CN112906487A - 基于规则集的明清官式建筑物样式点云分类识别方法 - Google Patents
基于规则集的明清官式建筑物样式点云分类识别方法 Download PDFInfo
- Publication number
- CN112906487A CN112906487A CN202110105259.2A CN202110105259A CN112906487A CN 112906487 A CN112906487 A CN 112906487A CN 202110105259 A CN202110105259 A CN 202110105259A CN 112906487 A CN112906487 A CN 112906487A
- Authority
- CN
- China
- Prior art keywords
- roof
- point
- point cloud
- building
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
Abstract
本发明公开了基于规则集的明清官式建筑物样式点云分类识别方法,包括:转化和分析目标建筑物点云数据、并通过提取等高线簇的方法分析获得所述目标建筑物的屋顶数据,由所述屋顶数据提取并生成屋脊线数据,对所述屋脊线数据加以理解以对所述目标建筑物进行粗分类,通过对所述屋顶脊线数据特征的深入理解,识别出将所述目标建筑物的具体类型。本发明涉及明清官式建筑物样式的点云分类识别方法,有效填补了当前通过点云检测进行明清官式建筑物风格分类识别研究的空白。本发明的方法简单,速度快,可靠性强,可有效识别分类明清官式建筑物风格,是明清官式建筑物样式点云分类识别的创新。
Description
技术领域
本发明属于点云识别技术领域,涉及一种基于规则集的明清官式建筑物样式点云分类识别方法。
背景技术
明清官式建筑物承载着中国的传统文化,是中国建筑与遗产的重要组成部分,对明清古建筑物的研究与保护一直是文物工作者的重要工作内容之一。随着现代科技的发展,尤其是激光扫描仪及无人机的出现,利用点云构建含有语义信息的古建筑物三维模型并进行存档已成为建筑遗产保护的重要手段,在建筑遗产的保护中发挥着越来越重要的作用。然而,古建筑物结构复杂尤其是古建筑物屋面形状通常为不规则曲面且含有大量的不规则装饰性构件,这些特点均给明清古建筑物自动化三维重建带来了巨大的困难。近年来,得益于计算机硬件、图像检测算法与深度学习的成熟和发展,风格差异较大的建筑物已实现较大成功率的识别,但针对少量数据集和整体风格一致、仅存细微差别的明清官式建筑物样式识别,目前尚未有相关研究。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
针对上述情况,为克服现有方法之空白,本发明的目的是提供一种基于规则集的明清官式建筑物样式点云分类识别方法,其为适于明清官式建筑物点云分类识别的算法,可有效解决明清官式建筑物整体风格一致、差别细微,无法利用当前现有算法进行分类识别的空缺。
为此,本发明提供的技术方案为:
基于规则集的明清官式建筑物样式点云分类识别方法,包括:
转化和分析目标建筑物点云数据、并通过提取等高线簇的方法分析获得所述目标建筑物的屋顶数据,
由所述屋顶数据提取并生成屋脊线数据,
对所述屋脊线数据加以理解以对所述目标建筑物进行粗分类,
通过对所述屋顶脊线数据特征的深入理解,识别出将所述目标建筑物的具体类型。
优选的是,所述的基于规则集的明清官式建筑物样式点云分类识别方法中,转化和分析目标建筑物点云数据、并通过提取等高线簇的方法分析获得所述目标建筑物的屋顶数据具体包括如下步骤:
1.1)等高线簇获取
定义所述目标建筑物点云个数集为P={pi(xi yi zi)|i=1,2,…,N},N为点云的数量,假定ph(xh yh zh)与pl(xl yl zl)为点云集P中的最高点与最低点,以zd为间隔,在Z方向上对点云P进行采样,假定采样后的点云为S={sj|j=1,2,…,M},
点云集P中任一采样点pi归属采样后点云子集sj的公式如式(1)所示:
定义二维平面XOY:以(int(xmin-2)int(ymin-2))为原点,以真实地理的X轴为X轴,Y轴为Y轴,以尺寸ds为间隔,对二维平面XOY进行网格划分,将采样后的每一点云簇sj投影到定义的二维平面XOY,将点云簇sj的点与所述二维平面XOY中的格网点对应并标记,之后将标记的格网点投影,形成二维影像;为解决数据采集不全造成投影后生成屋顶轮廓线断裂的现象,本文采用3×3平方结构元的形态学闭算子生成初始二值图像,通过点密度和平面坐标的分辨率来估计该结构元素,然后采用Two-Pass算法提取连通分量,每个连接的组件代表一个单独的建筑单元,由采样点集sj生成的等高线记为lj,整个模型生成的线簇集合为L={lj|j=1,2,…,M};
1.2)等高线簇分析:从提取的等高线簇L中选取最长的元素lmax,这一结合部分记为屋顶与屋身的分割线;
1.3)屋顶提取:高程值位于所述屋顶与屋身的分割线lmax的上方的点即为屋顶点,获取到所述屋顶数据。
