CN113989680A - 建筑三维场景自动构建方法及系统 - Google Patents
建筑三维场景自动构建方法及系统 Download PDFInfo
- Publication number
- CN113989680A CN113989680A CN202111608582.8A CN202111608582A CN113989680A CN 113989680 A CN113989680 A CN 113989680A CN 202111608582 A CN202111608582 A CN 202111608582A CN 113989680 A CN113989680 A CN 113989680A
- Authority
- CN
- China
- Prior art keywords
- building
- dimensional
- model
- data
- dimensional building
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 48
- 230000032823 cell division Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005192 partition Methods 0.000 claims description 37
- 238000013145 classification model Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101150041570 TOP1 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种建筑三维场景自动构建方法，包括获取遥感影像数据及矢量数据；提取小区区划边界和建筑轮廓数据；基于遥感影像数据及建筑轮廓数据获取建筑样本数据，利用其获得建筑分类预测结果；基于分类预测结果及建筑样本数据获取新增建筑数据；基于新增建筑数据及矢量数据获得建筑轮廓矢量数据，基于其及遥感影像数据生成二维建筑信息模型；基于二维建筑信息模型在三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为三维建筑模型。本发明综合使用遥感影像数据、矢量数据和三维建筑模型库实现城市级高质量建筑三维场景自动构建，提升三维场景构建过程中积累的建筑模型数据利用率，又可增强建筑模型批量构建的位置匹配精确性。
Description
技术领域
本发明涉及自动化三维建模技术领域，尤其是指一种建筑三维场景自动构建方法及系统。
背景技术
在数字城市和虚拟现实发展过程中，对大场景的三维场景搭建的需求越来越多，对三维场景搭建的速度要求也越来越高。目前，大场景三维构建中对于非主体建筑的建模方式较多，比如基于倾斜摄影影像的三维场景构建、基于激光扫描的三维场景构建、基于图像的三维场景构建等。这些方法中，有些适用的应用场景有限，有些数据获取及数据处理较为复杂。
建筑体作为城市三维场景构建的重要对象体之一，其种类、形态、材质较多，且不同区域的布局分布及要素一致性要求都给三维场景构建中建筑体批量建模工作带来了巨大的挑战。在三维场景构建软件中利用建筑三维素模自动拉伸技术也可以构建城市级三维场景。但是当浏览镜头拉近，就可以发现建筑体的模型存在大片的雷同数据及分布不合理等现象，造成其建模精度低的问题。还有部分三维场景可视化使用倾斜摄影影像数据进行建模，虽然获得的三维场景在真实性方面得到了较大的提升，但是较大场景的展示在灵活性、硬件需求等方面要求较高。因此，如何快速的利用各种数据为城市级三维场景批量搭建高质量的三维建筑模型成为在数字城市和虚拟现实建设工作中的一大难题。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种建筑三维场景自动构建方法及系统，综合使用遥感影像数据、居民区矢量数据和自持积累的三维建筑模型库实现城市级高质量建筑三维场景自动构建，提升三维场景构建过程中积累的建筑模型数据利用率，又可增强建筑模型批量构建的位置匹配合理性和精确性。
为解决上述技术问题，本发明提供一种建筑三维场景自动构建方法，包括：
获取同一居民区下的遥感影像数据以及居民区矢量数据；
基于所述居民区矢量数据提取小区区划边界和建筑轮廓数据；
基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，利用基于建筑样本数据训练好的建筑分类模型获得基于所述遥感影像数据的建筑分类预测结果；
基于所述建筑分类预测结果以及所述建筑样本数据获取新增建筑数据，其中所述新增建筑数据为所述遥感影像数据识别出来且不在所述建筑样本数据中的建筑数据；
基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型；
基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型。
在本发明的一个实施例中，基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，包括：
基于所述建筑轮廓数据获取与每个建筑轮廓数据相对应的候选遥感影像数据；
基于所述候选遥感影像数据获得建筑样本数据。
在本发明的一个实施例中，基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，包括：
将所述新增建筑数据、小区区划边界以及建筑轮廓数据进行空间叠加；
