CN111915730A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111915730A CN111915730A CN202010700043.6A CN202010700043A CN111915730A CN 111915730 A CN111915730 A CN 111915730A CN 202010700043 A CN202010700043 A CN 202010700043A CN 111915730 A CN111915730 A CN 111915730A
- Authority
- CN
- China
- Prior art keywords
- indoor
- point
- point cloud
- plane
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 38
- 230000011218 segmentation Effects 0.000 claims description 34
- 230000005484 gravity Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000035772 mutation Effects 0.000 description 33
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供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,其中方法包括采集室内的三维点云数据并进行预处理,还包括以下步骤:步骤1:提取室内组件并进行空间划分;步骤2:提取房间布局参数和组件参数;步骤3:根据提取的点云进行室内关键参数的估计,并向CityGML标准建筑模型进行转化,自动生成室内语义模型。本发明提出的顾及语义从点云自动生成室内三维模型的方法及系统,通过对建筑物室内点云进行逐步细化解析,提取室内空间及组件语义信息及几何信息,并依照语义模型标准进行信息转化以实现室内语义模型自动生成的目的。
Description
技术领域
本发明涉及室内三维模型搭建的技术领域,特别是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。
背景技术
近年来,城市信息化建设经历了从数字化到智慧化的发展。地理空间信息迎来了从二维到三维,由宏观到微观,由室外到室内的发展,对于建筑物室内空间应用提出了更高的要求。建筑物室内空间深层次应用依托于语义丰富的实体三维模型,传统的室内语义三维模型构建方法主要可以分为以下几种:(1)计算机辅助三维建模,主要依靠激光测距仪、数码相机、卷尺等基础测量仪器,通过手工量测记录所有建筑物组件的尺寸,并根据量测参数使用商业软件(如SketchUP、AutoCAD、3DS MAX等)进行室内建模;(2)基于工业设计图纸进行三维模型生成,以建筑物原始的二维设计图纸为参考,通过图纸参数进行三维模型的生成。这两种传统的室内三维建模方法在一定程度上可以提供精细的室内三维模型,但是存在数据获取困难、自动化程度低、效率低下或者由于图纸缺失或建筑设施翻修更改而不具备现世性,无法满足室内环境及时更新的要求。随着计算机技术、传感器技术、机器视觉技术的发展,人们可以快速获取具有三维坐标和一定属性海量的、不规则空间分布的三维点云,这种形式的数据能有效的刻画复杂的现实世界,成为最为直接和重要的三维地理空间数据形式,能够为三维建模提供有效的数据支持。从三维点云到语义丰富的三维模型输出,通常需要人工在原始点云上进行量测获取所需信息,之后根据量测信息进行建模主要包括:(1)建筑物的几何建模;(2)组件的识别及归属;(3)拓扑关系建立。人工方式进行语义丰富的三维建模过程耗时耗力且易出错。从点云自动化室内语义三维建模主要面临着点云结构化及建筑规则、语义信息提取等难点。目前大多数自动重建方法仅针对建筑物几何形状及结构信息缺乏空间的划分及语义信息。
申请公布号为CN110009727A的发明专利申请公开了一种具有结构语义的室内模型自动重构方法及系统,其中方法包括:通过移动式深度扫描设备采集室内的三维点云数据,并对三维点云数据进行预处理;提取功能空间的墙面部件;获取功能空间边界;提取门窗部件,并参数化;对全局点云数据进行平面分割,得到全局平面,依据平面结构全局优化算法对墙面部件、门窗部件的几何与关联关系进行优化;将参数化的数据输出具有结构语义的室内三维模型。该方法的缺点是空间划分由交互式进行空间分区的划分而非自动化且未分析各个空间之间的连通性。
发明内容
为了解决上述的技术问题,本发明提出的顾及语义从点云自动生成室内三维模型的方法及系统,通过对建筑物室内点云进行逐步细化解析,提取室内空间及组件语义信息及几何信息,并依照语义模型标准进行信息转化以实现室内语义模型自动生成的目的。
本发明的第一目的是提供一种顾及语义从点云自动生成室内三维模型的方法,采集室内的三维点云数据并进行预处理,还包括以下步骤:
步骤1:提取室内组件并进行空间划分;
步骤2:提取房间布局参数和组件参数;
步骤3:根据提取的点云进行室内关键参数的估计,并向CityGML标准建筑模型进行转化,自动生成室内语义模型。
优选的是,所述提取室内组件的方法为设定所述室内组件的平面结构,并对所述平面结构进行分割。
在上述任一方案中优选的是,所述设定所述室内组件的平面结构满足以下条件:
1)天花板平面、地板平面分别为最高、最低水平面;
2)墙体垂直于天花板、地板平面组成房间边界;
3)室内门位于两面平行的墙体内,形状为矩形。
在上述任一方案中优选的是,对所述平面结构进行分割的方法包括以下子步骤:
步骤102:将采用点先发的估计转化为求解矩阵特征向量,C·ν=λ·ν,最小的特征值对应的特征向量即视为该点的法向量,其中,ν为特征向量,λ为特征值;
步骤104:根据点集每个点的曲率进行排序,并将最小曲率对应的点作为区域生长的初始种子点;
步骤105:定义K邻域搜索范围,搜索种子点邻域范围内的点,若邻域内点法线方向与当前种子点法线方向夹角小于角度阈值θt,则将该邻域点加入当前的平面区域;
步骤106:检查邻域内所有点的曲率值,如果邻域点曲率值小于曲率阈值Ct,则将该邻域点作为新的种子点进行生长;
步骤107:重复步骤101到步骤106,直到种子点集为空时,完成区域生长。
在上述任一方案中优选的是,所述空间划分的方法包括以下子步骤:
步骤111:将点云划分至二维虚拟网格,根据点云最小包围盒的在x轴及y轴上的最小最大值Xm和Ym,以及网格单元尺寸dx和dy,二维虚拟网格定义为:2Dgrid={Cell(u,v)},其中,u为网格单元所在行数,v为网格单元所在列数,(Xmax,Ymax)和(Xmin,Ymin)为点云在二维投影包围盒的最大最小点坐标,dx和dy分别为水平和竖直分辨率;
步骤112:根据网格化的点云生成二值图像,建立起二值图像每个像素与虚拟网格各个单元格一一对应的关系;
步骤113:直接搜索过滤后点云证据图像中的所有封闭轮廓,如果一个轮廓被另一轮廓包围,则将内轮廓合并至外轮廓;
步骤114:通过面积约束进行轮廓的筛选;
步骤115:在过滤后二值图像中搜索所有满足阈值轮廓并在原始二值图像中标记轮廓,以标记的轮廓像素为种子点通过迭代生长的传递给四邻域内未标记的像素,以得到空间分割证据;
步骤116:标记像素与划分点云的虚拟栅格一一对应,可以快速的提取出各个独立空间点云。
在上述任一方案中优选的是,所述步骤1还包括对室内门窗进行提取,在连通的两个房间内进行公共墙体的两个平面查找,通过分析两个连通房间包含的墙面间的法线关系,设置距离阈值判断两个平面是否同属于公共墙体,其中一个墙面对应的平面方程为A1x+B1y+C1z+D1=0,其重心位置为C1(x1,y1,z1),另一墙面对应平面方程为A2x+B2y+C2z+D2=0,其重心位置为C2(x2,y2,z2),若两墙面同属于两个房间的公共墙体,则需要满足以下条件:
