CN114119572A - 基于实景三维模型的建筑物开洞率自动提取方法及系统 - Google Patents
基于实景三维模型的建筑物开洞率自动提取方法及系统 Download PDFInfo
- Publication number
- CN114119572A CN114119572A CN202111441499.6A CN202111441499A CN114119572A CN 114119572 A CN114119572 A CN 114119572A CN 202111441499 A CN202111441499 A CN 202111441499A CN 114119572 A CN114119572 A CN 114119572A
- Authority
- CN
- China
- Prior art keywords
- building
- dimensional model
- live
- action
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种基于实景三维模型的建筑物开洞率自动提取方法及系统,以实景三维数据为基础,依靠建筑物顶部轮廓矢量的辅助,对单体化建筑进行投影获取立面影像图并进行基于深度学习的门窗自动识别,支持用于各类建筑物的开洞率提取;实现过程包括获取研究区域的实景三维模型,根据实景三维模型获取真正射影像,继而在真正射影像上提取建筑物顶部轮廓矢量数据;根据建筑物轮廓矢量数据从实景三维模型中裁切单体建筑,得到单体建筑的实景三维模型,并进行建筑物立面影像图的制作;对建筑物立面影像图进行门窗的自动识别,并根据识别结果和立面影像图进行开洞率计算,输出自动提取结果。本发明门窗区域是基于立面影像图自动识别,量测精度高。
Description
技术领域
本发明属于摄影测量和计算机视觉领域,具体涉及一种基于实景三维模型的建筑物开洞率自动提取方案。
背景技术
建筑物开洞率是指建筑物外墙面开洞(包括门洞、窗洞)的面积与墙面面积的比值。建筑门窗的长期使用能耗占建筑围护结构能耗的50%,占建筑总能耗的25%,其中,外墙开洞率对于建筑能耗有很大影响,开洞率的提取和应用研究是建筑物节能建设工作中的一大要点。此外,村镇建筑物外墙通常属于承重墙,墙体的开洞率对于建筑物承重能力和刚度影响显著,由于刚度是房屋防灾抗灾的重要评估参数,因此外墙开洞率也是村镇建筑物防灾抗灾情况的重要评估系数。
当前建筑物的相关数据大多使用常规测绘技术由人工测量得到,后续则根据测量得到的门窗尺寸和房屋尺寸分别计算开洞面积和墙面总面积,二者比值即为建筑开洞率。然而,我国人口基数大、建筑物多而密集,采用人工测量的方式将消耗大量的人力、物力。因此,通过航空摄影快速获取建筑物影像数据,并通过数据处理自动识别门窗,实现开洞率的自动提取,可显著降低成本与提高工作效率。
在获取建筑物墙面影像方面,垂直航空摄影测量由于摄影角度固定朝下,不能获取目标完整的侧面纹理信息;近景摄影测量可通过在地面架设相机拍摄建筑墙面影像,但效率较低。
近年来,无人机摄影测量获得了空前快速的发展。由于无人机平台灵活机动,因此摄影方式越来越丰富和多样,从固定翼到旋翼,从垂直摄影到倾斜摄影,进而到贴近摄影。倾斜摄影测量通过在飞行平台上搭载多视角的相机从不同方向对地物进行拍摄,可完整获取目标影像。贴近摄影测量则以目标为对象,以物体的“面”(三维空间任意坡度、坡向的面)为摄影单元,可以获取建筑物顶面和墙面的精细影像,从而通过处理获取建筑物精细化三维实景模型。
综上所述,可充分利用倾斜摄影测量或贴近摄影测量所得实景三维数据侧面纹理信息丰富的特点,通过建筑物单体化和立面影像图制作获取完整墙面影像,并通过深度学习技术自动识别门窗,并据此自动计算建筑开洞率,从而实现基于实景三维模型的建筑物开洞率自动提取。
发明内容
本发明主要解决建筑物开洞率的人工测量和计算难度大、效率低的问题,为基于开洞率的建筑物节能建设工作和防灾抗灾能力评估提供低成本、高效率和高精度的技术支撑。本发明提出了一种基于实景三维模型的建筑物开洞率自动提取方法,将实景三维数据通过垂直投影获取真正射影像,并提取建筑物顶部轮廓矢量,根据轮廓矢量进行建筑单体化,进而对单体建筑三维实景通过投影得到建筑物立面影像图,并基于深度学习自动识别出门窗区域,以实现建筑物开洞率的自动提取。
本发明技术方案提供一种基于实景三维模型的建筑物开洞率自动提取方法,以实景三维数据为基础,依靠建筑物顶部轮廓矢量的辅助,对单体化建筑进行投影获取立面影像图并进行基于深度学习的门窗自动识别,支持用于各类建筑物的开洞率提取;实现过程包括以下步骤,
步骤1,获取研究区域的实景三维模型;
步骤2,根据步骤1得到的实景三维模型获取真正射影像,继而在真正射影像上提取建筑物顶部轮廓矢量数据;
步骤3,根据步骤2得到的建筑物轮廓矢量数据从步骤1的实景三维模型中裁切单体建筑,得到单体建筑的实景三维模型,并进行建筑物立面影像图的制作;
步骤4,对步骤3得到的建筑物立面影像图进行门窗的自动识别,并根据识别结果和立面影像图进行开洞率计算,输出自动提取结果。
而且,所述实景三维模型的获取方式,包括采用已有影像数据,或者使用无人机对研究区域进行倾斜摄影或贴近摄影获取影像数据,根据影像和相应辅助数据进行三维实景重建,所述辅助数据包括初始相机参数和GPS数据。
而且,步骤2中,从三维模型获取真正射影像,并根据真正射影像提取建筑物轮廓矢量,实现方式如下,
利用垂直投影,根据实景三维模型获取研究区域的真正射影像TDOM;
根据真正射影像提取建筑物轮廓,并输出轮廓矢量数据。
而且,步骤3中,根据步骤2得到的建筑物轮廓矢量对实景三维模型进行裁切,得到每个单体建筑物的三维实景模型,实现方式如下,
对于每一个建筑物轮廓矢量,判断由三角网构成的三维实景模型中每个三角面在XOY平面上的投影三角形是否落于建筑物轮廓范围内,将相交的三角面和包含在多边形内部的三角面提取出来,重新生成不规则三角网,并将与该部分三角面有对应位置关系的纹理数据提取出来,构造成目标建筑物实景三维模型,实现基于矢量物理切割的建筑物单体化。
而且,步骤3中,进行建筑物立面影像图的制作时,将每个单体建筑物的实景三维模型根据其对应的轮廓矢量多边形,向每个墙面方向进行投影生成立面图,该过程包括三维建筑从初始所有研究对象统一所在的世界坐标系WorldSpace到以相机位置为坐标原点的相机视角空间CameraSpace的摄像机变换,以及从相机视角空间CameraSpace到投影空间ProjectionSpace的投影变换。
而且,步骤4中,通过深度学习进行门窗的识别,并根据识别结果计算开洞率,实现方式如下,
获取包括建筑物门窗影像的初始数据集,使用数据集标注工具勾画目标轮廓、标注目标类别完成数据集的标注,并将标记后的样本通过数据增强技术,进行数据集样本的扩充;选择训练模型,输入数据集对模型进行训练;最后将建筑立面图输入训练好的模型中,进行门窗的自动识别;
所述根据识别结果计算开洞率,包括对识别的门窗区域构建最小外接矩形作为最终提取结果,统计门窗区域的像元数Swd;统计立面影像图中非背景像素的有效像元个数Swall,计算二者比值得到建筑物开洞率rhole。
另一方面,本发明提供一种基于实景三维模型的建筑物开洞率自动提取系统,用于实现如上所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
而且,用于以实景三维数据为基础,依靠建筑物顶部轮廓矢量的辅助,对单体化建筑进行投影获取立面影像图并进行基于深度学习的门窗自动识别,支持用于各类建筑物的开洞率提取;包括以下模块,
第一模块,用于获取研究区域的实景三维模型;
第二模块,用于根据第一模块得到的实景三维模型获取真正射影像,继而在真正射影像上提取建筑物顶部轮廓矢量数据;
第三模块,用于根据第二模块得到的建筑物轮廓矢量数据从第一模块的实景三维模型中裁切单体建筑,得到单体建筑的实景三维模型,并进行建筑物立面影像图的制作;
第四模块,用于对第三模块得到的建筑物立面影像图进行门窗的自动识别,并根据识别结果和立面影像图进行开洞率计算,输出自动提取结果。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
本发明具有如下优点:
(1)自动化程度和效率高。整套发明的实现自动化程度高,影像可通过设计航线后由无人机自动获取,并可利用专业软件自动建模生成三维模型,后续模型的处理包括轮廓提取、建筑单体化、立面影像图制作可通过计算机自动完成,而门窗识别则是使用深度学习技术实现,没有外业测量工作,显著提高了工作效率。
(2)精度高。门窗区域都是基于高分辨率、可量测的立面影像图自动识别,相对外业人工估测而言,量测精度高。
本发明实现了基于实景三维模型的建筑物开洞率自动提取,为基于开洞率的建筑物节能建设工作和防灾抗灾能力评估提供了低成本、高效率和高精度的技术支撑。
附图说明
图1为本发明实施例的总体流程图。
图2为本发明实施例真正射影像的制作流程图。
图3为本发明实施例单体建筑投影制作立面影像图流程图。
图4为本发明实施例单体建筑投影制作立面影像图示意图。
图5为本发明实施例基于深度学习的门窗自动识别流程图。
图6为本发明实施例实施过程及结果示意图。
具体实施方式
以下结合附图和实施例详细说明本发明的技术方案。
本发明提供的技术方案是,一种以实景三维模型为基础,依靠建筑物顶部轮廓矢量的辅助,对建筑进行单体化分割,对单体化建筑进行投影获取立面影像图并进行基于深度学习的门窗自动识别,从而提取建筑物开洞率。其中,真正射影像制作和建筑物轮廓提取、建筑物单体化和立面影像图制作、门窗自动识别是本发明的关键技术。
本发明实施例提供的一种基于实景三维模型的建筑物开洞率自动提取方法,以实景三维数据为基础,依靠建筑物顶部轮廓矢量的辅助,对单体化建筑进行投影获取立面影像图并进行基于深度学习的门窗自动识别,可用于各类建筑物的开洞率提取。其核心过程如图1所示,包含以下步骤:
步骤1,获取研究区域的实景三维模型。三维数据可为前期已有数据,或是通过无人机倾斜或贴近拍摄影像进行三维模型重建得到。
进一步的,步骤1中的实景三维模型重建优选建议的实现方式如下,
使用无人机对研究区域进行倾斜摄影或贴近摄影,获取影像数据,将影像和其辅助数据,包括初始相机参数和GPS数据一起导入ContextCapture、大疆智图等专业三维建模软件进行处理,得到三维实景模型。
步骤2,根据步骤1得到的实景三维模型获取真正射影像以提取建筑物顶部轮廓矢量数据。
进一步的,步骤2中的建筑物轮廓提取优选建议的实现方式具体步骤如下,
利用垂直投影技术根据步骤1得到的实景三维模型获取研究区域的真正射影像(TDOM,True Digital Orthophoto Map)。三维模型是一个大场景数据整体,如图2所示对三维实景模型设置采样间隔进行垂直投影变换,对变换结果进行纹理映射,快速地获取真正射影像数据。
根据真正射影像提取建筑物轮廓,并输出轮廓矢量数据。提取方法可采用手动勾绘、或基于边缘特征的灰度信息和几何约束以及深度学习技术的自动、半自动提取等方式。具体实施时,需要注意的是,为了能够完整包含建筑物的墙面信息,优选建议提取的轮廓矢量在建筑顶部边缘外扩适当范围。
步骤3,根据步骤2得到的建筑物轮廓矢量数据从步骤1的实景三维模型中裁切单体建筑,得到单体建筑的实景三维模型并进行立面影像图影像的制作。
进一步的,步骤3中的单体建筑的立面影像图制作优选建议的实现方式具体步骤如下,
根据步骤2得到的建筑物轮廓矢量对和步骤1得到的三维实景模型进行裁切,得到每个单体建筑物的三维实景模型。具体而言,对于每一个建筑物轮廓矢量,判断由三角网构成的三维实景模型中每个三角面在XOY平面上的投影三角形是否落于建筑物轮廓范围内,将相交的三角面和包含在多边形内部的三角面提取出来,根据提取所得三角网重新生成不规则三角网,并将与提取所得三角面有对应位置关系的纹理数据提取出来,构造成目标建筑物实景三维模型,实现基于矢量物理切割的建筑物单体化。
将每个单体建筑物的实景三维模型根据其对应的轮廓矢量多边形,向每个墙面方向(多边形的边所在的立面方向)进行投影生成立面图,并对其进行编号标记,如图3所示,该过程包括三维建筑从初始所有研究对象统一所在的世界坐标系(WorldSpace)到以相机位置为坐标原点的相机视角空间(CameraSpace)的摄像机变换和从相机视角空间(CameraSpace)到投影空间(ProjectionSpace)的投影变换:
①如图4中a部分所示,对世界坐标系中所有单体建筑的轮廓矢量多边形按逆时针方向对每条边进行编号,例如分别编为①②③④。
②如图4中b部分所示,根据建筑物轮廓矢量的位置和方向确定当前研究墙面对应的CameraSpace,经过摄像机变换得到该建筑与摄像机的相对位置,并将所有顶点投影到摄像机屏幕,得到所有可视范围内的建筑相对于摄像机的相对位置坐标(x,y,z)。
③根据本发明具体情况选择正交投影,如图4中c部分所示,将长方体的视图空间转换为[-1,1]3的正交投影空间,最后将三维空间投影至标准二维平面(当前研究墙面方向)之上,得到该墙面的立面影像图。
以上所述的立面图制作的投影过程均可通过基本变换矩阵(平移、旋转、缩放)完成:
M=MCtoPMWtoC (1)
其中,M为建筑投影制作立面影像图的总变换矩阵,MCtoP为投影变换矩阵,MWtoC为摄像机变换矩阵。
步骤4,对步骤3得到的建筑物立面影像图进行门窗的自动识别,并根据识别结果和立面影像图进行开洞率计算。
进一步的,步骤4中的门窗识别和开洞率计算优选建议的实现方式具体步骤如下,
对步骤3得到的建筑立面影像图进行如图5所示的深度学习实现门窗的自动识别:
①获取初始数据集(建筑物门窗影像),使用LabelImg、Labelme等数据集标注工具勾画目标轮廓、标注目标类别完成数据集的标注,并将标记后的样本通过裁剪、翻转、旋转、添加噪声等数据增强技术,进行数据集样本的扩充。
②选择适当的训练模型如R-CNN、YOLO等,考虑样本集的大小、计算机的性能等,多次实验设置模型的超参数(包括学习率、损失函数上的可调参数、批样本数量等)。
③从数据集中选择70%的影像对模型进行训练。在模型训练的过程中,记录模型训练过程中的损失并绘制损失值(Loss)随训练世代(Epoch)不断增加的变化曲线图,根据Epoch-Loss曲线,训练至模型收敛。
④数据集剩余30%的影像作为测试集,从中随机选取部分影像输入到模型中,根据召回率和精确率等评价模型的提取效果。
⑤将步骤3得到的建筑立面影像图输入训练好的模型中,进行门窗的自动识别,并输出识别结果。
根据识别结果进行开洞率的计算,①识别结果中,门窗边缘位置不能完整提取,由于门窗都是规则的矩形,故对识别的门窗区域构建最小外接矩形作为最终提取结果,统计门窗区域的像元数Swd。②统计立面影像图中非背景像素的有效像元个数(即墙面区域所占的像元数)Swall。③计算二者比值得到建筑物开洞率rhole:
其中,n为墙面上的门窗数量,n个门窗面积分别为{S1,S2,…,Sn}。
为便于实施参考起见,以下结合南京郊外一个测区的操作实例详细阐述本发明实施例应用时的技术流程。
步骤1,结合现场勘察资料,规划航线、航高,使用大疆精灵Phantom 4RTK无人机设置航向重叠度80%~90%、旁向重叠度70%~80%对研究区域进行倾斜摄影测量。
步骤2,将步骤1拍摄的影像导入ContextCapture软件,确认输出格式和坐标系,利用软件自动计算生产模型,得到由三角网和纹理影像构成的实景三维模型,如图6a所示。
步骤3,对步骤2得到的实景三维模型数据采样后进行垂直投影变换,获取真正射影像。图6b为研究区域的真正射影像。
步骤4,根据步骤3得到的真正射影像提取建筑物轮廓,采用区域增长的方式,选中某一建筑的内部点,设定相似性准则进行扩增,扩增结束后对该区域根据基于边缘特征的灰度信息和几何约束等提取外围轮廓,并外扩适当范围作为最终结果。如图6c所示,为根据研究区域的真正射影像进行半自动提取得到的建筑物轮廓结果。
步骤5,遍历步骤4得到的建筑轮廓矢量中的每一个多边形,在步骤2得到的三维模型中,将在XOY平面上的投影三角形落于多边形范围内的和与多边形相交的三角网提取出来,构建新的不规则三角网,并贴附对应位置的纹理信息,得到如图6d所示的单体建筑三维模型。
步骤6,遍历步骤5得到的每一个单体建筑,对其对应的轮廓矢量多边形的边进行编号,依次根据该边的位置和方向确定视角空间CameraSpace,经过摄像机变换得到物体与摄像机的相对位置,并将所有顶点投影到摄像机屏幕,得到所有可视范围内的建筑相对于摄像机的相对位置坐标(x,y,z),之后进行正交投影变换,将三维空间投影至标准二维平面之上,得到墙面的立面影像图。图6e为研究区域某一单体建筑的立面影像图之一。
步骤7,通过拍照、倾斜影像截图、DCGAN生成等方式获取初始门窗照片,导入labelme软件进行标注,将标记之后的样本通过裁剪、翻转、旋转、添加噪声等数据增强技术,增加样本数量。将标注后的jpg和对应的json文件转化为网络训练需要的格式,设置模型的超参数后,利用数据集对Mask RCNN模型进行训练,根据Epoch-Loss曲线,训练至模型收敛。最后将步骤6得到的建筑立面影像图输入模型中,进行门窗的自动识别,并输出识别结果,如图6f所示。
步骤8,对识别的门窗区域构建最小外接矩形作为最终提取结果,统计门窗区域的像元数64144和立面影像图中非背景的有效像元个数471100(即墙面区域所占的像元数),计算二者比值得到建筑物开洞率13.6%。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种基于实景三维模型的建筑物开洞率自动提取系统,包括以下模块,
第一模块,用于获取研究区域的实景三维模型;
第二模块,用于根据第一模块得到的实景三维模型获取真正射影像,继而在真正射影像上提取建筑物顶部轮廓矢量数据;
第三模块,用于根据第二模块得到的建筑物轮廓矢量数据从第一模块的实景三维模型中裁切单体建筑,得到单体建筑的实景三维模型,并进行建筑物立面影像图的制作;
第四模块,用于对第三模块得到的建筑物立面影像图进行门窗的自动识别,并根据识别结果和立面影像图进行开洞率计算,输出自动提取结果。
在一些可能的实施例中,提供一种基于实景三维模型的建筑物开洞率自动提取系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
在一些可能的实施例中,提供一种基于实景三维模型的建筑物开洞率自动提取系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于实景三维模型的建筑物开洞率自动提取方法,其特征在于:以实景三维数据为基础,依靠建筑物顶部轮廓矢量的辅助,对单体化建筑进行投影获取立面影像图并进行基于深度学习的门窗自动识别,支持用于各类建筑物的开洞率提取;实现过程包括以下步骤,
步骤1,获取研究区域的实景三维模型;
步骤2,根据步骤1得到的实景三维模型获取真正射影像,继而在真正射影像上提取建筑物顶部轮廓矢量数据;
步骤3,根据步骤2得到的建筑物轮廓矢量数据从步骤1的实景三维模型中裁切单体建筑,得到单体建筑的实景三维模型,并进行建筑物立面影像图的制作;
步骤4,对步骤3得到的建筑物立面影像图进行门窗的自动识别,并根据识别结果和立面影像图进行开洞率计算,输出自动提取结果。
2.如权利要求1所述的基于实景三维模型的建筑物开洞率自动提取方法,其特征在于:所述实景三维模型的获取方式,包括采用已有影像数据,或者使用无人机对研究区域进行倾斜摄影或贴近摄影获取影像数据,根据影像和相应辅助数据进行三维实景重建,所述辅助数据包括初始相机参数和GPS数据。
3.如权利要求1所述的基于实景三维模型的建筑物开洞率自动提取方法,其特征在于:步骤2中,从三维模型获取真正射影像,并根据真正射影像提取建筑物轮廓矢量,实现方式如下,
利用垂直投影,根据实景三维模型获取研究区域的真正射影像TDOM;
根据真正射影像提取建筑物轮廓,并输出轮廓矢量数据。
4.如权利要求1所述的基于实景三维模型的建筑物开洞率自动提取方法,其特征在于:步骤3中,根据步骤2得到的建筑物轮廓矢量对实景三维模型进行裁切,得到每个单体建筑物的三维实景模型,实现方式如下,
对于每一个建筑物轮廓矢量,判断由三角网构成的三维实景模型中每个三角面在XOY平面上的投影三角形是否落于建筑物轮廓范围内,将相交的三角面和包含在多边形内部的三角面提取出来,重新生成不规则三角网,并将与该部分三角面有对应位置关系的纹理数据提取出来,构造成目标建筑物实景三维模型,实现基于矢量物理切割的建筑物单体化。
5.如权利要求1所述的基于实景三维模型的建筑物开洞率自动提取方法,其特征在于:步骤3中,进行建筑物立面影像图的制作时,将每个单体建筑物的实景三维模型根据其对应的轮廓矢量多边形,向每个墙面方向进行投影生成立面图,该过程包括三维建筑从初始所有研究对象统一所在的世界坐标系WorldSpace到以相机位置为坐标原点的相机视角空间CameraSpace的摄像机变换,以及从相机视角空间CameraSpace到投影空间ProjectionSpace的投影变换。
6.如权利要求1或2或3或4或5所述的基于实景三维模型的建筑物开洞率自动提取方法,其特征在于:步骤4中,通过深度学习进行门窗的识别,并根据识别结果计算开洞率,实现方式如下,
获取包括建筑物门窗影像的初始数据集,使用数据集标注工具勾画目标轮廓、标注目标类别完成数据集的标注,并将标记后的样本通过数据增强技术,进行数据集样本的扩充;选择训练模型,输入数据集对模型进行训练;最后将建筑立面图输入训练好的模型中,进行门窗的自动识别;
所述根据识别结果计算开洞率,包括对识别的门窗区域构建最小外接矩形作为最终提取结果,统计门窗区域的像元数Swd;统计立面影像图中非背景像素的有效像元个数Swall,计算二者比值得到建筑物开洞率rhole。
7.一种基于实景三维模型的建筑物开洞率自动提取系统,其特征在于:用于实现如权利要求1-6任一项所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
8.根据权利要求7所述基于实景三维模型的建筑物开洞率自动提取系统,其特征在于:用于以实景三维数据为基础,依靠建筑物顶部轮廓矢量的辅助,对单体化建筑进行投影获取立面影像图并进行基于深度学习的门窗自动识别,支持各类建筑物的开洞率提取;包括以下模块,
第一模块,用于获取研究区域的实景三维模型;
第二模块,用于根据第一模块得到的实景三维模型获取真正射影像,继而在真正射影像上提取建筑物顶部轮廓矢量数据;
第三模块,用于根据第二模块得到的建筑物轮廓矢量数据从第一模块的实景三维模型中裁切单体建筑,得到单体建筑的实景三维模型,并进行建筑物立面影像图的制作;
第四模块,用于对第三模块得到的建筑物立面影像图进行门窗的自动识别,并根据识别结果和立面影像图进行开洞率计算,输出自动提取结果。
9.根据权利要求7所述基于实景三维模型的建筑物开洞率自动提取系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-6任一项所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
10.根据权利要求7所述基于实景三维模型的建筑物开洞率自动提取系统,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-6任一项所述的一种基于实景三维模型的建筑物开洞率自动提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441499.6A CN114119572A (zh) | 2021-11-30 | 2021-11-30 | 基于实景三维模型的建筑物开洞率自动提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441499.6A CN114119572A (zh) | 2021-11-30 | 2021-11-30 | 基于实景三维模型的建筑物开洞率自动提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119572A true CN114119572A (zh) | 2022-03-01 |
Family
ID=80368363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111441499.6A Pending CN114119572A (zh) | 2021-11-30 | 2021-11-30 | 基于实景三维模型的建筑物开洞率自动提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119572A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475095A (zh) * | 2023-10-11 | 2024-01-30 | 吉奥时空信息技术股份有限公司 | 一种实景三维建筑的分层分户建模方法及系统 |
-
2021
- 2021-11-30 CN CN202111441499.6A patent/CN114119572A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475095A (zh) * | 2023-10-11 | 2024-01-30 | 吉奥时空信息技术股份有限公司 | 一种实景三维建筑的分层分户建模方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648269B (zh) | 三维建筑物模型的单体化方法和系统 | |
CN108564647B (zh) | 一种建立虚拟三维地图的方法 | |
CN104281840B (zh) | 一种基于智能终端定位识别建筑物的方法及装置 | |
CN109285177B (zh) | 一种数字城市天际线提取方法 | |
WO2020192355A1 (zh) | 一种城市观山可视域的测量方法及系统 | |
WO2018061010A1 (en) | Point cloud transforming in large-scale urban modelling | |
CN104952107A (zh) | 基于车载LiDAR点云数据的桥梁三维重建方法 | |
CN109242966B (zh) | 一种基于激光点云数据的3d全景模型建模方法 | |
CN111784840B (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN112307553B (zh) | 一种对三维道路模型进行提取与简化的方法 | |
CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN113192200B (zh) | 一种基于空三并行计算算法的城市实景三维模型的构建方法 | |
CN112991534B (zh) | 一种基于多粒度物体模型的室内语义地图构建方法及系统 | |
CN105005580B (zh) | 一种用于显示水库地形的方法及其装置 | |
CN114549956B (zh) | 一种深度学习辅助的倾斜模型建筑物外立面目标识别方法 | |
CN115937461B (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
CN113673400A (zh) | 基于深度学习的实景三维语义重建方法、装置及存储介质 | |
CN111273877B (zh) | 一种实景三维数据与二维栅格图片的联动展示平台及其联动方法 | |
CN114119572A (zh) | 基于实景三维模型的建筑物开洞率自动提取方法及系统 | |
CN116030194A (zh) | 一种基于目标检测规避的空地协同实景三维建模优化方法 | |
CN110866945A (zh) | 一种倾斜摄影模型自动识别生成三维树的方法 | |
Gomez-Lahoz et al. | Recovering traditions in the digital era: the use of blimps for modelling the archaeological cultural heritage | |
CN116310188B (zh) | 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 | |
CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
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 |