对所述新增建筑数据进行区划边界评估，当所述新增建筑数据包含于某一小区区划边界内或与某一小区区划边界相交的面积大于设定的阈值，则为该新增建筑数据增加小区区划信息，并将其与建筑轮廓数据进行整合，获得建筑轮廓矢量数据。
在本发明的一个实施例中，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型，包括：
将所述建筑轮廓矢量数据以及所述遥感影像数据进行空间位置匹配，获得二维建筑信息模型，提取所述二维建筑信息模型中每个建筑轮廓的综合属性值。
在本发明的一个实施例中，基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型，包括：
基于所述综合属性值提取与所述二维建筑信息模型相匹配的三维建筑模型，计算二维建筑信息模型的屋顶颜色与三维建筑模型的屋顶颜色的LAB颜色空间距离，取LAB颜色空间距离达到距离阈值的三维建筑模型作为相匹配的三维建筑模型；
计算所述三维建筑模型的建筑边界与所述二维建筑信息模型的建筑轮廓的图形相似度，取图形相似度达到相似度阈值的三维建筑模型作为该二维建筑信息模型的至少一个建议候选三维建筑模型；
依据所述二维建筑信息模型中的小区区划信息对至少一个建议候选三维建筑模型进行预筛选，集中属于同一小区区划中的所有建议候选三维建筑模型，计算每个建议候选三维建筑模型的占比，取占比最大的建议候选三维建筑模型作为该小区区划的候选三维建筑模型；达到占比阈值的；
建立所述二维建筑信息模型与所述自持三维建筑模型库中对象的映射关系，若该二维建筑信息模型所对应的建议候选三维建筑模型与该建筑所在小区的候选三维建筑模型不一致，且该建筑所在小区的候选三维建筑模型的占比达到占比阈值，则取该建筑所在小区的候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型，反之取图形相似度排序最高的建议候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型。
此外，本发明还提供一种建筑三维场景自动构建系统，包括：
获取模块，其用于获取同一居民区下的遥感影像数据以及居民区矢量数据；
数据提取模块，其用于基于所述居民区矢量数据提取小区区划边界和建筑轮廓数据；
建筑分类预测模块，其用于基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，利用基于建筑样本数据训练好的建筑分类模型获得基于所述遥感影像数据的建筑分类预测结果；
新增建筑获取模块，其用于基于所述建筑分类预测结果以及所述建筑样本数据获取新增建筑数据，其中所述新增建筑数据为所述遥感影像数据识别出来且不在所述建筑样本数据中的建筑数据；
二维建筑信息模型生成模块，其用于基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型；
三维建筑模型确定模块，其用于基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型。
在本发明的一个实施例中，所述建筑分类预测模块包括：
候选遥感影像数据获取单元，其用于基于所述建筑轮廓数据获取与每个建筑轮廓数据相对应的候选遥感影像数据；
样本数据获取单元，其用于基于所述候选遥感影像数据获得建筑样本数据。
在本发明的一个实施例中，所述二维建筑信息模型生成模块包括：
空间叠加单元，其用于将所述新增建筑数据、小区区划边界以及建筑轮廓数据进行空间叠加；
区划边界评估单元，其用于对所述新增建筑数据进行区划边界评估，当所述新增建筑数据包含于某一小区区划边界内或与某一小区区划边界相交的面积大于设定的阈值，则为该新增建筑数据增加小区区划信息，并将其与建筑轮廓数据进行整合，获得建筑轮廓矢量数据。
在本发明的一个实施例中，所述二维建筑信息模型生成模块包括：
综合属性值提取单元，其用于将所述建筑轮廓矢量数据以及所述遥感影像数据进行空间位置匹配，获得二维建筑信息模型，提取所述二维建筑信息模型中每个建筑轮廓的综合属性值。
在本发明的一个实施例中，所述三维建筑模型确定模块包括：
三维建筑模型提取单元，其用于基于所述综合属性值提取与所述二维建筑信息模型相匹配的三维建筑模型，计算二维建筑信息模型的屋顶颜色与三维建筑模型的屋顶颜色的LAB颜色空间距离，取LAB颜色空间距离达到距离阈值的三维建筑模型作为相匹配的三维建筑模型；
建议候选三维建筑模型获取单元，其用于计算所述三维建筑模型的建筑边界与所述二维建筑信息模型的建筑轮廓的图形相似度，取图形相似度达到相似度阈值的三维建筑模型作为该二维建筑信息模型的至少一个建议候选三维建筑模型；
候选三维建筑模型获取单元，其用于依据所述二维建筑信息模型中的小区区划信息对至少一个建议候选三维建筑模型进行预筛选，集中属于同一小区区划中的所有建议候选三维建筑模型，计算每个建议候选三维建筑模型的占比，取占比最大的建议候选三维建筑模型作为该小区区划的候选三维建筑模型；
目标三维建筑模型确定单元，其用于建立所述二维建筑信息模型与所述自持三维建筑模型库中对象的映射关系，若该二维建筑信息模型所对应的建议候选三维建筑模型与该建筑所在小区的候选三维建筑模型不一致，且该建筑所在小区的候选三维建筑模型的占比达到占比阈值，则取该建筑所在小区的候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型，反之取图形相似度排序最高的建议候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型。
