CN113436319B - 城市室内三维语义模型的异形排列矩阵构建方法及其系统 - Google Patents
城市室内三维语义模型的异形排列矩阵构建方法及其系统 Download PDFInfo
- Publication number
- CN113436319B CN113436319B CN202110740165.2A CN202110740165A CN113436319B CN 113436319 B CN113436319 B CN 113436319B CN 202110740165 A CN202110740165 A CN 202110740165A CN 113436319 B CN113436319 B CN 113436319B
- Authority
- CN
- China
- Prior art keywords
- building
- indoor
- urban
- matrix
- specified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Civil Engineering (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Structural Engineering (AREA)
- Databases & Information Systems (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种城市室内三维语义模型的异形排列矩阵构建方法,其特征在于包括如下步骤:S1.构建城市建筑轮廓语义模型的异形排列矩阵;S2.构建城市建筑室内三维语义模型;S3.将城市建筑室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中,完成城市室内三维语义模型构建。使用简化的人工智能网络模型获得城市建筑的轮廓预测模型网,并由此建立城市建筑轮廓语义模型并将室内三维语义嵌入其中,获得了准确的城市三维语义模型。本发明的方法算法简单,构建方法较为精确地反映了实际的建筑位置,实现了城市室内三维语义模型的空间分布可视化,以及可检索化。
Description
技术领域
本发明涉及室内三维语义模型的构建方法,尤其涉及一种城市室内三维语义模型的构建方法及其系统,属于图形语义构建领域。
背景技术
语义模型是将构建模型与特征或抽象标识之间建立映射关系,能够准确识别和检索这些模型中的元素对象,在城市大数据、以至实现智慧城市中已成为一项热门技术。现有技术一方面构建室内语义模型时仅仅考虑单个建筑或单片社区建筑的语义构建,并不能构成完整的城市语义大数据。另一方面,虽然通过数学模型的辅助,比如矩阵能够准确地定位、大致描述建筑之间的方位关系,以及描述城市建筑功能类别(公寓还是别墅或工场抑或综合体等等),并检索到每一栋建筑的建筑构件(如屋顶),从而判断出建筑风格类型,但是,数学矩阵不能从建筑拓扑结构上精确描述城市建筑语义模型。从而不能从视觉上呈现城市面貌。传统的图纸只能够从位置上描述自然景观以及少数建筑分布,但不能精确和拓扑地描述。构建单栋建筑的轮廓,是城市室内建筑拓扑化的基础工作,使用神经网络计算建筑轮廓最大概然轮廓点的算法复杂,对于全国大量城市建筑则会产生海量的计算负荷,其构建成本斐然。
而实际运用时不需要十分精确地准确定位建筑的定位,甚至轮廓边界产生不准确地理位置和外形也不影响整体建筑在满足需要的误差范围内的地理位置的运用需求。尤其是在遥感图像上看,只要建筑存在的图像位置就能在该位置附近形成轮廓边界,因而计算的精确性方面的误差并不会从视觉上产生明显建筑位置错误或外形的明显差异。即便如此容许位置和外形的误差,考虑到建筑的轮廓实质上是每栋建筑的外墙所限定,精确的室内三维语义模型中包含了精确的外墙的边界,因而恰好能够消除建筑轮廓外形不精确甚至错误的弊端。
因此需要一种能够更高效的,较为精确的城市室内三维语义模型的构建方法来解决上述问题。
发明内容
本发明为解决上述问题考虑两个思路来提供解决方案,第一建立相对简单的建筑轮廓方法,第二基于所建筑轮廓以及室内三维语义模型的嵌入以实现完整的城市室内三维语义模型的构建方法,并通过本发明定义的建筑格点矩阵来进行语义模型的划分。本发明的格点矩阵不同于数学意义上的元素按照方阵形式排列的矩阵,而是按照实际建筑的位置关系异形排列形式。也可以在方阵排列和异形排列之间进行切换。建筑格点矩阵A是指被划分的城市遥感图像中每个格点中建立的城市建筑预测轮廓群所组成的异形矩阵。
为此,本发明提供了一种城市室内三维语义模型的异形排列矩阵构建方法,其特征在于包括如下步骤:
S1.构建城市建筑轮廓语义模型的异形排列矩阵;
S2.构建城市建筑室内三维语义模型;
S3.将城市建筑室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中,完成城市室内三维语义模型构建。
关于步骤S1
S1具体包括:
S1-1人工智能网络的城市建筑预测楼顶轮廓网模型的建立;
S1-2根据所述城市建筑预测楼顶轮廓网模型建立城市建筑预测轮廓网模型;
S1-3将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵,每个建筑格点矩阵中的每一栋建筑按照建筑预测轮廓对应的地理位置而排列,形成异形排列矩阵。
其中所述S1-1具体包括:
S1-1-1建立城市地理坐标系E,XOY平面代表地面;
S1-1-2基于城市遥感图像,使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图,特征图是输入图像尺寸的1/2-1/10,优选为1/8;
同时,通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔,并预测多个建筑的边框,
