CN113743155A - 一种构建物体的多细节层次模型的方法及计算机设备 - Google Patents
一种构建物体的多细节层次模型的方法及计算机设备 Download PDFInfo
- Publication number
- CN113743155A CN113743155A CN202010466779.1A CN202010466779A CN113743155A CN 113743155 A CN113743155 A CN 113743155A CN 202010466779 A CN202010466779 A CN 202010466779A CN 113743155 A CN113743155 A CN 113743155A
- Authority
- CN
- China
- Prior art keywords
- building
- satellite image
- model
- buildings
- satellite
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 238000005070 sampling Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims 4
- 229910052742 iron Inorganic materials 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种构建物体的多细节层次模型的方法及计算机设备,可应用于高精度地图的构建中,包括:通过将卫星图像对应的数字地表模型DSM及卫星图像中各个建筑物的轮廓矢量进行套合,再基于套合后的DSM和建筑物轮廓矢量采样得到离散的建筑物的3D点云,利用该3D点云对各个建筑物进行构建,由于3D点云是基于建筑物的轮廓采样得到的,其能够高精度的还原建筑物的顶面信息,据此可以得到高精度的多细节层次LOD模型。并且,本申请实施例无需单独一个一个获取每个建筑物的高度信息,可直接通过自动化的构建流程以减少人工量和制作周期,有效降低LOD模型的生产成本,同时保证复杂建筑物模型的精度,实现高精度、低成本的城市级高精度地图的快速生产。
Description
技术领域
本申请涉及地图构建领域,尤其涉及一种构建物体的多细节层次模型(digitalsurface model,DSM)的方法及计算机设备。
背景技术
随着第五代移动通信技术(5th-generation,5G)时代的到来,高精度地图作为连接虚拟世界和真实世界的桥梁,将在各个领域中扮演重要的角色,具有广阔的应用前景,如无人驾驶、定位导航、增强现实(augmented reality,AR)、虚拟现实(virtual reality,VR)、5G仿真等。随着高精度地图的需求越来越大,各种高精度地图的生产方案被提出。其中,基于无人机影像和激光数据的方案受限于成本,无法大规模推广;基于卫星图像(也可称为卫星影像)的生产方案依然是目前的主流方案。
在基于卫星图像的生产方案中,建筑物的多细节层次(levels of detail,LOD)模型是构建高精度地图的基础,即基于卫星图像的地图都是由各个相关联的多个卫星图像内的各个建筑物的LOD模型分区合并后得到的,因此,若能构建一个好的建筑物的LOD模型,就意味着最终可以构建出一个好的卫星地图。目前,基于卫星图像的建筑物的LOD模型的方式一般是:先对卫星图像进行区域网平差,得到对齐后的卫星图像,之后将对齐后的卫星图像导入立体测图软件,通过前方交会的方式一个一个的测量卫星图像中各个建筑物的高度(即一个建筑物对应有一个高度),再基于得到的各个建筑物的高度信息和轮廓矢量,用相关软件(或算法)沿着建筑物的轮廓将建筑物按照各自的高度“拉起来”,从而得到某张卫星图像内各个建筑物的LOD模型。
然而,由于上述方式中每个建筑物对应的是一个高度值,“拉起来”后使得LOD模型下的建筑物都是平顶的,目前的建筑物大多都不完全是平顶的,比如“人字形”屋顶、“尖顶”建筑物等,通过上述方式得到的LOD模型会丢失建筑物的顶面轮廓信息,造成精度损失。
发明内容
本申请实施例提供了一种构建物体的多细节层次模型的方法及计算机设备,用于通过获取到的建筑物的三维(3-dimension,3D)点云构建LOD模型,由于3D点云是基于建筑物的轮廓采样得到,其能够高精度的还原建筑物的顶面信息,据此可以得到高精度的LOD模型。
基于此,本申请实施例提供以下技术方案:
第一方面,本申请实施例首先提供一种构建物体的多细节层次模型的方法,可用于高精度的地图构建中,该方法包括:获取到与某个目标卫星图像(如,分辨率为1米的卫星图像)对应的DSM及该卫星图像中各个建筑物的轮廓矢量,并将该DSM和该卫星图像中各个建筑物的轮廓矢量进行套合,得到套合结果,之后,就可根据该套合结果(即重合后的DSM和各个建筑物的轮廓矢量)对当前卫星图像中各个建筑物进行采样,以得到卫星图像中各个建筑物的3D点云,最后,计算机设备可以根据得到的各个建筑物的3D点云对当前卫星图像中的各个建筑物进行构建,从而得到该卫星图像中各个建筑物的LOD模型。类似地,计算机设备可以通过上述所述的方式得到卫星图像集(包括多个卫星图像的集合)中每个卫星图像内各建筑物的LOD模型。
在本申请上述实施方式中,首次将卫星图像对应的DSM及卫星图像中各个建筑物的轮廓矢量进行套合,再基于套合后的DSM和建筑物轮廓矢量获取到每个建筑物的3D点云,也就是说,根据DSM和建筑物的轮廓矢量得到的套合结果限定了3D点云的采样区域(即圈定了采样范围),在这个采样区域内进行3D点云的采样,其能够高精度的还原建筑物的顶面信息,据此可以得到高精度的LOD模型。并且,本申请上述实施方式不需要单独一个一个获取每个建筑物的高度信息,节约了成本,同时降低了数据量。
结合本申请实施例第一方面,在本申请实施例第一方面的第一种实现方式中,根据3D点云对卫星图像中各个建筑物进行构建,得到卫星图像中各个建筑物的LOD模型的方式可以通过但不限于如下方式:先根据第一预设算法由3D点云重建得到卫星图像中各个建筑物的网格模型,再根据第二预设算法对网格模型进行简化,得到卫星图像中各个建筑物简化的LOD模型。
在本申请上述实施方式中,具体阐述了一种如何得到LOD模型的方式,即先根据第一预设算法得到网格模型,再对网格模型简化,得到LOD模型。这种方式简单易操作,具备灵活性。
结合本申请实施例第一方面的第一种实现方式,在本申请实施例第一方面的第二种实现方式中,第二预设算法可以有多种具体表现形式,例如,可以是顶点删除的方式,也可以是边变成点(即边塌陷)的方式,还可以是面变成点(即面收缩)的方式,具体此处不做限定。为便于理解,以第二预设算法为边塌陷的方式(即边折叠算法)为例,对如何简化网格模型进行介绍:首先,根据边折叠算法对得到的各个建筑物的网格模型进行迭代简化,直至简化后得到的卫星图像中各个建筑物的LOD模型满足预设条件,则此时得到的简化后的LOD模型就为最终输出的LOD模型。
在本申请上述实施方式中,具体阐述了一种如何简化网格模型的方式,即通过边折叠算法对得到的网格模型进行简化,同时加入自校验机制(即设置预设条件)防止LOD模型过度简化,同时兼顾到了简化比和模型精度。
