CN112765709B - 基于点云数据的户型图重建方法及装置 - Google Patents
基于点云数据的户型图重建方法及装置 Download PDFInfo
- Publication number
- CN112765709B CN112765709B CN202110059505.5A CN202110059505A CN112765709B CN 112765709 B CN112765709 B CN 112765709B CN 202110059505 A CN202110059505 A CN 202110059505A CN 112765709 B CN112765709 B CN 112765709B
- Authority
- CN
- China
- Prior art keywords
- edge
- house
- length
- probability value
- cloud data
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Generation (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了一种基于点云数据的户型图重建方法及装置。该方法包括:在将房屋的点云数据中的墙体投影至二维平面之后,将经投影后的二维平面分割为元素点集合、元素边集合和元素面集合;根据元素点集合和元素边集合,确定房屋的外轮廓多边形;确定元素面集合中,位于外轮廓多边形内部的每个元素面的目标分间类别;根据所确定的目标分间类别,对外轮廓多边形内部进行分间划分,以得到房屋的户型图。通过采用本公开的实施例,能够基于点云数据,重建出准确可靠的户型图,以较好地满足实际需求。
Description
技术领域
本公开涉及户型图重建技术领域,尤其涉及一种基于点云数据的户型图重建方法及装置。
背景技术
随着用于数据采集的设备和技术的提升,我们目前可以获取大量室内房屋的点云数据,这些点云数据可以用于户型图的重建,重建出的户型图可以作为户型改造、三维重建、家装设计等诸多后续处理的基础。为了保证这些后续处理的处理效果,有必要保证重建出的户型图的准确性和可靠性,因此,如何基于点云数据,重建出准确可靠的户型图对于本领域技术人员而言是一个亟待解决的问题。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种基于点云数据的户型图重建方法及装置。
根据本公开实施例的一个方面,提供了一种基于点云数据的户型图重建方法,包括:
在将房屋的点云数据中的墙体投影至二维平面之后,将经投影后的所述二维平面分割为元素点集合、元素边集合和元素面集合;
根据所述元素点集合和所述元素边集合,确定所述房屋的外轮廓多边形;
确定所述元素面集合中,位于所述外轮廓多边形内部的每个元素面的目标分间类别;
根据所确定的目标分间类别,对所述外轮廓多边形内部进行分间划分,以得到所述房屋的户型图。
在一个可选示例中,所述根据所述元素点集合和所述元素边集合,确定所述房屋的外轮廓多边形,包括:
获取所述元素边集合中的每条元素边的边长度,所述元素边集合中的每条元素边与所述点云数据中对应于本元素边的墙体在所述二维平面上的投影线段的重合长度,以及所述元素边集合中的所有元素边的边长度的长度总和;
获取所述元素边集合中的每条元素边对应的第一概率值;其中,任一元素边对应的第一概率值为:所述元素面集合中与本元素边对应的元素面属于外轮廓内元素面的概率;
根据所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定所述房屋的外轮廓多边形。
在一个可选示例中,所述根据所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定所述房屋的外轮廓多边形,包括:
根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标,所述元素边集合中的每条元素边对应的第二概率值;其中,任一元素边对应的第二概率值为:本元素边属于外轮廓组成边的概率;
根据所确定的第二概率值,从所述元素边集合中筛选部分元素边以组成所述房屋的外轮廓多边形。
在一个可选示例中,所述根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标,所述元素边集合中的每条元素边对应的第二概率值,包括:
根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标和约束条件,所述元素边集合中的每条元素边对应的第二概率值;
其中,所述约束条件为:任一元素点对应的各元素边中,用于组成所述外轮廓多边形的元素边的条数为两条或者零条。
在一个可选示例中,所述整数优化算法的算法公式如下:
U(x)=(1-λ)Ufidelity(x)+λUcomplexity(x)
其中,U(x)的取值最小化为所述整数优化算法的算法目标,λ为第一预设系数,β为第二预设系数,n为所述元素边集合中的元素边的总数量,为所述元素边集合中的第i条元素边对应的一个第一概率值,为所述第i条元素边对应的另一个第一概率值,xi为所述第i条元素边对应的第二概率值,|ei|为所述第i条元素边的边长度,为所述长度总和,为所述第i条元素边对应的重合长度,V为所述元素点集合中的元素点的总数量,vi为所述元素点集合中的第i个元素点。
在一个可选示例中,任一元素边对应的第一概率值根据所述点云数据在本元素边对应的元素面上的投影与本元素边对应的元素面的重合率确定。
在一个可选示例中,所述确定所述元素面集合中,位于所述外轮廓多边形内部的每个元素面的目标分间类别,包括:
获取目标子集合中的每个元素面的实际面积;其中,所述目标子集合由所述元素面集合中,位于所述外轮廓多边形内部的各个元素面组成;
获取所述目标子集合中的每相邻两个元素面公共的元素边的边长度,以及所述目标子集合中的每相邻两个元素面公共的元素边与所述点云数据中对应于本元素边的墙体在所述二维平面上的投影线段的重合长度;
根据所获取的实际面积、边长度和重合长度,确定所述目标子集合中的每个元素面的目标分间类别。
在一个可选示例中,
所述根据所获取的实际面积、边长度和重合长度,确定所述目标子集合中的每个元素面的目标分间类别之前,所述方法还包括:
获取所述点云数据的点云密度图中的每个像素点的分间信息;
根据所获取的分间信息,确定所述点云密度图中存在的N个参考分间类别以及所述N个参考分间类别对应的N个分间面积;
所述根据所获取的实际面积、边长度和重合长度,确定所述目标子集合中的每个元素面的目标分间类别,包括:
根据马尔科夫随机场算法、所述N个参考分间类别、所述N个分间面积,以及所获取的实际面积、边长度、重合长度,确定为了满足所述马尔科夫随机场算法的算法目标,所述目标子集合中的每个元素面的目标分间类别。
在一个可选示例中,所述马尔科夫随机场算法的算法公式如下:
其中,的取值最小化为所述马尔科夫随机场算法的算法目标,m为所述目标子集合中的元素面的总数量,为所述目标子集合,γ为第三预设系数,Ak为所述目标子集合中的第k个元素面的实际面积,P(lk)为所述第k个元素面的目标分间类别为所述N个参考分间类别中的一参考分间类别时,所述第k个元素面对应的第三概率值,所述第三概率值为本参考分间类别对应的分间面积与所述N个分间面积的面积总和的比值,e公共为所述第k个元素面与所述目标子集合中的第j个元素面公共的元素边的边长度,所述第k个元素面和所述第j个元素面为相邻的两个元素面,为所述第k个元素面和所述第j个元素面公共的元素边对应的重合长度,lj=lk表示所述第k个元素面和所述第j个元素面的目标分间类别相同,li≠lk表示所述第k个元素面和所述第j个元素面的目标分间类别不相同。
