CN111667574A - 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 - Google Patents
从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 Download PDFInfo
- Publication number
- CN111667574A CN111667574A CN202010347987.XA CN202010347987A CN111667574A CN 111667574 A CN111667574 A CN 111667574A CN 202010347987 A CN202010347987 A CN 202010347987A CN 111667574 A CN111667574 A CN 111667574A
- Authority
- CN
- China
- Prior art keywords
- model
- oblique photography
- cuboid
- photography model
- building
- 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.)
- Granted
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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,能克服倾斜摄影模型自身三角网不规则及数据量大的缺点,解决传统基于屋顶边界重建立面的模型精度易受房檐干扰的问题,不受原始模型底部数据大量的数据缺失、异常值等问题的影响,重建精度高。
Description
技术领域
本发明涉及三维重建技术领域,特别是一种从倾斜摄影模型自动重建建筑物规则立面三维模型的方法。
背景技术
建筑物立面的自动重建一直是摄影测量与遥感领域一个重要的研究方向。然而,由于城市场景的复杂性,从无组织的点云自动重建城市建筑物立面仍然是一个具有挑战性的重要课题。随着各种数据采集技术的发展,地面激光扫描(TLS),机载激光扫描和倾斜摄影测量能够有效的获取大规模城市场景的3D点云。已经开发了许多利用上述数据进行建筑物立面重建的方法。
许多利用地面激光扫描(TLS)的方法可以获得有希望的建筑物立面细节结果。然而,外墙的下部通常被许多类型的植被,街道标志,汽车和行人遮挡,所获得的点云通常遭受大量缺失数据,这严重的阻碍了建筑物立面的重建。值得注意的是,TLS获取的数据往往只有城市街道的一面,另外的立面数据不方便获取,因此无法获取完整的建筑物立面模型。机载激光扫描数据在建筑物屋顶重建等方面较为成熟,但缺乏立面信息,立面模型通过重建屋顶的边缘竖直向下与地面相交获得;随着无人机摄影测量的发展,人们开始尝试利用无人机倾斜摄影进行城市建筑物三维立面模型的重建与更新。典型的重建方法有数据驱动方法和模型驱动方法。目前自动生成建筑物立面模型的主要困难是数据质量低。因此,模型驱动的方法往往优于数据驱动的方法。
数据驱动方法。基于屋顶面片模型边缘竖直向下与地面相交重建三维立面模型是最常见的方法,现有的建筑物屋顶面片建模方法有基于边缘的方法、数据聚类、区域増长、模型拟合等;基于边缘的方法易受异常值和不完整边缘的影响,基于数据聚类的方法依赖于定义类的数量和聚类中心,基于区域增长的方法受种子点选择的影响,模型拟合的方法常采用RANSAC方法,经常导致不需要的假平面;并且,基于屋顶模型边界重建的立面模型精度易受房檐干扰。泊松重建方法估计一个标记以区分实体形状的内部和外部,并接近实体的表面,但存在高水平噪声和异常值时具有较差的准确度。数据驱动方法缺少约束条件和对噪声的鲁棒性,重建的立面模型缺乏规则性与完整性。
模型驱动方法。模型驱动方法由预定义模型库中的模型重建建筑物立面,确保规则性与完整性。而且,一些原语的组合比一堆小平面的组织简单很多。基于屋顶面片模型边缘竖直向下与地面相交重建三维立面模型的方法最初提出用机载LiDAR数据重建城市场景,其中建筑物的屋顶通常被很好地捕获,由于仅考虑建筑物屋顶的数据,忽略了建筑物墙壁的大量关键信息,且重建的立面模型精度易受房檐干扰。基于Manhattan-World假设,直接将盒子拟合到不完美的点云上,然后选择最佳子集,从而实现重建,但大量不满足Manhattan-World假设的屋顶导致无法重建立面模型。利用支持向量机对屋顶结构进行监督分类,实现最佳模型搜索匹配。利用可逆跳转马尔科夫链蒙特卡罗(RJMCMC)算法依次从预定义的模型库中选择模型基元,同时拟合基元参数,然后根据规则组装整个屋顶。这两种方法是复杂建筑物屋顶模型重建立面的方法,同样重建的立面模型精度易受房檐干扰。
倾斜摄影模型具有以下缺点:不规则的三角网模型;数据采集过程中不可避免地受到遮挡的影响,模型的底部通常表现出显著的缺失区域以及异常值;倾斜摄影模型的数据量大,不利于其广泛应用,而且基于屋顶边界重建的立面模型精度易受房檐干扰。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,克服倾斜摄影模型自身三角网不规则及数据量大的缺点,解决屋顶边界重建的立面模型精度易受房檐干扰的问题。
为解决上述技术问题,本发明所采用的技术方案是:一种从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,包括以下步骤:
1)获取待重建建筑物的倾斜摄影模型,对所述倾斜摄影模型表明的三角网使用区域增长算法得到超面;
2)选择面积最大的超面为基准面,将所述倾斜摄影模型的平面坐标系旋转至与所述基准面的法向量重合;
4)由高程从下至上,对比相邻两条闭合轮廓线,根据闭合轮廓线的面积和重心位置变化情况,构建轮廓树,获得多个由拓扑关系发生变化的两条闭合轮廓线组成的分割轮廓线组;
5)基于所述分割轮廓线组,以高程自下而上的方式分割所述倾斜摄影模型,得到多个倾斜摄影模型部件;
6)使用最小外接长方体近似表达每个所述倾斜摄影模型部件,每个所述倾斜摄影模型部件形成一个长方体集;
7)对长方体集进行平面选择,消除倾斜摄影模型数据中原本不存在的平面,保留真实的平面,组成建筑物的立面模型。
为了进一步简化计算过程,本发明步骤2)中,还将旋转后的的倾斜摄影模型重心化。
步骤4)的具体实现过程包括:将拓扑关系相同的闭合轮廓线设置于同一个子树内,所有的子树构成所述轮廓树;相邻两个子树中的相邻两条闭合轮廓线构成一个分割轮廓线组;根据下述方法判断闭合轮廓线的拓扑关系是否相同:判断相邻两条闭合轮廓线的面积是否相差在1m2以内,且重心的投影点距离相差在1m以内,则判定该两条闭合轮廓线的拓扑关系相同;否则,该相邻两条闭合轮廓线的拓扑关系发生了变化。
通过上述操作,可以将倾斜摄影模型不同的结构准确地分离出来。
步骤5)的具体实现过程包括:
I)清除高程最低的任一分割轮廓线组中两条闭合轮廓线高程中的数据,对剩余的三角网数据进行区域增长,获得高程低于分割轮廓线组的倾斜摄影模型部件;
II)对其余高程不等于所述最低的分割轮廓线组高程的分割轮廓线组,重复步骤I);
III)判断不同高程的分割轮廓线组是否都已执行完步骤I)和步骤II)的操作,若是,则结束;否则,返回执行步骤I)。
对于每个所述倾斜摄影模型部件,将该倾斜摄影模型部件中最靠近对应分割轮廓线组的点的高程修改为该对应分割轮廓线组的高程平均值,以修改后的倾斜摄影模型部件作为最终的倾斜摄影模型部件。解决了轮廓间隔过大的问题。
步骤6)中,对于每个所述倾斜摄影模型部件,获取所述长方体集的具体实现过程包括:
A)确定所述倾斜摄影模型部件坐标值最大的点的坐标(Xmax,Ymax,Zmax)和坐标值最小的点的坐标(Xmin,Ymin,Zmin);利用(Xmax,Ymax,Zmax)和(Xmin,Ymin,Zmin)组合得到八个顶点坐标,利用所述八个顶点坐标确定第一级外接长方体;
B)获取与第一级外接长方体不重叠的倾斜摄影模型部件区域,当该不重叠的倾斜摄影模型部件区域面积大于给定阈值时,将所述不重叠区域上最靠近第一级外接长方体的点移动至所述第一级外接长方体上;当该不重叠的倾斜摄影模型部件区域面积小于给定阈值时,舍弃该不重叠的倾斜摄影模型部件区域;
C)返回步骤A),获取倾斜摄影模型部件中面积大于所述给定阈值的不重叠的倾斜摄影模型部件区域的外接长方体,即获得下一级外接长方体;
D)重复步骤A)~C),直至处理完所有的面积大于所述给定阈值的不重叠的倾斜摄影模型部件区域。
利用下述步骤调整长方体集中每一级外接长方体的参数:
i)对于所述第一级外接长方体的四个侧面,确定与每个侧面的距离在第一阈值范围内的倾斜摄影模型的点,将所述第一阈值均分为N个子段,寻找出所述点数量最多的子段;
ii)利用所述子段上的数据,通过最小二乘法拟合对应的侧面,得到拟合后的第一级外接长方体;
iii)对于第二级外接长方体,重复步骤i)和步骤ii),进行第二级外接长方体拟合,根据生成第二级外接长方体的不重叠的倾斜摄影模型部件区域靠近第一级外接长方体的面判断第二级外接长方体处于第一级外接长方体的其中一个角落上或是其中一个面上,修改当前级外接长方体顶点坐标使共同的角点重叠,或同一平面上的面重叠;
iv)重复上述步骤步骤iii),得到拟合后的每一级外接长方体。
本发明采用的外接长方体参数的调整方法,可以明显减少较小模型的拟合误差,使得本发明的方法不受大部分数据噪声的影响,进一步提高了重建精度。
步骤ii)中,利用下式得到拟合后的四个侧面:其中,(XI,YI,ZI)为用于拟合的倾斜摄影模型顶点坐标;x0、y0、w0、l0为模型参数的改正数;(X0,Y0,Z0,W0,L0,H0)分别为当前拟合的长方体的横坐标、纵坐标、z方向坐标、宽度、长度、高度。
