【技术】实景三维丨面向铁路站房施工监测的BIM与三维激光点云要素级自动配准与变化检测方法

本文内容来源于《测绘技术装备》2026年第2期

面向铁路站房施工监测的BIM与三维激光点云要素级自动配准与变化检测方法

匡国冠1，李帅涛2，祁孜威3，梅 宇4，刘 超5

（1.中国铁路广州局集团有限公司站房建设指挥部，广东广州 510180；

2.深圳前海迈嘉城科发展有限公司，广东深圳 518000；

3.铁科院（深圳）研究设计院有限公司，广东深圳 518000；

4.中铁建工集团有限公司，北京 100000；

5.中国铁路广州局集团有限公司广州南车站，广东广州 510180）

摘 要

建筑信息模型（BIM）与实测三维激光点云数据的精确比对可为铁路站房自动化施工监测提供重要支撑。但由于BIM与三维激光点云在坐标系、数据结构和语义层级上存在差异，传统方法难以实现高精度且全自动化的变化检测流程。为此，本文提出了一种面向铁路站房的BIM与三维点云要素级自动配准与变化检测方法。该方法不依赖传统特征点匹配，而是基于铁路站房结构中规则的垂直构件与水平结构特征，从BIM中自动筛选关键要素，实现多模态数据间的几何对齐与语义关联，并基于配准结果，从不同时期的三维激光点云中提取结构变化，实现对施工进度及结构偏差的自动化识别与定量分析，再基于一期BIM及两期三维激光点云开展配准与变化检测精度评估。结果表明，本文方法能准确识别施工区域的结构变化，实现对铁路站房关键构件的进度核查与变化检测，从而验证了该方法在复杂场景下的适用性与有效性。

关 键 词

建筑信息模型；三维激光点云；自动配准；变化检测；铁路站房

作 者 简 介

第一作者简介：匡国冠，高级工程师，现主要从事铁路建设管理方面的研究工作。E-mail：16870872@qq.com。

通信作者简介：李帅涛，工程师。E-mail：mn4t634gxb@hotmail.com。

引 文 格 式

匡国冠,李帅涛,祁孜威,等.面向铁路站房施工监测的BIM与三维激光点云要素级自动配准与变化检测方法[J].测绘技术装备,2026,28(2):116-121.

DOI:10.20006/j.cnki.61-1363/P.2026.02.018.

正 文

铁路客运站施工项目普遍存在工程体量大、工期紧张、现场环境变化快等特点，而传统人工巡查监测方式则因为巡查覆盖面有限、效率较低且受人为主观因素影响显著，难以满足复杂、快速变化的施工环境下的监测需求。建筑信息模型（building information modeling，BIM）为施工过程提供了精准且可视化的三维数字基底，三维激光点云能够高精度地记录施工现场的真实状态。

因此，将BIM与实测点云进行变化检测，有望实现对施工进度的快速感知与偏差识别。但由于二者在模态、语义与数据结构等方面存在显著差异，给配准与变化检测带来了挑战。当前主流的配准方法普遍存在人工依赖性强、临时设施干扰大和复杂结构误匹配严重等不足。其根源在于：首先，BIM与三维激光点云在几何表征上存在本质差异，BIM以精确的几何参数和构件语义描述建筑物实体，而三维激光点云仅由离散的三维坐标组成，缺乏结构与语义信息，导致特征提取与匹配困难；其次，二者在数据尺度与密度上存在不一致，BIM多为轻量化模型或矢量数据，而三维激光点云则具有高密度与冗余特征，直接配准时易因数据量级不匹配造成算法性能下降；最后，现有配准方法（如ICP、基于特征的匹配）多针对同源或同模态数据设计，难以处理多模态数据之间的精确对齐问题。

针对上述问题，本文提出了一种BIM与三维激光点云要素级的自动配准方法。该方法直接融合多模态几何特征信息，自动提取铁路站房中具有规律分布的水平与垂直结构构件（如地面、立柱等），从而避免了因模态差异带来的配准误差，并通过引入双向最近邻匹配策略，实现了不同数据中的几何要素自动关联与配对，完成了坐标系对齐。最终，通过计算三维激光点云到BIM构件表面的最小距离，准确识别了施工区域的结构变化，实现了对铁路站房关键构件的进度核查与变化检测，为数字建造与智能监理提供了技术支撑。