根据本公开实施例的另一个方面,提供了一种基于点云数据的户型图重建装置,包括:
分割模块,用于在将房屋的点云数据中的墙体投影至二维平面之后,将经投影后的所述二维平面分割为元素点集合、元素边集合和元素面集合;
第一确定模块,用于根据所述元素点集合和所述元素边集合,确定所述房屋的外轮廓多边形;
第二确定模块,用于确定所述元素面集合中,位于所述外轮廓多边形内部的每个元素面的目标分间类别;
划分模块,用于根据所确定的目标分间类别,对所述外轮廓多边形内部进行分间划分,以得到所述房屋的户型图。
在一个可选示例中,所述第一确定模块,包括:
第一获取子模块,用于获取所述元素边集合中的每条元素边的边长度,所述元素边集合中的每条元素边与所述点云数据中对应于本元素边的墙体在所述二维平面上的投影线段的重合长度,以及所述元素边集合中的所有元素边的边长度的长度总和;
第二获取子模块,用于获取所述元素边集合中的每条元素边对应的第一概率值;其中,任一元素边对应的第一概率值为:所述元素面集合中与本元素边对应的元素面属于外轮廓内元素面的概率;
第一确定子模块,用于根据所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定所述房屋的外轮廓多边形。
在一个可选示例中,所述第一确定子模块,包括:
确定单元,用于根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标,所述元素边集合中的每条元素边对应的第二概率值;其中,任一元素边对应的第二概率值为:本元素边属于外轮廓组成边的概率;
筛选单元,用于根据所确定的第二概率值,从所述元素边集合中筛选部分元素边以组成所述房屋的外轮廓多边形。
在一个可选示例中,所述确定单元,具体用于:
根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标和约束条件,所述元素边集合中的每条元素边对应的第二概率值;
其中,所述约束条件为:任一元素点对应的各元素边中,用于组成所述外轮廓多边形的元素边的条数为两条或者零条。
在一个可选示例中,所述整数优化算法的算法公式如下:
U(x)=(1-λ)Ufidelity(x)+λUcomplexity(x)
其中,U(x)的取值最小化为所述整数优化算法的算法目标,λ为第一预设系数,β为第二预设系数,n为所述元素边集合中的元素边的总数量,为所述元素边集合中的第i条元素边对应的一个第一概率值,为所述第i条元素边对应的另一个第一概率值,xi为所述第i条元素边对应的第二概率值,|ei|为所述第i条元素边的边长度,为所述长度总和,为所述第i条元素边对应的重合长度,V为所述元素点集合中的元素点的总数量,vi为所述元素点集合中的第i个元素点。
在一个可选示例中,任一元素边对应的第一概率值根据所述点云数据在本元素边对应的元素面上的投影与本元素边对应的元素面的重合率确定。
在一个可选示例中,所述第二确定模块,包括:
第三获取子模块,用于获取目标子集合中的每个元素面的实际面积;其中,所述目标子集合由所述元素面集合中,位于所述外轮廓多边形内部的各个元素面组成;
第四获取子模块,用于获取所述目标子集合中的每相邻两个元素面公共的元素边的边长度,以及所述目标子集合中的每相邻两个元素面公共的元素边与所述点云数据中对应于本元素边的墙体在所述二维平面上的投影线段的重合长度;
第二确定子模块,用于根据所获取的实际面积、边长度和重合长度,确定所述目标子集合中的每个元素面的目标分间类别。
在一个可选示例中,
所述装置还包括:
获取模块,用于在根据所获取的实际面积、边长度和重合长度,确定所述目标子集合中的每个元素面的目标分间类别之前,获取所述点云数据的点云密度图中的每个像素点的分间信息;
第三确定模块,用于根据所获取的分间信息,确定所述点云密度图中存在的N个参考分间类别以及所述N个参考分间类别对应的N个分间面积;
所述第二确定子模块,具体用于:
根据马尔科夫随机场算法、所述N个参考分间类别、所述N个分间面积,以及所获取的实际面积、边长度、重合长度,确定为了满足所述马尔科夫随机场算法的算法目标,所述目标子集合中的每个元素面的目标分间类别。
在一个可选示例中,所述马尔科夫随机场算法的算法公式如下:
其中,的取值最小化为所述马尔科夫随机场算法的算法目标,m为所述目标子集合中的元素面的总数量,为所述目标子集合,γ为第三预设系数,Ak为所述目标子集合中的第k个元素面的实际面积,P(lk)为所述第k个元素面的目标分间类别为所述N个参考分间类别中的一参考分间类别时,所述第k个元素面对应的第三概率值,所述第三概率值为本参考分间类别对应的分间面积与所述N个分间面积的面积总和的比值,e公共为所述第k个元素面与所述目标子集合中的第j个元素面公共的元素边的边长度,所述第k个元素面和所述第j个元素面为相邻的两个元素面,为所述第k个元素面和所述第j个元素面公共的元素边对应的重合长度,lj=lk表示所述第k个元素面和所述第j个元素面的目标分间类别相同,li≠lk表示所述第k个元素面和所述第j个元素面的目标分间类别不相同。
根据本公开实施例的再一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述基于点云数据的户型图重建方法。
根据本公开实施例的又一个方面,提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述基于点云数据的户型图重建方法。
本公开的实施例中,在获得房屋的点云数据之后,可以将房屋的点云数据中的墙体投影至二维平面,并将经投影后的二维平面分割为元素点集合、元素边集合和元素面集合。接下来,可以根据元素点集合和元素边集合,确定房屋的外轮廓多边形,确定元素面集合中,位于外轮廓多边形内部的每个元素面的目标分间类别,并根据所确定的目标分间类别,对外轮廓多边形内部进行分间划分,以得到房屋的户型图。由于房屋的外轮廓多边形是基于元素点集合和元素边集合得到的,外轮廓多边形的分间结果是基于元素面集合得到的,而元素点集合、元素边集合和元素面集合是基于房屋的点云数据中的墙体的投影操作得到的,可以认为房屋的外轮廓多边形和外轮廓多边形的分间结果是利用点云数据中的墙体位置得到的,墙体位置能够为户型图的重建提供准确的边界参考和分间参考,这样能够较好地保证通过重建生成的户型图与点云数据之间的匹配度,尽可能减小户型图与点云数据之间的误差,因此,通过采用本公开的实施例,能够基于点云数据,重建出准确可靠的户型图,以较好地满足实际需求。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的基于点云数据的户型图重建方法的流程示意图。
图2是本公开的实施例中点云数据的示意图。
图3是本公开的实施例中针对点云数据确定出的墙体位置的示意图。
图4-1是本公开的实施例中经投影后的二维平面的分割结果的示意图。
图4-2是本公开的实施例中经投影后的二维平面的分割结果的局部示意图。
图4-3是本公开的实施例中经投影后的二维平面的分割结果的另一局部示意图。
图5是本公开的实施例中房屋的外轮廓多边形的示意图。
图6是本公开的实施例中房屋的外轮廓多边形的分间示意图。
图7是本公开另一示例性实施例提供的基于点云数据的户型图重建方法的流程示意图。
图8是本公开再一示例性实施例提供的基于点云数据的户型图重建方法的流程示意图。