S1-1-3对于多个建筑中的每一建筑,都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F;
S1-1-4对于每个建筑的所述本地特征图F采用卷积层处理形成几何边界罩M,所有几何边界罩M即为每个建筑的预测楼顶轮廓,从而所有建筑预测楼顶轮廓构成城市建筑预测楼顶轮廓网模型。
可选地,所述S1-1具体包括所述步骤S1-1-1-S1-1-3,以及包括如下步骤:
S1-1-5,采集所述建筑的本地特征图F代表每栋建筑的框范内的彩色RGB值,并采集每栋建筑的框范外的彩色RGB值;
S1-1-6将所述框范内或外任一随机点的RGB值分别取RGB三色值平均值作为阈值,并根据阈值将所述遥感图像中所述框范的内外的遥感图像进行二值化,从而形成楼顶轮廓。
可选地,所述二值化所采用的颜色类型是RGB中的任一一种或其组合的非白色,以及白色。所述平均值包括算术平均值,加权平均值,几何平均值,均方根平均值,调和平均值中的任一种。例如当选择R颜色时,在轮廓边界两边产生R值不同的红色,即大于阈值的R值和小于阈值的R值。选择其他颜色或RGB的组合时则产生相应的不同的的RGB值该颜色。
容易理解的是,由于框范内属于楼顶的部分和楼顶外的属于框范的地面部分的RGB值平均值是不同的,从而实现了根据阈值而二值化划分出边界。
S1-1-7根据二值化后的图像进行边缘检测确定出建筑预测楼顶轮廓。
所述S1-2具体包括:
S1-2-1根据构建好的城市每一栋建筑预测楼顶轮廓以及建筑高度,将每一栋建筑预测楼顶轮廓从XOY面开始垂直投影到所述高度;
S1-2-2连接每一栋建筑预测楼顶轮廓顶点和所述投影的对应顶点,形成城市建筑预测轮廓网模型;或者,根据投影过程中划过的体积轨迹而形成城市建筑预测轮廓网模型。
所述S1-3具体包括
S1-3-1将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵A,如果每个建筑格点矩阵A内具有完整的每一栋建筑,则完成建筑格点矩阵的划分,如否则进行S1-3-2;其中A=(·),其中·表示被划分到的城市建筑预测轮廓网模型部分,不包含任何建筑预测轮廓的矩阵A为零矩阵;
S1-3-2将位于其中格点矩阵边界上的一个建筑格点矩阵的部分的建筑预测轮廓归属到在该边界上相邻的另一个建筑格点矩阵中,而位于其中四个格点矩阵共有边界点或其附近的属于P-1个建筑格点矩阵的部分的建筑预测轮廓归属到剩余的一个建筑格点矩阵中,其中P=4或5。可选地,所述剩余的一个建筑格点矩阵是东南西北方位中的任一个。
S1-3-3对城市建筑格点矩阵A中的每一栋建筑的预测轮廓进行矩阵标识,其编号规则为城市建筑预测楼顶轮廓如果是多边形,则选择最长的两条对角线交点即为标引点,矩阵标识赋予标引点;如为其他几何图形,则在建筑预测楼顶轮廓与平行于E坐标系X轴的直线的切点作为标引点或平行于X轴和Y轴的直线分别于所述预测楼顶轮廓有一个公共点时,该两条直线的交点作为标引点,矩阵标识赋予标引点;从而形成矩阵标识到建筑的映射规则,形成城市建筑轮廓语义模型。
优选地,所述矩阵表示可以为标引点在E下的坐标和/或文字。
因此可见,建筑格点矩阵A是按照建筑预测轮廓对应的地理位置而排列其中,形成异形排列矩阵。其中每一栋建筑预测轮廓作为矩阵元色,其位置即与实际遥感图像的位置相近,而非数学矩阵中矩阵元素按照方正排列。
在一个实施例中,所述建筑格点矩阵A中的城市建筑预测轮廓能够按照如下方阵形式重新排列:每一栋建筑城市建筑预测轮廓按照E中的从西往东,从北往南的顺序排列成矩阵其中每一个矩阵元aij(i∈[1,m],j∈[1,n])包括相应建筑的城市建筑预测轮廓。
关于步骤S2
S2具体包括:
S2-1获取指定建筑物的室内户型图数据,其中,所述室内户型图数据为所述指定建筑物的室内户型图数据、图形化的文本数据以及矢量化文件数据;
S2-2对所述室内户型图数据进行预处理,生成基础分层分户数据;
S2-3基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系;所述图形对象是指每个楼层中的每个独立户图形,拓扑关系是指每个楼层中包括的图形对象之间的相对位置关系以及连接关系;
S2-4根据所述语义信息和所述拓扑关系构建所述指定建筑物的室内三维语义模型;
其中,基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系的步骤包括:
S2-3-1根据基础分层分户数据查找所述室内户型图数据中包括的每个图形对象;在所述基础分层分户数据中提取所述指定建筑物的属性信息;
S2-3-2将所述指定建筑物的属性信息与每个所述图形对象进行绑定,并标记为所述图形对象对应的注记元素,其中,所述属性信息包括几何属性和业务属性;以及,根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系。
其中,所述对所述室内户型图数据进行预处理的步骤包括:
S2-2-1提取所述室内户型图数据中包括的边界信息,其中,所述边界信息包括房间边界和建筑轮廓;
S2-2-2基于所述边界信息进行线框切分和封闭线补全处理;以及,
S2-2-3对所述室内户型图数据进行信息补充,其中,补充的信息包括以下信息中的一种或多种:所述指定建筑物的地址、楼栋编号、房间编号、房屋层数、房间用途、房屋面积和所述指定建筑物的层高信息。
所述在所述基础分层分户数据中提取所述指定建筑物的属性信息的步骤包括:
S2-3-1-1根据所述指定建筑物的楼栋几何形与房屋几何形的包含关系,赋予每个房间的楼栋语义属性;
S2-3-1-2根据所述指定建筑物地址赋予每个所述房间和所述楼栋的地址信息;
S2-3-1-3根据所述指定建筑物的层高信息,赋予每个所述房间的高度属性;以及,将所述高度属性累加,得到所述楼栋的整体高度。
所述根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系的步骤包括:
根据所述基础分层分户数据间的邻接关系以及所述包含关系,生成所述指定建筑物的拓扑关系。
进一步地,在所述步骤S2-4之后还包括:S2-5对所述室内三维语义模型进行质量检测,所述质量检测的步骤包括:
S2-5-1获取预先存储的所述指定建筑物的实际高度;
S2-5-2将所述实际高度与所述室内三维语义模型的高度进行计算,得到高度误差结果;
S2-5-3如果所述高度误差结果在预先设置的误差阈值范围内,确定所述室内三维语义模型的质量检测合格。
关于步骤S3
步骤S3具体包括:
S3-1获取步骤S2中构建好的城市建筑室内三维语义模型(即在平面XOY上),将城市建筑室内三维语义模型中的基底图形的轮廓与所述城市建筑轮廓语义模型中的基底轮廓重合,形成重合语义模型;
S3-2将所述重合语义模型与所述城市建筑轮廓语义模型作差,完成城市室内三维语义模型构建。
可以理解的是当所属建筑为阶梯型的异形轮廓时,在楼顶俯视时看到的是基底完整的轮廓,而不能区分出每个阶梯部分的楼顶,从而得到的城市建筑轮廓语义模型,就多了一块较低楼层阶梯部分的楼顶之上到整体高度的不存在建筑部分的空间部分,当作差之后这部分不存在建筑部分的空间轮廓即被扣除掉,从而星恒实际的嵌入有城市建筑室内三维语义模型阶梯型语义模型。此外,由于城市建筑室内三维语义模型中的建筑轮廓即外墙部分是精确的,所以预测的轮廓即便不精确也能根据该外墙获得精确补偿。同时,由于预测的楼顶轮廓可能不精确,从而上述的重合实际上是指基本重合,也就是说待重合的两个轮廓边界上的每一相应点的距离在预设允许误差范围内,即定义为重合。所述的相应点是指包括某一个顶点,以及包括该顶点所在边界,而从该顶点开始在同一路径方向上任意预设步长获取到该边界上的另一点。
本发明还提供一种实现上述构建方法的系统,其特征在于具体包括:
异形排列矩阵构建装置,用于建立城市建筑预测轮廓网模型,以及将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵,每个建筑格点矩阵中的每一栋建筑按照建筑预测轮廓对应的地理位置而排列,形成异形排列矩阵;
室内三维语义模型的构建装置,以及
城市室内三维语义模型构建装置,用于将室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中。
其中,所述室内三维语义模型的构建装置包括:
获取模块,用于获取指定建筑物的室内户型图数据,其中,所述室内户型图数据为所述指定建筑物的室内户型图数据、图形化的文本数据以及矢量化文件数据;
预处理模块,用于对所述室内户型图数据进行预处理,生成基础分层分户数据;
生成模块,用于基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系;所述图形对象是指每个楼层中的每个独立户图形,拓扑关系是指每个楼层中包括的图形对象之间的相对位置关系以及连接关系;
构建模块,用于根据所述语义信息和所述拓扑关系构建所述指定建筑物的室内三维语义模型;
所述生成模块还用于:根据基础分层分户数据查找所述室内户型图数据中包括的每个图形对象;在所述基础分层分户数据中提取所述指定建筑物的属性信息;
将所述指定建筑物的属性信息与每个所述图形对象进行绑定,并标记为所述图形对象对应的注记元素,其中,所述属性信息包括几何属性和业务属性;以及,根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系。
其中,所述预处理模块还用于:提取所述室内户型图数据中包括的边界信息,其中,所述边界信息包括房间边界和楼栋建筑物轮廓;基于所述边界信息进行线框切分和封闭线补全处理;以及,对所述室内户型图数据进行信息补充,其中,补充的信息包括以下信息中的一种或多种:所述指定建筑物的地址、房间编号、房屋层数、房间用途、房屋面积和所述指定建筑物的层高信息。
所述在所述基础分层分户数据中提取所述指定建筑物的属性信息的步骤包括:
根据所述指定建筑物的楼栋多边形与房屋多边形的包含关系,赋予每个房间的楼栋语义属性;
根据所述指定建筑物地址赋予每个所述房间和所述楼栋的地址信息;
根据所述指定建筑物的层高信息,赋予每个所述房间的高度属性;以及,将所述高度属性累加,得到所述楼栋的整体高度。
本发明还提供一种计算机可读非暂时性存储介质,其中存储有可由所述系统运行而实现上述城市室内三维语义模型的异形排列矩阵构建方法的程序。
有益效果:使用预测边界罩以及基于本地特征图F二值化获取建筑楼顶边界轮廓,并基于该轮廓基于建筑高度投影完成城市建筑轮廓网,并对轮廓网划分为方阵形成异形矩阵,从而使得模型的构建高效。使用精确的室内三维语义模型嵌入轮廓网弥补了预测轮廓的不精确性,也一定程度上较为精确地定位了建筑意义模型阿紫E下的实际位置,形成建筑编号,室内楼层到建筑实体模型之间映射,实现了城市室内三维语义模型的空间分布可视化,以及可检索化。
附图说明
图1本发明的以其中一栋建筑为例建立人工智能网络的城市建筑预测楼顶轮廓网模型以及标引点的流程图;
图2城市C局部划分的四个建筑格点矩阵A,其中显示了12栋建筑分属于两个不同的矩阵;
图3本发明的以其中一栋建筑为例建立图像二值化预测楼顶楼顶轮廓网模型的流程图;
图4本发明一种城市室内三维语义模型的异形排列矩阵构建系统的架构图。
具体实施方式
实施例1
一种城市C室内三维语义模型的异形排列矩阵构建方法,包括如下步骤:
S1.构建城市C建筑轮廓语义模型的异形排列矩阵;
S2.构建城市C建筑室内三维语义模型;
S3.将城市C建筑室内三维语义模型嵌入到对应的城市C建筑轮廓语义模型中,完成城市C室内三维语义模型构建。
基于城市C遥感图像,如图1所示,使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图,特征图是输入图像尺寸的1/8;
同时,通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔,并预测多个建筑的边框,
S1-1-1建立城市地理坐标系E,XOY平面代表地面;