结合本申请实施例第一方面、第一方面的第一种实现方式至第二种实现方式,在本申请实施例第一方面的第三种实现方式中,根据套合结果对当前卫星图像中各个建筑物进行采样来得到卫星图像中各个建筑物的3D点云具体可以但不限于通过如下方式:对当前卫星图像中的每一个建筑物沿着其轮廓在对应的DSM上按一定的步长(step)采样3D点,这样每个建筑物就能离散出对应的3D点云,其中,步长step=a*R,a为预设的系数,可根据实际情况自行设置,若想要得到密集的3D点云,则a可设置的小一些,如,0.3;若想要得到不那么密集的3D点云,则a可以设置的大一些,如,0.9,具体此处不做限定,R则为卫星图像的图像分辨率。
在本申请上述实施方式中,具体阐述了如何根据建筑物的轮廓得到离散的3D点云的,3D点云的密集度可根据步长自行调整,可满足用户的不同需求,具备灵活性。
结合本申请实施例第一方面、第一方面的第一种实现方式至第三种实现方式,在本申请实施例第一方面的第四种实现方式中,将多个卫星图像中各个建筑物的LOD模型进行分区合并,得到目标地图。
在本申请上述实施方式中,得到的卫星图像集中每个卫星图像内各建筑物的LOD模型之后,就可将卫星图像集中各个建筑物LOD模型进行分区合并,得到高精度的目标地图,该目标地图可进一步发送给端侧设备(如,手机、平板电脑等)或边缘设备使用,具备实用性。
结合本申请实施例第一方面、第一方面的第一种实现方式至第四种实现方式,在本申请实施例第一方面的第五种实现方式中,卫星图像中各个建筑物的轮廓矢量保存为shp文件。具体地,包括但不限于如下方式:1)基于该卫星图像得到的各个建筑物轮廓可存储为一个shp文件,一张卫星图像对应一个shp文件,比如,某张卫星图像中有4个建筑物,那么获得的这4个建筑物的轮廓矢量均存在该同一个shp文件中;2)每个建筑物对应一个shp文件,比如,某张卫星图像中有4个建筑物,那么获得的这4个建筑物的轮廓矢量分别存成4个不同的shp文件。此处不限定每个卫星图像中的各个建筑物的轮廓矢量存储为shp文件的具体实现方式。
在本申请上述实施方式中,阐述了将建筑物保存为shp文件的几种方式,具备可选择性。
结合本申请实施例第一方面、第一方面的第一种实现方式至第五种实现方式,在本申请实施例第一方面的第六种实现方式中,所述建筑物至少包括如下物体中的至少一种:房屋、桥梁、电塔、隧道、铁塔、水塔、标志性雕塑、水坝、通信基站等,进一步地,只要是人们在卫星图像中确定的目标,并提取到该目标的轮廓矢量,那么该目标就可以称为本申请实施例所述的建筑物。
在本申请上述实施方式中,阐述了本申请所述的建筑物具体可以是哪些物体,便于在对建筑物轮廓进行获取时,知道如何在卫星图像中确定出需要的建筑物类型。
结合本申请实施例第一方面的第一种实现方式至第六种实现方式,在本申请实施例第一方面的第七种实现方式中,第一预设算法包括:泊松表面重建算法。
在本申请上述实施方式中,给出了第一预设算法的一种具体形式,具备可选择性。
本申请实施例第二方面提供一种计算机设备,该计算机设备具有实现上述第一方面或第一方面任意一种可能实现方式的方法的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
本申请实施例第三方面提供另一种计算机设备,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于调用该存储器中存储的程序以执行本申请实施例第一方面或第一方面任意一种可能实现方式的方法。
本申请第四方面提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机可以执行上述第一方面或第一方面任意一种可能实现方式的方法。
本申请实施例第五方面提供了一种计算机程序或计算机程序产品,当该计算机程序或计算机程序产品在计算机上运行时,使得计算机执行上述第一方面或第一方面任意一种可能实现方式的方法。
本申请实施例第六方面提供了一种芯片,该芯片包括至少一个处理器和至少一个接口电路,该接口电路和该处理器耦合,至少一个接口电路用于执行收发功能,并将指令发送给至少一个处理器,至少一个处理器用于运行计算机程序或指令,其具有实现如上述第一方面或第一方面任意一种可能实现方式的方法的功能,该功能可以通过硬件实现,也可以通过软件实现,还可以通过硬件和软件组合实现,该硬件或软件包括一个或多个与上述功能相对应的模块。此外,该接口电路用于与该芯片之外的其它模块进行通信,例如,该接口电路可将芯片上处理器得到的建筑物的LOD模型发送给端侧设备(如,手机、个人电脑、智能手表等)或云侧设备(如,云服务器、集群等)。
附图说明
图1为本申请实施例提供的同一个目标3D物体不同精度的3个网格模型的示意图;
图2为本申请实施例提供的每个三角形分成4个新三角形的网格模型的一个示意图;
图3为本申请实施例提供的LOD模型工作原理的一个示意图;
图4为本申请实施例提供的边折叠算法的一个折叠过程的示意图;
图5为本申请实施例提供的DSM的一个示意图;
图6为基于卫星图像构建得到建筑物的LOD模型的主流方案的一个流程示意图;
图7为初始输入的卫星图像的一个示意图;
图8为通过立体测图软件测量卫星图像中某个建筑物的高度的一个示意图;
图9为与卫星图像对应的建筑物轮廓的一个示意图;
图10为将建筑物轮廓矢量存为shp文件的一个示意图;
图11为将各个建筑物的LOD模型进行分块合并得到的城市级的高精度地图的一个示意图;
图12为本申请实施例提供的构建物体的LOD模型的方法的一个流程示意图;
图13为一种半全局优化的DSM提取方法的示意图;
图14为一种基于人工智能(artificial intelligence,AI)的建筑物轮廓识别方法的示意图;
图15为本申请实施例提供的构建物体的LOD模型的方法的另一流程示意图;
图16为本申请实施例提供的一种顶点删除方式达到简化网格模型目的的一个示意图;
图17为本申请实施例提供的一种面收缩方式达到简化网格模型目的的一个示意图;
图18为本申请实施例提供的不同简化程度时LOD模型的一个示意图;
图19为本申请实施例提供的通过边折叠算法实现网格模型简化的一个流程示意图;
图20为本申请实施例提供的构建物体的LOD模型的方法的一个示意图;
图21为本申请实施例提供的根据各个建筑物的LOD模型合并得到的一个高精度地图的示意图;
图22为通过现有技术得到的LOD模型与通过本申请方案得到的LOD模型的对比示意图;
图23为本申请实施例提供的应用场景的一个示意图;
图24为本申请实施例提供的计算机设备的一个示意图;
图25为本申请实施例提供的计算机设备的另一示意图。
具体实施方式
本申请实施例提供了一种构建物体的多细节层次模型的方法及计算机设备,用于通过获取到的建筑物的3D点云构建LOD模型,由于3D点云是基于建筑物的轮廓采样得到,其能够高精度的还原建筑物的顶面信息,据此可以得到高精度的LOD模型。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本申请实施例涉及了许多关于卫星图像的处理的相关知识,为了更好地理解本申请实施例的方案,下面先对本申请实施例可能涉及的相关术语和概念进行介绍。
