CN112598796A - 基于广义点云的三维建筑物信息模型构建与自动更新的方法 - Google Patents
基于广义点云的三维建筑物信息模型构建与自动更新的方法 Download PDFInfo
- Publication number
- CN112598796A CN112598796A CN202011576792.9A CN202011576792A CN112598796A CN 112598796 A CN112598796 A CN 112598796A CN 202011576792 A CN202011576792 A CN 202011576792A CN 112598796 A CN112598796 A CN 112598796A
- Authority
- CN
- China
- Prior art keywords
- building
- information
- point cloud
- dimensional
- information model
- 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 108
- 230000008569 process Effects 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 76
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 9
- 230000005283 ground state Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 36
- 238000007726 management method Methods 0.000 abstract description 26
- 238000005516 engineering process Methods 0.000 abstract description 23
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 34
- 238000011161 development Methods 0.000 description 19
- 230000018109 developmental process Effects 0.000 description 19
- 238000013461 design Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 6
- 238000009435 building construction Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000004566 building material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004904 shortening Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
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)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于广义点云的三维建筑物信息模型构建与自动更新的方法，涉及建筑智能管理技术领域，增强房管部门的安全分析能力和房地产商房价评估的自控能力，为政府以及居民提供了一个进行决策和参与决策过程的有效工具，具体方案为：包括以下步骤：S1：基于语义分割和信息增强创建三维建筑物信息模型；S2：对三维建筑物信息模型自动更新。本发明利用激光扫描技术和倾斜摄影技术研究激光点云与倾斜影像的融合理解对象语义，首先对激光点云和倾斜影像进行特征提取，建立点云与影像在几何、辐射测量空间下的关联关系，利用结构关系约束下的特征匹配技术，实现交替的“能量传输”。
Description
技术领域
本发明涉及建筑智能管理技术领域，更具体地说，它涉及一种基于广义点云的三维建筑物信息模型构建与自动更新的方法。
背景技术
根据当前可持续发展的社会背景和日益增加的建筑能耗的现状，以建筑物全生命周期管理为切入点，提出两对矛盾，即建筑行业高能耗的现状与可持续发展的时代主旋律的矛盾，以及相对落后的更新手段不能满足建筑可持续发展的要求的矛盾。随之所带来的典型问题之一就是城市建设和管理的难题日益尖锐起来，如大量居民楼及相应的配套设施及基础设施需要建设，为保障城市功能的良性运行，需有科学高效的城市规划及管理系统，这就使得“智慧城市”应运而生。三维建筑物信息模型在智慧城市建设过程中具有重要意义，但仅具有几何信息的缺陷限制了应用领域及应用用途。
如何快速获取准确、可靠的基础地理空间信息一直以来都是相关领域的研究热点问题。虽然遥感技术是快速获取大范围基础地理空间信息的最主要手段，随着相应传感器硬件技术的飞速发展，人们对所提取信息的精确性和可靠性提出了越来越高的要求，单一数据源很难最大程度的满足实际的应用需求。倾斜摄影自动化建模所具备的“三高一低”(高效率、高精度、高真实感、低成本)的优势，正在发挥着颠覆性的变化。大规模的建筑物三维建模将成为可能；所具备的快速还原真实现状的特性，又为智慧城市下一步深入应用插上了“真实、准确”的翅膀，构筑出广阔的应用新模式。在建筑物精细化管理中，管理到每一栋建筑物往往是不够的，而是要求能精细到楼房的每一层、甚至每一户房间。这就对三维模型提出了更高的要求，人工建模即便能实现，代价也是巨大的，需要对每一户房间单独建模才行。倾斜摄影模型加上带有高度信息的分层分户图，可以做到每个建筑物每层楼甚至每一户房间的管理，包括查询和各类统计分析能力，再关联上户籍和人口信息库，这样户籍信息管理就可以和真实世界关联在一起，而不再只是数据库中孤立的信息了，所获取的具有详细信息构件应用于建筑物信息模型。
虽然倾斜摄影测量能获取具有三维信息、纹理信息、灰度信息及其他信息的影像数据，但在应用时具有以下几方面的缺陷：处理效率低、具有阴影的影响造成数据空洞、局部几何精度较低，无法获取实体的内部结构信息、变化信息以及属性信息。所以提出结合激光扫描技术弥补缺陷，激光扫描技术获取的点云数据具有三维信息、强度信息、波形信息，但噪声数据多、强度不均匀导致反射率高的地方数据缺失、地面扫描视角的影响导致高层数据不完整。基于两种数据源传统研究主要集中于研究数据的配准方法，配准方法主要实现几何要素对齐和基准的统一，并未在数据层面实现信息互补，反而在目标特征区域增加了数据冗余。目前的融合方法仅停留在要素层面，造成有效特征和互信息的流失。所以，提出利用单一的能提高三维坐标精度的激光点云和很好地表达纹理的高精度的光谱信息的倾斜影像的融合来满足计算机像人类一样能读懂“看见”的数据而进行有效处理，从而能够准确完整地理解现实世界的对象。基于特征的融合方法不仅提高了建模效率，减少数据存储率，而且有利于按需多层次模型的表达。