S1-1-2基于城市遥感图像,使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图,特征图是输入图像尺寸的1/8;
同时,通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔,并预测多个建筑的边框,
S1-1-3对于多个建筑中的每一建筑,都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F;
S1-1-4对于每个建筑的所述本地特征图F采用卷积层处理形成几何边界罩M(其建筑原型为图2中左上格点中的白色圆中所表示的建筑),所有几何边界罩M即为每个建筑的预测楼顶轮廓,从而所有建筑预测楼顶轮廓构成城市建筑预测楼顶轮廓网模型。
S1-2-1根据构建好的城市C中每一栋建筑预测楼顶轮廓以及建筑高度,将每一栋建筑预测楼顶轮廓从XOY面开始垂直投影到所述高度;
S1-2-2连接每一栋建筑预测楼顶轮廓顶点和所述投影的对应顶点,形成城市C建筑预测轮廓网模型。
S1-3-1将建立城市C建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵A,如图2所示(g表示划分的一个格点),城市C的局部形成了四个建筑格点矩阵A,其内部都具有非完整的建筑;
S1-3-3图2中使用数字1-12标出了在建筑格点矩阵A边界上分数到不同矩阵A中的12栋建筑,并将在横向边界上的靠下的建筑轮廓部分都归并到靠上的矩阵A中,而竖向边界则都归属到左边矩阵A中。
S1-3-2如图1所示,对城市建筑格点矩阵A中的每一栋建筑进行矩阵标识,其编号规则为城市建筑预测楼顶轮廓如果是多边形,则选择最长的两条对角线交点即为标引点xi,标引点在E下的坐标即为矩阵标识;从而形成矩阵标识到建筑的映射规则,形成城市建筑轮廓语义模型。
其中四个建筑格点矩阵A都可以重新排列成方阵矩阵,根据S1-3-1的归属规则,图2中左上建筑格点矩阵A中一共具有24栋建筑,按照从西向东,从北往南排列成6×4方阵矩阵。显然这种排列方式存在人为因素以及实际房屋排列是否归规整的因素影响。然而一旦排好就能整齐地可视每一栋建筑的大致东南西北的位置,但位置十分不准确。这就是本发明采取按照实际位置排序形成异形矩阵的原因。
实施例2
本实施例以实施例1区别在于所述S1-1具体包括所述步骤S1-1-1-S1-1-3,以及包括如下步骤:
S1-1-5,如图3,以采集一栋建筑为例,根据实施例1计算得到图2中左上格点白色圈内的建筑本地特征图F代表该栋建筑的框范内的彩色RGB值,并采集该框范外的彩色RGB值;歌曲算术平均值,得到
S1-1-6根据图2将该建筑的所述框范外的一随机点RGB值分别为R=110,G=96,B=70,属于褐色。平均值为83作为阈值,并选择R=83红色,以及白色,将所述遥感图像中所述框范的内外的遥感图像进行二值化,从而范框内属于地面的部分都形成红色而其他部分为白色。
S1-1-7根据二值化后的图像进行边缘检测确定出建筑预测楼顶轮廓。
实施例3
S2具体包括:
S2-1获取实施例2中轮廓提取涉及到的建筑物的室内户型图数据,其中,所述室内户型图数据为所述指定建筑物的室内户型图数据、图形化的文本数据以及矢量化文件数据;
S2-2对所述室内户型图数据进行预处理,生成基础分层分户数据;S2-2-1提取所述室内户型图数据中包括的房间边界和建筑轮廓;
其中,所述对所述室内户型图数据进行预处理的步骤包括:
S2-2-2基于所述边界信息进行线框切分和封闭线补全处理;以及,
S2-2-3对所述室内户型图数据进行信息补充,其中,补充的信息包括所述指定建筑物的地址、楼栋编号、房间编号、房屋层数、房间用途、房屋面积和所述指定建筑物的层高信息;
S2-3基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系;所述图形对象是指每个楼层中的每个独立户图形,拓扑关系是指每个楼层中包括的图形对象之间的相对位置关系以及连接关系;
其中,基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系的步骤包括:
S2-3-1根据基础分层分户数据查找所述室内户型图数据中包括的每个图形对象;在所述基础分层分户数据中提取所述指定建筑物的属性信息;
S2-3-2将所述指定建筑物的属性信息与每个所述图形对象进行绑定,并标记为所述图形对象对应的注记元素,其中,所述属性信息包括几何属性和业务属性;以及,根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系;
所述在所述基础分层分户数据中提取所述指定建筑物的属性信息的步骤包括:
S2-3-1-1根据所述指定建筑物的楼栋几何形与房屋几何形的包含关系,赋予每个房间的楼栋语义属性;
S2-3-1-2根据所述指定建筑物地址赋予每个所述房间和所述楼栋的地址信息;
S2-3-1-3根据所述指定建筑物的层高信息,赋予每个所述房间的高度属性;以及,将所述高度属性累加,得到所述楼栋的整体高度。
所述根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系的步骤包括:
根据所述基础分层分户数据间的邻接关系以及所述包含关系,生成所述指定建筑物的拓扑关系。
S2-4根据所述语义信息和所述拓扑关系构建所述指定建筑物的室内三维语义模型。
S2-5对所述室内三维语义模型进行质量检测,所述质量检测的步骤包括:
S2-5-1获取预先存储的所述指定建筑物的实际高度;
S2-5-2将所述实际高度与所述室内三维语义模型的高度进行计算,得到高度误差结果;
S2-5-3如果所述高度误差结果在预先设置的误差阈值范围内(以国标为准),确定所述室内三维语义模型的质量检测合格。
实施例4
如图4,本发明还提供一种实现上述实施例构建方法的系统,其特征在于具体包括:
异形排列矩阵构建装置,用于建立城市建筑预测轮廓网模型,以及将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵,每个建筑格点矩阵中的每一栋建筑按照建筑预测轮廓对应的地理位置而排列,形成异形排列矩阵;
室内三维语义模型的构建装置,以及
城市室内三维语义模型构建装置,用于将室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中。
其中,所述室内三维语义模型的构建装置包括:
获取模块,用于获取指定建筑物的室内户型图数据,其中,所述室内户型图数据为所述指定建筑物的室内户型图数据、图形化的文本数据以及矢量化文件数据;
预处理模块,用于对所述室内户型图数据进行预处理,生成基础分层分户数据;
生成模块,用于基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系;所述图形对象是指每个楼层中的每个独立户图形,拓扑关系是指每个楼层中包括的图形对象之间的相对位置关系以及连接关系;
构建模块,用于根据所述语义信息和所述拓扑关系构建所述指定建筑物的室内三维语义模型;
所述生成模块还用于:根据基础分层分户数据查找所述室内户型图数据中包括的每个图形对象;在所述基础分层分户数据中提取所述指定建筑物的属性信息;
将所述指定建筑物的属性信息与每个所述图形对象进行绑定,并标记为所述图形对象对应的注记元素,其中,所述属性信息包括几何属性和业务属性;以及,根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系。
其中,所述预处理模块还用于:提取所述室内户型图数据中包括的边界信息,其中,所述边界信息包括房间边界和楼栋建筑物轮廓;基于所述边界信息进行线框切分和封闭线补全处理;以及,对所述室内户型图数据进行信息补充,其中,补充的信息包括所述指定建筑物的地址、房间编号、房屋层数、房间用途、房屋面积和所述指定建筑物的层高信息。
所述在所述基础分层分户数据中提取所述指定建筑物的属性信息的步骤包括:
根据所述指定建筑物的楼栋多边形与房屋多边形的包含关系,赋予每个房间的楼栋语义属性;
根据所述指定建筑物地址赋予每个所述房间和所述楼栋的地址信息;
根据所述指定建筑物的层高信息,赋予每个所述房间的高度属性;以及,将所述高度属性累加,得到所述楼栋的整体高度。
Claims (12)
1.一种城市室内三维语义模型的异形排列矩阵构建方法,其特征在于包括如下步骤:
S1.构建城市建筑轮廓语义模型的异形排列矩阵;
S2.构建城市建筑室内三维语义模型;
S3.将城市建筑室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中,完成城市室内三维语义模型构建;
S1具体包括:
S1-1人工智能网络的城市建筑预测楼顶轮廓网模型的建立;
S1-2根据所述城市建筑预测楼顶轮廓网模型建立城市建筑预测轮廓网模型;
S1-3将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵,每个建筑格点矩阵中的每一栋建筑按照建筑预测轮廓对应的地理位置而排列,形成异形排列矩阵;
所述S1-3具体包括
S1-3-1将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵A,如果每个建筑格点矩阵A内具有完整的每一栋建筑,则完成建筑格点矩阵的划分,如否则进行S1-3-2;其中A=(·),其中·表示被划分到的城市建筑预测轮廓网模型部分,不包含任何建筑预测轮廓的矩阵A为零矩阵;
S1-3-2将位于格点矩阵边界上的一个建筑格点矩阵的部分的建筑预测轮廓归属到在该边界上相邻的另一个建筑格点矩阵中,而位于其中四个格点矩阵共有边界点或其附近的属于P-1个建筑格点矩阵的部分的建筑预测轮廓归属到剩余的一个建筑格点矩阵中,其中P=4或5;
S1-3-3对城市建筑格点矩阵A中的每一栋建筑的预测轮廓进行矩阵标识,其编号规则为城市建筑预测楼顶轮廓如果是多边形,则选择最长的两条对角线交点即为标引点,矩阵标识赋予标引点;如为其他几何图形,则在建筑预测楼顶轮廓与平行于E坐标系X轴的直线的切点作为标引点或平行于X轴和Y轴的直线分别于所述预测楼顶轮廓有一个公共点时,该两条直线的交点作为标引点,矩阵标识赋予标引点;从而形成矩阵标识到建筑的映射规则,形成城市建筑轮廓语义模型,其中所述矩阵表示为标引点在E下的坐标和/或文字。
2.根据权利要求1所述的构建方法,其特征还在于,其中所述S1-1具体包括:
S1-1-1建立城市地理坐标系E,XOY平面代表地面;
S1-1-2基于城市遥感图像,使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图,特征图是输入图像尺寸的1/2-1/10;
同时,通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔,并预测多个建筑的边框,
S1-1-3对于多个建筑中的每一建筑,都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F;
S1-1-4对于每个建筑的所述本地特征图F采用卷积层处理形成几何边界罩M,所有几何边界罩M即为每个建筑的预测楼顶轮廓,从而所有建筑预测楼顶轮廓构成城市建筑预测楼顶轮廓网模型。
3.根据权利要求1所述的构建方法,其特征还在于,其中所述S1-1具体包括:
S1-1-1建立城市地理坐标系E,XOY平面代表地面;
S1-1-2基于城市遥感图像,使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图,特征图是输入图像尺寸的1/2-1/10;
同时,通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔,并预测多个建筑的边框,
S1-1-3对于多个建筑中的每一建筑,都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F;
S1-1-5,采集所述建筑的本地特征图F代表每栋建筑的框范内的彩色RGB值,并采集每栋建筑的框范外的彩色RGB值;
S1-1-6将所述框范内或外任一随机点的RGB值分别取RGB三色值平均值作为阈值,并根据阈值将所述遥感图像中所述框范的内外的遥感图像进行二值化,从而形成楼顶轮廓;
S1-1-7根据二值化后的图像进行边缘检测确定出建筑预测楼顶轮廓。
4.根据权利要求3所述的构建方法,其特征还在于,其中所述二值化所采用的颜色类型是RGB中的任一一种或其组合的非白色,以及白色;所述平均值包括算术平均值,加权平均值,几何平均值,均方根平均值,调和平均值中的任一种。
5.根据权利要求1所述的构建方法,其特征还在于,所述S1-2具体包括:
S1-2-1根据构建好的城市每一栋建筑预测楼顶轮廓以及建筑高度,将每一栋建筑预测楼顶轮廓从XOY面开始垂直投影到所述高度;
S1-2-2连接每一栋建筑预测楼顶轮廓顶点和所述投影的对应顶点,形成城市建筑预测轮廓网模型;或者,根据投影过程中划过的体积轨迹而形成城市建筑预测轮廓网模型。
7.根据权利要求1-6中任一项所述的构建方法,其特征还在于,S2具体包括:
S2-1获取指定建筑物的室内户型图数据,其中,所述室内户型图数据为所述指定建筑物的室内户型图数据、图形化的文本数据以及矢量化文件数据;
S2-2对所述室内户型图数据进行预处理,生成基础分层分户数据;
S2-3基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系;所述图形对象是指每个楼层中的每个独立户图形,拓扑关系是指每个楼层中包括的图形对象之间的相对位置关系以及连接关系;
S2-4根据所述语义信息和所述拓扑关系构建所述指定建筑物的室内三维语义模型。
8.根据权利要求7所述的构建方法,其特征还在于,
其中,基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系的步骤包括:
S2-3-1根据基础分层分户数据查找所述室内户型图数据中包括的每个图形对象;在所述基础分层分户数据中提取所述指定建筑物的属性信息;
S2-3-2将所述指定建筑物的属性信息与每个所述图形对象进行绑定,并标记为所述图形对象对应的注记元素,其中,所述属性信息包括几何属性和业务属性;以及,根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系;
其中,所述对所述室内户型图数据进行预处理的步骤包括:
S2-2-1提取所述室内户型图数据中包括的边界信息,其中,所述边界信息包括房间边界和建筑轮廓;
S2-2-2基于所述边界信息进行线框切分和封闭线补全处理;以及,
S2-2-3对所述室内户型图数据进行信息补充,其中,补充的信息包括以下信息中的一种或多种:所述指定建筑物的地址、楼栋编号、房间编号、房屋层数、房间用途、房屋面积和所述指定建筑物的层高信息;
所述在所述基础分层分户数据中提取所述指定建筑物的属性信息的步骤包括:
S2-3-1-1根据所述指定建筑物的楼栋几何形与房屋几何形的包含关系,赋予每个房间的楼栋语义属性;
S2-3-1-2根据所述指定建筑物地址赋予每个所述房间和所述楼栋的地址信息;
S2-3-1-3根据所述指定建筑物的层高信息,赋予每个所述房间的高度属性;以及,将所述高度属性累加,得到所述楼栋的整体高度;
所述根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系的步骤包括:
根据所述基础分层分户数据间的邻接关系以及所述包含关系,生成所述指定建筑物的拓扑关系。
9.根据权利要求7所述的构建方法,其特征还在于,
在所述步骤S2-4之后还包括:S2-5对所述室内三维语义模型进行质量检测,所述质量检测的步骤包括:
S2-5-1获取预先存储的所述指定建筑物的实际高度;
S2-5-2将所述实际高度与所述室内三维语义模型的高度进行计算,得到高度误差结果;
S2-5-3如果所述高度误差结果在预先设置的误差阈值范围内,确定所述室内三维语义模型的质量检测合格。
10.根据权利要求1-7中任一项所述的构建方法,其特征还在于,步骤S3具体包括:
S3-1获取步骤S2中构建好的城市建筑室内三维语义模型,将城市建筑室内三维语义模型中的基底图形的轮廓与所述城市建筑轮廓语义模型中的基底轮廓重合,形成重合语义模型;
S3-2将所述重合语义模型与所述城市建筑轮廓语义模型作差,完成城市室内三维语义模型构建。
11.一种实现权利要求1-10中任一项所述的构建方法的系统,其特征在于,所述系统包括:
异形排列矩阵构建装置,用于建立城市建筑预测轮廓网模型,以及将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵,每个建筑格点矩阵中的每一栋建筑按照建筑预测轮廓对应的地理位置而排列,形成异形排列矩阵;
室内三维语义模型的构建装置,以及
城市室内三维语义模型构建装置,用于将室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中;
其中,所述室内三维语义模型的构建装置包括:
获取模块,用于获取指定建筑物的室内户型图数据,其中,所述室内户型图数据为所述指定建筑物的室内户型图数据、图形化的文本数据以及矢量化文件数据;
预处理模块,用于对所述室内户型图数据进行预处理,生成基础分层分户数据;
生成模块,用于基于所述基础分层分户数据,生成所述指定建筑物中包括的每个图形对象的语义信息和所述指定建筑物的拓扑关系;所述图形对象是指每个楼层中的每个独立户图形,拓扑关系是指每个楼层中包括的图形对象之间的相对位置关系以及连接关系;
构建模块,用于根据所述语义信息和所述拓扑关系构建所述指定建筑物的室内三维语义模型;
所述生成模块还用于:根据基础分层分户数据查找所述室内户型图数据中包括的每个图形对象;在所述基础分层分户数据中提取所述指定建筑物的属性信息;