优选的是,所述的基于规则集的明清官式建筑物样式点云分类识别方法中,由所述屋顶数据提取并生成屋脊线数据的步骤包括:
对所述目标建筑物点云数据进行重新定向,步骤如下:将建筑物屋顶点云投影到XY平面,形成二值图像,按公式(2)计算投影后所述二维影像斑块的重心pc,即所述影像斑块点在XY平面上X和Y方向的均值:
其中,n为点云总数,p代表每一个点,pxi为该点x坐标,pyi为该点y坐标;
计算协方差矩阵M:
计算矩阵M的特征值与特征向量,根据特征值的大小,依递减顺序组合特征向量即可得到绕Z轴的旋转矩阵其为模型的定向参数,利用此特征矩阵对模型进行旋转,即可得到定向后的模型,其主方向与坐标轴方向相同,转换关系如式(4):
其中,P为(2)式得到的矩阵,T为矩阵转置,n为点云总个数,α为坐标系由图5到图6的旋转角;
分别沿X轴和Y轴对重新定向后的目标建筑物点云数据模型进行屋脊点的提取,具体提取步骤如下:
2.1)屋脊点提取
2.11)以间隔d沿X轴方向分别生成垂直于Y轴的截面集Sx={sxi},sxi方程为yi=Ymin+id;
2.12)对于截面sxi的每个采样点p(x y z)点将满足条件yi-d/2≤y<yi+d/2的采样点作为截面点云数据,并存入点集Pxi;
2.13)求取点集Pxi的最高点pmaxz(xmaxz ymaxz zmaxz),如果点集中的点满足式(5)则将该点存入到点集pf中,
zmaxz-zi≤zt (5)
式中zi为点集中的点zt为设置的阈值;
2.14)依照2.11)到2.13)的方法,沿Y轴方向提取垂直于X轴的屋脊点也存入所述点集pf;
2.2)屋脊线生成
将提取的点集pf投影到定义的二维平面,对投影的二值图像采用骨架线收缩算法生成骨架线,即屋脊线。
优选的是,所述的基于规则集的明清官式建筑物样式点云分类识别方法中,对所述屋顶脊线数据加以理解以对所述目标建筑物进行粗分类的方法包括如下步骤:首先采用属性关系图形式化地刻画屋脊线的脊线特征,之后利用Ullman算法将基于脊线特征生成的属性关系图与预先基于规则集建立的明清官式建筑物模板库对比,从而确定所述目标建筑物的类别,所述明清官式建筑物模板库中预设中明清官式建筑物的类别信息。
优选的是,所述的基于规则集的明清官式建筑物样式点云分类识别方法中,对所述屋顶脊线数据特征的深入理解包括在粗分类的基础上对屋脊线进一步理解,通过比较屋顶轮廓与立面轮廓的距离从而确定悬山建筑与硬山建筑,依据有无主屋脊确定有无卷棚。
优选的是,所述的基于规则集的明清官式建筑物样式点云分类识别方法中,对所述屋顶脊线数据特征的深入理解的具体方法为:
4.1)单重檐的确定和单檐屋顶的识别
在所述二维平面XOY上,投影密度法为:对有可能存在立面轮廓的区域,如果落在一个格网内的点的数量大于指定阈值DoPPthr1,在此平面上将此格网点标记,若这些被标记的格网点能够形成的一条或相互嵌套的多条闭合曲线,则该屋顶为重檐或多檐屋顶,否则,该屋顶为单檐屋顶;
通过屋顶轮廓与立面轮廓的距离进行分类,大于某一阈值的为悬山建筑,否则为硬山建筑;
4.2)重檐屋顶识别
首先利用投影密度法移除所述屋顶与屋身分割线以上部分中的立面点,然后将剩余的点云投影到XOZ或YOZ平面,形成图像斑块,在XOZ或YOZ平面上,采用Two-Pass算法对投影后的图斑进行检索,如果图斑的面积大于指定阈值,则该图斑即代表一层屋檐,图斑的数量即为整个屋顶的层数,且在所述XOZ或YOZ平面的投影中,在Z方向上,最上层的图斑即对应重檐或多檐屋顶待进一步细致分类的点云数据,分类识别方法如步骤4.1);
4.3)卷棚的识别
将单檐屋顶点云或重檐最上层屋顶点云投影到XOY平面,利用投影密度法检测投影后有无两条平行的投影线,以衡定有无卷棚。若有,则有卷棚,否则为无卷棚。
本发明至少包括以下有益效果:
本发明首先提取建筑物点云中的等高线簇以获得目标建筑物的屋顶,继而对屋顶脊线加以提取和理解完成建筑物的粗分类,通过对屋顶脊线特征的深入理解,并与预先建立的规则集进行比对,利用各类明清官式建筑屋顶脊线特征细微差别,最终达到识别明清官式建筑物具体类型的目的。本发明的方法简单,速度快,可靠性强,可有效识别分类明清官式建筑物风格,是明清官式建筑物样式点云分类识别的创新,有效填补了当前通过点云检测进行明清官式建筑物风格分类识别研究的空白。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明其中一个实施例中的工艺流程图;
图2为明清官式建筑物屋脊线特征描述图;
图3为本发明其中一个实施例中二维平面定义示意图;
图4为本发明其中一个实施例中点云簇sj投影到XOY平面形成的图像;
图5为本发明其中一个实施例中原始点云俯视图;
图6为本发明其中一个实施例中旋转变换后的原始点云俯视图;
图7为本发明其中一个实施例中沿X轴方向的截面与旋转后的点云交线图;
图8为本发明其中一个实施例中截面生成的屋脊点;
图9为本发明其中一个实施例中攒尖屋顶矢量骨架线和有向属性关系图表达图;