在我国的城镇化大潮中，城市空间形态在此环境下急速变化，导致其面临的三大问题：一、城市空间形态混杂无序：在“一年小变样，三年大变样”的“豪言壮语”中粗犷生长、无序蔓延着的城市空间形态，其特有的传统肌理被拆除殆尽，取而代之的是千篇一律的高楼大厦，超大尺度的空间形态与周边区域格格不入。城市在极速更新的过程中，只注重建筑单体开发，而未能关注街区整体环境以及公共空间，由此进一步导致城市空间形态混乱不堪；二、城市公共空间活力丧失：城市建设中存在着“重局部，轻整体；重建筑，轻环境；重形象，轻功能”的现象，在逐渐增加的开发压力下，城市粗犷延展、土地肆意开发、城市边界无序扩张，不断侵蚀着自然环境，“墨渍状扩散”的城市形态引发了一系列的城市和社会问题，空间活力丧失、环境日益恶化、社会矛盾重重、公共空间品质难以得到保证，失去了作为生活空间的场所意义；三、城市空间形态具有研究价值，但缺乏系统研究：从目前的研究情况来看，对城市空间形态研究的数量有限，大多集中在对城市发展史、建筑史和文化史等方面的定性描述和理论阐述，缺乏系统的专门定量研究，相关研究也很不完善，亟须补充。所以城市形态垂直结构变化检测的研究具有重要的现实意义，建筑物作为城市形态中的主要组成部分，影响着城市空间发展趋势，且目前违章乱建现象日益严重，建筑安全日益受到重视，对建筑物全生命周期的实时跟踪已迫在眉睫。
发明内容
为解决上述技术问题，本发明提供一种基于广义点云的三维建筑物信息模型构建与自动更新的方法，增强房管部门的安全分析能力和房地产商房价评估的自控能力，为政府以及居民提供了一个进行决策和参与决策过程的有效工具。
本发明的上述技术目的是通过以下技术方案得以实现的：
基于广义点云的三维建筑物信息模型构建与自动更新的方法，包括以下步骤：
S1：基于语义分割和信息增强创建三维建筑物信息模型，具体包括以下步骤：
S101：不同数据源的特征提取；
S102：将激光点云与倾斜影像进行特征融合，通过形状预测和视觉填充实现对象的语义信息增强；
S103：基于语义分割和信息增强创建三维建筑物信息模型；
S2：对三维建筑物信息模型自动更新，具体包括以下步骤：
S201：基于深度学习提取要素；
S202：建立建筑物的实体对象构件库；
S203：基于神经网络的更新策略判断模型，实现三维建筑物信息模型自动更新。
作为一种优选方案，S102过程中，激光点云与倾斜影像进行特征融合具体包括以下步骤：
T1：基于颜色分割提取倾斜影像特征，获得三维信息、纹理信息和灰度信息，给定一个颜色信息数据集{Ci(Ri,Gi,Bi)}，通过深度学习得到一组分割块S{Sk|Sk(Ck1,Ck2,…Ckn)}，在每个分割块中提取特征；
T2：基于激光强度提取点云特征，利用顾及八领域强度变化阈值的改进中值滤波的方法提取点云特征；
T3：基于特征建立点云与影像的关联关系，通过特征建立结构关系，在结构关系约束下建立视觉匹配模型；
T4：在有时间基准源条件下，将时间信息归算到统一的时间轴下。
作为一种优选方案，T1过程中，在每个分割块中提取特征的过程中，当出现高相似度的特征时，通过距离、方向和领域信息，进一步对特征进行提取。
作为一种优选方案，T2过程中，在特征提取之前进行激光强度的校正，通过距离、反射率和角度数据驱动下，进行激光强度一致性的校正。
作为一种优选方案，S103过程具体包括以下步骤：
K1：对对象进行素化表达，建立自编码的预学习层，对形状进行预测，通过估计深度学习层进行视觉填充以增强语义信息；
K2：进行语义分割，采用基于小尺寸上的聚类和大尺寸上的分组的双重尺度的语义分割；
K3：在分割的基础上提取基本的几何位置特征，并进行分类识别，建立三维建筑物信息模型。
作为一种优选方案，S3过程中，具体包括以下步骤：
利用语义信息增强的不同时相的三维建筑物信息模型进行深度学习提取要素，将提取的要素建立建筑物构件库，将每个构件变更类型及更新行为过程均设计成一个神经元，同类神经元组成一个网络层，所有网络层采用全连接方式构成一个多层感知更新策略判断模型。
作为一种优选方案，方法还包括以下步骤:
S3：建筑物全生命周期的实时跟踪，具体包括以下步骤：
S301：利用时空基态修正模型，推导出变化参数计算表达式；
S302：根据变化类型，对建筑物进行全生命周期管理。
作为一种优选方案，S301具体包括以下步骤：
基于不同时相的语义模型基于时空基态修正模型研究建筑物的变化信息，推导变化参数计算表达式，判断类型包括未变化、新增、销毁、扩建和重建建筑物。
综上所述，本发明具有以下有益效果：
(1)利用激光扫描技术和倾斜摄影技术研究激光点云与倾斜影像的融合理解对象语义，首先对激光点云和倾斜影像进行特征提取，建立点云与影像在几何、辐射测量空间下的关联关系，利用结构关系约束下的特征匹配技术，实现交替的“能量传输”；
(2)在特征融合的基础上，通过形状预测和视觉填充，实现对象的语义信息增强；
(3)基于语义分割和信息增强创建三维建筑物信息模型；通过语义感知进行深度学习提取要素，建立建筑物构件库，将每个构件变更类型及更新行为过程均设计成一个神经元，同类神经元组成一个网络层，所有网络层采用全连接方式构成一个多层感知更新策略判断模型。该模型能自动完成变更类型与更新规则的正确快速匹配，且可根据更新规则的变化，灵活改变构件库并产生新的推理机，达到三维建筑物信息模型自动更新的目的。
(4)三维建筑物信息模型自动更新可以为城市形态的变化检测及演化鉴定基础，有利于全面了解城市空间发展规律，从而为制定城市空间发展战略提供参考，为城市规划和建筑设计提供重要依据。基于时空基态修正模型应用不同时相的语义模型研究整体建筑物的变化类型，包括未变化、新增、销毁、扩建、重建等建筑物。根据不同变化类型，对建筑物进行全生命周期(设计、施工、运营)的实时跟踪，为安全分析和信息共享提供有利保证。
(5)以施工阶段为例，利用三维建筑物信息模型进行虚拟安装，为施工节省材料浪费，安装协调费用及时间成本；阶段性跟踪建筑建造过程中质量情况，如施工偏差，推导构件变形、残损、特殊痕迹、建筑材料的耗费量、工期等信息，及时发现问题所在，避免后期连锁问题的出现，节约建筑返工成本，缩减建筑周期，提高建筑准确度；全面获取建筑物数据信息，对建筑进行整体受力分析，评估建筑安全；对建筑进行竣工验收测量，提交可视化数据成果。
