CN114004938B - 一种基于海量数据的城市场景重建方法及装置 - Google Patents

一种基于海量数据的城市场景重建方法及装置 Download PDF

Info

Publication number
CN114004938B
CN114004938B CN202111607803.XA CN202111607803A CN114004938B CN 114004938 B CN114004938 B CN 114004938B CN 202111607803 A CN202111607803 A CN 202111607803A CN 114004938 B CN114004938 B CN 114004938B
Authority
CN
China
Prior art keywords
point cloud
building
contour
dimensional
model
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
Application number
CN202111607803.XA
Other languages
English (en)
Other versions
CN114004938A (zh
Inventor
陆中祥
施晓东
韩东
王超
乐意
孙镱诚
丁阳
陈忠
钱丰
孙浩
李大伟
戴伟
李大明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN202111607803.XA priority Critical patent/CN114004938B/zh
Publication of CN114004938A publication Critical patent/CN114004938A/zh
Application granted granted Critical
Publication of CN114004938B publication Critical patent/CN114004938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于海量数据的城市场景重建方法及装置。方法包括：获取城市室外场景点云数据；根据点云数据，将室外场景分为建筑物与非建筑物两大类别，其中建筑物又分为建筑物主体与建筑物附属结构两个子类；对于建筑物主体结构，采用基于低秩矩阵恢复和曲面拟合的重构技术，实现缺失数据下建筑物主体的重构；对于建筑物附属结构，采用基于对称模式识别的重构技术，得到所有附属结构的三维模型；针对非建筑物，基于深度学习方法在预先构建的非建筑物模型库中找到对象最相似模型模板，采用模板组件变形方法进行建模；最后对得到的三类模型进行组合，得到城市室外场景模型。本发明可实现城市三维模型的快速重建。

Description

一种基于海量数据的城市场景重建方法及装置
技术领域
本发明涉及城市室外场景三维重构技术，更具体地涉及一种基于海量数据的城市场景重建方法及装置。
背景技术
信息化时代，城市不仅是国家政治、经济、军事、交通、能源、商业的中心，更是科技文化和信息中心。精确的城市三维模型可应用于城市规划、灾害监测、智慧城市等诸多领域。
近年来，随着数据采集技术的进步和数据生产能力的提高，大规模的倾斜数据、三维地形、激光点云等实景三维数据已越来越广泛地应用在智慧城市建设、数字历史文化遗产保护与修复、建筑信息提取与倾斜沉降监测、隧道灾害检测等领域，实景三维数据的量级也呈指数级快速提升，尤其是面对城市这种大范围模型构建，数据量级已远超TB级，传统的处理方式效率非常低，处理时间基本按天计算。数据规模的增大也为存储和管理带来巨大挑战，容易造成地物局部数据缺失。同时，现代城市场景极为复杂，高楼林立，地物密集，各种人工设施、自然景观交错分布，单一的数据采集方式已然难以实现地物信息全覆盖，即使采用多种数据采集方式组合，由于地物互相遮挡、道路通行受限、地物特点各不相同、数据采集方案不尽完善等主观/客观原因，数据缺失问题不可避免，很大程度上影响后续工作开展。因此，针对各类点云数据的缺失进行修复，对重建目标物体真实三维模型具有重要意义。
发明内容
发明目的：本发明的目的是提供一种基于海量数据的城市场景重建方法，解决城市三维实景数据量过大处理效率低的问题，对三维实景数据缺失进行修复，实现海量数据的城市室外场景快速构建。
本发明的另一目的是提供一种基于海量数据的城市场景重建装置及设备。
技术方案：根据本发明的第一方面，提供一种基于海量数据的城市场景重建方法，包括以下步骤：
获取城市室外场景点云数据；
根据点云纹理特征，将城市室外场景点云数据分为建筑物点云和非建筑物点云，其中建筑物点云又分为建筑物主体点云和建筑物附属结构点云；
基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M，所述轮廓矩阵M是理论低秩的，利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的；基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面，对轮廓曲面进行曲面拉伸联结得到建筑物主体结构三维模型；
基于建筑物附属结构点云，根据对称结构分布规律获取原始点云的对称平面，根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复，基于修复后点云数据进行三维建模，得到建筑物附属结构三维模型；
基于非建筑物点云提取多种特征向量，基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配，并对匹配得到的最相似模型采用模板组件变形方法进行建模，得到非建筑物三维模型；
将建筑物主体结构三维模型、建筑物附属结构三维模型和非建筑物三维模型进行组合，得到城市室外场景模型。
根据第一方面的某些实施方式，所述城市室外场景点云数据是采用无人机倾斜摄影和车载激光扫描方法采集得到的经过配准、融合的倾斜摄影点云数据和三维激光扫描点云数据。
根据第一方面的某些实施方式，所述基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M包括：
基于建筑物主体点云，采用霍夫变换和高斯映射方法获得建筑物主方向；
根据建筑物主方向，以指定间距对建筑物表面扫描点云数据进行切片，得到二维轮廓点集序列；
对于每一对连续轮廓点集，计算对应点对之间有向距离，作为数据点的标量属性，以此标量属性作为矩阵元素，构造轮廓矩阵M，矩阵行数为轮廓数，列数是参数化后轮廓点个数。
根据第一方面的某些实施方式，所述利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构包括：