本发明的上述技术方案相比现有技术具有以下优点：
（1）、本发明综合使用遥感影像数据、居民区矢量数据和自持积累的三维建筑模型库实现城市级高质量建筑三维场景自动构建，提升三维场景构建过程中积累的建筑模型数据利用率，又可增强建筑模型批量构建的位置匹配合理性和精确性。
（2）、本发明通过建立二维建筑信息模型，对建筑的空间属性、拓扑规则、综合属性值以及地理位置信息进行存诸，从而在二维数据模型中规范和体现了建筑体的分布位置、格局和建筑体特征；并通过相似性计算建立二维建筑信息模型和三维建筑模型的对应关系，实现了三维模型数据与二维信息模型的分开存储及利用，在解决实际生产中城市级高质量建筑三维场景快速自动构建问题的同时，为三维模型数据积累、存储提供了一种新的思路，为精细化、高效率的三维场景生产提供有力的技术支持。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1是本发明建筑三维场景自动构建方法的一流程示意图。
图2是本发明建筑三维场景自动构建方法的另一流程示意图。
图3是本发明建筑三维场景自动构建系统的硬件结构示意图。
图4是本发明二维建筑信息模型生成模块的硬件结构示意图。
图5是本发明三维建筑模型确定模块的硬件结构示意图。
其中，附图标记说明如下：10、获取模块；20、数据提取模块；30、建筑分类预测模块；31、候选遥感影像数据获取单元；32、样本数据获取单元；40、新增建筑获取模块；50、二维建筑信息模型生成模块；51、空间叠加单元；52、区划边界评估单元；53、综合属性值提取单元；60、三维建筑模型确定模块；61、三维建筑模型提取单元；62、建议候选三维建筑模型获取单元；63、候选三维建筑模型获取单元；64、目标三维建筑模型确定单元。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
请参阅图1和2所示，本实施例提供一种建筑三维场景自动构建方法，其包括以下步骤：
S1：获取同一居民区下的遥感影像数据以及居民区矢量数据；
S2：基于所述居民区矢量数据提取小区区划边界和建筑轮廓数据；
S3：基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，利用基于建筑样本数据训练好的建筑分类模型获得基于所述遥感影像数据的建筑分类预测结果；
S4：基于所述建筑分类预测结果以及所述建筑样本数据获取新增建筑数据，其中所述新增建筑数据为所述遥感影像数据识别出来且不在所述建筑样本数据中的建筑数据；
S5：基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型；
S6：基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型。
在本公开的建筑三维场景自动构建方法中，上述遥感影像数据以及居民区矢量数据采集自同一场景。
在本公开的建筑三维场景自动构建方法中，场景中的遥感影像数据可以通过遥感卫星获取，居民区矢量数据可以通过人工测绘获取。
本公开的建筑三维场景自动构建方法综合使用遥感影像数据、居民区矢量数据和自持积累的三维建筑模型库实现城市级高质量建筑三维场景自动构建，提升三维场景构建过程中积累的建筑模型数据利用率，又可增强建筑模型批量构建的位置匹配合理性和精确性。
对于上述实施方式的基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据S3，其包括：
S3.1：基于所述建筑轮廓数据获取与每个建筑轮廓数据相对应的候选遥感影像数据；
S3.2：基于所述候选遥感影像数据获得建筑样本数据。
作为优选的，可以根据位置信息（这里指遥感影像数据和建筑轮廓数据自带的位置信息）实现遥感影像数据和建筑轮廓数据的叠加匹配，基于建筑轮廓数据对遥感影像数据进行掩膜处理，以建筑轮廓数据为基准，获取每个建筑轮廓对应的候选遥感影像数据，即获得了建筑样本数据，建筑样本数据为与候选遥感影像数据分辨率、区域范围一致的tif影像，其建筑区域像元值为255，非建筑区域像元值为0。
对于上述实施方式的利用所述建筑样本数据进行深度学习，获得建筑分类模型，利用所述建筑分类模型获得基于所述遥感影像数据的建筑分类预测结果S3，其包括：
S3.3：选用U-Net深度神经网络作为建筑分类的网络模型，网络模型包括4个模块，每个模块分别包含2个卷积层、1个标准化层和1个最大池化层；
S3.4：将建筑样本数据整理为训练数据（可以是建筑样本数据的80%）和验证数据（可以是建筑样本数据的20%），利用训练数据对S3.3中的网络模型进行训练，获得建筑分类模型，并利用验证数据对建筑分类模型进行验证，直至该建筑分类模型的分类精度达到要求即可输出该建筑分类模型；
S3.5：利用S3.4得到的建筑分类模型对遥感影像数据进行建筑分类预测，最终获得基于遥感影像数据的建筑分类预测结果。
对于上述实施方式的基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据S5，其包括：
S5.1：将所述新增建筑数据、小区区划边界以及建筑轮廓数据进行空间叠加；
S5.2：对所述新增建筑数据进行区划边界评估，当所述新增建筑数据包含于某一小区区划边界内或与某一小区区划边界相交的面积大于设定的阈值，则为该新增建筑数据增加小区区划信息，并将其与建筑轮廓数据进行整合，获得建筑轮廓矢量数据。