图9是本公开的实施例中点云数据的点云密度图的分间示意图。
图10是本公开一示例性实施例提供的基于点云数据的户型图重建装置的结构示意图。
图11是本公开另一示例性实施例提供的基于点云数据的户型图重建装置的结构示意图。
图12是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本公开一示例性实施例提供的基于点云数据的户型图重建方法的流程示意图。图1所示的方法可以包括步骤101、步骤102、步骤103和步骤104,下面对各步骤分别进行说明。
步骤101,在将房屋的点云数据中的墙体投影至二维平面之后,将经投影后的二维平面分割为元素点集合、元素边集合和元素面集合。
在步骤101中,可以先获取通过采集设备采集的房屋的点云数据,通过采集设备采集的点云数据具体可以如图2所示。可选地,采集设备可以为RGBD相机、雷达等;其中,RGBD=RGB+Depth Map,RGB表示红绿蓝三个通道的颜色,Depth Map表示深度图;雷达也可以称为lidar。
接下来,可以利用区域增长算法,从点云数据中提取出墙体对应的平面信息,以确定墙体的位置,确定出的墙体的位置具体可以如图3所示。
之后,可以基于确定出的墙体的位置,将点云数据中的墙体投影至二维平面,并利用2D-arrangement方法,将经投影后的二维平面分割为一系列的点、线、面,经投影后的二维平面的分割结果可以如图4-1所示,分割结果的局部示意图可以如图4-2或图4-3所示。需要说明的是,分割出的所有点可以组成元素点集合,元素点集合中的每个点可以认为是一个元素点;分割出的所有线可以组成元素边集合,元素边集合中的每条线可以认为是一条元素边;分割出的所有面可以组成元素面集合,元素面集合中的每个面可以认为是一个元素面。
步骤102,根据元素点集合和元素边集合,确定房屋的外轮廓多边形。
这里,根据元素点集合和元素边集合确定的房屋的外轮廓多边形可以仅由元素边集合中的部分元素边组成,房屋的外轮廓多边形具体可以为图5中的白色粗实线所表示的不规则多边形。
步骤103,确定元素面集合中,位于外轮廓多边形内部的每个元素面的目标分间类别。
在确定出房屋的外轮廓多边形之后,可以对元素面集合中的所有元素面进行遍历,以确定元素面集合中的哪些元素面位于外轮廓多边形内部,哪些元素面位于外轮廓多边形外部。对于位于外轮廓多边形内部的每个元素面,可以分别确定其的目标分间类别,由于确定目标分间类别的具体实现方式可以有多种,为了布局清楚,后续进行举例介绍。
步骤104,根据所确定的目标分间类别,对外轮廓多边形内部进行分间划分,以得到房屋的户型图。
在确定出元素面集合中,位于外轮廓多边形内部的每个元素面的目标分间类别之后,可以将相邻且属于相同目标分间类别的元素面合并为一个分间,而将相邻且属于不同目标分间类别的元素面分别作为单独的分间,通过这样的方式,可以将外轮廓多边形内部划分为若干个分间,这样就得到了房屋的户型图,房屋的户型图具体可以如图6所示。
本公开的实施例中,在获得房屋的点云数据之后,可以将房屋的点云数据中的墙体投影至二维平面,并将经投影后的二维平面分割为元素点集合、元素边集合和元素面集合。接下来,可以根据元素点集合和元素边集合,确定房屋的外轮廓多边形,确定元素面集合中,位于外轮廓多边形内部的每个元素面的目标分间类别,并根据所确定的目标分间类别,对外轮廓多边形内部进行分间划分,以得到房屋的户型图。由于房屋的外轮廓多边形是基于元素点集合和元素边集合得到的,外轮廓多边形的分间结果是基于元素面集合得到的,而元素点集合、元素边集合和元素面集合是基于房屋的点云数据中的墙体的投影操作得到的,可以认为房屋的外轮廓多边形和外轮廓多边形的分间结果是利用点云数据中的墙体位置得到的,墙体位置能够为户型图的重建提供准确的边界参考和分间参考,这样能够较好地保证通过重建生成的户型图与点云数据之间的匹配度,尽可能减小户型图与点云数据之间的误差,因此,通过采用本公开的实施例,能够基于点云数据,重建出准确可靠的户型图,以较好地满足实际需求。
在图1所示实施例的基础上,如图7所示,步骤102,包括:
步骤1021,获取元素边集合中的每条元素边的边长度,元素边集合中的每条元素边与点云数据中对应于本元素边的墙体在二维平面上的投影线段的重合长度,以及元素边集合中的所有元素边的边长度的长度总和。
在步骤1021中,针对元素边集合中的任一元素边,可以获取本元素边的两个端点(每个端点分别为一个元素点)的坐标,基于这两个端点的坐标,可以计算出这两个端点之间的距离,计算出的距离即可作为本元素边的边长度。在计算出元素边集合中的所有元素边的边长度之后,通过对计算出的这些边长度进行求和运算,可以得到长度总和。
需要说明的是,元素边集合中的每条元素边可以认为是将点云数据中的某一墙体投影至二维平面之后,对得到的投影线段进行延长等处理得到的,那么,可以认为本元素边与点云数据中的某一墙体之间具有对应性。这样,在步骤1021中,针对元素边集合中的任一元素边,可以确定点云数据中与其对应的墙体,将与其对应的墙体投影至二维平面上,以得到相应的投影线段,并计算得到的投影线段与本元素边两者的重合长度。
步骤1022,获取元素边集合中的每条元素边对应的第一概率值;其中,任一元素边对应的第一概率值为:元素面集合中与本元素边对应的元素面属于外轮廓内元素面的概率。
在步骤1022中,可以针对元素边集合中的每条元素边,分别获取对应的第一概率值,任一元素边对应的第一概率值为:元素面集合中与本元素边对应的元素面属于外轮廓内元素面的概率,任一元素面属于外轮廓内元素面的概率具体可以是指:本元素面位于房屋的外轮廓多边形内部的概率。需要说明的是,对于图4-2中的元素边EF而言,其对应的元素面有:元素面ABEF和元素面EFDC;对于图4-3中的元素边QS而言,其对应的元素面有:元素面GHSQ和元素面SQJP。
在一种具体实施方式中,任一元素边对应的第一概率值根据点云数据在本元素边对应的元素面上的投影与本元素边对应的元素面的重合率确定。
对于图4-3中的元素边QS,可以获取G、H、S、Q这四个元素点的坐标,基于这四个元素点的坐标,可以计算出元素面GHSQ的实际面积,另外,还可以将步骤101中的点云数据整体投影至二维平面,然后计算出点云数据整体在元素面GHSQ上的投影面积,之后,可以确定计算出的投影面积与元素面GHSQ的实际面积的比值,该比值即可认为是点云数据在元素面GHSQ上的投影与元素面GHSQ的重合率。在得到点云数据在元素面GHSQ上的投影与元素面GHSQ的重合率之后,可以直接将得到的重合率作为元素边QS对应的一个第一概率值;或者,可以预先设置重合率与第一概率值的转换公式,通过将得到的重合率代入这个公式,可以得到元素边QS对应的一个第一概率值。
需要说明的是,对于图4-3中的元素边QS,还可以对应于元素面SQJP,确定出另一第一概率值,具体确定过程参照上段中的说明即可,在此不再赘述。
这种实施方式中,基于点云数据在元素面上的投影与元素面的重合率来确定元素边对应的第一概率值,能够将点云数据的空间分布用于房屋的外轮廓多边形的确定过程,从而能够较好地保证确定结果的准确性和可靠性。
步骤1023,根据元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定房屋的外轮廓多边形。
在一种具体实施方式中,步骤1023,包括:
根据整数优化算法、元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足整数优化算法的算法目标,元素边集合中的每条元素边对应的第二概率值;其中,任一元素边对应的第二概率值为:本元素边属于外轮廓组成边的概率;