图10为本发明其中一个实施例中重檐歇山层数分割结果图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
如图1所示,本发明提供一种基于规则集的明清官式建筑物样式点云分类识别方法,包括如下步骤:
转化和分析目标建筑物点云数据、并通过提取等高线簇的方法分析获得所述目标建筑物的屋顶数据,
由所述屋顶数据提取并生成屋脊线数据,
对所述屋脊线数据加以理解以对所述目标建筑物进行粗分类,
通过对所述屋顶脊线数据特征的深入理解,识别出将所述目标建筑物的具体类型。
在上述方案中,作为优选,转化和分析目标建筑物点云数据、并通过提取等高线簇的方法分析获得所述目标建筑物的屋顶数据具体包括如下步骤:
1.1)等高线簇获取
定义所述目标建筑物点云个数集为P={pi(xi yi zi)|i=1,2,…,N},N为点云的数量,假定ph(xh yh zh)与pl(xl yl zl)为点云集P中的最高点与最低点,以zd为间隔,在Z方向上对点云P进行采样,假定采样后的点云为S={sj|j=1,2,…,M},
点云集P中任一采样点pi归属采样后点云子集sj的公式如式(1)所示:
定义二维平面XOY:以(int(xmin-2) int(ymin-2))为原点,以真实地理的X轴为X轴,Y轴为Y轴,以尺寸ds为间隔,对二维平面XOY进行网格划分,将采样后的每一点云簇sj投影到定义的二维平面XOY,将点云簇sj的点与所述二维平面XOY中的格网点对应并标记,之后将标记的格网点投影,形成二维影像;为解决数据采集不全造成投影后生成屋顶轮廓线断裂的现象,本文采用3×3平方结构元的形态学闭算子生成初始二值图像,通过点密度和平面坐标的分辨率来估计该结构元素,然后采用Two-Pass算法提取连通分量,每个连接的组件代表一个单独的建筑单元,由采样点集sj生成的等高线记为lj,整个模型生成的线簇集合为L={lj|j=1,2,…,M};
1.2)等高线簇分析:从提取的等高线簇L中选取最长的元素lmax,这一结合部分记为屋顶与屋身的分割线;
1.3)屋顶提取:高程值位于所述屋顶与屋身的分割线lmax的上方的点即为屋顶点,获取到所述屋顶数据。
在本发明的其中一个实施例中,作为优选,由所述屋顶数据提取并生成屋脊线数据的步骤包括:
对所述目标建筑物点云数据进行重新定向,步骤如下:将建筑物屋顶点云投影到XY平面,形成二值图像,按公式(2)计算投影后所述二维影像斑块的重心pc,即所述影像斑块点在XY平面上X和Y方向的均值:
其中,n为点云总数,p代表每一个点,pxi为该点x坐标,pyi为该点y坐标;
计算协方差矩阵M:
计算矩阵M的特征值与特征向量,根据特征值的大小,依递减顺序组合特征向量即可得到绕Z轴的旋转矩阵其为模型的定向参数,利用此特征矩阵对模型进行旋转,即可得到定向后的模型,其主方向与坐标轴方向相同,转换关系如式(4):
其中,P为(2)式得到的矩阵,T为矩阵转置,n为点云总个数,α为坐标系由图5(原始点云)到图6(旋转变换后)的旋转角;
分别沿X轴和Y轴对重新定向后的目标建筑物点云数据模型进行屋脊点的提取,具体提取步骤如下:
2.1)屋脊点提取
2.11)以间隔d沿X轴方向分别生成垂直于Y轴的截面集Sx={sxi},sxi方程为yi=Ymin+id;
2.12)对于截面sxi的每个采样点p(x y z)点将满足条件yi-d/2≤y<yi+d/2的采样点作为截面点云数据,并存入点集Pxi;
2.13)求取点集Pxi的最高点pmaxz(xmaxz ymaxz zmaxz),如果点集中的点满足式(5)则将该点存入到点集pf中,
zmaxz-zi≤zt (5)
式中zi为点集中的点zt为设置的阈值(zt阈值具体数据范围为6斗口,斗口为明清建筑中的计量基本单位,共分11级,取最低级,1斗口约1寸,即3.3cm);
2.14)依照2.11)到2.13)的方法,沿Y轴方向提取垂直于X轴的屋脊点也存入所述点集pf;
2.2)屋脊线生成
将提取的点集pf投影到定义的二维平面,对投影的二值图像采用骨架线收缩算法生成骨架线,即屋脊线。
在本发明的其中一个实施例中,作为优选,对所述屋顶脊线数据加以理解以对所述目标建筑物进行粗分类的方法包括如下步骤:首先采用属性关系图形式化地刻画屋脊线的脊线特征,之后利用Ullman算法将基于脊线特征生成的属性关系图与明清官式建筑物模板库对比,从而确定目标建筑物的类别,所述明清官式建筑物模板库中预设中明清官式建筑物的类别信息。在本发明的其中一个实施例中,作为优选,对所述屋顶脊线数据特征的深入理解包括在粗分类的基础上对屋脊线进一步理解,通过比较屋顶轮廓与立面轮廓的距离从而确定悬山建筑与硬山建筑,依据有无主屋脊确定有无卷棚。
在本发明的其中一个实施例中,作为优选,对所述屋顶脊线数据特征的深入理解的具体方法为:
4.1)单重檐的确定和单檐屋顶的识别
在所述二维平面XOY上,投影密度法为:对有可能存在立面轮廓的区域,如果落在一个格网内的点的数量大于指定阈值DoPPthr1,(一般采用平均密度作为指定阈值,即总点数/投影面积)在此平面上将此格网点标记,若这些被标记的格网点能够形成的一条或相互嵌套的多条闭合曲线,则该屋顶为重檐或多檐屋顶,否则,该屋顶为单檐屋顶;
