CN111881947A - 特征点集对的筛选方法、目标匹配方法、装置及电子设备 - Google Patents

特征点集对的筛选方法、目标匹配方法、装置及电子设备 Download PDF

Info

Publication number
CN111881947A
CN111881947A CN202010659291.0A CN202010659291A CN111881947A CN 111881947 A CN111881947 A CN 111881947A CN 202010659291 A CN202010659291 A CN 202010659291A CN 111881947 A CN111881947 A CN 111881947A
Authority
CN
China
Prior art keywords
point set
feature point
target
matched
feature
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
Application number
CN202010659291.0A
Other languages
English (en)
Other versions
CN111881947B (zh
Inventor
朱占建
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.)
Glodon Co Ltd
Original Assignee
Glodon Co Ltd
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 Glodon Co Ltd filed Critical Glodon Co Ltd
Priority to CN202010659291.0A priority Critical patent/CN111881947B/zh
Priority claimed from CN202010659291.0A external-priority patent/CN111881947B/zh
Publication of CN111881947A publication Critical patent/CN111881947A/zh
Application granted granted Critical
Publication of CN111881947B publication Critical patent/CN111881947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Abstract

本发明涉及数据处理技术领域，具体涉及特征点集对的筛选方法、目标匹配方法、装置及电子设备，其中筛选方法包括获取目标构件类型；基于所述目标构件类型，分别从两个待匹配目标中提取所述目标构件类型的图元的特征点，以形成与所述待匹配目标的目标构件类型一一对应的特征点集；按照所述目标构件类型，将两个所述待匹配目标的特征点集组成特征点集对；根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对。该方法通过基于构件类型的特征点提取能够消除由于构件类型所带来的客观因素的影响，为特征点集对的筛选提供了可靠保证。

Description

特征点集对的筛选方法、目标匹配方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，具体涉及特征点集对的筛选方法、目标匹配方法、装置及电子设备。
背景技术
在一个建筑物从立项到建成的过程中，建筑信息模型化(Building InformationModeling，简称为BIM)软件在这一过程中扮演了不可或缺的角色，可以利用该软件做设计、预算、对量等。其中，在项目整个生命周期的不同阶段，项目各个参与方都会建立BIM模型，在某些业务场景下需要对各个参与方建立的模型进行比对，最终使得各方意见统一。
传统对比BIM模型的方式有两种，一是通过人工计算各个维度指标，通过对比指标来发现模型差异，这种方式费时费力，发现问题还不容易定位问题，而且对比的结果也不够精确；二是通过人工的方式挨个比对两个BIM模型中每个图元，无疑这种方式是最精确的，但是也是最耗时的。
随着计算机技术的发展，通过计算机对比BIM模型的技术应运而生，这种技术主要通过图元空间位置，建立匹配关系；然后再对比图元属性、工程量等是否存在差异。对比BIM模型的关键是根据图元位置，建立匹配关系。但是在实际的对比BIM模型过程中，需要对比的两个BIM模型通常是由不同的人绘制，由于习惯、绘制方式等的不同，导致BIM模型使用坐标原点不同。如果基于不同的坐标原点做空间位置匹配，最终无法获得用户期望的结果。现在的做法是用户分别打开两个模型，手动调整坐标原点的位置以实现两个模型的匹配。
然而，这种两个模型的匹配方式是需要人工对坐标原点的位置进行手动调整，而手动调整可能会带来调整误差，进而会导致比对结果的不准确性。那么，为了提高保证比对结果的准确性，就可以对两个模型采用自动匹配的方式进行匹配。而在自动匹配的过程中，必然会用到模型中特征点的坐标，因此，基于特征点的坐标进行特征点集对的筛选是自动匹配的前提。
发明内容
有鉴于此，本发明实施例提供了一种特征点集对的筛选方法、目标匹配方法、装置及电子设备，以解决特征点集对筛选的问题。
根据第一方面，本发明实施例提供了一种特征点集对的筛选方法，包括：
获取目标构件类型；
基于所述目标构件类型，分别从两个待匹配目标中提取所述目标构件类型的图元的特征点，以形成与所述待匹配目标的目标构件类型一一对应的特征点集；
按照所述目标构件类型，将两个所述待匹配目标的特征点集组成特征点集对；
根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对。
本发明实施例提供的特征点集对的筛选方法，特征点提取是基于目标构件类型进行的，且所组成的特征点集对也是基于目标构件类型进行组合的，由于在待匹配目标中不同类型的构件的数量可能不同，通过基于构件类型的特征点提取能够消除由于构件类型所带来的客观因素的影响，为特征点集对的筛选提供了可靠保证。
结合第一方面，在第一方面第一实施方式中，所述根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对，包括：
按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序；
基于排序结果确定所述目标特征点集对。
本发明实施例提供的特征点集对的筛选方法，若特征点集对内特征点的数量太少，那么这些特征点将不足以描述整个待匹配目标，以予以排除，因此通过对特征点的数量进行排序，对特征点集对进行筛选，可以得到合适的目标特征点集对。
结合第一方面，在第一方面第二实施方式中，所述根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对，包括：
利用所述特征点集对中各个特征点集的所述特征点的数量，计算各个所述特征点集对的特征点的数量的差值；
基于各个所述特征点集对的特征点的数量的差值，对各个所述特征点集对进行排序，得到第一排序结果；