将轮廓矩阵M分解为理论低秩矩阵C和噪声矩阵E，采用稳健主成分分析将恢复低秩矩阵转换为如下优化问题：
Figure 688732DEST_PATH_IMAGE001
式中
Figure 668190DEST_PATH_IMAGE002
为正则化参数，
Figure 916768DEST_PATH_IMAGE003
表示约束条件；
对该优化问题目标函数进行松弛得到连续且凸的目标函数并进行求解，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的。
根据第一方面的某些实施方式，所述基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面包括：
选择相邻的k组轮廓点集，分别进行平面拟合、球面拟合、圆柱面拟合，获取相应的拟合曲面；
分别计算平面拟合、球面拟合、圆柱面拟合获取的拟合曲面与轮廓点集的平均距离，取距离最小的拟合曲面为最终轮廓曲面。
根据第一方面的某些实施方式，所述基于建筑物附属结构点云，根据对称结构分布规律获取原始点云的对称平面包括：
对建筑物附属结构的原始点云数据进行重采样；
在重采样后的点云中选择任意两个点，计算两点连线的中垂面方程
Figure 639874DEST_PATH_IMAGE004
，其中参数
Figure 516563DEST_PATH_IMAGE005
)为虚拟四维空间的投影点集，
Figure 932501DEST_PATH_IMAGE006
)为点的三维坐标，提取
Figure 261851DEST_PATH_IMAGE007
两个参数，将四维空间降为二维空间；
对二维空间采样点进行K-Mean聚类操作；
选择聚类结果中密度峰值点坐标，该点对应的四个参数为原始点云的对称平面。
根据第一方面的某些实施方式，所述根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复包括：
根据对称平面，通过对原始点云进行镜像操作，获取对称点云；
将镜像操作获取的对称点云与原始点云数据中重合的部分剔除，保留原始点云缺失部分，并与原始点云数据进行叠加融合，修复原始点云缺失部分；
采用最小二乘法对孔洞点云进行局部曲面拟合，通过局部区域内插值的方式对缺失部分进行二次修复；
基于二次修复后点云数据进行三维建模，获取建筑物附属结构三维模型。
根据第一方面的某些实施方式，在对二维空间采样点进行K-Mean聚类操作之前，计算各采样点的主曲率特征，基于预先设定的阈值剔除曲率方向差异大于阈值的投影点，利用保留的采样点进行聚类。
根据第一方面的某些实施方式，所述基于非建筑物点云提取多种特征向量包括：
将点云法矢采用霍夫变换至高斯球面，提取主方向，以此方向为法矢，距离地面指定高度作为基平面，并基于三维点云数据构建反射对称模型，提取反射对称平面，得到正交平面；
将非建筑物点云数据投影至三个基准面上得到二维点集，并进行规范化；
针对规范化二维数据点集，提取多种特征向量。
根据第一方面的某些实施方式，所述多种特征向量包括以下一种或多种：骨架几何特征、冲量不变因子、Log-Polar映射因子、傅里叶变换算子、二维轮廓几何算子、轮廓极坐标表达图。
根据第一方面的某些实施方式，基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配包括：
采用朴素贝叶斯最近邻法在预先构建的非建筑物三维模型库中为给定对象匹配最相似模型，令待识别对象的特征向量为
Figure 929593DEST_PATH_IMAGE008
，通过求解如下模型得到对象的最相似模型：
Figure 926367DEST_PATH_IMAGE009
，其中，
Figure 388573DEST_PATH_IMAGE010
为模型库中的模型，n为特征向量的个数。
根据第一方面的某些实施方式，所述对匹配得到的最相似模型采用模板组件变形方法进行建模包括：
对三维模型库中模型进行组件分割，基于给定对象点云数据和匹配的模型模板，对点云进行指导性分割，得到点云块集，使得点云块与模板组件一一对应；
以对象点云数据为目标，结合组件之间的约束关系，对模板模型进行变形，使得变形后整体模型与点云数据距离最小，得到最终的非建筑物结构三维模型。
根据本发明的第二方面，提供一种基于海量数据的城市场景重建装置，包括：
数据输入模块，用于获取城市室外场景点云数据；
点云分类模块，用于根据点云纹理特征，将城市室外场景点云数据分为建筑物点云和非建筑物点云，其中建筑物点云又分为建筑物主体点云和建筑物附属结构点云；
建筑物主体重构模块，用于基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M，所述轮廓矩阵M是理论低秩的，利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的；基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面，对轮廓曲面进行曲面拉伸联结得到建筑物主体结构三维模型；
建筑物附属结构重构模块，用于基于建筑物附属结构点云，根据对称结构分布规律获取原始点云的对称平面，根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复，基于修复后点云数据进行三维建模，得到建筑物附属结构三维模型；
非建筑物重构模块，用于基于非建筑物点云提取多种特征向量，基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配，并对匹配得到的最相似模型采用模板组件变形方法进行建模，得到非建筑物三维模型；
室外场景模型确定模块，用于将建筑物主体结构三维模型、建筑物附属结构三维模型和非建筑物三维模型进行组合，得到城市室外场景模型。
根据本发明的第三方面，提供一种计算机设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如本发明第一方面所述的基于海量数据的城市场景重建方法的步骤。
根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的基于海量数据的城市场景重建方法的步骤。
有益效果：本发明针对三维实景数据量过大难以存储和管理及因各种主客观原因导致地物局部数据缺失问题，采取分而治之思路，区分建筑物主体、建筑物附属、非建筑物，对地物进行类型划分并分开管理。根据不同类型地物的特点，采取不同的建模策略，其中，对于建筑物主体结构，采用基于低秩矩阵恢复和曲面拟合的重构技术，实现缺失数据下建筑物主体的重构；对于建筑物附属结构，采用基于对称模式识别的重构技术，快速得到所有附属结构的三维模型；针对非建筑物，利用预先构建的非建筑物模型库，采用基于深度学习方法在模型库中找到对象最相似模型模板，然后采用模板组件变形方法进行快速建模。以此实现了缺失数据下建筑物主体重构、建筑物附属结构自动快速重构以及非建筑物对象风格适应性重构。本发明适用于城市室外大场景的快速重建。
