CN113379895B - 三维房屋模型生成方法、装置及计算机可读存储介质 - Google Patents

Abstract

本公开的实施例公开了一种三维房屋模型生成方法、装置及计算机可读存储介质。该方法包括：提取目标房屋的目标三维点云数据中的各个特征平面；获取目标三维点云数据中的各个点的类别标签；根据目标三维点云数据中的各个特征平面上分布的点的类别标签，确定目标三维点云数据中的各个特征平面的类别标签；保留目标三维点云数据中的类别标签与房屋结构化特征关联的特征平面，并过滤目标三维点云数据中的其余特征平面，以得到经处理后的目标三维点云数据；利用经处理后的目标三维点云数据，生成目标房屋的三维房屋模型。本公开的实施例中的三维房屋模型生成方法不仅能够有效地满足用户的诉求，还具有较高的普适性。

Description

三维房屋模型生成方法、装置及计算机可读存储介质

技术领域

本公开涉及三维建模技术领域，尤其涉及一种三维房屋模型生成方法、装置及计算机可读存储介质。

背景技术

基于室内场景的三维重建是虚拟现实(Virtual Reality，VR)、增强现实(Augmented Reality，AR)等领域重要的研究问题。

为了增加与下游用户的交互性，在户型改造和家具设计等应用中，用户希望从基于室内场景进行三维重建得到三维房屋模型中看不到室内场景中的家具、摆设、挂件等物体，而仅能够看到墙体、地面、天花板等结构化特征。目前，存在一些方式可以满足用户的上述诉求，但是这些方式的普适性并不高，容易在特定情况下失效。

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三维房屋模型生成方法、装置及计算机可读存储介质。

根据本公开实施例的一个方面，提供了一种三维房屋模型生成方法，包括：

提取目标房屋的目标三维点云数据中的各个特征平面；

获取所述目标三维点云数据中的各个点的预测类别标签；

根据所述目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定所述目标三维点云数据中的各个特征平面的预测类别标签；

保留所述目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤所述目标三维点云数据中的其余特征平面，以得到经处理后的所述目标三维点云数据；

利用经处理后的所述目标三维点云数据，生成所述目标房屋的三维房屋模型。

在一个可选示例中，所述根据所述目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定所述目标三维点云数据中的各个特征平面的预测类别标签，包括：

确定类别标签集合；其中，所述类别标签集合中包括目标特征平面上分布的所有点各自的预测类别标签，所述目标特征平面为所述目标三维点云数据中的任一特征平面；

筛选所述类别标签集合中互不重复的各个预测类别标签；

统计所筛选的各个预测类别标签在所述类别标签集合中的出现次数；

将所筛选的各个预测类别标签中的所对应出现次数最多的预测类别标签作为所述目标特征平面的预测类别标签。

在一个可选示例中，所述获取所述目标三维点云数据中的各个点的预测类别标签，包括：

获取类别识别神经网络；

将所述目标三维点云数据输入所述类别识别神经网络，以获得所述类别识别神经网络输出的所述目标三维点云数据中的各个点的预测类别标签。

在一个可选示例中，所述获取类别识别神经网络，包括：

获取参考房屋的参考三维点云数据；

获取所述参考三维点云数据中的各个点的标注类别标签；

根据所述参考三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络。

在一个可选示例中，所述根据所述三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络，包括：

提取所述参考三维点云数据中的各个特征平面；

根据所述参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定所述参考三维点云数据中的各个特征平面的标注类别标签；

将所述参考三维点云数据中的每个特征平面的标注类别标签确定为本特征平面上分布的每个点的实际类别标签；

利用所述参考三维点云数据和所确定的实际类别标签，训练得到类别识别神经网络。

根据本公开实施例的另一个方面，提供了一种三维房屋模型生成装置，包括：

提取模块，用于提取目标房屋的目标三维点云数据中的各个特征平面；

第一获取模块，用于获取所述目标三维点云数据中的各个点的预测类别标签；

确定模块，用于根据所述目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定所述目标三维点云数据中的各个特征平面的预测类别标签；

第二获取模块，用于保留所述目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤所述目标三维点云数据中的其余特征平面，以得到经处理后的所述目标三维点云数据；

生成模块，用于利用经处理后的所述目标三维点云数据，生成所述目标房屋的三维房屋模型。

在一个可选示例中，所述确定模块，包括：

第一确定子模块，用于确定类别标签集合；其中，所述类别标签集合中包括目标特征平面上分布的所有点各自的预测类别标签，所述目标特征平面为所述目标三维点云数据中的任一特征平面；

筛除子模块，用于筛选所述类别标签集合中互不重复的各个预测类别标签；

统计子模块，用于统计所筛选的各个预测类别标签在所述类别标签集合中的出现次数；

第二确定子模块，用于将所筛选的各个预测类别标签中的所对应出现次数最多的预测类别标签作为所述目标特征平面的预测类别标签。

在一个可选示例中，所述第一获取模块，包括：

第一获取子模块，用于获取类别识别神经网络；

第二获取子模块，用于将所述目标三维点云数据输入所述类别识别神经网络，以获得所述类别识别神经网络输出的所述目标三维点云数据中的各个点的预测类别标签。

在一个可选示例中，所述第一获取子模块，包括：

第一获取单元，用于获取参考房屋的参考三维点云数据；

第二获取单元，用于获取所述参考三维点云数据中的各个点的标注类别标签；

训练单元，用于根据所述参考三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络。

在一个可选示例中，所述训练单元，包括：

提取子单元，用于提取所述参考三维点云数据中的各个特征平面；

第一确定子单元，用于根据所述参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定所述参考三维点云数据中的各个特征平面的标注类别标签；

第二确定子单元，用于将所述参考三维点云数据中的每个特征平面的标注类别标签确定为本特征平面上分布的每个点的实际类别标签；

训练子单元，用于利用所述参考三维点云数据和所确定的实际类别标签，训练得到类别识别神经网络。

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三维房屋模型生成方法。

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三维房屋模型生成方法。

本公开的实施例中，在提取目标房屋的目标三维点云数据中的各个特征平面，并获取目标三维点云数据中的各个点的预测类别标签之后，可以根据目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定目标三维点云数据中的各个特征平面的预测类别标签。接下来，可以保留目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤目标三维点云数据中的其余特征平面，以得到经处理后的目标三维点云数据。之后，可以利用经处理后的目标三维点云数据，生成目标房屋的三维房屋模型，由于经处理后的目标三维房屋模型中仅会存在预测类别标签与房屋结构化特征关联的特征平面，目标房屋的三维房屋模型中仅会存在墙体、地面、天花板等结构化特征，而不会存在家具、摆设、挂件等物体，这样，用户从目标房屋的三维房屋模型中仅能看到结构化特征，而无法看到与结构化特征无关的物体，那么，目标房屋的三维房屋模型能够有效地运用于户型改造、家居设计等应用中。

可见，本公开的实施例中，基于特征平面的提取操作、特征平面的类别标签确定操作，以及特征平面的保留过滤操作等，即可实现对目标三维点云数据的处理，以利用经处理后的目标三维点云数据，生成用户所需的三维房屋模型，即便在目标房屋为多层建筑或者有歪斜墙体等特定情况下，特征平面的相关操作也能够正常实施，最终生成的三维房屋模型的模型效果能够得到有效地保证，因此，本公开的实施例中的三维房屋模型生成方法不仅能够有效地满足用户的诉求，还具有较高的普适性。

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三维房屋模型生成方法的流程示意图。

图2是本公开另一示例性实施例提供的三维房屋模型生成方法的流程示意图。

图3是采用本公开的实施例得到的结构化特征提取结果的示意图。

图4是采用本公开的实施例得到的重建结果的示意图。

图5是采用相关技术得到的结构化特征提取结果的示意图。

图6是采用相关技术得到的重建结果的示意图。

图7是本公开一示例性实施例提供的三维房屋模型生成装置的结构示意图。

图8是本公开另一示例性实施例提供的三维房屋模型生成装置的结构示意图。

图9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三维房屋模型生成方法的流程示意图。图1所示的方法包括步骤101、步骤102、步骤103、步骤104和步骤105，下面对各步骤分别进行说明。

步骤101，提取目标房屋的目标三维点云数据中的各个特征平面。

这里，目标房屋可以是需要基于室内场景，进行三维重建的任意房屋，目标房屋中的“目标”并不构成对目标房屋的任何限定。

在步骤101中，可以先通过采集设备，针对目标房屋进行三维点云数据的采集，以得到目标房屋的目标三维点云数据。可选地，采集设备可以为RGBD相机、激光雷达等；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；激光雷达也可以称为激光lidar。

在得到目标三维点云数据之后，可以利用区域增长算法，提取目标三维点云数据中的各个特征平面。

步骤102，获取目标三维点云数据中的各个点的预测类别标签。

这里，可以通过对目标三维点云数据中的各个点进行类别预测，得到目标三维点云数据中的各个点的预测类别标签；其中，任一个点的预测类别标签用于表征通过预测得到的这个点的具体类别，例如用于表征这个点的具体类别是家具、墙体、地面或者天花板等。

在一种具体实施方式中，步骤102，包括：

获取类别识别神经网络；

将目标三维点云数据输入类别识别神经网络，以获得类别识别神经网络输出的目标三维点云数据中的各个点的预测类别标签。

这里，可以预先进行神经网络的训练，以得到用于识别三维点云数据中的各个点的类别标签的类别识别神经网络。可选地，类别识别神经网络可以为RandLA-Net，可以理解的是，RandLA-Net是一种轻量级的高效大规模三维点云语义分割网络。

在训练出类别识别神经网络之后，只需将目标三维点云数据作为输入数据提供给类别识别神经网络，类别识别神经网络即可自动通过运算处理，便捷可靠地得到目标三维点云数据中的各个点的预测类别标签。

需要说明的是，步骤102的具体实施方式并不局限于此，例如，也可以采用除了神经网络之外的其它机器学习方法，实现目标三维点云数据中的各个点的预测类别标签的识别。

步骤103，根据目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定目标三维点云数据中的各个特征平面的预测类别标签。

这里，针对目标三维点云数据中的任一特征平面，可以先确定目标三维点云数据中的所有点中分布于本特征平面上的各个点，然后根据分布于本特征平面上的所有点各自的预测类别标签，确定本特征平面的预测类别标签，由于确定特征平面的预测类别标签的方式可以有多种，为了布局清楚，后续进行举例介绍。

步骤104，保留目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤目标三维点云数据中的其余特征平面，以得到经处理后的目标三维点云数据。

需要说明的是，由于房屋结构化特征主要有墙体、地面、天花板，与房屋结构化特征关联的预测类别标签可以认为是用于表征具体类别是墙体、地面或者天花板的预测类别标签。

在步骤104中，可以对目标三维房屋模型中的各个特征平面进行遍历，并将目标三维房屋模型中的所有特征平面划分为两部分，其中一部分是预测类别标签与房屋结构化特征关联的特征平面，另一部分是其它特征平面(即预测类别标签与房屋结构化特征不关联的特征平面)，对于前一部分，可以对其进行保留，对于后一部分，可以对其进行过滤，以得到经处理后的目标三维房屋模型，经处理后的目标三维房屋模型中仅会存在预测类别标签与房屋结构化特征关联的特征平面，这样相当于实现了室内场景结构化特征的提取(即得到了结构化特征提取结果)。

步骤105，利用经处理后的目标三维点云数据，生成目标房屋的三维房屋模型。

这里，可以采用三维重建技术，利用经处理后的目标三维点云数据进行三维重建，以生成目标房屋的三维房屋模型。

需要说明的是，相关技术中，为了实现基于室内场景的三维重建，一般需要采用一系列基于规则的方式，在室内场景中提取一系列特征平面，然后通过人工设定的先验信息找出最具代表性的地面和天花板对应的特征平面，然后通过墙体跟地面垂直等一系列条件找出墙体对应的特征平面，但这类方法的普适性不高，某些规则容易在一些特定的情况下失效，例如容易在多层建筑，有歪斜墙体的室内房源等情况下失效。

相比较而言，本公开的实施例中，在提取目标房屋的目标三维点云数据中的各个特征平面，并获取目标三维点云数据中的各个点的预测类别标签之后，可以根据目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定目标三维点云数据中的各个特征平面的预测类别标签。接下来，可以保留目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤目标三维点云数据中的其余特征平面，以得到经处理后的目标三维点云数据。之后，可以利用经处理后的目标三维点云数据，生成目标房屋的三维房屋模型，由于经处理后的目标三维房屋模型中仅会存在预测类别标签与房屋结构化特征关联的特征平面，目标房屋的三维房屋模型中仅会存在墙体、地面、天花板等结构化特征，而不会存在家具、摆设、挂件等物体，这样，用户从目标房屋的三维房屋模型中仅能看到结构化特征，而无法看到与结构化特征无关的物体，那么，目标房屋的三维房屋模型能够有效地运用于户型改造、家居设计等应用中。

可见，本公开的实施例中，基于特征平面的提取操作、特征平面的类别标签确定操作，以及特征平面的保留过滤操作等，即可实现对目标三维点云数据的处理，以利用经处理后的目标三维点云数据，生成用户所需的三维房屋模型，即便在目标房屋为多层建筑或者有歪斜墙体等特定情况下，特征平面的相关操作也能够正常实施，最终生成的三维房屋模型的模型效果能够得到有效地保证，因此，本公开的实施例中的三维房屋模型生成方法不仅能够有效地满足用户的诉求，还具有较高的普适性。

在图1所示实施例的基础上，如图2所示，步骤103，包括：

步骤1031，确定类别标签集合；其中，类别标签集合中包括目标特征平面上分布的所有点各自的预测类别标签，目标特征平面为目标三维点云数据中的任一特征平面。

这里，可以确定目标三维点云数据中的所有点中分布于目标特征平面上的各个点，并将所确定的各个点的预测类别标签一一地添加至类别标签集合中，这样，类别标签集合中可以包括目标特征平面上分布的所有点各自的预测类别标签。

步骤1032，筛选类别标签集合中互不重复的各个预测类别标签。

这里，可以对类别标签集合中的所有预测类别标签进行遍历，以从中筛除出互不重复的各个预测类别标签，筛选出的预测类别标签的个数可能为1个、2个、3个、4个或者4个以上，在此不再一一列举。

步骤1033，统计所筛选的各个预测类别标签在类别标签集合中的出现次数。

假设类别标签集合中具体包括N1个预测类别标签1，N2个预测类别标签2，N3个预测类别标签3和N4个预测类别标签4，则通过执行步骤1032可以筛除出预测类别标签1、预测类别标签2、预测类别标签3、预测类别标签4这4个预测类别标签，通过执行步骤1033可以统计出预测类别标签1对应的出现次数为N1，预测类别标签2对应的出现次数为N2，预测类别标签3对应的出现次数为N3，预测类别标签4对应的出现次数为N4。

步骤1034，将所筛选的各个预测类别标签中的所对应出现次数最多的预测类别标签作为目标特征平面的预测类别标签。

在统计出预测类别标签1至预测类别标签4各自对应的出现次数(即N1至N4)之后，可以将统计出的这些出现次数两两进行比较，以确定数值最大的出现次数，数值最大的出现次数对应的预测类别标签即可作为目标特征平面的预测类别标签，这里相当于是采用了一种多数投票的机制，基于目标特征平面上的各个点的预测类别标签，确定出了目标特征平面的类别标签。

需要说明的是，理论上而言，位于目标特征平面上的各个点的预测类别标签应当是相同的，基于此，本公开的实施例中，通过采用一种多数投票的机制，能够便捷可靠地确定出目标特征平面的预测类别标签。

在一个可选示例中，在上述的步骤102中的目标三维点云数据中的各个点的预测类别标签基于类别识别神经网络得到的情况下，获取类别识别神经网络，包括：

获取参考房屋的参考三维点云数据；

获取参考三维点云数据中的各个点的标注类别标签；

根据参考三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络。

这里，可以通过采集设备，针对参考房屋进行三维点云数据的采集，以得到参考房屋的参考三维点云数据，参考三维点云数据可以用于后续的神经网络训练过程。

在得到参考三维点云数据之后，可以通过人工手动对参考三维点云数据进行类别标签的标注，这样就能够获取到参考三维点云数据中的各个点的标注类别标签。具体地，在实际标注时，可以利用不同颜色代表不同的标注类别标签。

再之后，可以根据参考三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络。这里，可以直接将参考三维点云数据和所获取的标注类别标签作为训练数据进行神经网络的训练，以得到类别识别神经网络；或者，可以在所获取的标注类别标签的基础上进行进一步处理，并利用处理结果和参考三维点云数据进行神经网络的训练，以得到类别识别神经网络。

需要说明的是，相关技术中已存在一些类别识别神经网络的训练方式，该训练方式一般是基于随机点采样的训练方式，具体为随机找出三维点云数据中的一个点，在这个点的周围利用kNN(其全称为K Near Neighbor)算法找出40960个邻域点放到网络中去训练。相比较而言，本公开的实施例中采用的并非基于随机点采样的训练方式，而是在每次训练过程中，将一整套室内房源数据(即参考房屋的参考三维点云数据)放到网络中去训练和学习，这样，本公开的实施例可以更准确地学习出每个区域的点与周围的点的关系(例如学习出墙体区域、门框区域的点与周围的点的关系)，从而有利于提升训练出的类别识别神经网络的准确性和可靠性，进而有利于保证室内场景结构化特征提取的提取准确性。

在一个可选示例中，根据三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络，包括：

提取参考三维点云数据中的各个特征平面；

根据参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定参考三维点云数据中的各个特征平面的标注类别标签；

将参考三维点云数据中的每个特征平面的标注类别标签确定为本特征平面上分布的每个点的实际类别标签；

利用参考三维点云数据和所确定的实际类别标签，训练得到类别识别神经网络。

这里，可以先利用区域增长算法，提取参考三维点云数据中的各个特征平面。接下来，可以根据参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定参考三维点云数据中的各个特征平面的标注类别标签，具体的确定过程参照上文中采用多数投票的机制，基于目标特征平面上的各个点的预测类别标签，确定目标特征平面的预测类别标签的过程即可，在此不再赘述。之后，可以将参考三维点云数据中的每个特征平面的标注类别标签确定为本特征平面上分布的每个点的实际类别标签，并将参考三维点云数据和所确定的每个点的实际类别标签作为训练数据进行神经网络的训练，以得到类别识别神经网络。

由于本公开的实施例中并不是直接将标注类别标签用于神经网络的训练，而是先根据参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定参考三维点云数据中的各个特征平面的标注类别标签，并据此确定参考三维点云数据中的各个特征平面上分布的每个点的实际类别标签，之后将实际类别标签用于神经网络的训练，这样，即便人工手动对参考三维点云数据进行类别标签的标注时，存在误标和漏标的问题，本公开的实施例也能够自动纠正这些问题，从而有利于后续的训练过程，进而能够保证训练出的类别识别神经网络的准确性和可靠性。

需要说明的是，可以通过实验来对比本公开的实施例和相关技术中基于室内场景的三维重建的重建效果。

具体地，图3示意了采用本公开的实施例得到的结构化特征提取结果(其相当于上文中的经处理后的目标三维点云数据)，图4示意了采用本公开的实施例得到的重建结果(其相当于上文中的目标房屋的三维房屋模型)；图5示意了采用相关技术得到的结构化特征提取结果，图6示意了采用相关技术得到的重建结果。结合图5和图6可知，采用相关技术时，得到的结构化特征提取结果存在多处误检问题，很多与结构化特征无关的特征平面被保留下来，从而影响到了重建结果的准确性；而结合图3和图4可知，采用本公开的实施例时，基于鲁棒性较好的深度学习方式，能够更准确地预测出室内场景的结构化特征，从而重建出更为准确的三维房屋模型。

本公开的实施例提供的任一种三维房屋模型生成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三维房屋模型生成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三维房屋模型生成方法。下文不再赘述。

示例性装置

图7是本公开一示例性实施例提供的三维房屋模型生成装置的结构示意图，图7所示的装置包括提取模块701、第一获取模块702、确定模块703、第二获取模块704、生成模块705。

提取模块701，用于提取目标房屋的目标三维点云数据中的各个特征平面；

第一获取模块702，用于获取目标三维点云数据中的各个点的预测类别标签；

确定模块703，用于根据目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定目标三维点云数据中的各个特征平面的预测类别标签；

第二获取模块704，用于保留目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤目标三维点云数据中的其余特征平面，以得到经处理后的目标三维点云数据；

生成模块705，用于利用经处理后的目标三维点云数据，生成目标房屋的三维房屋模型。

在一个可选示例中，如图8所示，确定模块703，包括：

第一确定子模块7031，用于确定类别标签集合；其中，类别标签集合中包括目标特征平面上分布的所有点各自的预测类别标签，目标特征平面为目标三维点云数据中的任一特征平面；

筛除子模块7032，用于筛选类别标签集合中互不重复的各个预测类别标签；

统计子模块7033，用于统计所筛选的各个预测类别标签在类别标签集合中的出现次数；

第二确定子模块7034，用于将所筛选的各个预测类别标签中的所对应出现次数最多的预测类别标签作为目标特征平面的预测类别标签。

在一个可选示例中，如图8所示，第一获取模块702，包括：

第一获取子模块7021，用于获取类别识别神经网络；

第二获取子模块7022，用于将目标三维点云数据输入类别识别神经网络，以获得类别识别神经网络输出的目标三维点云数据中的各个点的预测类别标签。

在一个可选示例中，第一获取子模块7021，包括：

第一获取单元，用于获取参考房屋的参考三维点云数据；

第二获取单元，用于获取参考三维点云数据中的各个点的标注类别标签；

训练单元，用于根据参考三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络。

在一个可选示例中，训练单元，包括：

提取子单元，用于提取参考三维点云数据中的各个特征平面；

第一确定子单元，用于根据参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定参考三维点云数据中的各个特征平面的标注类别标签；

第二确定子单元，用于将参考三维点云数据中的每个特征平面的标注类别标签确定为本特征平面上分布的每个点的实际类别标签；

训练子单元，用于利用参考三维点云数据和所确定的实际类别标签，训练得到类别识别神经网络。

示例性电子设备

下面，参考图9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9图示了根据本公开实施例的电子设备900的框图。

如图9所示，电子设备900包括一个或多个处理器901和存储器902。

处理器901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900中的其他组件以执行期望的功能。

存储器902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901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三维房屋模型生成方法以及/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900还可以包括：输入装置903和输出装置904，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900是第一设备或第二设备时，该输入装置903可以是麦克风或麦克风阵列。在电子设备900是单机设备时，该输入装置903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903还可以包括例如键盘、鼠标等等。

该输出装置904可以向外部输出各种信息。该输出装置904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9中仅示出了该电子设备900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900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三维房屋模型生成方法中的步骤。

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三维房屋模型生成方法中的步骤。

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 (12)

1.一种三维房屋模型生成方法，其特征在于，包括：

提取目标房屋的目标三维点云数据中的各个特征平面；

获取所述目标三维点云数据中的各个点的预测类别标签；

根据所述目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定所述目标三维点云数据中的各个特征平面的预测类别标签；

保留所述目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤所述目标三维点云数据中的其余特征平面，以得到经处理后的所述目标三维点云数据；

利用经处理后的所述目标三维点云数据，生成所述目标房屋的三维房屋模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定所述目标三维点云数据中的各个特征平面的预测类别标签，包括：

确定类别标签集合；其中，所述类别标签集合中包括目标特征平面上分布的所有点各自的预测类别标签，所述目标特征平面为所述目标三维点云数据中的任一特征平面；

筛选所述类别标签集合中互不重复的各个预测类别标签；

统计所筛选的各个预测类别标签在所述类别标签集合中的出现次数；

将所筛选的各个预测类别标签中的所对应出现次数最多的预测类别标签作为所述目标特征平面的预测类别标签。

3.根据权利要求1所述的方法，其特征在于，所述获取所述目标三维点云数据中的各个点的预测类别标签，包括：

获取类别识别神经网络；

将所述目标三维点云数据输入所述类别识别神经网络，以获得所述类别识别神经网络输出的所述目标三维点云数据中的各个点的预测类别标签。

4.根据权利要求3所述的方法，其特征在于，所述获取类别识别神经网络，包括：

获取参考房屋的参考三维点云数据；

获取所述参考三维点云数据中的各个点的标注类别标签；

根据所述参考三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络。

5.根据权利要求4所述的方法，其特征在于，所述根据所述三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络，包括：

提取所述参考三维点云数据中的各个特征平面；

根据所述参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定所述参考三维点云数据中的各个特征平面的标注类别标签；

将所述参考三维点云数据中的每个特征平面的标注类别标签确定为本特征平面上分布的每个点的实际类别标签；

利用所述参考三维点云数据和所确定的实际类别标签，训练得到类别识别神经网络。

6.一种三维房屋模型生成装置，其特征在于，包括：

提取模块，用于提取目标房屋的目标三维点云数据中的各个特征平面；

第一获取模块，用于获取所述目标三维点云数据中的各个点的预测类别标签；

确定模块，用于根据所述目标三维点云数据中的各个特征平面上分布的点的预测类别标签，确定所述目标三维点云数据中的各个特征平面的预测类别标签；

第二获取模块，用于保留所述目标三维点云数据中的预测类别标签与房屋结构化特征关联的特征平面，并过滤所述目标三维点云数据中的其余特征平面，以得到经处理后的所述目标三维点云数据；

生成模块，用于利用经处理后的所述目标三维点云数据，生成所述目标房屋的三维房屋模型。

7.根据权利要求6所述的装置，其特征在于，所述确定模块，包括：

第一确定子模块，用于确定类别标签集合；其中，所述类别标签集合中包括目标特征平面上分布的所有点各自的预测类别标签，所述目标特征平面为所述目标三维点云数据中的任一特征平面；

筛除子模块，用于筛选所述类别标签集合中互不重复的各个预测类别标签；

统计子模块，用于统计所筛选的各个预测类别标签在所述类别标签集合中的出现次数；

第二确定子模块，用于将所筛选的各个预测类别标签中的所对应出现次数最多的预测类别标签作为所述目标特征平面的预测类别标签。

8.根据权利要求6所述的装置，其特征在于，所述第一获取模块，包括：

第一获取子模块，用于获取类别识别神经网络；

第二获取子模块，用于将所述目标三维点云数据输入所述类别识别神经网络，以获得所述类别识别神经网络输出的所述目标三维点云数据中的各个点的预测类别标签。

9.根据权利要求8所述的装置，其特征在于，所述第一获取子模块，包括：

第一获取单元，用于获取参考房屋的参考三维点云数据；

第二获取单元，用于获取所述参考三维点云数据中的各个点的标注类别标签；

训练单元，用于根据所述参考三维点云数据和所获取的标注类别标签，训练得到类别识别神经网络。

10.根据权利要求9所述的装置，其特征在于，所述训练单元，包括：

提取子单元，用于提取所述参考三维点云数据中的各个特征平面；

第一确定子单元，用于根据所述参考三维点云数据中的各个特征平面上分布的点的标注类别标签，确定所述参考三维点云数据中的各个特征平面的标注类别标签；

第二确定子单元，用于将所述参考三维点云数据中的每个特征平面的标注类别标签确定为本特征平面上分布的每个点的实际类别标签；

训练子单元，用于利用所述参考三维点云数据和所确定的实际类别标签，训练得到类别识别神经网络。

11.一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中任一项所述的三维房屋模型生成方法。

12.一种电子设备，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中任一项所述的三维房屋模型生成方法。

Images