基于所述第一排序结果确定所述目标特征点集对。
本发明实施例提供的特征点集对的筛选方法，若同一特征点集对中两个特征点集的特征点的数量差距太大，应将其排除，可以得到合适的目标特征点集对。
结合第一方面第二实施方式，在第一方面第三实施方式中，所述基于各个所述特征点集对的特征点的数量的差值，对各个所述特征点集对进行排序，得到第一排序结果，包括：
利用各个所述特征点集对的特征点的数量的差值，计算各个所述特征点集对的特征点的数量的差值率；
按照各个所述特征点集对的特征点的数量的差值率，对各个所述特征点集对进行排序，得到所述第一排序结果。
结合第一方面第三实施方式，在第一方面第四实施方式中，所述差值率采用如下公式计算：
Figure BDA0002577919160000031
其中，a，b分别为所述特征点集对中的两个特征点集；A、B分别为特征点集对中两个特征点集的所述特征点的数量；f(a,b)为所述差值率。
结合第一方面第二实施方式至第四实施方式中任一项，在第一方面第五实施方式中，所述基于所述第一排序结果确定所述目标特征点集对，包括：
确定各个所述特征点集对在所述第一排序结果中的第一位置信息；
按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序，得到第二排序结果以及各个所述特征点集对在所述第二排序结果中的第二位置信息；
基于所述第一位置信息以及所述第二位置信息，确定所述目标特征点集对。
本发明实施例提供的特征点集对的筛选方法，将特征点集对中特征点的数量，以及特征点集对的特征点的差值率结合，确定目标特点集对，进一步保证了确定出的目标特征点集对的可靠性。
结合第一方面第五实施方式，在第一方面第六实施方式中，所述基于所述第一位置信息以及所述第二位置信息，确定所述目标特征点集对，包括：
对所述第一位置信息与所述第二位置信息进行加权求和，得到各个所述特征点集对的得分值；
确定所述得分值最大的所述特征点集对为所述目标特征点集对。
根据第二方面，本发明实施例还提供了一种目标匹配方法，包括：
获取两个待匹配目标；
根据本发明第一方面，或第一方面任一项实施方式中所述的特征点集对的筛选方法对所述两个待匹配目标进行特征点集对的筛选，得到所述目标特征点集对；
利用所述目标特征点集对中各个特征点的坐标计算调整矩阵；
将所述调整矩阵作用在所述目标特征点集对中的第一特征点集上，得到新的特征点集；
基于所述新的特征点集以及所述目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配。
本发明实施例提供的目标匹配方法，在匹配之前先对两个待匹配目标的特征点进行筛选得到合适的目标特征点集对，再在其基础上进行待匹配目标的匹配，能够保证匹配结果的准确性。
结合第二方面，在第二方面第一实施方式中，所述基于所述新的特征点集以及所述目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配，包括：
遍历所述新的特征点集以及所述第二特征点集，确定匹配特征点的数量；
基于匹配特征点的数量，计算匹配率；
将所述匹配率与预设值进行对比，以确定两个待匹配目标是否匹配。
结合第二方面，或第二方面第一实施方式，在第二方面第二实施方式中，所述匹配方法还包括：
当两个待匹配目标匹配时，利用所述调整矩阵对所述待匹配目标进行偏移，以使得两个所述待匹配目标的坐标匹配。
本发明实施例提供的目标匹配方法，在两个待匹配目标匹配的基础上，再进行坐标匹配，可以实现坐标的自动匹配，提高了坐标匹配的准确性。
根据第三方面，本发明实施例还提供了一种特征点集对的筛选装置，包括：
第一获取模块，用于获取目标构件类型；
提取模块，用于基于所述目标构件类型，分别从两个待匹配目标中提取所有所述目标构件类型的图元的特征点，以形成与所述待匹配目标的目标构件类型一一对应的特征点集；
点集对组成模块，用于将两个所述待匹配目标的特征点集，按照所述目标构件类型组成特征点集对；
第一筛选模块，用于根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对。
本发明实施例提供的特征点集对的筛选装置，特征点提取是基于目标构件类型进行的，且所组成的特征点集对也是基于目标构件类型进行组合的，由于在待匹配目标中不同类型的构件的数量可能不同，通过基于构件类型的特征点提取能够消除由于构件类型所带来的客观因素的影响，为特征点集对的筛选提供了可靠保证。
结合第三方面，在第三方面第一实施方式中，所述第一筛选模块，包括：
第一排序单元，用于按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序；
第一确定单元，用于基于排序结果确定所述目标特征点集对。
结合第三方面，在第三方面第二实施方式中，所述第一筛选模块，包括：
第一计算单元，用于利用所述特征点集对中各个特征点集的所述特征点的数量，计算各个所述特征点集对的特征点的数量的差值；
第二排序单元，用于基于各个所述特征点集对的特征点的数量的差值，对各个所述特征点集对进行排序，得到第一排序结果；
第二确定单元，用于基于所述第一排序结果确定所述目标特征点集对。
结合第三方面第二实施方式，在第三方面第三实施方式中，所述第二排序单元，包括：
第一计算子单元，用于利用各个所述特征点集对的特征点的数量的差值，计算各个所述特征点集对的特征点的数量的差值率；
第一排序子单元，用于按照各个所述特征点集对的特征点的数量的差值率，对各个所述特征点集对进行排序，得到所述第一排序结果。
结合第三方面第三实施方式，在第三方面第四实施方式中，所述差值率采用如下公式计算：
Figure BDA0002577919160000061
其中，a，b分别为所述特征点集对中的两个特征点集；A、B分别为特征点集对中两个特征点集的所述特征点的数量；f(a,b)为所述差值率。
结合第三方面第二实施方式至第四实施方式，在第三方面第五实施方式中，所述第二确定单元，包括：
第一确定子单元，用于确定各个所述特征点集对在所述第一排序结果中的第一位置信息；
第二排序子单元，用于按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序，得到第二排序结果以及各个所述特征点集对在所述第二排序结果中的第二位置信息；
第二确定子单元，用于基于所述第一位置信息以及所述第二位置信息，确定所述目标特征点集对。
结合第三方面第五实施方式，在第三方面第六实施方式中，所述第二确定子单元，包括：
第二计算子单元，用于对所述第一位置信息与所述第二位置信息进行加权求和，得到各个所述特征点集对的得分值；
第三确定子单元，用于确定所述得分值最大的所述特征点集对为所述目标特征点集对。
根据第四方面，本发明实施例还提供了一种目标匹配装置，包括：
第二获取模块，用于获取两个待匹配目标；
第二筛选模块，用于根据本发明第一方面，或第一方面任一项实施方式中所述的特征点集对的筛选方法对所述两个待匹配目标进行特征点集对的筛选，得到所述目标特征点集对；
计算模块，用于利用所述目标特征点集对中各个特征点的坐标计算调整矩阵；
第一调整模块，用于将所述调整矩阵作用在所述目标特征点集对中的第一特征点集上，得到新的特征点集；
确定模块，用于基于所述新的特征点集以及所述目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配。