附图说明
图1是根据本发明实施例的城市场景重建方法流程图；
图2a~图2c是根据本发明实施例的建筑物主体建模过程中的示例图；
图3是根据本发明实施例的建筑物主体建模结果附加纹理后效果图；
图4a~图4c是根据本发明实施例的建筑物附属结构建模过程中的示例图；
图5是根据本发明实施例的建筑物附属结构建模结果附加纹理后效果图；
图6是根据本发明实施例的非建筑物建模效果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，根据本发明实施例所述的一种基于海量数据的城市场景重建方法，包括如下步骤：
步骤1，获取城市室外场景的点云数据。
目前，构建城市三维模型的方法主要有基于地形图和卫星影像图法、全站仪测量、无人机倾斜摄影、机载激光扫描、车载激光扫描、地面激光扫描6种方法。第1种方法只含平面位置信息，地物高度以人工估计位置，高程精度较低；第2种方法数据量小，模型精度较高，但人工参与度过高、效率低下，同时只能表现地物主体结构，细节表现不够，不适用于形状不规则地物；第3种方法利用摄影测量原理构建三维模型，建模速度快，但模型精细度低，适用于中低质量大范围模型构建；第4种方法一般从建筑物顶面采集数据，可实现自动建模、人工干预调整，自动化程度较高，但缺乏地物侧面信息；第5种方法可以采集到地物侧面信息，但采集数据过程中易受城市各种地物遮挡和道路通行受限等情况影响导致数据存在缺失，且无法采集到地物顶面信息；第6种方法点云密度高、精度高，生成的模型可，但需人工提前设计扫描架站方案并逐站采集数据，效率较低，且缺少地物顶面信息，不适用于大范围模型构建。
结合以上所述的6种数据采集方法特点以及城市大场景快速建模应用场景，本发明实施例中采用无人机倾斜摄影和车载激光扫描两种数据采集方法组合的方式，数据基础为经过配准、融合的三维激光扫描点云数据和倾斜摄影点云数据。这两种采集方法是现有技术，亦不是本发明的核心，这里不再赘述。
步骤2，点云类型划分：对城市室外场景进行类型划分，先粗糙地分为建筑物与非建筑物两大类别，然后将建筑物进一步细分为建筑物主体结构与建筑物附属设施。
具体而言，结合点云纹理特征对点云进行分类，将点云分为建筑物、非建筑物两类。其中，建筑包括城市中各类工业建筑（生产车间、辅助车间、仓储建筑等）、农业建筑（温室、畜禽饲养场、粮食饲料加工站、农机修理站等）、居住建筑（农村自建房、公寓、别墅、居民楼等）、公共建筑（行政办公建筑、科教文卫建筑、公共服务建筑等）。非建筑包括地面植被、道路、桥梁、车辆、隧道、树木、湖泊等。
对建筑物点云进行进一步划分，将建筑物分为建筑物主体与建筑物附属结构。其中，建筑物主体是指建筑物外墙、屋顶等主体结构，建筑物附属是指附着在建筑物主体上的附属设施，包括窗户、凸出的阳台、设备井、外墙管线等。
根据点云划分结果，可以将不同类型地物的点云在物理上分开进行存储和管理，针对不同类型地物点云，采取不同存储策略，如城市中的建筑物主体表面积大、原始点云数据多、结构相对规则简单（以立面为主），可采用较高抽稀率存储；建筑物附属表面积小、原始点云数据较少、结构相对复杂，可采用较低抽稀率存储；非建筑物中大面积的植被、湖泊、裸土等非关键地物，可采用极高抽稀率存储。以此可以实现海量点云数据物理、逻辑分开管理和数据压缩存储。
步骤3，建筑物主体结构建模：采用基于低秩矩阵恢复和曲面拟合的重构技术，实现缺失数据下建筑物主体的重构。
具体而言，对建筑物主体结构建模具体包括以下步骤：
（3-1）采用霍夫变换和高斯映射方法获得建筑物主方向。
（3-2）根据主方向，以一定间距对建筑物表面扫描点云数据进行切片，得到二维轮廓点集序列。对于轮廓点集中包含的大量空洞，在重建之前需要自动将其修复。
（3-3）建筑物主体轮廓沿高度方向上，在一段区间内连续高度间隔内保持不变。根据该规律，可以将轮廓空洞修补问题转换为低秩矩阵恢复问题。这样，可针对所有轮廓数据点集进行参数化，得到归一化数据序列。对于每一对连续轮廓点集，计算对应点对之间有向距离，将其作为数据点的标量属性，得到所有点集属性。以此标量属性作为矩阵元素，矩阵行数为轮廓数，列数是参数化后轮廓点个数，这里参数化指归一化点集有向距离。
（3-4）基于上述轮廓沿高度方向变化规律，这样形成的轮廓矩阵（设为M）理论上具有低秩性。然而由于数据缺失和噪声影响，导致M的低秩性被破坏。为恢复矩阵M的低秩结构，可将矩阵分解为M=C+E，其中C是理论低秩矩阵，E为噪声矩阵。采用稳健主成分分析将恢复低秩矩阵转换为如下优化问题：
Figure 470798DEST_PATH_IMAGE001
式中
Figure 535706DEST_PATH_IMAGE002
表示正则化参数；
为有效求解上述优化问题，可以对该目标函数进行松弛得到连续且凸的目标函数，进而可以采用迭代阈值算法或增广拉格朗日乘子法等方法进行求解。这样得到的低秩矩阵，将其反映射就可获得完整轮廓点集。恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的。
（3-5）由于建筑多为人工建造，一般呈现为规则曲面。基于低秩矩阵恢复得到的轮廓点集，选择相邻的k组轮廓点集，分别进行常见规则曲面拟合，获取轮廓曲面，拟合的曲面类型包括平面、球面、圆柱面。
①平面拟合
设
Figure 386988DEST_PATH_IMAGE011
为平面上的一个点，
Figure 20094DEST_PATH_IMAGE012
为该平面的单位法向量，
Figure 583757DEST_PATH_IMAGE013
为待拟合轮廓点集，构建点到平面的距离函数：
Figure 452355DEST_PATH_IMAGE014
Figure 299089DEST_PATH_IMAGE015
的期望值为0，将拟合平面求解问题转换为线性最小二乘求解问题求解。
②球面拟合
设球面的球心为
Figure 227730DEST_PATH_IMAGE016
，半径为r，
Figure 284548DEST_PATH_IMAGE013
为待拟合轮廓点集，构建点到球面的距离函数：
Figure 566625DEST_PATH_IMAGE017
同平面，
Figure 658078DEST_PATH_IMAGE015
的期望值为0，将拟合平面求解问题转换为线性最小二乘求解问题求解。
③圆柱面拟合
圆柱面上的点到其中心轴线的距离都相等。根据这一特性，可用7个参数确定一个圆柱面，这7个参数即为中心轴线单位方向矢量（a,b,c）以及直线上其中一个起点坐标
Figure 757621DEST_PATH_IMAGE018
和圆柱半径
Figure 911521DEST_PATH_IMAGE019
，取