通过屋顶轮廓与立面轮廓的距离进行分类,大于某一阈值(12斗口)的为悬山建筑,否则为硬山建筑;
4.2)重檐屋顶识别
首先利用投影密度法移除所述屋顶与屋身分割线以上部分中的立面点,然后将剩余的点云投影到XOZ或YOZ平面,形成图像斑块,在XOZ或YOZ平面上,采用Two-Pass算法对投影后的图斑进行检索,如果图斑的面积大于指定阈值(总面积的1/5),则该图斑即代表一层屋檐,图斑的数量即为整个屋顶的层数,且在所述XOZ或YOZ平面的投影中,在Z方向上,最上层的图斑即对应重檐或多檐屋顶待进一步细致分类的点云数据,分类识别方法如步骤4.1);
4.3)卷棚的识别
将单檐屋顶点云或重檐最上层屋顶点云投影到XOY平面,利用投影密度法检测投影后有无两条平行的投影线,以衡定有无卷棚。若有,则有卷棚,否则为无卷棚。
为使本领域技术人员更好地理解本发明的技术方案,现提供如下的实施例进行说明:
如图1所示,首先提取建筑物点云中的等高线簇以获得目标建筑物的屋顶,继而对屋顶脊线加以提取和理解完成建筑物的粗分类,通过对屋顶脊线特征的深入理解,并与预先建立的规则集进行比对,利用各类明清官式建筑屋顶脊线特征细微差别,最终达到识别明清官式建筑物具体类型的目的。具体步骤如下:
方法是:
(一)基于等高线簇的粗略屋顶提取
(1)明清官式建筑物规则集建立
据《工部工程作法则例》,明清官式建筑物可以分为级别最高的重檐庑殿顶和重檐歇山顶,其次为单檐庑殿、单檐歇山顶,再次是悬山顶、硬山顶、攒尖顶、卷棚顶。依据不同类型的单重檐明清官式建筑物特征描述与屋脊线特征建立规则集,如图2所示。
(2)等高线簇获取
定义该建筑物点云个数为P={pi(xi yi zi)|i=1,2,…,N},N为点云的数量,假定ph(xh yh zh)与pl(xl yl zl)为点云集P中的最高点与最低点,以zd为间隔,在Z方向上对点云P进行采样,假定采样后的点云为S={sj|j=1,2,…,M},点云P中任一采样点pi归属采样后点云子集sj的公式如式(1)所示:
定义二维平面XOY(如图3所示):以(int(xmin-2) int(ymin-2))为原点,以真实地理的X轴为X轴,Y轴为Y轴。以尺寸ds为间隔,对平面XOY进行网格划分,将采样后的每一点云簇sj投影到定义的二维平面XOY,如果点云簇sj中有一点落在格网内,将点云簇sj的点与所述二维平面XOY中的格网点对应并标记,之后将标记的格网点投影,即形成一条或多条相互嵌套的矩形二值图像,即二维影像,如图4所示。为解决数据采集不全造成投影后生成屋顶轮廓线断裂的现象,本文采用3×3平方结构元的形态学闭算子生成初始二值图像,通过点密度和平面坐标的分辨率来估计该结构元素,然后采用Two-Pass算法提取连通分量,每个连接的组件代表一个单独的建筑单元,由采样点集sj生成的等高线记为lj,整个模型生成的线簇集合为L={lj|j=1,2,…,M}
(3)等高线簇分析
鉴于明清官式建筑物屋檐伸出梁架之外,因而在点云簇sj中,屋顶与屋身结合部分所对应的点云簇sk在二维平面XOY的投影的周长最长,故此从提取的等高线簇L中选取最长的元素lmax,将这一结合部分记为屋顶与屋身的分割线。
(4)屋顶提取
随着高度的增加,等高线屋lj的周长从lmax开始逐渐减小,如果点的高程值位于分割线的上方,则该点为屋顶点,否则该点为屋身点。
(5)单重檐的确定
就几何形态而言,重檐或多重檐屋顶之间通过立面连接。位于立面的点投影在二维平面上的密度远大于其它部位的投影密度。基于此,使用投影密度法检测立面:在已定义的二维平面XOY上,如果落在一个格网内的点的数量大于指定阈值DoPPthr1,在此平面上可以将此格网点标记为255。最终形成的一个闭合的轮廓线。重檐或多檐屋顶会形成一到多条闭合曲线,而单檐屋顶不存在这样的闭合曲线。如果存在完整闭合的立面轮廓,则该屋顶为重檐或多檐屋顶,否则,该屋顶为单檐屋顶。
(二)屋顶脊线提取与理解
(1)屋顶脊线提取
(a)古建方向计算
明清官式建筑物一般存在严格的对称,因而本文采用主成分分析方法确定屋顶的主方向。在实际处理过程中,首先将建筑物屋顶点云(如图5所示)按(一)所述方法投影到XOY平面,形成二值图像;随后,按公式(2)计算投影后二维影像斑块的重心pc,即影像斑块点在XOY平面上X和Y方向的均值:
其中,n为点云总数,p代表每一个点,pxi为该点x坐标,PYi为该点y坐标;
计算协方差矩阵M:
计算矩阵M的特征值与特征向量,根据特征值的大小,依递减顺序组合特征向量即可得到绕Z轴的旋转矩阵(模型的定向参数),利用此特征矩阵对模型进行旋转,即可得到定向后的模型,其主方向与坐标轴方向相同,转换关系如式(4):
其中,P为(2)式得到的矩阵,T为矩阵转置,n为点云总个数,α为坐标系由图5到图6的旋转角;转换后的三维点云结果如图6所示。
(b)屋脊点提取
分别沿X轴和Y轴对重新定向后的模型进行屋脊点的提取,具体提取步骤如下:
①以间隔d沿X轴方向分别生成垂直于Y轴的截面Sx={sxi},sxi方程为yi=Ymin+id;