根据所确定的第二概率值,从元素边集合中筛选部分元素边以组成房屋的外轮廓多边形。
这里,任一元素边对应的第二概率值为:本元素边属于外轮廓组成边的概率,任一元素边属于外轮廓组成边的概率具体可以是指:本元素边作为用于组成房屋的外轮廓多边形的一条边的概率,这样,任一元素边对应的第二概率值的取值范围可以为{0,1}。
可选地,整数优化算法的算法公式如下:
U(x)=(1-λ)Ufidelity(x)+λUcomplexity(x)
其中,U(x)的取值最小化为整数优化算法的算法目标,λ为第一预设系数,β为第二预设系数,n为元素边集合中的元素边的总数量,为元素边集合中的第i条元素边对应的一个第一概率值,为第i条元素边对应的另一个第一概率值,xi为第i条元素边对应的第二概率值,|ei|为第i条元素边的边长度,为长度总和,为第i条元素边对应的重合长度,V为元素点集合中的元素点的总数量,vi为元素点集合中的第i个元素点。
Ufidelity(x)=β Upoints(x)+(1-β)Uwalls(x)
这里,λ与β的取值可以相同,也可以不同。可选地,λ的取值可以为0.4、0.5、0.6等,β的取值可以为0.4、0.5、0.6等,在此不再一一列举。
这里,vi是角点可以是指:vi是位于外轮廓多边形上的元素点,且以vi作为端点的各元素边均不共线;indicator funtion为指示函数, 应当理解为:若vi是角点成立,则确定vi对应的值为1,否则,确定vi对应的值为0,在得到元素点集合中的每个元素点各自对应的值之后,对这些值进行求和处理,以得到求和结果。
具体实施时,可以先将整体优化算法的算法目标设定为U(x)的取值最小化,然后可以将步骤1021中获取的元素边集合中的每条元素边的边长度,元素边集合中的每条元素边对应的重合长度,元素边集合中的所有元素边的边长度的长度总和,以及步骤1022中获取的元素边集合中的每条元素边对应的第一概率值均代入整数优化算法的算法公式,通过求解可以得到每条元素边对应的xi的具体取值(即得到整体优化算法的算法目标满足时,每条元素边对应的第二概率值)。这里,如果任一元素边对应的第二概率值为1,则可以认为本元素边应当作为用于组成房屋的外轮廓多边形的一条边,如果任一元素边对应的第二概率值不为1,则可以认为本元素边不应当作为用于组成房屋的外轮廓多边形的一条边。
在得到元素边集合中的每条元素边对应的第二概率值之后,可以从元素边集合中筛选出所对应第二概率值为1的各条元素边,筛选出的这些元素边可以共同组成房屋的外轮廓多边形。
可见,为了得到房屋的外轮廓多边形,可以建模出一整数优化问题,具体可见上文中的整数优化算法的算法公式,需要指出的是,Ufidelity(x)这一项可以用于衡量得到的房屋的外轮廓多边形与从点云数据中实际提取到的墙体及点云数据分布的一致性,具体地,Upoints(x)可以用于衡量得到的房屋的外轮廓多边形与点云数据分布的一致性,Uwalls(x)可以用于衡量得到的房屋的外轮廓多边形与从点云数据中实际提取到的墙体的一致性,而Ucomplexity(x)这一项可以用于控制房屋的外轮廓多边形的几何复杂度,λ可以用于平衡Ufidelity(x)和Ucomplexity(x)这两项的数值大小,这样,通过整数优化算法的使用,能够较好地保证确定的房屋的外轮廓多边形的合理性和可靠性。
可选地,根据整数优化算法、元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足整数优化算法的算法目标,元素边集合中的每条元素边对应的第二概率值,包括:
根据整数优化算法、元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足整数优化算法的算法目标和约束条件,元素边集合中的每条元素边对应的第二概率值;
其中,约束条件为:任一元素点对应的各元素边中,用于组成外轮廓多边形的元素边的条数为两条或者零条。
这里,约束条件可以表示为如下形式:
其中,xj为任一元素点对应的各元素边中,用于组成外轮廓多边形的元素边的条数。
这里,任一元素点对应的各元素边包括以本元素点为端点的各元素边,例如,对于图4-2中的元素点E而言,其对应的元素边有:元素边EA、元素边EF、元素边EC,再例如,对于图4-3中元素点Q而言,其对应的元素边有:元素边QG、元素边QJ,元素边QS、元素边QR,那么,在确定房屋的外轮廓多边形时,需要保证:元素边EA、元素边EF、元素边EC三者中,仅有两者或者零者用于组成外轮廓多边形;元素边QG、元素边QJ,元素边QS、元素边QR四者中,仅有两者或者零者用于组成外轮廓多边形。
需要说明的是,通过将约束条件引入外轮廓多边形的确定过程,能够较好地保证最终得到的房屋的外轮廓多边形的几何拓扑结构的正确性。
本公开的实施例中,在获取元素边集合中的每条元素边的边长度,元素边集合中的每条元素边对应的重合长度,元素边集合中的所有元素边的边长度的长度总和,以及元素边集合中的每条元素边对应的第一概率值之后,可以建模出带约束的整数优化问题,通过将获取的数据代入整数优化问题的相关公式并进行求解,可以得到准确可靠且拓扑结构正确的外轮廓多边形,这样有利于保证后续得到合理可靠的户型图。
在图1所示实施例的基础上,如图8所示,步骤103,包括:
步骤1031,获取目标子集合中的每个元素面的实际面积;其中,目标子集合由元素面集合中,位于外轮廓多边形内部的各个元素面组成。
在确定出房屋的外轮廓多边形之后,可以对元素面集合中的所有元素面进行遍历,以确定元素面集合中的哪些元素面位于外轮廓多边形内部,哪些元素面位于外轮廓多边形外部,以便得到由元素面集合中,位于外轮廓多边形内部的元素面组成的目标子集合。在步骤1031中,针对目标子集合中的每个元素面,可以分别计算其的实际面积。
步骤1032,获取目标子集合中的每相邻两个元素面公共的元素边的边长度,以及目标子集合中的每相邻两个元素面公共的元素边与点云数据中对应于本元素边的墙体在二维平面上的投影线段的重合长度。
假设图4-3中的元素面GHSQ和元素面SQJP均位于目标子集合中,则元素面GHSQ和元素面SQJP两者公共的元素边为元素边QS,那么,可以获取元素边QS的边长度和元素边QS对应的重合长度,具体获取方式参照图2所示实施例相应部分的说明即可,在此不再赘述。通过类似的方式,针对目标子集合中任意相邻两个元素面,均可以获取到相应公共边的边长度和相应重合长度。
步骤1033,根据所获取的实际面积、边长度和重合长度,确定目标子集合中的每个元素面的目标分间类别。
在一种具体实施方式中,
根据所获取的实际面积、边长度和重合长度,确定目标子集合中的每个元素面的目标分间类别之前,该方法还包括:
获取点云数据的点云密度图中的每个像素点的分间信息;
根据所获取的分间信息,确定点云密度图中存在的N个参考分间类别以及N个参考分间类别对应的N个分间面积;
步骤1033,包括:
根据马尔科夫随机场算法、N个参考分间类别、N个分间面积,以及所获取的实际面积、边长度、重合长度,确定为了满足马尔科夫随机场算法的算法目标,目标子集合中的每个元素面的目标分间类别。
这里,可以在获取通过采集设备采集的房屋的点云数据之后,基于深度学习算法,从点云数据的点云密度图中学习出每个像素点的语义信息,并据此得到每个像素点的分间信息,得到的分间信息可以通过图9所示的形式呈现。
接下来,可以利用得到的分间信息,确定点云密度图中存在的N个参考分间类别以及N个参考分间类别对应的N个分间面积。具体地,图9中的每个独立的多边形块可以分别对应一种参考分间类别,那么,N与图9中多边形块的数量可以在数值上相等,通过这样的方式可以得到N;针对图9中对应于任一参考分间类别的多边形块,可以计算其的实际面积,计算得到的实际面积可以作为本参考分间类别对应的分间面积,通过这样的方式可以得到N个参考分间类别对应的N个分间面积。
之后,根据马尔科夫随机场算法、N个参考分间类别、N个分间面积、步骤1031中获取的目标子集合中的每个元素面的实际面积,以及步骤1032中获取的目标子集合中的每相邻两个元素面公共的元素边的边长度和目标子集合中的每相邻两个元素面公共的元素边对应的重合长度,可以确定为了满足马尔科夫随机场算法的算法目标,目标子集合中的每个元素面的目标分间类别。
可选地,马尔科夫随机场算法的算法公式如下:
其中,的取值最小化为马尔科夫随机场算法的算法目标,m为目标子集合中的元素面的总数量,为目标子集合,γ为第三预设系数,Ak为目标子集合中的第k个元素面的实际面积,P(lk)为第k个元素面的目标分间类别为N个参考分间类别中的一参考分间类别时,第k个元素面对应的第三概率值,第三概率值为本参考分间类别对应的分间面积与N个分间面积的面积总和的比值,e公共为第k个元素面与目标子集合中的第j个元素面公共的元素边的边长度,第k个元素面和第j个元素面为相邻的两个元素面,为第k个元素面和第j个元素面公共的元素边对应的重合长度,lj=lk表示第k个元素面和第j个元素面的目标分间类别相同,lj≠lk表示第k个元素面和第j个元素面的目标分间类别不同。
这里,γ的取值可以为0.4、0.5、0.6等,在此不再一一列举。
具体实施时,可以先将马尔科夫随机场算法的算法目标设定为的取值最小化,然后将步骤1031中获取的目标子集合中的每个元素面的实际面积,以及步骤1032中获取的目标子集合中的每相邻两个元素面公共的元素边的边长度和目标子集合中的每相邻两个元素面公共的元素边对应的重合长度均代入马尔科夫随机场算法的算法公式,通过求解,可以确定针对目标子集合中的任一元素面,具体应当将N个参考分间类别中的哪个参考分间类别作为本元素面的目标分间类别,这样就得到了目标子集合中的每个元素面的目标分间类别。
可见,为了得到目标子集合中的每个元素面的目标分间类别,可以利用上文中将马尔科夫随机场算法的算法公式来进行目标分间类别的求解,需要指出的是,这一项用于计算目标子集合中的每个元素面属于各个参考分间类别的概率,概率越高,表示当前元素面越可能属于当前参考分间类别,这时,这一项的数值就越小,这一项用于约束最终分类结果的一致性,确保得到的分间结果不会太复杂,这样,通过马尔科夫随机场算法的使用,能够较好地保证后续进行分间划分时,划分结果的合理可靠性。
本公开的实施例中,在获取目标子集合中的每个元素面的实际面积,以及目标子集合中的每相邻两个元素面公共的元素边的边长度和目标子集合中的每相邻两个元素面公共的元素边对应的重合长度之后,通过将获取的数据代入马尔科夫随机场算法的相关公式并进行求解,可以为目标子集合中的每个元素面确定合理的目标分间类别,这样有利于保证后续基于确定结果,得到合理可靠的户型图。
需要说明的是,相关技术中已经存在一些户型图重建算法,这里,可以通过实验来比较本公开的实施例中的户型图重建算法和相关技术中的户型图重建算法的重建效果。具体地,可以将本公开的实施例中的户型图重建算法和相关技术中的户型图重建算法均应用于100个RGBD相机生成的点云数据以及88个lidar扫描得到的点云数据上,经验证,采用本公开的实施例中的户型图重建算法,能够得到比相关技术中的户型图重建算法更高的测量指标,例如,采用相关技术中的户型图重建算法时,生成的户型图与输入的点云数据的误差为15厘米,而采用本公开的实施例中的户型图重建算法,生成的户型图与输入的点云数据的误差小于10厘米,且分间重建率达到80%以上,因此,本公开的实施例中的户型图重建算法能够达到更好的重建效果,从而能够更好地满足实际需求。
综上,本公开的实施例中,通过先基于整数优化算法,确定房屋的外轮廓多边形,然后基于马尔科夫随机场算法,对外轮廓多边形内部进行分间划分,能够得到精度高、鲁棒性强、拓扑结构正确的户型图(户型图的拓扑结构正确可以是指:户型图中每个房间对应的多边形彼此相连),从而能够更好地满足实际需求。
本公开的实施例提供的任一种基于点云数据的户型图重建方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端设备和服务器等。或者,本公开实施例提供的任一种基于点云数据的户型图重建方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种基于点云数据的户型图重建方法。下文不再赘述。
示例性装置
图10是本公开一示例性实施例提供的基于点云数据的户型图重建装置的结构示意图,图10所示的装置包括分割模块1001、第一确定模块1002、第二确定模块1003和划分模块1004。
分割模块1001,用于在将房屋的点云数据中的墙体投影至二维平面之后,将经投影后的二维平面分割为元素点集合、元素边集合和元素面集合;
第一确定模块1002,用于根据元素点集合和元素边集合,确定房屋的外轮廓多边形;
第二确定模块1003,用于确定元素面集合中,位于外轮廓多边形内部的每个元素面的目标分间类别;
划分模块1004,用于根据所确定的目标分间类别,对外轮廓多边形内部进行分间划分,以得到房屋的户型图。
在一个可选示例中,如图11所示,第一确定模块1002,包括:
第一获取子模块10021,用于获取元素边集合中的每条元素边的边长度,元素边集合中的每条元素边与点云数据中对应于本元素边的墙体在二维平面上的投影线段的重合长度,以及元素边集合中的所有元素边的边长度的长度总和;
第二获取子模块10022,用于获取元素边集合中的每条元素边对应的第一概率值;其中,任一元素边对应的第一概率值为:元素面集合中与本元素边对应的元素面属于外轮廓内元素面的概率;
第一确定子模块10023,用于根据元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定房屋的外轮廓多边形。
在一个可选示例中,第一确定子模块10023,包括:
确定单元,用于根据整数优化算法、元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足整数优化算法的算法目标,元素边集合中的每条元素边对应的第二概率值;其中,任一元素边对应的第二概率值为:本元素边属于外轮廓组成边的概率;
筛选单元,用于根据所确定的第二概率值,从元素边集合中筛选部分元素边以组成房屋的外轮廓多边形。
在一个可选示例中,确定单元,具体用于:
根据整数优化算法、元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足整数优化算法的算法目标和约束条件,元素边集合中的每条元素边对应的第二概率值;
其中,约束条件为:任一元素点对应的各元素边中,用于组成外轮廓多边形的元素边的条数为两条或者零条。
在一个可选示例中,整数优化算法的算法公式如下:
U(x)=(1-λ)Ufidelity(x)+λUcomplexity(x)
其中,U(x)的取值最小化为整数优化算法的算法目标,λ为第一预设系数,β为第二预设系数,n为元素边集合中的元素边的总数量,为元素边集合中的第i条元素边对应的一个第一概率值,为第i条元素边对应的另一个第一概率值,xi为第i条元素边对应的第二概率值,|ei|为第i条元素边的边长度,为长度总和,为第i条元素边对应的重合长度,V为元素点集合中的元素点的总数量,vi为元素点集合中的第i个元素点。
