CN112270758B - 一种基于天花板点云分割的建筑物房间轮廓线提取方法 - Google Patents
一种基于天花板点云分割的建筑物房间轮廓线提取方法 Download PDFInfo
- Publication number
- CN112270758B CN112270758B CN202011178523.7A CN202011178523A CN112270758B CN 112270758 B CN112270758 B CN 112270758B CN 202011178523 A CN202011178523 A CN 202011178523A CN 112270758 B CN112270758 B CN 112270758B
- Authority
- CN
- China
- Prior art keywords
- contour line
- point cloud
- points
- point
- ceiling
- 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
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- 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
Abstract
本发明提出一种基于天花板点云分割的建筑物房间轮廓线提取方法，属于利用建筑物室内点云数据进行三维重建技术领域。一种基于天花板点云分割的建筑物房间轮廓线提取方法，包括：将建筑物室内三维点云向Z轴投影，生成点云密度直方图；将处理后的三维点云向XOY平面投影；对处理后的三维点云中的天花板点云进行聚类，得到各房间天花板点云的多个聚类区域；提取每一个聚类区域的点云边缘点；对边缘点进行分组；将各组边缘点拟合为初始轮廓线，将初始轮廓线扩展至最外围，形成轮廓线；对拟合完成的轮廓线进行规则化处理；完成建筑物房间轮廓线提取。
Description
技术领域
本发明提出一种基于天花板点云分割的建筑物房间轮廓线提取方法，属于利用建筑物室内点云数据进行三维重建技术领域。
背景技术
在建筑物室内三维重建过程中，建筑物特征线提取是必不可少的步骤，尤其是房间轮廓线提取。建筑物房间轮廓线包含了各式房间的边界信息，对于后续反映建筑物房间形态、面积等方面具有非常重要的意义。
目前，房间轮廓线提取的方法主要分为直接提取方法和间接提取方法。直接提取方法通过聚类的方式，将同一测站的点粗略合并归结为一个房间，合并之后执行迭代重新标记过程来更新指向房间的点，该方法提取房间可信度需要足够多的迭代次数和足够大的计算量支持。间接提取方法将单个房间视为由墙体围成的独立可导航区域，通过对墙体的提取，将单楼层中大片的可导航区域划分为一个个独立的房间，该类方法以墙体点云为基础，当室内环境杂乱时提取效果较差。
发明内容
本发明提出一种基于天花板点云分割的建筑物房间轮廓提取方法，以解决现有技术中，直接提取方法迭代次数过多、间接提取方法室内环境杂乱时提取效果较差的问题。
一种基于天花板点云分割的建筑物房间轮廓线提取方法，包括：
S1.将建筑物室内三维点云向Z轴投影，生成点云密度直方图，提取天花板点云；
S2.将天花板点云向XOY平面投影；
S3.对S2处理后的天花板点云进行聚类，得到各房间天花板点云的多个聚类区域；
S4.提取每一个聚类区域的点云边缘点；
S5.对边缘点进行分组；
S6.将各组边缘点拟合为初始轮廓线，将初始轮廓线扩展至最外围，形成轮廓线；
S7.对拟合完成的轮廓线进行规则化处理；
S8.完成建筑物房间轮廓线提取。
优选地，步骤S1中，点云密度直方图的峰值代表天花板点云。
优选地，步骤S4中提取边缘点的步骤如下：
S4.1.以一个聚类区域中横坐标最小的点P作为该聚类区域轮廓线的起点，查找其邻域半径r内的所有点；
S4.2.在该聚类区域中任选另一点Q，求以r为半径且过点P、Q的圆；
S4.3.若该圆内无除P、Q外的其他点，则认为P、Q均为边缘点并执行下一步，否则直接执行下一步；
S4.4.以Q作为S4.1中的P点，重复上述步骤，完成所有聚类区域的边缘点提取。
优选地，步骤S5中边缘点分组的步骤如下：
S5.1.在一个聚类区域的边缘点中选取一点Pb,计算Pb前后相邻两点Pa、Pc与Pb构成的向量
的夹角α；
S5.2.若α接近0°，则当前点为非关键点；若α大于夹角阈值β，则当前点为备选关键点；
S5.3.对备选关键点重复步骤S5.1，根据S5.2中所设夹角阈值重复判断，剔除伪关键点，筛选出关键点；
S5.4.以两相邻关键点作为边缘点分组的两个边界点，对边缘点进行分组。
优选地，步骤S7中规则化处理的步骤如下：
S7.1.选取最长轮廓线方向为初始主方向；
S7.2.筛选出轮廓线方位角与初始主方向方位角在一定范围内的轮廓线，将此类轮廓线归为一组，以该组轮廓线长度加权平均值作为主方向；
S7.3.根据主方向调整轮廓线，调整后相邻两轮廓线所在直线两两相交；
S7.4.完成轮廓线的规则化处理。
本发明的有益成果为，以墙体将整个楼层的天花板点云自然分割成每个房间的形状，以该形状为依据提取建筑物轮廓线，使得提取操作更简单，运算效率更高，提取结果更准确，适用于房间较多结构、较为复杂的建筑物；以建筑物室内点云为数据源，减小了数据源获取的难度。
附图说明
图1为基于天花板点云分割的建筑物房间轮廓线提取方法流程图；
图2为实施例中建筑物房间轮廓线提取过程示意图；
图3为实施例中夹角α计算示意图；
图4为实施例中关键点筛选示意图；
图5为实施例中最长轮廓线示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步阐述。
一种基于天花板点云分割的建筑物房间轮廓线提取方法，流程图如图1所示，本实施例轮廓线提取过程如图2所示。
实施步骤包括：
S1.将建筑物室内三维点云向Z轴投影，生成点云密度直方图，提取天花板点云；
室内地板、天花板等水平结构会存在大量Z值相同的点，将点云向Z轴投影生成点云密度直方图，其峰值即代表建筑物地板、天花板，保留天花板点云。
S2.将天花板点云向XOY平面投影，投影后并不会改变天花板形状；
S3.利用DBSCAN算法对S2处理后的天花板点云进行聚类，得到各房间天花板点云的多个聚类区域；
DBSCAN算法可自动判定搜索邻域半径和聚类数，自动化程度高。
S4.依据邻接边缘点相连线段的某侧不存在激光点的原则提取每一个聚类区域的点云边缘点；
提取边缘点的步骤如下：
S4.1.以一个聚类区域中横坐标最小的点P作为该聚类区域轮廓线的起点，查找其邻域半径r内的所有点；
S4.2.在该聚类区域中任选另一点Q，求以r为半径且过点P、Q的圆；
S4.3.若该圆内无除P、Q外的其他点，则认为P、Q均为边缘点并执行下一步，否则直接执行下一步；
S4.4.以Q作为S4.1中的P点，重复上述步骤，完成所有聚类区域的边缘点提取。
S5.对边缘点进行分组；
由步骤S4提取出的边缘点是一些离散的点，若将这些离散的点直接连接起来，得到的轮廓线非常不规则，不符合建筑物的真实轮廓。因此，依据位于同一边界上的边缘点方位角差值变化较小的原则对各部分边缘点进行分组。
边缘点分组的步骤如下：
S5.1.在一个聚类区域的边缘点中选取一点Pb,计算Pb前后相邻两点Pa、Pc与Pb构成的向量
的夹角α，如图3所示，图3左中α＝8.1093°，图2右中α＝93.2477°；
S5.2.若α接近0°，则当前点为非关键点；若α大于夹角阈值β，则当前点为备选关键点，由于建筑物边界为直角分布较多，本实施例中β设置为70°；
S5.3.由于边缘存在凸出点或凹陷点，因此可能会出现伪关键点，对备选关键点重复步骤S5.1，并根据S5.2中所设阈值重复判断，剔除伪关键点，筛选出关键点，关键点筛选示意图如图4所示；
S5.4.以两相邻关键点作为边缘点分组的两个边界点，对边缘点进行分组。
S6.将各组边缘点利用最小二乘直线拟合方法拟合为初始轮廓线，拟合后的轮廓线可能并未将所有边缘点置于内侧，即初始轮廓线与真实轮廓线存在一定差距，为提高结果可信度，将初始轮廓线扩展至最外围，形成轮廓线；
S7.对拟合完成的轮廓线进行规则化处理；
此时获得的轮廓线已经能够基本反映建筑物的形状，但仍存在长度、方位上的误差，因此需要对提取的轮廓线进行规则化处理。考虑到现实世界中的建筑物多为规则多边形，各轮廓线间一般存在平行或垂直关系，得出规则化处理的步骤如下：
S7.1.选取最长轮廓线方向为初始主方向，如图5所示，最长轮廓线方位角为0.7276°。
S7.2.筛选出轮廓线方位角与初始主方向方位角在0°～10°范围内的轮廓线，将此类轮廓线归为一组，以该组轮廓线长度加权平均值0.4745°作为主方向；
S7.3.根据主方向调整轮廓线，调整后相邻两轮廓线所在直线两两相交；
S7.4.完成轮廓线的规则化处理。
S8.完成建筑物房间轮廓线提取。
本发明的研发思路是，在室内点云数据采集过程中，由于激光扫描仪只能对房间墙面进行扫描，无法获得墙体内部点云，天花板点云被墙体自动分割，整个楼层的天花板点云也因墙体的阻隔而被分割成每个房间的形状。因此，本发明将属于同一房间的天花板点云进行聚类处理，提取各聚类区域轮廓线，实现对建筑物房间轮廓线的表达。这种算法原理简单，易于操作，运算效率非常高，特别适合对多房间复杂建筑物进行轮廓线提取。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (4)
1.一种基于天花板点云分割的建筑物房间轮廓线提取方法，其特征在于，包括：
S1.将建筑物室内三维点云向Z轴投影，生成点云密度直方图，提取天花板点云；
S2.将天花板点云向XOY平面投影；
S3.对S2处理后的天花板点云进行聚类，得到各房间天花板点云的多个聚类区域；
S4.提取每一个聚类区域的点云边缘点，提取边缘点的步骤如下：
S4.1.以一个聚类区域中横坐标最小的点P作为该聚类区域轮廓线的起点，查找其邻域半径r内的所有点；
S4.2.在该聚类区域中任选另一点Q，求以r为半径且过点P、Q的圆；
S4.3.若该圆内无除P、Q外的其他点，则认为P、Q均为边缘点并执行下一步，否则直接执行下一步；
S4.4.以Q作为S4.1中的P点，重复上述步骤，完成所有聚类区域的边缘点提取；
S5.对边缘点进行分组；
S6.将各组边缘点拟合为初始轮廓线，将初始轮廓线扩展至最外围，形成轮廓线；
S7.对拟合完成的轮廓线进行规则化处理；
S8.完成建筑物房间轮廓线提取。
2.如权利要求1所述的基于天花板点云分割的建筑物房间轮廓线提取方法，其特征在于，步骤S1中，点云密度直方图的峰值代表天花板点云。
3.如权利要求1所述的基于天花板点云分割的建筑物房间轮廓线提取方法，其特征在于，步骤S5中边缘点分组的步骤如下：
S5.1.在一个聚类区域的边缘点中选取一点Pb,计算Pb前后相邻两点Pa、Pc与Pb构成的向量
的夹角α；
S5.2.若α接近0°，则当前点为非关键点；若α大于夹角阈值β，则当前点为备选关键点；
S5.3.对备选关键点重复步骤S5.1，根据S5.2中所设夹角阈值重复判断，剔除伪关键点，筛选出关键点；
S5.4.以两相邻关键点作为边缘点分组的两个边界点，对边缘点进行分组。
4.如权利要求1所述的基于天花板点云分割的建筑物房间轮廓线提取方法，其特征在于，步骤S7中规则化处理的步骤如下：
S7.1.选取最长轮廓线方向为初始主方向；
S7.2.筛选出轮廓线方位角与初始主方向方位角在一定范围内的轮廓线，将此类轮廓线归为一组，以该组轮廓线长度加权平均值作为主方向；
S7.3.根据主方向调整轮廓线，调整后相邻两轮廓线所在直线两两相交；
S7.4.完成轮廓线的规则化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011178523.7A CN112270758B (zh) | 2020-10-29 | 2020-10-29 | 一种基于天花板点云分割的建筑物房间轮廓线提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011178523.7A CN112270758B (zh) | 2020-10-29 | 2020-10-29 | 一种基于天花板点云分割的建筑物房间轮廓线提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112270758A CN112270758A (zh) | 2021-01-26 |
| CN112270758B true CN112270758B (zh) | 2022-10-14 |
Family
ID=74344848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011178523.7A Active CN112270758B (zh) | 2020-10-29 | 2020-10-29 | 一种基于天花板点云分割的建筑物房间轮廓线提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270758B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408581A (zh) * | 2016-09-12 | 2017-02-15 | 厦门大学 | 一种快速的三维点云直线提取方法 |
| CN111247561A (zh) * | 2018-07-03 | 2020-06-05 | 上海亦我信息技术有限公司 | 一种基于拍照重建三维空间场景的方法 |
| CN111354083A (zh) * | 2020-02-21 | 2020-06-30 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于原始激光点云的递进式建筑物提取方法 |
| CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
-
2020
- 2020-10-29 CN CN202011178523.7A patent/CN112270758B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408581A (zh) * | 2016-09-12 | 2017-02-15 | 厦门大学 | 一种快速的三维点云直线提取方法 |
| CN111247561A (zh) * | 2018-07-03 | 2020-06-05 | 上海亦我信息技术有限公司 | 一种基于拍照重建三维空间场景的方法 |
| CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
| CN111354083A (zh) * | 2020-02-21 | 2020-06-30 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于原始激光点云的递进式建筑物提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于点云的室内语义模型自动构建技术;黄帅;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20200815;正文第3.2.2节 * |
| 室内SLAM点云的快速分割研究;汤涌 等;《测绘与空间地理信息》;20180630;摘要，正文第0-2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112270758A (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110189412B (zh) | 基于激光点云的多楼层室内结构化三维建模方法及系统 | |
| CN107862738B (zh) | 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 | |
| Zhang et al. | Online structure analysis for real-time indoor scene reconstruction | |
| CN109685080B (zh) | 基于霍夫变换与区域生长的多尺度平面提取方法 | |
| 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 | |
| CN108320323B (zh) | 一种建筑物三维建模方法及装置 | |
| CN108536923B (zh) | 一种基于建筑cad图的室内拓扑地图生成方法及系统 | |
| CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
| CN107330901B (zh) | 一种基于骨架的物体构件分解方法 | |
| CN110838115A (zh) | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 | |
| CN109493344A (zh) | 一种大规模城市三维场景的语义分割方法 | |
| Mura et al. | Robust reconstruction of interior building structures with multiple rooms under clutter and occlusions | |
| CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
| Magillo et al. | Algorithms for parallel terrain modelling and visualisation | |
| CN109064482B (zh) | 一种三维倾斜摄影场景中自动获取房屋轮廓的方法及装置 | |
| CN111915720B (zh) | 一种建筑物Mesh模型到CityGML模型的自动转换方法 | |
| CN112270758B (zh) | 一种基于天花板点云分割的建筑物房间轮廓线提取方法 | |
| CN112509141A (zh) | 一种建筑室内三维点云数据中正交平面对的提取方法 | |
| Thiemann et al. | 3D-symbolization using adaptive templates | |
| Perez-Perez et al. | Artificial neural network for semantic segmentation of built environments for automated Scan2BIM | |
| Wang et al. | A segmentation method for point cloud based on local sample and statistic inference | |
| CN108074253B (zh) | 一种基于Delaunay三角剖分的多层级矢量道路网匹配方法 | |
| CN110310294A (zh) | 一种利用自适应分割面模糊c均值聚类的点云分割方法 | |
| CN110120058B (zh) | 一种高程散点生成紧致外边界的方法 | |
| CN106652036B (zh) | 面向高效渲染的二维三角网格生成方法 |
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 |