本发明实施例提供的目标匹配装置，在匹配之前先对两个待匹配目标的特征点进行筛选得到合适的目标特征点集对，再在其基础上进行待匹配目标的匹配，能够保证匹配结果的准确性。
结合第四方面，在第四方面第一实施方式中，所述确定模块，包括：
遍历单元，用于遍历所述新的特征点集以及所述第二特征点集，确定匹配特征点的数量；
第二计算单元，用于基于匹配特征点的数量，计算匹配率；
对比单元，用于将所述匹配率与预设值进行对比，以确定两个待匹配目标是否匹配。
结合第四方面，或第四方面第一实施方式中，在第四方面第二实施方式中，当两个待匹配目标匹配时，所述匹配装置还包括：
第二调整模块，用于利用所述调整矩阵对所述待匹配目标进行偏移，以使得两个所述待匹配目标的坐标匹配。
根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的点集对的筛选方法，或执行第二方面或者第二方面的任意一种实施方式中所述的目标匹配方法。
根据第六方面，本发明实施例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存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的点集对的筛选方法，或执行第二方面或者第二方面的任意一种实施方式中所述的目标匹配方法。
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是根据本发明实施例的特征点集对的筛选方法的流程图；
图2是根据本发明实施例的特征点集对的筛选方法的流程图；
图3是根据本发明实施例的目标匹配方法的流程图；
图4是根据本发明实施例的目标匹配方法的流程图；
图5是根据本发明实施例的特征点集对的筛选装置的结构框图；
图6是根据本发明实施例的目标匹配装置的结构框图；
图7是本发明实施例提供的电子设备的硬件结构示意图。
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，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。
在此对本发明实施例中所述的一些术语解释如下：
(1)构件类型：构件在绘图过程中建立的各专业常用的柱、墙、梁、板等；构件类型标识构件是什么类型的构件。
(2)图元：绘制在绘图区域的图形。
(3)特征点集：特征点的集合。
(4)特征点集对：两个特征点集的组合。
(5)待匹配目标：BIM模型，或BIM模型中的楼层等等。
需要说明的是，本发明实施例中所述的特征点集对的筛选方法及目标匹配方法可以应用在两个BIM模型的匹配中，也可以应用在同一BIM模型的两个不同楼层的匹配中。在此对其具体应用场景并不做任何限制。其中，当特征点集对的筛选方法应用在两个BIM模型的匹配中时，在进行特征点的提取时还需要区分不同的楼层，即基于同一楼层同一构件类型进行特征点的提取。
本发明实施例中所述的目标匹配方法，是先提取出两个待匹配目标的特征点集形成特征点集对，由于提取出的特征点集的数量较多，因此为了平衡后续的匹配效率以及匹配效果，就需要进行特征点点集对的筛选，以筛选出最为合适的特征点集对；再利用筛选出的特征点集对确定调整矩阵，以得到两个待匹配目标之间的坐标偏差；若偏差太大则表示这两个待匹配目标不匹配，否则，就可以利用确定出的调整矩阵进行两个待匹配目标的坐标匹配，从而实现两个待匹配目标中坐标的自动匹配。基于此，本发明实施例还提供了一种特征点集对的筛选方法，以得到最为合适的特征点集对。
根据本发明实施例，提供了一种特征点集对的筛选方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种特征点集对的筛选方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例的特征点集对的筛选方法的流程图，如图1所示，该流程包括如下步骤：
S11，获取目标构件类型。
如上文所述的，本实施例中所述的特征点集对的筛选方法不仅可以应用在BIM模型的匹配，还可以应用在BIM模型中两个楼层之间的匹配。由于实际BIM模型是按楼层、构件类型划分的，因此，在BIM模型匹配时，也必须是对同一楼层同一构件类型的点集对进行匹配；在两个楼层之间的匹配时，是对同一构件类型的点集对进行匹配。
关于目标构件类型，其可以选择柱、构造柱、砌体柱等等；其获取方式，可以通过人机交互界面被电子设备所获取到的，也可以是事先存储在电子设备中的，在此对目标构件类型的确定以及获取方式并不做任何限制，具体是根据具体的业务确定的。
S12，基于目标构件类型，分别从两个待匹配目标中提取目标构件类型的图元的特征点，以形成与待匹配目标的目标构件类型一一对应的特征点集。
电子设备在获取到目标构件类型之后，就可以基于该目标构件类型分别从两个待匹配目标中提取目标构件类型的图元的特征点。其中，特征点可以是各个图元的插入点，也可以是中心点等其他可以描绘图元位置的点坐标。为了减少计算量，对于每个图元可以仅选一个点作为特征点。
具体地，当待匹配目标为BIM模型时，在特征点提取时，还需要按照楼层进行划分。例如，目标构件类型分别为A1以及A2，楼层分别为楼层1、以及楼层2，那么对应于两个待匹配目标的特征点集的表示方式可以分别如下表1以及表2所示：
表1待匹配目标1的特征点集
楼层 目标构件类型
特征点集1a 1 A1
特征点集2a 1 A2
特征点集3a 1 A3
特征点集4a 2 A1
特征点集5a 2 A2
特征点集6a 2 A3
表2待匹配目标2的特征点集
Figure BDA0002577919160000101
Figure BDA0002577919160000111
分别参见表1以及表2，特征点集1a-6a对应于待匹配目标1，特征点集1b-6b对应于待匹配目标2。通过上述方式，即可得到与各个待匹配目标的同一楼层同一目标构件类型一一对应的特征点集。
S13，按照目标构件类型，将两个待匹配目标的特征点集组成特征点集对。
电子设备在形成特征点集之后，按照目标构件类型组成特征点集对；其中，当待匹配目标为BIM模型时，在组成特征点集对时还需要结合楼层。
以表1以及表2为例，将同一楼层同一目标构件类型的特征点集组织到一起，就形成了一个个特征点集对。例如，特征点集对1：特征点集1a以及特征点集1b；特征点集对2：特征点集2a以及特征点集2b；特征点集对3：特征点集3a以及特征点集3b；……；依次类推。即，表1与表2中特征点集总共可以组成6个特征点集对。
S14，根据各个特征点集对中特征点的数量，对特征点集对进行筛选以确定目标特征点集对。
若特征点集对中特征点的数量较少，则这些特征点将难以描述完整的待匹配目标，因此，电子设备在对特征点集对进行筛选时，特征点集对中特征点的数量是主要考虑的因素。例如，可以选择各个特征点集对中特征点的数量最多的特征点集对作为目标特征点集对。
当然，在对特征点集对进行筛选时，也可以结合其他参数进行综合考量。具体将在下文中进行详细描述。
本实施例提供的特征点集对的筛选方法，特征点提取是基于目标构件类型进行的，且所组成的特征点集对也是基于目标构件类型进行组合的，由于在待匹配目标中不同类型的构件的数量可能不同，通过基于构件类型的特征点提取能够消除由于构件类型所带来的客观因素的影响，为特征点集对的筛选提供了可靠保证。