②对于截面sxi的每个采样点p(x y z)点应满足条件yi-d/2≤y<yi+d/2的采样点作为截面点云数据,并存入点集Pxi,如图7所示;
③求取点集Pxi的最高点pmaxz(xmaxz ymaxz zmaxz),如果点集中的点满足式(5)则将该点存入到点集pf中,
zmaxz-zi≤zt (5)
式中zi为点集中的点zt为设置的阈值,如图8所示;
④按照步骤①到③,沿Y轴方向提取的屋脊点存入点集pf;
(c)屋脊线生成
将提取的点集pf投影到定义的二维平面,对投影的二值图像采用骨架线收缩算法生成的骨架线;
(2)基于截面线特征的屋脊线理解
本文采用属性关系图来形式化地刻画脊线特征。在采用有向属性关系图描述屋脊特征时,提取的屋脊线宜作为有向属性关系图中的顶点(V),屋脊之间的连接关系可作为有向属性关系图中的边(E)。尽管屋脊线V有包括几何长度等属性可以作为有向属性关系图中顶点属性,但是,在很多情况下,由于建筑物的屋顶端点vi在Rv中的属性记为α。RE包括一个属性,即连通屋脊线之间的夹角,称为转向角,记为θ。
以图2中所示的不同类型明清官式建筑物屋顶建立模板库,限于篇幅这里仅就攒尖屋顶给出一个结构模板,如图9所示,其中eij<vi,vj>表示顶点vi与顶点vj之间的边。
同构图是一个从图G=(V,E,Rv,RE,GV,GE)到图G’=(V’,E’,Rv’,RE’,GV’,GE’)的双射函数f:V→V’,该函数满足:
(1)对于任意v∈V,满足GV(v)=G’V(f(v));
(2)对于任意边e=(v1,v2)∈E,存在一条边e’=(f(v1),f(v2))∈E’,使GE(e)=G’E(e’),同时,对于任意边e’=(v’1,v’2)∈E’,存在一条边e=(f-1(v’1),f-1(v’2))∈E,使GE(e)=G’E(e’)。
当两个图相同时,它们是同构的。但是在很多应用领域,需要将同构的条件放宽,允许将一个图映射到另一个图的一部分。这种映射称为子图同构。双射函数f:V→V’是图G到G’的子图同构函数,若存在子图S∈G’使f是G到S的图同构函数。
由以上定义可以看出,图同构是子图同构的特殊情况。子图同构的判断,最直接的方法是将两图的所有节点进行一一映射比较,找出符合同构要求的情况,但这样效率很低。本发明使用Ullman算法进行图匹配,从而完成庑殿、攒尖、歇山和其他类型(硬山建筑和悬山建筑)几种建筑屋顶类型的识别。
(三)基于层次语义的明清官式建筑物类型识别
(1)单檐屋顶识别
按照(二)中提取脊线的方法提取单檐屋顶脊线,并对提取的屋脊特征与明清官式建筑的典型屋脊特征进行识别。将单檐屋顶可以分为庑殿式、歇山式、攒尖式和其它类型的屋顶(硬山建筑和悬山建筑)。硬山建筑的侧面屋顶部分与山墙齐平,悬山建筑是悬在山墙外面的,故而可通过屋顶轮廓与立面轮廓的距离进行分类,大于某一阈值的为悬山建筑,否则为硬山建筑。
(2)重檐屋顶识别
对于重檐屋顶的识别需要完成两个任务:①屋檐的层数;②屋顶的样式。在解决前一个问题时,首先利用投影密度法移除屋顶与屋身分割线以上部分中的立面点,然后将剩余的点云投影到XOZ或YOZ平面,形成图像斑块,在XOZ或YOZ平面上,采用Two-Pass算法对投影后的图斑进行检索,如果图斑的面积大于指定阈值,则该图斑即代表一层屋檐,图斑的数量即为整个屋顶的层数,如图10所示。在XOZ或YOZ平面的投影中,在Z方向上,最上层的图斑即对应重檐或多檐屋顶待进一步细致分类的点云,分类识别方法同单檐屋顶。
(3)卷棚的识别
将单檐屋顶点云或重檐最上层屋顶点云投影到XOY平面,利用投影密度法检测投影后有无两条平行的投影线,以衡定有无卷棚。若有,则有卷棚,否则为无卷棚。
这里说明的模块数量和处理规模是用来简化本发明的说明的。对本发明的基于规则集的明清官式建筑物样式点云分类识别方法的应用、修改和变化对本领域的技术人员来说是显而易见的。
综上所述,本发明通过首先提取明清官式建筑物点云中的等高线簇以获得目标建筑物的屋顶,继而对屋顶脊线加以提取和理解完成建筑物的粗分类,通过对屋顶脊线特征的深入理解,并与预先建立的规则集进行比对,利用各类明清官式建筑屋顶脊线特征细微差别,最终达到识别明清官式建筑物具体类型的目的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (5)
1.基于规则集的明清官式建筑物样式点云分类识别方法,其特征在于,包括如下步骤:
转化和分析目标建筑物点云数据、并通过提取等高线簇的方法分析获得所述目标建筑物的屋顶数据,
由所述屋顶数据提取并生成屋脊线数据,
对所述屋脊线数据加以理解以对所述目标建筑物进行粗分类,
通过对所述屋顶脊线数据特征的深入理解,识别出将所述目标建筑物的具体类型。
2.如权利要求1所述的基于规则集的明清官式建筑物样式点云分类识别方法,其特征在于,转化和分析目标建筑物点云数据、并通过提取等高线簇的方法分析获得所述目标建筑物的屋顶数据具体包括如下步骤:
1.1)等高线簇获取
定义所述目标建筑物点云个数集为P={pi(xi yi zi)|i=1,2,…,N},N为点云的数量,假定ph(xh yh zh)与pl(xl yl zl)为点云集P中的最高点与最低点,以zd为间隔,在Z方向上对点云P进行采样,假定采样后的点云为S={sj|j=1,2,…,M},