其中,(A1,B1,C1)和(A2,B3,C2)分别为两平面的法向,d1和d2分别为两平面重心点到另一平面间的距离,θt为角度阈值,St为距离阈值,D1和D2分别为两平面到原点的距离。
在上述任一方案中优选的是,所述步骤2包括房间高度估计、房间边界提取及边界轮廓分段。
在上述任一方案中优选的是,,所述房间高度估计方法为根据每个房间的天花板、地板平面点集合进行房间高度估计,对于每个平面点集合P(x,y,z){p1,p2,p3……pn},代入公式分别求取天花板、地板所在高度,并估计两者之间的距离为房间高度:
其中,Zc代表天花板高度,Ci代表第i个天花板点云平面参数(Ax+By+Cz+D=0)所对应的-D/C(地板平面在Z轴截距)值,Zf代表地板高度,Fi代表第i个地板点云平面参数对应的-D/C(天花板平面在Z轴截距),H表示地板至天花板的距离即高度估计值,m为标签为地板平面的个数。
在上述任一方案中优选的是,所述房间边界提取及边界轮廓分段的方法包括边界提取阶段和分段融合阶段。
在上述任一方案中优选的是,所述边界提取阶段的输入为以标记的候选墙、天花板点,输出为二维房间边界点集合,包括以下子步骤:
步骤1201:将输入点云投影至XY平面,去除重复点,根据去重后的点云构建Kd树,查找Y值最小点A作为轮廓的起始点并且为当前点;
步骤1202:查找当前点最邻近K个点(B,C,D,K=3)作为下一个轮廓点的候选点,以x坐标轴左方向为正方向,候选点中与当前点连线和正方向构成方向角最大的点D作为下一个轮廓点并为当前点,且在下一步查找K邻近点中删除A;
步骤1203:查找当前点K邻近个点(B,C,E,K=3)为候选点,候选点中与当前点连线和前一个轮廓线段AD构成角度最大的点为下一轮廓点并作为当前点;
步骤1204:迭代执行步骤1203,直到再次回到起始点A或点集循环完毕,轮廓提取结束。
在上述任一方案中优选的是,所述分段融合阶段的输入为以提取的边界轮廓,输出为布局关键点,包括以下子步骤:
步骤1211:首先根据当前点C,分别向后、向前查找第K个点A、B,将A、B、C点代入以下公式:
式中,F代表要计算的C点的突变值,a、b、c分别表示BC,AC,AB线段的长度;
步骤1212:使用当前点突变值与给定阈值t比较,若突变值F>t,则当前点局部存在突变点,开始查找突变点,继续向前循环,直到当前点突变值小于阈值结束查找,得到局部突变值最大的点即为突变点C1,记录突变点索引;
步骤1213:重复执行步骤1211和步骤1212,直到查找到所有突变点及对应索引,相邻突变点索引分别对应一个分段的起始及终止索引;
步骤1214:进行分段线段融合,如果分段的线段长度小于距离阈值s或者当前分段与前一个分段所呈夹角小于一定的角度阈值θ,则将当前线段点合并至前一个线段,最终得到各分段线段;
步骤1215:针对各分段点集,采用最小二乘算法进行二维墙分段线段参数计算。
在上述任一方案中优选的是,所述二维墙分段线段参数计算方法包括以下子步骤:
步骤1215c:分别对a、b求偏导,得到雅各比矩阵A,以及常数矩阵β,构成线性方程组:Ax=β,根据克莱默法则求解X0.=A-1β。
在上述任一方案中优选的是,所述步骤315还包括通过对最小二乘得到房间代表墙面的二维线参数方程,相邻线求交获取房间有序的二维布局关键点集合:Boundary(x,y):{b1,b2……bp},其中,p代表二维关键点个数。
在上述任一方案中优选的是,所述步骤315还包括提取的布局参数结合天花板、地板高度信息可以获取墙面的三维顶点信息:Vf/c(Boundary(x,y),Hf/c):{v1,v2……vn}其中,每个顶点为三维坐标表示vi(xi,yi,zi),(xi,yi)为该顶点对应的房间二维布局点坐标,zi为该房间地板或天花板所处的高度Hf。
本发明的第二目的是提供一种顾及语义从点云自动生成室内三维模型的系统,包括用于采集室内的三维点云数据的数据采集模块和预处理模块,还包括以下模块:
点云提取模块:用于提取室内组件并进行空间划分;
所述点云提取模块还用于提取房间布局参数和组件参数;
模型生成模块:用于根据提取的点云进行室内关键参数的估计,并向CityGML标准建筑模型进行转化,自动生成室内语义模型;
所述系统按照如第一目的所述的方法自动生成室内三维模型。
本发明提出了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,能够针对不同来源的室内点云数据进行空间的自动划分及连通性分析,并自动化从非结构化的点云数据中中提取室内组件(天花板、地板、门窗)点云的语义信息及几何参数信息并依照CityGML标准转化语义三维模型。
附图说明
图1为按照本发明的顾及语义从点云自动生成室内三维模型的方法的一优选实施例的流程图。
图2为按照本发明的顾及语义从点云自动生成室内三维模型的系统的一优选实施例的模块图。
图3为按照本发明的顾及语义从点云自动生成室内三维模型的方法的一优选实施例的从点云自动重建室内语义模型流程图。
图4为按照本发明的顾及语义从点云自动生成室内三维模型的方法的一优选实施例的基于点邻域特征的房间边界提取示意图。
图5为按照本发明的顾及语义从点云自动生成室内三维模型的方法的一优选实施例的突变点查找示意图。
图6为按照本发明的顾及语义从点云自动生成室内三维模型的方法的一优选实施例的房间布局参数估计示意图。
图7为按照本发明的顾及语义从点云自动生成室内三维模型的方法的一优选实施例的具有门开口的室内墙面示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1、2所示,执行步骤100,数据采集模块200采集室内的三维点云数据,预处理模块210对三维点云数据进行预处理。
执行步骤110,点云提取模块220提取室内组件并进行空间划分。所述提取室内组件的方法为设定所述室内组件的平面结构,并对所述平面结构进行分割。所述设定所述室内组件的平面结构满足以下条件:1)天花板平面、地板平面分别为最高、最低水平面;2)墙体垂直于天花板、地板平面组成房间边界;3)室内门位于两面平行的墙体内,形状为矩形。对所述平面结构进行分割的方法包括以下子步骤:步骤101:给定点集P={p1,p2,…,pn},以采样点pi局部邻域构建协方差矩阵其中,k为邻域内点数,μ为邻域点的平均值,为点个数,i为当前点索引;步骤102:将采用点先发的估计转化为求解矩阵特征向量,C·ν=λ·ν,最小的特征值对应的特征向量即视为该点的法向量,其中,v为特征向量,λ为特征值;步骤103:根据所述特征值,点曲率的估计公式为其中,λ0、λ1和λ2分别为特征值,且λ0≤λ1≤λ2;步骤104:根据点集每个点的曲率进行排序,并将最小曲率对应的点作为区域生长的初始种子点;步骤105:定义K邻域搜索范围,搜索种子点邻域范围内的点,若邻域内点法线方向与当前种子点法线方向夹角小于角度阈值θt,则将该邻域点加入当前的平面区域;步骤106:检查邻域内所有点的曲率值,如果邻域点曲率值小于曲率阈值Ct,则将该邻域点作为新的种子点进行生长;步骤107:重复步骤101到步骤106,直到种子点集为空时,完成区域生长。所述空间划分的方法包括以下子步骤:步骤111:将点云划分至二维虚拟网格,根据点云最小包围盒的在x轴及y轴上的最小最大值Xm和Ym,以及网格单元尺寸dx和dy,二维虚拟网格定义为:2grid={Cell(u,v)},其中,其中,u为网格单元所在行数, v为网格单元所在列数,(Xmax,Ymax)和(Xmin,Ymin)为点云在二维投影包围盒的最大最小点坐标,dx和dy分别为水平和竖直分辨率;步骤112:根据网格化的点云生成二值图像,建立起二值图像每个像素与虚拟网格各个单元格一一对应的关系;步骤113:直接搜索过滤后点云证据图像中的所有封闭轮廓,如果一个轮廓被另一轮廓包围,则将内轮廓合并至外轮廓;步骤114:通过面积约束进行轮廓的筛选;步骤115:在过滤后二值图像中搜索所有满足阈值轮廓并在原始二值图像中标记轮廓,以标记的轮廓像素为种子点通过迭代生长的传递给四邻域内未标记的像素,以得到空间分割证据;步骤116:标记像素与划分点云的虚拟栅格一一对应,可以快速的提取出各个独立空间点云。