将所述指定建筑物的属性信息与每个所述图形对象进行绑定,并标记为所述图形对象对应的注记元素,其中,所述属性信息包括几何属性和业务属性;以及,根据每个所述图形对象的几何属性生成所述指定建筑物的拓扑关系;
其中,所述预处理模块还用于:提取所述室内户型图数据中包括的边界信息,其中,所述边界信息包括房间边界和楼栋建筑物轮廓;基于所述边界信息进行线框切分和封闭线补全处理;以及,对所述室内户型图数据进行信息补充,其中,补充的信息包括以下信息中的一种或多种:所述指定建筑物的地址、房间编号、房屋层数、房间用途、房屋面积和所述指定建筑物的层高信息;
所述在所述基础分层分户数据中提取所述指定建筑物的属性信息的步骤包括:
根据所述指定建筑物的楼栋多边形与房屋多边形的包含关系,赋予每个房间的楼栋语义属性;
根据所述指定建筑物地址赋予每个所述房间和所述楼栋的地址信息;
根据所述指定建筑物的层高信息,赋予每个所述房间的高度属性;以及,将所述高度属性累加,得到所述楼栋的整体高度。
12.一种计算机可读非暂时性存储介质,其中存储有可由系统运行而实现权利要求1-10中任一项所述的构建方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740165.2A CN113436319B (zh) | 2021-07-01 | 2021-07-01 | 城市室内三维语义模型的异形排列矩阵构建方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740165.2A CN113436319B (zh) | 2021-07-01 | 2021-07-01 | 城市室内三维语义模型的异形排列矩阵构建方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436319A CN113436319A (zh) | 2021-09-24 |
CN113436319B true CN113436319B (zh) | 2022-03-18 |
Family
ID=77758256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740165.2A Active CN113436319B (zh) | 2021-07-01 | 2021-07-01 | 城市室内三维语义模型的异形排列矩阵构建方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436319B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920266B (zh) * | 2021-11-03 | 2022-10-21 | 泰瑞数创科技(北京)股份有限公司 | 城市信息模型语义信息人工智能生成方法和系统 |
CN115048473B (zh) * | 2021-11-08 | 2023-04-28 | 泰瑞数创科技(北京)股份有限公司 | 城市信息模型人工智能服务方法及系统 |
CN115272591B (zh) * | 2022-05-10 | 2023-09-05 | 泰瑞数创科技(北京)股份有限公司 | 基于三维语义模型的地理实体多形态表达方法 |
CN115393583B (zh) * | 2022-07-21 | 2023-09-29 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
CN116228985B (zh) * | 2023-03-17 | 2023-10-20 | 合肥泰瑞数创科技有限公司 | 基于多维图像编码的建筑物室内语义模型的构建方法及系统 |
CN117475095A (zh) * | 2023-10-11 | 2024-01-30 | 吉奥时空信息技术股份有限公司 | 一种实景三维建筑的分层分户建模方法及系统 |
CN118071876B (zh) * | 2024-04-17 | 2024-06-25 | 中国建筑西南设计研究院有限公司 | 一种异形板底筋自动翻样方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069840A (zh) * | 2019-04-03 | 2019-07-30 | 泰瑞数创科技(北京)有限公司 | 室内三维语义模型的构建方法及装置 |
KR102057402B1 (ko) * | 2018-12-20 | 2020-01-23 | 한국건설기술연구원 | 공간정보 변환시스템 및 그 방법 |
CN112084869A (zh) * | 2020-08-10 | 2020-12-15 | 北京航空航天大学 | 一种基于紧致四边形表示的建筑物目标检测方法 |
CN112712592A (zh) * | 2021-03-26 | 2021-04-27 | 泰瑞数创科技(北京)有限公司 | 建筑物三维模型语义化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942388B (zh) * | 2014-04-18 | 2017-04-26 | 重庆市勘测院 | 一种大规模建筑信息模型与三维数字城市集成方法 |
NL2016846B1 (en) * | 2016-05-27 | 2017-11-30 | Dynactionize N V | Computer implemented and computer controlled method, computer program product and platform for arranging data for processing and storage at a data storage engine. |
-
2021
- 2021-07-01 CN CN202110740165.2A patent/CN113436319B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102057402B1 (ko) * | 2018-12-20 | 2020-01-23 | 한국건설기술연구원 | 공간정보 변환시스템 및 그 방법 |
CN110069840A (zh) * | 2019-04-03 | 2019-07-30 | 泰瑞数创科技(北京)有限公司 | 室内三维语义模型的构建方法及装置 |
CN112084869A (zh) * | 2020-08-10 | 2020-12-15 | 北京航空航天大学 | 一种基于紧致四边形表示的建筑物目标检测方法 |
CN112712592A (zh) * | 2021-03-26 | 2021-04-27 | 泰瑞数创科技(北京)有限公司 | 建筑物三维模型语义化方法 |
Non-Patent Citations (2)
Title |
---|
Combining Linguistic Values and Semantics to Represent User Preferences;Valentin Groues;《2011 Sixth International Workshop on Semantic Media Adaptation and Personalization》;20111115;第27-32页 * |
基于语义的多细节层次3维房产模型;朱庆 等;《测绘学报》;20081115;第37卷(第4期);第514-520页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113436319A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436319B (zh) | 城市室内三维语义模型的异形排列矩阵构建方法及其系统 | |
CN105868326B (zh) | 一种管线数据存储方法 | |
CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
CN106898045B (zh) | 一种基于sgog瓦块的大区域真三维地理场景自适应构建方法 | |
CN110069840B (zh) | 室内三维语义模型的构建方法及装置 | |
CN108320323B (zh) | 一种建筑物三维建模方法及装置 | |
CN106021342B (zh) | 城市空间年轮地图制作和分析方法 | |
Sugihara et al. | Automatic generation of 3D building models from complicated building polygons | |
CN112712592B (zh) | 建筑物三维模型语义化方法 | |
CN106600684A (zh) | 一种倾斜模型组织构建方法 | |
CN107480826A (zh) | 基于gis的输电线路覆冰预警三维系统的应用 | |
CN109544687B (zh) | 一种定向分层分户图扩展方法 | |
CN104751479A (zh) | 基于tin数据的建筑物提取方法和装置 | |
CN109903382A (zh) | 点云数据的融合方法及装置 | |
Chen et al. | 3D model-based terrestrial laser scanning (TLS) observation network planning for large-scale building facades | |
CN104268941A (zh) | 仿真三维地图的热区形成方法及装置 | |
CN105469355B (zh) | 基于城市三维模型提取2.5维地图建筑物轮廓的方法 | |
CN115937450A (zh) | 建筑物分层分户的方法、系统、智能终端及存储介质 | |
CN105205311B (zh) | 一种地层剖面绘制的复数运算法 | |
CN113051654B (zh) | 基于二维gis数据的室内楼梯三维地理实体模型构建方法 | |
CN109064482B (zh) | 一种三维倾斜摄影场景中自动获取房屋轮廓的方法及装置 | |
Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
CN111982077B (zh) | 电子地图绘制方法、系统和电子设备 | |
CN116228985B (zh) | 基于多维图像编码的建筑物室内语义模型的构建方法及系统 | |
Forlani et al. | Building reconstruction and visualization from lidar data |
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 | ||
CP03 | Change of name, title or address |
Address after: 22 / F, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100086 Patentee after: Terry digital technology (Beijing) Co.,Ltd. Address before: 100190 22 / F, building 683, zone 2, 5 Zhongguancun South Street, Haidian District, Beijing Patentee before: Terra-IT Technology (Beijing) Co.,Ltd. |
|
CP03 | Change of name, title or address |