1要素级自动配准与施工变化检测

进行要素级自动配准与施工变化检测时，首先，对BIM数据进行模态转换，将其采样成三维激光点云数据；其次，根据铁路站房结构几何特点，提取不同数据的水平及垂直要素；再次，自动匹配关联不同数据中的底板和垂直结构并进行配准；最后，通过计算三维激光点云到BIM的距离来提取施工变化区域。整个过程可采用自动化方法进行处理，具体流程如图1所示。

图1 要素级自动配准与施工变化检测方法流程

BIM数据通常由网格模型进行组织表达，三维激光点云无法直接与BIM的网格模型进行配准和比较，因此，本文将BIM的网格模型采样成BIM点云数据，采样点云分辨率与获取的三维激光点云保持一致。

1.1 几何要素提取

在建设过程中，铁路站房需在建筑物水平底板上搭建大量的垂直承重柱，因此，其点云数据中具有大量几何特征明显的水平和垂直结构要素，这部分结构可用作数据配准的几何基准。

1.1.1 水平要素提取

本文采用布料模拟滤波算法（cloth simulation filter，CSF）提取铁路站房中的水平结构要素，如地面。该算法在复杂环境下具有较好的地面点提取性能，可通过模拟布料下垂过程实现地面点云的分离。首先，将原始点云映射到一个二维规则网格上，并在最高点初始化一张虚拟布料；其次，通过重力驱动模拟布料自然下垂的过程，使其在与点云表面发生碰撞后逐渐贴合于地面区域；最后，与CSF模型接触的点被识别为地面点，实现地面点云的提取。完成水平结构要素的提取后，计算其质心点‌(xo,yo,zo)，利用主成分分析方法计算地面点云法向量N(x,y,z)，即法向量为该地面点云构成的协方差矩阵最小特征值对应的特征向量，这里设水平基准面为0。

1.1.2 垂直结构要素提取

为了有效地剔除临时设施干扰，本文提出利用垂直投影密度特征与垂直高程差异提取主要垂直结构，提取流程如图2所示。

图2 垂直结构判定流程

1）二维局部坐标系构建。设原始三维点云数据集合为P=(xi,yi,zi)i=1n，将pj(xj,yj,zj)pj∈P沿地面点云法向量方向N投影到水平基准面L，并与地面点云质心点建立局部坐标系（u,v），其计算方法如式（1）所示：

2）点云投影。将点云集合中所有点沿地面点云法向量方向N投影到局部坐标系，得到二维点集。

3）特征计算。在水平基准面上建立一个覆盖整个二维点云的二维网格R×R。统计网格单元中点的数量，得到垂直投影密度特征D（x,y），构建空间分辨率为R的二维密度场，以量化点云空间分布特征；计算网格中最高点与最低点的高度差，得到垂直高度差特征H（x,y），以量化表达点云数据中垂直方向的空间异质性，其计算方法如式（2）所示：

式中：G(x,y)表示坐标为(x,y)的网格单元；1为示性函数，当条件成立时，取值为1，否则为σ。

4）垂直结构判定。通过统计分析方法确定网格单元内点云密度的均值μ与变异度σ,基于上述统计量设定密度阈值τd=μ+σ；引入针对柱高度的相对深度阈值约束τh，剔除低于设定垂直阈值的干扰点云，基于垂直结构二维点集，使用密度聚类（density-based spatial clustering of applications with noise，DBSCAN）算法对垂直结构进行聚类，并计算每个垂直聚类的质心来代表此垂直结构。

1.2 要素级配准

在多期施工场景中，实现三维激光点云与BIM的高精度时空配准是开展施工进度变化检测的前提条件。由于BIM与现场激光扫描点云之间存在多模态差异，包括几何表达方式的本质差异、数据密度分布不一致以及特征信息缺失等问题，传统的配准方法在此类异构数据环境下常面临匹配精度低和计算效率差等问题。因此，本文提出了一种基于层次化结构要素的鲁棒配准框架，充分挖掘铁路站房中典型结构构件的空间分布规律，建立语义驱动的数据对齐机制，有效提升了多模态数据间的配准精度与鲁棒性。

针对BIM与三维激光点云之间的异构差异，本文从配准所依赖的层次化结构要素出发，对两类数据进行统一抽象表达，即将BIM数据集定义为DBIM=(HB,nB,VB)，其中，HB、nB、VB分别表示水平结构、法向量与垂直结构；三维激光点云数据集定义为DLiDAR=(HL,nL,VL)，为待配准数据。该表示为后续分层特征匹配与刚体变换求解提供了统一的数据基础。

1.2.1 垂直层次配准

垂直层次配准的目标是通过刚体变换消除BIM与三维激光点云两水平面间的姿态差异，其配准流程如图3所示。

图3 垂直层次配准流程

1）法向量方向一致性修正：计算两法向量之间的余弦值cosθ，若cosθ小于0，将nL反向，以确保方向一致性。

2）旋转轴与旋转矩阵计算：定义旋转轴k为两法向量的归一化交叉积，基于罗德里格斯公式构建三维旋转矩阵R∈SO(3)，其计算如式（3）所示：

式中：I为3×3的单位矩阵，K为旋转轴k的反对称矩阵。

3）平移向量求解：计算两水平平面间的垂直平移量tz，其计算如式（4）所示：

式中：dB、dL分别为BIM与三维激光点云平面方程的截距项。

4）配准变化合成：垂直层次的配准变换矩阵如式（5）所示：

1.2.2 水平层次配准

基于垂直结构特征点集进行关键结构角点提取，用作配准点。首先，对特征点集合进行主方向分析，计算最小面积外接矩形，定义矩形顶点集合为{c1,c2,c3,c4}。选取对角顶点c1和c3作为参考点，并以c1为局部坐标系原点，单位方向作为局部X轴方向，如式（6）所示构建局部坐标系。

式中：ex、ey为局部坐标系的x轴、y轴的单位基向量，ez为垂直于水平配准平面的单位法向量。

其次，根据式（7）将特征点集合转换至局部坐标系。

式中：vi为表垂直结构特征点集，T为转置。

坐标转换后，依据点集在局部坐标轴x、y上的投影坐标进行密度聚类分组，定义轴向容差阈值δ=3ε。当点云满足|xk-μx|≤δ,|ym-μy|≤δ时，视为同一分组。基于各分组的质心坐标，通过极值组合提取矩形区域的角点，并更新角点集合{c1,c2,c3,c4}。

完成角点提取后，采用双向最近邻匹配机制，构建基准数据与待配准数据之间的双向匹配损失函数，其计算如式（8）所示：

式中：为空间距离约束项，π(t)为匈牙利算法优化的最优对应关系；Angle(nL,nB)为角度约束项，旋转约束权重λ为0.1。对损失函数L(T)进行仿射变换求解，采用最小二乘法求解最优变换矩阵T*∈SE(2)，其计算如式（9）所示：

式中：s.t.为约束条件，R∈SO(2)、t∈R2分别为旋转项为二维旋转矩阵、平移项为二维向量。

1.3 变化检测

在完成BIM与多期三维激光点云的精确配准后，可基于空间一致性开展施工变化检测，以实现对实际建造进度的有效评估。变化检测的核心目标是识别现场施工状态相较于设计模型的偏差区域，判断是否存在未施工、误施工或结构变动等情况。考虑到三维激光点云与BIM在模态和密度上的差异，本文采用基于点到BIM构件表面距离阈值的变化检测方法。该方法具有实现简便和对噪声鲁棒性强的特点，能够适应复杂工地环境下的施工进度分析需求。具体检测流程如下所述：

1）对于三维激光点云中任意一点pi(L)=(xi,yi,zi)，沿其法向量方向ni构建空间射线L(pi(L),ni)，在BIM的三角面片集合M={f1,f2,…,fm}中，通过射线追踪算法计算射线与M的首次相交面片集合fk={va,vb,vc}，其中，va,vb,vc为三角面片的3个顶点。