在一个可选示例中,任一元素边对应的第一概率值根据点云数据在本元素边对应的元素面上的投影与本元素边对应的元素面的重合率确定。
在一个可选示例中,如图11所示,第二确定模块1003,包括:
第三获取子模块10031,用于获取目标子集合中的每个元素面的实际面积;其中,目标子集合由元素面集合中,位于外轮廓多边形内部的各个元素面组成;
第四获取子模块10032,用于获取目标子集合中的每相邻两个元素面公共的元素边的边长度,以及目标子集合中的每相邻两个元素面公共的元素边与点云数据中对应于本元素边的墙体在二维平面上的投影线段的重合长度;
第二确定子模块10033,用于根据所获取的实际面积、边长度和重合长度,确定目标子集合中的每个元素面的目标分间类别。
在一个可选示例中,
该装置还包括:
获取模块,用于在根据所获取的实际面积、边长度和重合长度,确定目标子集合中的每个元素面的目标分间类别之前,获取点云数据的点云密度图中的每个像素点的分间信息;
第三确定模块,用于根据所获取的分间信息,确定点云密度图中存在的N个参考分间类别以及N个参考分间类别对应的N个分间面积;
第二确定子模块10033,具体用于:
根据马尔科夫随机场算法、N个参考分间类别、N个分间面积,以及所获取的实际面积、边长度、重合长度,确定为了满足马尔科夫随机场算法的算法目标,目标子集合中的每个元素面的目标分间类别。
在一个可选示例中,马尔科夫随机场算法的算法公式如下:
其中,的取值最小化为马尔科夫随机场算法的算法目标,m为目标子集合中的元素面的总数量,为目标子集合,γ为第三预设系数,Ak为目标子集合中的第k个元素面的实际面积,P(lk)为第k个元素面的目标分间类别为N个参考分间类别中的一参考分间类别时,第k个元素面对应的第三概率值,第三概率值为本参考分间类别对应的分间面积与N个分间面积的面积总和的比值,e公共为第k个元素面与目标子集合中的第j个元素面公共的元素边的边长度,第k个元素面和第j个元素面为相邻的两个元素面,为第k个元素面和第j个元素面公共的元素边对应的重合长度,lj=lk表示第k个元素面和第j个元素面的目标分间类别相同,lj≠lk表示第k个元素面和第j个元素面的目标分间类别不相同。
示例性电子设备
下面,参考图12来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图12图示了根据本公开实施例的电子设备1200的框图。
如图12所示,电子设备1200包括一个或多个处理器1201和存储器1202。
处理器1201可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备1200中的其他组件以执行期望的功能。
存储器1202可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1201可以运行所述程序指令,以实现上文所述的本公开的各个实施例的基于点云数据的户型图重建方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备1200还可以包括:输入装置1203和输出装置1204,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,在电子设备1200是第一设备或第二设备时,该输入装置1203可以是麦克风或麦克风阵列。在电子设备1200是单机设备时,该输入装置1203可以是通信网络连接器,用于从第一设备和第二设备接收所采集的输入信号。
此外,该输入装置1203还可以包括例如键盘、鼠标等等。
该输出装置1204可以向外部输出各种信息。该输出装置1204可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然,为了简化,图12中仅示出了该电子设备1200中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备1200还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的基于点云数据的户型图重建方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的基于点云数据的户型图重建方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,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。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于点云数据的户型图重建方法,其特征在于,包括:
在将房屋的点云数据中的墙体投影至二维平面之后,将经投影后的所述二维平面分割为元素点集合、元素边集合和元素面集合;
根据所述元素点集合和所述元素边集合,确定所述房屋的外轮廓多边形;
确定所述元素面集合中,位于所述外轮廓多边形内部的每个元素面的目标分间类别;
根据所确定的目标分间类别,对所述外轮廓多边形内部进行分间划分,以得到所述房屋的户型图;
所述根据所述元素点集合和所述元素边集合,确定所述房屋的外轮廓多边形,包括:
获取所述元素边集合中的每条元素边的边长度,所述元素边集合中的每条元素边与所述点云数据中对应于本元素边的墙体在所述二维平面上的投影线段的重合长度,以及所述元素边集合中的所有元素边的边长度的长度总和;
获取所述元素边集合中的每条元素边对应的第一概率值;其中,任一元素边对应的第一概率值为:所述元素面集合中与本元素边对应的元素面属于外轮廓内元素面的概率;
根据所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定所述房屋的外轮廓多边形。
2.根据权利要求1所述的方法,其特征在于,所述根据所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定所述房屋的外轮廓多边形,包括:
根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标,所述元素边集合中的每条元素边对应的第二概率值;其中,任一元素边对应的第二概率值为:本元素边属于外轮廓组成边的概率;
根据所确定的第二概率值,从所述元素边集合中筛选部分元素边以组成所述房屋的外轮廓多边形。
3.根据权利要求2所述的方法,其特征在于,所述根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标,所述元素边集合中的每条元素边对应的第二概率值,包括:
根据整数优化算法、所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定为了满足所述整数优化算法的算法目标和约束条件,所述元素边集合中的每条元素边对应的第二概率值;
其中,所述约束条件为:任一元素点对应的各元素边中,用于组成所述外轮廓多边形的元素边的条数为两条或者零条。
4.根据权利要求2所述的方法,其特征在于,所述整数优化算法的算法公式如下:
U(x)=(1-λ)Ufidelity(x)+λUcomplexity(x)
