基于人工智能的空间对象识别及建模方法和系统
技术领域
本发明涉及三维建模技术领域,具体而言,涉及一种基于人工智能的空间对象识别及建模方法和系统。
背景技术
在根据扫描激光点云数据或DSM(Digital Surface Model,数字表面模型)数据进行城市基于人工智能的空间对象识别及建模的过程中,现有的建模方式主要有两种。第一种是直接根据激光点云数据人工手动提取建筑的整体轮廓线,该方法主要依靠人工优化建筑轮廓提取来提高建筑结构的准确性。第二种是对建筑物点云数据进行分层,然后对相似层进行依次计算与聚类,将一个整体建筑分成不同的组成部分,然后分别去建模,这种方式从根本上来说也是根据每次输入的激光点云数据对建筑进行整体轮廓建模,且是完全依赖计算机自动计算。
发明人在进行本发明的过程中发现,现有的根据激光点云数据建模的方法,均需要对输入的所有点云数据进行遍历、分析、处理、提取,这对大规模建模时的处理效率是一个很大的考验。首先,每次对数据的分析需要耗费大量时间,在实际项目应用中难以保证其效率;第二,在遇到房顶结构、建筑部件结构复杂的情况时,可能会因算法的不适出现计算故障等情况。
发明内容
针对上述现有技术中存在的问题,本发明提供了一种基于人工智能的空间对象识别及建模方法和系统,可以提高构建建筑模型的效率。
第一方面,本发明实施例提供了一种基于人工智能的空间对象识别及建模方法,包括:
根据预先获取的激光扫描点云数据或DSM数据,生成建模目标的初步轮廓模型;
结合建模目标的初步轮廓模型,从激光扫描点云数据或DSM数据数据中,提取特征角点;
查找已有的模型部件库中是否存在与所述特征角点相匹配的模型部件;
如果是,从所述模型部件库中调取所述模型部件,构建建模目标的模型。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述方法还包括:
如果已有的模型部件库中不存在与所述特征角点相匹配的模型部件,则根据所述激光扫描点云数据或DSM数据生成所述建模目标的模型部件,保存至所述模型部件库中。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据所述激光扫描点云数据生成所述建模目标的模型部件的步骤,包括:
对所述激光扫描点云数据进行分层;
对相似层进行聚类;根据聚类后的点云数据,生成所述建模目标的模型部件。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据预先获取的激光扫描点云数据或DSM数据,生成建模目标的初步轮廓模型的步骤,包括:
从预先获取的激光扫描点云数据或DSM数据中,提取建模目标的轮廓信息;
结合激光扫描点云数据或DSM数据,根据所述建模目标的轮廓信息,生成建模目标的初步轮廓模型。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,建立所述模型部件库的步骤,包括:
根据预先采集的已有建筑的激光扫描点云数据或DSM数据,生成多种建筑构件的屋顶模型部件;
将所述多种建筑构件的屋顶模型部件按类别进行存储,建立模型部件库。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,查找已有的模型部件库中是否存在与所述特征角点相匹配的模型部件的步骤,包括:
将所述特征角点经过平移、旋转或缩放,与所述模型部件库中的模型部件一一进行迭代匹配。
第二方面,本发明实施例还提供了一种基于人工智能的空间对象识别及建模系统,包括:
轮廓模型生成模块,用于根据预先获取的激光扫描点云数据或DSM数据,生成建模目标的初步轮廓模型;
特征点提取模块,用于从所述建模目标的初步轮廓模型中提取特征角点;
模型构建模块,用于查找已有的模型部件库中是否存在与所述特征角点相匹配的模型部件;如果是,从所述模型部件库中调取所述模型部件,构建建模目标的模型。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述系统还包括:
模型部件添加模块,用于如果已有的模型部件库中不存在与所述特征角点相匹配的模型部件,则根据所述激光扫描点云数据或DSM数据生成所述建模目标的模型部件,保存至所述模型部件库中。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述模型部件添加模块,还用于:
对所述激光扫描点云数据进行分层;
对相似层进行聚类;
根据聚类后的点云数据,生成所述建模目标的模型部件。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述系统还包括:
模型部件库建立模块,用于根据预先采集的已有建筑的激光扫描点云数据或DSM数据,生成多种建筑构件的模型部件;
将所述多种建筑构件的模型部件按类别进行存储,建立模型部件库。
本发明实施例带来了以下有益效果:
本发明实施例提供的基于人工智能的空间对象识别及建模方法和系统,对于获取的激光扫描点云数据或DSM数据进行预处理后,提取有效的特征角点与已存在的建筑部件模型库进行匹配,如果匹配成功,则无需多余计算,直接调用模型库模型建模,在很大程度上提高了构建建筑模型的效率,并且不会因为建筑部件结构复杂而出现计算故障。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例所提供的基于人工智能的空间对象识别及建模方法的流程图;
图2为本发明另一实施例所提供的基于人工智能的空间对象识别及建模方法的流程图;
图3为本发明一实施例所提供的基于人工智能的空间对象识别及建模系统的结构框图;
图4为本发明另一实施例所提供的基于人工智能的空间对象识别及建模系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有的建筑建模方法每次对数据的分析需要耗费大量时间的问题,本发明实施例提供了一种基于人工智能的空间对象识别及建模方法和系统,以下首先对本发明的基于人工智能的空间对象识别及建模方法进行详细介绍。
实施例一
本实施例提供了一种建筑构建方法。发明人发现,现在,城市建筑物结构主要包括房顶结构、建筑主体部件等,这些结构均是可重复、存在固定样式的。比如:平顶房、人字型房顶、单斜鞍型房、阁楼、阳台、门窗、平台、天井、建筑基础,柱子等。因此,本发明实施例了根据不同的建筑主体部件结构,建立了一种建筑模型库,以供建模时重复利用。如图1所示,该方法包括如下步骤:
步骤S101,根据预先获取的激光扫描点云数据或DSM数据,生成建模目标的初步轮廓模型。
激光扫描点云数据是采用三维激光扫描仪获取的真实建筑物表面的空间采样点的坐标数据。DSM数据包含了除地面以外其他包含地表建筑物、桥梁和树木等高度的高程信息。对预先获取的建筑物的激光扫描点云数据或DSM数据进行初步处理,可以提取建筑物的轮廓信息。
根据建模目标的轮廓信息,可以生成建模目标的初步轮廓模型。例如,对建模目标的轮廓信息进行进一步约束处理,可以生成建模目标的初步轮廓模型,保证后续模型均在该轮廓范围内。
步骤S102,从建模目标的初步轮廓模型中提取特征角点。
步骤S103,查找已有的模型部件库中是否存在与上述特征角点相匹配的模型部件;如果是,执行步骤S104和步骤S106;如果否,执行步骤S105。
具体地说,可以根据平面边界搜索结果,分析模型结构构建平面间拓扑关系。创新实现了计算机语言的模型拓扑导图,帮助更加快速的分析模型结构。采用基于法向量和距离约束的平面分割方法对原始激光扫描点云数据或DSM数据进行分割,分割出不同的建筑物几何面,自学习查找已有的模型部件库中是否存在与上述特征角点相匹配的模型部件。
其中,模型部件库是预先建立好的,保护现有建筑中的大部分建筑主体的模型部件。将特征角点经过平移、旋转或缩放等处理方式,与模型部件库中的模型部件一一进行迭代匹配,确定模型部件库中是否存在与特征角点相匹配的模型部件。如果在模型部件库中查找到了与特征角点相匹配的模型部件,执行步骤S104。如果在模型部件库中没有查找到了与特征角点相匹配的模型部件,则执行步骤S105。
步骤S104,从模型部件库中调取当前建模目标的模型部件,用于构建建模目标的模型。
步骤S105,根据激光扫描点云数据或DSM数据继续编辑生成当前建模目标的模型部件,可通过二次开发功能保存至模型部件库中。
具体地,可以根据激光扫描点云数据或DSM数据通过自学习记录下当前建模目标的模型部件,更新到模型部件库中。例如,可以直接从激光点云数据中提取建筑目标的模型部件;也可以采用如下方式:对激光扫描点云数据进行分层;对相似层进行聚类;将一个整体建筑分成不同的组成部分,便于分别去建模;根据聚类后的点云数据,生成建模目标的模型部件。
步骤S106,采用当前建模目标的模型部件,构建建模目标的模型。
其中,当前建模目标的模型部件,是步骤S104中得到的模型部件,或者是步骤S105中得到的模型部件。
本实施例提供的基于人工智能的空间对象识别及建模方法,不仅支持激光点云数据,也支持DSM数据作为控制建筑轮廓的主要信息,降低了数据采集成本;对于获取的激光扫描点云数据或DSM数据进行预处理后,不再像现有方案一样,通过各种繁琐算法逐点遍历,计算整个建筑的三维轮廓,而是提取有效的特征角点与已存在的建筑部件模型库进行匹配,如果匹配成功,则无需多余计算,直接调用模型库模型建模,在很大程度上提高了构建建筑模型的效率,并且不会因为建筑部件结构复杂而出现计算故障。对于无法从模型库中匹配到的数据,可以通过自学习的方式建立其建筑部件模型,并实时更新到建筑模型库中,丰富建筑模型库供后续利用。
