CN113642065A - 一种基于dxf矢量平面图的室内半自动制图与建模方法 - Google Patents
一种基于dxf矢量平面图的室内半自动制图与建模方法 Download PDFInfo
- Publication number
- CN113642065A CN113642065A CN202110721030.1A CN202110721030A CN113642065A CN 113642065 A CN113642065 A CN 113642065A CN 202110721030 A CN202110721030 A CN 202110721030A CN 113642065 A CN113642065 A CN 113642065A
- Authority
- CN
- China
- Prior art keywords
- polygon
- area
- indoor
- neighborhood
- line
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010586 diagram Methods 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000007637 random forest analysis Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 239000000725 suspension Substances 0.000 claims description 7
- 101100207507 Streptomyces coelicolor (strain ATCC BAA-471 / A3(2) / M145) tri2 gene Proteins 0.000 claims description 6
- 101150066742 TRI1 gene Proteins 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000007636 ensemble learning method Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 230000002650 habitual effect Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 2
- 238000007499 fusion processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Civil Engineering (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于DXF矢量平面图的室内半自动制图与建模方法,以DXF矢量平面图作为数据源,以经图层筛选后的包含核心制图要素的图层线元素为语义识别对象进行多边形融合处理,生成室内建筑构件等要素的多边形集合。设计要素多边形的几何特征作为待分类多边形的特征向量。通过学习方式对多边形进行分类,完成室内核心要素的几何与语义提取。本发明提出了高效的构面方式,避免繁琐的提取规则和过程实现,可处理矢量平面图上的复杂墙体和弧线墙体。以平面图中的多边形作为语义识别的几何对象,多边形相较于线元素能够捕获更多的上下文信息,更容易区分不同的室内要素类型,满足室内位置服务对公共场所的地图与模型需求。
Description
技术领域
本发明涉及室内制图与建模技术领域,尤其涉及一种基于DXF矢量平面图的室内半自动制图与建模方法。
背景技术
近年来室内定位技术与室内位置服务的快速发展,使室内空间数据的需求量不断攀升。高效、低成本和高精度的室内制图和建模方法是推动室内位置服务的重要环节。DXF矢量建筑平面图是室内制图与建模生产中非常普及的一类数据源。相较于激光点云等需要进行大量的现场外业工作,且采集设备较昂贵的数据源来说,矢量平面图是一种更易获取与处理的数据来源。然而,在当前的室内制图与建模生产中,矢量平面图往往存在着拓扑不一致和图层组织较为混乱的情况,一般需要专业的制图人员手动进行要素的语义规范提取和几何处理,过程十分繁琐,效率低下,尤其是在进行大批量地图数据生产时更显得“捉襟见肘”。
目前,主要的矢量平面图解析与制图建模技术可在特定的平面图类型上,针对特定的制图要求取得较好的效果,但仍然存在一些问题。例如需要人工设计大量专门的图示符号或者繁琐的提取规则,鲁棒性较低,难以迁移到其他图示符号有明显差异的平面图上。已有的平面图矢量制图与建模研究主要是先清理分层平面图上的信息,修正拓扑不一致等问题,将线元素作为语义识别的几何对象,通过特定要素的几何形态,设计平面图的具体图示规则来提取图中的建筑构件和室内分区。但仅仅通过单个或者少量线元素的几何和拓扑特征来进行语义识别,往往会因为上下文信息不够而导致识别的鲁棒充分性较低。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于DXF矢量平面图的室内半自动制图与建模方法。
本发明所提出的基于学习的室内制图与建模方法能够从存在大量拓扑不一致的CAD线段和弧段中构建以核心要素为边界的多边形,在实现多边形融合过程中自动修复可能存在的缝隙拓扑错误,在构面上具有更高的鲁棒性。而且本发明是以平面图中的多边形作为语义识别的几何对象,多边形相较于线元素,不仅能够捕获更多的上下文信息,而且具有更为稳定和易于提取的几何与拓扑特征,更容易区分不同的室内要素类型,可有效满足室内制图和建模的应用需求。
本发明通过以下技术方案来实现上述目的:
本发明提供了一种基于DXF矢量平面图的室内半自动制图与建模方法,首先人工完成图层的筛除工作,然后基于仅包含要素几何信息的数据图上的线段,利用三角剖分的方法并设计一定的合并规则完成多边形的融合和缝隙线的修补。然后基于合并后的多边形要素图,把待分类多边形的若干形状与邻域特征作为特征向量,并构建数据集训练分类器,对多边形进行分类,完成室内核心要素的几何与语义提取。并通过给定高度,生成三维简易模型。该方法主要包括以下步骤:
S1:对平面图的图层语义组织和几何对象使用习惯进行分析,人工选取包含核心制图要素的图层,筛除标注层,对图层中的线要素进行处理;所述核心制图要素包括墙体、门窗、楼梯、电梯;所述标注层包括各类轴线、指示线、数字、文字和表格说明等。
S2:图层筛选后,以平面图中的线元素作为限制性线段,对平面图进行三角剖分,三角剖分后的结果图是由大小不一的三角形组成。
S3:三角剖分完成后,以限制性线元素作为边界,设计一定要求对限制性线段进行扩充,消除可能存在的缝隙等噪声问题。
S4:完成限制性线元素集合的扩充后,根据融合算法对三角形进行合并形成多边形平面图。所述多边形平面图即为各类室内核心制图要素所对应的多边形或多边形集合所构成的平面图。
S5:对若干个合并后的平面图要素多边形进行人工标注真值,所述标注真值是指对每个平面图中的每个室内建筑要素分别标注类型;以每一个合并后的多边形平面图作为一个数据,将该若干合并后的多边形平面图分为训练数据集和测试数据集;所述室内建筑要素包括墙、滑动门、窗、楼梯、电梯、房间和室外。
S6:根据各类要素的多边形几何特征以及邻域多边形的分布情况,设计平面图多边形的特征,作为多边形分类的特征向量。利用训练数据集中的数据,根据设计好的特征向量,对随机森林分类器进行训练,并采用测试数据集中的数据对训练后的随机森林分类器进行验证,当验证精度达到预设精度时,即得到最终的随机森林分类器;所述的随机森林分类器用来对输入的合并后的多边形平面图进行分类处理。
S7:将未知真值的图层筛选后的平面图,经过三角剖分和合并处理后,输入到训练后的随机森林分类器中,输出任一多边形平面图中的多边形所对应的要素类型的预测值。即可在仅已知多边形几何信息的基础上进行多边形语义信息的识别处理,输出可用的室内地图;所述室内地图是同时包含要素几何和语义信息的室内地图数据。
S8:将基于随机森林进行语义识别后的平面图通过室内空间-弧线门的要素分割算法,完成单元空间和弧线门的要素分割,输出新室内语义地图数据;
S9:根据所述室内地图,按照分别设定的室内建筑要素高度,通过三维挤出操作,得到室内三维模型。
进一步地,对限制性线段进行扩充时,处理过程为:在完成三角剖分后,检测三角形中的线状三角形,并将线状三角形的三边都标记为限制性线元素,所述线状三角形是指最大角>179°由线段构成的三角形;同时,检测平面图线元素中的悬挂端点,并在剩余的非限制性线元素三角形边中检测长度小于阈值的边。连接悬挂端点的短边有可能为缝隙,将与悬挂端点共顶点的其中一条三角形短边标记为限制性线元素,若该短边确实为缝隙,则可有效分隔缝隙两侧的多边形;若短边不是缝隙,则短边的另一个端点一般不会连接到限制性线元素的端点,该短边两侧的三角形仍可通过其他三角形邻接路径实现合并,并不影响最终的多边形合并结果。
进一步地,完成限制性线元素集合的扩充后,根据融合算法对三角形进行合并,合并后形成了多边形平面图。该融合算法的运算步骤如下:
S41:输入:三角形边集合edges={(tri1,tri2,con)|0<trii≤#triangles,trii∈Z,con∈{True,False}}和三角形集合triangles={(e1,e2,e3)|0<ei≤#edges,ei∈Z},其中,edges记录三角形边的左右两个邻接三角形标识符tri1和tri2,并用con表示是否为限制性边;triangles记录三角形三边在edges中的对应标识符,以便于在合并过程中快速搜索邻接的三角形;
S42:选取triangles中的第一个元素triangle1作为当前正在处理的多边形polygon,创建空数组merge_edges和merged_edges,将triangle1的非限制性边序号记录到merge_edges中,限制性边记录到merged_edges,从triangles中移除triangle1;
S43:将与merge_edges共边的三角形合并到polygon中,将当前的merge_edges移入merged_edges,并将新合并的三角形的非限制性线元素以及非merged_edges记录到merge_edges中,从triangles中移新增的三角形;
S44:若merge_edges和triangles均为空,则三角形合并完成;若merge_edges为空,且triangles不为空,则回到(2);若merge_edges不为空,则回到(3)
进一步地,根据各类要素的多边形几何特征以及邻域多边形的分布情况,设计平面图多边形的特征,作为多边形分类的特征向量。设计的平面图特征如下:
S61:多边形的大小是分类的重要指标之一,例如,房间的多边形面积一般远远大于墙体或者是窗户的多边形面积。
所述多边形大小特征计算公式为:
S62:多边形狭长程度:平面图中的边界类要素,如墙体和窗户等,多为条带状的狭长多边形,因此,多边形的狭长程度可作为区分边界要素和其他类型要素的一类特征。设计了两个特征反映多边形狭长程度,分别如下:
(1)相同面积的多边形,形状越狭长,越接近长条状,其周长就越长,周长面积比就越大。
所述周长面积比计算公式为:
其中perimeter(polygoni)为多边形的周长,area(polygoni)为多边形的面积。
(2)狭长多边形的负值缓冲由于边界相对较长,相对非狭长多边形可减去更多多边形面积,因此buff_ratio将比非狭长的多边形小得多。
所述buff_ratio的计算公式为:
其中area(neg_buffi)代表负值缓冲区,是多边形边界向内收缩生成的缓冲距离为负值的缓冲区,area(polygoni)是原多边形的面积。
S63:多边形凹凸程度可作为判断多边形类型的依据之一,凸多边形的conv_ratio接近或等于1,而凹多边形的conv_ratio则较小。
所述凸多边形是窗户或者楼梯等台阶多对应的多边形,一般为简单的矩形;
所述凹多边形而室内各个相连的房间和存在拐角的墙体
所述conv_ratio的计算公式为:
其中area(polygoni)是原多边形的面积,area(convex_hulli)是多边形凸包的面积。
S64:是否与平面图边界共边可用以提高室外多边形和边界要素的分类置信度;单楼层的平面图存在整体边界,而分类为墙体或者窗户等要素,可构成楼层的最外围边界要素,外围的边界要素和分类为室外多边形等可与平面图楼层的凸包边界共边。
S65:从邻域关系上看,某类要素多边形根据其邻域的多边形的特征不同也可以辅助作为分类依据,比如室内空间要素一般是由墙体和一些开口要素围成,而墙体和开口要素形状大小和凹凸性都存有不同。另外多边形的邻域多边形数量也存在差异,比如边界要素因为处于边界,所以只有部分边会出现邻域多边形。比如楼梯构造是由多个连续简单矩形构成,所以很容易出现楼梯的一阶邻域多边形多凸多边形,二阶邻域多边形也为凸多边形的情况。所述一阶邻域多边形是与多边形直接相邻接的边形;所述二阶邻域多边形是与一阶邻域多边形直接相邻接的多边形,根据上述特点设计了多边形邻域特征;所述多边形邻域特征的计算步骤如下:
(1)在取值区间离散化处理上本文以S63的凸包占比(conv_ratioi)为参考,确定一个间隔值(interval),比如0.1,采用等间隔划分原则将区间(0,1]划分为十维子区间(bins),将的结果作为容纳邻域特征的位置。是凸多边形或十分接近凸多边形的邻域多边形都附加在最后一维区间中(凸多边形区间),在位置上邻域凸多边形和凹多边形就进行了分布区分。
(2)首先将各子区间的统计值初始化为0,然后依据凹凸多边形的分布区分设计对应的特征。针对邻域凹多边形区间,设计共边周长比(shared_boundary_ratio),针对邻域凸多边形区间,设计了[邻域多边形数量和(neibor_plg_number),缓冲交集面积比(buffer_intersect_area_ratio),邻域凸多边形面积占比(convex_neibor_area_ratio)]这个三维特征。然后将设计好的邻域特征值累加到对应的区间中。
所述shared_boundary_ratio的计算公式为:
其中length(shared_boundaryi)是邻域多边形和原多边形的共边长度,perimeter(polygoni)是多边形的周长;所述的neibor_plg_number是指邻域多边形的数量。
所述的buffer_intersect_area_ratio的计算公式为:
其中buffer_intersect_area_ratio为作正值缓冲后的多边形同邻域多边形的交集面积占总邻域交集面积的比例;
所述convex_neibor_area_ratio的计算公式为:
其中convex_neibor_area_ratio是邻域凸多边形面积占总邻域多边形面积的比例;
进一步地,采用的集成学习方法为随机森林(Random Forest,简称RF)。RF集成了T个决策树分类器,并对训练数据集进行自助采样(Bootstrap Sampling),产生T个训练集,分别训练T个决策树分类器,并在决策树的训练过程中引入了随机属性选择。RF分类器可较好地处理类不平衡问题,在平面图数据中取得较高的精度。
进一步地,利用了基础弧线门的引导特征-弧线,设计了一系列相交约束条件进行弧线门识别,完成单元空间和弧线门的要素分割,输出语义分明的要素平面图。所述的单元空间和弧线门的要素分割步骤如下:
S81:首先设置适当的相交直线向量夹角值和邻接线段长度阈差来检测平面图弧线,区分弧线和直线,构成两种基本元素集合。
S82:提取弧线的两个端点的连线,形成弧端线,然后根据构成相交关系的弧端线和门框线的向量夹角值和邻接门框线段长度阈差这两个条件,完成对室内空间-弧线门的要素分割。
所述相交直线向量夹角值(Angle_threshold)的计算公式为:
Angle_threshold=angle(vector1-vector2)
其中angle(vector1-vector2)是指两条相交线段向量的夹角值;
所述线段长度阈差(Differ_line)的计算公式为:
Differ_line=lenth(line1)-lenth(line2)
其中lenth(line1)-lenth(line2)是指两条线段之间的长度差值;
本发明的有益效果在于:
本发明是一种基于DXF矢量平面图的室内半自动制图与建模方法,与现有技术相比,本发明可以实现室内DXF二维矢量平面图的有效处理和语义识别,避免繁琐的提取规则和过程实现,可处理矢量平面图上的复杂墙体和弧线墙体,满足室内位置服务对公共场所的地图与模型需求。
附图说明
图1是本发明实施例中一种基于DXF矢量平面图的室内自动制图和建模方法的流程图;
图2是本发明实施例中图层筛选前的源平面示意图;
图3是本发明实施例中图层筛选后的图层筛选平面示意图;
图4是本发明实施例中限制性三角剖分结果示意图;
图5是本发明实施例中多边形合并结果示意图;
图6是本发明实施例中有线元素缝隙影响的缝隙示意图;
图7是本发明实施例中顾及线元素缝隙影响的三角形合并结果示意图;
图8是本发明实施例中平面图三角形合并流程示意图;
图9是本发明实例中训练分类器的标注平面图真值数据图;
图10是本发明实施例中在准备数据集下输出的二维室内地图结果图;
图11是本发明实施例中完成室内空间-弧线门要素分割前后的室内语义地图结果图;
图12是本发明实施例中在准备数据集下输出的的三维室内简模结果图。
具体实施方式
下面结合附图对本发明作进一步说明:
本发明的实施例提供了一种基于DXF矢量平面图的室内半自动制图与建模方法,其输入为DXF格式的矢量平面图,输出为室内地图与模型。目前并没有这方面的公开数据集,本实施例中所采用的平面图数据来源于淘宝数据集。
如图1所示,图1是本发明实施例中一种基于DXF矢量平面图的室内半自动制图与建模方法的流程图,具体包括如下步骤:
S1:对平面图的图层语义组织和几何对象使用习惯进行分析,人工选取包含核心制图要素的图层,筛除标注层,并对图层中的线要素进行处理;所述制图核心要素包括墙体、门窗、楼梯、电梯;所述标注层包括各类轴线、指示线、数字、文字和表格说明等。图层筛选前如图2所示,本发明只保留能够反映室内通行情况的核心制图要素所在的图层,包含墙体、门窗、楼梯和电梯所在的图层,图层筛选后如图3所示。
S2:图层筛选后,以平面图中的线元素作为限制性线段,对平面图进行三角剖分,三角剖分后的结果图是由大大小小三角形组成,如图4所示。
