CN109325998B - 一种基于点云数据的室内3d建模方法、系统及相关装置 - Google Patents

一种基于点云数据的室内3d建模方法、系统及相关装置 Download PDF

Info

Publication number
CN109325998B
CN109325998B CN201811167619.6A CN201811167619A CN109325998B CN 109325998 B CN109325998 B CN 109325998B CN 201811167619 A CN201811167619 A CN 201811167619A CN 109325998 B CN109325998 B CN 109325998B
Authority
CN
China
Prior art keywords
point cloud
cloud data
indoor
initial
wall surface
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.)
Active
Application number
CN201811167619.6A
Other languages
English (en)
Other versions
CN109325998A (zh
Inventor
史文中
瓦埃勒·阿赫麦德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hong Kong Polytechnic University HKPU
Original Assignee
Hong Kong Polytechnic University HKPU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hong Kong Polytechnic University HKPU filed Critical Hong Kong Polytechnic University HKPU
Priority to CN201811167619.6A priority Critical patent/CN109325998B/zh
Priority to US16/226,751 priority patent/US10692280B2/en
Publication of CN109325998A publication Critical patent/CN109325998A/zh
Application granted granted Critical
Publication of CN109325998B publication Critical patent/CN109325998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7635—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks based on graphs, e.g. graph cuts or spectral clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • 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
    • G06T2210/56—Particle system, point based geometry or rendering

Abstract

本申请公开了一种基于点云数据的室内3D建模方法，通过局部表面特征分析得到点云数据的法向量和曲率值，并根据该法向量和曲率值对点云数据执行集成分割操作得到各初始平面，在执行过房间构造重建后得到初始3D模型，最后再结合是否存在返回的激光脉冲和墙面物体与墙面的距离来重建墙面的具体形态，以实现对复杂室内场景的高精度3D建模，尤其是对涉及墙面特殊构造的高精度3D建模。该方法无需提供任何先验信息，并加强了对墙面具体形态的识别和重建，尤其适合对复杂度较高的室内场景进行高精度3D建模。本申请还同时公开了一种基于点云数据的室内3D建模系统、装置及计算机可读存储介质，具有上述有益效果。