(6)增强房管部门的安全分析能力和房地产商房价评估的自控能力，为政府以及居民提供了一个进行决策和参与决策过程的有效工具。
附图说明
图1是本发明实施例的基于特征融合的流程图；
图2是本发明实施例的基于语义信息增强构建三维建筑物信息模型的流程图；
图3是实施例的三维建筑信息模型及时更新与应用示范的流程图。
具体实施方式
本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包括”为一开放式用语，故应解释成“包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
本说明书及权利要求的上下左右等方位名词，是结合附图以便于进一步说明，使得本申请更加方便理解，并不对本申请做出限定，在不同的场景中，上下、左右、里外均是相对而言。
以下结合附图对本发明作进一步详细说明。
研究目标
基于语义分割和信息增强构建三维建筑物信息模型：此模型能满足计算机像人类一样能读懂“看见”的数据而进行有效处理，从而能够准确完整地理解现实世界的对象。不同于以往的三维建筑物模型，有的只重于几何信息，而有的只重于属性信息，或者将两者进行结合，在满足要求的情况下又增加了信息的冗余度，而且造成有效特征和互信息的流失。基于语义分割和信息增强构建的三维建筑物信息模型，将倾斜影像和激光点云进行融合，不仅突破了配准方法仅能实现几何要素一致和基准统一，而且克服了仅停留在要素层面的弊端，很好地保留了几何信息、属性信息、内部结构信息，有利于增强语义信息，提高建模效率，减少数据存储率，而且有利于按需多层次模型的表达。
三维建筑物信息模型自动更新：建筑行业高能耗的现状与可持续发展的时代主旋律的矛盾，要求对建筑物信息的变化情况及时掌握及更新，所以要实现三维建筑物信息模型的自动更新。利用语义信息增强的三维建筑物信息模型进行深度学习提取要素，将提取的要素建立建筑物构件库，将每个构件变更类型及更新行为过程均设计成一个神经元，同类神经元组成一个网络层，所有网络层采用全连接方式构成一个多层感知更新策略判断模型。该模型能自动完成变更类型与更新规则的正确快速匹配，且可根据更新规则的变化，灵活改变构件库并产生新的推理机，达到三维建筑物信息模型自动更新的目的。三维建筑物信息模型自动更新可以为城市形态的变化检测及演化鉴定基础，有利于全面了解城市空间发展规律，从而为制定城市空间发展战略提供参考，为城市规划和建筑设计提供重要依据。
建筑物全生命周期的实时跟踪的应用示范:利用语义信息、属性信息、内部结构信息和几何信息，建立时空基态修正模型，针对不同时相的语义模型研究建筑物的变化信息，推导出变化参数计算表达式，并判断变化类型：包括未变化、新增、销毁、扩建、重建等建筑物。根据不同类型，对建筑物进行全生命周期(设计、施工、运营管理)的实时跟踪，为安全分析和信息共享提供有利保证。以施工阶段为例，利用三维建筑物信息模型进行虚拟安装，为施工节省材料浪费，安装协调费用及时间成本；阶段性跟踪建筑建造过程中质量情况，如施工偏差，推导构件变形、残损、特殊痕迹、建筑材料的耗费量、工期等信息，及时发现问题所在，避免后期连锁问题的出现，节约建筑返工成本，缩减建筑周期，提高建筑准确度；全面获取建筑物数据信息，对建筑进行整体受力分析，评估建筑安全；对建筑进行竣工验收测量，提交可视化数据成果。增强房管部门的安全分析能力和房地产商房价评估的自控能力，为政府以及居民提供了一个进行决策和参与决策过程的有效工具。
研究内容
倾斜摄影技术以其“三高一低”(高效率、高精度、高真实感、低成本)的优势在三维建筑物信息模型构建中具有越来越明显的作用，但其处理效率低、具有阴影的影响且局部几何精度较低。激光扫描技术获取的点云数据具有三维信息、强度信息、波形信息，但噪声数据多、强度不均匀导致反射率高的地方数据缺失、扫描视角的影响导致数据不完整。综合这两种数据的特点，提出基于特征的关联增强对象语义信息，建立三维建筑物信息模型并进行自动更新，具体研究内容如下：
1.基于语义分割和信息增强创建三维建筑物信息模型：
a.不同数据源的特征提取；
b.基于特征匹配技术进行激光点云与倾斜影像的融合，通过形状预测和视觉填充实现对象的语义信息增强；
c.基于语义分割和信息增强创建三维建筑物信息模型。
2.三维建筑物信息模型自动更新：
a.基于深度学习提取要素；
b.建立建筑物的实体对象构件库；
c.基于神经网络的更新策略判断模型，实现三维建筑物信息模型自动更新。
3.建筑物全生命周期的实时跟踪的应用示范:
a.利用时空基态修正模型研究变化信息，推导出变化参数计算表达式；
b.根据变化类型，对建筑物进行全生命周期管理；
c.以施工阶段为例，利用三维建筑物信息模型进行虚拟安装，阶段性跟踪建筑建造过程中质量情况，全面获取建筑物数据信息，对建筑进行整体受力分析，对建筑进行竣工验收测量。
拟采取的研究方法或技术路线
本项目主要基于语义分割和信息增强构建三维建筑物信息模型，以及利用提取的多时相构件进行三维建筑物信息模型的自动更新，根据研究结果进行建筑物全生命周期的实时跟踪，拟采取的主要研究方法如下：
1.基于特征的融合
基于特征的融合，不仅可以使几何要素一致和基准统一，将处理层面不仅仅局限于要素层面上，从而保证信息的完好性，融合后的互信息在尺度、纹理、方向上保持一致性。首先，基于颜色分割提取倾斜影像特征，利用倾斜影像具有丰富的三维信息、纹理信息、灰度信息，给定一个颜色信息数据集{Ci(Ri,Gi,Bi)}，通过深度学习得到一组分割块S{Sk|Sk(Ck1,Ck2,…Ckn)}，在每个分割块中提取特征，当出现相似度极高的情况下，考虑距离、方向、领域等信息，进一步提取特征；其次，基于激光强度提取点云特征，在特征提取之前应先进行激光强度的校正，通过距离、反射率、角度等数据驱动下进行激光强度一致性的校正，利用顾及八邻域强度变化阈值的改进中值滤波的方法提取点云特征；然后，基于特征建立点云与影像的关联关系，通过特征建立结构关系，在结构关系约束下建立视觉匹配模型，可以有效解决复杂场景特征下有效匹配点获取问题，通过测量空间和数据空间的有效标定，实现基准的对齐；最后，在有时间基准源的条件下，将时间信息归算到统一的时间轴下，实现时间状态的一致性。具体技术路线如图1所示。
基于语义分割和信息增强构建三维建筑物信息模型