点云集P中任一采样点pi归属采样后点云子集sj的公式如式(1)所示:
定义二维平面XOY:以(int(xmin-2) int(ymin-2))为原点,以真实地理的X轴为X轴,Y轴为Y轴,以尺寸ds为间隔,对二维平面XOY进行网格划分,将采样后的每一点云簇sj投影到定义的二维平面XOY,将点云簇sj的点与所述二维平面XOY中的格网点对应并标记,之后将标记的格网点投影,形成二维影像;由采样点集sj生成的等高线记为lj,整个模型生成的线簇集合为L={lj|j=1,2,…,M};
1.2)等高线簇分析:从提取的等高线簇L中选取最长的元素lmax,这一结合部分记为屋顶与屋身的分割线;
1.3)屋顶提取:高程值位于所述屋顶与屋身的分割线lmax的上方的点即为屋顶点,获取到所述屋顶数据。
3.如权利要求2所述的基于规则集的明清官式建筑物样式点云分类识别方法,其特征在于,由所述屋顶数据提取并生成屋脊线数据的步骤包括:
对所述目标建筑物点云数据进行重新定向;
分别沿X轴和Y轴对重新定向后的目标建筑物点云数据模型进行屋脊点的提取,具体提取步骤如下:
2.1)屋脊点提取
2.11)以间隔d沿X轴方向分别生成垂直于Y轴的截面集Sx={sxi},sxi方程为yi=Ymin+id;
2.12)对于截面sxi的每个采样点p(x y z)点将满足条件yi-d/2≤y<yi+d/2的采样点作为截面点云数据,并存入点集Pxi;
2.13)求取点集Pxi的最高点pmaxz(xmaxz ymaxz Zmaxz),如果点集中的点满足式(5)则将该点存入到点集pf中,
Zmaxz-zi≤zt (5)
式中zi为点集中的点zt为设置的阈值;
2.14)依照2.11)到2.13)的方法,沿Y轴方向提取垂直于X轴的屋脊点也存入所述点集pf;
2.2)屋脊线生成
将提取的点集pf投影到定义的二维平面,对投影的二值图像采用骨架线收缩算法生成骨架线,即屋脊线。
4.如权利要求2所述的基于规则集的明清官式建筑物样式点云分类识别方法,其特征在于,对所述屋顶脊线数据加以理解以对所述目标建筑物进行粗分类的方法包括如下步骤:首先采用属性关系图形式化地刻画屋脊线的脊线特征,之后利用Ullman算法将基于脊线特征生成的属性关系图与预先基于规则集建立的明清官式建筑物模板库对比,从而确定所述目标建筑物的类别,所述明清官式建筑物模板库中预设明清官式建筑物的类别信息。
5.根据权利要求1所述的基于规则集的明清官式建筑物样式点云分类识别方法,其特征在于,对所述屋顶脊线数据特征的深入理解的具体方法为:
4.1)单重檐的确定和单檐屋顶的识别
在所述二维平面XOY上,投影密度法为:对有可能存在立面轮廓的区域,如果落在一个格网内的点的数量大于指定阈值则在此平面上将此格网点标记,若这些被标记的格网点能够形成的一条或相互嵌套的多条闭合曲线,则该屋顶为重檐或多檐屋顶,否则,该屋顶为单檐屋顶;
通过屋顶轮廓与立面轮廓的距离进行分类,大于某一阈值的为悬山建筑,否则为硬山建筑;
4.2)重檐屋顶识别
首先利用投影密度法移除所述屋顶与屋身分割线以上部分中的立面点,然后将剩余的点云投影到XOZ或YOZ平面,形成图像斑块,在XOZ或YOZ平面上,采用Two-Pass算法对投影后的图斑进行检索,如果图斑的面积大于指定阈值,则该图斑即代表一层屋檐,图斑的数量即为整个屋顶的层数,且在所述XOZ或YOZ平面的投影中,在Z方向上,最上层的图斑即对应重檐或多檐屋顶待进一步细致分类的点云数据,分类识别方法如步骤4.1);
4.3)卷棚的识别
将单檐屋顶点云或重檐最上层屋顶点云投影到XOY平面,利用投影密度法检测投影后有无两条平行的投影线,以衡定有无卷棚。若有,则有卷棚,否则为无卷棚。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105259.2A CN112906487B (zh) | 2021-01-26 | 2021-01-26 | 基于规则集的明清官式建筑物样式点云分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105259.2A CN112906487B (zh) | 2021-01-26 | 2021-01-26 | 基于规则集的明清官式建筑物样式点云分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906487A true CN112906487A (zh) | 2021-06-04 |
CN112906487B CN112906487B (zh) | 2023-07-11 |
Family