Description

一种基于点云数据的室内3D建模方法、系统及相关装置
技术领域
本申请涉及信息测绘技术领域，特别涉及一种基于点云数据的室内3D建 模方法、系统、装置以及计算机可读存储介质。
背景技术
三维室内建模对于各应用领域来说都具有重要意义，并由此衍生出了各 种三维激光扫描设备，这类设备通过不断投射出激光脉冲来获取目标室内环 境的点云数据，并试图依靠这些点云数据来构建目标室内环境的3D模型。
在理想的室内环境下(复杂程度低)构建出的3D模型的速度还可以满足 需求，但实际室内环境通常拥有较高的复杂度，各式各样的家具物品相互遮 拦、杂乱摆放、一些特殊、复杂的构造等等，都会增加基于原始点云数据构 建3D模型时难度，例如从室内场景中确定结构元素(墙壁，天花板和地板) 或墙面的物体(窗户，门和其他开口)都具有一定的困难。这些困难具体包 括可能会阻挡部分墙壁或窗户的家具造成的杂乱和遮挡问题，以及如办公室 或公寓内的杂乱场景。一些房间布局是根据正交边界的规则形状构造，但有 些布局则不是，这也造成了房间布局的复杂性。
室内环境的复杂性需要针对不同的情况采用不同的方法来解决，例如， 曼哈顿假设只涉及对正交结构的检测，而除此之外的另一类方法则是通过预 先得到目标室内环境中物体的先验信息来为实际构建3D模型时提供指导，就 好比旁边有一位知道答案的老师指导学生回答问题一样。但能够获得先验信 息的实际情况极少，因此如何在没有先验信息的前提下，提供一种仅需要原 始的点云数据就可以实现对复杂室内场景的3D建模方法，是本领域技术人员 亟待解决的问题。
发明内容
本申请的目的是提供一种基于点云数据的室内3D建模方法，在对原始点 云数据进行过预处理后，通过局部表面特征分析得到点云数据的法向量和曲 率值，并根据该法向量和曲率值对点云数据执行集成分割操作，以得到各初 始平面，在执行过房间构造重建后得到初始3D模型，最后再结合是否存在返 回的激光脉冲和墙面物体与墙面之间的距离来重建墙面的具体形态(是否有 开口、门、窗以及门窗的开闭状态等)，以实现对复杂室内场景的高精度3D 建模，尤其是对涉及墙面特殊构造的高精度3D建模。该方法无需事先提供任何先验信息，并加强了对墙面具体形态的识别和重建，消除了遮挡物体对建 立出来的模型的干扰，尤其适合对复杂度较高的室内场景进行高精度3D建模。
本申请的另一目的在于提供了一种基于点云数据的室内3D建模系统、装 置以及计算机可读存储介质。
为实现上述目的，本申请提供一种基于点云数据的室内3D建模方法，该 室内3D建模方法包括：
对采集到的原始点云数据进行预处理，得到处理后点云数据；
对所述处理后点云数据进行局部表面特征分析，得到法向量和曲率值；
根据所述法向量和所述曲率值对所述处理后点云数据执行集成分割操 作，得到各初始平面；
对各所述初始平面进行房间构造重建，得到初始3D模型；
根据是否存在返回的激光脉冲和墙面物体与墙面之间的距离识别墙面的 具体形态，根据所述具体形态完善所述初始3D模型。
可选的，对采集到的原始点云数据进行预处理，包括：
对所述原始点云数据进行降采样处理，得到降采样后点云数据；
去除所述降采样后点云数据中的离群点，得到所述处理后点云数据。
可选的，对所述原始点云数据进行降采样处理，得到降采样后点云数据， 包括：
对所述原始点云数据进行体素化处理，得到所述降采样后点云数据。
可选的，去除所述降采样后点云数据中的离群点，得到所述处理后点云 数据，包括：
根据所述降采样后点云数据中每个点的位置中值和尺度平均绝对偏差去 除所述离群点，得到所述处理后点云数据。
可选的，根据所述法向量和所述曲率值对所述处理后点云数据执行集成 分割操作，得到各初始平面，包括：
使用基于所述法向量和所述曲率值的区域生长算法将所述处理后点云数 据分割成不同的聚类；
利用RANSAC算法对各所述聚类进行处理，得到各所述初始平面。
可选的，对各所述初始平面进行房间构造重建，得到初始3D模型，包括：
对各所述初始平面执行重定向和结构元素检测操作，得到天花板、墙面 以及地面，并根据房间边界信息将各所述天花板、各所述墙面以及各所述地 面分配至每个房间内；
根据高度信息以及空洞区域构建每个所述房间的3D模型，得到所述初始 3D模型。
可选的，该室内3D建模方法还包括：
当识别到墙面上存在空缺时，利用预设种类数的空缺描述参数分辨对应 的空缺种类。
为实现上述目的，本申请还提供了一种基于点云数据的室内3D建模系 统，该室内3D建模系统包括：
预处理单元，用于对采集到的原始点云数据进行预处理，得到处理后点 云数据；
局部表面特征分析单元，用于对所述处理后点云数据进行局部表面特征 分析，得到法向量和曲率值；
集成分割单元，用于根据所述法向量和所述曲率值对所述处理后点云数 据执行集成分割操作，得到各初始平面；
房间构造重建单元，用于对各所述初始平面进行房间构造重建，得到初 始3D模型；
墙面形态识别及模型完善单元，用于根据是否存在返回的激光脉冲和墙 面物体与墙面之间的距离识别墙面的具体形态，根据所述具体形态完善所述 初始3D模型。
可选的，所述预处理单元包括：
降采样子单元，用于对所述原始点云数据进行降采样处理，得到降采样 后点云数据；
离群点去除子单元，用于去除所述降采样后点云数据中的离群点，得到 所述处理后点云数据。
可选的，所述降采样子单元包括：
体素化处理模块，用于对所述原始点云数据进行体素化处理，得到所述 降采样后点云数据。
可选的，所述离群点去除子单元包括：
位置和尺度参数去除模块，用于根据所述降采样后点云数据中每个点的 位置中值和尺度平均绝对偏差去除所述离群点，得到所述处理后点云数据。
可选的，所述集成分割单元包括：
区域分割子单元，用于使用基于所述法向量和所述曲率值的区域生长算 法将所述处理后点云数据分割成不同的聚类；
算法分割子单元，用于利用RANSAC算法对各所述聚类进行处理，得到 各所述初始平面。
可选的，所述房间构造重建单元包括：
平面处理及房间分配子单元，用于对各所述初始平面执行重定向和结构 元素检测操作，得到天花板、墙面以及地面，并根据房间边界信息将各所述 天花板、各所述墙面以及各所述地面分配至每个房间内；
初始3D模型构建子单元，用于根据高度信息以及空洞区域构建每个所述 房间的3D模型，得到所述初始3D模型。
可选的，该室内3D建模系统还包括：
空缺种类分辨单元，用于当识别到墙面上存在空缺时，利用预设种类数 的空缺描述参数分辨对应的空缺种类。
为实现上述目的，本申请还提供了一种基于点云数据的室内3D建模装 置，该室内3D建模装置包括：
背包式三维激光扫描仪，用于获取目标室内环境的原始点云数据；
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述内容所描述的室内3D建 模方法的步骤。
为实现上述目的，本申请还提供了一种计算机可读存储介质，所述计算 机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现 如上述内容所描述的室内3D建模方法的步骤。
显然，本申请所提供的室内3D建模方法，在对原始点云数据进行过预处 理后，通过局部表面特征分析得到点云数据的法向量和曲率值，并根据该法 向量和曲率值对点云数据执行集成分割操作，以得到各初始平面，在执行过 房间构造重建后得到初始3D模型，最后再结合是否存在返回的激光脉冲和墙 面物体与墙面之间的距离来重建墙面的具体形态(是否有开口、门、窗以及 门窗的开闭状态等)，以实现对复杂室内场景的高精度3D建模，尤其是对涉 及墙面特殊构造的高精度3D建模。该方法无需提供任何先验信息，并加强了对墙面具体形态的识别和重建，消除了遮挡物体对建立出来的模型的干扰， 尤其适合对复杂度较高的室内场景进行高精度3D建模。本申请同时还提供了 一种基于点云数据的室内3D建模系统、装置以及计算机可读存储介质，具有 上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实 施例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 描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于点云数据的室内3D建模方法的流程 图；