其中,U(x)的取值最小化为所述整数优化算法的算法目标,λ为第一预设系数,Ufidelity(x)用于衡量得到的房屋的外轮廓多边形与从点云数据中实际提取到的墙体及点云数据分布的一致性,Ucomplexity(x)用于控制房屋的外轮廓多边形的几何复杂度,β为第二预设系数,n为所述元素边集合中的元素边的总数量,P(fi 1)为所述元素边集合中的第i条元素边对应的一个第一概率值,P(fi 2)为所述第i条元素边对应的另一个第一概率值,xi为所述第i条元素边对应的第二概率值,|ei|为所述第i条元素边的边长度,为所述长度总和,为所述第i条元素边对应的重合长度,V为所述元素点集合中的元素点的总数量,indicatorfuntion为指示函数,vi为所述元素点集合中的第i个元素点。
5.根据权利要求1至4中任一项所述的方法,其特征在于,任一元素边对应的第一概率值根据所述点云数据在本元素边对应的元素面上的投影与本元素边对应的元素面的重合率确定。
6.一种基于点云数据的户型图重建装置,其特征在于,包括:
分割模块,用于在将房屋的点云数据中的墙体投影至二维平面之后,将经投影后的所述二维平面分割为元素点集合、元素边集合和元素面集合;
第一确定模块,用于根据所述元素点集合和所述元素边集合,确定所述房屋的外轮廓多边形;
第二确定模块,用于确定所述元素面集合中,位于所述外轮廓多边形内部的每个元素面的目标分间类别;
划分模块,用于根据所确定的目标分间类别,对所述外轮廓多边形内部进行分间划分,以得到所述房屋的户型图;
所述第一确定模块,包括:
第一获取子模块,用于获取所述元素边集合中的每条元素边的边长度,所述元素边集合中的每条元素边与所述点云数据中对应于本元素边的墙体在所述二维平面上的投影线段的重合长度,以及所述元素边集合中的所有元素边的边长度的长度总和;
第二获取子模块,用于获取所述元素边集合中的每条元素边对应的第一概率值;其中,任一元素边对应的第一概率值为:所述元素面集合中与本元素边对应的元素面属于外轮廓内元素面的概率;
第一确定子模块,用于根据所述元素点集合,以及所获取的边长度、重合长度、长度总和、第一概率值,确定所述房屋的外轮廓多边形。
7.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序用于执行上述权利要求1至5中任一项所述的基于点云数据的户型图重建方法。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1至5中任一项所述的基于点云数据的户型图重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059505.5A CN112765709B (zh) | 2021-01-15 | 2021-01-15 | 基于点云数据的户型图重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059505.5A CN112765709B (zh) | 2021-01-15 | 2021-01-15 | 基于点云数据的户型图重建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765709A CN112765709A (zh) | 2021-05-07 |
CN112765709B true CN112765709B (zh) | 2022-02-01 |
Family
ID=75702330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110059505.5A Active CN112765709B (zh) | 2021-01-15 | 2021-01-15 | 基于点云数据的户型图重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765709B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379895B (zh) * | 2021-06-10 | 2022-02-22 | 贝壳找房(北京)科技有限公司 | 三维房屋模型生成方法、装置及计算机可读存储介质 |
CN113313761B (zh) * | 2021-07-28 | 2022-04-01 | 盎锐(常州)信息科技有限公司 | 用于实测实量的站点获取方法、扫描装置及系统 |
CN115423933B (zh) * | 2022-08-12 | 2023-09-29 | 北京城市网邻信息技术有限公司 | 户型图生成方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130002239A (ko) * | 2011-09-26 | 2013-01-07 | (주)에스지원정보기술 | 포인트 클라우드 데이터의 필터링을 통해 획득된 도로데이터의 경사도를 이용하여 도로 레이어를 생성하는 시스템 및 방법 |
CN107862738A (zh) * | 2017-11-28 | 2018-03-30 | 武汉大学 | 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 |
CN109992809A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 一种建筑模型的构建方法、装置及存储装置 |
CN110634100A (zh) * | 2019-08-07 | 2019-12-31 | 贝壳技术有限公司 | 一种户型图生成方法、装置、电子设备和存储介质 |
CN111080518A (zh) * | 2019-11-27 | 2020-04-28 | 贝壳技术有限公司 | 点云图像的拼接方法、装置及存储介质 |
CN111915730A (zh) * | 2020-07-20 | 2020-11-10 | 北京建筑大学 | 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 |
CN111985036A (zh) * | 2020-08-27 | 2020-11-24 | 贝壳技术有限公司 | 户型框线图绘制方法和装置、存储介质、电子设备 |
CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
CN112200916A (zh) * | 2020-12-08 | 2021-01-08 | 深圳市房多多网络科技有限公司 | 房屋户型图的生成方法、装置、计算设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9547838B2 (en) * | 2013-11-06 | 2017-01-17 | Oracle International Corporation | Automated generation of a three-dimensional space representation and planogram verification |
CN108961152B (zh) * | 2018-05-30 | 2020-01-14 | 贝壳找房(北京)科技有限公司 | 平面户型图生成方法和装置 |
CN109325998B (zh) * | 2018-10-08 | 2023-06-30 | 香港理工大学 | 一种基于点云数据的室内3d建模方法、系统及相关装置 |
KR102083911B1 (ko) * | 2019-09-03 | 2020-03-04 | 주식회사 모빌테크 | 점군을 포함하는 라이다 지도 생성 방법 |
CN110634187B (zh) * | 2019-09-11 | 2023-06-20 | 广东维美家科技有限公司 | 基于户型图的房屋点云模型生成方法及装置 |