步骤7)的具体实现过程包括:获取长方体集中每一个长方体顶面的四条边,即4条线段,每条线段包括当前级外接长方体的下一级外接长方体的顶点,将每条线段上的点以坐标从小到大的顺序排列,对于相邻两个点,将该两个点的z方向坐标减去当前级外接长方体的高度,得到当前级外接长方体底面的对应两点,该相邻两个点和底面两点形成平面,依此类推,形成一系列平面,去除重复的平面,对于任一剩下的平面,当距离该剩下的平面在距离阈值(本发明设置为1m)内的倾斜摄影模型部件区域点数大于设定阈值时,保留该剩下的平面,所有剩下的平面组成建筑物的立面模型。该过程能够准确保留真实平面,去除没有数据支持的虚假平面。
与现有技术相比,本发明所具有的有益效果为:本发明克服倾斜摄影模型自身三角网不规则及数据量大的缺点,解决了传统基于屋顶边界重建立面的模型精度易受房檐干扰的问题,不受原始模型底部数据大量的数据缺失、异常值等问题的影响,重建精度高。
附图说明
图1为本发明的自动生成建筑物立面三维规则模型方法流程图;
图2为倾斜摄影模型的轮廓树图示;
图3为倾斜摄影模型的分解图示;
图4为循环的最小外接长方体算法过程示意;
图5为延长不重叠区域端点至最近的面俯视图示;
图6为阈值分段前后结果对比;
图7为长方体及其参数图示;
图8为倾斜摄影模型的顶点与长方体模型关系图示;
图9为长方体集生成的平面;
图10为1栋复杂建筑物的重建结果。
具体实施方式
本发明方法的具体执行过程包括:
步骤1:读入待重建建筑物的倾斜摄影模型,根据三角网的联通关系和法向量的变化,对所述倾斜摄影模型表明的三角网使用区域增长算法得到多个超面。
步骤2:选择面积最大的超面为基准面,将倾斜摄影模型的平面坐标系旋转至与基准面的法向量重合,并将模型重心化。重心化可以减小计算量。本发明重心化的实现过程为:计算倾斜摄影模型所有点的坐标的平均值,以坐标平均值所在点为倾斜摄影模型的平面坐标系原点。
步骤4:由高程自下而上,对比相邻两条等高线,根据等高线的面积和重心位置变化情况,构建轮廓树。拓扑关系没有发生变化的轮廓线存在于同一结构中,这些轮廓线由轮廓树中的一个子树表示,如图2所示,节点A3有两个子节点B1和C1,节点C3有一个子节点D1,从拓扑表示的意义上表示分离关系。因此,图2(a)中的倾斜摄影模型的分割轮廓线组为:A3B1、A3C1和C3D1。
步骤5:基于分割轮廓线组以高程自下而上的方式分割倾斜摄影模型。首先由高程最低的轮廓线组A3B1(图3(a))清除A3和B1高程中间的数据,然后将剩余的三角网数据进行区域增长,此时,比分割轮廓线组高程低的倾斜摄影模型部件被分割出来,如图3(a)灰色倾斜摄影模型部件所示。由于下一组高程最低的分割轮廓线组A3C1中较低高程的轮廓线与A3相同,因此跳过这组分割的等高线组。判断下一组分割的轮廓线组C3D1匹配的倾斜摄影模型部件,之后将倾斜摄影模型部件重复使用上述步骤,此时,图3(a)最下面倾斜摄影模型部件分割成功。因为分割的轮廓线组都已使用,故认定剩余的倾斜摄影模型部件分割完成,分割完成后的结果如图3(a)所示。将分割的倾斜摄影模型部件中最靠近切割等高线组的点的高程修改为分割轮廓线组的高程平均值,以解决轮廓间隔的问题。修改点后的倾斜摄影模型部件如图3(b)所示。
步骤6:使用最小外接长方体近似表达分割的倾斜摄影模型部件,形成一个长方体集,过程示意如图4所示。
步骤6.1:对上述步骤得到的倾斜摄影模型部件进行最小外接长方体计算,根据找到的最小的x,y,z与最大的x,y,z坐标,组合成长方体的8个坐标(Xmin,Ymin,Zmin),(Xmax,Ymin,Zmin),(Xmin,Ymax,Zmin),(Xmin,Ymin,Zmax),(Xmax,Ymax,Zmin),(Xmax,Ymin,Zmax),(Xmin,Ymax,Zmax),(Xmax,Ymax,Zmax),计算出第一级外接长方体,如图4(b)所示。然后,采用阈值分段方式获取最多数据段以整体拟合长方体(拟合过程在步骤7介绍)。
步骤6.2:获取与第一级外接长方体不重叠的倾斜摄影模型区域,当该不重叠的倾斜摄影模型部件区域面积大于给定阈值时,延长所述不重叠区域上最靠近第一级外接长方体的点至所述第一级外接长方体上;当该不重叠的倾斜摄影模型部件区域面积小于给定阈值时,舍弃该不重叠的倾斜摄影模型部件区域,重复步骤6.1,计算剩余不重叠斜摄影模型部件区域的外接长方体从而获得下一级长方体,如图4(c)所示。由于此时没有不重叠区域,结束程序。
步骤7:以距离长方体模型在阈值(例如1m)内的倾斜摄影模型顶点为观测数据,再通过阈值分段方式获取的最多数据段驱动最小二乘平差方法调整长方体的参数,以获得与原始观测数据更贴合的模型。