图2为本申请实施例提供的另一种基于点云数据的室内3D建模方法的流 程图；
图3为本申请实施例所提供的一种基于点云数据的室内3D建模系统的结 构框图。
具体实施方式
本申请的核心是提供一种基于点云数据的室内3D建模方法、系统、装置 及计算机可读存储介质，在对原始点云数据进行过预处理后，通过局部表面 特征分析得到点云数据的法向量和曲率值，并根据该法向量和曲率值对点云 数据执行集成分割操作，以得到各初始平面，在执行过房间构造重建后得到 初始3D模型，最后再结合是否存在返回的激光脉冲和墙面物体与墙面之间的 距离来重建墙面的具体形态(是否有开口、门、窗以及门窗的开闭状态等)， 以实现对复杂室内场景的高精度3D建模，尤其是对涉及墙面特殊构造的高精度3D建模。该方法无需事先提供任何先验信息，并加强了对墙面具体形态的 识别和重建，消除了遮挡物体对建立出来的模型的干扰，尤其适合对复杂度 较高的室内场景进行高精度3D建模。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申 请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于 本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获 得的所有其它实施例，都属于本申请保护的范围。
实施例一
以下结合图1，图1为本申请实施例提供的一种基于点云数据的室内3D建 模方法的流程图，需要说明的是，本申请后文中所使用的原始点云数据是由 背包式激光扫描仪采集得到的，属于移动式激光扫描仪的一种，其具体包括 以下步骤：
S101：对采集到的原始点云数据进行预处理，得到处理后点云数据；
直接使用原始点云数据进行建模是不合适的，因为受采集设备的限制， 原始点云数据中还包含有较多的冗余信息，因此如何去除这些冗余信息，基 于一个更优的点云数据去构建3D模型是十分重要的，因此此处对原始点云数 据进行预处理是十分有必要的，其中又以消除噪声和去除异常值为主，实际 操作中可以使用相应种类的滤波器实现相应的目的。
S102：对处理后点云数据进行局部表面特征分析，得到法向量和曲率值； 在S101的基础上，本步骤旨在对经预处理后得到的点云数据进行局部表面特 征分析，具体的，是指对处理后点云数据的两个指标：法向量和表面变化(曲 率值)使用局部邻域进行估计。正如协方差矩阵分析所证明的那样，这两个 指标在确实可用于估计点云数据的局部表面特性。由最近邻域(k)估计的任 何三维空间中近邻点集合(三维点坐标表示为(x1,y1,z1)…(xk,yk,zk))的协 方差矩阵(C)可写为：
Figure BDA0001821517040000071
当我们考虑特征向量问题时：
C*υ1＝λ1*υ1
其中
Figure BDA0001821517040000072
是近邻点集合的中心，/>
Figure BDA0001821517040000073
是该点与近邻点 中心之间的距离x轴方向、y轴方向和z轴方向的投影分量。υ是特征向量， λ是特征值。在有三个存在这样大小关系的特征值λ0≤λ1≤λ2来表述一组近邻 中的变化以及特征向量的方向时，曲率值(flattening(σ))可以使用如下公式 来定量表述这个变化：
Figure BDA0001821517040000074
可以通过简单的推导得到：当最大平坦度等于1/3时，意味着这些点是各 向同性分布的；当最小值等于零时，意味着所有点都在平面上。
S103：根据法向量和曲率值对处理后点云数据执行集成分割操作，得到 各初始平面；
在S102的基础上，本步骤旨在利用法向量和曲率值将该处理后点云数据 分隔成一些具有相同特征的部分，以便进一步将其处理得到各平面。具体的， 本步骤将使用两种不同的分割方法实现该集成分割方法：基于区域的方法和 基于模型的检测(平面表面)分割方法，并减少运算时间。
其中，应用基于区域的方法的过程是估计非结构化点云中每个点的局部 表面特征属性可实现点分割的初始过程，在点分割中，使用基于法向量和曲 率值的区域生长算法将非结构化数据集(处理后点云数据)分割成不同的聚 类：首先选择种子点，如果根据邻域计算的法向量差异小于一个预设的阈值， 则生长过程会将点添加到区域中。在完成数据集中的所有点后，将种子点标 记为区域，然后选择新的种子并重复该工作，直到数据集中没有未标记点。
基于模型的方法：在根据不同的法线方向将处理后点云数据分割成若干 聚类部分之后，检测数据中的平均单元是下一个目标。在单元检测中，本申 请将RANSAC算法应用于平面模型，以更好地将点云分割成不同的平面。在 三维空间
Figure BDA0001821517040000084
中，位于平面上的任何点都可以用平面法线方向np、三维点坐标 />
Figure BDA0001821517040000081
和常数项dp组成的平面方程来表示，如公式中所述，可以使用平面法线方 向和其所描述的点坐标来估计空间中的任意点和平面的垂直投影距离(lp)：
<np,p3D>-dp＝0，np＝((np)x,(np)y,(np)z)
Figure BDA0001821517040000082
Figure BDA0001821517040000083
对基于法向量进行分割的点云，应用RANSAC(Random Sample Consensus 的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型 参数，得到有效样本数据的算法)：选择三个随机点来估计平面参数，并用 垂直投影距离检查所有点。如果该距离在阈值范围内，则将新点添加到平面 点，否则选择下一个点。该操作经过数次循环，具有大量点的模型将从所有 数据中被选出作为一个单元，该操作将循环至区域小于最小预定阈值时结束。 经过上述部分的处理，将输出与点云数据对应的整个室内场景中的各个平面。
S104：对各初始平面进行房间构造重建，得到初始3D模型；
在S103的基础上，本步骤旨在利用得到的目标室内场景的各平面进行房 间构建重建，以初步得到一个与目标室内场景对应的3D模型，这个3D模型 应初步具备目标室内场景的房间分布、空间信息描述等。
具体的，可通过以下几步骤实现：1、利用房间边界信息分割每个房间， 并将各天花板、墙面以及地面分配至所属的房间中；2、检测单独的房间和空 洞区域弥补空间信息，后续将通过具体的实施例来对此部分进行详细描述。
S105：根据是否存在返回的激光脉冲和墙面物体与墙面之间的距离识别 墙面的具体形态，根据具体形态完善初始3D模型。
在S104的基础上，本步骤旨在补充复杂室内场景中一些复杂场景信息， 即墙面信息，因为在实际室内场景中，墙壁上可能会开有空缺，用于设置门、 窗、凹陷处以及各种与墙壁接触的物体，在此将其统称为墙面的具体形态， 对应的，本步骤也可以等价为墙壁信息的重建。
即检测墙壁上的空缺是关键的一步，因为家具可能遮挡一部分墙壁结构， 而这些部分将被检测为空缺。具体的，可以将从激光扫描仪发出的激光脉冲 中获得一些有用的信息，因为这些激光脉冲不会从空缺的地方(如打开的门， 窗户和其他开口处)返回。除此之外，门或窗等墙面物体和墙之间的距离将 用于关闭的门检测等并优化墙面结构。
本申请还具体提供了一种墙壁重建的过程，由三个主要步骤组成：投影 和图像光栅化，空白区域检测和聚类以及墙面识别。首先，使用二维投影方 程和垂直投影距离将阈值距离内的点云(小于壁厚)投影到其边界内的壁平 面。由于对诸如门，窗或其他开口等表面的兴趣，处理将被简化为具有墙壁 平面坐标(高度和长度)的2D空间。这些投影数据将用预定义阈值大小的小 窗口进行网格划分，并在投影墙面上估计直方图，从直方图分析中，可以使 用占用率分析来重新定义墙壁表面。因为开口处会在直方图中表现出较少的 点数，可以根据该特性定义开口。
同时，检测到的空白区域不仅代表墙面上的空缺，还可能代表墙壁被遮 挡的部分。为了解决这个问题，还可以使用阈值距离来实现区域增长算法， 然后使用统计分析来调整该群集区域。使用预定义的阈值来应用区域增长以 区分不同的墙面空缺。某些检测到的空缺可能是由家具遮挡引起的，因此对 每个聚类进行统计分析，使用两个墙壁方向上的峰值点检测物体。
到改进分类的末尾，空缺的区域已作为墙壁表面之一进行识别。而对于 空缺的每个分类，还可以通过定义多个空缺描述参数进行多参数分辨，例如 可定义五个要素：最大宽度，最大高度，较低高度位置，最大高度位置以及 距离墙对象最大阈值内的临近点的密度分布，由此，该问题将转换为图象切 割优化，是基于对象而不是基于单元格的问题。
进一步的，可以通过为每个对象分配一个标签的方式来处理，如果它满 足所需的条件该方案将{1}分配给该对象，否则将{0}分配给该对象。而聚类 区域将通过节点或顶点(V)在图象上表示，并且这些节点通过一组边(E) 连接。该节点有两个额外的属性{source(s)和sink(t)}，它们通过n-link链接。该 集合{s&t}代表图象的前景和背景。通过最小化能量函数，图象切割会标记为 墙壁(w)或对象(o)。
E(f)＝Edata(f)+Esmooth(f)
能量函数E(f)同时具有数据项Edata(f)和平滑度项Esmooth(f)，其中， 数据项负责控制有距离阈值内的点的对象和使用正态分布的概率密度函数 (p(x|μ,σ)，其中μ为均值，σ为标准差)覆盖整个对象。当计算结果大于 等于最大概率大于阈值τ1时，意味着点遍布于整个对象。
Figure BDA0001821517040000101
同时，平滑项由对象(节点)的基于先验知识的分析组成，并且它包含3 个子项，如下所述：
Esmooth(f)＝Ea+Efc+Elin
平滑项Esmooth(f)中的子项定义如下：
区域项Ea：该项根据以下公式对节点的总面积(Area)与阈值τ2进行计 算：
Figure BDA0001821517040000102
地板和天花板项Efc：该项是基于以下公式对其中重心接近天花板或地板 的节点进行计算，其中Zc、Zf、Zu、Zl和τ3分别表示为天花板的高度、地板 的高度、节点中的最高、最低点的高度和阈值：
Figure RE-GDA0001881898470000103
线性项Elin：如果长度(length)和宽度(width)之间的比率大于阈值τ4， 则此项通过如下公式计算：
Figure BDA0001821517040000104
上述公式中使用的阈值(τ1,τ2,τ3,τ4)均需要根据处理的数据进行分 析后设定。能量函数通过将最小能量分配给相关联的标签(O)，否则分配指 定标签(w)。移除非表面物体后，下一步根据较低高度与地面的距离以及门 的最大宽度，将这些物体分配为窗户，门或其它开口。
基于上述技术方案，本申请实施例提供的一种基于点云数据的室内3D建 模方法，在对原始点云数据进行过预处理后，通过局部表面特征分析得到点 云数据的法向量和曲率值，并根据该法向量和曲率值对点云数据执行集成分 割操作，以得到各初始平面，在执行过房间构造重建后得到初始3D模型，最 后再结合是否存在返回的激光脉冲和墙面物体与墙面之间的距离来重建墙面 的具体形态(是否有开口、门、窗以及门窗的开闭状态等)，以实现对复杂 室内场景的高精度3D建模，尤其是对涉及墙面特殊构造的高精度3D建模。该方法无需事先提供任何先验信息，并加强了对墙面具体形态的识别和重建， 消除了遮挡物体对建立出来的模型的干扰，尤其适合对复杂度较高的室内场 景进行高精度3D建模。
实施例二
以下结合图2，图2为本申请实施例提供的另一种基于点云数据的室内3D 建模方法的流程图，具体实施步骤如下：
S201：对原始点云数据进行降采样处理，得到降采样后点云数据；
本实施例提供了一种通过降采样处理消除噪声的方式，降采样也称为下 采样，是一种与上采样方式相反的图像处理方法，目的在于通过缩小图像的 方式来提升有效信息的占比。
一种包含但不限于的实现方式为体素化，英文名为Voxelization，是一种 将物体的几何形式表示转换成最接近该物体的体素表示形式，产生体数据集， 其不仅包含模型的表面信息，而且能描述模型的内部属性。表示模型的空间 体素跟表示图像的二维像素比较相似，只不过从二维的点扩展到三维的立方 体单元。具体的到对点云数据的处理上，会将点云划分为三维网格(体素)， 并用重心替换体素内的所有点。对于任何非结构化的点P在3D空间中，整个域 被划分为具有相同网格空间的小方块。对于包含点(1,2,3，...，n)的每个体 素
Figure RE-GDA0001881898470000112
这些点被替换为点/>
Figure RE-GDA0001881898470000111
而体素化是通过k-d树搜索完成的，该搜索创建了 自适应分区，并且对于大规模数据是非常有效率的。
采用此种降采样方式不会改变形状的整体趋势，且会根据所使用的体素 化网格大小将数百万个点的数据量减少90％，实现尽可能消除噪声的目的。
S202：去除降采样后点云数据中的离群点，得到处理后点云数据；
经过降采样处理后的点云数据中依然可能会包含一些离群点，例如从扫 描仪收集的离散点或从图像中提取稠密点云中的未对准点。这些点将根据它 们与邻域的之间距离检测出来。
为了去除数据中的离群点，可以使用位置和尺度参数进行统计分析，具 体的，可优先选用位置的中值和尺度参数中的平均绝对偏差，这两个参数相 较于位置的平均值和尺度参数的标准偏差，更具有鲁棒性。
S203：对处理后点云数据进行局部表面特征分析，得到法向量和曲率值；
S204：使用基于法向量和曲率值的区域生长算法将处理后点云数据分割 成不同的聚类；
S205：利用RANSAC算法对各聚类进行处理，得到各初始平面；
S206：对各初始平面执行重定向和结构元素检测操作，得到天花板、墙 面以及地面，并根据房间边界信息将各天花板、各墙面以及各地面分配至每 个房间内；
由于获取的点云可能包含噪音，而这些噪音影响了点云的方向。因此， 为了精确定位和建模的需要，将会进行检测到的单元重定向。首先，几乎在 垂直方向(重力)的单元将被分类到墙平面，其他单元根据它们的平均高度 被分类到天花板或地板。将根据每个平面的几个点和正交性来估计三个主方 向。对于任何两个坐标系(xyz&XYZ)，每两个对应坐标轴之间的旋转角度 为(ω,φ,κ)，并且可以计算出旋转矩阵。重定向可以调整平面参数，且将点云 坐标调整为真实坐标系，这有助于将数据聚类到不同的房间分类中。
对于划分为墙体结构的垂直平面，其中有些平面需要移除。由于点云中 的噪声，一些垂直平面可能不属于墙体结构。这些平面将使用区域增长，直 方图和概率分析进行移除。对于每个墙平面，将使用区域生长来去除每个墙 平面的异常值。属于该平面的所有点将投影到该平面并使用预定义的像素大 小进行栅格化。计算2D投影平面上的直方图，并将直方图转换为二进制系统 (零像素为0，其他像素为1)。众所周知，墙平面将在整个平面上具有分布 点，否则将被视为假平面。因此，将使用非空单元估计概率分布函数。如果 非空单元估计概率分布函数超过预定义的阈值，该平面将被视为墙体结构。
之后，可使用区域增长算法对天花板进行聚类，种子点是随机选择的， 生长过程是根据当前点与种子点之间3D空间中的欧几里距离是否在预定义的 阈值内，如果在阈值内便将点添加至该区域。分割过程中可能导致过度分割， 因此墙段和地板聚类集群将用于细化聚类过程：
1)在二维空间中共享预定义点并且其中没有墙面阻隔的所有区域将合并 为一个区域；
2)如果包含墙壁，但共享来自墙内的点的平均值小于阈值的区域将被合 并；
3)与地平面点共享点没有超过阈值百分比的区域将被丢弃；
4)较小的区域也将被丢弃。
S207：根据高度信息以及空洞区域构建每个房间的3D模型，得到初始3D 模型；
本步骤中还具体包括边界重建、洞内重建、边界线段细化三个步骤，以 下将分别对每个步骤进行阐述：
在边界重建步骤中，将在2D空间中估计每个区域的边界。首先，通过使 用改进的凸包算法来提取每个区域的边界。使用预定义的半径采用圆形邻域， 并且{y}方向的较低点选为起始种子点。按照逆时针(CCW)顺序，将添加所 有边界点。其次，利用线增长算法对这些被提取出的点进行过滤，利用垂直 投影距离(Projected Perpendicular Distance,PPD)和二维线方程检测与其对应 线的共线点，检测到的线段将相交来确定房间布局轮廓，具体公式为：
A*x+B*y+1＝0(二维空间中线的方程)和
Figure BDA0001821517040000131
其中，A和B为计算该方程的两个变量，x和y为该线上的一个点的二维坐 标。