S3:三角形合并后的结果图如图5所示。在进行三角形合并前,考虑到线之间存在缝隙,若直接以平面图现有的线元素作为边界进行合并,则容易将原本分属不同类型的邻接多边形合并为单独一个多边形,如图6所示。所以在三角剖分完成时,就要基于上述问题去扩充限制性线段,具体是以限制性线元素作为边界,检测三角形中的线状三角形,并将线状三角形的三边都标记为限制性线元素,所述线状三角形指如述线状三角形是指最大角>179°由线段构成的三角形;同时,检测平面图线元素中的悬挂端点,并在剩余的非限制性线元素三角形边中检测长度小于阈值的边。连接悬挂端点的短边有可能为缝隙,将与悬挂端点共顶点的其中一条三角形短边标记为限制性线元素,若该短边确实为缝隙,则可有效分隔缝隙两侧的多边形;若短边不是缝隙,则短边的另一个端点一般不会连接到限制性线元素的端点,该短边两侧的三角形仍可通过其他三角形邻接路径实现合并,并不影响最终的多边形合并结果。经上述处理后可以消除可能存在的缝隙等噪声问题。顾及线元素缝隙影响的三角形合并结果如图7所示。
S4:完成限制性线元素集合的扩充后,根据设计的融合算法可对三角形进行合并,合并后形成了多边形平面图。所述多边形平面图即为各类室内核心制图要素所对应的多边形或多边形集合所构成的平面图。设计的融合算法步骤如下:
S41:输入:三角形边集合edges={(tri1,tri2,con)|0<trii≤#triangles,trii∈Z,con∈{True,False}}和三角形集合triangles={(e1,e2,e3)|0<ei≤#edges,ei∈Z},其中,edges记录三角形边的左右两个邻接三角形标识符tri1和tri2,并用con表示是否为限制性边;triangles记录三角形三边在edges中的对应标识符,以便于在合并过程中快速搜索邻接的三角形;
S42:选取triangles中的第一个元素triangle1作为当前正在处理的多边形polygon,创建空数组merge_edges和merged_edges,将triangle1的非限制性边序号记录到merge_edges中,限制性边记录到merged_edges,从triangles中移除triangle1;
S43:将与merge_edges共边的三角形合并到polygon中,将当前的merge_edges移入merged_edges,并将新合并的三角形的非限制性线元素以及非merged_edges记录到merge_edges中,从triangles中移新增的三角形;
S44:若merge_edges和triangles均为空,则三角形合并完成;若merge_edges为空,且triangles不为空,则回到S42:;若merge_edges不为空,则回到S43。
整个扩充限制性线段并进行合并的流程图如图8所示。
S5:对若干个合并后的平面图要素多边形进行人工标注真值处理,所述标注真值是指对每个平面图中的每个室内建筑要素分别标注类型;以每一个合并后的多边形平面图作为一个数据,将该若干合并后的多边形平面图分为训练数据集和测试数据集;所述室内建筑要素包括墙、滑动门、窗、楼梯、电梯、房间和室外。标注真值的数据图如图9所示。
S6:根据各类要素的多边形几何特征以及邻域多边形的分布情况,设计平面图多边形的特征,作为多边形分类的特征向量。利用训练数据集中的数据,根据设计好的特征向量,对随机森林分类器进行训练,并采用测试数据集中的数据对训练后的随机森林分类器进行验证,当验证精度达到预设精度时,即得到最终的随机森林分类器;所述的随机森林分类器用来对输入的合并后的多边形平面图进行分类处理。设计的平面图特征如下:
S61:多边形的大小是分类的重要指标之一,例如,房间的多边形面积一般远远大于墙体或者是窗户的多边形面积。
所述多边形大小特征计算公式为:
S62:多边形狭长程度:平面图中的边界类要素,如墙体和窗户等,多为条带状的狭长多边形,因此,多边形的狭长程度可作为区分边界要素和其他类型要素的一类特征。设计了两个特征反映多边形狭长程度,分别如下:
(1)相同面积的多边形,形状越狭长,越接近长条状,其周长就越长,周长面积比就越大。
所述周长面积比计算公式为:
其中perimeter(polygoni)为多边形的周长,area(polygoni)为多边形的面积。
(2)狭长多边形的负值缓冲由于边界相对较长,相对非狭长多边形可减去更多多边形面积,因此buff_ratio将比非狭长的多边形小得多。
所述buff_ratio的计算公式为:
其中area(neg_buffi)代表负值缓冲区,是多边形边界向内收缩生成的缓冲距离为负值的缓冲区,area(polygoni)是原多边形的面积。
S63:多边形凹凸程度可作为判断多边形类型的依据之一,凸多边形的conv_ratio接近或等于1,而凹多边形的conv_ratio则较小。
所述凸多边形是窗户或者楼梯等台阶多对应的多边形,一般为简单的矩形;
所述凹多边形而室内各个相连的房间和存在拐角的墙体
所述conv_ratio的计算公式为:
其中area(polygoni)是原多边形的面积,area(convex_hulli)是多边形凸包的面积。
S64:是否与平面图边界共边可用以提高室外多边形和边界要素的分类置信度;单楼层的平面图存在整体边界,而分类为墙体或者窗户等要素,可构成楼层的最外围边界要素,外围的边界要素和分类为室外多边形等可与平面图楼层的凸包边界共边。
S65:从邻域关系上看,某类要素多边形根据其邻域的多边形的特征不同也可以辅助作为分类依据,比如室内空间要素一般是由墙体和一些开口要素围成,而墙体和开口要素形状大小和凹凸性都存有不同。另外多边形的邻域多边形数量也存在差异,比如边界要素因为处于边界,所以只有部分边会出现邻域多边形,而内部为简单矩形的多边形,比如楼梯,窗户,推拉门可能会出现小于等于其边界数量邻域多边形;又比如楼梯构造是由多个连续简单矩形构成,所以很容易出现楼梯的一阶邻域多边形多凸多边形,二阶邻域多边形也为凸多边形的情况。所述一阶邻域多边形是与多边形直接相邻接的边形;所述二阶邻域多边形是与一阶邻域多边形直接相邻接的多边形,根据上述特点设计了多边形邻域特征;所述多边形邻域特征的计算步骤如下:
(1)在取值区间离散化处理上本文以S63的凸包占比(conv_ratioi)为参考,确定一个间隔值(interval),比如0.1,采用等间隔划分原则将区间(0,1]划分为十维子区间(bins),将的结果作为容纳邻域特征的位置。是凸多边形或十分接近凸多边形的邻域多边形都附加在最后一维区间中(凸多边形区间),在位置上邻域凸多边形和凹多边形就进行了分布区分。
(2)首先将各子区间的统计值初始化为0,然后依据凹凸多边形的分布区分设计对应的特征。针对邻域凹多边形区间,设计共边周长比(shared_boundary_ratio),针对邻域凸多边形区间,设计了[邻域多边形数量和(neibor_plg_number),缓冲交集面积比(buffer_intersect_area_ratio),邻域凸多边形面积占比(convex_neibor_area_ratio)]这个三维特征。然后将设计好的邻域特征值累加到对应的区间中。
所述shared_boundary_ratio的计算公式为:
其中length(shared_boundaryi)是邻域多边形和原多边形的共边长度,perimeter(polygoni)是多边形的周长;
所述的neibor_plg_number是指邻域多边形的数量。
所述的buffer_intersect_area_ratio的计算公式为:
其中buffer_intersect_area_ratio为作正值缓冲后的多边形同邻域多边形的交集面积占总邻域交集面积的比例;
所述convex_neibor_area_ratio的计算公式为:
其中convex_neibor_area_ratio是邻域凸多边形面积占总邻域多边形面积的比例;
S7:将未知真值的图层筛选后的平面图,经过三角剖分和合并处理后,输入到训练后的随机森林分类器中,输出所述的任一多边形平面图中的多边形所对应的要素类型的预测值。即可在仅已知多边形几何信息的基础上进行多边形语义信息的识别处理,输出可用的室内地图;所述输出的室内地图是同时包含要素几何和语义信息的室内地图。图层筛选后的数据经过合并算法、基于随机森林的语义识别处理前后如图10所示。
S8:将S7的输出平面图通过室内空间-弧线门的要素分割算法,完成单元空间和弧线门的要素分割,输出新室内语义地图数据;所述的新室内语义地图数据在原本的包含七种语义信息的室内地图数据基础上扩充了弧线门的语义,形成同时包含要素几何信息和弧线门、墙、滑动门、窗、楼梯、电梯、房间和室外这八种语义信息的室内地图数据。输出的新室内语义地图见图11所示。
S8:根据最终输出的室内语义地图,按照分别设定的室内建筑要素的高度,通过三维挤出操作,得到室内三维简模,如图12所示。
本发明提供的技术方案带来的有益效果是:实现室内DXF二维矢量平面图的有效处理和语义识别。提出了一种高效的构面方法,以多边形作为语义识别的对象,避免以线段作为识别对象时繁琐的提取规则和过程实现。相较于线元素,不仅能够捕获更多的上下文信息,而且具有更为稳定和易于提取的几何与拓扑特征,更容易区分不同的室内要素类型。该方法也可处理矢量平面图上的复杂墙体和弧线墙体,满足室内位置服务对公共场所的地图与模型需求。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于DXF矢量平面图的室内半自动制图与建模方法,其特征在于:包括以下步骤:
S1:对平面图的图层语义组织和几何对象进行习惯性分析,人工选取包含核心制图要素的图层,筛除标注层,对图层中的线要素进行处理;所述核心制图要素包括墙体、门窗、楼梯、电梯;所述标注层包括轴线、指示线、数字、文字和表格说明;
S2:图层筛选后,以平面图中的线元素作为限制性线段,对平面图进行三角剖分,三角剖分后的结果图是由大小不一的三角形组成;
S3:三角剖分完成后,以限制性线元素作为边界,对限制性线段进行扩充,消除可能存在的噪声问题;
S4:完成限制性线元素集合的扩充后,根据融合算法对三角形进行合并形成多边形平面图;所述多边形平面图即为各类室内核心制图要素所对应的多边形或多边形集合所构成的平面图;
S5:对若干个合并后的平面图要素多边形进行人工标注真值,所述标注真值是指对每个平面图中的每个室内建筑要素分别标注类型;以每一个合并后的多边形平面图作为一个数据,将该若干合并后的多边形平面图分为训练数据集和测试数据集;所述室内建筑要素包括墙、滑动门、窗、楼梯、电梯、房间和室外;
S6:根据各类要素的多边形几何特征以及邻域多边形的分布情况设计平面图多边形的特征,作为多边形分类的特征向量;利用训练数据集中的数据,根据设计好的特征向量,对随机森林分类器进行训练,并采用测试数据集中的数据对训练后的随机森林分类器进行验证,当验证精度达到预设精度时,即得到最终的随机森林分类器;所述的随机森林分类器用来对输入的合并后的多边形平面图进行分类处理;
S7:将未知真值的图层筛选后的平面图,经过三角剖分和合并处理后,输入到训练后的随机森林分类器中,输出任一多边形平面图中的多边形所对应的要素类型的预测值;即可在仅已知多边形几何信息的基础上进行多边形语义信息的识别处理,输出可用的室内地图;所述室内地图是同时包含要素几何和语义信息的室内地图数据;
S8:将基于随机森林进行语义识别后的平面图通过室内空间-弧线门的要素分割算法,完成单元空间和弧线门的要素分割,输出新室内语义地图数据;
S9:根据所述室内地图,按照分别设定的室内建筑要素高度,通过三维挤出操作,得到室内三维模型。
2.根据权利要求1所述的基于DXF矢量平面图的室内半自动制图与建模方法,其特征在于:步骤S3中,对限制性线段进行扩充时,处理过程为:在完成三角剖分后,检测三角形中的线状三角形,并将线状三角形的三边都标记为限制性线元素,所述线状三角形是指最大角>179°由线段构成的三角形;同时,检测平面图线元素中的悬挂端点,并在剩余的非限制性线元素三角形边中检测长度小于阈值的边;连接悬挂端点的短边有可能为缝隙,将与悬挂端点共顶点的其中一条三角形短边标记为限制性线元素,若该短边确实为缝隙,则可有效分隔缝隙两侧的多边形;若短边不是缝隙,则短边的另一个端点一般不会连接到限制性线元素的端点,该短边两侧的三角形仍可通过其他三角形邻接路径实现合并,并不影响最终的多边形合并结果。
3.根据权利要求1所述的基于DXF矢量平面图的室内半自动制图与建模方法,其特征在于:步骤S4中,完成限制性线元素集合的扩充后,根据融合算法对三角形进行合并,合并后形成了多边形平面图;该融合算法的运算步骤如下:
S41:输入:三角形边集合edges={(tri1,tri2,con)|0<trii≤#triangles,trii∈Z,con∈{True,False}}和三角形集合triangles={(e1,e2,e3)|0<ei≤#edges,ei∈Z},其中,edges记录三角形边的左右两个邻接三角形标识符tri1和tri2,并用con表示是否为限制性边;triangles记录三角形三边在edges中的对应标识符,以便于在合并过程中快速搜索邻接的三角形;
S42:选取triangles中的第一个元素triangle1作为当前正在处理的多边形polygon,创建空数组merge_edges和merged_edges,将triangle1的非限制性边序号记录到merge_edges中,限制性边记录到merged_edges,从triangles中移除triangle1;
S43:将与merge_edges共边的三角形合并到polygon中,将当前的merge_edges移入merged_edges,并将新合并的三角形的非限制性线元素以及非merged_edges记录到merge_edges中,从triangles中移新增的三角形;
S44:若merge_edges和triangles均为空,则三角形合并完成;若merge_edges为空,且triangles不为空,则回到S2;若merge_edges不为空,则回到S3。
4.根据权利要求1所述的基于DXF矢量平面图的室内半自动制图与建模方法,其特征在于:步骤S6中,根据各类要素的多边形几何特征以及邻域多边形的分布情况,设计平面图多边形的特征,作为多边形分类的特征向量;设计的平面图特征如下:
S61:多边形的大小是分类的重要指标之一;
多边形大小特征计算公式为:
S62:多边形狭长程度:平面图中的边界类要素多为条带状的狭长多边形,因此,多边形的狭长程度可作为区分边界要素和其他类型要素的一类特征;设计了两个特征反映多边形狭长程度,分别如下:
(1)相同面积的多边形,形状越狭长,越接近长条状,其周长就越长,周长面积比就越大;
所述周长面积比计算公式为:
其中perimeter(polygoni)为多边形的周长,area(polygoni)为多边形的面积;
(2)狭长多边形的负值缓冲由于边界相对较长,相对非狭长多边形可减去更多多边形面积,因此buff_ratio将比非狭长的多边形小得多;
所述buff_ratio的计算公式为:
其中area(neg_buffi)代表负值缓冲区,是多边形边界向内收缩生成的缓冲距离为负值的缓冲区,area(polygoni)是原多边形的面积;
S63:多边形凹凸程度可作为判断多边形类型的依据之一,凸多边形的conv_ratio接近或等于1,而凹多边形的conv_ratio则较小;
所述凸多边形是窗户或者楼梯等台阶多对应的多边形为简单的矩形;
所述凹多边形而室内各个相连的房间和存在拐角的墙体
所述conv_ratio的计算公式为:
其中area(polygoni)是原多边形的面积,area(convex_hulli)是多边形凸包的面积;
S64:是否与平面图边界共边可用以提高室外多边形和边界要素的分类置信度;单楼层的平面图存在整体边界,而分类为墙体或者窗户等要素,可构成楼层的最外围边界要素,外围的边界要素和分类为室外多边形等可与平面图楼层的凸包边界共边;
S65设计多边形邻域特征;所述多边形邻域特征的计算步骤如下:
(1)在取值区间离散化处理上以S63的凸包占比为参考,确定一个间隔值,采用等间隔划分原则将区间划分为十维子区间,将的结果作为容纳邻域特征的位置,是凸多边形或十分接近凸多边形的邻域多边形都附加在最后一维区间中,在位置上邻域凸多边形和凹多边形就进行了分布区分;
(2)首先将各子区间的统计值初始化为0,然后依据凹凸多边形的分布区分设计对应的特征。针对邻域凹多边形区间,设计共边周长比shared_boundary_ratio,针对邻域凸多边形区间,设计了邻域多边形数量neibor_plg_number,缓冲交集面积比buffer_intersect_area_ratio,邻域凸多边形面积占比convex_neibor_area_ratio这个三维特征,然后将设计好的邻域特征值累加到对应的区间中;
所述shared_boundary_ratio的计算公式为:
其中length(shared_boundaryi)是邻域多边形和原多边形的共边长度,perimeter(polygoni)是多边形的周长;
所述的neibor_plg_number是指邻域多边形的数量;
所述的buffer_intersect_area_ratio的计算公式为:
其中buffer_intersect_area_ratio为作正值缓冲后的多边形同邻域多边形的交集面积占总邻域交集面积的比例;
所述convex_neibor_area_ratio的计算公式为:
其中convex_neibor_area_ratio是邻域凸多边形面积占总邻域多边形面积的比例。
5.根据权利要求1所述的基于DXF矢量平面图的室内半自动制图与建模方法,其特征在于:步骤S6中,采用的集成学习方法为随机森林(Random Forest,简称RF),RF集成了T个决策树分类器,并对训练数据集进行自助采样(Bootstrap Sampling),产生T个训练集,分别训练T个决策树分类器,并在决策树的训练过程中引入了随机属性选择,RF分类器可较好地处理类不平衡问题,在平面图数据中取得较高的精度。
6.根据权利要求1所述的基于DXF矢量平面图的室内半自动制图与建模方法,其特征在于:步骤S8中,所述的单元空间和弧线门的要素分割步骤如下:
S81:首先设置适当的相交直线向量夹角值和邻接线段长度阈差来检测平面图弧线,区分弧线和直线,构成两种基本元素集合;
S82:提取弧线的两个端点的连线,形成弧端线,然后根据构成相交关系的弧端线和门框线的向量夹角值和邻接门框线段长度阈差这两个条件,完成对室内空间-弧线门的要素分割;
所述相交直线向量夹角值(Angle_threshold)的计算公式为:
Angle_threshold=angle(vector1-vector2)
其中angle(vector1-vector2)是指两条相交线段向量的夹角值;
所述线段长度阈差(Differ_line)的计算公式为:
Differ_line=lenth(line1)-lenth(line2)
其中lenth(line1)-lenth(line2)是指两条线段之间的长度差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721030.1A CN113642065B (zh) | 2021-06-28 | 2021-06-28 | 一种基于dxf矢量平面图的室内半自动制图与建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721030.1A CN113642065B (zh) | 2021-06-28 | 2021-06-28 | 一种基于dxf矢量平面图的室内半自动制图与建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642065A true CN113642065A (zh) | 2021-11-12 |
CN113642065B CN113642065B (zh) | 2024-03-12 |
Family
ID=78416252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721030.1A Active CN113642065B (zh) | 2021-06-28 | 2021-06-28 | 一种基于dxf矢量平面图的室内半自动制图与建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642065B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048535A (zh) * | 2021-11-17 | 2022-02-15 | 北京蜂鸟视图科技有限公司 | 构建地图时在cad墙图层中生成门窗的系统及其方法 |
CN115273645A (zh) * | 2022-08-09 | 2022-11-01 | 南京大学 | 一种室内面要素自动聚类的地图制图方法 |
WO2023103147A1 (zh) * | 2021-12-10 | 2023-06-15 | 广东三维家信息科技有限公司 | 一种室内场景布局方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07152928A (ja) * | 1993-11-30 | 1995-06-16 | Canon Inc | 画像処理方法及び装置 |
JP2003323640A (ja) * | 2002-04-26 | 2003-11-14 | Asia Air Survey Co Ltd | レーザスキャナデータと空中写真画像を用いた高精度都市モデルの生成方法及び高精度都市モデルの生成システム並びに高精度都市モデルの生成のプログラム |
US20070198231A1 (en) * | 2006-01-11 | 2007-08-23 | The Gannon Technologies Group | Program managed design for complex construction projects |
US20100299065A1 (en) * | 2008-07-25 | 2010-11-25 | Mays Joseph P | Link-node maps based on open area maps |
CN103473420A (zh) * | 2013-09-18 | 2013-12-25 | 武汉大学 | 一种分区统计地图中统计图表的自动定位方法 |
KR20140062647A (ko) * | 2012-11-14 | 2014-05-26 | 한국전자통신연구원 | 실내 공간 지도 작성 방법 및 그 장치 |
KR20190100118A (ko) * | 2019-08-13 | 2019-08-28 | 네이버 주식회사 | 실내지도 작성 방법 및 그 장치 |
CN112084548A (zh) * | 2019-06-14 | 2020-12-15 | 中南大学 | 用于边坡稳定性分析的2.5d可视化建模方法和系统 |
-
2021
- 2021-06-28 CN CN202110721030.1A patent/CN113642065B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07152928A (ja) * | 1993-11-30 | 1995-06-16 | Canon Inc | 画像処理方法及び装置 |
JP2003323640A (ja) * | 2002-04-26 | 2003-11-14 | Asia Air Survey Co Ltd | レーザスキャナデータと空中写真画像を用いた高精度都市モデルの生成方法及び高精度都市モデルの生成システム並びに高精度都市モデルの生成のプログラム |
US20070198231A1 (en) * | 2006-01-11 | 2007-08-23 | The Gannon Technologies Group | Program managed design for complex construction projects |
US20100299065A1 (en) * | 2008-07-25 | 2010-11-25 | Mays Joseph P | Link-node maps based on open area maps |
KR20140062647A (ko) * | 2012-11-14 | 2014-05-26 | 한국전자통신연구원 | 실내 공간 지도 작성 방법 및 그 장치 |
CN103473420A (zh) * | 2013-09-18 | 2013-12-25 | 武汉大学 | 一种分区统计地图中统计图表的自动定位方法 |
CN112084548A (zh) * | 2019-06-14 | 2020-12-15 | 中南大学 | 用于边坡稳定性分析的2.5d可视化建模方法和系统 |
KR20190100118A (ko) * | 2019-08-13 | 2019-08-28 | 네이버 주식회사 | 실내지도 작성 방법 및 그 장치 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048535A (zh) * | 2021-11-17 | 2022-02-15 | 北京蜂鸟视图科技有限公司 | 构建地图时在cad墙图层中生成门窗的系统及其方法 |
WO2023103147A1 (zh) * | 2021-12-10 | 2023-06-15 | 广东三维家信息科技有限公司 | 一种室内场景布局方法、装置、电子设备及存储介质 |
CN115273645A (zh) * | 2022-08-09 | 2022-11-01 | 南京大学 | 一种室内面要素自动聚类的地图制图方法 |
CN115273645B (zh) * | 2022-08-09 | 2024-04-09 | 南京大学 | 一种室内面要素自动聚类的地图制图方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113642065B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642065B (zh) | 一种基于dxf矢量平面图的室内半自动制图与建模方法 | |
Ochmann et al. | Automatic reconstruction of fully volumetric 3D building models from oriented point clouds | |
CN108898605B (zh) | 一种基于图的栅格地图分割方法 | |
Wu et al. | Automated extraction of ground surface along urban roads from mobile laser scanning point clouds | |
Tang et al. | Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques | |
Zhang et al. | Online structure analysis for real-time indoor scene reconstruction | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
Toshev et al. | Detecting and parsing architecture at city scale from range data | |
EP2064657B1 (en) | Geospatial modeling system providing building roof type identification features and related methods | |
Anagnostopoulos et al. | Detection of walls, floors, and ceilings in point cloud data | |
JP6621445B2 (ja) | 特徴抽出装置、物体検出装置、方法、及びプログラム | |
WO2012071688A1 (zh) | 基干感知信息的三维模型形狀分析方法 | |
Tang et al. | BIM generation from 3D point clouds by combining 3D deep learning and improved morphological approach | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
Oskouie et al. | Automated recognition of building façades for creation of As-Is Mock-Up 3D models | |
Bassier et al. | Comparison of 2D and 3D wall reconstruction algorithms from point cloud data for as-built BIM. | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN107818338B (zh) | 一种面向地图综合的建筑物群组模式识别的方法及系统 | |
JP6600615B2 (ja) | クラスタリング装置、人工物識別装置、幹検出装置、方法、及びプログラム | |
US7181377B1 (en) | Method of modifying a volume mesh using sheet extraction | |
CN113868816A (zh) | 一种室内路径拓扑的构建方法、系统、设备及终端 | |
Wolf et al. | Techniques for Automated Classification and Segregation of Mobile Mapping 3D Point Clouds. | |
Mehranfar et al. | A hybrid top-down, bottom-up approach for 3D space parsing using dense RGB point clouds | |
CN110781851A (zh) | 一种基于图片的装修户型图识别方法 | |
Namouchi et al. | Piecewise horizontal 3d roof reconstruction from aerial lidar |
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 |