ID=76120339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110105259.2A Active CN112906487B (zh) | 2021-01-26 | 2021-01-26 | 基于规则集的明清官式建筑物样式点云分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906487B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637867A (zh) * | 2022-05-18 | 2022-06-17 | 合肥的卢深视科技有限公司 | 视频特效配置方法、装置、电子设备和存储介质 |
CN115063557A (zh) * | 2022-08-18 | 2022-09-16 | 北京山维科技股份有限公司 | 一种基于倾斜模型的建筑物智能提取方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521884A (zh) * | 2011-12-16 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 |
CN104036544A (zh) * | 2014-06-25 | 2014-09-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物屋顶重建方法 |
CN104048618A (zh) * | 2014-06-16 | 2014-09-17 | 民政部国家减灾中心 | 一种损毁建筑检测方法 |
CN106097311A (zh) * | 2016-05-31 | 2016-11-09 | 中国科学院遥感与数字地球研究所 | 机载激光雷达数据的建筑物三维重建方法 |
CN106846392A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 三维建模的方法和装置 |
CN107025685A (zh) * | 2017-04-11 | 2017-08-08 | 南京林业大学 | 拓扑感知下的机载建筑屋顶点云建模方法 |
CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
EP3511861A1 (en) * | 2018-01-12 | 2019-07-17 | Onfido Ltd | Data extraction pipeline |
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 |
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 |
-
2021
- 2021-01-26 CN CN202110105259.2A patent/CN112906487B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521884A (zh) * | 2011-12-16 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 |
CN104048618A (zh) * | 2014-06-16 | 2014-09-17 | 民政部国家减灾中心 | 一种损毁建筑检测方法 |
CN104036544A (zh) * | 2014-06-25 | 2014-09-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物屋顶重建方法 |
CN106097311A (zh) * | 2016-05-31 | 2016-11-09 | 中国科学院遥感与数字地球研究所 | 机载激光雷达数据的建筑物三维重建方法 |
CN106846392A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 三维建模的方法和装置 |
CN107025685A (zh) * | 2017-04-11 | 2017-08-08 | 南京林业大学 | 拓扑感知下的机载建筑屋顶点云建模方法 |
EP3511861A1 (en) * | 2018-01-12 | 2019-07-17 | Onfido Ltd | Data extraction pipeline |
CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
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 |
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 |
Non-Patent Citations (4)
Title |
---|
A. K. ADELEKE等: "Building roof extraction as data for suitability analysis", APPLIED GEOMATICS, vol. 12, pages 455, XP037288795, DOI: 10.1007/s12518-020-00312-9 * |