在洞内重建步骤中：在确定了单元的所有边界之后，有时候房间可能会 包含通风孔，或者有时因为其他因素并非所有房间都被扫描到。由于前一步 通过墙壁聚类检测每个房间段的外部边界，因此本步骤将试图通过天花板聚 类来检测内部边界和内部缺失。所有天花板点将投影到二维空间中，并且使 用在墙体细化步骤中用于确定内部缺失的相同程序，并且仅保留位于每个房 间的外边界之内的区域。边界检测和建模将被用来检测空洞点。
在边界线段细化步骤中：由于边界附近的点将具有较高的曲率，因此可 能会在分割过程中被丢弃，这会导致房间边界的误对齐。因此需要进行这些 边界线的细化。在这一步中，墙平面将投影到二维空间中。边界线将通过近 邻的投影墙平面参数进行调整。如果没有近邻的墙，其参数将被作为新的边 界线参数。
在完成这个步骤之后，每个房间的高度都会通过天花板和地板分类中的 点云中获得。3D空间中整个数据的结构单元也可以该步骤结束时获取，因此 可基于得到的空间信息构建初始3D模型。
S208：根据是否存在返回的激光脉冲和墙面物体与墙面之间的厚度差识 别墙面的具体形态，根据具体形态完善初始3D模型。
根据上述内容，本申请提供的室内3D建模方法可以被概括为四个阶段： 原始点云数据的预处理，三维集成分割，房间布局重建以及添加丰富的墙面 物体重建：
其中，三维集成分割阶段，是通过最小曲率和法向角的预定阈值进行基 于区域的分割来减少运算时间，然后使用分割后的数据通过使用RANSAC基 于模型的分割来估计原始特征；
房间布局重建阶段，是通过将多个房间的聚类数据分解到单个房间来实 现的。检测到的单元首先会被分类到主要结构元素：地面，天花板和墙壁， 并根据结构元素的法向量与垂直方向的关系进行重定向。使用区域增长，直 方图和概率分析来改进墙面分类。每个分类墙面的点云将被投影到它们相应 的平面上，并且通过直方图将所有点表示在2D单元格中。估计空单元和非空 单元的概率。如果非空单元的概率高于空单元的概率，那么该分类将被保留。 天花板使用区域生长进行聚类，并且使用经地板分类调整后的墙面分割结果 按照以下四个步骤来细化聚类过程：合并所有共享预定义点而之间没有墙壁 分隔的区域；合并所有在同一墙壁分割区域中，但与墙壁没有交叉的区域； 丢弃与对应地板存在不足预定义百分比数量的点云所有区域；较小的聚类也 将被丢弃。调整天花板后，采用改进的凸包算法和线生长算法进行二维边界 构建。使用相同的墙段调整程序来进行空洞重建以估计房间之间的空洞区域， 然后使用近邻的墙面分割结果来调整房间边界。在这个步骤的最后，所有房 间都以其布局进行三维重构。
最后阶段，进行了一种添加丰富的墙面物体算法，以识别得到墙面的具 体形态，它由三个主要步骤组成：投影和栅格化，空白区域检测和聚类以及 墙面识别。该算法处理每个单独的墙，并通过对其平面进行投影和栅格化来 估计预定义阈值检测空白区域，然后所有检测到的区域会分类到不同的墙面 上。图切割优化将这些空簇分配给不同的墙表面对象，其中会使用五个特征： 最大宽度，最大高度，较低高度位置，最大高度位置以及距离墙对象最大阈 值内的临近点的密度分布。聚类区域将通过节点或顶点(V)在图象上表示，并且这些节点通过一组边(E)连接。该节点有两个额外的属性{source(s)和 sink(t)}，它们通过n-link链接。该集合{s&t}代表图形的前景和背景。通过最 小化能量函数，图形切割会标记为墙壁(w)或对象(o)。
基于上面提供的技术方案，本申请可在仅提供由背包式激光扫描仪给出 的点云数据的基础上，对复杂室内场景进行高精度的3D建模，且速度更快。
因为情况复杂，无法一一列举进行阐述，本领域技术人员应能意识到根 据本申请提供的基本方法原理结合实际情况可以存在很多的例子，在不付出 足够的创造性劳动下，应均在本申请的保护范围内。
下面请参见图3，图3为本申请实施例所提供的一种基于点云数据的室内 3D建模系统的结构框图，该系统可以包括：
预处理单元100，用于对采集到的原始点云数据进行预处理，得到处理后 点云数据；
局部表面特征分析单元200，用于对处理后点云数据进行局部表面特征分 析，得到法向量和曲率值；
集成分割单元300，用于根据法向量和曲率值对处理后点云数据执行集成 分割操作，得到各初始平面；
房间构造重建单元400，用于对各初始平面进行房间构造重建，得到初始 3D模型；
墙面形态识别及模型完善单元500，用于根据是否存在返回的激光脉冲和 墙面物体与墙面之间的距离识别墙面的具体形态，根据具体形态完善初始3D 模型。
其中，预处理单元100可以包括：
降采样子单元，用于对原始点云数据进行降采样处理，得到降采样后点 云数据；
离群点去除子单元，用于去除降采样后点云数据中的离群点，得到处理 后点云数据。
进一步的，降采样子单元可以包括：
体素化处理模块，用于对原始点云数据进行体素化处理，得到降采样后 点云数据。
进一步的，离群点去除子单元可以包括：
位置和尺度参数去除模块，用于根据降采样后点云数据中每个点的位置 中值和尺度平均绝对偏差去除离群点，得到处理后点云数据。
其中，集成分割单元300可以包括：
区域分割子单元，用于使用基于法向量和曲率值的区域生长算法将处理 后点云数据分割成不同的聚类；
算法分割子单元，用于利用RANSAC算法对各聚类进行处理，得到各初 始平面。
其中，房间构造重建单元400可以包括：
平面处理及房间分配子单元，用于对各初始平面执行重定向和结构元素 检测操作，得到天花板、墙面以及地面，并根据房间边界信息将各天花板、 各墙面以及各地面分配至每个房间内；
初始3D模型构建子单元，用于根据高度信息以及空洞区域构建每个房间 的3D模型，得到初始3D模型。
进一步的，该室内3D建模系统还可以包括：
空缺种类分辨单元，用于当识别到墙面上存在空缺时，利用预设种类数 的空缺描述参数分辨对应的空缺种类。
基于上述实施例，本申请还提供了一种基于点云数据的室内3D建模装 置，该装置可以包括存储器和处理器，其中，该存储器中存有计算机程序， 该处理器调用该存储器中的计算机程序时，可以实现上述实施例所提供的步 骤。当然，该装置还可以包括各种必要的网络接口、电源以及其它零部件等。
本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计 算机程序被执行终端或处理器执行时可以实现上述实施例所提供的步骤。该 存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、 随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种 可以存储程序代码的介质。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，且各个 实施例间为递进关系，每个实施例重点说明的都是与其他实施例的不同之处， 各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言， 可参见对应的方法部分说明。以上实施例的说明只是用于帮助理解本申请的 方法及其核心思想。对于本技术领域的普通技术人员来说，在不脱离本申请 原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落 入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅 仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或 者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语 “包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括 一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没 有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所 固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素， 并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (9)

