慧, 赵春生, 孙萌, 施淮舰. 2025. 高精度城市级实景三维Mesh建模与应用. 测绘工程, 34(3): 38-46, 57[Wang Y S, Xu Y, Zhu H, Zhao C S, Sun M, Shi H J. 2025. Research on high precision urban level realistic 3D Mesh modeling and application. Engineering of Surveying and Mapping, 34(3): 38-46, 57 (in Chinese)]

兀伟, 赵鑫, 王焕萍, 郭玉芳. 2023. 新型基础测绘与实景三维中国建设标准需求分析. 测绘标准化, 39(1): 1-8[Wu W, Zhao X, Wang H P, Guo Y F. 2023. Demands analysis of standardization for new fundamental surveying & mapping and 3D real scene China construciton. Standardization of Surveying and Mapping, 39(1): 1-8 (in Chinese)]

杨必胜, 陈驰, 董震. 2022. 面向智能化测绘的城市地物三维提取. 测绘学报, 51(7): 1476-1484[Yang B S, Chen C, Dong Z. 2022.3D geospatial information extraction of urban objects for smart surveying and mapping. Acta Geodaetica et Cartographica Sinica, 51(7): 1476-1484 (in Chinese)]

张晨辉, 陈珂, 周宁, 周长江, 王澄, 林清莹. 2023. 城市部件三维一体化采集方法研究及工程应用. 城市勘测, (5): 93-98[Zhang C H, Chen K, Zhou N, Zhou C J, Wang C, Lin Q Y. 2023. Research and engineering application of 3D integrated acquisition method for urban components. Urban Geotechnical Investigation & Surveying, (5): 93-98 (in Chinese)]

张帆, 黄先锋, 高云龙, 章若芝, 周济安, 张民瑶. 2021. 实景三维中国建设技术大纲(2021版)解读与思考. 测绘地理信息, 46(6): 171-174[Zhang F, Huang X F, Gao Y L, Zhang R Z, Zhou J A, Zhang M Y. 2021. Interpretation and reflection on technology outline of national 3D real scene(2021 edition). Journal of Geomatics, 46(6): 171-174 (in Chinese)]

张继贤, 张莉, 张鹤. 2018. 面向新型基础测绘的质检任务探讨. 测绘通报, (7): 71-73, 87[Zhang J X, Zhang L, Zhang H. 2018. Quality inspection tasks facing new fundamental surveying and mapping. Bulletin of Surveying and Mapping, (7): 71-73, 87 (in Chinese)]

郑义, 田海波, 张元杰, 李雪梅. 2023. 国家级基础地理实体构建技术的设计与实践. 测绘科学, 48(3): 25-29[Zheng Y, Tian H B, Zhang Y J, Li X M. 2023. Design and practice on national basic geographic entity construction technology. Science of Surveying and Mapping, 48(3): 25-29 (in Chinese)]

周长江, 张晨辉. 2023. 新型测绘技术在城市部件普查中的应用. 测绘通报, (12): 147-152[Zhou C J, Zhang C H. 2023. Applications of new surveying and mapping technology in urban component investigation. Bulletin of Surveying and Mapping, (12): 147-152 (in Chinese)]

周磊, 刘榜真, 李俊, 南竣祥. 2016. 城市部件手持移动数据采集系统的建立. 测绘标准化, 32(1): 34-36[Zhou L, Liu B Z, Li J, Nan J X. 2016. The building of handheld device data acquisition system based on urban components. Standardization of Surveying and Mapping, 32(1): 34-36 (in Chinese)]

朱军, 吴鉴霖, 李志林, 郭煜坤, 游继钢, 谢亚坤, 李维炼. 2025. 国外三维测绘相关技术进展. 测绘学报, 54(4): 661-674[Zhu J, Wu J L, Li Z L, Guo Y K, You J G, Xie Y K, Li W L. 2025. The technological advancements in 3D mapping abroad. Acta Geodaetica et Cartographica Sinica, 54(4): 661-674 (in Chinese)]

朱庆, 张利国, 丁雨淋, 胡翰, 葛旭明, 刘铭崴, 王玮. 2022. 从实景三维建模到数字孪生建模. 测绘学报, 51(6): 1040-1049[Zhu Q, Zhang L G, Ding Y L, Hu H, Ge X M, Liu M W, Wang W. 2022. From real 3D modeling to digital twin modeling. Acta Geodaetica et Cartographica Sinica, 51(6): 1040-1049 (in Chinese)]