任震宇: "一种建筑结构三维重建技术的研究", 自动化技术与应用, vol. 38, no. 09, pages 117 - 123 * |
张岱伟等: "一种局部平差影像添加策略的三维重建方法", 测绘科学, vol. 45, no. 06, pages 103 - 109 * |
马东岭等: "一种基于高度差异的点云数据分类方法", 测绘通报, vol. 06, pages 46 - 49 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637867A (zh) * | 2022-05-18 | 2022-06-17 | 合肥的卢深视科技有限公司 | 视频特效配置方法、装置、电子设备和存储介质 |
CN115063557A (zh) * | 2022-08-18 | 2022-09-16 | 北京山维科技股份有限公司 | 一种基于倾斜模型的建筑物智能提取方法及装置 |
CN115063557B (zh) * | 2022-08-18 | 2022-11-08 | 北京山维科技股份有限公司 | 一种基于倾斜模型的建筑物智能提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112906487B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 | |
Lu et al. | Fast 3D line segment detection from unorganized point cloud | |
Sohn et al. | Using a binary space partitioning tree for reconstructing polyhedral building models from airborne lidar data | |
CN109631855A (zh) | 基于orb-slam的高精度车辆定位方法 | |
CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
CN109754020B (zh) | 融合多层级渐进策略和非监督学习的地面点云提取方法 | |
JP6621445B2 (ja) | 特徴抽出装置、物体検出装置、方法、及びプログラム | |
Tabbone et al. | Matching of graphical symbols in line-drawing images using angular signature information | |
Xu et al. | Unsupervised segmentation of point clouds from buildings using hierarchical clustering based on gestalt principles | |
CN108510516A (zh) | 一种散乱点云的三维线段提取方法及系统 | |
CN112906487B (zh) | 基于规则集的明清官式建筑物样式点云分类识别方法 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
CN109034065B (zh) | 一种基于点云的室内场景物体提取方法 | |
CN109668567B (zh) | 无人机多云条件下偏振光定向方法、系统及偏振光传感器 | |
Kim et al. | Urban scene understanding from aerial and ground LIDAR data | |
CN112767485A (zh) | 一种基于静态语义信息的点云地图创建与场景辨识方法 | |
CN111145129A (zh) | 基于超体素的点云去噪方法 | |
CN109493344A (zh) | 一种大规模城市三维场景的语义分割方法 | |
CN110046661A (zh) | 一种基于上下文特征和图割算法的车载点云聚类方法 | |
Tu et al. | Extraction of street pole-like objects based on plane filtering from mobile LiDAR data | |
WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
CN110967020A (zh) | 一种面向港口自动驾驶的同时制图与定位 | |
CN114463338A (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
CN114627365B (zh) | 场景重识别方法、装置、电子设备及存储介质 | |
Börcs et al. | On board 3D object perception in dynamic urban scenes |
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 |