卫星图像:也可称为卫星影像、卫片、卫星图等,是指搭载在人造卫星上的摄影设备拍摄的地球或其它星球的地图式照片。目前,原始的卫星图像的获取一般有两种方式,第一种是用摄影设备拍摄底片,将装好底片的摄影设备安置在卫星上,将卫星送入设计好的轨道上对地面进行摄影,摄影完成后再将卫星收回,通过一系列的摄影处理后得到底片,可以通过影像扫描进行数字化,从而得到数字的卫星图像;第二种是“数字成像”的,成像原理类似于数码相机。
区域网平差:平差指的是对观测值的偶然误差进行合理配赋,对观测值的系统误差进行预改正,对观测值的粗差采用一定的观测原则和人工挑错的办法予以控制。一般平差算法中,都是以已知的起算数据为基础,将控制网固定在已知数据上。区域网平差是指以面积最大不超过像对数来划分区域,按照所划分的区域为单元进行平差。
立体测图:一般指的是模拟法立体测图,即利用两个光学或机械投影器,或光学-机械投影器,将透明航片装在投影器中,用灯光照射,模拟拍摄过冲,重建一个于实地相似的缩小的立体模型,在此立体模型上量测即相当于对原物体的量测,所得结果可通过机械或齿轮传动方式直接在绘图桌上绘出各种地形图或专题地图,立体测图的基本原理是摄影过程的几何反转。
空间前方交会:也可称为立体像对的空间前方交会,是指恢复立体像对摄影时的光束和建立几何模型后,利用同名光线的交会确定模型点空间位置的方法,具体地,由立体像对左右两影像的内、外方位元素和同名像点的影像坐标测量值,来确定该点的物方空间坐标(某一暂定三维坐标系里的坐标或地面测量坐标系坐标)的方法。
套合(nesting):对同一目标两张或多张图像的相关数据进行几何套对,使各图像的细部或像元数据能叠合在一起的作业。被套合的图像或图像数据可为多光谱摄影机或扫描仪在同一时段或不同时段所摄取的各谱段像片或数据,也可为不同的感测器所收集到的数据。
网格模型:也可称为Mesh模型,或,3D网格模型,网格模型是指一个3D物体的统一表达形式,每个3D物体都是基于网格模型的形式呈现出来的,网格模型是由多边形(一般常用的是四边形和三角形)拼接而成,而一个复杂的多边形,实际上是由多个三角面拼接而成。在本申请实施例中,均以网格模型为三角形构成的网格模型为例进行示意。如图1所示,为同一目标3D物体“狗”的不同精度的3个网格模型,所谓精度不同指的是基于相同的3D物体模型,精度高的就是指由更多的面数(如,三角形的数量)构建成该3D物体,反之,精度低的就是指由更少的面数构建成该3D物体,如图2所示,一个网格模型由原来的每个三角形对应分成四个新的三角形,总的面数就增加到了原来的4倍,那么精度也提高了。
多细节层次模型:即LOD模型,是一种实时三维计算机图形技术,其工作原理是:视点离物体近时,能观察到的模型细节丰富;视点远离模型时,观察到的细节逐渐模糊,可参阅图3所示的示例图。系统绘图程序根据一定的判断条件,选择相应的细节进行显示,从而避免了因绘制那些意义相对不大的细节而造成的时间浪费,同时有效地协调了画面连续性与模型分辨率的关系。
泊松表面重建算法:是一种隐函数表面重建方法,例如,一个物体可用物体外为1、物体内为0的指示函数表示,通过求解出这个函数然后进行等值面提取,从而得到表面。求解这个函数的过程,就是构建一个泊松方程并对泊松方程进行求解的过程。通常用这种算法实现离散的3D点云重建具有水密性的三角网格模型。
边折叠算法:也可称为边塌陷算法,或边折叠简化算法,其属于几何元素删除法的一种,它的实质是顶点删除,也称边塌陷。如图4所示,图4是一个折叠过程的示意图,每次简化时,通过算法选定一条有向边x(如图1中的虚线箭头表示朝向)以及相关的两个点(p1,p2),将其中一个点p1“折叠”至p2,然后修改拓扑关系,将与p1相关的边映射到p2,最后完成简化操作。一次简化可以减少源模型的1条边和2个面。在图4中,边折叠算法就折叠了边x以及点p1,三角形①②在折叠后从原网格模型中消失,而三角形③④⑤⑥原先以p1为顶点的点修改为以p2为顶点,发生了变化。边折叠算法的优势在于它可以生成连续的细节层次,并且有相应的处理纹理信息的方法。
数字地表模型(digital surface model,DSM):是指包含了地表建筑物、桥梁和树木等高度的地面高程模型,和数字高程模型(digital elevation model,DEM)相比,DEM只包含了地形的高程信息,并未包含其它地表信息,DSM是在DEM的基础上,进一步涵盖了除地面以外的其它地表信息的高程,如图5所示,示例了一个DSM的示意图。在一些对建筑物高度有需求的领域,得到了很大应用。DSM表示的是最真实地表达地面起伏情况,可广泛应用于各行各业。如在森林地区,可以用于检测森林的生长情况;在城区,DSM可以用于检查城市的发展情况;特别是众所周知的巡航导弹,它不仅需要数字地面模型,而更需要的是数字表面模型,这样才有可能使巡航导弹在低空飞行过程中,逢山让山,逢森林让森林。
此外,在介绍本申请实施例之前,先对目前构建卫星图像中各个建筑物的LOD模型的常见方式进行简单介绍,使得后续便于理解本申请实施例。
具体请参阅图6,图6为基于卫星图像构建得到建筑物的LOD模型的主流方案,流程如下:初始的输入数据为卫星图像(如,图7所示),针对每组卫星图像进行区域网平差,得到对齐后的卫星图像(对齐后的卫星图像优化的是摄像设备的相机参数,卫星图像本身没有任何影响);之后,将对齐后的卫星图像导入相关的立体测图软件,通过前方交会的方式可以测量到每张卫星图像中各个建筑物(一个一个测得)的高度(如,图8所示);此外,还需要得到和输入的卫星图像对应的建筑物轮廓(如,图9所示),建筑物轮廓通常由人工基于对应的卫星图像画得,即可以根据每个卫星图像中的各个建筑物构建出,现在一般是直接从第三方购买,购买的卫星图像与该卫星图像中的建筑物轮廓已经是标注好的,基于每个卫星图像得到的各个建筑物轮廓可存储为一个shp文件,一张卫星图像对应一个shp文件,比如,某张卫星图像中有3个建筑物,那么就会获得这3个建筑物的轮廓矢量存在shp文件中;之后,再将上述获得的每张卫星图像中各个建筑物的高度也存入该shp文件中(如,图10所示);最后基于每张卫星图像对应的shp文件中各个建筑物的轮廓和高度信息,用相关软件(或算法)沿着建筑物的轮廓一次性将某张卫星图像中的所有已勾勒轮廓的建筑物“拉起来”,得到分别与各个建筑物对应的LOD模型(如,图11右边部分所示,示意了2个按照各自高度“拉起来”的建筑物),每个卫星图像中的各个建筑物轮廓都执行上述操作,然后进行分块合并最终得到城市级的高精度地图,如图11左边部分所示。
然而,上述基于卫星图像构建得到建筑物的LOD模型的主流方案至少存在以下几个缺陷:1)成本高,该方案在整个生产流程中需要借助相关软件或算法一个一个测得每张卫星图像中各个建筑物的高度,这样增加了数据生产的时间成本和人力成本;2)精度损失,从图11中可以看出,由于方案限制这些模型都是平顶的,对一些复杂的建筑物,比如“人字形”屋顶、“尖顶”建筑物等,上述方案生产的LOD模型会丢失建筑物的顶面轮廓信息,造成精度损失。
为解决上述所述问题,本申请实施例首先提供了一种构建物体的LOD模型的方法,用于通过获取到的建筑物的3D点云构建LOD模型,由于3D点云是完全基于建筑物的轮廓采样得到,其能够高精度的还原建筑物的顶面信息,据此可以得到高精度的LOD模型。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。具体请参阅图12,图12为本申请实施例提供的构建物体的LOD模型的方法的一种流程示意图,具体包括:
1201、获取与卫星图像对应的DSM及该卫星图像中各个建筑物的轮廓矢量。
首先,计算机设备会获取到与某个目标卫星图像(如,分辨率为0.5米的卫星图像)对应的DSM及该卫星图像中各个建筑物的轮廓矢量。在本申请的实施方式中,计算机设备如何获取到卫星图像对应的DSM及该卫星图像中各个建筑物的轮廓矢量均为业界成熟的解决方案,具体此处不予赘述,包括但不限于:计算机设备可以通过如图13所示意的一种半全局优化的DSM提取方法来获取到与卫星图像对应的DSM,再进一步通过如图14所示意的一种基于AI的建筑物轮廓识别方法得到该卫星图像中各个建筑物的轮廓矢量。这里需要注意的是,本申请所述的卫星图像是指已经经过区域网平差对齐后的卫星图像。
需要说明的是,在本申请的一些实施方式中,每个卫星图像中的各个建筑物的轮廓矢量可存储为shp文件,包括但不限于如下方式:1)基于该卫星图像得到的各个建筑物轮廓可存储为一个shp文件,一张卫星图像对应一个shp文件,比如,某张卫星图像中有4个建筑物,那么获得的这4个建筑物的轮廓矢量均存在该同一个shp文件中;2)每个建筑物对应一个shp文件,比如,某张卫星图像中有4个建筑物,那么获得的这4个建筑物的轮廓矢量分别存成4个不同的shp文件。此处不限定每个卫星图像中的各个建筑物的轮廓矢量存储为shp文件的具体实现方式。需要注意的是,在本申请的一些实施方式中,除了将卫星图像中的各个建筑物的轮廓矢量存储为shp文件,也可以存储为其他文件,具体此处不做限定。
还需要说明的是,本申请实施例所述的建筑物可以包括如下物体中的至少一种:房屋、桥梁、电塔、隧道、铁塔、水塔、标志性雕塑、水坝、通信基站等,进一步地,只要是人们在卫星图像中确定的目标,并提取到该目标的轮廓矢量,那么该目标就可以称为本申请实施例所述的建筑物。
1202、将DSM与卫星图像中各个建筑物的轮廓矢量进行套合,得到套合结果。
计算机设备获取到当前卫星图像的DSM和该卫星图像中各个建筑物的轮廓矢量后,将会将该DSM和该卫星图像中各个建筑物的轮廓矢量进行套合,得到套合结果。由于DSM和各个建筑物的轮廓矢量均是基于同一个平差对齐后的卫星图像提取得到的,二者是天然能够严格套合的,即基于同一个卫星图像中的各个建筑物的轮廓矢量和对应的DSM是重合的,重合后的DSM和各个建筑物的轮廓矢量就为所述的套合结果。
1203、根据套合结果对卫星图像中各个建筑物进行采样,得到卫星图像中各个建筑物的3D点云。
计算机设备得到套合结果后,就可根据该套合结果(即重合后的DSM和各个建筑物的轮廓矢量)对当前卫星图像中各个建筑物进行采样,以得到卫星图像中各个建筑物的3D点云。
具体地,在本申请的一些实施方式中,根据套合结果对当前卫星图像中各个建筑物进行采样来得到卫星图像中各个建筑物的3D点云具体可以但不限于通过如下方式:对当前卫星图像中的每一个建筑物沿着其轮廓在对应的DSM上按一定的步长(step)采样3D点,这样每个建筑物就能离散出对应的3D点云,其中,步长step=a*R,a为预设的系数,可根据实际情况自行设置,若想要得到密集的3D点云,则a可设置的小一些,如,0.3;若想要得到不那么密集的3D点云,则a可以设置的大一些,如,0.9,具体此处不做限定,R则为卫星图像的图像分辨率。
1204、根据3D点云构建卫星图像中各个建筑物的LOD模型。
最后,计算机设备可以根据得到的各个建筑物的3D点云对当前卫星图像中的各个建筑物进行构建,从而得到该卫星图像中各个建筑物的LOD模型。类似地,计算机设备可以通过上述所述的方式得到卫星图像集(包括多个卫星图像的集合)中每个卫星图像内各建筑物的LOD模型。
需要说明的是,在本申请的一些实施方式中,计算机设备得到的卫星图像集中每个卫星图像内各建筑物的LOD模型之后,就可将卫星图像集中各个建筑物LOD模型进行分区合并,得到高精度的目标地图,该目标地图可进一步发送给端侧设备(如,手机、平板电脑等)或边缘设备使用。
还需要说明的是,本申请所述的计算机设备可以是云侧设备(如,云服务器、集群等),也可以是端侧设备(如,手机、个人电脑等),只要是能执行本申请图12对应实施例中的各个步骤的设备都可称为计算机设备,具体此处对计算机设备的具体表现形式不做限定。
为便于理解,下面以图15为例,对上述实施例所述的构建物体的LOD模型的方法进行说明:首先,选取一张目标卫星图像(可称为卫星图像S),基于该卫星图像S分别提取得到DSM及该卫星图像S中各个建筑物的轮廓矢量(如,各个建筑物的轮廓矢量可存为一个shp文件),之后将该DSM与各个建筑物的轮廓矢量(如,对应的shp文件)进行套合,得到图15右边所示的套合结果,再基于该套合结果,根据各个建筑物的轮廓采样得到离散的3D点云,图15选择DSM中的某个建筑物作为目标建筑物(可称为建筑物z)进行示意,得到建筑物z的离散3D点云,最后再根据该建筑物z的3D点云对建筑物z进行构建,从而得到建筑物z的LOD模型,如,可以通过泊松表面重建算法由3D点云重建得到LOD模型,重建出的模型具有良好的水密性和几何表面特性。类似地,针对该卫星图像S中的其他建筑物,依照对建筑物z类似的处理,得到该卫星图像S中每个建筑物对应的LOD模型。
在本申请上述实施方式中,首次将卫星图像对应的DSM及卫星图像中各个建筑物的轮廓矢量进行套合,再基于套合后的DSM和建筑物轮廓矢量获取到每个建筑物的3D点云,也就是说,根据DSM和建筑物的轮廓矢量得到的套合结果限定了3D点云的采样区域(即圈定了采样范围),在这个采样区域内进行3D点云的采样,其能够高精度的还原建筑物的顶面信息,据此可以得到高精度的LOD模型。并且,本申请上述实施方式不需要单独一个一个获取每个建筑物的高度信息,节约了成本,同时降低了数据量。
需要说明的是,在本申请上述实施方式中,根据3D点云对卫星图像中各个建筑物进行构建,得到卫星图像中各个建筑物的LOD模型实质上构建得到的是高精度的网格模型,因为得到的每个建筑物的所有3D点云都被用于对建筑物的LOD模型进行构建,这种方式得到的建筑物的LOD模型虽然精度很高,但同时也存在数据量大的问题,最终可能导致合成的卫星地图数据量过大,造成使用过程中的卡顿,影响用户体验。因此在本申请的一些实施方式中,根据3D点云对卫星图像中各个建筑物进行构建,得到卫星图像中各个建筑物的LOD模型的方式可以通过但不限于如下方式:先根据第一预设算法由3D点云重建得到卫星图像中各个建筑物的网格模型(即上述未简化的LOD模型),再根据第二预设算法对网格模型进行简化,得到卫星图像中各个建筑物简化的LOD模型。
还需要说明的是,在本申请的一些实施方式中,第一预设算法可以包括但不限于:泊松表面重建算法。
下面具体对如何根据第二预设算法简化网格模型进行介绍,这里需要先说明的是,第二预设算法可以有多种具体表现形式,例如,可以是如图16所示的顶点删除的方式,也可以是如图4所示的边变成点(即边塌陷)的方式,还可以是如图17所示的面变成点(即面收缩)的方式,具体此处不做限定。但是为了便于理解,以第二预设算法为图4所示的边塌陷的方式(即边折叠算法)为例,对如何简化网格模型进行介绍:首先,根据边折叠算法对得到的各个建筑物的网格模型进行迭代简化,直至简化后得到的卫星图像中各个建筑物的LOD模型满足预设条件。通过设置的预设条件,同时兼顾简化比和模型精度。其核心技术思想是:通过边折叠算法实现网格模型的简化(如图4所示),同时加入自校验机制(即设置预设条件)防止LOD模型过度简化,如图18所示,即为由于过度简化导致的LOD模型被“拉花”,这种情况下的建筑物已严重失真,无法使用。
具体地,通过边折叠算法实现网格模型的简化的步骤可如图19所示:首先,对得到的当前卫星图像中各个建筑物的网格模型计算其塌陷代价函数,该塌陷代价函数可表示为cost=|S0-S1|,其中,S0为当前边x所关联的三角形所围成的局部区域(即图4中左边共点的9个三角形所围成的区域),S1为假设该边x塌陷成顶点p2后,顶点p2所关联的三角形所围成的局部区域(即图4中右边共点的7个三角形所围成的区域),cost即为塌陷前后局部面积的变化量;类似地,针对该网格模型中的每条边都可根据上述塌陷代价函数计算出每条边对应的cost的取值,之后,按照预设规则选择其中一个cost对应的边进行塌陷(即一条边塌陷变成一个顶点),如,可以是选择cost的取值最小的边进行塌陷,也可以是选择cost的取值小于某个值的边进行塌陷,此处对预设规则不做限定;按照上述类似的方式,每次迭代一定的步长(如,10-20次,每个周期按照上述方式连续塌陷10-20次,即塌陷10-20条边)后,对模型进行自校验的计算以判断模型是否被“拉花”,具体地,可以通过但不限于如下方式进行自校验计算:计算构成初始的网格模型的3D点云(就是上图4左边未进行塌陷时的各个顶点)到当前简化的LOD模型(就是图4右边7个三角行构成的区域,可近似看作一个平面)的距离d,具体的计算公式可以是d=μ+2*σ,其中,μ=∑i=1~ndi/n,为每个3D点到当前简化的LOD模型的距离di的平均值, 为每个3D点到当前简化的LOD模型的距离di的标准差;之后,判断当前简化的LOD模型与点云的距离是否超过“拉花”的阈值t,t=ε*step,其中,ε为比例系数,可根据实际情况自行设置,根据实验的经验,可以取值为2~5中的任意数值,step为3D点云的采样步长,该采样步长也可自行设置,如,可取步长为step=0.5*0.5m;如果计算得到的距离d没有超过阈值t,则回到上述步骤继续进行下一个周期的迭代简化,若计算得到的距离d超过阈值t,则停止简化,并将上一个简化周期迭代得到的LOD模型作为最终简化好的LOD模型输出。
为便于理解,下面以图20为例,对上述由初始的卫星图像得到最终简化后的LOD模型进行说明:向计算机设备输入初始的卫星图像(如,分辨率为0.5米的卫星图像),之后,采用预设方法(如,图13所示的半全局优化的方法)从该卫星图像中提取DSM,同时采用预设方法(如,图14所示的AI识别的方法)提取该卫星图像中各个建筑物的轮廓,并生成shp文件,再将DSM与建筑物的shp文件进行套合,然后对每一个建筑物沿着其轮廓在对应的DSM上按一定的步长step(如,step=0.5*0.5米,其他的步长也可以)采样3D点,离散出3D点云,最后通过泊松表面重建算法(其他算法也可以)由3D点云重建得到高精度的3D网格模型;之后,对每一个建筑物对应的网格模型,按照1米(5*step)的距离(也可以是其他距离)得到阈值t,再进行如图20所示的简化步骤生成最终简化好的LOD模型。最后,就可以对得到的各个建筑物的LOD模型进行分区合并,得到城市级的高精度地图,如图21所示,就为根据各个建筑物的LOD模型合并得到的一个高精度地图,由图21可以看出,其很好的还原了各建筑物的顶部信息。
在本申请上述实施方式中,通过自动化的构建流程能够减少人工量和制作周期,有效降低LOD模型的生产成本,同时保证复杂建筑物模型的精度,实现高精度、低成本的城市级高精度地图的快速生产。
为了对本申请实施例所带来的有益效果有更为直观的认识,可参阅图22,在图22中,针对同一个卫星图像得到的建筑物的LOD模型,通过本申请实施例得到的建筑物的LOD模型在精度上就比通过目前已有技术得到的建筑物的LOD模型的精度高很多。
由于智能安防、平安城市、智能终端等领域中都可以用到本申请实施例中基于建筑物的LOD模型构建的高精度地图,例如,基于本申请方法得到的建筑物LOD模型,可用于构建高精度地图,该高精度地图可应用于各种场景,比如常见的一些任务:无人驾驶的障碍物避让、智能识别、定位导航、进一步构建AR/VR地图等,下面将对多个落地到产品的多个应用场景进行介绍。
(1)AR地图
AR地图(也称河图)具有融合3D高精地图的能力、空间计算能力、强环境理解能力和逼真的虚实融合渲染能力,在端管云融合的5G架构下,将提供地球级虚实融合世界的构建与服务能力。而高精度地图作为连接虚拟世界和真实世界的桥梁,是AR地图的重要基础,本申请提出的技术方案已经进行了验证,已证明该方案能够以较低的成本,快速生产LOD模型,实现城市级的高精度地图覆盖,同时模型精度满足应用要求,如图23所示,为本申请实施例提供的高精度地图在AR地图中的应用效果。
(2)无人驾驶的障碍物避让
基于本申请实施例构建的LOD模型得到的高精度地图也可以应用于无人驾驶领域,如,无人驾驶的智能飞行设备(如,无人机、空中灭火设备等),在这些无人驾驶的智能设备上可搭载配置本申请提供的高精度地图,使得这些智能飞行设备在低空飞行过程中,能准确避让各个建筑物。
应理解,上文介绍的AR地图和无人驾驶的障碍物避让只是基于本申请实施例方法构建得到的高精度地图所应用的两个具体场景,本申请实施例在应用时并不限于上述场景,其能够应用到任何需要使用地图的场景中。
在图12、图15及图20所对应的实施例的基础上,为了更好的实施本申请实施例的上述方案,下面还提供用于实施上述方案的计算机设备。具体参阅图24,图24为本申请实施例提供的一种计算机设备的示意图,该计算机设备具体可以包括:获取模块2401、套合模块2402、采样模块2403以及构建模块2404,其中,获取模块2401,用于获取与卫星图像对应的DSM及所述卫星图像中各个建筑物的轮廓矢量;套合模块2402,用于将所述DSM与所述卫星图像中各个建筑物的轮廓矢量进行套合,得到套合结果;采样模块2403,用于根据所述套合结果对所述卫星图像中各个建筑物进行采样,得到所述卫星图像中各个建筑物的3D点云;构建模块2404,用于根据所述3D点云对所述卫星图像中各个建筑物进行构建,得到所述卫星图像中各个建筑物的LOD模型。
在本申请上述实施方式中,首先,获取模块2401会获取到与卫星图像对应的DSM及该卫星图像中各个建筑物的轮廓矢量,并通过套合模块2402将卫星图像对应的DSM及卫星图像中各个建筑物的轮廓矢量进行套合,再基于套合后的DSM和建筑物轮廓矢量通过采样模块2403采样得到离散的建筑物的3D点云,最后通过构建模块2404利用该3D点云对各个建筑物进行构建,由于3D点云是基于建筑物的轮廓采样得到的,其能够高精度的还原建筑物的顶面信息,据此可以得到高精度的LOD模型。并且,本申请上述实施方式不需要单独一个一个获取每个建筑物的高度信息,节约了成本,同时降低了数据量。
在一种可能的设计中,所述构建模块2404,具体用于:根据第一预设算法由所述3D点云重建得到所述卫星图像中各个建筑物的网格模型,之后,再根据第二预设算法对所述网格模型进行简化,得到所述卫星图像中各个建筑物的LOD模型。
在本申请上述实施方式中,具体阐述了一种如何得到LOD模型的方式,即先根据第一预设算法得到网格模型,再对网格模型简化,得到LOD模型。这种方式简单易操作,具备灵活性。
在一种可能的设计中,所述构建模块2404,具体还用于:根据边折叠算法对所述网格模型进行迭代简化,直至简化后得到的所述卫星图像中各个建筑物的LOD模型满足预设条件,则此时得到的简化后的LOD模型就为最终输出的LOD模型。
在本申请上述实施方式中,具体阐述了一种如何简化网格模型的方式,即通过边折叠算法对得到的网格模型进行简化,同时加入自校验机制(即设置预设条件)防止LOD模型过度简化,同时兼顾到了简化比和模型精度。
在一种可能的设计中,所述采样模块2403,具体用于:基于所述卫星图像中各个建筑物的轮廓,在所述DSM上按预设步长进行采样,得到所述卫星图像中各个建筑物的3D点云。
在本申请上述实施方式中,具体阐述了如何根据建筑物的轮廓得到离散的3D点云的,3D点云的密集度可根据步长自行调整,可满足用户的不同需求,具备灵活性。
在一种可能的设计中,所述构建模块2404,还用于:将多个卫星图像中各个建筑物的LOD模型进行分区合并,得到目标地图。
在本申请上述实施方式中,得到的卫星图像集中每个卫星图像内各建筑物的LOD模型之后,就可将卫星图像集中各个建筑物LOD模型进行分区合并,得到高精度的目标地图,该目标地图可进一步发送给端侧设备(如,手机、平板电脑等)或边缘设备使用,具备实用性。
在一种可能的设计中,所述卫星图像中各个建筑物的轮廓矢量保存为shp文件。具体地,包括但不限于如下方式:1)基于该卫星图像得到的各个建筑物轮廓可存储为一个shp文件,一张卫星图像对应一个shp文件,比如,某张卫星图像中有4个建筑物,那么获得的这4个建筑物的轮廓矢量均存在该同一个shp文件中;2)每个建筑物对应一个shp文件,比如,某张卫星图像中有4个建筑物,那么获得的这4个建筑物的轮廓矢量分别存成4个不同的shp文件。此处不限定每个卫星图像中的各个建筑物的轮廓矢量存储为shp文件的具体实现方式。
在本申请上述实施方式中,阐述了将建筑物保存为shp文件的几种方式,具备可选择性。
在一种可能的设计中,所述建筑物至少包括如下物体中的至少一种:房屋、桥梁、电塔、隧道、铁塔、水塔、标志性雕塑、水坝、通信基站等,进一步地,只要是人们在卫星图像中确定的目标,并提取到该目标的轮廓矢量,那么该目标就可以称为本申请实施例所述的建筑物。
在本申请上述实施方式中,阐述了本申请所述的建筑物具体可以是哪些物体,便于在对建筑物轮廓进行获取时,知道如何在卫星图像中确定出需要的建筑物类型。
在一种可能的设计中,所述第一预设算法包括:泊松表面重建算法。
在本申请上述实施方式中,给出了第一预设算法的一种具体形式,具备可选择性。
需要说明的是,图24对应实施例所述的计算机设备中各模块/单元之间的信息交互、执行过程等内容,与本申请中图12、图15及图20对应的方法实施例基于同一构思,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
接下来介绍本申请实施例提供的另一种计算机设备,请参阅图25,图25为本申请实施例提供的计算机设备的一种结构示意图,计算机设备2500上可以部署有图24对应实施例中所描述的模块,用于实现图24对应实施例中计算机设备的功能,具体的,计算机设备2500由一个或多个服务器实现,计算机设备2500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)2522(例如,一个或一个以上中央处理器)和存储器2532,一个或一个以上存储应用程序2542或数据2544的存储介质2530(例如一个或一个以上海量存储设备)。其中,存储器2532和存储介质2530可以是短暂存储或持久存储。存储在存储介质2530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对计算机设备2500中的一系列指令操作。更进一步地,中央处理器2522可以设置为与存储介质2530通信,在计算机设备2500上执行存储介质2530中的一系列指令操作。
计算机设备2500还可以包括一个或一个以上电源2526,一个或一个以上有线或无线网络接口2550,一个或一个以上输入输出接口2558,和/或,一个或一个以上操作系统2541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本申请实施例中,中央处理器2522,用于执行图12、图15或图20对应实施例中的方法。例如,中央处理器2522可以用于:获取到与某个目标卫星图像(如,分辨率为0.5米的卫星图像)对应的DSM及该卫星图像中各个建筑物的轮廓矢量,并将该DSM和该卫星图像中各个建筑物的轮廓矢量进行套合,得到套合结果,之后,就可根据该套合结果(即重合后的DSM和各个建筑物的轮廓矢量)对当前卫星图像中各个建筑物进行采样,以得到卫星图像中各个建筑物的3D点云,最后,计算机设备可以根据得到的各个建筑物的3D点云对当前卫星图像中的各个建筑物进行构建,从而得到该卫星图像中各个建筑物的LOD模型。类似地,计算机设备可以通过上述所述的方式得到卫星图像集(包括多个卫星图像的集合)中每个卫星图像内各建筑物的LOD模型。
需要说明的是,中央处理器2522还可以用于执行与本申请中图12、图15或图20对应的方法实施例中任意一个步骤,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述所示实施例描述中计算机设备所执行的步骤。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid statedisk,SSD))等。
Claims (20)
1.一种构建物体的多细节层次模型的方法,其特征在于,包括:
获取与卫星图像对应的数字地表模型DSM及所述卫星图像中各个建筑物的轮廓矢量;
将所述DSM与所述卫星图像中各个建筑物的轮廓矢量进行套合,得到套合结果;
根据所述套合结果对所述卫星图像中各个建筑物进行采样,得到所述卫星图像中各个建筑物的3D点云;
根据所述3D点云构建所述卫星图像中各个建筑物的多细节层次LOD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3D点云构建所述卫星图像中各个建筑物的LOD模型包括:
根据第一预设算法由所述3D点云重建得到所述卫星图像中各个建筑物的网格模型;
根据第二预设算法对所述网格模型进行简化,得到所述卫星图像中各个建筑物的LOD模型。
3.根据权利要求2所述的方法,其特征在于,所述根据第二预设算法对所述网格模型进行简化包括:
根据边折叠算法对所述网格模型进行迭代简化,直至简化后得到的所述卫星图像中各个建筑物的LOD模型满足预设条件。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述套合结果对所述卫星图像中各个建筑物进行采样,得到所述卫星图像中各个建筑物的3D点云包括:
基于所述卫星图像中各个建筑物的轮廓,在所述DSM上按预设步长进行采样,得到所述卫星图像中各个建筑物的3D点云。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述方法还包括:
将多个卫星图像中各个建筑物的LOD模型进行分区合并,得到目标地图。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述卫星图像中各个建筑物的轮廓矢量保存为shp文件。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述建筑物至少包括如下物体中的至少一种:
房屋、桥梁、电塔、隧道、铁塔、水塔、标志性雕塑、水坝、通信基站。
8.根据权利要求2-7中任一项所述的方法,其特征在于,所述第一预设算法包括:
泊松表面重建算法。
9.一种计算机设备,其特征在于,包括:
获取模块,用于获取与卫星图像对应的DSM及所述卫星图像中各个建筑物的轮廓矢量;
套合模块,用于将所述DSM与所述卫星图像中各个建筑物的轮廓矢量进行套合,得到套合结果;
采样模块,用于根据所述套合结果对所述卫星图像中各个建筑物进行采样,得到所述卫星图像中各个建筑物的3D点云;
构建模块,用于根据所述3D点云构建所述卫星图像中各个建筑物的LOD模型。
10.根据权利要求9所述的设备,其特征在于,所述构建模块,具体用于:
根据第一预设算法由所述3D点云重建得到所述卫星图像中各个建筑物的网格模型;
根据第二预设算法对所述网格模型进行简化,得到所述卫星图像中各个建筑物的LOD模型。
11.根据权利要求10所述的设备,其特征在于,所述构建模块,具体还用于:
根据边折叠算法对所述网格模型进行迭代简化,直至简化后得到的所述卫星图像中各个建筑物的LOD模型满足预设条件。
12.根据权利要求9-11中任一项所述的设备,其特征在于,所述采样模块,具体用于:
基于所述卫星图像中各个建筑物的轮廓,在所述DSM上按预设步长进行采样,得到所述卫星图像中各个建筑物的3D点云。
13.根据权利要求9-12中任一项所述的设备,其特征在于,所述构建模块,还用于:
将多个卫星图像中各个建筑物的LOD模型进行分区合并,得到目标地图。
14.根据权利要求9-13中任一项所述的设备,其特征在于,所述卫星图像中各个建筑物的轮廓矢量保存为shp文件。
15.根据权利要求9-14中任一项所述的设备,其特征在于,所述建筑物至少包括如下物体中的至少一种:
房屋、桥梁、电塔、隧道、铁塔、水塔、标志性雕塑、水坝、通信基站。
16.根据权利要求10-15中任一项所述的设备,其特征在于,所述第一预设算法包括:
泊松表面重建算法。
17.一种计算机设备,包括存储器和一个或多个处理器,所述一个和多个处理器与所述存储器耦合,其特征在于,
所述存储器,用于存储程序;
所述一个或多个处理器,用于执行所述存储器中的程序,使得所述计算机设备执行如权利要求1-8中任一项所述的方法。
18.一种计算机可读存储介质,包括计算机可读指令,当所述计算机可读指令在计算机上运行时,使得计算机执行如权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机可读指令,当所述计算机可读指令在计算机上运行时,使得计算机执行如权利要求1-8中任一项所述的方法。
20.一种芯片,其特征在于,所述芯片包括存储器和一个或多个处理器,所述芯片用于读取存储器中存储的计算机程序,使得所述一个或多个处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466779.1A CN113743155A (zh) | 2020-05-28 | 2020-05-28 | 一种构建物体的多细节层次模型的方法及计算机设备 |
PCT/CN2021/081695 WO2021238359A1 (zh) | 2020-05-28 | 2021-03-19 | 一种构建物体的多细节层次模型的方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466779.1A CN113743155A (zh) | 2020-05-28 | 2020-05-28 | 一种构建物体的多细节层次模型的方法及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743155A true CN113743155A (zh) | 2021-12-03 |
Family
ID=78724153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466779.1A Pending CN113743155A (zh) | 2020-05-28 | 2020-05-28 | 一种构建物体的多细节层次模型的方法及计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113743155A (zh) |
WO (1) | WO2021238359A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202622A (zh) * | 2022-02-18 | 2022-03-18 | 腾讯科技(深圳)有限公司 | 虚拟建筑生成方法、装置、设备及计算机可读存储介质 |
WO2023124676A1 (zh) * | 2021-12-30 | 2023-07-06 | 华为技术有限公司 | 3d模型构建方法、装置和电子设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863020B (zh) * | 2022-04-29 | 2023-03-28 | 北京工业大学 | 三维模型构建方法、装置、电子设备及存储介质 |
CN115358486B (zh) * | 2022-09-20 | 2023-06-02 | 中咨数据有限公司 | 基于立体卫星影像的港口货运量预测方法、系统及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160196687A1 (en) * | 2015-01-07 | 2016-07-07 | Geopogo, Inc. | Three-dimensional geospatial visualization |
US20170200309A1 (en) * | 2015-12-16 | 2017-07-13 | Objectvideo, Inc. | Using satellite imagery to enhance a 3d surface model of a real world cityscape |
CN107967713A (zh) * | 2017-11-21 | 2018-04-27 | 泰瑞数创科技(北京)有限公司 | 基于空间点云数据的建筑物三维模型构建方法和系统 |
US20190197786A1 (en) * | 2017-12-22 | 2019-06-27 | Magic Leap, Inc. | Caching and updating of dense 3d reconstruction data |
CN110889899A (zh) * | 2019-10-14 | 2020-03-17 | 北京建筑大学 | 一种数字地表模型的生成方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604018B (zh) * | 2009-07-24 | 2011-09-21 | 中国测绘科学研究院 | 高分辨率遥感影像数据处理方法及其系统 |
CN102074050A (zh) * | 2011-03-01 | 2011-05-25 | 哈尔滨工程大学 | 大规模地形绘制的分形多分辨率简化方法 |
CN104457691B (zh) * | 2014-12-15 | 2017-02-01 | 重庆市勘测院 | 一种建筑物主体高程信息获取方法 |
-
2020
- 2020-05-28 CN CN202010466779.1A patent/CN113743155A/zh active Pending
-
2021
- 2021-03-19 WO PCT/CN2021/081695 patent/WO2021238359A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160196687A1 (en) * | 2015-01-07 | 2016-07-07 | Geopogo, Inc. | Three-dimensional geospatial visualization |
US20170200309A1 (en) * | 2015-12-16 | 2017-07-13 | Objectvideo, Inc. | Using satellite imagery to enhance a 3d surface model of a real world cityscape |
CN107967713A (zh) * | 2017-11-21 | 2018-04-27 | 泰瑞数创科技(北京)有限公司 | 基于空间点云数据的建筑物三维模型构建方法和系统 |
US20190197786A1 (en) * | 2017-12-22 | 2019-06-27 | Magic Leap, Inc. | Caching and updating of dense 3d reconstruction data |
CN110889899A (zh) * | 2019-10-14 | 2020-03-17 | 北京建筑大学 | 一种数字地表模型的生成方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023124676A1 (zh) * | 2021-12-30 | 2023-07-06 | 华为技术有限公司 | 3d模型构建方法、装置和电子设备 |
CN114202622A (zh) * | 2022-02-18 | 2022-03-18 | 腾讯科技(深圳)有限公司 | 虚拟建筑生成方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021238359A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743155A (zh) | 一种构建物体的多细节层次模型的方法及计算机设备 | |
CN107862744B (zh) | 航空影像三维建模方法及相关产品 | |
US9613388B2 (en) | Methods, apparatuses and computer program products for three dimensional segmentation and textured modeling of photogrammetry surface meshes | |
EP2849117B1 (en) | Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling | |
CN113607135B (zh) | 一种用于路桥施工领域的无人机倾斜摄影测量方法 | |
Barazzetti et al. | True-orthophoto generation from UAV images: Implementation of a combined photogrammetric and computer vision approach | |
CN112465970B (zh) | 导航地图构建方法、装置、系统、电子装置和存储介质 | |
WO2013176894A2 (en) | Combining narrow-baseline and wide-baseline stereo for three-dimensional modeling | |
CN112652065A (zh) | 三维社区建模方法、装置、计算机设备及存储介质 | |
EP4116935B1 (en) | High-definition map creation method and device, and electronic device | |
CN115082699B (zh) | 一种轮廓形状提取方法、装置、电子设备及存储介质 | |
CN115641401A (zh) | 一种三维实景模型的构建方法及相关装置 | |
Cosido et al. | Hybridization of convergent photogrammetry, computer vision, and artificial intelligence for digital documentation of cultural heritage-a case study: the magdalena palace | |
CN112288637A (zh) | 无人机航拍图像快速拼接装置及快速拼接方法 | |
CN115393240A (zh) | Gis和bim融合的方法、装置、电子设备及可读存储介质 | |
CN112053440A (zh) | 单体化模型的确定方法及通信装置 | |
CN114241125A (zh) | 一种基于多视角卫星影像精细三维建模方法及系统 | |
CN115797256A (zh) | 基于无人机的隧道岩体结构面信息的处理方法以及装置 | |
CN117115243B (zh) | 一种基于街景图片的建筑群外立面窗户定位方法及装置 | |
CN103955959A (zh) | 一种基于车载激光测量系统的全自动纹理映射方法 | |
CN112132466A (zh) | 基于三维建模的路线规划方法、装置、设备和存储介质 | |
CN113129422A (zh) | 一种三维模型构建方法、装置、存储介质和计算机设备 | |
CN109003295B (zh) | 一种无人机航空影像快速匹配方法 | |
CN115790621A (zh) | 高精地图更新方法、装置及电子设备 | |
CN115619986A (zh) | 场景漫游方法、装置、设备和介质 |
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 |