1.一种基于点云数据的室内3D建模方法，其特征在于，包括：
对采集到的原始点云数据进行预处理，得到预处理后点云数据；
对所述处理后点云数据进行局部表面特征分析，得到法向量和曲率值；
根据所述法向量和所述曲率值对所述处理后点云数据执行集成分割操作，得到各初始平面；
对各所述初始平面进行房间构造重建，得到初始3D模型；其中，对各所述初始平面进行房间构造重建，得到初始3D模型，包括：对各所述初始平面执行重定向和结构元素检测操作，得到天花板、墙面以及地面，并根据房间边界信息将各所述天花板、各所述墙面以及各所述地面分配至每个房间内；根据高度信息以及空洞区域构建每个所述房间的3D模型，得到所述初始3D模型；
根据是否存在返回的激光脉冲和墙面物体与墙面之间的距离识别墙面的具体形态，根据所述具体形态完善所述初始3D模型。
2.根据权利要求1所述的室内3D建模方法，其特征在于，对采集到的原始点云数据进行预处理，包括：
对所述原始点云数据进行降采样处理，得到降采样后点云数据；
去除所述降采样后点云数据中的离群点，得到所述处理后点云数据。
3.根据权利要求2所述的室内3D建模方法，其特征在于，对所述原始点云数据进行降采样处理，得到降采样后点云数据，包括：
对所述原始点云数据进行体素化处理，得到所述降采样后点云数据。
4.根据权利要求2所述的室内3D建模方法，其特征在于，去除所述降采样后点云数据中的离群点，得到所述处理后点云数据，包括：
根据所述降采样后点云数据中每个点的位置中值和尺度平均绝对偏差去除所述离群点，得到所述处理后点云数据。
5.根据权利要求1所述的室内3D建模方法，其特征在于，根据所述法向量和所述曲率值对所述处理后点云数据执行集成分割操作，得到各初始平面，包括：
使用基于所述法向量和所述曲率值的区域生长算法将所述处理后点云数据分割成不同的聚类；
利用RANSAC算法对各所述聚类进行处理，得到各所述初始平面。
6.根据权利要求1所述的室内3D建模方法，其特征在于，还包括：
当识别到墙面上存在空缺时，利用预设种类数的空缺描述参数分辨对应的空缺种类。
7.一种基于点云数据的室内3D建模系统，其特征在于，包括：
预处理单元，用于对采集到的原始点云数据进行预处理，得到处理后点云数据；
局部表面特征分析单元，用于对所述处理后点云数据进行局部表面特征分析，得到法向量和曲率值；
集成分割单元，用于根据所述法向量和所述曲率值对所述处理后点云数据执行集成分割操作，得到各初始平面；
房间构造重建单元，用于对各所述初始平面进行房间构造重建，得到初始3D模型；其中，所述房间构造重建单元具体用于对各所述初始平面执行重定向和结构元素检测操作，得到天花板、墙面以及地面，并根据房间边界信息将各所述天花板、各所述墙面以及各所述地面分配至每个房间内；根据高度信息以及空洞区域构建每个所述房间的3D模型，得到所述初始3D模型；
墙面形态识别及模型完善单元，用于根据是否存在返回的激光脉冲和墙面物体与墙面之间的距离识别墙面的具体形态，根据所述具体形态完善所述初始3D模型。
8.一种基于点云数据的室内3D建模装置，其特征在于，包括：
背包式三维激光扫描仪，用于获取目标室内环境的原始点云数据；
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的室内3D建模方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的室内3D建模方法的步骤。
CN201811167619.6A 2018-10-08 2018-10-08 一种基于点云数据的室内3d建模方法、系统及相关装置 Active CN109325998B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811167619.6A CN109325998B (zh) 2018-10-08 2018-10-08 一种基于点云数据的室内3d建模方法、系统及相关装置
US16/226,751 US10692280B2 (en) 2018-10-08 2018-12-20 3D indoor modeling method, system and device based on point cloud data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811167619.6A CN109325998B (zh) 2018-10-08 2018-10-08 一种基于点云数据的室内3d建模方法、系统及相关装置