在时空同步的条件下，应进行三维场景语义信息的增强，然后基于语义分割和信息增强建立三维建筑物信息模型。首先，对对象进行体素化表达，建立自编码的预学习层，对形状进行预测，通过估计深度学习层进行视觉填充从而增强语义信息；然后，进行语义分割，采用基于小尺度上的聚类和大尺度上的分组的双重尺度的语义分割解决方案，有利于区别场景中不同尺度的物体，并且大大减少处理数据量，提升处理的速度(效果)；最后，在分割的基础上提取基本的几何位置特征，并进行分类识别，建立三维建筑物信息模型。具体技术路线如图2所示。
三维建筑物信息模型自动更新和建筑物全生命周期管理研究
利用语义信息增强的不同时相的三维建筑物信息模型进行深度学习提取要素，将提取的要素建立建筑物构件库，将每个构件变更类型及更新行为过程均设计成一个神经元，同类神经元组成一个网络层，所有网络层采用全连接方式构成一个多层感知更新策略判断模型。该模型能自动完成变更类型与更新规则的正确快速匹配，且可根据更新规则的变化，灵活改变构件库并产生新的推理机，达到三维建筑物信息模型自动更新的目的。利用不同时相的语义模型基于时空基态修正模型研究建筑物的变化信息，推导出变化参数计算表达式，判断类型：包括未变化、新增、销毁、扩建、重建等建筑物。根据不同变化类型，对建筑物进行全生命周期(设计、施工、运营管理)的实时跟踪，为安全分析和信息共享提供有利保证。具体技术路线如图3所示。
国内外研究现状综述
基于广义点云的三维建筑物信息模型构建与自动更新所需的关键技术主要有：三维数据获取技术、三维建模技术、城市变化检测、全生命周期管理等。三维数据获取技术能为构建三维建筑物信息模型提供空间地物的几何、定位、属性、语义等信息，三维建模技术是构建三维建筑物信息模型的基础，城市变化检测是研究的应用基础，全生命周期管理为城市基础设施建筑物的安全分析、信息共享提供管理及展示平台，
三维数据获取技术
三维数据获取方法主要包括：地图和建筑设计图相结合、数字摄影测量、激光扫描系统、高分辨率卫星遥感、车载移动测绘系统、倾斜摄影测量等方法。
(1)地图和建筑设计图相结合
复杂的三维场景主要表达对象是人文建筑物，在构建三维模型的过程中需要获得建筑物对应的轮廓位置以及高度数据。轮廓位置数据可以通过基础测绘部门的大比例尺数字线划图。建筑物的规划设计图能提供对应建筑物高精度的高度信息以及建筑物侧立面详细的结构信息。地图和建筑设计图相结合能够较详细地获取建筑物三维模型构建时所需的三维数据。
(2)数字摄影测量
数字摄影测量把所拍摄的数字影像作为基础，通过计算机结合相关的数字影像处理技术获取被摄物体的三维空间数据，这种方法逐渐被认可为获取空间数据的重要方法。
(3)激光扫描技术
经过20多年的发展，三维激光扫描在稳定性、精度、易操作性等方面取得了长足的进步，尤其是在机载/车载/地面三维激光扫描方面进展显著。激光扫描能够同时获取被摄物体表面的点云及纹理数据，可利用这些数据提取被摄物体表面高精度的几何数据及对应的强度数据。H Zhao提出了根据激光距离和影像数据获取被摄物体三维几何信息及其对应纹理数据的方法。
(4)高分辨率卫星遥感
高分辨率卫星遥感数据能在三维场景构建过程中提供地面高分辨率的遥感影像数据，利用这些高分辨率影像数据可以提取地物的轮廓、位置以及高度信息，还可以作为大范围三维场景的地形纹理使整个三维场景更加形象直观。
(5)车载移动测绘系统
在平台快速移动的过程中能通过全景相机和激光扫描仪实时获取周围有效测绘范围内地物的全景影像及点云数据。
(6)倾斜摄影测量
倾斜摄影测量技术作为摄影测量领域的一项高新技术，可以采集多个视角的影像数据(垂直影像和倾斜影像)，最终处理还原得到符合人眼视觉习惯的真实三维模型。Kristian Svenneviga、Pierpaolo Guarnieria与Lars Stemmerikbc应用倾斜摄影影像建立了北美东部Kilen的三维地质模型，有效改善了对该地区地质结构的认识。
目前，利用上述测量手段获取数据进行三维建筑物信息模型的建设，可以归纳为以下几个方面：
1)利用单一数据源：根据应用条件和应用目的不同，每种数据都有其自身的缺陷；
2)利用多种数据源：为了使不同的数据具有相同的数据格式和同一的坐标系统，常采用配准方法；为了使数据能够取长补短，采用整合与增强的方法利用各数据的优点进行三维建筑物信息模型构建。
由于单一视角、单一平台的观测范围有限且空间基准不一致，为了获取目标区域全方位的空间信息，不仅需要进行站间/条带间的点云融合，还需要进行多平台(如机载、车载、地面站等)的点云融合，以弥补单一视角、单一平台带来的数据缺失，实现大范围场景完整、精细的数字现实描述。此外，由于激光点云及其强度信息对目标的刻画能力有限，需要将激光点云和影像数据进行融合，使得点云不仅有高精度的三维坐标信息，也具有了更加丰富的光谱信息。
不同数据(如不同站点/条带的激光点云、不同平台激光点云、激光点云与影像)之间的融合，需要同名特征进行关联。针对传统人工配准法效率低、成本高的缺陷，国内外学者研究基于几何或纹理特征相关性的统计分析方法，但是由于不同平台、不同传感器数据之间的成像机理、维数、尺度、精度、视角等各有不同，其普适性和稳健性还存在问题，还需要突破以下瓶颈：鲁棒、区分性强的同名特征提取，全局优化配准模型的建立及抗差求解。
三维建模技术
各国在三维城市的建立及可视化方面取得了不断的进展。美国俄亥俄州立大学的Rongxing Li教授和美国特洛伊大学的Xutong Niu教授通过联合利用IKONOS和Quick Bird卫星获取的卫星图像构成多源广义立体像对进行了关于近海岸地形绘制及监控的相关研究。通过采集具有精确地理空间坐标的地面控制点，对原始立体像对对应的像素坐标或目标空间三维坐标进行仿射变换修正，实现了传统立体像对三维空间位置信息提取精度的有效提高。瑞士苏黎世联邦工业大学的Gruen对三维城市模型进行了深入的研究，开发了一种称为TOBAGO的三维城市模型系统，可以允许用户进行交互式的三维对象建模。加拿大Toronto大学景观研究中心着力于景观模型的研究，以如何重构真实的现实环境为目的，构造出了相当逼真的建筑物和城区景观模型。Livny等人提出了一种基于GPU的无缝的大规模地形实时绘制算法。Hoppe等提出了基于Geometry Clipmaps的地形实时绘制方法。与国外三维模型研究与应用涉及很多领域不同，国内城市三维模型的研究主要集中于城市的三维场景表现以及城市规划与设计等领域，得到了武汉大学、同济大学、中科院遥感所、解放军信息工程大学、哈尔滨工业大学、辽宁工程技术大学、中国测绘科学研究院、南京大学等国内研究机构的广泛研究。研究成果比较有影响的包括上海北滩虚拟城市系统与深圳数字三维城市演示系统等。目前根据数据来源、应用目的及功能等，三维建模方法主要分为以下几类：1)基于DEM与影像的建模方法；2)基于二维GIS，比如在建筑物的二维边界(footprint)上加高度值形成立体面；3)逆向建模，根据已有的实体模型，扫描其点云数据，然后在建模软件中建立模型；4)基于三维建模工具(3DSMax、Sketch Up、AutoCAD)的建模方法；5)倾斜摄影测量构建一体化模型法。基于侧拍的车载序列影像快速重建沿街建筑立面，Giuliani等人根据GIS数据，利用参数化程序生成逼真精细的三维街景，Hugo Ledoux等人也论述了由建筑物占地边界(Footprint)生成建筑物模型的方法,基于遥感光学图像和LiDAR两种数据源在进行建筑物三维空间信息提取时确实存在非常强的互补性，杨必胜等提出用车载激光扫描数据提取建筑物的立面信息。不同的应用主题对场景内不同类型目标的细节层次要求不同，场景三维表达需要加强各类三维目标自适应的多尺度三维重建方法，建立语义与结构正确映射的场景—目标—要素多级表达模型。