在本实施例中提供了一种特征点集对的筛选方法，可用于电子设备，如电脑、手机、平板电脑等，图2是根据本发明实施例的特征点集对的筛选方法的流程图，如图2所示，该流程包括如下步骤：
S21，获取目标构件类型。
详细请参见图1所示实施例的S11，在此不再赘述。
S22，基于目标构件类型，分别从两个待匹配目标中提取目标构件类型的图元的特征点，以形成与待匹配目标的目标构件类型一一对应的特征点集。
详细请参图1所示实施例的S12，在此不再赘述。
S23，按照目标构件类型，将两个待匹配目标的特征点集组成特征点集对。
详细请参见图1所示实施例的S13，在此不再赘述。
S24，根据各个特征点集对中特征点的数量，对特征点集对进行筛选以确定目标特征点集对。
电子设备在对特征点集对进行筛选时可以在各个特征点集对中特征点的数量，计算特征点集对中两个特征点集的特征点数量的差值；在特征点的数量的基础上，结合特征点数量的差值，对特征点集对进行筛选。这是由于，特征点集中特征点的数量太少(比如说少于10个)，则认为这样的特征点太少不足以描述整个BIM模型的特征，这样的点集对需要排除掉；且根据特征点集对的差值率过滤特征点集对。
具体地，上述S24包括如下步骤：
S241，利用特征点集对中各个特征点集的特征点的数量，计算各个特征点集对的特征点的差值。
各个特征点集对中均由两个特征点集组成，每个特征点集均具有一定数量的特征点，电子设备计算这两个特征点集中特征点的差值，用于后续的特征点集对的筛选。
例如，如表1以及表2所示，特征点集对1：特征点集1a以及特征点集1b，其中，特征点集1a具有100个特征点，特征点集1b具有115个特征点，计算两者之差，即115-100＝10，得到特征点集对1的特征点的差值。
S242，基于各个特征点集对的特征点的数量的差值，对各个特征点集对进行排序，得到第一排序结果。
电子设备在上述S241中得到各个特征点集对的特征点的数量的差值之后，再利用计算得到的差值计算差值率。所述的差值率用于表示差值与特征点集对中特征点数量的比例关系。具体地，上述S242可以采用如下步骤表示：
(1)利用各个所述特征点集对的特征点的数量的差值，计算各个特征点集对的特征点的数量的差值率。
电子设备可以利用差值与特征点集对中特征点数量的比值表示差值率，也可以采用如下公式表示差值率：
Figure BDA0002577919160000131
其中，a，b分别为所述特征点集对中的两个特征点集；A、B分别为特征点集对中两个特征点集的特征点的数量；f(a,b)为差值率。
(2)按照各个特征点集对的特征点的数量的差值率，对各个特征点集对进行排序，得到第一排序结果。
电子设备在计算得到各个特征点集对的特征点的数量的差值率之后，按照差值率的大小关系对其进行排序，得到第一排序结果。
以表1以及表2所组成的特征点集对为例，例如，按照由大到小的顺序对各个特征点集对进行排序，得到的第一排序结果可以表示为：
{特征点集对1，特征点集对2，特征点集对4，特征点集对6，特征点集对3，特征点集对5}。
S243，确定各个特征点集对在第一排序结果中的第一位置信息。
电子设备在得到第一排序结果之后，就可以确定各个特征点集对在第一排序结果中的第一位置信息。所述的第一位置信息为各个特征点集对在第一排序结果中的位置。例如：
特征点集对1对应的第一位置信息为：1；
特征点集对2对应的第一位置信息为：2；
特征点集对3对应的第一位置信息为：5；
……
特征点集对6对应的第一位置信息为：6。
S244，按照各个特征点集对中特征点的数量，对各个特征点集对进行排序，得到第二排序结果以及各个特征点集对在第二排序结果中的第二位置信息。
各个特征点集对中特征点的数量为各个特征点集对中两个特征点集的特征点的数量之和。
以表1以及表2所组成的特征点集对为例，例如，按照由小到大的顺序对各个特征点集对进行排序，得到的第二排序结果可以表示为：
{特征点集对3，特征点集对4，特征点集对2，特征点集对1，特征点集对6，特征点集对5}。
相应地，电子设备可以得到各个特征点集对在第二排序结果中的第二位置信息，即可以表示为：
特征点集对1对应的第一位置信息为：4；
特征点集对2对应的第一位置信息为：3；
特征点集对3对应的第一位置信息为：1；
……
特征点集对6对应的第一位置信息为：5。
S245，基于第一位置信息以及第二位置信息，确定目标特征点集对。
由于影响由于两个待匹配目标最终匹配效果主要有两个因素：特征点的数量和点集对的差值率。最好的选择是特征点个数最多，且点集对差值比率最小。因此，电子设备在得到各个特征点集对的第一位置信息以及第二位置信息之后，就可以利用这两个位置信息去欸的那个目标特征点集对。
具体地，上述S245包括如下步骤：
(1)对第一位置信息与第二位置信息进行加权求和，得到各个特征点集对的得分值。
电子设备可以对第一位置信息与第二位置信息进行加权求和，得到各个特征点集对的得分值，例如，得分值可以采用如下公式表示：
Zi＝|m*C1i+n*C2i|；
其中，Zi为特征点集对i的得分值，C1i为特征点集对i对应的第一位置信息，C2i为特征点集对i对应的第二位置信息，m、n为权重。当第一排序结果是由大到小排序得到的，m>0且，当第二排序结果是由小到大排序得到的，n>0。
可选地，m>n，例如，m＝0.7，n＝0.3，即在差值率差不多的情况下，更期望选取点个数较多的点集对。
(2)确定得分值最大的特征点集对为目标特征点集对。
电子设备在得到各个特征点集对的得分值之后，将得分值最大的特征点击对确定为目标特征点集对。
本实施例提供的特征点集对的筛选方法，将特征点集对中特征点的数量，以及特征点集对的特征点的差值率结合，确定目标特点集对，进一步保证了确定出的目标特征点集对的可靠性。
作为本实施例的一种可选实施方式，上述S24也可以采用如下步骤实现：
(1)按照各个特征点集对中特征点的数量，对各个特征点集对进行排序，得到第二排序结果以及各个特征点集对在第二排序结果中的第二位置信息。
(2)基于第二位置信息确定目标特征点集对。
具体地，电子设备可以直接将特征点集对中特征点的数量最多的特征点集对确定为目标特征点集对。若特征点集对内特征点的数量太少，那么这些特征点将不足以描述整个待匹配目标，以予以排除，因此通过对特征点的数量进行排序，对特征点集对进行筛选，可以得到合适的目标特征点集对。
作为本实施例的另一种可选实施方式，上述S24还可以采用如下步骤实现：
(1)利用特征点集对中各个特征点集的特征点的数量，计算各个特征点集对的特征点的差值。
(2)将差值最小的特征点集对确定特征目标特征点集对。
电子设备在计算得到各个特征点集对的特征点的差值之后，可以直接将差值最小的特征点集对确定为目标特征点集对。若同一特征点集对中两个特征点集的特征点的数量差距太大，应将其排除，可以得到合适的目标特征点集对。
根据本发明实施例，提供了一种目标匹配方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种目标匹配方法，可用于电子设备，如电脑、手机、平板电脑等，图3是根据本发明实施例的特征点集对的筛选方法的流程图，如图3所示，该流程包括如下步骤：
S31，获取两个待匹配目标。
如上文所述，待匹配目标可以是BIM模型，也可以是某一楼层。在下文的描述中，以待匹配目标为BIM模型为例进行详细描述。