Publications (2)

Publication Number Publication Date
CN109325998A CN109325998A (zh) 2019-02-12
CN109325998B true CN109325998B (zh) 2023-06-30

Family

ID=65261033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811167619.6A Active CN109325998B (zh) 2018-10-08 2018-10-08 一种基于点云数据的室内3d建模方法、系统及相关装置

Country Status (2)

Country Link
US (1) US10692280B2 (zh)
CN (1) CN109325998B (zh)

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580428A (zh) * 2018-06-08 2019-12-17 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
CN109948979B (zh) * 2019-03-14 2021-05-11 广州蓝胖子机器人有限公司 一种库存检测的方法、设备及存储介质
CN110009029B (zh) * 2019-03-28 2021-02-12 北京智行者科技有限公司 基于点云分割的特征匹配方法
CN110189399B (zh) * 2019-04-26 2021-04-27 浙江大学 一种室内三维布局重建的方法及系统
CN110189412B (zh) * 2019-05-13 2023-01-03 武汉大学 基于激光点云的多楼层室内结构化三维建模方法及系统
CN110147775B (zh) * 2019-05-24 2021-05-18 北京建筑大学 利用细化空间分隔法从点云提取室内导航元素的方法
CN112464326B (zh) * 2019-09-06 2023-07-21 久瓴(上海)智能科技有限公司 识别屋面和墙体的方法、装置、计算机设备和存储介质
CN111210501B (zh) * 2019-10-12 2021-06-18 香港理工大学深圳研究院 一种室内建模方法、装置及终端设备
CN110969701B (zh) * 2019-11-29 2023-12-29 司空定制家居科技有限公司 对房屋进行建模的方法、装置以及存储介质
CN111325779B (zh) * 2020-02-07 2020-12-11 贝壳找房(北京)科技有限公司 点云配准方法和装置、电子设备和存储介质
KR102354359B1 (ko) * 2020-02-11 2022-01-21 한국전자통신연구원 포인트 클라우드 이상치 제거 방법 및 이를 구현하는 장치
CN111025323B (zh) * 2020-02-17 2021-02-26 广西大学 一种基于多线激光雷达的圆柱形绿篱修剪机的对中方法
CN115088015B (zh) * 2020-02-27 2023-04-21 苹果公司 点云集群的空间关系
CH717198B1 (it) * 2020-03-09 2024-03-28 Lilla Nafradi Metodo per la segmentazione di una griglia 3D discreta.
US11321953B2 (en) 2020-03-25 2022-05-03 Hong Kong Applied Science and Technology Research Institute Company Limited Method and apparatus for posture, dimension and shape measurements of objects in 3D scenes
CN111508067B (zh) * 2020-04-15 2024-01-30 中国人民解放军国防科技大学 一种基于垂直平面和垂直线的轻量级室内建模方法
CN111553946B (zh) * 2020-04-17 2023-04-18 中联重科股份有限公司 用于去除地面点云的方法及装置、障碍物检测方法及装置
CN111696120B (zh) * 2020-06-03 2023-04-21 武汉中海庭数据技术有限公司 一种点云数据分割方法、装置、电子设备及存储介质
CN111681318B (zh) * 2020-06-10 2021-06-15 上海城市地理信息系统发展有限公司 一种基于点云数据建模的方法、装置和电子设备
CN111986223B (zh) * 2020-07-15 2024-02-06 西安理工大学 一种基于能量函数的室外点云场景中树木提取方法
CN111915730B (zh) * 2020-07-20 2023-05-19 北京建筑大学 一种顾及语义从点云自动生成室内三维模型的方法及系统
CN111986322B (zh) * 2020-07-21 2023-12-22 西安理工大学 一种基于结构分析的点云室内场景布局重建方法
CN112258474A (zh) * 2020-10-22 2021-01-22 深圳集智数字科技有限公司 一种墙面异常检测方法和装置
US20220138365A1 (en) * 2020-10-30 2022-05-05 Crown Equipment Corporation Systems and methods for point cloud site commissioning
US11797724B2 (en) * 2020-11-13 2023-10-24 Qualcomm Incorporated Scene layout estimation
CN112580438A (zh) * 2020-11-26 2021-03-30 广东工业大学 一种三维场景下的点云识别方法
KR102404867B1 (ko) * 2020-12-16 2022-06-07 한국전자기술연구원 3차원 거리정보를 이용한 랩어라운드뷰 영상제공장치 및 방법
CN112597574B (zh) * 2020-12-21 2024-04-16 福建汇川物联网技术科技股份有限公司 一种建筑信息模型的构建方法及装置
CN112581579B (zh) * 2020-12-22 2022-11-18 同济大学 一种磁浮滑行面点云数据提取方法
CN112765709B (zh) * 2021-01-15 2022-02-01 贝壳找房(北京)科技有限公司 基于点云数据的户型图重建方法及装置
CN112669462B (zh) * 2021-01-18 2023-02-28 新拓三维技术(深圳)有限公司 一种适用于扫描点云的模型处理方法及系统
US20220236072A1 (en) * 2021-01-22 2022-07-28 POS8 Limited Indoor positioning and tracking using spatial features
CN112884901B (zh) * 2021-02-22 2022-04-15 武汉大学 半封闭空间场景的三维点云数据法向全局一致化方法
CN112967384A (zh) * 2021-03-24 2021-06-15 扆亮海 识别建筑测绘构件的点云智能化切分方法
CN113112600B (zh) * 2021-04-02 2023-03-03 浙江大学 基于结构的室内场景三维建模方法
US11403817B1 (en) * 2021-04-14 2022-08-02 Lineage Logistics, LLC Point cloud filtering
CN113139982B (zh) * 2021-04-21 2023-03-14 香港理工大学深圳研究院 一种室内房间点云的自动分割方法
CN113344983B (zh) * 2021-05-19 2023-10-31 香港理工大学深圳研究院 一种基于平面点云分割的多点云配准方法
CN113298866B (zh) * 2021-06-11 2024-01-23 梅卡曼德（北京）机器人科技有限公司 物体分类方法及装置
CN113409332B (zh) * 2021-06-11 2022-05-27 电子科技大学 一种基于三维点云的建筑物平面分割方法
CN113379898B (zh) * 2021-06-17 2022-11-11 西安理工大学 一种基于语义分割的三维室内场景重建方法
CN113593021B (zh) * 2021-06-22 2023-06-09 天津大学 一种基于轮廓分割的车库点云地图构建方法
CN113408916B (zh) * 2021-06-28 2023-12-29 河南唐都科技有限公司 基于智能ai和移动app的消防设施检测及现场验收评定系统
CN113657303B (zh) * 2021-08-20 2024-04-23 北京千丁互联科技有限公司 房间结构识别方法、装置、终端设备和可读存储介质
CN113888391A (zh) * 2021-08-23 2022-01-04 奥比中光科技集团股份有限公司 一种室内结构化重建方法、装置及计算机可读存储介质
CN114462493A (zh) * 2021-12-29 2022-05-10 浙江大华技术股份有限公司 聚类方法、聚类装置及计算机可读存储介质
CN116416366A (zh) * 2021-12-30 2023-07-11 华为技术有限公司 3d模型构建方法、装置和电子设备
GB2615304A (en) * 2022-01-28 2023-08-09 Dyson Technology Ltd Continuous smooth surface segmentation
CN114609591B (zh) * 2022-03-18 2022-12-20 湖南星晟智控科技有限公司 一种基于激光点云数据的数据处理方法
CN114818078B (zh) * 2022-05-09 2023-07-25 东南大学 考虑长短期不确定性的净零能耗建筑能源系统规划方法
CN115049028B (zh) * 2022-08-17 2022-12-13 中建五局第三建设有限公司 基于无监督学习的施工区域分区方法、系统、终端及介质
CN115100642B (zh) * 2022-08-24 2022-11-18 上海仙工智能科技有限公司 一种基于深度学习的3d库位状态检测方法及系统
WO2024065173A1 (en) * 2022-09-27 2024-04-04 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Cloud based scanning for detection of sensors malfunction for autonomous vehicles
CN116310226B (zh) * 2023-05-16 2023-08-18 深圳大学 三维对象层级模型生成方法、装置、设备和存储介质
CN117058314B (zh) * 2023-08-16 2024-04-12 广州葛洲坝建设工程有限公司 一种基于点云数据的现浇结构模板逆向建模方法
CN116804765B (zh) * 2023-08-25 2023-11-14 兰笺(苏州)科技有限公司 一种室内空间实测实量指标自动化测定方法及装置
CN117252863B (zh) * 2023-11-13 2024-02-09 山东省地质测绘院 一种地理信息异常数据快速检测分析方法
CN117315001B (zh) * 2023-11-27 2024-02-23 江苏房城建设工程质量检测有限公司 一种基于激光扫描的房建面积快速检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682477A (zh) * 2012-05-16 2012-09-19 南京邮电大学 一种基于结构先验的规则场景三维信息提取方法
CN103914875A (zh) * 2014-04-17 2014-07-09 中国科学院深圳先进技术研究院 室内场景的功能性建模方法
WO2017079918A1 (zh) * 2015-11-11 2017-05-18 中国科学院深圳先进技术研究院 室内场景扫描重建的方法及装置
CN107862738A (zh) * 2017-11-28 2018-03-30 武汉大学 一种基于移动激光测量点云进行室内结构化三维重建方法
CN108171780A (zh) * 2017-12-28 2018-06-15 电子科技大学 一种基于激光雷达构建室内真实三维地图的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11094137B2 (en) * 2012-02-24 2021-08-17 Matterport, Inc. Employing three-dimensional (3D) data predicted from two-dimensional (2D) images using neural networks for 3D modeling applications and other applications
US10055885B2 (en) * 2015-09-16 2018-08-21 Raytheon Company Systems and methods for digital elevation map filters for three dimensional point clouds
GB2552648B (en) * 2016-07-22 2020-09-16 Imperial College Sci Tech & Medicine Estimating dimensions for an enclosed space using a multi-directional camera
EP3401815B1 (en) * 2017-05-09 2022-12-21 Dassault Systèmes Determining an architectural layout
US11004202B2 (en) * 2017-10-09 2021-05-11 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for semantic segmentation of 3D point clouds

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682477A (zh) * 2012-05-16 2012-09-19 南京邮电大学 一种基于结构先验的规则场景三维信息提取方法
CN103914875A (zh) * 2014-04-17 2014-07-09 中国科学院深圳先进技术研究院 室内场景的功能性建模方法
WO2017079918A1 (zh) * 2015-11-11 2017-05-18 中国科学院深圳先进技术研究院 室内场景扫描重建的方法及装置
CN107862738A (zh) * 2017-11-28 2018-03-30 武汉大学 一种基于移动激光测量点云进行室内结构化三维重建方法
CN108171780A (zh) * 2017-12-28 2018-06-15 电子科技大学 一种基于激光雷达构建室内真实三维地图的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于LiDAＲ 数据的建筑物自动提取方法;郝明 等;《测绘通报》;20141231;全文 *

Also Published As

Publication number Publication date
CN109325998A (zh) 2019-02-12
US10692280B2 (en) 2020-06-23
US20200111251A1 (en) 2020-04-09

Similar Documents

Publication Publication Date Title
CN109325998B (zh) 一种基于点云数据的室内3d建模方法、系统及相关装置
US9412040B2 (en) Method for extracting planes from 3D point cloud sensor data
Borrmann et al. The 3d hough transform for plane detection in point clouds: A review and a new accumulator design
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
Deschaud et al. A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing
Lari et al. An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data
CN110222642B (zh) 一种基于全局图聚类的平面建筑构件点云轮廓提取方法
CN106815842B (zh) 一种改进的基于超像素的图像显著性检测方法
Michailidis et al. Bayesian graph-cut optimization for wall surfaces reconstruction in indoor environments
Eich et al. Semantic labeling: Classification of 3d entities based on spatial feature descriptors
JP2019514126A5 (zh)
CN114926699A (zh) 一种室内三维点云语义分类方法、装置、介质及终端
Mura et al. Robust reconstruction of interior building structures with multiple rooms under clutter and occlusions
Mazouzi et al. A fast and fully distributed method for region-based image segmentation: Fast distributed region-based image segmentation
Tatavarti et al. Towards real-time segmentation of 3D point cloud data into local planar regions
WO2021239833A1 (en) A computer implemented method of generating a parametric structural design model
Cupec et al. Fast 2.5 D Mesh Segmentation to Approximately Convex Surfaces.
Sun et al. Automated segmentation of LiDAR point clouds for building rooftop extraction
CN113744416B (zh) 一种基于遮罩的全局点云滤波方法、设备和存储介质
KR20210001005A (ko) 깊이 지도 생성 방법, 깊이 지도 생성 장치, 영상 변환 방법 및 영상 변환 장치
Bizjak The segmentation of a point cloud using locally fitted surfaces
Shui et al. Automatic planar shape segmentation from indoor point clouds
Zhou et al. Parsing main structures of indoor scenes from single RGB-D image
CN114359437A (zh) 基于点云的建筑结构二维平面图重建方法
Mahmood et al. Learning indoor layouts from simple point-clouds

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
GR01 Patent grant
GR01 Patent grant