传统研究内容有以下不足和缺点：
1)数据源单一，方法单一，导致三维建筑物信息模型建立出现弊端：如利用建模软件，无法进行大范围场景模型的建立，而且人工工作量大，效率低；仅使用激光点云，处理过程非常复杂，且纹理信息缺失严重；仅利用影像数据，无法实现模型的精细表达，不能提高局部几何精度；
2)多视角、多平台、多源的点云数据难以有效融合，限制了数据间的优势互补，导致复杂场景描述不完整，并未在数据层面实现信息互补，反而在目标特征区域增加了数据冗余；
3)复杂对象模型结构和语义特征表达困难，模型可用性严重受限，极大地限制了复杂场景的准确感知与认知。
基于上述原因，本项目根据广义点云原理，通过实现计算机像人类一样能读懂“看见”的数据，从而能够准确完整地理解现实世界对象的目的，提出利用能提高三维坐标精度的激光点云和很好地表达纹理的高精度的光谱信息的倾斜影像进行融合理解对象语义，基于语义分割和信息增强构建三维建筑物信息模型。
城市形态变化检测
城市形态变化检测由城市空间形态体现出来，“城市空间”是由建筑物、构筑物、道路、广场、绿化、水体、城市小品、标志物等共同界定、围合而成的空间。“形态”是指物质在一定条件下的外在表现形式。综合起来，“城市空间形态”是指城市在客观物质空间上的表现形式，受到城市空间布局和密度的相互影响和相互作用而引起的城市三维实体形状和外观的表现，城市空间形态是城市社会、经济、文化、历史以及各种活动的物质载体。对于城市空间形态的研究旨在发掘揭示出其特征与规律，通过城市变化检测实现，从而为建设理想的城市空间形态提供理论参考和依据。广大学者采用多种方法研究城市物质环境丰富了城市空间形态理论，依据研究的侧重点和方法，可以概括为三类：一、包括城市历史研究、市镇规划分析，建筑学的方法和空间形态研究在内的形态分析。二、关注人的主观意愿和人的行为与环境之间互动关系的环境行为研究。三、关注政治与经济因素和相关的社会组织在城市过程中影响作用的研究。前人的研究成果为城市空间形态的研究打下了坚实基础，但这些研究多为对历史资料的发掘、梳理、总结，定性因素较多，科学定量的统计分析较少，而现有的定量分析方法主要集中在利用遥感影像和摄影影像的二维数据进行城市变化检测，根据不同时相或不同数据源进行叠加检测平面上城市扩展变化和土地利用的数量变化，都属于横维方向的变化。常用的城市变化检测方法主要有影像差值法、影像比值法、影像回归法、植被指数法、主成分分析、分类后比较法、多数据直接分类法、变化向量分析法、背景差值法等。Bagan利用遥感技术分析及归纳了东京城市变化的原因及影响因素。Zha通过分析南京市TM影像的具体特点,提出了NDBI的概念(NDBI＝(TM5-TM4)/(TM5+TM4)),并将其用于城市分类。
总结传统的城市变化检测方法，其基本思想利用遥感影像和摄影影像的二维数据进行城市变化检测，主要集中在应用不同时相或不同数据源进行叠加检测平面上城市扩展变化和土地利用的数量变化，都属于横维方向的变化。由于我国土地资源严重紧缺，人们开始充分利用地下和地上资源，所以分析城市变化时应考虑城市形态垂直结构的变化，通过语义感知进行深度学习提取要素，建立建筑物构件库，将每个构件变更类型及更新行为过程均设计成一个神经元，同类神经元组成一个网络层，所有网络层采用全连接方式构成一个多层感知更新策略判断模型。该模型能自动完成变更类型与更新规则的正确快速匹配，且可根据更新规则的变化，灵活改变构件库并产生新的推理机，达到三维建筑物信息模型自动更新的目的。三维建筑物信息模型自动更新可以为城市形态的变化检测及演化鉴定基础，有利于全面了解城市空间发展规律，从而为制定城市空间发展战略提供参考，为城市规划和建筑设计提供重要依据。
全生命周期管理
建筑工程生命周期管理(Building Lifecycle Management，BLM)，贯穿于建筑全过程(设计、施工、运营、拆除或再利用)，通过数字化的方法管理工程项目信息。CII(Construction Industry Institute，美国建筑业研究所)提出了FIAPP(FullyIntegrated and AutomatedProject Processes，全集成与自动化的项目处理系统)，强调以信息技术为手段，实现项目从规划设计到施工运营管理完全集成和自动化，达到生命周期管理的目的。目前，主要是通过建立建筑信息模型实现全生命周期管理。但建筑信息模型基本通过软件获得，不具备动态变化信息，缺乏语义信息，尚无统一有效的能简明真实地反映建筑物全生命周期各阶段状态的信息标识方法，已成为制约建筑物信息化管理工作推进的瓶颈。
所以，本项目基于时空基态修正模型应用不同时相的语义模型研究整体建筑物的变化类型，包括未变化、新增、销毁、扩建、重建等建筑物。根据不同变化类型，对建筑物进行全生命周期(设计、施工、运营)的实时跟踪，为安全分析和信息共享提供有利保证。以施工阶段为例，利用三维建筑物信息模型进行虚拟安装，为施工节省材料浪费，安装协调费用及时间成本；阶段性跟踪建筑建造过程中质量情况，如施工偏差，推导构件变形、残损、特殊痕迹、建筑材料的耗费量、工期等信息，及时发现问题所在，避免后期连锁问题的出现，节约建筑返工成本，缩减建筑周期，提高建筑准确度；全面获取建筑物数据信息，对建筑进行整体受力分析，评估建筑安全；对建筑进行竣工验收测量，提交可视化数据成果。增强房管部门的安全分析能力和房地产商房价评估的自控能力，为政府以及居民提供了一个进行决策和参与决策过程的有效工具。