CN112116714A (zh) * | 2020-09-28 | 2020-12-22 | 贝壳技术有限公司 | 基于二维图像生成房间结构模型的方法及装置 |
-
2021
- 2021-01-15 CN CN202110059505.5A patent/CN112765709B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130002239A (ko) * | 2011-09-26 | 2013-01-07 | (주)에스지원정보기술 | 포인트 클라우드 데이터의 필터링을 통해 획득된 도로데이터의 경사도를 이용하여 도로 레이어를 생성하는 시스템 및 방법 |
CN107862738A (zh) * | 2017-11-28 | 2018-03-30 | 武汉大学 | 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 |
CN109992809A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 一种建筑模型的构建方法、装置及存储装置 |
CN110634100A (zh) * | 2019-08-07 | 2019-12-31 | 贝壳技术有限公司 | 一种户型图生成方法、装置、电子设备和存储介质 |
CN111080518A (zh) * | 2019-11-27 | 2020-04-28 | 贝壳技术有限公司 | 点云图像的拼接方法、装置及存储介质 |
CN111915730A (zh) * | 2020-07-20 | 2020-11-10 | 北京建筑大学 | 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 |
CN111985036A (zh) * | 2020-08-27 | 2020-11-24 | 贝壳技术有限公司 | 户型框线图绘制方法和装置、存储介质、电子设备 |
CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
CN112200916A (zh) * | 2020-12-08 | 2021-01-08 | 深圳市房多多网络科技有限公司 | 房屋户型图的生成方法、装置、计算设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Automatic generation of structural building descriptions from 3D point cloud scans;Sebastian Ochmann .etal;《IEEE》;20151012;1-8页 * |
基于三维扫描测量的住宅产品尺寸检验系统研究;何涛 等;《2020年工业建筑学术交流会论文集(上册)》;20200831;376-380页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112765709A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112765709B (zh) | 基于点云数据的户型图重建方法及装置 | |
WO2020098531A1 (zh) | 对象的加载方法和装置、存储介质、电子装置 | |
US20130051658A1 (en) | Method of separating object in three dimension point cloud | |
CN111563950B (zh) | 纹理映射策略确定方法、装置及计算机可读存储介质 | |
CN108564645B (zh) | 房屋模型的渲染方法、终端设备及介质 | |
Panin | Model-based visual tracking: the OpenTL framework | |
CN111104879B (zh) | 房屋功能间的识别方法和装置、可读存储介质、电子设备 | |
US20150234947A1 (en) | Estimation of Three-Dimensional Models of Roofs from Spatial Two-Dimensional Graphs | |
US10282490B2 (en) | Estimation of three-dimensional models of roofs from spatial two-dimensional graphs | |
CN111383355B (zh) | 三维点云补全方法、装置和计算机可读存储介质 | |
CN112991547B (zh) | 模型简化处理方法、装置以及电子设备、介质 | |
US20220051055A1 (en) | Training data generation method and training data generation device | |
CN114187588B (zh) | 数据处理的方法、装置和存储介质 | |
CN114998610A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN111680346B (zh) | 户型图补全方法和装置、计算机可读存储介质、电子设备 | |
Herholz et al. | A Unified Manifold Framework for Efficient BRDF Sampling based on Parametric Mixture Models. | |
CN114820755B (zh) | 一种深度图估计方法及系统 | |
CN114239198B (zh) | 一种基于并行优化的电网子图划分方法及装置 | |
CN113538562B (zh) | 室内面积确定方法、装置以及电子设备、存储介质 | |
CN115330939A (zh) | 户型图生成方法、装置、电子设备和存储介质 | |
CN114329743A (zh) | 户型优化方法、装置以及存储介质 | |
Cioaca et al. | Graph‐Based Wavelet Representation of Multi‐Variate Terrain Data | |
Rasmuson et al. | Addressing the shape-radiance ambiguity in view-dependent radiance fields | |
CN113256787B (zh) | 一种基于点云密度分析的自适应分辨率八叉树建图方法 | |
CN113687812B (zh) | 信息系统体系结构构建方法、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210818 Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: 101300 room 24, 62 Farm Road, Erjie village, Yangzhen Town, Shunyi District, Beijing Applicant before: Beijing fangjianghu Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |