CN113689567B - 在云端单体化倾斜摄影模型中建筑的方法 - Google Patents
在云端单体化倾斜摄影模型中建筑的方法 Download PDFInfo
- Publication number
- CN113689567B CN113689567B CN202110834614.XA CN202110834614A CN113689567B CN 113689567 B CN113689567 B CN 113689567B CN 202110834614 A CN202110834614 A CN 202110834614A CN 113689567 B CN113689567 B CN 113689567B
- Authority
- CN
- China
- Prior art keywords
- data set
- point cloud
- building
- cloud data
- cloud
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种在云端单体化倾斜摄影模型中建筑的方法,包括:生成倾斜摄影模型;对点云数据进行滤波;建立多个点云数据集;初步判定各点云数据集所属物体的种类;对点云数据集进行二次判定;对点云数据集进行对应的单体化;将地图数据输出至网页端;本发明直接通过互联网云端对斜拍摄影模型中的建筑进行单体化,能够有效避免主机内没有对应软件进行单体化导致无法生成单体模型的情况发生,同时,所述云端中设有多个预设占地面积和多个预设高度标准数据组,通过根据不同的占地面积选取对应的预设高度标准,能够对该点云数据集所属物体的实际种类进行进一步判定,有效提高了本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
Description
技术领域
本发明涉及倾斜实景建模技术领域,尤其涉及一种在云端单体化倾斜摄影模型中建筑的方法。
背景技术
随着倾斜实景建模技术的快速发展与成熟,通过三维数据实现空间信息对象化管理、查询、分析、统计等应用已经成为行业必然趋势。倾斜摄影实景三维建模技术由于其全自动生成机制是构建一个连续的、整体的TIN网结构,决定了获得的模型成果是“一体化”的模型结果,对于地物的属性信息没有类别的区分,不能够实现每一类地物甚至每一个单独的对象分离提取,缺乏三维空间信息对象化管理分析能力,已不能满足多行业多元化的应用需求。所以基于现有技术的发展,充分利用计算机资源从而实现快速、精准模型单体化提取将是行业发展的需要与方向。
目前,现有的技术均需要由指定的软件以针对模型进行单体化,单体化技术大致有三种,切割单体化、ID单体化和动态单体化。切割单体化用建筑物、道路、树木等对应的矢量面,对倾斜摄影模型进行切割,把连续的三角面从物理上分割开,必须先对模型进行物理切割,一般倾斜摄影的模型都比较大,预处理时间长,切割之后的模型会有明显的锯齿,而且倾斜摄影模型不只有一种清晰度,无论对哪种清晰度的模型进行切割,都会破坏掉模型相应清晰度所对应的材质,显示重复的材质会进一步影响查看模型时的性能。ID单体化利用三角面中每个顶点额外的存储空间,把对应的矢量面的ID值存储起来,让一个建筑物对应的三角面的所有顶点,都存储了同一个ID值,从而实现在鼠标选中这个建筑物时,该建筑物可以呈现出高亮的效果,需要一定的预处理,但不能在动态渲染中使用。动态单体化在三维渲染的时候,动态地把对应的矢量面叠加到倾斜摄影模型上,类似于一个保鲜膜从上到下的把对应的建筑物等等包裹起来,从而实现可被单独选中的效果,一般不需要预处理,单体化后的模型基本没有锯齿。
然而,这些方法大都需要使用专业的桌面软件,在主机内不存在对应软件时无法快速对倾斜摄影模型中的建筑进行快速的单体化,对硬件的要求较高,同时,由于城市中地物种类较多,且每种地物结构复杂、分布不均、形状各异,若采用人工逐个提取地物特征的方法,采集过程中由于人眼分辨率的限制不能精确捕捉定位每类地物的轮廓边界点造成操作局限无法做到精细化结果,大量人工投入工作量非常大成本高且速度慢,并且由于二维影像本身会存在遮挡等情况造成地物形状等信息丢失造成精度太低,针对倾斜摄影模型中建筑的单体化效率差,如果只需要便捷地标注倾斜摄影模型里的建筑,那么仍需要一种不需要预处理、能在更多硬件上、尽可能全自动进行单体化倾斜摄影模型中建筑的方法。
发明内容
为此,本发明提供一种在云端单体化倾斜摄影模型中建筑的方法,用以克服现有技术中无法脱离对应软件对倾斜摄影模型中建筑进行快速精准单体化导致的单体化效率差的问题。
为实现上述目的,本发明提供一种在云端单体化倾斜摄影模型中建筑的方法,包括:
步骤a,向网页端上传无人机拍摄的斜拍摄影数据,网页端将斜拍摄影数据输送至云端,云端根据倾斜摄影数据生成倾斜摄影模型并在生成倾斜摄影模型时检测是否存储有相同的倾斜摄影模型;
步骤b,若云端判定未存在与上述倾斜摄影模型相同的倾斜摄影模型,云端根据无人机采集的可见光图像生成可视化的点云数据,对点云数据进行滤波,得到地面点和非地面点;
步骤c,云端对间距超出预设距离D0的点云数据进行编号,建立多个点云数据集;
步骤d,云端依次对各点云数据集进行判定,针对单个点云数据集进行判定时,将该点云数据集组成的物体轮廓C依次与各预设轮廓进行比对以初步判定该点云数据集所属物体的种类;
步骤e,当云端初步判定该点云数据集所属物体属于建筑时,云端计算该点云数据集的占地面积并在计算完成时判定该点云数据集距离所述地面点的平均高度和最高高度与对应的预设高度之间的关系以对该点云数据集所属物体的种类进行二次判定,若云端在二次判定后判定该点云数据集所属物体种类为建筑时,云端记录该点云数据集编号;
步骤f,当云端完成对各所述点云数据集的二次判定时,云端记录各所述判定为建筑的点云数据集并依次针对各点云数据集所属的建筑种类分别进行对应的单体化,云端获取对应编号点云数据集的点云数据的二维矢量数据,对二维矢量数据光栅化处理生成矢量纹理信息并将矢量纹理信息与所述倾斜摄影模型的数据进行多重映射叠加渲染以完成对该编号点云数据集所属建筑的单体化;
步骤g,当云端完成对倾斜摄影图像中建筑的单体化时,云端存储单体化完成的地图数据并将单体化完成的地图数据输送至网页端,网页端输出单体化完成的地图数据以供使用者查看和管理;
在所述云端中设有第一预设占地面积S1、第二预设占地面积S2和第三预设占地面积S3,设定S1<S2<S3,云端中还设有第一预设高度标准数据组H1、第二预设高度标准数据组H2和第三预设高度标准数据组H3,即云端数据库里存在三组标准高度的数据组,对于第i预设高度标准数据组Hi,设定i=1,2,3,设定Hi(HiA,HiB,HiC),其中,HiA为第i预设最低高度,HiB为第i预设最高高度,HiC为第i预设平均高度;
当云端将单个所述点云数据集初步判定为建筑时,云端计算该点云数据集的占地面积S并依次将S与S1、S2、S3进行比较,
若S<S1,云端判定该点云数据集的初步判定出现偏差,对该点云数据集所属物体进行重新判定;
若S1≤S<S2,云端判定该点云数据集所属物体的种类为低层建筑,云端使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定;
若S2≤S<S3,云端判定该点云数据集所属物体的种类为中层建筑,云端使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若S≥S3,云端判定该点云数据集所属物体的种类为高层建筑,云端使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定;
当云端使用第i预设高度标准数据组Hi中的参数对所述点云数据集进行二次判定时,云端依次检测该点云数据集中顶端各点与地面点之间的距离,统计得出点云数据集中的最高高度HB和所述顶端各点与地面点之间的平均距离HC,当云端取得HB和HC数据时,云端将HB依次与HiA和HiB进行比对并将HC与HiC进行比对,
若HiA≤HB≤HiB,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号;
若HB<HiA或HB>HiB,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端根据HC与HiC的比对结果以及对点云数据集所属建筑种类的二次判定的结果重新对所述点云数据集所属建筑的种类进行判定直至云端确定针对所述点云数据集所属建筑种类的二次判定正确。
进一步地,当所述云端判定所述点云数据集所属物体的种类为低层建筑并使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定时,云端将HB依次与H1A和H1B进行比对并将HC与H1C进行比对,
若HB<H1A,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为非建筑并重新判定该点云数据集所属物体的种类;
若HB>H1B且HC>H1C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属建筑种类重新判定为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若HB>H1B且HC≤H1C,云端确定针对所述点云数据集所属建筑种类的二次判定正确,记录该点云数据集所属建筑种类并记录该点云数据集编号。
进一步地,当所述云端判定所述点云数据集所属物体的种类为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定时,云端将HB依次与H2A和H2B进行比对并将HC与H2C进行比对,
若HB<H2A且HC≤H2C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为低层建筑并重新判定该点云数据集所属物体的种类;
若HB>H2B且HC>H2C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属建筑种类重新判定为高层建筑并使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定,
若HB>H2B且HC≤H2C,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号。
进一步地,当所述云端判定所述点云数据集所属物体的种类为高层建筑并使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定时,云端将HB依次与H3A和H3B进行比对并将HC与H3C进行比对,
若HB<H3A且HC≤H3C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若HB>H3B,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号。
进一步地,所述云端还储存有预设建筑物轮廓特征C1、预设道路轮廓特征C2、预设河流轮廓特征C3、预设植被轮廓特征C4、预设地貌轮廓特征C5、预设路灯轮廓特征C6和预设车辆轮廓特征C7;当所述云端针对单个点云数据集组成的物体轮廓C依次与各预设轮廓进行比对以初步判定该点云数据集所属物体的种类时,若该点云数据集组成的物体的轮廓与单个所述预设轮廓特征的相似度高于90%,则云端将该点云数据集所述物体初步判定为与所述预设轮廓特征相同的种类;
若云端确定针对单个所述点云数据集所属建筑种类的二次判定不正确并将该点云数据集所属物体判定为非建筑时,云端将该点云数据集组成的物体轮廓C依次与除所述预设建筑物轮廓特征C1以外的预设轮廓进行比对以重新判定该点云数据集所述物体的种类。
进一步地,所述云端还设有预设单层高度HF,即相应低、中、高层建筑里每一层的最高高度不能高于相应建筑类型的最高高度HF,当所述云端判定所述点云数据集所属物体的种类为低层建筑时,云端将HB与HF进行比对,若HB<HF,云端将该点云数据集所属物体判定为非建筑并重新判定该点云数据集所属物体的种类;若HB≥HF,云端使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定。
进一步地,当所述云端检测是否存储有相同的倾斜摄影模型时,若云端存储有一倾斜摄影模型,该倾斜摄影模型与根据所述倾斜摄影数据生成的倾斜摄影模型的相似度高于95%,则云端判定两个倾斜摄影模型相同并向所述网页端输出存储的倾斜摄影模型的单体化完成的倾斜摄影图像。
进一步地,当云端判定所述两个倾斜摄影模型相同时,云端分别统计所述存储的倾斜摄影模型的存储时间以及所述根据倾斜摄影数据生成的倾斜摄影模型的时间,若两个时间的间隔小于2年,云端判定两个倾斜摄影模型相同,若两个时间的间隔高于2年,云端判定两个倾斜摄影模型不同并使用上述步骤对所述根据倾斜摄影数据生成的倾斜摄影模型中的建筑进行单体化。
与现有技术相比,本发明的有益效果在于,本发明直接通过互联网云端对斜拍摄影模型中的建筑进行单体化,能够有效避免主机内没有对应软件进行单体化导致无法生成单体模型的情况发生,能够有效提高针对倾斜摄影模型中建筑的单体化效率,同时,所述云端中设有第一预设占地面积S1、第二预设占地面积S2、第三预设占地面积S3、第一预设高度标准数据组H1、第二预设高度标准数据组H2和第三预设高度标准数据组H3,当云端将单个所述点云数据集初步判定为建筑时,云端计算该点云数据集的占地面积S、依次将S与S1、S2、S3进行比较并根据比较结果选取对应的预设高度标准数据组,通过根据不同的占地面积选取对应的预设高度标准,能够对该点云数据集所属物体的实际种类进行进一步判定,能够有效提高针对点云数据集是否为建筑的判定精度,从而有效提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,当所述云端判定所述点云数据集所属物体的种类为低层建筑并使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定时,云端会根据HB与H1A和H1B之间的关系以及HC与H1C之间的关系对该点云数据集进行重新判定,通过根据实际情况重新确定该点云数据集是否属于低层建筑并在点云数据集不属于低层建筑时对其所属种类进行重新判定,能够进一步提高针对倾斜摄影模型中物体种类的判定精度,并进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,当所述云端判定所述点云数据集所属物体的种类为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定时,云端会根据HB与H2A和H2B之间的关系以及HC与H2C之间的关系对该点云数据集进行重新判定,通过根据实际情况重新确定该点云数据集是否属于中层建筑并在点云数据集不属于中层建筑时对其所属建筑种类进行重新判定,能够进一步提高针对倾斜摄影模型中物体种类的判定精度,并进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,当所述云端判定所述点云数据集所属物体的种类为高层建筑并使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定时,云端会根据HB与H3A和H3B之间的关系以及HC与H3C之间的关系对该点云数据集进行重新判定,通过根据实际情况重新确定该点云数据集是否属于高层建筑并在点云数据集不属于高层建筑时对其所属建筑种类进行重新判定,能够进一步提高针对倾斜摄影模型中物体种类的判定精度,并进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,所述云端还储存有预设建筑物轮廓特征C1、预设道路轮廓特征C2、预设河流轮廓特征C3、预设植被轮廓特征C4、预设地貌轮廓特征C5、预设路灯轮廓特征C6和预设车辆轮廓特征C7,当所述云端针对单个点云数据集组成的物体轮廓C依次与各预设轮廓进行比对以初步判定该点云数据集所属物体的种类时,若该点云数据集组成的物体的轮廓与单个所述预设轮廓特征的相似度高于90%,则云端将该点云数据集所述物体初步判定为与所述预设轮廓特征相同的种类,通过在云端预存多个常见的街景物体的轮廓特征以对各点云数据集所属物体的种类进行初步判定,能够在单体化前期有效滤除斜拍摄模型中的非建筑物体,从而在对初步判定为建筑的点云数据集进行二次判定时有效减少二次判定的时间,进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,若云端确定针对单个所述点云数据集所属建筑种类的二次判定不正确并将该点云数据集所属物体判定为非建筑时,云端将该点云数据集组成的物体轮廓C依次与除所述预设建筑物轮廓特征C1以外的预设轮廓进行比对以重新判定该点云数据集所述物体的种类,通过在重新判定点云数据集所属物体种类时去除判定为建筑的结果,能够有效避免在重新判定时出现将点云数据集所属物体种类重新判定为建筑的情况发生,进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,所述云端还设有预设单层高度HF,当所述云端判定所述点云数据集所属物体的种类为低层建筑时,云端将HB与HF进行比对并根据比对结果重新判定点云数据集所属物品种类或使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定,能够在针对低层建筑进行二次判定前进一步滤除非建筑类的点云数据集,从而在对初步判定为建筑的点云数据集进行二次判定时进一步减少二次判定的时间地同时,进一步提高了本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,当所述云端检测是否存储有相同的倾斜摄影模型时,若云端存储有一倾斜摄影模型,该倾斜摄影模型与根据所述倾斜摄影数据生成的倾斜摄影模型的相似度高于95%,则云端判定两个倾斜摄影模型相同并向所述网页端输出存储的倾斜摄影模型的单体化完成的倾斜摄影图像,通过在云端储存各地的单体化完成的模型信息和地图信息,能够在用户对相同地域中的建筑进行单体化时直接使用预先单体化完成的模型,从而进一步提高了本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
进一步地,当云端判定所述两个倾斜摄影模型相同时,云端分别统计所述存储的倾斜摄影模型的存储时间以及所述根据倾斜摄影数据生成的倾斜摄影模型的时间,若两个时间的间隔高于2年,云端判定两个倾斜摄影模型不同并使用上述步骤对所述根据倾斜摄影数据生成的倾斜摄影模型中的建筑进行单体化,当两个时间的间隔过长时,云端对所述根据倾斜摄影数据生成的倾斜摄影模型中的建筑重新进行单体化,从而有效避免时间间隔过长,建筑发生改变导致信息出现偏差的情况发生,并进一步提高了本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
附图说明
图1为本发明所述在云端单体化倾斜摄影模型中建筑的方法的流程图;
图2为本发明所述云端进行倾斜摄影建筑单体化里步骤f所对应的在网页里单体化倾斜摄影模型中建筑的流程图;
图3为本发明所述手动在网页里进行倾斜摄影模型中建筑单体化的工具的结构框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
请参阅图1所示,其为本发明所述在云端单体化倾斜摄影模型中建筑的方法的流程图。
本发明所述在云端单体化倾斜摄影模型中建筑的方法包括:
步骤a,向网页端上传无人机拍摄的斜拍摄影数据,网页端将斜拍摄影数据输送至云端,云端根据倾斜摄影数据生成倾斜摄影模型并在生成倾斜摄影模型时检测是否存储有相同的倾斜摄影模型;
步骤b,若云端判定未存在与上述倾斜摄影模型相同的倾斜摄影模型,云端根据无人机采集的可见光图像生成可视化的点云数据,对点云数据进行滤波,得到地面点和非地面点;
步骤c,云端对间距超出预设距离D0的点云数据进行编号,建立多个点云数据集;
步骤d,云端依次对各点云数据集进行判定,针对单个点云数据集进行判定时,将该点云数据集组成的物体轮廓C依次与各预设轮廓进行比对以初步判定该点云数据集所属物体的种类;
步骤e,当云端初步判定该点云数据集所属物体属于建筑时,云端计算该点云数据集的占地面积并在计算完成时判定该点云数据集距离所述地面点的平均高度和最高高度与对应的预设高度之间的关系以对该点云数据集所属物体的种类进行二次判定,若云端在二次判定后判定该点云数据集所属物体种类为建筑时,云端记录该点云数据集编号;
步骤f,当云端完成对各所述点云数据集的二次判定时,云端记录各所述判定为建筑的点云数据集并依次针对各点云数据集所属的建筑种类分别进行对应的单体化,云端获取对应编号点云数据集的点云数据的二维矢量数据,对二维矢量数据光栅化处理生成矢量纹理信息并将矢量纹理信息与所述倾斜摄影模型的数据进行多重映射叠加渲染以完成对该编号点云数据集所属建筑的单体化;
步骤g,当云端完成对倾斜摄影图像中建筑的单体化时,云端存储单体化完成的地图数据并将单体化完成的地图数据输送至网页端,网页端输出单体化完成的地图数据以供使用者查看和管理;
在所述云端中设有第一预设占地面积S1、第二预设占地面积S2和第三预设占地面积S3,设定S1<S2<S3,云端中还设有第一预设高度标准数据组H1、第二预设高度标准数据组H2和第三预设高度标准数据组H3,对于第i预设高度标准数据组Hi,设定i=1,2,3,设定Hi(HiA,HiB,HiC),其中,HiA为第i预设最低高度,HiB为第i预设最高高度,HiC为第i预设平均高度;
当云端将单个所述点云数据集初步判定为建筑时,云端计算该点云数据集的占地面积S并依次将S与S1、S2、S3进行比较,
若S<S1,云端判定该点云数据集的初步判定出现偏差,对该点云数据集所属物体进行重新判定;
若S1≤S<S2,云端判定该点云数据集所属物体的种类为低层建筑,云端使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定;
若S2≤S<S3,云端判定该点云数据集所属物体的种类为中层建筑,云端使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若S≥S3,云端判定该点云数据集所属物体的种类为高层建筑,云端使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定,;
当云端使用第i预设高度标准数据组Hi中的参数对所述点云数据集进行二次判定时,云端依次检测该点云数据集中顶端各点与地面点之间的距离,统计得出点云数据集中的最高高度HB和所述顶端各点与地面点之间的平均距离HC,当云端取得HB和HC数据时,云端将HB依次与HiA和HiB进行比对并将HC与HiC进行比对,
若HiA≤HB≤HiB,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号;
若HB<HiA或HB>HiB,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端根据HC与HiC的比对结果以及对点云数据集所属建筑种类的二次判定的结果重新对所述点云数据集所属建筑的种类进行判定直至云端确定针对所述点云数据集所属建筑种类的二次判定正确。
本发明直接通过互联网云端对斜拍摄影模型中的建筑进行单体化,能够有效避免主机内没有对应软件进行单体化导致无法生成单体模型的情况发生,能够有效提高针对倾斜摄影模型中建筑的单体化效率,同时,所述云端中设有第一预设占地面积S1、第二预设占地面积S2、第三预设占地面积S3、第一预设高度标准数据组H1、第二预设高度标准数据组H2和第三预设高度标准数据组H3,当云端将单个所述点云数据集初步判定为建筑时,云端计算该点云数据集的占地面积S、依次将S与S1、S2、S3进行比较并根据比较结果选取对应的预设高度标准数据组,通过根据不同的占地面积选取对应的预设高度标准,能够对该点云数据集所属物体的实际种类进行进一步判定,能够有效提高针对点云数据集是否为建筑的判定精度,从而有效提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
具体而言,当所述云端判定所述点云数据集所属物体的种类为低层建筑并使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定时,云端将HB依次与H1A和H1B进行比对并将HC与H1C进行比对,
若HB<H1A,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为非建筑并重新判定该点云数据集所属物体的种类;
若HB>H1B且HC>H1C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属建筑种类重新判定为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若HB>H1B且HC≤H1C,云端确定针对所述点云数据集所属建筑种类的二次判定正确,记录该点云数据集所属建筑种类并记录该点云数据集编号。
通过根据实际情况重新确定该点云数据集是否属于低层建筑并在点云数据集不属于低层建筑时对其所属种类进行重新判定,能够进一步提高针对倾斜摄影模型中物体种类的判定精度,并进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
具体而言,当所述云端判定所述点云数据集所属物体的种类为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定时,云端将HB依次与H2A和H2B进行比对并将HC与H2C进行比对,
若HB<H2A且HC≤H2C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为低层建筑并重新判定该点云数据集所属物体的种类;
若HB>H2B且HC>H2C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属建筑种类重新判定为高层建筑并使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定,
若HB>H2B且HC≤H2C,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号。
通过根据实际情况重新确定该点云数据集是否属于中层建筑并在点云数据集不属于中层建筑时对其所属建筑种类进行重新判定,能够进一步提高针对倾斜摄影模型中物体种类的判定精度,并进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
具体而言,当所述云端判定所述点云数据集所属物体的种类为高层建筑并使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定时,云端将HB依次与H3A和H3B进行比对并将HC与H3C进行比对,
若HB<H3A且HC≤H3C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若HB>H3B,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号。
通过根据实际情况重新确定该点云数据集是否属于高层建筑并在点云数据集不属于高层建筑时对其所属建筑种类进行重新判定,能够进一步提高针对倾斜摄影模型中物体种类的判定精度,并进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
具体而言,所述云端还储存有预设建筑物轮廓特征C1、预设道路轮廓特征C2、预设河流轮廓特征C3、预设植被轮廓特征C4、预设地貌轮廓特征C5、预设路灯轮廓特征C6和预设车辆轮廓特征C7;当所述云端针对单个点云数据集组成的物体轮廓C依次与各预设轮廓进行比对以初步判定该点云数据集所属物体的种类时,若该点云数据集组成的物体的轮廓与单个所述预设轮廓特征的相似度高于90%,则云端将该点云数据集所述物体初步判定为与所述预设轮廓特征相同的种类;
若云端确定针对单个所述点云数据集所属建筑种类的二次判定不正确并将该点云数据集所属物体判定为非建筑时,云端将该点云数据集组成的物体轮廓C依次与除所述预设建筑物轮廓特征C1以外的预设轮廓进行比对以重新判定该点云数据集所述物体的种类。
通过在云端预存多个常见的街景物体的轮廓特征以对各点云数据集所属物体的种类进行初步判定,能够在单体化前期有效滤除斜拍摄模型中的非建筑物体,从而在对初步判定为建筑的点云数据集进行二次判定时有效减少二次判定的时间,进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
尤其,通过在重新判定点云数据集所属物体种类时去除判定为建筑的结果,能够有效避免在重新判定时出现将点云数据集所属物体种类重新判定为建筑的情况发生,进一步提高本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
具体而言,所述云端还设有预设单层高度HF,当所述云端判定所述点云数据集所属物体的种类为低层建筑时,云端将HB与HF进行比对,若HB<HF,云端将该点云数据集所属物体判定为非建筑并重新判定该点云数据集所属物体的种类;若HB≥HF,云端使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定。
通过将HB与HF进行比对并根据比对结果重新判定点云数据集所属物品种类或使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定,能够在针对低层建筑进行二次判定前进一步滤除非建筑类的点云数据集,从而在对初步判定为建筑的点云数据集进行二次判定时进一步减少二次判定的时间地同时,进一步提高了本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
具体而言,当所述云端检测是否存储有相同的倾斜摄影模型时,若云端存储有一倾斜摄影模型,该倾斜摄影模型与根据所述倾斜摄影数据生成的倾斜摄影模型的相似度高于95%,则云端判定两个倾斜摄影模型相同并向所述网页端输出存储的倾斜摄影模型的单体化完成的倾斜摄影图像。
通过在云端储存各地的单体化完成的模型信息和地图信息,能够在用户对相同地域中的建筑进行单体化时直接使用预先单体化完成的模型,从而进一步提高了本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
具体而言,当云端判定所述两个倾斜摄影模型相同时,云端分别统计所述存储的倾斜摄影模型的存储时间以及所述根据倾斜摄影数据生成的倾斜摄影模型的时间,若两个时间的间隔小于2年,云端判定两个倾斜摄影模型相同,若两个时间的间隔高于2年,云端判定两个倾斜摄影模型不同并使用上述步骤对所述根据倾斜摄影数据生成的倾斜摄影模型中的建筑进行单体化。
当两个时间的间隔过长时,云端对所述根据倾斜摄影数据生成的倾斜摄影模型中的建筑重新进行单体化,从而有效避免时间间隔过长,建筑发生改变导致信息出现偏差的情况发生,并进一步提高了本发明所述方法针对倾斜摄影模型中建筑的单体化效率。
请参阅图2所示,其为本发明所述云端进行倾斜摄影建筑单体化里步骤f所对应的在网页里单体化倾斜摄影模型中建筑的流程图,不同于云端能自动进行倾斜摄影中建筑的单体化,该方法是手动在网页里对倾斜摄影模型中的建筑进行单体化。当在网页里对单个所述建筑进行单体化时,先编辑单体化工具的JavaScript源代码,修改变量模型路径为某个倾斜摄影模型,再在某个支持WebGL三维渲染的浏览器里打开单体化工具。如果需要创建新的单体化数据,需要在计算机上依次进行如下操作:
1、调整视野定位到需要单体化的建筑,进行选择建筑地面起点的操作:在鼠标按下的时候,记录鼠标的二维屏幕坐标,在鼠标松开的时候判断鼠标的二维屏幕坐标是否发生变化,判断是否是鼠标左键点击取点;如果是用鼠标左键点击取点,则使用THREE.Raycaster接口来拾取所取到的第一个点,并记录该点的三维世界坐标,调用THREE.Mesh接口来添加可视的三维物体标记。
2、进行选择建筑所在地平面上更多的点的操作:同样使用鼠标左键单击来取更多的点,移动鼠标时将自动连接鼠标与上一步的取点并调用THREE.Line接口来生成边线,在取更多点的过程里,使用鼠标左键单击来增加新的取点并生成与上一步取点的边线,可以使用鼠标右键单击调用threejs里三维物体的dispose和remove方法来撤销上一步的取点和边线,在已经存在至少三个点的时候,调用相交算法来检测当前鼠标与上一步取点的自动边线是否与已有的边线相交,如果相交,则提示为自相交的折线而无法添加取点,需要移动鼠标到不相交的位置来添加新的取点。相交算法是将自动边线与已有的所有有效边线进行相交判断,如果自动边线与已有的任意一条有效边线相交则判断为自相交。
3、进行生成建筑的地平围面的操作:此时已经存在至少三个有效取点和两条有效边线,还可能包含一条自动连接鼠标和上一步取点的辅助边线,再移动鼠标时,调用threejs三维坐标的distanceTo方法来计算鼠标所在的三维世界坐标与第一个有效取点的距离,如果该距离小于0.05时,则产生自动吸附的效果,即自动连接最后一个有效取点和第一个有效取点形成闭合的多边形,继续使用鼠标左键单击将生成该建筑的地平围面,而移动鼠标远离第一个取点时将移除自动吸附的效果。地平围面是所生成的闭合多边形在水平面上垂直投影所围成的平面,尽管多边形是三维立体的,但地平围面上的每个点都具有相同的高度,该高度设置为0,即一个水平高度为0的闭合围面。
4、进行提拉地平围面到建筑的最高点的操作:此时已经存在建筑的地平围面,在生成建筑地平围面的时候会调用THREE.Shape和THREE.EdgesGeometry接口将闭合的多边形转换为一个三维的包围盒子,在移动鼠标的过程中实时地提拉地平围面,鼠标移动到哪里,建筑的高度也将实时调整到相应的高度,继续移动鼠标确认某个点是建筑的最高点。
5、进行生成包围建筑的三维盒子操作:此时已经确定当前鼠标所在的三维坐标是建筑的最高点,单击鼠标左键将同样调用THREE.Shape和THREE.EdgesGeometry接口生成最新的三维盒子。
6、进行保存并完成当前建筑的单体化操作:刚刚生成了包围当前建筑的三维盒子,在生成完毕后会调用基于THREE.EventDispatcher所扩展的对话框,继续输入建筑的名称、所属类别等内容,确认对话框来完成当前建筑的单体化过程。
请参阅图3所示,其为本发明所述手动在网页里进行倾斜摄影模型中建筑单体化的工具的结构框图。
本发明所述云端中还预存有该手动在网页里单体化建筑的工具,在支持WebGL渲染的浏览器里打开所述网页端即可自动加载完大量GLB格式的倾斜摄影模型。
GLB格式的倾斜摄影模型与本工具所存储的JSON格式的建筑单体化数据相互独立,虽然能只加载JSON格式的建筑单体化数据,但由于倾斜摄影模型未加载,所加载的建筑单体化数据也就失去了与倾斜摄影模型融为一体的效果,GLB格式的倾斜摄影模型与JSON格式的建筑单体化数据相辅相成,能尽可能地选中、查询和管理倾斜摄影模型里的建筑数据。
具体而言,所述工具包括:
视角调整模块,用来控制当前的视角,一般可以使用鼠标来旋转、缩放和平移倾斜摄影模型,该模块由threejs里的OrbitControls功能提供。
标记取点模块,用来拾取当前鼠标的三维坐标,该坐标是鼠标与倾斜摄影模型的第一个交点,该模块由threejs里的THREE.Raycaster功能提供。
算法模块,用来实时地处理所有交互操作、实时调度其它模块,在标记取点时判断交互操作是否是在取点、是否需要撤销取点、是否是自相交的取点和是否需要自动吸附来闭合等。
提示牌模块,用来显示标记取点模块里当前鼠标的三维坐标,显示所取点的列表,显示已经记录的单体化建筑物列表和显示使用说明等辅助信息,在所记录的建筑物列表里则进一步显示建筑的名称和取点的数量,可以点击按钮进行删除、修改信息及重绘边界操作。
提拉生成三维盒子模块,用来实时生成一个包围建筑的三维盒子,该功能基于标记取点模块从当前鼠标三维坐标里提取建筑的最高点坐标,基于threejs里的THREE.Shape和THREE.EdgesGeometry功能生成三维盒子。
存储模块,用来管理倾斜摄影模型所单体化的建筑数据,该模块基于JavaScript的FileReader、URL.createObjectURL、JSON.stringify和JSON.parse功能。
总体来说,本方法能高效地以手动地方式在网页里单体化倾斜摄影模型中的建筑:
只需要提供倾斜摄影的模型,不需要预处理倾斜摄影模型,不需要安装软件,在一个能支持WebGL渲染的浏览器里就能进行单体化倾斜摄影模型中建筑的操作。
对于地平面和立面不复杂的建筑,最少仅需要点击四次后再提拉一次并输入建筑的信息,约耗时23秒完成一栋建筑的单体化,该建筑的地平面只具有3个点。
如果建筑的地平面和立面特别复杂,譬如组成该建筑的地平面有28个点,则需要耗时约124秒完成该建筑的单体化。
一般建筑的地平面仅需要10个点以下进行标记,一般需要耗时约42秒完成该建筑的单体化。
上述在网页里单体化倾斜摄影中的建筑的方法同样会因为人眼分辨率的限制不能精确捕捉定位每类地物的轮廓边界点造成操作局限无法做到精细化结果,需要大量人工投入,工作量非常大成本高且速度慢,其效率仍将不如本发明所述的在云端自动化地对倾斜摄影中的建筑进行单体化的方法。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种在云端单体化倾斜摄影模型中建筑的方法,其特征在于,包括:
步骤a,向网页端上传无人机拍摄的斜拍摄影数据,网页端将斜拍摄影数据输送至云端,云端根据倾斜摄影数据生成倾斜摄影模型并在生成倾斜摄影模型时检测是否存储有相同的倾斜摄影模型;
步骤b,若云端判定未存在与上述倾斜摄影模型相同的倾斜摄影模型,云端根据无人机采集的可见光图像生成可视化的点云数据,对点云数据进行滤波,得到地面点和非地面点;
步骤c,云端对间距超出预设距离D0的点云数据进行编号,建立多个点云数据集;
步骤d,云端依次对各点云数据集进行判定,针对单个点云数据集进行判定时,将该点云数据集组成的物体轮廓C依次与各预设轮廓进行比对以初步判定该点云数据集所属物体的种类;
步骤e,当云端初步判定该点云数据集所属物体属于建筑时,云端计算该点云数据集的占地面积并在计算完成时判定该点云数据集距离所述地面点的平均高度和最高高度与对应的预设高度之间的关系以对该点云数据集所属物体的种类进行二次判定,若云端在二次判定后判定该点云数据集所属物体种类为建筑时,云端记录该点云数据集编号;
步骤f,当云端完成对各所述点云数据集的二次判定时,云端记录各所述判定为建筑的点云数据集并依次针对各点云数据集所属的建筑种类分别进行对应的单体化,云端获取对应编号点云数据集的点云数据的二维矢量数据,对二维矢量数据光栅化处理生成矢量纹理信息并将矢量纹理信息与所述倾斜摄影模型的数据进行多重映射叠加渲染以完成对该编号点云数据集所属建筑的单体化;
步骤g,当云端完成对倾斜摄影图像中建筑的单体化时,云端存储单体化完成的地图数据并将单体化完成的地图数据输送至网页端,网页端输出单体化完成的地图数据以供使用者查看和管理;
在所述云端中设有第一预设占地面积S1、第二预设占地面积S2和第三预设占地面积S3,设定S1<S2<S3,云端中还设有第一预设高度标准数据组H1、第二预设高度标准数据组H2和第三预设高度标准数据组H3,即云端数据库里存在三组标准高度的数据组,对于第i预设高度标准数据组Hi,设定i=1,2,3,设定Hi(HiA,HiB,HiC),其中,HiA为第i预设最低高度,HiB为第i预设最高高度,HiC为第i预设平均高度;
当云端将单个所述点云数据集初步判定为建筑时,云端计算该点云数据集的占地面积S并依次将S与S1、S2、S3进行比较;
若S<S1,云端判定该点云数据集的初步判定出现偏差,对该点云数据集所属物体进行重新判定;
若S1≤S<S2,云端判定该点云数据集所属物体的种类为低层建筑,云端使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定;
若S2≤S<S3,云端判定该点云数据集所属物体的种类为中层建筑,云端使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若S≥S3,云端判定该点云数据集所属物体的种类为高层建筑,云端使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定;
当云端使用第i预设高度标准数据组Hi中的参数对所述点云数据集进行二次判定时,云端依次检测该点云数据集中顶端各点与地面点之间的距离,统计得出点云数据集中的最高高度HB和所述顶端各点与地面点之间的平均距离,即平均高度HC,当云端取得HB和HC数据时,云端将HB依次与HiA和HiB进行比对并将HC与HiC进行比对,
若HiA≤HB≤HiB,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号;
若HB<HiA或HB>HiB,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端根据HC与HiC的比对结果以及对点云数据集所属建筑种类的二次判定的结果重新对所述点云数据集所属建筑的种类进行判定直至云端确定针对所述点云数据集所属建筑种类的二次判定正确。
2.根据权利要求1所述的在云端单体化倾斜摄影模型中建筑的方法,其特征在于,当所述云端判定所述点云数据集所属物体的种类为低层建筑并使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定时,云端将HB依次与H1A和H1B进行比对并将HC与H1C进行比对,
若HB<H1A,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为非建筑并重新判定该点云数据集所属物体的种类;
若HB>H1B且HC>H1C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属建筑种类重新判定为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若HB>H1B且HC≤H1C,云端确定针对所述点云数据集所属建筑种类的二次判定正确,记录该点云数据集所属建筑种类并记录该点云数据集编号。
3.根据权利要求1所述的在云端单体化倾斜摄影模型中建筑的方法,其特征在于,当所述云端判定所述点云数据集所属物体的种类为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定时,云端将HB依次与H2A和H2B进行比对并将HC与H2C进行比对,
若HB<H2A且HC≤H2C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为低层建筑并重新判定该点云数据集所属物体的种类;
若HB>H2B且HC>H2C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属建筑种类重新判定为高层建筑并使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定,
若HB>H2B且HC≤H2C,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号。
4.根据权利要求1所述的在云端单体化倾斜摄影模型中建筑的方法,其特征在于,当所述云端判定所述点云数据集所属物体的种类为高层建筑并使用第三预设高度标准数据组H3中的参数对该点云数据集进行二次判定时,云端将HB依次与H3A和H3B进行比对并将HC与H3C进行比对,
若HB<H3A且HC≤H3C,云端确定针对所述点云数据集所属建筑种类的二次判定不正确,云端将该点云数据集所属物体判定为中层建筑并使用第二预设高度标准数据组H2中的参数对该点云数据集进行二次判定;
若HB>H3B,云端确定针对所述点云数据集所属建筑种类的二次判定正确,云端记录该点云数据集所属建筑种类并记录该点云数据集编号。
5.根据权利要求2所述的在云端单体化倾斜摄影模型中建筑的方法,其特征在于,所述云端还储存有预设建筑物轮廓特征C1、预设道路轮廓特征C2、预设河流轮廓特征C3、预设植被轮廓特征C4、预设地貌轮廓特征C5、预设路灯轮廓特征C6和预设车辆轮廓特征C7;当所述云端针对单个点云数据集组成的物体轮廓C依次与各预设轮廓进行比对以初步判定该点云数据集所属物体的种类时,若该点云数据集组成的物体的轮廓与单个所述预设轮廓特征的相似度高于90%,则云端将该点云数据集所述物体初步判定为与所述预设轮廓特征相同的种类;
若云端确定针对单个所述点云数据集所属建筑种类的二次判定不正确并将该点云数据集所属物体判定为非建筑时,云端将该点云数据集组成的物体轮廓C依次与除所述预设建筑物轮廓特征C1以外的预设轮廓进行比对以重新判定该点云数据集所述物体的种类。
6.根据权利要求2所述的在云端单体化倾斜摄影模型中建筑的方法,其特征在于,所述云端还设有预设单层高度HF,当所述云端判定所述点云数据集所属物体的种类为低层建筑时,云端将HB与HF进行比对,若HB<HF,云端将该点云数据集所属物体判定为非建筑并重新判定该点云数据集所属物体的种类;若HB≥HF,云端使用第一预设高度标准数据组H1中的参数对该点云数据集进行二次判定。
7.根据权利要求1所述的在云端单体化倾斜摄影模型中建筑的方法,其特征在于,当所述云端检测是否存储有相同的倾斜摄影模型时,若云端存储有一倾斜摄影模型,该倾斜摄影模型与根据所述倾斜摄影数据生成的倾斜摄影模型的相似度高于95%,则云端判定两个倾斜摄影模型相同并向所述网页端输出存储的倾斜摄影模型的单体化完成的倾斜摄影图像。
8.根据权利要求7所述的在云端单体化倾斜摄影模型中建筑的方法,其特征在于,当云端判定所述两个倾斜摄影模型相同时,云端分别统计所述存储的倾斜摄影模型的存储时间以及所述根据倾斜摄影数据生成的倾斜摄影模型的时间,若两个时间的间隔小于2年,云端判定两个倾斜摄影模型相同,若两个时间的间隔高于2年,云端判定两个倾斜摄影模型不同并使用上述步骤对所述根据倾斜摄影数据生成的倾斜摄影模型中的建筑进行单体化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834614.XA CN113689567B (zh) | 2021-07-23 | 2021-07-23 | 在云端单体化倾斜摄影模型中建筑的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834614.XA CN113689567B (zh) | 2021-07-23 | 2021-07-23 | 在云端单体化倾斜摄影模型中建筑的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689567A CN113689567A (zh) | 2021-11-23 |
CN113689567B true CN113689567B (zh) | 2022-05-27 |
Family
ID=78577727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834614.XA Active CN113689567B (zh) | 2021-07-23 | 2021-07-23 | 在云端单体化倾斜摄影模型中建筑的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689567B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266780A (zh) * | 2022-02-28 | 2022-04-01 | 深圳市其域创新科技有限公司 | 一种建筑物单体化实例分割方法及装置 |
CN116051980B (zh) * | 2022-12-13 | 2024-02-09 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2457215A (en) * | 2007-03-07 | 2009-08-12 | Nikolaos Kokkas | Automatic 3D Modelling |
CN110310355A (zh) * | 2019-06-21 | 2019-10-08 | 永州电力勘测设计院有限公司 | 基于多重纹理映射的倾斜摄影模型单体化方法 |
CN111814715B (zh) * | 2020-07-16 | 2023-07-21 | 武汉大势智慧科技有限公司 | 一种地物分类方法及装置 |
CN112163251B (zh) * | 2020-08-24 | 2023-02-17 | 北京航空航天大学 | 建筑模型单体化方法、装置、存储介质及电子设备 |
CN113128405B (zh) * | 2021-04-20 | 2022-11-22 | 北京航空航天大学 | 一种结合语义分割与点云处理的植物识别与模型构建方法 |
-
2021
- 2021-07-23 CN CN202110834614.XA patent/CN113689567B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113689567A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689567B (zh) | 在云端单体化倾斜摄影模型中建筑的方法 | |
CN107103638B (zh) | 一种虚拟场景与模型的快速渲染方法 | |
CN103390075B (zh) | 在购物体验中比较虚拟和真实图像 | |
CN106815847A (zh) | 基于激光雷达点云的树木分割方法及单棵树提取方法 | |
CN109658412A (zh) | 一种面向拆垛分拣的包装箱快速识别分割方法 | |
EP1906354A1 (en) | House displacement judging method, house displacement judging device | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN112528379B (zh) | 一种建筑模型生成方法、装置及电子设备 | |
JP2010541052A (ja) | ユーザ入力に基づいた3dモデル上の建物生成を備える地球空間モデリング・システム及び関連した方法 | |
US9460520B2 (en) | Method and arrangement for identifying a difference between a first 3D model of an environment and a second 3D model of the environment | |
CN113066160B (zh) | 一种室内移动机器人场景数据的生成方法 | |
JP2010541050A (ja) | インペインティング及び誤り算出の構成を備えた地球空間モデリング・システム及び関連した方法 | |
CN116502468B (zh) | 一种基于机器视觉的牛胴体分割机器人控制方法及系统 | |
CN111932673A (zh) | 一种基于三维重建的物体空间数据增广方法及系统 | |
CN110322497A (zh) | 一种基于三维可视化的交互式点云对象提取方法 | |
CN110083720B (zh) | 实景语义结构模型的构建方法及装置 | |
CN113628170B (zh) | 一种基于深度学习的激光线提取方法及系统 | |
CN107133260A (zh) | 一种地标图像的匹配识别方法和装置 | |
CN114247136A (zh) | 虚拟场景的制作方法及装置、电子设备、存储介质 | |
JP3392628B2 (ja) | 輪郭抽出方法及びシステム | |
KR101525772B1 (ko) | 가로수 정보의 3차원 모델 서비스 제공 방법 및 그 장치 | |
WO2021042552A1 (zh) | 区域三维重建方法、装置及计算机可读存储介质 | |
CN116310060A (zh) | 一种渲染数据的方法、装置、设备及存储介质 | |
CN114155263B (zh) | 一种倾斜摄影模型建筑轮廓线自动提取方法、系统及装置 | |
CN109799905A (zh) | 一种手部跟踪方法和广告机 |
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 |