步骤7.1:获取距离最近的长方体平面小于阈值(例如1m)的倾斜摄影模型的所有点,然后将阈值细分为更小的阈值(例如0.2m,也就是将1m的阈值空间均分为5段,即5个数据段)。找到点数最多的数据段,通过阈值分段方式获取的点数最多数据段以整体拟合长方体。图6(a)显示了阈值分段前的结果,图6(b)显示了阈值分段后的结果,从两个结果的对比(图6(c))可以看出,通过提出的阈值分段方法,可以明显减少较小模型的误差。同时,该方法能够无视大部分数据噪声的影响。
步骤7.2:如图7所示,长方体可由六个参数(X0,Y0,Z0,W,L,H)表示,循环的最小外接长方体算法可以得出六个参数的初始值,这些值需要调整,模型参数的调整通过最小二乘算法最小化长方体集和倾斜摄影模型顶点之间的距离来完成,如图8所示。距离dn由方程(1)计算,其中A,B,C由初始模型一个平面的3个角点(x1,y1,z1),(x2,y2,z2),(x3,y3,z3)计算,由于图8是俯视图,因此角点(x3,y3,z3)与角点(x1,y1,z1)或(x2,y2,z2)重叠。初始模型有4个平面,对于另外三个平面,每个平面选择3个角点,计算各自的A,B,C(A,B,C是常系数)。值得注意的是模型的角点是模型参数的函数。选择平面附近的点(即步骤7.1选出的数据)用于拟合平面,(XI,YI,ZI)为用于拟合的倾斜摄影模型顶点。对于初始模型的4个平面,按照图8选择的平面为平面1,以顺时针原则以此确定平面2、3、4。
其中(x1,y1,z1),(x2,y2,z2)和(x3,y3,z3)=f(X0,Y0,Z0,W,L,H),即
由于倾斜摄影模型经过旋转与坐标轴对齐,因此将A、B、C、D带入dn后得到误差方程,如公式2所示,其中x0、y0、w0、l0为模型参数的改正数。每个(XI,YI,ZI)对应4个平面方程中的一个。
可以用高斯Helmert模型来表示公式(2),这也被称为最小二乘估计的一般情况,如下所示方程:
y=Ax+B (3)
y代表倾斜摄影模型顶点至相应长方体模型的距离,x是对模型参数初始值的改正数,A是x的系数矩阵。该模型可以使用传统的最小二乘解来解决。计算出长方体参数的改正数,用改正数来调整长方体参数。
步骤7.3:第一级长方体用前面讨论的最小二乘方法进行拟合,模型参数被修改了,同理进行第二级拟合。第二级拟合后的长方体与第一级长方体本该重叠的面没有重叠,此时,根据生成第二级长方体的不重叠区域靠近第一级长方体的面判断第二级长方体处于第一级长方体的4个角落之一上或是4个面之一上,然后修改坐标使共同的角点重叠,或同一平面上的面重叠。
步骤8:从长方体集中选择真实存在的平面以获得立面模型。对于第一级长方体的顶面,有4条线段,每条线段上包括后续获取长方体的顶点,然后将4条线段上的点以坐标(本发明是根据平面编号选择x或y方向的坐标值)从小到大排列,两个相邻点组成线段。第二级长方体重复上述操作,直到所有的长方体循环完成。由于长方体集的顶面与底面坐标只有高程不同,因此线段只需增加修改高程后的两点,即可生成一系列平面,然后将重复的平面去除,如图9所示,当距离剩下的平面的1m的倾斜摄影模型点数(以下称为支持点数)大于10,则保留平面。
本发明中,原本不存在的平面是指重复的平面和不满足支持点数阈值要求的平面,真实的平面是指最后保留的平面。
Claims (10)
1.一种从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,包括以下步骤:
1)获取待重建建筑物的倾斜摄影模型,对所述倾斜摄影模型表明的三角网使用区域增长算法,得到多个超面;
2)选择面积最大的超面为基准面,将所述倾斜摄影模型的平面坐标系旋转至与所述基准面的法向量重合;
4)由高程从下至上,对比相邻两条闭合轮廓线,根据闭合轮廓线的面积和重心位置变化情况,构建轮廓树,获得多个由拓扑关系发生变化的两条闭合轮廓线组成的分割轮廓线组;
5)基于所述分割轮廓线组,以高程自下而上的方式分割所述倾斜摄影模型,得到多个倾斜摄影模型部件;
6)使用最小外接长方体近似表达每个所述倾斜摄影模型部件,每个所述倾斜摄影模型部件形成一个长方体集;
7)对长方体集进行平面选择,消除倾斜摄影模型数据中原本不存在的平面,保留真实的平面,组成建筑物的立面模型。
2.根据权利要求1所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,步骤2)中,还将旋转后的倾斜摄影模型重心化。
3.根据权利要求1所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,步骤4)的具体实现过程包括:将拓扑关系相同的闭合轮廓线设置于同一个子树内,所有的子树构成所述轮廓树;相邻两个子树中的相邻两条闭合轮廓线构成一个分割轮廓线组。
4.根据权利要求3所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,根据下述方法判断闭合轮廓线的拓扑关系是否相同:判断相邻两条闭合轮廓线的面积是否相差在1m2以内,且重心的投影点距离相差在1m以内,则判定该两条闭合轮廓线的拓扑关系相同;否则,该相邻两条闭合轮廓线的拓扑关系发生了变化。
5.根据权利要求1~4之一所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,步骤5)的具体实现过程包括:
I)清除高程最低的任一分割轮廓线组中两条闭合轮廓线高程中的数据,对剩余的三角网数据进行区域增长,获得高程低于分割轮廓线组的倾斜摄影模型部件;
II)对其余高程不等于所述最低的分割轮廓线组高程的分割轮廓线组,重复步骤I);
III)判断不同高程的分割轮廓线组是否都已执行完步骤I)和步骤II)的操作,若是,则结束;否则,返回执行步骤I)。
6.根据权利要求5所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,对于每个所述倾斜摄影模型部件,将该倾斜摄影模型部件中最靠近对应分割轮廓线组的点的高程修改为该对应分割轮廓线组的高程平均值,以修改后的倾斜摄影模型部件作为最终的倾斜摄影模型部件。
7.根据权利要求7所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,步骤6)中,对于每个所述倾斜摄影模型部件,获取所述长方体集的具体实现过程包括:
A)确定所述倾斜摄影模型部件坐标值最大的点的坐标(Xmax,Ymax,Zmax)和坐标值最小的点的坐标(Xmin,Ymin,Zmin);利用(Xmax,Ymax,Zmax)和(Xmin,Ymin,Zmin)组合得到八个顶点坐标,利用所述八个顶点坐标确定第一级外接长方体;
B)获取与第一级外接长方体不重叠的倾斜摄影模型部件区域,当该不重叠的倾斜摄影模型部件区域面积大于给定阈值时,将所述不重叠区域上最靠近第一级外接长方体的点移动至所述第一级外接长方体上;当该不重叠的倾斜摄影模型部件区域面积小于给定阈值时,舍弃该不重叠的倾斜摄影模型部件区域;
C)返回步骤A),获取倾斜摄影模型部件中面积大于所述给定阈值的不重叠的倾斜摄影模型部件区域的外接长方体,即获得下一级外接长方体;
D)重复步骤A)~C),直至处理完所有的面积大于所述给定阈值的不重叠的倾斜摄影模型部件区域。
8.根据权利要求7所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,利用下述步骤调整长方体集中每一级外接长方体的参数:
i)对于所述第一级外接长方体的四个侧面,确定与每个侧面的距离在第一阈值范围内的倾斜摄影模型的点,将所述第一阈值均分为N个子段,寻找出所述点数量最多的子段;
ii)利用所述点数量最多的子段上的数据,通过最小二乘法拟合对应的侧面,得到拟合后的第一级外接长方体;
iii)对于第二级外接长方体,重复步骤i)和步骤ii),进行第二级外接长方体拟合,根据生成第二级外接长方体的不重叠的倾斜摄影模型部件区域靠近第一级外接长方体的面判断第二级外接长方体处于第一级外接长方体的其中一个角落上或是其中一个面上,修改当前级外接长方体顶点坐标使共同的角点重叠,或同一平面上的面重叠;
iv)重复上述步骤iii),得到拟合后的每一级外接长方体。
10.根据权利要求1所述的从倾斜摄影模型自动重建建筑物规则立面三维模型的方法,其特征在于,步骤7)的具体实现过程包括:获取长方体集中每一个长方体顶面的四条边,即4条线段,获取每条线段上当前级外接长方体的下级外接长方体的顶点,将每条线段上的点以坐标从小到大的顺序排列,对于相邻两个点,将该两个点的z方向坐标减去当前级外接长方体的高度,得到当前级外接长方体底面的对应两点,该相邻两个点和底面两点形成平面,依此类推,形成一系列平面,去除重复的平面,对于任一剩下的平面,当距离该剩下的平面在距离阈值内的倾斜摄影模型部件区域点数大于设定阈值时,保留该剩下的平面,所有剩下的平面组成建筑物的立面模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347987.XA CN111667574B (zh) | 2020-04-28 | 2020-04-28 | 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347987.XA CN111667574B (zh) | 2020-04-28 | 2020-04-28 | 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667574A true CN111667574A (zh) | 2020-09-15 |
CN111667574B CN111667574B (zh) | 2022-09-09 |
Family