S32，根据上述实施例中所述的特征点集对的筛选方法对两个待匹配目标进行特征点集对的筛选，得到目标特征点集对。
详细请参见图1或图2所示实施例的相关描述，在此不再赘述。
S33，利用目标特征点集对中各个特征点的坐标计算调整矩阵。
电子设备在得到目标特征点集对之后，利用目标特征点集对中各个特征点的坐标计算调整矩阵。其中，所述调整矩阵即为目标特征点集对中两个特征点集之间的旋转平移矩阵，将源点集变换到目标点集相同的坐标系下。
由于上述步骤所确定的目标特征点集对，在某种程度上是非常类似的。目标特征点集对中的两个特征点集的噪声很少，因此可以选择ICP迭代最近点算法进行点集匹配。当然，也可以采用其他方式进行特征点集的匹配，在下文中以ICP迭代最近点算法为例，进行详细描述。
特征点集的匹配过程，就是求两个特征点集之间的旋转平移矩阵，将源点集变换到目标点集相同的坐标系下。其中，可以将目标特征点集对中的一个特征点集(下文称之为第一特征点集)作为源点集Q，将另一个特征点集(下文称之为第二特征点集)作为目标点集P。具体可以表示为以下的方程：
pi＝R*qi+t；
其中(pi，qi)就是目标点集P和源点集Q中的一对对应点，R为旋转矩阵，t为平移向量。
具体做法是分别在待匹配的目标点集P和源点集Q中，按照距离小于阈值(例如：400mm)，找到最邻近点(pi，qi)，然后计算出最优匹配参数R和t，使得误差函数最小。误差函数为E(R，t)为：
Figure BDA0002577919160000171
其中n为最邻近点对的个数，pi为目标点集P中的一点，qi为源点集Q中与pi对应的最近点，R为旋转矩阵，t为平移向量。
具体算法步骤：
(1)在目标点集P中取点集pi∈P；
(2)找出源点集Q中的对应点集qi∈Q，使得||qi-pi||＝min；
(3)计算旋转矩阵R和平移矩阵t，使得误差函数最小；
(4)对pi使用上一步求得的旋转矩阵R和平移向量t进行旋转和平移变换，的到新的对应点集p'i＝{R*qi+t,pi∈P}；
(5)计算p'i与对应点集qi的平均距离d；
(6)如果d小于某一给定的阈值或者大于预设的最大迭代次数，则停止迭代计算。否则返回第(2)步，直到满足收敛条件为止。最终算法结束之后，会输出一个旋转矩阵R和一个平移向量t。
S34，将调整矩阵作用在目标特征点集对中的第一特征点集上，得到新的特征点集。
电子设备使用点集匹配获得的旋转矩阵R和平移向量t作用第一特征点集(即，目标点集P)上，获得新的特征点集P’。
S35，基于新的特征点集以及目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配。
电子设备在得到新的特征点集之后，将新的特征点集与第二特征点集进行匹配，可以统计匹配的特征点的数量，也可以基于匹配的特征点的数量计算匹配率等等，确定两个待匹配目标是否匹配。具体将在下文中进行详细描述。
本实施例提供的目标匹配方法，在匹配之前先对两个待匹配目标的特征点进行筛选得到合适的目标特征点集对，再在其基础上进行待匹配目标的匹配，能够保证匹配结果的准确性。
在本实施例中提供了一种目标匹配方法，可用于电子设备，如电脑、手机、平板电脑等。其中，需要说明的是，从用户的实际建立的BIM模型出发，所述的BIM模型存在如下几个特点：
(1)由于进入对比审核过程的BIM模型通过了用户自检，与实际图纸的差异不大。所以对比的BIM模型大部分是一样的，可以认为90％以上的模型是一致的。
(2)建立BIM模型的时候，点式构件(点式构件：软件中为一个点，通过画点的方式绘制。如柱、独基、门、窗、墙洞……)一般通过CAD识别导入，CAD识别对于点式构件的识别率非常高，大部分构件都能通过CAD识别导入。当然可能存在有一小部分构件图元识别的有问题，用户会参照图纸进行手工绘制，但是由于点式构件绘制较为简单，手工绘制的点式构件与图纸也不会存在较大差异。所以整体上来看，点式构件与图纸差异很小。
(3)BIM模型中点式构件是最多的，并且点式构件更能描绘整个模型的框架。
因此，由于上述原因，可以认为如果BIM模型中的点式构件是匹配的，那么整个BIM模型是匹配的。那么，BIM模型的匹配可以转化为点式构件的匹配。即，所选取的目标构件类型可以是对应于点式构件的构件类型。
图4是根据本发明实施例的特征点集对的筛选方法的流程图，如图4所示，该流程包括如下步骤：
S41，获取两个待匹配目标。
详细请参见图3所示实施例的S31，在此不再赘述。
S42，根据上文实施例中所述的特征点集对的筛选方法对两个待匹配目标进行特征点集对的筛选，得到目标特征点集对。
详细请参见图3所示实施例的S32，在此不再赘述。
S43，利用目标特征点集对计算调整矩阵。
详细请参见图3所示实施例的S33，在此不再赘述。
S44，将调整矩阵作用在目标特征点集对中的第一特征点集上，得到新的特征点集。
详细请参见图3所示实施例的S34，在此不再赘述。
S45，基于新的特征点集以及目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配。
具体地，上述S45包括如下步骤：
S451，遍历新的特征点集以及第二特征点集，确定匹配特征点的数量。
电子设备在得到新的特征点集之后，遍历新的特征点集以及第二特征点集，确定匹配特征点的数量。
S452，基于匹配特征点的数量，计算匹配率。
其中，匹配率用于表示匹配特征点的数量与目标特征点集对的特征点数量的比值关系。例如，匹配率可以采用如下公式表示：
Figure BDA0002577919160000191
其中，x为匹配特征点的数量，A、B为目标特征点集对中两个特征点集的特征点的数量，L为匹配率。
S453，将匹配率与预设值进行对比，以确定两个待匹配目标是否匹配。
电子设备在计算得到匹配率之后，将匹配率与预设值进行比较。当匹配率大于或等于预设值时，电子设备可以确定两个待匹配目标匹配；当匹配率小于预设值时，电子设备可以确定两个待匹配目标不匹配。
可选地，当两个待匹配目标不匹配时，可以认为两个待匹配目标匹配失败，丢弃匹配结果。
当两个待匹配目标匹配时，利用调整矩阵对待匹配目标进行偏移，以使得两个待匹配目标的坐标匹配。具体地，在匹配率符合预期时，可以将调整矩阵(即，旋转矩阵以及平移向量)作用于BIM模型的所有图元，即可完整两个BIM模型的坐标匹配过程。
作为本实施例的一种可选实施方式，当待匹配目标为楼层时，所述的楼层可以是同一BIM模型中的两个楼层，也可以是不同BIM模型中的两个楼层。同样也可以利用上述的目标匹配方法对两个楼层是否匹配进行判断。
本实施例提供的目标匹配方法，在两个待匹配目标匹配的基础上，再进行坐标匹配，可以实现坐标的自动匹配，提高了坐标匹配的准确性。
在本实施例中还提供了一种特征点集对的筛选装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种特征点集对的筛选装置，如图5所示，包括：
第一获取模块51，用于获取目标构件类型；
提取模块52，用于基于所述目标构件类型，分别从两个待匹配目标中提取所有所述目标构件类型的图元的特征点，以形成与所述待匹配目标的目标构件类型一一对应的特征点集；
点集对组成模块53，用于将两个所述待匹配目标的特征点集，按照所述目标构件类型组成特征点集对；
第一筛选模块54，用于根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对。
本实施例提供的特征点集对的筛选装置，特征点提取是基于目标构件类型进行的，且所组成的特征点集对也是基于目标构件类型进行组合的，由于在待匹配目标中不同类型的构件的数量可能不同，通过基于构件类型的特征点提取能够消除由于构件类型所带来的客观因素的影响，为特征点集对的筛选提供了可靠保证。
在本实施例的一些可选实施方式中，所述第一筛选模块，包括：
第一排序单元，用于按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序；
第一确定单元，用于基于排序结果确定所述目标特征点集对。
在本实施例的另一些可选实施方式中，所述第一筛选模块，包括：
第一计算单元，用于利用所述特征点集对中各个特征点集的所述特征点的数量，计算各个所述特征点集对的特征点的数量的差值；
第二排序单元，用于基于各个所述特征点集对的特征点的数量的差值，对各个所述特征点集对进行排序，得到第一排序结果；
第二确定单元，用于基于所述第一排序结果确定所述目标特征点集对。
可选地，所述第二排序单元，包括：
第一计算子单元，用于利用各个所述特征点集对的特征点的数量的差值，计算各个所述特征点集对的特征点的数量的差值率；
第一排序子单元，用于按照各个所述特征点集对的特征点的数量的差值率，对各个所述特征点集对进行排序，得到所述第一排序结果。
可选地，所述差值率采用如下公式计算：
Figure BDA0002577919160000211
其中，a，b分别为所述特征点集对中的两个特征点集；A、B分别为特征点集对中两个特征点集的所述特征点的数量；f(a,b)为所述差值率。
作为本实施例的一种可选实施方式，所述第二确定单元，包括：
第一确定子单元，用于确定各个所述特征点集对在所述第一排序结果中的第一位置信息；
第二排序子单元，用于按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序，得到第二排序结果以及各个所述特征点集对在所述第二排序结果中的第二位置信息；
第二确定子单元，用于基于所述第一位置信息以及所述第二位置信息，确定所述目标特征点集对。
可选地，所述第二确定子单元，包括：
第二计算子单元，用于对所述第一位置信息与所述第二位置信息进行加权求和，得到各个所述特征点集对的得分值；
第三确定子单元，用于确定所述得分值最大的所述特征点集对为所述目标特征点集对。
本实施例提供一种目标匹配装置，如图6所示，包括：
第二获取模块61，用于获取两个待匹配目标；
第二筛选模块62，用于根据上述实施例中所述的特征点集对的筛选方法对所述两个待匹配目标进行特征点集对的筛选，得到所述目标特征点集对；
计算模块63，用于利用所述目标特征点集对中各个特征点的坐标计算调整矩阵；
第一调整模块64，用于将所述调整矩阵作用在所述目标特征点集对中的第一特征点集上，得到新的特征点集；
确定模块65，用于基于所述新的特征点集以及所述目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配。
本实施例提供的目标匹配装置，在匹配之前先对两个待匹配目标的特征点进行筛选得到合适的目标特征点集对，再在其基础上进行待匹配目标的匹配，能够保证匹配结果的准确性。
在本实施例的一些可选实施方式中，所述确定模块，包括：
遍历单元，用于遍历所述新的特征点集以及所述第二特征点集，确定匹配特征点的数量；
第二计算单元，用于基于匹配特征点的数量，计算匹配率；
对比单元，用于将所述匹配率与预设值进行对比，以确定两个待匹配目标是否匹配。
作为本实施例的一种可选实施方式，当两个待匹配目标匹配时，所述匹配装置还包括：
第二调整模块，用于利用所述调整矩阵对所述待匹配目标进行偏移，以使得两个所述待匹配目标的坐标匹配。
本实施例中的特征点集对的筛选装置，或目标匹配装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种电子设备，具有上述图5所示的特征点集对的筛选装置，或图6所示的目标匹配装置。
请参阅图7，图7是本发明可选实施例提供的一种电子设备的结构示意图，如图7所示，该电子设备可以包括：至少一个处理器71，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口73，存储器74，至少一个通信总线72。其中，通信总线72用于实现这些组件之间的连接通信。其中，通信接口73可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口73还可以包括标准的有线接口、无线接口。存储器74可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器74可选的还可以是至少一个位于远离前述处理器71的存储装置。其中处理器71可以结合图5或6所描述的装置，存储器74中存储应用程序，且处理器71调用存储器74中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线72可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线72可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器74可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器74还可以包括上述种类的存储器的组合。
其中，处理器71可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器71还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器74还用于存储程序指令。处理器71可以调用程序指令，实现如本申请图1和2实施例中所示的特征点集对的筛选方法，或图3和4实施例中所示的目标匹配方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的特征点集对的筛选方法，或目标匹配方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (14)

1.一种特征点集对的筛选方法，其特征在于，包括：
获取目标构件类型；
基于所述目标构件类型，分别从两个待匹配目标中提取所述目标构件类型的图元的特征点，以形成与所述待匹配目标的目标构件类型一一对应的特征点集；
按照所述目标构件类型，将两个所述待匹配目标的特征点集组成特征点集对；
根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对。
2.根据权利要求1所述的筛选方法，其特征在于，所述根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对，包括：
按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序；
基于排序结果确定所述目标特征点集对。
3.根据权利要求1所述的筛选方法，其特征在于，所述根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对，包括：