综述国内外关键技术的研究不足和缺陷，本项目提出由单一的能提高三维坐标精度的激光点云和很好地表达纹理的高精度的光谱信息的倾斜影像融合增强语义信息，满足计算机像人类一样能读懂“看见”的数据而进行有效处理，从而能够准确完整地理解现实世界的对象，基于语义分割和信息增强构建三维建筑物信息模型。通过语义感知进行深度学习提取要素，建立建筑物构件库，将每个构件变更类型及更新行为过程均设计成一个神经元，同类神经元组成一个网络层，所有网络层采用全连接方式构成一个多层感知更新策略判断模型。该模型能自动完成变更类型与更新规则的正确快速匹配，且可根据更新规则的变化，灵活改变构件库并产生新的推理机，达到三维建筑物信息模型自动更新的目的。三维建筑物信息模型自动更新可以为城市形态的变化检测及演化鉴定基础，有利于全面了解城市空间发展规律，从而为制定城市空间发展战略提供参考，为城市规划和建筑设计提供重要依据。基于时空基态修正模型应用不同时相的语义模型研究整体建筑物的变化类型，包括未变化、新增、销毁、扩建、重建等建筑物。根据不同变化类型，对建筑物进行全生命周期(设计、施工、运营)的实时跟踪，为安全分析和信息共享提供有利保证。以施工阶段为例，利用三维建筑物信息模型进行虚拟安装，为施工节省材料浪费，安装协调费用及时间成本；阶段性跟踪建筑建造过程中质量情况，如施工偏差，推导构件变形、残损、特殊痕迹、建筑材料的耗费量、工期等信息，及时发现问题所在，避免后期连锁问题的出现，节约建筑返工成本，缩减建筑周期，提高建筑准确度；全面获取建筑物数据信息，对建筑进行整体受力分析，评估建筑安全；对建筑进行竣工验收测量，提交可视化数据成果。增强房管部门的安全分析能力和房地产商房价评估的自控能力，为政府以及居民提供了一个进行决策和参与决策过程的有效工具。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (8)
1.基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，包括以下步骤：
S1：基于语义分割和信息增强创建三维建筑物信息模型，具体包括以下步骤：
S101：不同数据源的特征提取；
S102：将激光点云与倾斜影像进行特征融合，通过形状预测和视觉填充实现对象的语义信息增强；
S103：基于语义分割和信息增强创建三维建筑物信息模型；
S2：对三维建筑物信息模型自动更新，具体包括以下步骤：
S201：基于深度学习提取要素；
S202：建立建筑物的实体对象构件库；
S203：基于神经网络的更新策略判断模型，实现三维建筑物信息模型自动更新。
2.根据权利要求1所述的基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，所述S102过程中，激光点云与倾斜影像进行特征融合具体包括以下步骤：
T1：基于颜色分割提取倾斜影像特征，获得三维信息、纹理信息和灰度信息，给定一个颜色信息数据集{Ci(Ri,Gi,Bi)}，通过深度学习得到一组分割块S{Sk|Sk(Ck1,Ck2,…Ckn)}，在每个分割块中提取特征；
T2：基于激光强度提取点云特征，利用顾及八领域强度变化阈值的改进中值滤波的方法提取点云特征；
T3：基于特征建立点云与影像的关联关系，通过特征建立结构关系，在结构关系约束下建立视觉匹配模型；
T4：在有时间基准源条件下，将时间信息归算到统一的时间轴下。
3.根据权利要求2所述的基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，所述T1过程中，在每个分割块中提取特征的过程中，当出现高相似度的特征时，通过距离、方向和领域信息，进一步对特征进行提取。
4.根据权利要求2所述的基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，所述T2过程中，在特征提取之前进行激光强度的校正，通过距离、反射率和角度数据驱动下，进行激光强度一致性的校正。
5.根据权利要求1所述的基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，所述S103过程具体包括以下步骤：
K1：对对象进行素化表达，建立自编码的预学习层，对形状进行预测，通过估计深度学习层进行视觉填充以增强语义信息；
K2：进行语义分割，采用基于小尺寸上的聚类和大尺寸上的分组的双重尺度的语义分割；
K3：在分割的基础上提取基本的几何位置特征，并进行分类识别，建立三维建筑物信息模型。
6.根据权利要求1所述的基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，所述S3过程中，具体包括以下步骤：
利用语义信息增强的不同时相的三维建筑物信息模型进行深度学习提取要素，将提取的要素建立建筑物构件库，将每个构件变更类型及更新行为过程均设计成一个神经元，同类神经元组成一个网络层，所有网络层采用全连接方式构成一个多层感知更新策略判断模型。
7.根据权利要求1所述的基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，方法还包括以下步骤：
S3：建筑物全生命周期的实时跟踪，具体包括以下步骤：
S301：利用时空基态修正模型，推导出变化参数计算表达式；
S302：根据变化类型，对建筑物进行全生命周期管理。
8.根据权利要求7所述的基于广义点云的三维建筑物信息模型构建与自动更新的方法，其特征在于，所述S301具体包括以下步骤：
基于不同时相的语义模型基于时空基态修正模型研究建筑物的变化信息，推导变化参数计算表达式，判断类型包括未变化、新增、销毁、扩建和重建建筑物。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011576792.9A CN112598796B (zh) | 2020-12-28 | 2020-12-28 | 基于广义点云的三维建筑信息模型构建与自动更新的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011576792.9A CN112598796B (zh) | 2020-12-28 | 2020-12-28 | 基于广义点云的三维建筑信息模型构建与自动更新的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598796A true CN112598796A (zh) | 2021-04-02 |
| CN112598796B CN112598796B (zh) | 2024-03-22 |
Family
ID=75203074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011576792.9A Active CN112598796B (zh) | 2020-12-28 | 2020-12-28 | 基于广义点云的三维建筑信息模型构建与自动更新的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598796B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223173A (zh) * | 2021-05-11 | 2021-08-06 | 华中师范大学 | 基于图模型的三维模型重建迁移方法及系统 |
| CN113239058A (zh) * | 2021-05-27 | 2021-08-10 | 中国地质大学（武汉） | 基于知识图谱推理的三维地质体模型局部动态更新方法 |
| CN113342815A (zh) * | 2021-06-10 | 2021-09-03 | 无奇(上海)建筑设计有限公司 | 一种基于bim的古迹保护方法及系统 |
| CN113643426A (zh) * | 2021-07-28 | 2021-11-12 | 武汉理工大学 | 一种仿真城市建筑物模型的更新方法、设备及储存介质 |
| CN113989680A (zh) * | 2021-12-27 | 2022-01-28 | 苏州工业园区测绘地理信息有限公司 | 建筑三维场景自动构建方法及系统 |
| CN114092697A (zh) * | 2021-11-09 | 2022-02-25 | 南京林业大学 | 注意力融合全局和局部深度特征的建筑立面语义分割方法 |
| CN114510772A (zh) * | 2022-04-08 | 2022-05-17 | 北京飞渡科技有限公司 | 基于斜扫数据建筑面轮廓的快速生成方法 |
| CN116010641A (zh) * | 2023-03-27 | 2023-04-25 | 苏州航天系统工程有限公司 | 基于gis的智慧城市建设用大数据实时获取装置及方法 |
| CN116628828A (zh) * | 2023-07-24 | 2023-08-22 | 中建安装集团黄河建设有限公司 | 一种大型建筑物拆除点确定方法、介质及系统 |
| CN116844068A (zh) * | 2023-09-01 | 2023-10-03 | 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） | 建筑测绘方法、系统、计算机设备及存储介质 |
| CN117523134A (zh) * | 2023-09-22 | 2024-02-06 | 南京林业大学 | 基于结构感知点云语义分割的三维建筑物模型简化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN111798475A (zh) * | 2020-05-29 | 2020-10-20 | 浙江工业大学 | 一种基于点云深度学习的室内环境3d语义地图构建方法 |
| 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
- 2020-12-28 CN CN202011576792.9A patent/CN112598796B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| 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 |
| CN111798475A (zh) * | 2020-05-29 | 2020-10-20 | 浙江工业大学 | 一种基于点云深度学习的室内环境3d语义地图构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杜建丽;陈动;张振鑫;张立强;: "建筑点云几何模型重建方法研究进展", 遥感学报, no. 03 * |
| 韩姗姗 等: "基于DGCNN语义分割的倾斜摄影测量三维点云建筑物分类", 测绘标准化, pages 25 - 30 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223173B (zh) * | 2021-05-11 | 2022-06-07 | 华中师范大学 | 基于图模型的三维模型重建迁移方法及系统 |
| CN113223173A (zh) * | 2021-05-11 | 2021-08-06 | 华中师范大学 | 基于图模型的三维模型重建迁移方法及系统 |
| CN113239058A (zh) * | 2021-05-27 | 2021-08-10 | 中国地质大学（武汉） | 基于知识图谱推理的三维地质体模型局部动态更新方法 |
| CN113239058B (zh) * | 2021-05-27 | 2024-06-11 | 中国地质大学（武汉） | 基于知识图谱推理的三维地质体模型局部动态更新方法 |
| CN113342815A (zh) * | 2021-06-10 | 2021-09-03 | 无奇(上海)建筑设计有限公司 | 一种基于bim的古迹保护方法及系统 |
| CN113342815B (zh) * | 2021-06-10 | 2022-11-01 | 无奇(上海)建筑设计有限公司 | 一种基于bim的古迹保护方法及系统 |
| CN113643426A (zh) * | 2021-07-28 | 2021-11-12 | 武汉理工大学 | 一种仿真城市建筑物模型的更新方法、设备及储存介质 |
| CN114092697A (zh) * | 2021-11-09 | 2022-02-25 | 南京林业大学 | 注意力融合全局和局部深度特征的建筑立面语义分割方法 |
| CN113989680A (zh) * | 2021-12-27 | 2022-01-28 | 苏州工业园区测绘地理信息有限公司 | 建筑三维场景自动构建方法及系统 |
| CN113989680B (zh) * | 2021-12-27 | 2022-03-29 | 苏州工业园区测绘地理信息有限公司 | 建筑三维场景自动构建方法及系统 |
| CN114510772B (zh) * | 2022-04-08 | 2022-06-17 | 北京飞渡科技有限公司 | 基于斜扫数据建筑面轮廓的快速生成方法 |
| CN114510772A (zh) * | 2022-04-08 | 2022-05-17 | 北京飞渡科技有限公司 | 基于斜扫数据建筑面轮廓的快速生成方法 |