在步骤110中还包括对室内门窗进行提取,在连通的两个房间内进行公共墙体的两个平面查找,通过分析两个连通房间包含的墙面间的法线关系,设置距离阈值判断两个平面是否同属于公共墙体,其中一个墙面对应的平面方程为A1x+B1y+C1z+D1=0,其重心位置为C1(x1,y1,z1),另一墙面对应平面方程为A2x+B2y+C2z+D2=0,其重心位置为C2(x2,y2,z2),若两墙面同属于两个房间的公共墙体,则需要满足以下条件:
其中,(A1,B1,C1)和(A2,B3,C2)分别为两平面的法向,d1和d2分别为两平面重心点到另一平面间的距离,θt为角度阈值,St为距离阈值,D1和D2分别为两平面到原点的距离。
执行步骤120,点云提取模块220提取房间布局参数和组件参数,自动生成室内语义模型,包括房间高度估计、房间边界提取及边界轮廓分段。所述房间高度估计方法为根据每个房间的天花板、地板平面点集合进行房间高度估计,对于每个平面点集合P(x,y,z){p1,p2,p3……pn},代入公式分别求取天花板、地板所在高度,并估计两者之间的距离为房间高度:
其中,Zc代表天花板高度,Ci代表第i个天花板点云平面参数(Ax+By+Cz+D=0)所对应的-D/C(地板平面在Z轴截距)值,zf代表地板高度,Fi代表第i个地板点云平面参数对应的-D/C(天花板平面在Z轴截距),H表示地板至天花板的距离即高度估计值,m为标签为地板平面的个数。
所述房间边界提取及边界轮廓分段的方法包括边界提取阶段和分段融合阶段。所述边界提取阶段的输入为以标记的候选墙、天花板点,输出为二维房间边界点集合,包括以下子步骤:步骤1201:将输入点云投影至XY平面,去除重复点,根据去重后的点云构建Kd树,查找Y值最小点A作为轮廓的起始点并且为当前点;步骤1202:查找当前点最邻近K个点(B,C,D,K=3)作为下一个轮廓点的候选点,以x坐标轴左方向为正方向,候选点中与当前点连线和正方向构成方向角最大的点D作为下一个轮廓点并为当前点,且在下一步查找K邻近点中删除A;步骤1203:查找当前点K邻近个点(B,C,E,K=3)为候选点,候选点中与当前点连线和前一个轮廓线段AD构成角度最大的点为下一轮廓点并作为当前点;步骤1204:迭代执行步骤1203,直到再次回到起始点A或点集循环完毕,轮廓提取结束。
所述分段融合阶段的输入为以提取的边界轮廓,输出为布局关键点,包括以下子步骤:步骤1211:首先根据当前点C,分别向后、向前查找第K个点A、B,将A、B、C点代入以下公式:
式中,F代表要计算的C点的突变值,a、b、c分别表示BC,AC,AB线段的长度;步骤1212:使用当前点突变值与给定阈值t比较,若突变值F>t,则当前点局部存在突变点,开始查找突变点,继续向前循环,直到当前点突变值小于阈值结束查找,得到局部突变值最大的点即为突变点C1,记录突变点索引;步骤1213:重复执行步骤1211和步骤1212,直到查找到所有突变点及对应索引。相邻突变点索引分别对应一个分段的起始及终止索引;步骤1214:进行分段线段融合,如果分段的线段长度小于距离阈值s或者当前分段与前一个分段所呈夹角小于一定的角度阈值θ,则将当前线段点合并至前一个线段,最终得到各分段线段;步骤1215:针对各分段点集,采用最小二乘算法进行二维墙分段线段参数计算,通过对最小二乘得到房间代表墙面的二维线参数方程,相邻线求交获取房间有序的二维布局关键点集合:Boundary(x,y):{b1,b2……bp},其中,p代表二维关键点个数,提取的布局参数结合天花板、地板高度信息可以获取墙面的三维顶点信息:
Vf/c(Boundary(x,y),Hf/c):{v1,v2……vn}其中,每个顶点为三维坐标表示vi(xi,yi,zi),(xi,yi)为该顶点对应的房间二维布局点坐标,zi为该房间地板或天花板所处的高度Hf。所述二维墙分段线段参数计算方法包括以下子步骤:步骤1215a:设定线参数模型:y=ax+β;步骤1215b:根据最小二乘原理将线参数模型代入,则得到其中,为直线斜率,β为截距;步骤1215c:分别对a、β求偏导,得到雅各比矩阵A,以及常数矩阵β,构成线性方程组:Ax=β,根据克莱默法则求解X0.=A-1β。
执行步骤1300,模型生成模块230根据提取的点云进行室内关键参数的估计,并向CityGML标准建筑模型进行转化。
实施例二
如图3所示,本实施例的方法主要包括点云的预处理、室内组件元素的提取标记、空间的自动划分及连通性判断,室内关键参数的提取以及向CityGML标准的转化。其中以先验知识约束进行天花板、地板、墙候选点云标记,改进拓展形态学栅格地图自动分割方法用于建筑物室内点云的空间自动划分及连通性判断,根据空间连通性匹配公共墙体平面以提取室内门窗开口,最后根据提取的点云进行室内关键参数的估计包括各个房间布局参数、高度参数、门窗参数并向CityGML标准建筑模型进行转化以自动生成室内语义模型。
1.1预处理
当前室内场景三维测量方式主要基于三维激光扫描技术(Laser Scanning),基于RGB-D深度相机的三维重建,基于视觉图像序列的三维重建(Structure From Motion),不同方式获取的整体点云往往具有大量的噪声点及冗余不能直接用于室内重建,进行一定的预处理以消除噪声及冗余。
采用体素网格法进行点云降采样,根据输入的点云数据创建三维体素网格,在每个体素内以其中所有点的重心来代表该体素以获取过滤后的点云。使用体素内点集合的重心逼近相较于直接使用体素中心逼近更慢,但它对于采样点的逼近更为准确。下采样能够在不改变整体点云的形状的条件下较少数据量,减少量取决于网格大小及点云密度。
数据下采样后可能包含离群点,采用统计分析算法[22](Statistical OutlierRemoval,SOR)去除离群点,通过计算每个点到其邻域内点的平均距离,假设得到的分布为高斯分布,则可以计算出距离平均值μ和标准差σ,比较邻域内点的距离是否满足公式(1),移除不符合一定标准的邻域点以达到去除离群点的目的。
μ-t·σ<di<μ+t·σ (1)
式中,μ为平均距离、σ为标准差,t为阈值(标准差的倍数)。
由于不同的因素对数据采集过程的影响会通过误差传播进而影响数据的方向,因此需要纠正数据方向以确保数据准确的定位。采用主成分分析算法(Principal ComponentAnalysis,PCA)估计出整体点云的三个主方向,将以三个主方向构成的局部坐标系与重力坐标系统进行对比,估计旋转角度并计算旋转矩阵,完成点云方向纠正。
1.2室内组件提取及空间划分
1.2.1先验知识约束室内组件标记
根据CityGML标准,房间是建筑物一部分,由天花板、地板和墙壁所包围,门、窗覆盖墙开口属于墙的一部分。本申请的算法对于室内组件满足一定假设:
(1)天花板平面、地板平面分别为最高、最低水平面(满足平行的假设);
(2)墙体垂直于天花板、地板平面组成房间边界;
(3)室内门位于两面平行的墙体内,形状为矩形。
由于大多数室内组件(天花板、地板、墙)都是由平面结构组成的,因此与处理单个点相比,提取平面并进行平面标记是更快,更可靠。常用的平面分割算法主要有基于区域生长平面分割[24]和随机采样一致性(RandomSample Consensus,RANSAC)[25]平面分割。本申请通过基于区域生长的算法进行平面分割,需要点云的法向量及曲率信息。给定点集P={p1,p2,…,pn},以采样点pi局部邻域构建协方差矩阵:
式中,k为邻域内点数,μ为邻域点的平均值。
将采样点法线的估计转化为求解矩阵特征向量的问题:
C·ν=λ·ν (3)
式中,ν为特征向量,λ为特征值,最小的特征值对应的特征向量即视为该点的法向量。
根据求取的特征值,点曲率可由下式进行估计:
根据点集每个点的曲率进行排序,并将最小曲率对应的点作为区域生长的初始种子点;定义K邻域搜索范围,搜索种子点邻域范围内的点,若邻域内点法线方向与当前种子点法线方向夹角小于角度阈值θt,则将该邻域点加入当前的平面区域;然后检查邻域内所有点的曲率值,如果邻域点曲率值小于曲率阈值Ct,则将该邻域点作为新的种子点进行生长;重复以上步骤,直到种子点集为空时,完成区域生长。
对各个平面点集以最小二乘算法拟合平面方程估计平面法线,估计重心位置坐标,以及PCA算法估计平面轴向投影至平面以估计平面近似面积。以室内先验知识及标记规则(如表1所示)为约束进行候选天花板、地板、墙面标记。
天花板 | 地板 | 墙 | |
法线朝向 | 与重力方向平行 | 与重力方向平行 | 与重力方向垂直 |
面积尺寸 | 面积大于阈值S<sub>f</sub> | 最大平面 | 面积大于阈值S<sub>w</sub> |
位置 | 最高平面 | 最低平面 | 介于天花板地板之间 |
表1先验约束及标记规则
具体来讲:①法线朝向,拟合的平面法向与重力方向的夹角为θ。通常情况下,室内天花板、地板平面法向与重力方向夹角接近0或180度,墙体平面法向与重力方向夹角在90度左右;②面积与尺寸,多室内空间场景在地板高度相同的情况下,地板点云平面通常为最大平面,天花板平面及墙体平面的面积、高度、宽度也满足一定的约束;③平面位置,室内天花板、地板平面一般位于每个房间的最高与最低平面,墙体平面与天花板地板平面垂直而围成封闭的空间。
1.2.2空间自动划分及连通性判断
为获取室内各个封闭的空间区域,以进一步确定它们之间的关系及各个组件的归属,则需要对建筑物室内空间进行自动划分提取。在机器人领域,Bormann总结一种形态学地图分割方法用于室内栅格地图的自动分割。Li等[26]通过对整体点云向下偏移一定的距离,将偏移空间点云投影至二值图像生成占据证据图,然后采用形态学分割算法进行分割,但是,偏移空间值的设定往往难以确定,在天花板高度不同的情况下需要多次以处理找到最佳偏移量。本申请以形态学栅格地图分割方法研究为基础改进扩展来进行三维点云的室内空间自动划分提取并估计房间与房间之间连通关系。
由于激光无法穿透具有一定厚度的墙体,获取的室内三维点云一般表现为介于相邻的两个房间的公共墙体平面为间隙。在获取三维点云时,门是打开的,相连通的空间会有地板平面及公共门的两个房间的部分门框点云连接,地板平面通常为最低水平平面且面积最大,各独立空间门框平面点云面积一般较小。通过上节提取的平面点云,去除水平面积最大以及小于最小面积阈值St的的平面以打断各个房间连通性。
将点云以图像表示,首先需要将点云划分至二维虚拟网格,根据点云最小包围盒的在x轴及y轴上的最小最大值Xm、Ym以及网格单元尺寸dx、dy,二维虚拟网格定义为:
2Dgrid={Cell(u,v)} (5)
采用二维网格划分能够有效地缩小点范围加速点云数据检索。根据网格化的点云生成二值图像,建立起二值图像每个像素与虚拟网格各个单元格一一对应的关系,其中至少包含一个点的网格所对应的像素值设为255(白),否则为0(黑)。过滤后的点云生成点云二值图能够有效的阻断房间之间的连通性。
根据房间定义,可知单个房间为一个封闭的空间,在二维平面中则由封闭的轮廓包围。原始算法对图像进行迭代侵蚀在这个过程中获取所有的边界轮廓之后再进行判断融合,本申请的算法通过平面点过滤有效的打断了空间之间的连通,因此不需要对图像进行迭代侵蚀,直接搜索过滤后点云证据图像中的所有封闭轮廓,如果一个轮廓被另一轮廓包围,则将内轮廓合并至外轮廓。之后,通过面积约束进行轮廓的筛选,这个过程需要设置两个阈值,上阈值代表最大房间的近似面积Smax,下阈值代表最小房间的近似面积Smin。在过滤后二值图像中搜索所有满足阈值轮廓并在原始二值图像中标记轮廓,以标记的轮廓像素为种子点通过迭代生长的传递给四邻域内未标记的像素,以得到空间分割证据,标记像素与划分点云的虚拟栅格一一对应,可以快速的提取出各个独立空间点云。
由于相邻房间之间有部分门框像素连接,遍历查找空间分割证据图内具有房间标记La像素的四邻域内其他像素标签,若存在不同于当前像素的标记Lb,则记录La、Lb标签对,如果La、Lb标签对出现次数大于一定值,那么La、Lb对应的房间之间有门连通。
1.2.3顾及空间关系约束的门窗提取
室内门窗是建筑物室内空间的重要组成部分,室内门窗通常位于相邻空间的公共墙体内,门窗的存在与否决定了相邻的两个独立子空间是否具有连通关系。本申请通过顾及空间关系约束的门窗提取算法进行门窗开口提取,该方法不需要将点云对应的图像信息、且不需要扫描仪位置信息。
在进行室内点云获取时,门窗是打开的,则门窗存在的位置在点云上反映为空洞区域。然而,由于室内家具(如柜子、书架等)的影响,这些障碍物同样会造成与门窗区域形态相似的空洞区域而影响门窗位置的判断。
在建筑物室内具有连通关系的两个房间拥有公共墙体,门位于公共墙体内部,同时属于两个房间。在点云数据中位于同一墙体的两个墙面表现为两个互相平行的立面
由于不同房间对于同一墙体造成遮挡影响往往不同,因此通过选取连通两个房间的公共墙体平面进行互补分析,能够减小室内遮挡对于室内门窗提取的影响。根据房间连通性判断结果,在连通的两个房间内进行公共墙体的两个平面查找。通过分析两个连通房间包含的墙面间的法线关系,设置距离阈值判断两个平面是否同属于公共墙体。记其中一个墙面对应的平面方程为A1x+B1y+C1z+D1=0,其重心位置为C1(x1,y1,z1),另一墙面对应平面方程为A2x+B2y+C2z+D2=0,其重心位置为C2(x2,y2,z2)。若两墙面同属于两个房间的公共墙体,则需要满足以下条件:
其中(A1,B1,C1)和(A2,B3,C2)分别为两平面的法向,d1和d2分别为两平面重心点到另一平面间的距离,θt为角度阈值,St为距离阈值。
设置角度阈值为±10°,若已知墙面厚度为ε,则以1.5倍的ε为距离阈值参考。若两平面法线夹角在角度阈值内,并且满足d1<ε,d2<ε,那么认为这两个墙面是平行且距离足够近的,则两个墙面则属于同一墙体。
因为较大的墙体平面所属的空间可能与其他连通的空间中的墙面构成公共墙体,如走廊墙面可能与多个墙面组成公共墙体。因此根据当前公共墙体平面中面积较小的墙面方向包围盒对较大的墙面进行的截取,从而获取两者的公共部分。我们需要对两个墙面间的公共部分进行投影转换为图像,以点法式表示一个投影平面:其中代表两平面法线均值,p代表原点到平面的距离均值,意味着位于两平面之间的平行平面。在该方程所表示的投影平面内定义一个二维坐标参考系,以到重力坐标系原点距离最近的点作为二维坐标系原点,以重力坐标系的z轴为二维坐标系纵轴,横轴位于该平面内为将公共部分点集投影至该坐标系下生成二值图像,为门窗提取做准备。
转化后的墙面图像具有噪声区域,采用图像形态学开运算对生成图像进行处理,形态学开运算对图像进行先膨胀后腐蚀运算,能够有效的去除图像中的孤立点、毛刺等,并保证图像总体位置及形状不发生改变。通过对处理后的图像进行轮廓搜索而获取图像内轮廓边界,并通过面积、尺寸约束判断区分门窗开口,将轮廓点返回至三维获取开口的轮廓点。
以上获取了房间的基本组件点云,包括天花板、地板、墙、门框轮廓点集,同时获取了房间的空间划分证据图,根据与证据图对应的整体点云虚拟栅格能够确定的各部分点云的归属。
1.3房间布局参数及组件参数提取
1.3.1房间高度估计
根据每个房间的天花板、地板平面点集合进行房间高度估计,对于每个平面点集合P(x,y,z){p1,p2,p3……pn},代入公式分别求取天花板、地板所在高度,并估计两者之间的距离为房间高度:
式中,Zc代表天花板高度,Ci代表第i个天花板点云平面参数(Ax+By+Cz+D=0所对应的-D/C(地板平面在Z轴截距)值,Zf代表地板高度,Fi代表第i个地板点云平面参数对应的-D/C(天花板平面在Z轴截距),H表示地板至天花板的距离即高度估计值。
1.3.2房间平面布局参数及组件参数估计
由于室内家具如:柜子、桌子、椅子等的遮挡,提取的天花板、地板、墙体平面点云往往不完整,直接在个组件点云上处理来获取各组件参数往往十分困难且受数据质量影响较大,因此同时投影天花板点云提取房间的边界,并对边界进行分段拟合求交获取房间的平面布局参数,以弥补原始数据缺失造成的影响。
本申请采用一种基于点邻域特征的边界提取及融合分段算法进行房间边界提取及边界轮廓分段。通过拟合分段线参数,相邻分段求交以获取房间布局关键点(即房间角点)并结合各房间天花板、地板高度即可获取墙面的顶点参数。具体原理如下:
边界提取阶段。以标记的候选墙、天花板点为输入,输出为二维房间边界点集合:
(1)将输入点云投影至XY平面,去除重复点,根据去重后的点云构建Kd树,查找Y值最小点A作为轮廓的起始点并且为当前点(如图4a所示)。
(2)查找当前点最邻近K个点(B,C,D,K=3)作为下一个轮廓点的候选点,以x坐标轴左方向为正方向,候选点中与当前点连线和正方向构成方向角最大的点D(如图4b所示)。作为下一个轮廓点并为当前点,且在下一步查找K邻近点中删除A。
(3)查找当前点K邻近个点(B,C,E,K=3)为候选点,候选点中与当前点连线和前一个轮廓线段AD构成角度最大的点为下一轮廓点并作为当前点。
(4)迭代执行(3)直到再次回到起始点A或点集循环完毕,轮廓提取结束(如图4b所示)。
分段融合阶段。以提取的边界轮廓(如图6a所示)为输入,输出布局关键点参数(如图6c所示):
(1)首先根据当前点C,分别向后、向前查找第K个点A、B,将A、B、C点代入以下公式:
式中,F代表要计算的C点的突变值,a、b、c分别表示BC,AC,AB线段长度。
(2)当前点突变值与给定阈值t比较,若突变值F>t,则当前点局部存在突变点(如图5a所示)。开始查找突变点,继续向前循环,直到当前点突变值小于阈值结束查找(如图5c所示),得到局部突变值最大的点即为突变点C1(如图5b所示),记录突变点索引。
(3)重复执行(1)(2),直到查找到所有突变点及对应索引。相邻突变点索引分别对应一个分段的起始及终止索引。
(4)边界轮廓分段时会产生过分割现象,需要分段线段的融合。如果分段的线段长度小于距离阈值s或者当前分段与前一个分段所呈夹角小于一定的角度阈值θ,则将当前线段点合并至前一个线段,最终得到各分段线段(如图6b所示)。
(5)针对各分段点集,采用最小二乘算法进行二维墙分段线段参数计算:①给定线参数模型:y=ax+β;②根据最小二乘原理:将线参数模型代入,则其中,a为.......,β为.......;③上式分别对a,β求偏导,得到雅各比矩阵A,以及常数矩阵β,构成线性方程组:Ax=β,根据克莱默法则求解X0.=A-1β。通过对最小二乘得到房间代表墙面的二维线参数方程,相邻线求交即可以获取房间有序的二维布局关键点集合:
Boundary(x,y):{b1,b2……bp} (9)
式中,p代表二维关键点个数。门窗开口轮廓分段及参数提取与布局参数类似。提取的布局参数结合天花板、地板高度信息可以获取墙面的三维顶点信息:
Vf/c(Boundary(x,y),Hf/c):{v1,v2……vn} (10)
式中,每个顶点为三维坐标表示示vi(xi,yi,zi),(xi,yi)为该顶点对应的房间二维布局点坐标,zi为该房间地板或天花板所处的高度Hf。
通过获取的门窗开口参数投影至所在墙面以进行墙面开口坐标获取,如图7所示,ABCD为墙面顶点,MNPQ为门顶点,EFGH为门顶点在墙面的投影坐标以获取开口及墙面的完整表示。
根据以上提取的语义信息及几何信息向CityGML标准语义模型进行转化,CityGML中的几何模型由边界表示法(Boundar y Representation,简称B-rep)表示,由室内各组件顶点坐标连线成面并赋予语义以生成室内空间的语义模型。
以三维点云为数据源能够有效的进行室内语义三维模型的重建,本申请提出一种顾及语义的自动化室内建模方法。通过建筑物室内点云进行逐步细化解析:
1.空间自动划分及连通性判断算法进行语义空间的划分提取及各个空间之间的连通关系。通过区域生长算法提取平面并过滤平面生成室内点云证据图像标记房间轮廓并以轮廓为种子点迭代生长以获取室内划分证据图像,以四邻域内不同标记像素标签对判断空间连通性。
2.顾及空间关系约束的门窗提取算法进行门窗开口轮廓点提取,通过融合具有连通关系的两个空间的公共墙体两平面能够有效的减小室内遮挡造成墙面缺失对门窗开口提取的影响。
3.基于点邻域特征的房间边界提取及分段融合进行室内关键参数提取:通过投影天花板及墙点提取二维边界轮廓并分段融合,拟合分段点提取线参数,相邻线参数求交获取房间二维布局关键点。通过提取的几何信息及语义信息向CityGML标准室内建筑模型转化以达到自动化生成室内语义模型。
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种顾及语义从点云自动生成室内三维模型的方法,包括采集室内的三维点云数据并进行预处理,其特征在于,还包括以下步骤:
步骤1:提取室内组件并进行空间划分;
步骤2:提取房间布局参数和组件参数;
步骤3:根据提取的点云进行室内关键参数的估计,并向CityGML标准建筑模型进行转化,自动生成室内语义模型。
2.如权利要求1所述的顾及语义从点云自动生成室内三维模型的方法,其特征在于,所述提取室内组件的方法为设定所述室内组件的平面结构,并对所述平面结构进行分割。
3.如权利要求2所述的顾及语义从点云自动生成室内三维模型的方法,其特征在于,所述设定所述室内组件的平面结构满足以下条件:
1)天花板平面、地板平面分别为最高、最低水平面;
2)墙体垂直于天花板、地板平面组成房间边界;
3)室内门位于两面平行的墙体内,形状为矩形。
4.如权利要求2所述的顾及语义从点云自动生成室内三维模型的方法,其特征在于,对所述平面结构进行分割的方法包括以下子步骤:
步骤102:将采用点先发的估计转化为求解矩阵特征向量,C·v=λ·v,最小的特征值对应的特征向量即视为该点的法向量,其中,v为特征向量,λ为特征值;
步骤104:根据点集每个点的曲率进行排序,并将最小曲率对应的点作为区域生长的初始种子点;
步骤105:定义K邻域搜索范围,搜索种子点邻域范围内的点,若邻域内点法线方向与当前种子点法线方向夹角小于角度阈值θt,则将该邻域点加入当前的平面区域;
步骤106:检查邻域内所有点的曲率值,如果邻域点曲率值小于曲率阈值Ct,则将该邻域点作为新的种子点进行生长;
步骤107:重复步骤101到步骤106,直到种子点集为空时,完成区域生长。
5.如权利要求1所述的顾及语义从点云自动生成室内三维模型的方法,其特征在于,所述空间划分的方法包括以下子步骤:
步骤111:将点云划分至二维虚拟网格,根据点云最小包围盒的在x轴及y轴上的最小最大值Xm和Ym,以及网格单元尺寸dx和dy,二维虚拟网格定义为:2Dgrid={Cell(u,v)),其中,u为网格单元所在行数,v为网格单元所在列数,(Xmax,Ymax)和(Xmin,Ymin)为点云在二维投影包围盒的最大最小点坐标,dx和dy分别为水平和竖直分辨率;
步骤112:根据网格化的点云生成二值图像,建立起二值图像每个像素与虚拟网格各个单元格一一对应的关系;
步骤113:直接搜索过滤后点云证据图像中的所有封闭轮廓,如果一个轮廓被另一轮廓包围,则将内轮廓合并至外轮廓;
步骤114:通过面积约束进行轮廓的筛选;