利用所述特征点集对中各个特征点集的所述特征点的数量，计算各个所述特征点集对的特征点的数量的差值；
基于各个所述特征点集对的特征点的数量的差值，对各个所述特征点集对进行排序，得到第一排序结果；
基于所述第一排序结果确定所述目标特征点集对。
4.根据权利要求3所述的筛选方法，其特征在于，所述基于各个所述特征点集对的特征点的数量的差值，对各个所述特征点集对进行排序，得到第一排序结果，包括：
利用各个所述特征点集对的特征点的数量的差值，计算各个所述特征点集对的特征点的数量的差值率；
按照各个所述特征点集对的特征点的数量的差值率，对各个所述特征点集对进行排序，得到所述第一排序结果。
5.根据权利要求4所述的筛选方法，其特征在于，所述差值率采用如下公式计算：
Figure FDA0002577919150000021
其中，a，b分别为所述特征点集对中的两个特征点集；A、B分别为特征点集对中两个特征点集的所述特征点的数量；f(a,b)为所述差值率。
6.根据权利要求3至5中任一项所述的筛选方法，其特征在于，所述基于所述第一排序结果确定所述目标特征点集对，包括：
确定各个所述特征点集对在所述第一排序结果中的第一位置信息；
按照各个所述特征点集对中所述特征点的数量，对各个所述特征点集对进行排序，得到第二排序结果以及各个所述特征点集对在所述第二排序结果中的第二位置信息；
基于所述第一位置信息以及所述第二位置信息，确定所述目标特征点集对。
7.根据权利要求6所述的筛选方法，其特征在于，所述基于所述第一位置信息以及所述第二位置信息，确定所述目标特征点集对，包括：
对所述第一位置信息与所述第二位置信息进行加权求和，得到各个所述特征点集对的得分值；
确定所述得分值最大的所述特征点集对为所述目标特征点集对。
8.一种目标匹配方法，其特征在于，包括：
获取两个待匹配目标；
根据权利要求1-7中任一项所述的特征点集对的筛选方法对所述两个待匹配目标进行特征点集对的筛选，得到所述目标特征点集对；
利用所述目标特征点集对中各个特征点的坐标计算调整矩阵；
将所述调整矩阵作用在所述目标特征点集对中的第一特征点集上，得到新的特征点集；
基于所述新的特征点集以及所述目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配。
9.根据权利要求8所述的匹配方法，其特征在于，所述基于所述新的特征点集以及所述目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配，包括：
遍历所述新的特征点集以及所述第二特征点集，确定匹配特征点的数量；
基于匹配特征点的数量，计算匹配率；
将所述匹配率与预设值进行对比，以确定两个待匹配目标是否匹配。
10.根据权利要求8或9所述的匹配方法，其特征在于，所述匹配方法还包括：
当两个待匹配目标匹配时，利用所述调整矩阵对所述待匹配目标进行偏移，以使得两个所述待匹配目标的坐标匹配。
11.一种特征点集对的筛选装置，其特征在于，包括：
第一获取模块，用于获取目标构件类型；
提取模块，用于基于所述目标构件类型，分别从两个待匹配目标中提取所有所述目标构件类型的图元的特征点，以形成与所述待匹配目标的目标构件类型一一对应的特征点集；
点集对组成模块，用于将两个所述待匹配目标的特征点集，按照所述目标构件类型组成特征点集对；
第一筛选模块，用于根据各个所述特征点集对中所述特征点的数量，对所述特征点集对进行筛选以确定目标特征点集对。
12.一种目标匹配装置，其特征在于，包括：
第二获取模块，用于获取两个待匹配目标；
第二筛选模块，用于根据权利要求1-7中任一项所述的特征点集对的筛选方法对所述两个待匹配目标进行特征点集对的筛选，得到所述目标特征点集对；
计算模块，用于利用所述目标特征点集对中各个特征点的坐标计算调整矩阵；
第一调整模块，用于将所述调整矩阵作用在所述目标特征点集对中的第一特征点集上，得到新的特征点集；
确定模块，用于基于所述新的特征点集以及所述目标特征点集对中的第二特征点集，确定两个待匹配目标是否匹配。
13.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的特征点集对的筛选方法，或权利要求8-10中任一项所述的目标匹配方法。
14.一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存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的特征点集对的筛选方法，或权利要求8-10中任一项所述的目标匹配方法。
CN202010659291.0A 2020-07-09 特征点集对的筛选方法、目标匹配方法、装置及电子设备 Active CN111881947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010659291.0A CN111881947B (zh) 2020-07-09 特征点集对的筛选方法、目标匹配方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010659291.0A CN111881947B (zh) 2020-07-09 特征点集对的筛选方法、目标匹配方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111881947A true CN111881947A (zh) 2020-11-03
CN111881947B CN111881947B (zh) 2024-05-14

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883475A (zh) * 2021-03-02 2021-06-01 广联达科技股份有限公司 模型对量方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2395758A1 (en) * 2001-07-27 2003-01-27 Matrox Electronic Systems Ltd. A geometric hashing method for model-based recognition of an object
CN101377847A (zh) * 2007-08-29 2009-03-04 中国科学院自动化研究所 一种文档图像的配准及特征点选取方法
US20140098094A1 (en) * 2012-10-05 2014-04-10 Ulrich Neumann Three-dimensional point processing and model generation
CN105740878A (zh) * 2015-12-11 2016-07-06 中国地质调查局发展研究中心 地理信息系统的符号识别方法和装置
CN109859314A (zh) * 2019-03-12 2019-06-07 上海曼恒数字技术股份有限公司 三维重建方法、装置、电子设备和存储介质
CN110070610A (zh) * 2019-04-17 2019-07-30 精伦电子股份有限公司 特征点匹配方法、三维重构过程的特征点匹配方法及装置
CN110765893A (zh) * 2019-09-30 2020-02-07 万翼科技有限公司 图纸文件识别方法、电子设备及相关产品
CN110796016A (zh) * 2019-09-30 2020-02-14 万翼科技有限公司 工程图纸识别方法、电子设备及相关产品
CN111008597A (zh) * 2019-12-05 2020-04-14 万翼科技有限公司 Cad图纸的空间识别方法、装置、电子设备及存储介质
CN111222186A (zh) * 2020-01-03 2020-06-02 湖南特能博世科技有限公司 图元识别的方法、装置及服务器

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2395758A1 (en) * 2001-07-27 2003-01-27 Matrox Electronic Systems Ltd. A geometric hashing method for model-based recognition of an object
CN101377847A (zh) * 2007-08-29 2009-03-04 中国科学院自动化研究所 一种文档图像的配准及特征点选取方法
US20140098094A1 (en) * 2012-10-05 2014-04-10 Ulrich Neumann Three-dimensional point processing and model generation
CN105740878A (zh) * 2015-12-11 2016-07-06 中国地质调查局发展研究中心 地理信息系统的符号识别方法和装置
CN109859314A (zh) * 2019-03-12 2019-06-07 上海曼恒数字技术股份有限公司 三维重建方法、装置、电子设备和存储介质
CN110070610A (zh) * 2019-04-17 2019-07-30 精伦电子股份有限公司 特征点匹配方法、三维重构过程的特征点匹配方法及装置
CN110765893A (zh) * 2019-09-30 2020-02-07 万翼科技有限公司 图纸文件识别方法、电子设备及相关产品
CN110796016A (zh) * 2019-09-30 2020-02-14 万翼科技有限公司 工程图纸识别方法、电子设备及相关产品
CN111008597A (zh) * 2019-12-05 2020-04-14 万翼科技有限公司 Cad图纸的空间识别方法、装置、电子设备及存储介质
CN111222186A (zh) * 2020-01-03 2020-06-02 湖南特能博世科技有限公司 图元识别的方法、装置及服务器

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
季海峰;田怀文;: "面向概念设计的组合图形草图识别方法", 计算机科学, no. 1 *
季海峰;田怀文;: "面向概念设计的组合图形草图识别方法", 计算机科学, no. 1, 15 June 2016 (2016-06-15) *
胡延平, 马德成, 何鸿鹏, 欧宗瑛: "基于模型重建技术的图形匹配原理与方法", 大连理工大学学报, no. 02 *
胡延平, 马德成, 何鸿鹏, 欧宗瑛: "基于模型重建技术的图形匹配原理与方法", 大连理工大学学报, no. 02, 10 April 2005 (2005-04-10) *
芦俊;丛卫华;: "一种基于线状目标特征点集的声呐图像配准方法", 声学与电子工程, no. 04 *
芦俊;丛卫华;: "一种基于线状目标特征点集的声呐图像配准方法", 声学与电子工程, no. 04, 15 December 2014 (2014-12-15) *
赵琦;侯妙乐;解琳琳;李爱群;: "基于点云数据的古建筑多层级BIM构建", 遗产与保护研究, no. 09 *
赵琦;侯妙乐;解琳琳;李爱群;: "基于点云数据的古建筑多层级BIM构建", 遗产与保护研究, no. 09, 28 September 2018 (2018-09-28) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883475A (zh) * 2021-03-02 2021-06-01 广联达科技股份有限公司 模型对量方法、装置及电子设备
CN112883475B (zh) * 2021-03-02 2024-04-12 广联达科技股份有限公司 模型对量方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN109190442B (zh) 一种基于深度级联卷积神经网络的快速人脸检测方法
CN109815770B (zh) 二维码检测方法、装置及系统
US9076221B2 (en) Removing an object from an image
US9836564B1 (en) Efficient extraction of the worst sample in Monte Carlo simulation
CN109934826A (zh) 一种基于图卷积网络的图像特征分割方法
CN102708572B (zh) 更新场景模型的方法和系统、使用该方法的照相机系统
CN110717881A (zh) 晶圆缺陷识别方法、装置、存储介质和终端设备
CN112434188B (zh) 一种异构数据库的数据集成方法、装置及存储介质
CN111815169B (zh) 业务审批参数配置方法及装置
CN110738102A (zh) 一种人脸识别方法及系统
WO2021098615A1 (zh) 基因型数据缺失的填充方法、装置及服务器
KR20220051162A (ko) 시각적 포지셔닝 방법, 관련 모델의 훈련 방법 및 관련 장치, 기기
CN111291768A (zh) 图像特征匹配方法及装置、设备、存储介质
CN108921181A (zh) 一种局部图像特征提取方法、装置、系统及可读存储介质
CN108898549A (zh) 图片处理方法、图片处理装置及终端设备
CN113792853B (zh) 字符生成模型的训练方法、字符生成方法、装置和设备
CN109635714A (zh) 文档扫描图像的矫正方法及装置
CN109993026B (zh) 亲属识别网络模型的训练方法及装置
CN104202448A (zh) 一种解决移动终端摄像头拍照亮度不均的系统及其方法
CN111079587B (zh) 人脸的识别方法、装置、计算机设备及可读存储介质
CN115081613A (zh) 生成深度学习模型的方法、装置、电子设备及存储介质
CN113688986A (zh) 纵向联邦预测优化方法、设备、介质及计算机程序产品
CN115329705A (zh) 半导体器件的布局方法、装置、可读存储介质、终端
CN111476269A (zh) 均衡样本集构建、翻拍图像识别方法、装置、设备及介质
CN107077617B (zh) 指纹提取方法及装置

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
GR01 Patent grant