CN107657659A - 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 - Google Patents
基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 Download PDFInfo
- Publication number
- CN107657659A CN107657659A CN201710690419.8A CN201710690419A CN107657659A CN 107657659 A CN107657659 A CN 107657659A CN 201710690419 A CN201710690419 A CN 201710690419A CN 107657659 A CN107657659 A CN 107657659A
- Authority
- CN
- China
- Prior art keywords
- cuboid
- plane
- point cloud
- normal vector
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Abstract
本发明提供了基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法,通过平面提取、基于长方体的空间划分以及基于图割算法的二值化分类建模。将建模工作模式化到一种基于长方体素结构的二值化分类问题。利用平面上的点集和各个长方体的空间相对位置关系,建立反映拟合效率的覆盖度指数,并以此建立全局优化的目标能量方程。使用图割算法对目标方程求解,得到关于长方体的二值化分类,运算处理效率高;模型各个表面平整,结构整体紧促,直观效果舒适;由于模型结果只保留了长方形顶点和片面结构,相对于输入的密集三维点云而言,数据量得到了极大压缩,模型轻量化显著,这对于大规模建筑物场景的建模工作具有良好的支撑作用。
Description
技术领域
本发明涉及计算机自动建模领域,具体涉及基于长方体拟合扫描三维点云数据的曼 哈顿结构建筑物自动建模方法。
背景技术
城市的三维几何模型是建设数字城市的重要基础数据之一,对城市规划、智能交通 导航、环境监测和防灾应急等都有重要的应用价值。空间数据采集可以有多种方法,如通过摄影测量技术(Photogrammetry)恢复或者激光雷达扫描仪(LiDAR)扫描等技术 采集三维点云数据。这类三维点云数据在许多后续应用中无法满足特定的操作需求,如 参数化表达、计算分析、快速成型、渲染和碰撞检测等。因此,在三维点云数据的基础 上进行表面几何建模,生成格网化的表面模型成为很多实际应用中必不可少的工作,而 进行自动化三维表面建模仍然是一项极具挑战性的工作。曼哈顿场景是指空间结构满足 由三个方向相互正交的平面系列组合的一种结构,它对现实场景中的人造建筑物表达具 有广泛的适用性。因此,研究该类型结构的自动建模方法,可以为大规模城市自动建模 工作提供重要的支持。
目前的商用三维建模软件主要以交互式或半自动的方式进行建模操作。比如,Autodesk公司的3D Studio MAX和AutoCAD等三维建模渲染软件,如果面对工程建模 的应用,都需要交互输入如坐标、尺度和角度等必要的几何参数,工作量大且操作繁琐。 Google公司为普通建模爱好者开发了一款软件SketchUp,以模仿图纸作图的方式设计 一种交互式的快捷简便的生成三维模型的方法,而不考虑模型的精度和可测量性。这一 类半自动或交互式的建模方式远不能满足快速发展的城市大规模三维可视化自动建模 的需求。而针对数据驱动的自动建模方法,主要可以分为以下三类:第一类,基于 Delaunay三角剖分的方法;第二类,基于轮廓线提取与拉伸的建模方法;第三类,基于 隐函数的表面建模方法。
第一类建筑物建模算法是以Delaunay三角剖分为基础的算法,这类算法一般通过对 全部或者大部分点进行内插,然后进行Delaunay三角形构网得到表面模型。Delaunay三角网的一个重要特性就是其中的任一三角形的外接圆范围内不会有其它点存在并与 其通视。图2给出了一组基于二维散点的Delaunay三角剖分示意图。对于建筑物建模, 首先以三维点云数据的平面二维坐标为索引进行构网,然后将高程数据以属性的形式添 加到三角网节点上,得到三维模型。图3所示给出了一组通过该技术实现的三维表面模 型。
但是,Delaunay三角剖分构网法重建的表面模型可以完全保留原始三维点云数据的 精度,然而正因如此,对于数据缺失和噪声等现象,这种算法没有相应的处理,导致重建的表面往往存在不规整和由噪点引起的突兀。
此外,该方法只利用了平面二维的信息进行建模,丢失了纵向信息,而且需要对输入数据进行约束,即平面坐标是铺展开的结构。这些问题导致了基于Delaunay三角剖 分的几何模型表达不理想,限制了该技术的推广应用。
第二类建筑物建模算法是通过提取屋顶轮廓线,并垂直拉伸到地面得到的多面体模 型。这类算法首先对三维点云进行分割处理,得到能够代表不同屋顶区域的不同三维点云聚类,如图4所示。然后提取每一个聚类点集的区域轮廓,并对轮廓线进行一些拓扑 优化,比如填补缺口和线段简化等。图5给出了一种Douglas-Peucker线段简化轮廓线 的方法示意图。最后,屋顶轮廓线组成封闭的屋顶面片,同时将轮廓线向地面延伸,形 成代表墙面的几何面片。最终,由屋顶面片和墙面面片两类多边形组合,获得表达整个 建筑物的2.5维表面几何模型,如图6所示。
但是,该技术的建模结果依赖于屋顶分割和轮廓线提取的结果,如果数据存在严重 噪声或者异常采样值时,分割和轮廓提取的结果难免存在失真,进而致使重建的模型无法与实际建筑物结构对应。此外,由于是直接从轮廓向地面拉伸构造立面结构,致使模 型无法表达纵向上的结构,严格讲这一类模型属于2.5维模型,缺失墙体立面信息。
第三类常用的建模技术是隐式表面建模,这类方法假设采样三维点云数据空间中存 在一种能够近似表达几何表面模型的隐函数,该方法将整个空间区域假设为一个函数场, 目标表面为场中一个等值面,表面求解的过程就是要找到这样一个能够描述等值面的函 数,使其最佳拟合到采样三维点云数据。这类技术中一种典型的算法是Poisson重建算法,如图7所示,该技术假设点集代表了物体表面的位置,其法向量代表了目标物的内 外方向。通过隐式地拟合一个由物体派生的指示函数,可以给出一个物体表面的平滑 估计。
表面重建算法的设计是通过求解表征三维点云形状的指标函数:
用一个向量场表示点集,找到指示函数χ,使其梯度最佳拟合即:
应用散度算子,可以变换成一个泊松问题并求解:
图8给出了一组Poisson重建结果的示例。
但该技术以Poisson重建为例的隐函数建模方法,需要输入三维点云数据具有可靠 的法向量估计,而三维点云的法向量精确估计本身是一项技术难点。第二,当原始三维点云存在区域性的缺失漏洞时,该技术无法弥补数据的缺失部分,而产生意想不到的建 模结果。此外,该方法重建的表面模型仍需要大量的存储空间,难以满足大规模场景建 模工作的需求。
本发明针对现实场景中广泛存在的曼哈顿结构,从三维点云数据出发,设计一种数 据驱动型的,以自动拟合长方体的方式快速自动化建模方法。图1给出了一幅满足曼哈顿假设的建筑物以及通过航空摄影测量技术获得的三维点云。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明以满足曼哈顿结构的人造建筑 物扫描得到的三维点云为数据,进行自动化的三维几何建模。本发明主要解决了现有技术在数字城市化三维建模工作中的一些重要问题:对输入数据要求严苛;建模处理的自 动化效率低;模型结果表达复杂;模型结果数据量大等。
技术方案:
基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法,包括步骤:
(1)获取数据对象:采用摄影测量技术或者三维激光雷达扫描仪扫描曼哈顿结构建筑物,获得其三维点云数据;
(2)建模:
1)通过RANSAC算法,提取步骤(1)中获得的三维点云数据中包含的平面结构;
2)将步骤1)得到的平面结构旋转,使其法向量分别与三个坐标轴相平行;将所述平面结构的法向量强制约束等于和它最接近的主坐标轴方向,得到新的平面参数方程; 并更新平面结构;
3)将步骤2)更新后的平面结构根据指向分为三组,即GX,GY,GZ,分别代 表法向量与X,Y和Z轴平行的三组平面;在所述三组平面的每一组中分别选择相邻的 两个平面,得到6个平面;将这6个平面组合成一个备选长方体;所述长方体分为两类, 一类是组合成为目标模型实体内部的,被视为有效建模的长方体,标记为1;另一类是 实体外部的,非结构组成部分的无效的长方体,标记为-1;
4)给每一个长方体bi计算一个覆盖度分值S(bi),具体而言,
其中,代表了长方体的一个面f的法向量,一个长方体共有6个面;代表参与拟合该面f的点pj的法向量,点数目M在拟合之后有确定的值;而dist(pj)表示了点pj到平面f的距离;
5)根据步骤4)分别计算各个长方体的覆盖度参数;
6)根据步骤5)的覆盖度参数建立目标能量方程,具体形式如下:
其中,λ是用以权衡数据项和平滑项的权重参数;D(bj)是由长方体bj的覆盖度参数组成的数据项,
V(bj,bi)=max(Ci,j,1) (6)
另外V(bi,bj)表示约束节点相互作用的平滑项,其中的Ci,j是为处理噪声和采样不均而设计的一个紧凑度函数;
7)采用的是经典的图割算法求解步骤6)建立的目标能量方程,将所有的长方体分类为对建模有效的长方体和无效的长方体两类;最终的三维几何模型就是由分类结果中有效的长方体组合而成的几何表面。
所述RANSAC平面提取算法具体步骤如下:
11)每次循环计算过程中,利用随机采样的方法从三维点云数据X中任意选取不共线的3个点{x1 i,x2 i,x3 i}组成计算一个平面所需的最少条件,计算由这三个点确定的平面πi;
12)比较平面πi的法向量与三个点的法向量{n1 i,n2 i,n3 i}的差异是否小于预设的阈值 来判断该平面能否作为备选平面;如果满足阈值条件,则将πi纳入到备选平面集Π中;
13)获得备选平面πi之后,定义一个计数器,计算三维点云数据中的所有采样点到平面的距离,以及所有点的法向量与平面πi法向量的交角;如果某一点的距离和法向量 交角都小于预设的拟合阈值,表示该点可以被认为是平面πi的一个支撑点,则计数器加 一;否则,计数器不记录该点;
14)在完成规定的循环计算次数后,备选平面集Π中获得最多支撑点数的平面被选 出;然后,利用被选出的平面的所有支撑点,根据最小二乘平面拟合方法重新来计算优化平面位置,由此获得参数化的平面πj;
15)产生了一个平面πj后,对剩下的点集X\inliersπj,重复步骤(1)到(4)继续 提取平面,直到没有可以满足继续有效拟合一个平面的数据为止。
建筑物三维点云数据采集过程中存在区域性的遮挡,通过简单的参数输入补全信息。
平面结构的数学模型是由一个点坐标Xc和法向量两个参数表达,同时与坐标轴正交的平面法向量只有一个参数不为0,即总是为(1,0,0)或(0,1,0)或(0,0,1) 其中的一个;对于缺失的平面,输入其所对应的法向量和任意一个落在平面上的点的 坐标Xc即可补全。
根据点的覆盖情况共有三类长方体,第1类为建筑物内部的长方体且有表面三维点 云能够覆盖到;第2类为建筑物外部的长方体且有表面三维点云能够覆盖到;第3类为没有表面三维点云能够覆盖到的长方体。
第1类长方体的取值通常为正值,而第2类刚好相反;第3类由于没有三维点云覆盖,即M=0,其覆盖度直接的计算结果为0;针对第3类长方体,设计一种覆盖度计算 传递公式:
其中,Nbj表示与长方体bj具有共享面fij的邻接长方体;ωj根据共享面fij的面积计算的一个权值,而dij表示两个长方体的重心的距离;
由此将已经计算的第1、2类的长方体覆盖度参数传递给空白的长方体;最后,利用图割算法求解目标能量方程,实现二值分类,将所有长方体分为有效的和无效的两类 建模组件。
有益效果:该技术发明从运算速率和模型表达等多个方面比较传统建模方法有极大 提高:
1)本技术有效地克服了噪声和采样不均匀等的数据缺陷对建模的影响。处理过程中, 第一步工作是将输入的三维点云数据转化为拟合的平面数据,从而后续处理的对象是平 面和参与拟合的点的位置和法向量信息。由于处理对象转化为了平面,而拟合平面是三维点云的高一层次抽象,这是利用统计的思想规避了噪声点和不均匀采样的独立响应;
2)自动化方面,将建模工作模式化到一种基于长方体素结构的二值化分类问题。利 用平面上的点集和各个长方体的空间相对位置关系,建立反映拟合效率的覆盖度指数,并以此建立全局优化的目标能量方程。使用图割算法对目标方程求解,得到关于长方体 的二值化分类,运算处理效率高;
3)模型表达方面,由于最终的模型采用的是长方体拟合的结果,模型各个表面平整, 结构整体紧促,直观效果舒适;
4)数据存储方面,由于模型结果只保留了长方形顶点和片面结构,相对于输入的密 集三维点云而言,数据量得到了极大压缩,模型轻量化显著,这对于大规模建筑物场景的建模工作具有良好的支撑作用。
附图说明
图1为满足曼哈顿结构的建筑物影像(a)和三维点云(b)。
图2为Delaunay三角剖分示意图。
图3为基于Delaunay三角剖分的三维模型。
图4为原始三维点云以及提取的屋顶聚类点集。
图5为Douglas-Peucker线段简化示意图。
图6为基于轮廓线建模的三维模型。
图7为Poisson重建技术示意图;其中(a)为有向三维点云,(b)为指示函数梯 度▽χM,(c)为指示函数χ,(d)为表面模型。
图8为Poisson重建三维模型。
图9为RANSAC平面提取结果和更新后的严格正交平面集合。
图10为平面提取结果示意图(a)及长方体划分空间示意图(b)。
图11为覆盖度S(bi)计算。
图12为建模结果示例1;其中a:航拍影像;b:基于摄影测量恢复的三维点云;c: 平面提取结果;d:长方体空间划分;e:建筑物几何表面模型。
图13为建模结果示例2;其中,a:地面LiDAR扫描三维点云;b:平面提取结果; c:长方体空间划分;d:建筑物几何表面模型。
图14为建模结果示例3;其中,a:机载LiDAR扫描三维点云;b:平面提取结果; c:长方体空间划分;d:建筑物几何表面模型。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明包括步骤:
(1)数据输入:
摄影测量技术或者三维激光雷达扫描仪扫描获得的三维点云数据,且三维点云结构 存在显著的曼哈顿结构分布,即三维点云主要分布在与三个相互正交的主方向相垂直的 不同层次的多个平面上。
(2)建模:包括1)平面提取、2)基于长方体的空间划分、3)基于图割算法的二 值化分类建模。
1)平面提取:
通过RANSAC算法,提取步骤(1)中获得的三维点云数据中包含的平面结构。RANSAC平面提取算法是一种基于随机采样一致性检验思路的模型求参方法,具体步 骤如下:
11)每次循环计算过程中,利用随机采样的方法从三维点云数据X中任意选取不共线的3个点{x1 i,x2 i,x3 i}组成计算一个平面所需的最少条件,计算由这三个点确定的平面πi。
12)比较平面πi的法向量与三个点的法向量{n1 i,n2 i,n3 i}的差异是否小于预设的阈值 来判断该平面能否作为备选平面。如果满足阈值条件,则将πi纳入到备选平面集Π中。
13)获得备选平面πi之后,定义一个计数器,计算三维点云数据中的所有采样点到平面的距离,以及所有点的法向量与平面πi法向量的交角。如果某一点的距离和法向量 交角都小于预设的拟合阈值,表示该点可以被认为是平面πi的一个支撑点,即属于inliers,则计数器加一;否则,计数器不记录该点。
14)在完成规定的循环计算次数后,备选平面集Π中获得最多支撑点数的平面被选 出。然后,利用被选出的平面的所有支撑点,根据最小二乘平面拟合方法重新来计算优化平面位置,由此获得参数化的平面πj。
15)产生了一个平面πj后,在集合X中去掉拟合平面πj的inliersπj子集,剩余点组成的集合表示为X\inliersπj,重复步骤(1)到(4)继续提取平面,直到没有可以满足 继续有效拟合一个平面的数据为止。
本技术的前提是输入数据满足曼哈顿结构,因此可以发现提取的平面法向量的指向 的统计结果具有三个峰值,即对应了三个主要的正交方向,利用三个正交方向可以很容易计算得到一组转角,使三个正交方向与欧式空间三维坐标轴相平行。基于此,将三维 点云数据旋转,使其法向量分别与三个坐标轴相平行。旋转后的结构,由RANSAC算 法获得的平面法向量方向会与坐标轴指向存在微小的偏差,偏差通常小于10°。对此, 三维点云数据的平面结构由重心点Xc和法向量两个参数表示,将法向量强制约束 等于和它最接近的主坐标轴方向,可以得到新的平面方程,然后将所有三维点云对纠正 的平面进行重新投影计算,得到更新的平面拟合结果。平面拟合的结果是一系列严格正 交于主方向的平面,以及每个平面对应的投影落在其中的点集。图9给出了更新前后的 平面提取示意图。
特殊情况:建筑物三维点云数据采集过程中,难免会存在区域性的遮挡,比如地面采集建筑物三维点云时,屋顶数据可能会缺失(如图13(a)图);而航空采集三维点云 时,背面三维点云可能缺失(如图14(a)图)。在这种情况下,通过简单的参数输入就 可以补全信息。因为本技术中的平面是以一个点坐标Xc和法向量两个参数表示,同 时与坐标轴正交的平面法向量只有一个参数不为0,即总是为(1,0,0)或(0,1,0)或 (0,0,1)其中的一个。因此,对于缺失的平面,只需要简答输入其所对应的法向量和 任意一个落在平面上的点的坐标Xc即可。
本步骤的结果是从三维点云拟合得出的一系列满足三个主分量的平面集,并为每一 个平面记录了参与其拟合的点位置信息。
2)基于长方体的空间划分:
更新后的平面可以根据指向分为三组,即GX,GY,GZ,分别代表法向量与X, Y和Z轴平行的三组平面。在三组平面的每一组中分别选择相邻的两个平面,一共可以 得到6个平面,这6个平面组合成一个备选长方体。所有的平面以上述组合可以得到一 系列的长方体,从而将全局的空间划分为由一系列长方体组合的结构。这些长方体可以 分为两类,一类是组合成为目标模型实体内部的,被视为有效建模的长方体,标记为1; 另一类是实体外部的,非结构组成部分的无效的长方体,标记为-1。于是,建模问题被 抽象为一个二值化分类问题。如图10所示,左图是平面拟合得到的正交的平面集,右 图是由三个方向成对的平面组合而成的长方体空间划分结果。
对于每一个长方体而言,它具有6个面,都是通过三维点云拟合得到的。每个平面在拟合过程保留了满足投影拟合条件的点的位置信息。通过这些点位可以给每一个长方体bi计算一个覆盖度分值S(bi),具体而言,
其中,代表了长方体的一个面f的法向量,一个长方体共有6个面;代表参与 拟合该面f的点pj的法向量,点数目M在拟合之后有确定的值;而dist(pj)表示了点pj到平面f的距离。计算关系如图11(a)所示,而点集与拟合平面的关系如图11(b)所 示。
通过观察可知,根据点的覆盖情况共有三类长方体,第1类为建筑物内部的长方体且有表面三维点云能够覆盖到,如图11(b)和(c)中的蓝色部分;第2类为建筑物外 部的长方体且有表面三维点云能够覆盖到,如图11(b)和(c)中的绿色部分;第3类 为没有表面三维点云能够覆盖到的长方体,如图11(b)和(c)中的白色部分。
通过公式(1)计算,由于法向量和长方体的外表面法向量指向一致,第1类长方体的取值通常为正值,而第2类刚好相反。第3类由于没有三维点云覆盖,即M=0,其覆 盖度直接的计算结果为0。针对第3类长方体,这里设计了一种覆盖度计算传递公式:
其中,Nbj表示与长方体bj具有共享面fij的邻接长方体;ωj根据共享面fij的面积计算的一个权值,而dij表示两个长方体的重心的距离。由此可以将已经计算的第1、2类 的长方体覆盖度参数传递给空白的长方体。
本步骤的结果是根据第一步的平面提取结果,将空间划分为一系列的长方体素,而 每一个长方体素根据参与拟合平面的点的分布,可以计算得到一个覆盖度参数,这个参数初步反应了长方体对点的拟合程度。
3)基于图割算法的二值化分类:
通过步骤1)和步骤2)可以将长方体素组成的空间理解为一个马尔可夫随机场(MRF) 模式,将场景关系解释为一个关联图,图的节点代表所有的长方体素。该关联图满足规 则三维网格结构,其中每个节点存在一定数目的邻节点(最大数量为6个,即6个面都 有共享的邻接长方体;最小数量为3个,即整个空间角点处的长方体只有3个面有邻接 长方体)。将二值化分类作为概率函数求解,计算每个长方体属于内或外的概率。根据 覆盖度参数建立目标能量方程,具体形式如下:
其中,D(bj)是由长方体bj的覆盖度参数组成的数据项,形如:
V(bj,bi)=max(Ci,j,1) (6)
另外V(bi,bj)表示约束节点相互作用的平滑项,其中的Ci,j是为处理噪声和采样不均 而设计的一个紧凑度函数。利用平面组合的长方体有时会存在极细小的薄片型的个体,这些个体通过覆盖度计算很有可能得到伪值。紧凑度函数目的是用以约束薄片型的长方体,避免其单独判断分类,表达式如下:
因此,平滑项的物理意义在于,当两个长方体共享一个面,如果其中一个长方体在垂直于共享面的维度上具有大的厚度,而另一个具有薄的厚度,则薄者应当趋于和厚者 保持一致的分类结果。
能量方程(4)中的参数λ是用以权衡数据项和平滑项的权重参数。根据经验λ的取值可以使用整个采样三维点云的半径球为R之内的平均点个数,而R常取与RANSAC 平面提取步骤3)中的距离拟合阈值一致。
至此,已经建立起来用于二值分类的能量优化方程,方程的求解采用的是经典的图 割算法(Graph cut)。求解的结果是给关联图的每一个节点(长方体)分配二值化的一个取值,即将所有的长方体分类为对建模有效的长方体和无效的长方体两类,而最终的 三维几何模型就是由分类结果中有效的长方体组合而成的几何表面。
该技术发明从运算速率和模型表达等多个方面比较传统建模方法有极大提高,如表 1给出了对应图12-14建模结果的部分统计数据,
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员 来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法,其特征在于:包括步骤:
(1)获取数据对象:采用摄影测量技术或者三维激光雷达扫描仪扫描曼哈顿结构建筑物,获得其三维点云数据;
(2)建模:
1)通过RANSAC算法,提取步骤(1)中获得的三维点云数据中包含的平面结构;
2)将步骤1)得到的平面结构旋转,使其法向量分别与三个坐标轴相平行;将所述平面结构的法向量强制约束等于和它最接近的主坐标轴方向,得到新的平面参数方程;并更新平面结构;
3)将步骤2)更新后的平面结构根据指向分为三组,即GX,GY,GZ,分别代表法向量与X,Y和Z轴平行的三组平面;在所述三组平面的每一组中分别选择相邻的两个平面,得到6个平面;将这6个平面组合成一个备选长方体;所述长方体分为两类,一类是组合成为目标模型实体内部的,被视为有效建模的长方体,标记为1;另一类是实体外部的,非结构组成部分的无效的长方体,标记为-1;
4)给每一个长方体bi计算一个覆盖度分值S(bi),具体而言,
其中,代表了长方体的一个面f的法向量,一个长方体共有6个面;代表参与拟合该面f的点pj的法向量,点数目M在拟合之后有确定的值;而dist(pj)表示了点pj到平面f的距离;
5)根据步骤4)分别计算各个长方体的覆盖度参数;
6)根据步骤5)的覆盖度参数建立目标能量方程,具体形式如下:
其中,λ是用以权衡数据项和平滑项的权重参数;D(bj)是由长方体bj的覆盖度参数组成的数据项,
V(bj,bi)=max(Ci,j,1) (6)
另外V(bi,bj)表示约束节点相互作用的平滑项,其中的Ci,j是为处理噪声和采样不均而设计的一个紧凑度函数;
7)采用的是经典的图割算法求解步骤6)建立的目标能量方程,将所有的长方体分类为对建模有效的长方体和无效的长方体两类;最终的三维几何模型就是由分类结果中有效的长方体组合而成的几何表面。
2.根据权利要求1所述的曼哈顿结构建筑物自动建模方法,其特征在于:所述RANSAC平面提取算法具体步骤如下:
11)每次循环计算过程中,利用随机采样的方法从三维点云数据X中任意选取不共线的3个点{x1 i,x2 i,x3 i}组成计算一个平面所需的最少条件,计算由这三个点确定的平面πi;
12)比较平面πi的法向量与三个点的法向量{n1 i,n2 i,n3 i}的差异是否小于预设的阈值来判断该平面能否作为备选平面;如果满足阈值条件,则将πi纳入到备选平面集Π中;
13)获得备选平面πi之后,定义一个计数器,计算三维点云数据中的所有采样点到平面的距离,以及所有点的法向量与平面πi法向量的交角;如果某一点的距离和法向量交角都小于预设的拟合阈值,表示该点可以被认为是平面πi的一个支撑点,则计数器加一;否则,计数器不记录该点;
14)在完成规定的循环计算次数后,备选平面集Π中获得最多支撑点数的平面被选出;然后,利用被选出的平面的所有支撑点,根据最小二乘平面拟合方法重新来计算优化平面位置,由此获得参数化的平面πj;
15)产生了一个平面πj后,对剩下的点集X\inliersπj,重复步骤(1)到(4)继续提取平面,直到没有可以满足继续有效拟合一个平面的数据为止。
3.根据权利要求1所述的曼哈顿结构建筑物自动建模方法,其特征在于:建筑物三维点云数据采集过程中存在区域性的遮挡,通过简单的参数输入补全信息。
4.根据权利要求3所述的曼哈顿结构建筑物自动建模方法,其特征在于:平面结构的数学模型是由一个点坐标Xc和法向量两个参数表达,同时与坐标轴正交的平面法向量只有一个参数不为0,即总是为(1,0,0)或(0,1,0)或(0,0,1)其中的一个;对于缺失的平面,输入其所对应的法向量和任意一个落在平面上的点的坐标Xc即可补全。
5.根据权利要求1所述的曼哈顿结构建筑物自动建模方法,其特征在于:根据点的覆盖情况共有三类长方体,第1类为建筑物内部的长方体且有表面三维点云能够覆盖到;第2类为建筑物外部的长方体且有表面三维点云能够覆盖到;第3类为没有表面三维点云能够覆盖到的长方体。
6.根据权利要求5所述的曼哈顿结构建筑物自动建模方法,其特征在于:第1类长方体的取值通常为正值,而第2类刚好相反;第3类由于没有三维点云覆盖,即M=0,其覆盖度直接的计算结果为0;针对第3类长方体,设计一种覆盖度计算传递公式:
其中,Nbj表示与长方体bj具有共享面fij的邻接长方体;ωj根据共享面fij的面积计算的一个权值,而dij表示两个长方体的重心的距离;
由此将已经计算的第1、2类的长方体覆盖度参数传递给空白的长方体;最后,利用图割算法求解目标能量方程,实现二值分类,将所有长方体分为有效的和无效的两类建模组件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690419.8A CN107657659A (zh) | 2017-08-14 | 2017-08-14 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690419.8A CN107657659A (zh) | 2017-08-14 | 2017-08-14 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657659A true CN107657659A (zh) | 2018-02-02 |
Family
ID=61128477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710690419.8A Pending CN107657659A (zh) | 2017-08-14 | 2017-08-14 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657659A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636840A (zh) * | 2018-12-19 | 2019-04-16 | 桂林理工大学 | 一种基于鬼影像检测建筑物阴影的方法 |
CN109685821A (zh) * | 2018-12-26 | 2019-04-26 | 中国科学院大学 | 基于高质量体素的区域生长3d岩体点云平面提取方法 |
CN109697754A (zh) * | 2018-12-24 | 2019-04-30 | 中国科学院大学 | 基于主方向估算的3d岩体点云特征面提取方法 |
CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
CN109979003A (zh) * | 2019-03-16 | 2019-07-05 | 江苏长三角环境科学技术研究院有限公司 | 一种基于SketchUp的场地多种污染模型图构建方法 |
CN110163863A (zh) * | 2018-11-06 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 三维物体分割方法、设备和介质 |
CN110274602A (zh) * | 2018-03-15 | 2019-09-24 | 奥孛睿斯有限责任公司 | 室内地图自动构建方法及系统 |
CN110472651A (zh) * | 2019-06-17 | 2019-11-19 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN110986865A (zh) * | 2019-12-25 | 2020-04-10 | 苏州伟信奥图智能科技有限公司 | 一种环状物缺陷检测方法 |
CN112541264A (zh) * | 2020-12-08 | 2021-03-23 | 石河子大学 | 一种基于隐式建模的高效曲面增厚方法 |
CN112712584A (zh) * | 2019-10-25 | 2021-04-27 | 阿里巴巴集团控股有限公司 | 墙线确定方法以及空间建模方法、装置、设备 |
CN113446983A (zh) * | 2020-03-24 | 2021-09-28 | 广东博智林机器人有限公司 | 阴阳角的测量方法、装置、存储介质和处理器 |
CN116342848A (zh) * | 2023-03-28 | 2023-06-27 | 云阳县优多科技有限公司 | 一种玩具的智能制造方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780751A (zh) * | 2017-01-19 | 2017-05-31 | 桂林电子科技大学 | 基于改进的屏蔽泊松算法的三维点云重建方法 |
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
-
2017
- 2017-08-14 CN CN201710690419.8A patent/CN107657659A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
CN106780751A (zh) * | 2017-01-19 | 2017-05-31 | 桂林电子科技大学 | 基于改进的屏蔽泊松算法的三维点云重建方法 |
Non-Patent Citations (2)
Title |
---|
MINGLEI LI, ET AL.: "Manhattan-World Urban Reconstruction from Point Clouds", 《ECCV 2016》 * |
R. SCHNABEL, ET AL.: "Efficient RANSAC for Point‐Cloud Shape Detection", 《COMPUTER GRAPHICS FORUM》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110274602A (zh) * | 2018-03-15 | 2019-09-24 | 奥孛睿斯有限责任公司 | 室内地图自动构建方法及系统 |
CN110163863B (zh) * | 2018-11-06 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 三维物体分割方法、设备和介质 |
CN110163863A (zh) * | 2018-11-06 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 三维物体分割方法、设备和介质 |
CN109636840A (zh) * | 2018-12-19 | 2019-04-16 | 桂林理工大学 | 一种基于鬼影像检测建筑物阴影的方法 |
CN109636840B (zh) * | 2018-12-19 | 2021-05-25 | 桂林理工大学 | 一种基于鬼影像检测建筑物阴影的方法 |
CN109697754A (zh) * | 2018-12-24 | 2019-04-30 | 中国科学院大学 | 基于主方向估算的3d岩体点云特征面提取方法 |
CN109697754B (zh) * | 2018-12-24 | 2022-05-27 | 中国科学院大学 | 基于主方向估算的3d岩体点云特征面提取方法 |
CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
CN109685821A (zh) * | 2018-12-26 | 2019-04-26 | 中国科学院大学 | 基于高质量体素的区域生长3d岩体点云平面提取方法 |
CN109979003A (zh) * | 2019-03-16 | 2019-07-05 | 江苏长三角环境科学技术研究院有限公司 | 一种基于SketchUp的场地多种污染模型图构建方法 |
CN110472651A (zh) * | 2019-06-17 | 2019-11-19 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN110472651B (zh) * | 2019-06-17 | 2022-11-29 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN112712584A (zh) * | 2019-10-25 | 2021-04-27 | 阿里巴巴集团控股有限公司 | 墙线确定方法以及空间建模方法、装置、设备 |
CN110986865A (zh) * | 2019-12-25 | 2020-04-10 | 苏州伟信奥图智能科技有限公司 | 一种环状物缺陷检测方法 |
CN113446983A (zh) * | 2020-03-24 | 2021-09-28 | 广东博智林机器人有限公司 | 阴阳角的测量方法、装置、存储介质和处理器 |
CN112541264A (zh) * | 2020-12-08 | 2021-03-23 | 石河子大学 | 一种基于隐式建模的高效曲面增厚方法 |
CN112541264B (zh) * | 2020-12-08 | 2023-07-04 | 石河子大学 | 一种基于隐式建模的高效曲面增厚方法 |
CN116342848A (zh) * | 2023-03-28 | 2023-06-27 | 云阳县优多科技有限公司 | 一种玩具的智能制造方法及系统 |
CN116342848B (zh) * | 2023-03-28 | 2024-02-02 | 云阳县优多科技有限公司 | 一种玩具的智能制造方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657659A (zh) | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 | |
CN106023312B (zh) | 基于航空LiDAR数据的三维建筑物模型自动重建方法 | |
WO2020192355A1 (zh) | 一种城市观山可视域的测量方法及系统 | |
CN106803267A (zh) | 基于Kinect的室内场景三维重建方法 | |
CN108090960A (zh) | 一种基于几何约束的目标重建方法 | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
CN106709947A (zh) | 一种基于rgbd相机的三维人体快速建模系统 | |
CN106826833A (zh) | 基于3d立体感知技术的自主导航机器人系统 | |
CN108053476B (zh) | 一种基于分段三维重建的人体参数测量系统及方法 | |
CN104966317B (zh) | 一种基于矿体轮廓线的三维自动建模方法 | |
CN102855663A (zh) | 一种根据激光雷达栅格点云构建csg模型的方法 | |
CN101082988A (zh) | 自动的深度图像配准方法 | |
CN114332366A (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN104463969B (zh) | 一种对航空倾斜拍摄的地理照片的模型的建立方法 | |
CN105761310B (zh) | 一种天空可视域数字地图的模拟分析及图像显示方法 | |
CN110070567A (zh) | 一种地面激光点云配准方法 | |
CN113916130B (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN104751479A (zh) | 基于tin数据的建筑物提取方法和装置 | |
CN106683163A (zh) | 一种视频监控的成像方法及系统 | |
CN113379901A (zh) | 利用大众自拍全景数据建立房屋实景三维的方法及系统 | |
CN115393548A (zh) | 一种适用于三维重建的网格纹理化简算法 | |
Kada et al. | Sub-surface growing and boundary generalization for 3D building reconstruction | |
Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
CN112365543A (zh) | 基于光学影像的地质结构面提取方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |
|
RJ01 | Rejection of invention patent application after publication |