步骤115:在过滤后二值图像中搜索所有满足阈值轮廓并在原始二值图像中标记轮廓,以标记的轮廓像素为种子点通过迭代生长的传递给四邻域内未标记的像素,以得到空间分割证据;
步骤116:标记像素与划分点云的虚拟栅格一一对应,可以快速的提取出各个独立空间点云。
6.如权利要求5所述的顾及语义从点云自动生成室内三维模型的方法,其特征在于,所述步骤1还包括对室内门窗进行提取,在连通的两个房间内进行公共墙体的两个平面查找,通过分析两个连通房间包含的墙面间的法线关系,设置距离阈值判断两个平面是否同属于公共墙体,其中一个墙面对应的平面方程为A1x+B1y+C1z+D1=0,其重心位置为C1(x1,y1,z1),另一墙面对应平面方程为A2x+B2y+C2z+D2=0,其重心位置为C2(x2,y2,z2),若两墙面同属于两个房间的公共墙体,则需要满足以下条件:
其中,(A1,B1,C1)和(A2,B3,C2)分别为两平面的法向,d1和d2分别为两平面重心点到另一平面间的距离,θt为角度阈值,St为距离阈值,D1和D2分别为两平面到原点的距离。
7.如权利要求2所述的顾及语义从点云自动生成室内三维模型的方法,其特征在于,所述步骤2包括房间高度估计、房间边界提取及边界轮廓分段。
9.如权利要求7所述的顾及语义从点云自动生成室内三维模型的方法,其特征在于,所述房间边界提取及边界轮廓分段的方法包括边界提取阶段和分段融合阶段。
10.一种顾及语义从点云自动生成室内三维模型的系统,包括用于采集室内的三维点云数据的数据采集模块和预处理模块,其特征在于,还包括以下模块:
点云提取模块:用于提取室内组件并进行空间划分;
所述点云提取模块还用于提取房间布局参数和组件参数;
模型生成模块:用于根据提取的点云进行室内关键参数的估计,并向CityGML标准建筑模型进行转化,自动生成室内语义模型;
所述系统按照如权利要求1所述的方法自动生成室内三维模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700043.6A CN111915730B (zh) | 2020-07-20 | 2020-07-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700043.6A CN111915730B (zh) | 2020-07-20 | 2020-07-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915730A true CN111915730A (zh) | 2020-11-10 |
CN111915730B CN111915730B (zh) | 2023-05-19 |
Family
ID=73280490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010700043.6A Active CN111915730B (zh) | 2020-07-20 | 2020-07-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915730B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307553A (zh) * | 2020-12-03 | 2021-02-02 | 之江实验室 | 一种对三维道路模型进行提取与简化的方法 |
CN112329796A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
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 |
CN112765709A (zh) * | 2021-01-15 | 2021-05-07 | 北京房江湖科技有限公司 | 基于点云数据的户型图重建方法及装置 |
CN112991211A (zh) * | 2021-03-12 | 2021-06-18 | 中国大恒(集团)有限公司北京图像视觉技术分公司 | 一种工业相机暗角校正方法 |
CN113192181A (zh) * | 2021-04-28 | 2021-07-30 | 中国科学院沈阳应用生态研究所 | 面向综合体导航应用的室内多层次语义拓扑索引构建方法 |
CN113205551A (zh) * | 2021-04-13 | 2021-08-03 | 万翼科技有限公司 | 计算建筑剖面图层高的方法、装置、设备及存储介质 |
CN113569328A (zh) * | 2021-08-31 | 2021-10-29 | 重庆允成互联网科技有限公司 | 一种工厂三维模型搭建方法 |
CN113592976A (zh) * | 2021-07-27 | 2021-11-02 | 美智纵横科技有限责任公司 | 地图数据的处理方法、装置、家用电器和可读存储介质 |
CN113886938A (zh) * | 2021-12-08 | 2022-01-04 | 深圳小库科技有限公司 | 基于ai自动生成室内卫生间及厨房排水系统的方法 |
CN113989376A (zh) * | 2021-12-23 | 2022-01-28 | 贝壳技术有限公司 | 室内深度信息的获取方法、装置和可读存储介质 |
CN114219909A (zh) * | 2021-11-09 | 2022-03-22 | 浙江大华技术股份有限公司 | 三维重建方法以及相关装置 |
CN115131656A (zh) * | 2022-09-01 | 2022-09-30 | 深圳鹏行智能研究有限公司 | 空间识别方法、装置、电子设备及计算机可读存储介质 |
CN115147476A (zh) * | 2021-03-30 | 2022-10-04 | 广东博智林机器人有限公司 | 建筑室内面积预测方法、装置、计算机设备和存储介质 |
WO2023015915A1 (zh) * | 2021-08-12 | 2023-02-16 | 达闼机器人股份有限公司 | 图像重力方向的获取方法、装置、电子设备及存储介质 |
CN116152306A (zh) * | 2023-03-07 | 2023-05-23 | 北京百度网讯科技有限公司 | 确定砌筑质量的方法、装置、设备和介质 |
CN116755441A (zh) * | 2023-06-19 | 2023-09-15 | 国广顺能(上海)能源科技有限公司 | 移动机器人的避障方法、装置、设备及介质 |
CN118365746A (zh) * | 2024-04-29 | 2024-07-19 | 山东科技大学 | 三维点云语义引导的室内场景平面图生成方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106709481A (zh) * | 2017-03-03 | 2017-05-24 | 深圳市唯特视科技有限公司 | 一种基于二维‑三维语义数据集的室内场景理解方法 |
WO2017214595A1 (en) * | 2016-06-10 | 2017-12-14 | The Board Of Trustees Of The Leland | Systems and methods for performing three-dimensional semantic parsing of indoor spaces |
CN109887082A (zh) * | 2019-01-22 | 2019-06-14 | 武汉大学 | 一种基于点云数据的室内建筑三维建模方法及装置 |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
CN110120097A (zh) * | 2019-05-14 | 2019-08-13 | 南京林业大学 | 大场景机载点云语义建模方法 |
CN110189399A (zh) * | 2019-04-26 | 2019-08-30 | 浙江大学 | 一种室内三维布局重建的方法及系统 |
CN110443892A (zh) * | 2019-07-25 | 2019-11-12 | 北京大学 | 一种基于单张图像的三维网格模型生成方法及装置 |
CN110781920A (zh) * | 2019-09-24 | 2020-02-11 | 同济大学 | 一种室内场景点云部件语义信息的识别方法 |
EP3617655A2 (en) * | 2018-08-30 | 2020-03-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for generating three-dimensional scene map |
US20200111251A1 (en) * | 2018-10-08 | 2020-04-09 | The Hong Kong Polytechnic University | 3d indoor modeling method, system and device based on point cloud data |
-
2020
- 2020-07-20 CN CN202010700043.6A patent/CN111915730B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2017214595A1 (en) * | 2016-06-10 | 2017-12-14 | The Board Of Trustees Of The Leland | Systems and methods for performing three-dimensional semantic parsing of indoor spaces |
CN106709481A (zh) * | 2017-03-03 | 2017-05-24 | 深圳市唯特视科技有限公司 | 一种基于二维‑三维语义数据集的室内场景理解方法 |
EP3617655A2 (en) * | 2018-08-30 | 2020-03-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for generating three-dimensional scene map |
US20200111251A1 (en) * | 2018-10-08 | 2020-04-09 | The Hong Kong Polytechnic University | 3d indoor modeling method, system and device based on point cloud data |
CN109887082A (zh) * | 2019-01-22 | 2019-06-14 | 武汉大学 | 一种基于点云数据的室内建筑三维建模方法及装置 |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
CN110189399A (zh) * | 2019-04-26 | 2019-08-30 | 浙江大学 | 一种室内三维布局重建的方法及系统 |
CN110120097A (zh) * | 2019-05-14 | 2019-08-13 | 南京林业大学 | 大场景机载点云语义建模方法 |
CN110443892A (zh) * | 2019-07-25 | 2019-11-12 | 北京大学 | 一种基于单张图像的三维网格模型生成方法及装置 |
CN110781920A (zh) * | 2019-09-24 | 2020-02-11 | 同济大学 | 一种室内场景点云部件语义信息的识别方法 |
Non-Patent Citations (7)
Title |
---|
E.S. MALINVERNI 等: "Deep Learning for semantic segmentation of 3D point cloud", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCE》 * |
JILIANG LI 等: "Indoor point cloud recognition with deep convolutional networks", 《2019 INTERNATIONAL CONFERENCE ON OPTICAL INSTRUMENTS AND TECHNOLOGY: OPTOELECTRONIC MEASUREMENT TECHNOLOGY AND SYSTEMS》 * |
TRUNG T. PHAM 等: "Geometrically consistent plane extraction for dense indoor 3D maps segmentation", 《2016 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 * |
侯士伟: "基于三维线结构的建筑物室内建模", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
周妍: "融合场景语义信息的多视图室内三维模型重建研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
张瑞菊 等: "一种古建筑点云数据的语义分割算法", 《武汉大学学报(信息科学版)》 * |
杨军 等: "基于上下文注意力CNN的三维点云语义分割", 《通信学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329796A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN112329796B (zh) * | 2020-11-12 | 2023-05-23 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
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 |
CN112307553B (zh) * | 2020-12-03 | 2024-04-16 | 之江实验室 | 一种对三维道路模型进行提取与简化的方法 |
CN112307553A (zh) * | 2020-12-03 | 2021-02-02 | 之江实验室 | 一种对三维道路模型进行提取与简化的方法 |
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 |
CN112765709A (zh) * | 2021-01-15 | 2021-05-07 | 北京房江湖科技有限公司 | 基于点云数据的户型图重建方法及装置 |
CN112991211A (zh) * | 2021-03-12 | 2021-06-18 | 中国大恒(集团)有限公司北京图像视觉技术分公司 | 一种工业相机暗角校正方法 |
CN115147476A (zh) * | 2021-03-30 | 2022-10-04 | 广东博智林机器人有限公司 | 建筑室内面积预测方法、装置、计算机设备和存储介质 |
CN113205551A (zh) * | 2021-04-13 | 2021-08-03 | 万翼科技有限公司 | 计算建筑剖面图层高的方法、装置、设备及存储介质 |
CN113192181B (zh) * | 2021-04-28 | 2022-02-22 | 中国科学院沈阳应用生态研究所 | 面向综合体导航应用的室内多层次语义拓扑索引构建方法 |
CN113192181A (zh) * | 2021-04-28 | 2021-07-30 | 中国科学院沈阳应用生态研究所 | 面向综合体导航应用的室内多层次语义拓扑索引构建方法 |
CN113592976A (zh) * | 2021-07-27 | 2021-11-02 | 美智纵横科技有限责任公司 | 地图数据的处理方法、装置、家用电器和可读存储介质 |
WO2023015915A1 (zh) * | 2021-08-12 | 2023-02-16 | 达闼机器人股份有限公司 | 图像重力方向的获取方法、装置、电子设备及存储介质 |
CN113569328A (zh) * | 2021-08-31 | 2021-10-29 | 重庆允成互联网科技有限公司 | 一种工厂三维模型搭建方法 |
CN113569328B (zh) * | 2021-08-31 | 2024-02-23 | 重庆允丰科技有限公司 | 一种工厂三维模型搭建方法 |
CN114219909A (zh) * | 2021-11-09 | 2022-03-22 | 浙江大华技术股份有限公司 | 三维重建方法以及相关装置 |
CN113886938A (zh) * | 2021-12-08 | 2022-01-04 | 深圳小库科技有限公司 | 基于ai自动生成室内卫生间及厨房排水系统的方法 |
CN113886938B (zh) * | 2021-12-08 | 2022-03-08 | 深圳小库科技有限公司 | 基于ai自动生成室内卫生间及厨房排水系统的方法 |
CN113989376A (zh) * | 2021-12-23 | 2022-01-28 | 贝壳技术有限公司 | 室内深度信息的获取方法、装置和可读存储介质 |
CN115131656A (zh) * | 2022-09-01 | 2022-09-30 | 深圳鹏行智能研究有限公司 | 空间识别方法、装置、电子设备及计算机可读存储介质 |
CN115131656B (zh) * | 2022-09-01 | 2022-12-13 | 深圳鹏行智能研究有限公司 | 空间识别方法、装置、电子设备及计算机可读存储介质 |
CN116152306B (zh) * | 2023-03-07 | 2023-11-03 | 北京百度网讯科技有限公司 | 确定砌筑质量的方法、装置、设备和介质 |
CN116152306A (zh) * | 2023-03-07 | 2023-05-23 | 北京百度网讯科技有限公司 | 确定砌筑质量的方法、装置、设备和介质 |
CN116755441A (zh) * | 2023-06-19 | 2023-09-15 | 国广顺能(上海)能源科技有限公司 | 移动机器人的避障方法、装置、设备及介质 |
CN116755441B (zh) * | 2023-06-19 | 2024-03-12 | 国广顺能(上海)能源科技有限公司 | 移动机器人的避障方法、装置、设备及介质 |
CN118365746A (zh) * | 2024-04-29 | 2024-07-19 | 山东科技大学 | 三维点云语义引导的室内场景平面图生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111915730B (zh) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915730B (zh) | 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 | |
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、系统及设备 | |
CN107146280B (zh) | 一种基于切分的点云建筑物重建方法 | |
Ochmann et al. | Automatic reconstruction of parametric building models from indoor point clouds | |
CN108898662B (zh) | 基于点云数据的管线设施bim模型自动化重建方法 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
Khoshelham et al. | 3D modelling of interior spaces: Learning the language of indoor architecture | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
Wang et al. | Modeling indoor spaces using decomposition and reconstruction of structural elements | |
Tang et al. | BIM generation from 3D point clouds by combining 3D deep learning and improved morphological approach | |
CN113379898B (zh) | 一种基于语义分割的三维室内场景重建方法 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
Weingarten et al. | A fast and robust 3D feature extraction algorithm for structured environment reconstruction | |
CN110443810A (zh) | 基于快速邻接体素查询的点云平面分割方法 | |
Bassier et al. | Comparison of 2D and 3D wall reconstruction algorithms from point cloud data for as-built BIM. | |
CN112784403A (zh) | 基于点云数据建立节理岩体离散元模型的数值模拟方法 | |
CN110147775B (zh) | 利用细化空间分隔法从点云提取室内导航元素的方法 | |
Yang et al. | Semantic decomposition and recognition of indoor spaces with structural constraints for 3D indoor modelling | |
Qiu et al. | An adaptive down-sampling method of laser scan data for scan-to-BIM | |
CN115222883A (zh) | 一种基于地基LiDAR点云的电力杆塔重建方法 | |
Thiemann et al. | 3D-symbolization using adaptive templates | |
Zhang et al. | Automatic deep inference of procedural cities from global-scale spatial data | |
CN116071530B (zh) | 一种基于机载激光点云的建筑物屋顶体素化分割方法 | |
CN115797588A (zh) | 一种基于室内表面网格(Mesh)数据的BIM实体墙建模方法 |
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 |