Barea R, Pérez C, Bergasa L M, López-Guillén E, Romera E, Molinos E, Oca?a M, López J. 2018. Vehicle detection and localization using 3D LiDAR point cloud and image semantic segmentation// 2018 21st International Conference on Intelligent Transportation Systems (ITSC). 3481-3486

Chou Y S, Lee P J, Bui T A, Hsu P H. 2024. Enhanced moving object detection and tracking in remote sensing videos//2024 IEEE International Conference on Consumer Electronics (ICCE).1-4

Cui Y D, Chen R, Chu W B, Chen L, Tian D X, Li Y, Cao D P. 2022. Deep learning for image and point cloud fusion in autonomous driving: A review. IEEE Transactions on Intelligent Transportation Systems, 23(2): 722-739

Foley J, Edelsbrunner H, Mücke E P. 1994. Three-dimensional alpha shapes. ACM Transactions on Graphics, 13(1): 43-72

Guo Q H, Su Y J, Hu T Y, Zhao X Q, Wu F F, Li Y M, Liu J, Chen L H, Xu G C, Lin G H, Zheng Y, Lin Y Q, Mi X C, Fei L, Wang X G. 2017. An integrated UAV-borne lidar system for 3D habitat mapping in three forest ecosystems across China. International Journal of Remote Sensing, 38(8/9/10): 2954-2972

Kuhn H W. 1955. The Hungarian method for the assignment problem. Naval Research Logistics Quarterly, 2(1/2): 83-97

Lehner H, Dorffner L. 2020. Digital geoTwin Vienna: Towards a digital twin city as geodata hub. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 88(1): 63-75

Li Q P, Zhuang Y. 2023. An efficient image-guided-based 3D point cloud moving object segmentation with transformer-attention in autonomous driving. International Journal of Applied Earth Observation and Geoinformation, 123: 103488

Qian G C, Hamdi A, Zhang X D, Ghanem B. 2024. Pix4Point: Image pretrained standard Transformers for 3D point cloud understanding//2024 International Conference on 3D Vision (3DV). 1280-1290

Schrotter G, Hürzeler C. 2020. The digital twin of the city of Zurich for urban planning. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 88(1): 99-112

Sultan R I, Li C Y, Zhu H, Khanduri P, Brocanelli M, Zhu D X. 2023. GeoSAM: Fine-tuning SAM with multi-modal prompts for mobility infrastructure segmentation. arXiv: 2311.11319. https:// arxiv.org/abs/2311.11319

Tselishchev A, Sysoev A. 2023. Implementation of vehicle detection and tracking on roads using computer vision methods//2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA).903-907

Wang B, Wei W, Qiu S, Wang S P, Li D, He H G. 2021a. Boundary aware U-Net for retinal layers segmentation in optical coherence tomography images. IEEE Journal of Biomedical and Health Informatics, 25(8): 3029-3040

Wang C Y, Bochkovskiy A, Liao H M. 2023. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 7464-7475

Wang Z W, She Q, Smolic A. 2021b. ACTION-Net: Multipath excitation for action recognition//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 13209-13218

Yang X F, Li X T, Ye Y M, Lau R Y K, Zhang X F, Huang X H. 2019. Road detection and centerline extraction via deep recurrent convolutional neural network U-Net. IEEE Transactions on Geoscience and Remote Sensing, 57(9): 7209-7220

Zhang C N, Han D S, Qiao Y, Kim J U, Bae S H, Lee S, Hong C S. 2023a. Faster segment anything: Towards lightweight SAM for mobile applications. arXiv: 2306.14289. https://arxiv.org/abs/2306. 14289

Zhang C N, Han D S, Zheng S, Choi J, Kim T H, Hong C S. 2023b. MobileSAMv2: Faster segment anything to everything. arXiv: 2312.09579. https://arxiv.org/abs/2312.09579

 Zhao H S, Jiang L, Jia J Y, Torr P, Koltun V. 2022. Point Transformer//2021 IEEE/CVF International Conference on Computer Vision (ICCV). 16239-16248

Zhou Y Z, Han X, Peng M J, Li H T, Yang B, Dong Z, Yang B S. 2022. Street-view imagery guided street furniture inventory from mobile laser scanning point clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 189: 63-77