2）基于BIM面片fk的几何参数，计算点pi(L)到fk的垂直距离di，其计算如式（10）所示：

式中：nk为面片fk的法向量。

3）设定动态阈值dth=ασ+βεdth，其中σ为三维激光点云密度（平均点间距），ε为配准均方根误差（root mean square error，RMSE，用ERMSE表示），α、β为经验系数，本文取α等于3，β等于2。当点云中某点到对应BIM构建表面的距离di大于阈值时，判定其为变化点；反之，则判定为未变化点。

2 实验与分析

2.1 实验环境与数据描述

本研究基于C++编程语言，依托CGAL 5.4算法实现三维点云数据的几何计算。算法开发环境为64位Windows 10操作系统，硬件配置为Intel Core i7-10700K CPU（3.8 GHz）及NVIDIA RTX 3080 GPU（10 GB显存）。

研究区位于长沙西站站房施工区域，研究对象为站房主体结构施工阶段的BIM模型及对应施工期的实测三维激光点云数据。实验数据包含3类高精度三维空间数据：长沙西站第一期施工规划BIM，格式为IFC 4.0，包含建筑物结构信息，绝对坐标精度优于3 cm，其采样值分辨率为0.03 m；第二期三维激光点云数据采用Trimble X7三维激光扫描仪采集，站点平均间距为6 m，共设32个扫描站点，点云分辨率采样至0.03 m；第三期三维激光点云数据采集参数同第二期，数据采集间隔为施工周期45 d。

2.2 实验结果与分析

采用CSF（参数设置：布料分辨率为0.03 m，迭代次数为500）进行多源数据水平基准面提取，为后续垂直角度配准提供法向量约束；基于点云在垂直投影面的密度及高差分布特征，采用双阈值判定法（密度阈值大于0.73 m，高度差阈值大于2.5 m）提取垂直结构点云数据，作为水平角度配准的角点特征源；通过DBSCAN聚类与人工目视检查相结合的方式进行验证，确认垂直结构提取完整率达100%。

基于几何要素驱动配准方法获取的刚体变换矩阵和平移向量实现两期三维激光点云与BIM数据空间对齐；通过计算配准后三维激光点云到BIM构件表面的距离，得到第二期和第三期三维激光点云相对于BIM的配准误差分布，ERMSE量化表征整体配准误差如图4所示。

图4 配准误差分布

实验配准结果表明，基于几何要素驱动的自动配准方法能够实现BIM与两期三维激光点云数据的稳定对齐。以BIM为基准，第二期三维激光点云配准后的ERMSE为0.052 m，第三期配准后的ERMSE降低至0.034 m，表明本文方法能够在复杂施工场景下实现较高精度的多模态数据配准。

在完成精确配准的基础上，进一步开展变化检测实验。图5给出了第二期和第三期三维激光点云相对于BIM模型的变化检测结果，其变化判定阈值分别为0.194 m和0.158 m。

图5 变化检测结果

实验结果表明，第二期施工现场整体与设计模型较为一致，变化区域主要集中于施工临时区域；第三期检测结果显示，中央候车厅顶部钢结构存在明显新增区域，能够较好地反映施工阶段性进展及局部结构偏差。结合人工标注结果对变化检测精度进行验证，变化区域与未变化区域的平均检测精度分别达到88.6%和80.8%，表明本文方法在铁路站房复杂施工场景下能够有效识别结构变化区域，具备较好的工程适用性。

3 结 束 语

本文针对铁路客运站施工进度监测中多源数据配准困难的问题，提出了一种基于要素级结构的BIM与三维激光点云数据要素级自动配准与施工变化检测方法。该方法充分融合了BIM的几何先验与激光点云的现场感知特性，构建了涵盖数据预处理、结构要素提取、精确配准及变化识别的完整技术流程，为大型交通枢纽的数字化建造管理提供了可推广的解决思路。

尽管本方法在准确性与自动化水平方面取得了良好效果，但在实际应用中仍存在改进空间，尤其是在临时设施或移动设备（如塔吊基座）干扰过滤方面仍有待加强。后续工作可结合多模态数据融合策略扩展至轨道区及附属建筑场景，以验证其在不同空间复杂度下的鲁棒性。

来源：自然资源部测绘标准化研究所