Figure 387502DEST_PATH_IMAGE020
为全部待拟合点x平均值。
设
Figure 67882DEST_PATH_IMAGE013
为待拟合轮廓点集，
Figure 213693DEST_PATH_IMAGE021
是中心轴线的一个起点，P是
Figure 979523DEST_PATH_IMAGE022
在中心轴线上的投影点，
Figure 993616DEST_PATH_IMAGE023
是
Figure 669448DEST_PATH_IMAGE024
和轴线之间的夹角，R是圆柱半径。则有：
Figure 376373DEST_PATH_IMAGE025
Figure 629499DEST_PATH_IMAGE026
将误差方程写成：
Figure 57070DEST_PATH_IMAGE027
对上式采用整体最小二乘法解算，获取相关参数值，即可获得圆柱面方程。
（3-6）分别计算平面拟合、球面拟合、圆柱面拟合获取的轮廓曲面与轮廓点集平均距离，取距离最小的曲面为最终拟合曲面；
（3-7）通过上述步骤拟合获取建筑轮廓曲面后，将轮廓曲面进行曲面拉伸联结，即可得到建筑物主体结构三维模型。图2a~图2c是建筑物主体结构建模过程中的示例图，图2a为建筑物主体结构原始点云数据，图2b为经过低秩矩阵恢复和曲面拟合建筑物主体结构三维模型，其中数字编号①②③为示例性的封闭轮廓三块区域，图2c为图2b中局部细节①②③放大后的显示效果。建筑物主体建模结果附加纹理后的示例效果如图3所示。
步骤4，建筑物附属结构建模：采用基于对称模式识别的重构技术，利用对称模式自动探测方法，快速得到所有附属结构三维模型。
在一个实施例中，建筑物附属结构建模具体包括以下步骤：
（4-1）建筑物中附属结构通常都具有重复对称性，但是由于建筑物中附属结构的复杂性、点云的离散性以及采集数据过程中遮挡等原因造成的数据缺失，导致目标点云并不完全对称。根据对称结构分布规律，设计建筑物附属结构对称面检测方法。具体地，先对原始点云数据进行重采样，降低点云密度，重采样后点云数量为m。
（4-2）在采样后的点云中选择任意一两个点p、q，两者连线的中垂面为
Figure 712042DEST_PATH_IMAGE028
，设其三维平面方程为
Figure 324289DEST_PATH_IMAGE004
。对采样后的点云进行两两配对，分别计算其中垂面方程，将其参数
Figure 940078DEST_PATH_IMAGE005
)作为虚拟的四维空间的投影点集，投影点数量为m*(m-1)/2。为降低计算量及便于直观分析，采用主成分分析方对四维参数进行降维，提取
Figure 561552DEST_PATH_IMAGE007
两个参数，将四维空间简化为二维空间。
（4-3）对上述二维空间采样点进行K-Mean聚类操作。由于点的数量较多，直接进行K-Mean聚类操作效率较低，因此在进行K-Mean聚类前，首先计算各采样点的主曲率特征，设定一个阈值并剔除曲率方向差异大于阈值的投影点。通过主曲率方向阈值筛选，可剔除冗余的外点，使得采样点聚类效果更为显著。
（4-4）选择上述聚类结果中密度峰值点坐标，该点对应的四个参数，即为原始点云的对称平面。
（4-5）获取建筑物附属结构对称平面后，通过对原始点云进行镜像操作，获取对称点云。
（4-6）将通过镜像操作获取的点云与原始点云数据中重合的部分剔除，保留原始点云缺失部分，并与原始点云数据进行叠加融合，修复原始点云缺失部分。
（4-7）通过上述步骤修复的点云可能存在部分细小孔洞，采用最小二乘法对孔洞点云进行局部曲面拟合，通过局部区域内插值的方式对缺失部分进行进一步修复，提升点云数据的完整性。
（4-8）基于修复后点云数据进行三维建模，获取建筑物附属结构三维模型。图4a~图4c示出了建筑物附属结构建模过程中的示例图，图4a为建筑物附属结构原始点云，图4b是图4a中局部细节放大图，图4c为基于对称模式识别的重构技术对点云进行修复进而获取的建筑物附属结构三维模型示意图，建模结果附加纹理后效果示例如图5所示。
步骤5，非建筑物建模：针对非建筑物，构建非建筑物模型库，采用基于深度学习方法在模型库中找到对象最相似模型模板，然后采用模板组件变形方法进行快速建模。
在一个实施例中，对非建筑物建模具体包括以下步骤：
（5-1）将点云法矢采用霍夫变换至高斯球面，提取主方向。以此方向为法矢，距离地面某高度做基平面；进一步基于三维点云数据构建反射对称数学模型，提取反射对称平面，得到正交平面。
（5-2）构建三维立体坐标系O_XYZ，将对象点云数据分别投影至O_XY、O_YZ、O_XZ三个基准面上可得到二维点集，并进行规范化。
（5-3）针对规范化二维数据点集，提取多种特征向量，包括提取骨架几何特征，提取冲量不变因子、Log-Polar映射因子、傅里叶变换算子、二维轮廓几何算子、轮廓极坐标表达图等。
（5-4）获得特征向量后，采用基于深度学习的分类器方法对对象类型进行匹配，即在构建好的三维模型库为给定对象找到最相似的模板。
实施例中采用朴素贝叶斯最近邻法在模型库中为给定对象匹配到最相似模型，令待识别对象的特征向量为
Figure 805452DEST_PATH_IMAGE008
，求解如下模型：
Figure 463966DEST_PATH_IMAGE029
其中，
Figure 697545DEST_PATH_IMAGE010
为模型库中的模型，n为特征向量的个数。
通过求解上述模型，在模型库中找到与待识别对象最相似的三维模型
Figure 857131DEST_PATH_IMAGE030
，也称为模板。
（5-5）对三维模型库中模型进行组件分割，以民用轿车为例，将其分割为轿车主体结构、四个车门、一个后备箱，共六个组件。给定对象点云数据和匹配模型模板，采用条件随机场模型对点云模型进行指导性分割，得到点云块集，从而实现点云块与模板组件一一对应。
（5-6）以对象点云数据为目标，结合组件之间的约束关系（仍然以民用轿车为例，车门及后备箱可以围绕固定轴线进行一定角度范围内的旋转），对模板模型进行变形，如缩放、旋转、仿射变换、组件相对位置调整等，使得变形后整体模型与点云数据距离最小，得到最终的三维模型，建模结果示例如图6所示。
步骤6，对重构得到的建筑物主体三维模型、建筑物附属结构三维模型、非建筑物三维模型进行组合，从而得到城市室外场景模型。
虽然以上按照步骤1-步骤6的顺序对本发明的城市场景重建方法进行了描述，但应当理解，本发明的方法可以按照不同的顺序执行，和/或并行执行。此外，方法还可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本发明实施例的方法针对海量数据的城市室外大场景（一般指幅员不小于10平方公里）重建过程中，数据量过大难以存储和管理，重建目标数据质量差、数据部分和场景语义缺失、场景种类复杂等问题，采取分而治之思路，区分建筑物和非建筑物，分别针对建筑物主体、建筑物附属结构、非建筑物等多类场景对象按结构特点进行类型划分与分别建模，支撑缺失数据下建筑物主体重构、建筑物附属结构自动快速重构以及非建筑物对象风格适应性重构能力的实现。
根据本发明的另一实施例，提供一种基于海量数据的城市场景重建装置，包括：
数据输入模块，用于获取城市室外场景点云数据；其中，城市室外场景点云数据是采用无人机倾斜摄影和车载激光扫描方法采集得到的经过配准、融合的倾斜摄影点云数据和三维激光扫描点云数据；
点云分类模块，用于根据点云纹理特征，将城市室外场景点云数据分为建筑物点云和非建筑物点云，其中建筑物点云又分为建筑物主体点云和建筑物附属结构点云；
建筑物主体重构模块，用于采用基于低秩矩阵恢复和曲面拟合的重构技术，实现缺失数据下建筑物主体的重构，其重构过程包括：基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M，所述轮廓矩阵M是理论低秩的，利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的；基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面，对轮廓曲面进行曲面拉伸联结得到建筑物主体结构三维模型；
建筑物附属结构重构模块，用于采用基于对称模式识别的重构技术，得到所有附属结构的三维模型，其重构过程包括：根据对称结构分布规律获取原始点云的对称平面，根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复，基于修复后点云数据进行三维建模，得到建筑物附属结构三维模型；
非建筑物重构模块，用于基于非建筑物点云提取多种特征向量，基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配，并对匹配得到的最相似模型采用模板组件变形方法进行建模，得到非建筑物三维模型；
室外场景模型确定模块，用于将重构的建筑物主体结构模型、建筑物附属结构模型和非建筑物模型进行组合，得到城市室外场景模型。
在本发明实施例中，建筑物主体重构模块包括轮廓矩阵构造模块、低秩矩阵恢复模块、曲面拟合单模块以及第一重构模块，其中，轮廓矩阵构造模块用于基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M，具体包括：
主方向确定单元，用于基于建筑物主体点云，采用霍夫变换和高斯映射方法获得建筑物主方向；
二维轮廓点集获取单元，用于根据建筑物主方向，以指定间距对建筑物表面扫描点云数据进行切片，得到二维轮廓点集序列；
轮廓矩阵建立单元，用于对于每一对连续轮廓点集，计算对应点对之间有向距离，作为数据点的标量属性，以此标量属性作为矩阵元素，构造轮廓矩阵M，矩阵行数为轮廓数，列数是参数化后轮廓点个数。
建筑物主体重构模块中的低秩矩阵恢复模块用于利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构，具体包括：
问题建立单元，用于将轮廓矩阵M分解为理论低秩矩阵C和噪声矩阵E，采用稳健主成分分析将恢复低秩矩阵转换为如下优化问题：
Figure 627640DEST_PATH_IMAGE001
式中
Figure 316111DEST_PATH_IMAGE002
为正则化参数；
问题求解单元，用于对该优化问题目标函数进行松弛得到连续且凸的目标函数并进行求解，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的。
建筑物主体重构模块中的曲面拟合模块用于基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面，具体包括：
规则曲面拟合单元，选择相邻的k组轮廓点集，分别进行平面拟合、球面拟合、圆柱面拟合，获取相应的拟合曲面；
轮廓曲面确定单元，用于分别计算平面拟合、球面拟合、圆柱面拟合获取的拟合曲面与轮廓点集的平均距离，取距离最小的拟合曲面为最终轮廓曲面。
第一重构模块用于对轮廓曲面进行曲面拉伸联结得到建筑物主体结构三维模型。
在本发明实施例中，建筑物附属结构重构模块包括对称平面确定模块、点云修复模块和第二重构模块，其中对称平面确定模块用于根据对称结构分布规律获取原始点云的对称平面，具体包括：
重采样单元，用于对建筑物附属结构的原始点云数据进行重采样；
采样点选取单元，用于在重采样后的点云中选择任意两个点，计算两点连线的中垂面方程
Figure 31126DEST_PATH_IMAGE004
，其中参数
Figure 604190DEST_PATH_IMAGE005
)为虚拟四维空间的投影点集，
Figure 88261DEST_PATH_IMAGE006
)为点的三维坐标，提取
Figure 213211DEST_PATH_IMAGE007
两个参数，将四维空间降为二维空间；
聚类单元，用于对二维空间采样点进行K-Mean聚类操作；
对称平面确定单元，用于选择聚类结果中密度峰值点坐标，该点对应的四个参数为原始点云的对称平面。
作为一种优选实施方式，采样点选取单元还用于计算各采样点的主曲率特征，基于预先设定的阈值剔除曲率方向差异大于阈值的投影点，聚类单元利用保留的采样点进行聚类。
建筑物附属结构重构模块中的点云修复模块用于根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复，具体包括：
镜像操作单元，用于根据对称平面，通过对原始点云进行镜像操作，获取对称点云；
第一修复单元，用于将镜像操作获取的对称点云与原始点云数据中重合的部分剔除，保留原始点云缺失部分，并与原始点云数据进行叠加融合，修复原始点云缺失部分；
第二修复单元，用于采用最小二乘法对孔洞点云进行局部曲面拟合，通过局部区域内插值的方式对缺失部分进行二次修复。
建筑物附属结构重构模块中的第二重构模块用于基于二次修复后点云数据进行三维建模，获取建筑物附属结构三维模型。
在本发明实施例中，非建筑物重构模块包括特征向量提取模块、模板匹配模块以及第三重构模块，其中，特征向量提取模块用于基于非建筑物点云提取多种特征向量，具体包括：
基准确定单元，用于将点云法矢采用霍夫变换至高斯球面，提取主方向，以此方向为法矢，距离地面指定高度作为基平面，并基于三维点云数据构建反射对称模型，提取反射对称平面，得到正交平面；
投影单元，用于将非建筑物点云数据投影至三个基准面上得到二维点集，并进行规范化；
提取单元，用于针对规范化二维数据点集，提取多种特征向量。
其中多种特征向量包括以下任意多种：骨架几何特征、冲量不变因子、Log-Polar映射因子、傅里叶变换算子、二维轮廓几何算子、轮廓极坐标表达图。
非建筑物重构模块中的模型匹配模块用于基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配，具体采用朴素贝叶斯最近邻法在预先构建的非建筑物三维模型库中为给定对象匹配最相似模型，令待识别对象的特征向量为
Figure 290889DEST_PATH_IMAGE008
，通过求解如下模型得到对象的最相似模型：
Figure 792277DEST_PATH_IMAGE009
，其中，
Figure 271800DEST_PATH_IMAGE010
为模型库中的模型，n为特征向量的个数。
非建筑物重构模块中的第三重构模块用于对匹配得到的最相似模型采用模板组件变形方法进行建模，具体包括：
点云分割单元，用于对三维模型库中模型进行组件分割，基于给定对象点云数据和匹配的模型模板，对点云进行指导性分割，得到点云块集，使得点云块与模板组件一一对应；
变形操作单元，用于以对象点云数据为目标，结合组件之间的约束关系，对模板模型进行变形，使得变形后整体模型与点云数据距离最小，得到最终的非建筑物结构三维模型。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种基于海量数据的城市场景重建方法，其特征在于，包括以下步骤：
获取城市室外场景点云数据；
根据点云纹理特征，将城市室外场景点云数据分为建筑物点云和非建筑物点云，其中建筑物点云又分为建筑物主体点云和建筑物附属结构点云；
基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M，所述轮廓矩阵M是理论低秩的，利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的；基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面，对轮廓曲面进行曲面拉伸联结得到建筑物主体结构三维模型；
基于建筑物附属结构点云，根据对称结构分布规律获取原始点云的对称平面，根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复，基于修复后点云数据进行三维建模，得到建筑物附属结构三维模型；
基于非建筑物点云提取多种特征向量，基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配，并对匹配得到的最相似模型采用模板组件变形方法进行建模，得到非建筑物三维模型；
将建筑物主体结构三维模型、建筑物附属结构三维模型和非建筑物三维模型进行组合，得到城市室外场景模型；
其中，所述基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M包括：
基于建筑物主体点云，采用霍夫变换和高斯映射方法获得建筑物主方向；
根据建筑物主方向，以指定间距对建筑物表面扫描点云数据进行切片，得到二维轮廓点集序列；
对于每一对连续轮廓点集，计算对应点对之间有向距离，作为数据点的标量属性，以此标量属性作为矩阵元素，构造轮廓矩阵M，矩阵行数为轮廓数，列数是参数化后轮廓点个数。
2.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，所述城市室外场景点云数据是采用无人机倾斜摄影和车载激光扫描方法采集得到的经过配准、融合的倾斜摄影点云数据和三维激光扫描点云数据。
3.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，所述利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构包括：
将轮廓矩阵M分解为理论低秩矩阵C和噪声矩阵E，采用稳健主成分分析将恢复低秩矩阵转换为如下优化问题：
Figure 291745DEST_PATH_IMAGE001
式中
Figure 616416DEST_PATH_IMAGE002
为正则化参数，
Figure 140938DEST_PATH_IMAGE003
表示约束条件；
对该优化问题目标函数进行松弛得到连续且凸的目标函数并进行求解，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的。
4.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，所述基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面包括：
选择相邻的k组轮廓点集，分别进行平面拟合、球面拟合、圆柱面拟合，获取相应的拟合曲面；
分别计算平面拟合、球面拟合、圆柱面拟合获取的拟合曲面与轮廓点集的平均距离，取距离最小的拟合曲面为最终轮廓曲面。
5.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，所述基于建筑物附属结构点云，根据对称结构分布规律获取原始点云的对称平面包括：
对建筑物附属结构的原始点云数据进行重采样；
在重采样后的点云中选择任意两个点，计算两点连线的中垂面方程
Figure 301792DEST_PATH_IMAGE004
，其中参数
Figure 960175DEST_PATH_IMAGE006
为虚拟四维空间的投影点集，
Figure 14719DEST_PATH_IMAGE008
为点的三维坐标，提取
Figure 851088DEST_PATH_IMAGE009
两个参数，将四维空间降为二维空间；
对二维空间采样点进行K-Mean聚类操作；
选择聚类结果中密度峰值点坐标，该点对应的四个参数为原始点云的对称平面。
6.根据权利要求5所述的基于海量数据的城市场景重建方法，其特征在于，还包括：在对二维空间采样点进行K-Mean聚类操作之前，计算各采样点的主曲率特征，基于预先设定的阈值剔除曲率方向差异大于阈值的投影点，利用保留的采样点进行聚类。
7.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，所述根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复包括：
根据对称平面，通过对原始点云进行镜像操作，获取对称点云；
将镜像操作获取的对称点云与原始点云数据中重合的部分剔除，保留原始点云缺失部分，并与原始点云数据进行叠加融合，修复原始点云缺失部分；
采用最小二乘法对孔洞点云进行局部曲面拟合，通过局部区域内插值的方式对缺失部分进行二次修复；
基于二次修复后点云数据进行三维建模，获取建筑物附属结构三维模型。
8.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，所述基于非建筑物点云提取多种特征向量包括：
将点云法矢采用霍夫变换至高斯球面，提取主方向，以此方向为法矢，距离地面指定高度作为基平面，并基于三维点云数据构建反射对称模型，提取反射对称平面，得到正交平面；
将非建筑物点云数据投影至三个基准面上得到二维点集，并进行规范化；
基于规范化二维数据点集，提取多种特征向量。
9.根据权利要求8所述的基于海量数据的城市场景重建方法，其特征在于，所述多种特征向量包括以下任意多种：骨架几何特征、冲量不变因子、Log-Polar映射因子、傅里叶变换算子、二维轮廓几何算子、轮廓极坐标表达图。
10.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配包括：
采用朴素贝叶斯最近邻法在预先构建的非建筑物三维模型库中为给定对象匹配最相似模型，令待识别对象的特征向量为
Figure 623872DEST_PATH_IMAGE010
，通过求解如下模型得到对象的最相似模型：
Figure 554788DEST_PATH_IMAGE011
，其中，
Figure 729417DEST_PATH_IMAGE012
为模型库中的模型，n为特征向量的个数。
11.根据权利要求1所述的基于海量数据的城市场景重建方法，其特征在于，所述对匹配得到的最相似模型采用模板组件变形方法进行建模包括：
对三维模型库中模型进行组件分割，基于给定对象点云数据和匹配的模型模板，对点云进行指导性分割，得到点云块集，使得点云块与模板组件一一对应；
以对象点云数据为目标，结合组件之间的约束关系，对模板模型进行变形，使得变形后整体模型与点云数据距离最小，得到最终的非建筑物结构三维模型。
12.一种基于海量数据的城市场景重建装置，其特征在于，包括：
数据输入模块，用于获取城市室外场景点云数据；
点云分类模块，用于根据点云纹理特征，将城市室外场景点云数据分为建筑物点云和非建筑物点云，其中建筑物点云又分为建筑物主体点云和建筑物附属结构点云；
建筑物主体重构模块，用于基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M，所述轮廓矩阵M是理论低秩的，利用低秩矩阵恢复方法恢复轮廓矩阵M的低秩结构，恢复得到的低秩矩阵中连续线性相关行向量对应的轮廓是相同的；基于低秩矩阵恢复得到的轮廓点集进行规则曲面拟合，获取轮廓曲面，对轮廓曲面进行曲面拉伸联结得到建筑物主体结构三维模型；
建筑物附属结构重构模块，用于基于建筑物附属结构点云，根据对称结构分布规律获取原始点云的对称平面，根据对称平面获取对称点云，利用对称点云对原始点云进行缺失修复，基于修复后点云数据进行三维建模，得到建筑物附属结构三维模型；
非建筑物重构模块，用于基于非建筑物点云提取多种特征向量，基于特征向量在预先构建的非建筑物三维模型库中进行相似模型匹配，并对匹配得到的最相似模型采用模板组件变形方法进行建模，得到非建筑物三维模型；
室外场景模型确定模块，用于将建筑物主体结构三维模型、建筑物附属结构三维模型和非建筑物三维模型进行组合，得到城市室外场景模型；
其中，所述建筑物主体重构模块包括轮廓矩阵构造模块，用于基于建筑物主体点云获取二维轮廓点集，并基于二维轮廓点集构造轮廓矩阵M，具体包括：
主方向确定单元，用于基于建筑物主体点云，采用霍夫变换和高斯映射方法获得建筑物主方向；
二维轮廓点集获取单元，用于根据建筑物主方向，以指定间距对建筑物表面扫描点云数据进行切片，得到二维轮廓点集序列；
轮廓矩阵建立单元，用于对于每一对连续轮廓点集，计算对应点对之间有向距离，作为数据点的标量属性，以此标量属性作为矩阵元素，构造轮廓矩阵M，矩阵行数为轮廓数，列数是参数化后轮廓点个数。
13.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-11中任一项所述的基于海量数据的城市场景重建方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述的基于海量数据的城市场景重建方法的步骤。
CN202111607803.XA 2021-12-27 2021-12-27 一种基于海量数据的城市场景重建方法及装置 Active CN114004938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111607803.XA CN114004938B (zh) 2021-12-27 2021-12-27 一种基于海量数据的城市场景重建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111607803.XA CN114004938B (zh) 2021-12-27 2021-12-27 一种基于海量数据的城市场景重建方法及装置

Publications (2)

Publication Number Publication Date
CN114004938A CN114004938A (zh) 2022-02-01
CN114004938B true CN114004938B (zh) 2022-04-01

Family

ID=79932057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111607803.XA Active CN114004938B (zh) 2021-12-27 2021-12-27 一种基于海量数据的城市场景重建方法及装置

Country Status (1)

Country Link
CN (1) CN114004938B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596420A (zh) * 2022-03-16 2022-06-07 中关村科学城城市大脑股份有限公司 一种应用于城市大脑的激光点云建模方法和系统
CN114677421B (zh) * 2022-04-12 2023-03-28 卡本(深圳)医疗器械有限公司 一种估算2d器官刚性/非刚性配准方法
CN115019007A (zh) * 2022-08-05 2022-09-06 烟台市地理信息中心 一种基于无人机智能航线规划的三维模型制作方法及系统
CN116310188B (zh) * 2023-05-19 2023-09-19 中国电子科技南湖研究院 基于实例分割及建筑重构的虚拟城市生成方法及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964117A (zh) * 2010-09-25 2011-02-02 清华大学 一种深度图融合方法和装置
CN106126816A (zh) * 2016-06-24 2016-11-16 南京林业大学 重复建筑自动感知下的大规模als建筑点云建模方法
CN111815776A (zh) * 2020-02-04 2020-10-23 山东水利技师学院 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
CN113379898A (zh) * 2021-06-17 2021-09-10 西安理工大学 一种基于语义分割的三维室内场景重建方法
CN113487730A (zh) * 2021-09-06 2021-10-08 中国电子科技集团公司第二十八研究所 一种基于激光雷达点云数据的城市三维自动建模方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074047B (zh) * 2011-01-06 2012-08-08 天津市星际空间地理信息工程有限公司 一种高精细城市三维建模方法
CN105513127B (zh) * 2015-12-25 2018-01-26 武汉大学 基于密度峰值聚类的杆状物规则化三维建模方法及系统
CN109934914B (zh) * 2019-03-28 2023-05-16 东南大学 一种嵌入式城市设计场景仿真方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964117A (zh) * 2010-09-25 2011-02-02 清华大学 一种深度图融合方法和装置
CN106126816A (zh) * 2016-06-24 2016-11-16 南京林业大学 重复建筑自动感知下的大规模als建筑点云建模方法
CN111815776A (zh) * 2020-02-04 2020-10-23 山东水利技师学院 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
CN113379898A (zh) * 2021-06-17 2021-09-10 西安理工大学 一种基于语义分割的三维室内场景重建方法
CN113487730A (zh) * 2021-09-06 2021-10-08 中国电子科技集团公司第二十八研究所 一种基于激光雷达点云数据的城市三维自动建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
低秩矩阵恢复算法综述;史加荣;《计算机应用研究》;20130630;第1601-1605页 *

Also Published As

Publication number Publication date
CN114004938A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN114004938B (zh) 一种基于海量数据的城市场景重建方法及装置
CN111063021B (zh) 一种空间运动目标的三维重建模型建立方法及装置
CN110340891B (zh) 基于点云模板匹配技术的机械臂定位抓取系统及方法
WO2024077812A1 (zh) 基于点云语义分割与结构拟合的单体建筑三维重建方法
Sun et al. Aerial 3D building detection and modeling from airborne LiDAR point clouds
Cheng et al. 3D building model reconstruction from multi-view aerial imagery and lidar data
CN108038906B (zh) 一种基于图像的三维四边形网格模型重建方法
CN111527467A (zh) 使用机器学习、图像分析和/或计算机视觉自动限定计算机辅助设计文件的方法和装置
Sohn et al. Using a binary space partitioning tree for reconstructing polyhedral building models from airborne lidar data
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
CN108171780A (zh) 一种基于激光雷达构建室内真实三维地图的方法
CN104299260A (zh) 一种基于sift和lbp的点云配准的接触网三维重建方法
Sohn et al. An implicit regularization for 3D building rooftop modeling using airborne lidar data
CN114187310A (zh) 基于八叉树和PointNet++网络的大规模点云分割方法
CN111754618A (zh) 一种面向对象的实景三维模型多层次解译方法及系统
Hu et al. Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization
Babahajiani et al. Comprehensive automated 3D urban environment modelling using terrestrial laser scanning point cloud
Lei et al. Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape
Xu et al. Deep learning guided building reconstruction from satellite imagery-derived point clouds
Zhao et al. Completing point clouds using structural constraints for large-scale points absence in 3D building reconstruction
Sun et al. Automated segmentation of LiDAR point clouds for building rooftop extraction
CN114494586B (zh) 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法
Wang et al. A simple deep learning network for classification of 3D mobile LiDAR point clouds
Jung et al. Progressive modeling of 3D building rooftops from airborne Lidar and imagery
CN112749662B (zh) 一种基于激光雷达的非结构化环境可行驶区域提取方法

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