作为优选的，可以将所述新增建筑数据、小区区划边界以及建筑轮廓数据进行空间叠加，若新增建筑数据包含于某个小区的行政区划内或与某个小区的行政区划相交的面积大于50%，则为该新增建筑数据增加小区行政区划信息，并整合新增建筑数据与建筑轮廓数据最终输出为建筑轮廓矢量数据。
对于上述实施方式的基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型S5，其包括：
S5.3：将所述建筑轮廓矢量数据以及所述遥感影像数据进行空间位置匹配，获得二维建筑信息模型，提取所述二维建筑信息模型中每个建筑轮廓的综合属性值，综合属性值可以包括屋顶颜色、几何中心、几何结构、长边以及最长对角线等。
对于上述实施方式的基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型S6，其包括：
S6.1：基于所述综合属性值提取与所述二维建筑信息模型相匹配的三维建筑模型，计算二维建筑信息模型的屋顶颜色与三维建筑模型的屋顶颜色的LAB颜色空间距离，取LAB颜色空间距离达到距离阈值的三维建筑模型作为相匹配的三维建筑模型。在本实施案例中为了缩减屋顶色差对三维建筑模型缩减的影像，同时又不至于色差较大，故优选将距离阈值设置为4；
S6.2：计算所述三维建筑模型的建筑边界与所述二维建筑信息模型的建筑轮廓的图形相似度，取图形相似度达到相似度阈值的三维建筑模型作为该二维建筑信息模型的至少一个建议候选三维建筑模型；
S6.3：依据所述二维建筑信息模型中的小区区划信息对至少一个建议候选三维建筑模型进行预筛选，集中属于同一小区区划中的所有建议候选三维建筑模型，计算每个建议候选三维建筑模型的占比，取占比最大的建议候选三维建筑模型作为该小区区划的候选三维建筑模型；达到占比阈值的；
S6.4：建立所述二维建筑信息模型与所述自持三维建筑模型库中对象的映射关系，若该二维建筑信息模型的建议候选三维建筑模型与该建筑所在小区的候选三维建筑模型不一致，且该建筑所在小区的候选三维建筑模型的占比达到占比阈值，则取该建筑所在小区的候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型，反之取图形相似度排序最高的建议候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型；
S6.5：根据坐标转换技术，计算三维场景中的坐标系与二维建筑信息模型中的地理位置坐标系的匹配规则；
S6.6：以二维建筑信息模型的角点、最长边、对角线为匹配要素，根据这三个要素将二维建筑信息模型所对应的目标三维建筑模型批量导入三维场景，完成三维场景的构建。
这里需要说明的是，如果在自持三维建筑模型库中没有匹配到与二维建筑信息模型相对应的目标三维建筑模型，即根据二维建筑信息模型构建三维建筑模型即可，例如可以根据建筑结构和屋顶颜色自动拉伸生成三维建筑模型。
作为优选的，在S6.2中可以计算三维建筑模型的建筑边界与所述二维建筑信息模型的建筑轮廓的图形相似度，即将二维建筑信息模型的建筑轮廓与三维建筑模型的建筑边界的几何中心重叠对齐作为原点，建筑边界保持固定，将建筑轮廓沿长边逆时针方向每5度旋转，计算建筑轮廓与建筑边界的重合面积，其最大重合面积即为建筑轮廓与建筑边界的相似程度值，取相似程度值达到80%以上的三维建筑模型作为该二维建筑信息模型的至少一个建议候选三维建筑模型；然后依据所述二维建筑信息模型中的小区区划信息对至少一个建议候选三维建筑模型进行预筛选，默认一致的小区行政区划具备一样的三维建筑模型，集中属于同一行政区划中的所有建议候选三维建筑模型，计算每一个建议候选三维建筑模型的占比（某一建议候选三维建筑模型/该行政区划中建议候选三维建筑模型总量），取占比最大的模型作为该行政区划的候选三维建筑模型，若占比大于80%则默认该小区行政区划的模型均为该类别三维建筑模型；最后建立所述二维建筑信息模型与所述自持三维建筑模型库中对象的映射关系，若建议候选三维建筑模型与候选三维建筑模型不一致，当该小区行政区划的候选三维建筑模型占比大于80%，则取该候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型，若占比小于80%，则取图形相似度排序Top1作为二维建筑信息模型对应的目标三维建筑模型。
本公开的建筑三维场景自动构建方法通过建立二维建筑信息模型，对建筑的空间属性、拓扑规则、综合属性值以及地理位置信息进行存诸，从而在二维数据模型中规范和体现了建筑体的分布位置、格局和建筑体特征；并通过相似性计算建立二维建筑信息模型和三维建筑模型的对应关系，实现了三维模型数据与二维信息模型的分开存储及利用，在解决实际生产中城市级高质量建筑三维场景快速自动构建问题的同时，为三维模型数据积累、存储提供了一种新的思路，为精细化、高效率的三维场景生产提供有力的技术支持。
本公开的建筑三维场景自动构建方法提出了基于图形相似度计算和坐标准换技术的建筑物三维场景匹配算法，利用建筑轮廓与建筑模型库中的建筑模型底座边界的几何相似度计算，获取同轮廓规则的建筑物模型，并基于三维场景与建筑信息模型中的地理位置的坐标转换技术，确定建筑模型在三维场景的定位，实现建筑物三维场景构建。
实施例二
下面对本发明实施例二公开的一种建筑三维场景自动构建系统进行介绍，下文描述的一种建筑三维场景自动构建系统与上文描述的一种建筑三维场景自动构建方法可相互对应参照。
请参阅图3至图5所示，本发明实施例二公开了一种建筑三维场景自动构建系统，包括：
获取模块10，其用于获取同一居民区下的遥感影像数据以及居民区矢量数据；
数据提取模块20，其用于基于所述居民区矢量数据提取小区区划边界和建筑轮廓数据；
建筑分类预测模块30，其用于基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，利用基于建筑样本数据训练好的建筑分类模型获得基于所述遥感影像数据的建筑分类预测结果；
新增建筑获取模块40，其用于基于所述建筑分类预测结果以及所述建筑样本数据获取新增建筑数据，其中所述新增建筑数据为所述遥感影像数据识别出来且不在所述建筑样本数据中的建筑数据；
二维建筑信息模型生成模块50，其用于基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型；
三维建筑模型确定模块60，其用于基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型。
其中，对于上述实施方式的建筑分类预测模块30包括：
候选遥感影像数据获取单元31，其用于基于所述建筑轮廓数据获取与每个建筑轮廓数据相对应的候选遥感影像数据；
样本数据获取单元32，其用于基于所述候选遥感影像数据获得建筑样本数据。
其中，对于上述实施方式的二维建筑信息模型生成模块50包括：
空间叠加单元51，其用于将所述新增建筑数据、小区区划边界以及建筑轮廓数据进行空间叠加；
区划边界评估单元52，其用于对所述新增建筑数据进行区划边界评估，当所述新增建筑数据包含于某一小区区划边界内或与某一小区区划边界相交的面积大于设定的阈值，则为该新增建筑数据增加小区区划信息，并将其与建筑轮廓数据进行整合，获得建筑轮廓矢量数据。
其中，对于上述实施方式的二维建筑信息模型生成模块50包括：
综合属性值提取单元53，其用于将所述建筑轮廓矢量数据以及所述遥感影像数据进行空间位置匹配，获得二维建筑信息模型，提取所述二维建筑信息模型中每个建筑轮廓的综合属性值。
其中，对于上述实施方式的三维建筑模型确定模块60包括：
三维建筑模型提取单元61，其用于基于所述综合属性值提取与所述二维建筑信息模型相匹配的三维建筑模型，计算二维建筑信息模型的屋顶颜色与三维建筑模型的屋顶颜色的LAB颜色空间距离，取LAB颜色空间距离达到距离阈值的三维建筑模型作为相匹配的三维建筑模型；
建议候选三维建筑模型获取单元62，其用于计算所述三维建筑模型的建筑边界与所述二维建筑信息模型的建筑轮廓的图形相似度，取图形相似度达到相似度阈值的三维建筑模型作为该二维建筑信息模型的至少一个建议候选三维建筑模型；
候选三维建筑模型获取单元63，其用于依据所述二维建筑信息模型中的小区区划信息对至少一个建议候选三维建筑模型进行预筛选，集中属于同一小区区划中的所有建议候选三维建筑模型，计算每个建议候选三维建筑模型的占比，取占比最大的建议候选三维建筑模型作为该小区区划的候选三维建筑模型；
目标三维建筑模型确定单元64，其用于建立所述二维建筑信息模型与所述自持三维建筑模型库中对象的映射关系，若该二维建筑信息模型所对应的建议候选三维建筑模型与该建筑所在小区的候选三维建筑模型不一致，且该建筑所在小区的候选三维建筑模型的占比达到占比阈值，则取该建筑所在小区的候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型，反之取图形相似度排序最高的建议候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型。
本实施例的建筑三维场景自动构建系统用于实现前述的建筑三维场景自动构建方法，因此该系统的具体实施方式可见前文中的建筑三维场景自动构建方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的建筑三维场景自动构建系统用于实现前述的建筑三维场景自动构建方法，因此其作用与上述方法的作用相对应，这里不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种建筑三维场景自动构建方法，其特征在于，包括：
获取同一居民区下的遥感影像数据以及居民区矢量数据；
基于所述居民区矢量数据提取小区区划边界和建筑轮廓数据；
基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，利用基于建筑样本数据训练好的建筑分类模型获得基于所述遥感影像数据的建筑分类预测结果；
基于所述建筑分类预测结果以及所述建筑样本数据获取新增建筑数据，其中所述新增建筑数据为所述遥感影像数据识别出来且不在所述建筑样本数据中的建筑数据；
基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型；
基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型。
2.根据权利要求1所述的建筑三维场景自动构建方法，其特征在于，基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，包括：
基于所述建筑轮廓数据获取与每个建筑轮廓数据相对应的候选遥感影像数据；
基于所述候选遥感影像数据获得建筑样本数据。
3.根据权利要求1所述的建筑三维场景自动构建方法，其特征在于，基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，包括：
将所述新增建筑数据、小区区划边界以及建筑轮廓数据进行空间叠加；
对所述新增建筑数据进行区划边界评估，当所述新增建筑数据包含于某一小区区划边界内或与某一小区区划边界相交的面积大于设定的阈值，则为该新增建筑数据增加小区区划信息，并将其与建筑轮廓数据进行整合，获得建筑轮廓矢量数据。
4.根据权利要求1所述的建筑三维场景自动构建方法，其特征在于，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型，包括：
将所述建筑轮廓矢量数据以及所述遥感影像数据进行空间位置匹配，获得二维建筑信息模型，提取所述二维建筑信息模型中每个建筑轮廓的综合属性值。
5.根据权利要求4所述的建筑三维场景自动构建方法，其特征在于，基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型，包括：
基于所述综合属性值提取与所述二维建筑信息模型相匹配的三维建筑模型，计算二维建筑信息模型的屋顶颜色与三维建筑模型的屋顶颜色的LAB颜色空间距离，取LAB颜色空间距离达到距离阈值的三维建筑模型作为相匹配的三维建筑模型；
计算所述三维建筑模型的建筑边界与所述二维建筑信息模型的建筑轮廓的图形相似度，取图形相似度达到相似度阈值的三维建筑模型作为该二维建筑信息模型的至少一个建议候选三维建筑模型；
依据所述二维建筑信息模型中的小区区划信息对至少一个建议候选三维建筑模型进行预筛选，集中属于同一小区区划中的所有建议候选三维建筑模型，计算每个建议候选三维建筑模型的占比，取占比最大的建议候选三维建筑模型作为该小区区划的候选三维建筑模型；
建立所述二维建筑信息模型与所述自持三维建筑模型库中对象的映射关系，若该二维建筑信息模型所对应的建议候选三维建筑模型与该建筑所在小区的候选三维建筑模型不一致，且该建筑所在小区的候选三维建筑模型的占比达到占比阈值，则取该建筑所在小区的候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型，反之取图形相似度排序最高的建议候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型。
6.一种建筑三维场景自动构建系统，其特征在于，包括：
获取模块，其用于获取同一居民区下的遥感影像数据以及居民区矢量数据；
数据提取模块，其用于基于所述居民区矢量数据提取小区区划边界和建筑轮廓数据；
建筑分类预测模块，其用于基于所述遥感影像数据以及所述建筑轮廓数据获取建筑样本数据，利用基于建筑样本数据训练好的建筑分类模型获得基于所述遥感影像数据的建筑分类预测结果；
新增建筑获取模块，其用于基于所述建筑分类预测结果以及所述建筑样本数据获取新增建筑数据，其中所述新增建筑数据为所述遥感影像数据识别出来且不在所述建筑样本数据中的建筑数据；
二维建筑信息模型生成模块，其用于基于所述新增建筑数据以及所述居民区矢量数据，获得建筑轮廓矢量数据，基于所述建筑轮廓矢量数据以及所述遥感影像数据生成用于与自持三维建筑模型库进行匹配的二维建筑信息模型；
三维建筑模型确定模块，其用于基于所述二维建筑信息模型在所述自持三维建筑模型库中进行匹配，获得匹配值满足预设阈值的建筑模型作为所述二维建筑信息模型所对应的三维建筑模型。
7.根据权利要求6所述的建筑三维场景自动构建系统，其特征在于，所述建筑分类预测模块包括：
候选遥感影像数据获取单元，其用于基于所述建筑轮廓数据获取与每个建筑轮廓数据相对应的候选遥感影像数据；
样本数据获取单元，其用于基于所述候选遥感影像数据获得建筑样本数据。
8.根据权利要求6所述的建筑三维场景自动构建系统，其特征在于，所述二维建筑信息模型生成模块包括：
空间叠加单元，其用于将所述新增建筑数据、小区区划边界以及建筑轮廓数据进行空间叠加；
区划边界评估单元，其用于对所述新增建筑数据进行区划边界评估，当所述新增建筑数据包含于某一小区区划边界内或与某一小区区划边界相交的面积大于设定的阈值，则为该新增建筑数据增加小区区划信息，并将其与建筑轮廓数据进行整合，获得建筑轮廓矢量数据。
9.根据权利要求6所述的建筑三维场景自动构建系统，其特征在于，所述二维建筑信息模型生成模块包括：
综合属性值提取单元，其用于将所述建筑轮廓矢量数据以及所述遥感影像数据进行空间位置匹配，获得二维建筑信息模型，提取所述二维建筑信息模型中每个建筑轮廓的综合属性值。
10.根据权利要求9所述的建筑三维场景自动构建系统，其特征在于，所述三维建筑模型确定模块包括：
三维建筑模型提取单元，其用于基于所述综合属性值提取与所述二维建筑信息模型相匹配的三维建筑模型，计算二维建筑信息模型的屋顶颜色与三维建筑模型的屋顶颜色的LAB颜色空间距离，取LAB颜色空间距离达到距离阈值的三维建筑模型作为相匹配的三维建筑模型；
建议候选三维建筑模型获取单元，其用于计算所述三维建筑模型的建筑边界与所述二维建筑信息模型的建筑轮廓的图形相似度，取图形相似度达到相似度阈值的三维建筑模型作为该二维建筑信息模型的至少一个建议候选三维建筑模型；
候选三维建筑模型获取单元，其用于依据所述二维建筑信息模型中的小区区划信息对至少一个建议候选三维建筑模型进行预筛选，集中属于同一小区区划中的所有建议候选三维建筑模型，计算每个建议候选三维建筑模型的占比，取占比最大的建议候选三维建筑模型作为该小区区划的候选三维建筑模型；
目标三维建筑模型确定单元，其用于建立所述二维建筑信息模型与所述自持三维建筑模型库中对象的映射关系，若该二维建筑信息模型所对应的建议候选三维建筑模型与该建筑所在小区的候选三维建筑模型不一致，且该建筑所在小区的候选三维建筑模型的占比达到占比阈值，则取该建筑所在小区的候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型，反之取图形相似度排序最高的建议候选三维建筑模型作为二维建筑信息模型对应的目标三维建筑模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111608582.8A CN113989680B (zh) | 2021-12-27 | 2021-12-27 | 建筑三维场景自动构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111608582.8A CN113989680B (zh) | 2021-12-27 | 2021-12-27 | 建筑三维场景自动构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989680A true CN113989680A (zh) | 2022-01-28 |
| CN113989680B CN113989680B (zh) | 2022-03-29 |
Family
ID=79734447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111608582.8A Active CN113989680B (zh) | 2021-12-27 | 2021-12-27 | 建筑三维场景自动构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989680B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115657968A (zh) * | 2022-11-21 | 2023-01-31 | 苏州数算软云科技有限公司 | 边界表示模型的存储方法、装置、设备和介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101114385A (zh) * | 2007-08-07 | 2008-01-30 | 深圳先进技术研究院 | 一种数字城市全自动生成的方法 |
| CN102693285A (zh) * | 2012-05-11 | 2012-09-26 | 北京师范大学 | 一种基于形状认知的三维建筑模型匹配与检索的方法 |
| CN106600680A (zh) * | 2015-10-20 | 2017-04-26 | 星际空间（天津）科技发展有限公司 | 一种建筑物体框模型批量精细三维建模方法 |
| CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
| CN110569546A (zh) * | 2019-08-06 | 2019-12-13 | 苏州科达科技股份有限公司 | 交通小区的划分方法及装置 |
| CN112598796A (zh) * | 2020-12-28 | 2021-04-02 | 华东交通大学 | 基于广义点云的三维建筑物信息模型构建与自动更新的方法 |
| CN113033385A (zh) * | 2021-03-23 | 2021-06-25 | 广东电网有限责任公司广州供电局 | 一种基于深度学习的违章建筑遥感识别方法及系统 |
| CN113593020A (zh) * | 2021-08-10 | 2021-11-02 | 四川易方智慧科技有限公司 | 基于ArcGIS的大规模三维城市场景生成方法 |
-
2021
- 2021-12-27 CN CN202111608582.8A patent/CN113989680B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101114385A (zh) * | 2007-08-07 | 2008-01-30 | 深圳先进技术研究院 | 一种数字城市全自动生成的方法 |
| CN102693285A (zh) * | 2012-05-11 | 2012-09-26 | 北京师范大学 | 一种基于形状认知的三维建筑模型匹配与检索的方法 |
| CN106600680A (zh) * | 2015-10-20 | 2017-04-26 | 星际空间（天津）科技发展有限公司 | 一种建筑物体框模型批量精细三维建模方法 |
| CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
| CN110569546A (zh) * | 2019-08-06 | 2019-12-13 | 苏州科达科技股份有限公司 | 交通小区的划分方法及装置 |
| CN112598796A (zh) * | 2020-12-28 | 2021-04-02 | 华东交通大学 | 基于广义点云的三维建筑物信息模型构建与自动更新的方法 |
| CN113033385A (zh) * | 2021-03-23 | 2021-06-25 | 广东电网有限责任公司广州供电局 | 一种基于深度学习的违章建筑遥感识别方法及系统 |
| CN113593020A (zh) * | 2021-08-10 | 2021-11-02 | 四川易方智慧科技有限公司 | 基于ArcGIS的大规模三维城市场景生成方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115657968A (zh) * | 2022-11-21 | 2023-01-31 | 苏州数算软云科技有限公司 | 边界表示模型的存储方法、装置、设备和介质 |