| CN116010641A (zh) * | 2023-03-27 | 2023-04-25 | 苏州航天系统工程有限公司 | 基于gis的智慧城市建设用大数据实时获取装置及方法 |
| CN116628828A (zh) * | 2023-07-24 | 2023-08-22 | 中建安装集团黄河建设有限公司 | 一种大型建筑物拆除点确定方法、介质及系统 |
| CN116628828B (zh) * | 2023-07-24 | 2023-09-26 | 中建安装集团黄河建设有限公司 | 一种大型建筑物拆除点确定方法、介质及系统 |
| CN116844068A (zh) * | 2023-09-01 | 2023-10-03 | 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） | 建筑测绘方法、系统、计算机设备及存储介质 |
| CN116844068B (zh) * | 2023-09-01 | 2023-12-26 | 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） | 建筑测绘方法、系统、计算机设备及存储介质 |
| CN117523134A (zh) * | 2023-09-22 | 2024-02-06 | 南京林业大学 | 基于结构感知点云语义分割的三维建筑物模型简化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598796B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598796A (zh) | 基于广义点云的三维建筑物信息模型构建与自动更新的方法 | |
| CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
| CN101149843B (zh) | 一种数字城市的继承式自动生成及实时更新方法 | |
| CN108734728A (zh) | 一种基于高分辨序列图像的空间目标三维重构方法 | |
| CN106127857B (zh) | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 | |
| CN107833273B (zh) | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 | |
| CN111784840B (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 | |
| CN116188671A (zh) | 河道水陆一体三维实景建模方法 | |
| Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
| Sun et al. | Geographic, geometrical and semantic reconstruction of urban scene from high resolution oblique aerial images. | |
| Xu et al. | Fast and accurate registration of large scene vehicle-borne laser point clouds based on road marking information | |
| Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
| Adreani et al. | A photorealistic 3D city modeling framework for smart city digital twin | |
| Zhao et al. | Completing point clouds using structural constraints for large-scale points absence in 3D building reconstruction | |
| Hao et al. | Automatic building extraction from terrestrial laser scanning data | |
| Gu et al. | Surveying and mapping of large-scale 3D digital topographic map based on oblique photography technology | |
| Dwivedi et al. | New horizons in planning smart cities using LiDAR technology | |
| CN113487741B (zh) | 稠密三维地图更新方法及装置 | |
| Zhu | A pipeline of 3D scene reconstruction from point clouds | |
| CN114490907A (zh) | 名城管理数据库的构建方法、装置及存储介质 | |
| Choi et al. | Automatic Construction of Road Lane Markings Using Mobile Mapping System Data. | |
| Tao et al. | A Fast Registration Method for Building Point Clouds Obtained by Terrestrial Laser Scanner via 2D Feature Points | |
| Rakićević | An Automated Process of Creating 3D City Model for Monitoring Urban Infrastructures | |
| Song et al. | 3D hough transform algorithm for ground surface extraction from LiDAR point clouds | |
| CN118411477B (zh) | 一种基于特征图谱的点云智能化采样方法及装置 |
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 | ||
| GR01 | Patent grant |