在一可选的实施例中,如图2所示,基于人工智能的空间对象识别及建模方法包括如下步骤:
步骤S201,根据预先采集的已有建筑的激光扫描点云数据或DSM数据,生成多种建筑构件的模型部件。
步骤S202,将多种建筑构件的模型部件按类别进行存储,建立模型部件库。
其中,模型部件库也可以称为城市空间对象模型库。根据城市现有城市对象预先设计好部分模型存储在模型部件库中,此项保护的关键点为预先进行模型设计、存储技术路线与模型类型两方面,其中模型类型包括建筑类模型如房顶类型、房屋主体类型、房屋附属对象、特殊对象等;城市附件类模型如路灯、垃圾箱、变电箱、公交站点等;城市植被类模型如树木模型、假山、绿地等;城市线路类模型如电力线、城市道路、管线、下水道等。
步骤S203,根据预先获取的激光扫描点云数据或DSM数据,生成建模目标的初步轮廓模型。
步骤S204,从建模目标的初步轮廓模型中提取特征角点。
步骤S205,查找已有的模型部件库中是否存在与上述特征角点相匹配的模型部件;如果是,执行步骤S206和步骤S208;如果否,执行步骤S207。
步骤S206,从模型部件库中调取当前建模目标的模型部件,用于构建建模目标的模型。
步骤S207,根据激光扫描点云数据或DSM数据继续编辑生成当前建模目标的模型部件,可通过二次开发功能保存至模型部件库中。
步骤S208,采用当前建模目标的模型部件,构建建模目标的模型。
本实施例提供的基于人工智能的空间对象识别及建模方法,具有如下优点:首先,对每次输入的数据直接遍历记录特征角点,通过识别直接生成对应的房顶结构、建筑部件无需后续重复迭代计算,提高了自动建模效率;第二,模型库的形式因其免去了计算机自动计算房顶的过程,只需通过特征点匹配即可匹配到对应相似的房顶或部件结构,避免了出现计算故障的问题;第三,提供一种自学习机制,对模型库中没有的模型部件类型,可通过特征记录与自学习生成新的模型部件,更新到建筑模型库中。
实施例二
本实施例提供了一种与上述方法实施例相对应的基于人工智能的空间对象识别及建模系统,如图3所示,该系统包括:
轮廓模型生成模块31,用于根据预先获取的激光扫描点云数据或DSM数据,生成建模目标的初步轮廓模型;
特征点提取模块32,用于从建模目标的初步轮廓模型中提取特征角点;
模型构建模块33,用于查找已有的模型部件库中是否存在与特征角点相匹配的模型部件;如果是,从模型部件库中调取模型部件,构建建模目标的模型。
其中,轮廓模型生成模块31,还用于从预先获取的激光扫描点云数据或DSM数据中,提取建模目标的轮廓信息;根据建模目标的轮廓信息,生成建模目标的初步轮廓模型。
模型构建模块33,还用于将特征角点经过平移、旋转或缩放,与所述模型部件库中的模型部件一一进行迭代匹配。
可选地,如图4所示,上述系统还可以包括:
模型部件库建立模块30,用于根据预先采集的已有建筑的激光扫描点云数据或DSM数据,生成多种建筑构件的模型部件;将多种建筑构件的模型部件按类别进行存储,建立模型部件库。
模型部件添加模块34,用于如果已有的模型部件库中不存在与所述特征角点相匹配的模型部件,可以根据激光扫描点云数据或DSM数据继续编辑生成建模目标的模型部件,可通过二次开发功能,保存至模型部件库中。
本实施例提供的基于人工智能的空间对象识别及建模系统,不仅支持激光点云数据,也支持DSM数据作为控制建筑轮廓的主要信息,降低了数据采集成本;对于获取的激光扫描点云数据或DSM数据进行预处理后,不再像现有方案一样,通过各种繁琐算法逐点遍历,计算整个建筑的三维轮廓,而是提取有效的特征角点与已存在的建筑部件模型库进行匹配,如果匹配成功,则无需多余计算,直接调用模型库模型建模,在很大程度上提高了构建建筑模型的效率,并且不会因为建筑部件结构复杂而出现计算故障。对于无法从模型库中匹配到的数据,可以通过自学习的方式建立其建筑部件模型,并实时更新到建筑模型库中,丰富建筑模型库供后续利用。
更进一步地,本发明另一实施例还提供了一种计算机可读存储介质,存储有上述基于人工智能的空间对象识别及建模系统所用的计算机软件指令。
本发明实施例提供的基于人工智能的空间对象识别及建模方法、系统和电子设备具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
需要说明的是,在本发明所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。