ID=72382929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010347987.XA Active CN111667574B (zh) | 2020-04-28 | 2020-04-28 | 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667574B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112344869A (zh) * | 2020-10-09 | 2021-02-09 | 国家电网公司西北分部 | 基于侧面拟合的铁塔变形监测方法及系统 |
CN114429530A (zh) * | 2022-04-06 | 2022-05-03 | 武汉峰岭科技有限公司 | 自动提取建筑物三维模型的方法、系统、存储介质及设备 |
CN114693880A (zh) * | 2022-03-31 | 2022-07-01 | 机械工业勘察设计研究院有限公司 | 一种建筑物mesh模型立面修整方法 |
CN116452775A (zh) * | 2023-06-14 | 2023-07-18 | 北京飞渡科技股份有限公司 | 一种建筑立面划分方法、装置、介质及设备 |
CN116628834A (zh) * | 2023-07-26 | 2023-08-22 | 北京飞渡科技股份有限公司 | 一种基于神经网络的轮廓分段矫正方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080279447A1 (en) * | 2004-10-15 | 2008-11-13 | Ofek Aerial Photography International Ltd. | Computational Solution Of A Building Of Three Dimensional Virtual Models From Aerial Photographs |
CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 |
CN110838129A (zh) * | 2019-11-18 | 2020-02-25 | 四川视慧智图空间信息技术有限公司 | 基于倾斜摄影测量的三维建筑物模型轮廓特征线提取方法 |
-
2020
- 2020-04-28 CN CN202010347987.XA patent/CN111667574B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080279447A1 (en) * | 2004-10-15 | 2008-11-13 | Ofek Aerial Photography International Ltd. | Computational Solution Of A Building Of Three Dimensional Virtual Models From Aerial Photographs |
CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 |
CN110838129A (zh) * | 2019-11-18 | 2020-02-25 | 四川视慧智图空间信息技术有限公司 | 基于倾斜摄影测量的三维建筑物模型轮廓特征线提取方法 |
Non-Patent Citations (2)
Title |
---|
YUNSHENG ZHANG等: "Automatic building extraction from LiDAR data fusion of point and grid-based features", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
陈奎伊: "基于倾斜摄影测量的建筑物对象级三维变化检测方法", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112344869A (zh) * | 2020-10-09 | 2021-02-09 | 国家电网公司西北分部 | 基于侧面拟合的铁塔变形监测方法及系统 |
CN112344869B (zh) * | 2020-10-09 | 2022-04-12 | 国家电网公司西北分部 | 基于侧面拟合的铁塔变形监测方法及系统 |
CN114693880A (zh) * | 2022-03-31 | 2022-07-01 | 机械工业勘察设计研究院有限公司 | 一种建筑物mesh模型立面修整方法 |
CN114693880B (zh) * | 2022-03-31 | 2023-11-24 | 机械工业勘察设计研究院有限公司 | 一种建筑物mesh模型立面修整方法 |
CN114429530A (zh) * | 2022-04-06 | 2022-05-03 | 武汉峰岭科技有限公司 | 自动提取建筑物三维模型的方法、系统、存储介质及设备 |
CN114429530B (zh) * | 2022-04-06 | 2022-06-24 | 武汉峰岭科技有限公司 | 自动提取建筑物三维模型的方法、系统、存储介质及设备 |
CN116452775A (zh) * | 2023-06-14 | 2023-07-18 | 北京飞渡科技股份有限公司 | 一种建筑立面划分方法、装置、介质及设备 |
CN116452775B (zh) * | 2023-06-14 | 2023-09-19 | 北京飞渡科技股份有限公司 | 一种建筑立面划分方法、装置、介质及设备 |
CN116628834A (zh) * | 2023-07-26 | 2023-08-22 | 北京飞渡科技股份有限公司 | 一种基于神经网络的轮廓分段矫正方法及装置 |
CN116628834B (zh) * | 2023-07-26 | 2023-10-20 | 北京飞渡科技股份有限公司 | 一种基于神经网络的轮廓分段矫正方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111667574B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667574B (zh) | 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
Zolanvari et al. | Three-dimensional building façade segmentation and opening area detection from point clouds | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
WO2022016310A1 (zh) | 基于点云数据的三维重建方法、装置和计算机设备 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN109446691B (zh) | 基于激光点云与空气动力学的活立木抗风性能分析方法 | |
CN107146280A (zh) | 一种基于切分的点云建筑物重建方法 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
US20070242872A1 (en) | System and method for three-dimensional estimation based on image data | |
CN115564926A (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
AU2010200144A1 (en) | Extraction processes | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN110288706B (zh) | 一种小曲率不规则点云曲面的拟合方法 | |
WO2011085434A1 (en) | Extraction processes | |
WO2011085433A1 (en) | Acceptation/rejection of a classification of an object or terrain feature | |
CN117274517A (zh) | 基于三维模型的城市建筑物轻量化体框模型的生成方法 | |
WO2011085437A1 (en) | Extraction processes | |
CN113655498B (zh) | 一种基于激光雷达的赛道中锥桶信息的提取方法及系统 | |
CN115033972A (zh) | 一种建筑主体结构批量单体化方法、系统及可读存储介质 | |
CN113963114A (zh) | 一种基于多边形生长的离散边界点追踪方法 | |
Akel et al. | Reconstruction of complex shape buildings from lidar data using free form surfaces | |
CN117315184B (zh) | 一种自动生成建筑物lod1.3模型的方法 | |
CN118279515B (zh) | 一种实时多终端地图融合方法及装置 | |
CN116627164B (zh) | 一种基于地形高度的无人机仿地飞行控制方法和系统 |
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 |