| CN115657968B (zh) * | 2022-11-21 | 2023-04-07 | 苏州数算软云科技有限公司 | 边界表示模型的存储方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989680B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge | |
| Verykokou et al. | UAV-based 3D modelling of disaster scenes for Urban Search and Rescue | |
| CN110874391A (zh) | 一种基于城市空间立体网格模型的数据融合与展示方法 | |
| US20230074265A1 (en) | Virtual scenario generation method and apparatus, computer device and storage medium | |
| JP5018721B2 (ja) | 立体模型の作製装置 | |
| CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
| CN115082699B (zh) | 一种轮廓形状提取方法、装置、电子设备及存储介质 | |
| Bolkas et al. | Creating a virtual reality environment with a fusion of sUAS and TLS point-clouds | |
| Kaiser et al. | Automatic co-registration of photogrammetric point clouds with digital building models | |
| Liu et al. | Image-based semantic construction reconstruction | |
| KR102276451B1 (ko) | Gis를 이용한 모델링 장치 및 방법 | |
| JP4619504B2 (ja) | ３次元デジタル地図作成装置 | |
| CN112907451A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN114494436A (zh) | 室内场景定位方法及装置 | |
| CN113989680B (zh) | 建筑三维场景自动构建方法及系统 | |
| Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
| CN117934705A (zh) | 建筑模型批量生成方法、装置、可读存储介质及电子设备 | |
| CN116206068B (zh) | 基于真实数据集的三维驾驶场景生成与构建方法及装置 | |
| Tang et al. | Skeleton-guided generation of synthetic noisy point clouds from as-built BIM to improve indoor scene understanding | |
| Komadina et al. | Automated 3D urban landscapes visualization using open data sources on the example of the city of Zagreb | |
| Englert et al. | Enhancing the ar experience with machine learning services | |
| Namouchi et al. | Piecewise horizontal 3d roof reconstruction from aerial lidar | |
| Loverdos et al. | Pixel-level block classification and crack detection from 3D reconstruction models of masonry structures using convolutional neural networks | |
| KR102275621B1 (ko) | 통합 장치 및 통합 방법 | |
| Ragia et al. | Precise photorealistic visualization for restoration of historic buildings based on tacheometry 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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Jiangsu Province Patentee after: Yuance Information Technology Co.,Ltd. Address before: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Jiangsu Province Patentee before: SUZHOU INDUSTRIAL PARK SURVEYING MAPPING AND GEOINFORMATION Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |