CN114254569A - 一种基于bim的建筑三维可视化模型构建方法和系统 - Google Patents

一种基于bim的建筑三维可视化模型构建方法和系统 Download PDF

Info

Publication number
CN114254569A
CN114254569A CN202210184074.XA CN202210184074A CN114254569A CN 114254569 A CN114254569 A CN 114254569A CN 202210184074 A CN202210184074 A CN 202210184074A CN 114254569 A CN114254569 A CN 114254569A
Authority
CN
China
Prior art keywords
building
dimensional
vector
intersection point
specified
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
Application number
CN202210184074.XA
Other languages
English (en)
Inventor
郝庆锋
万星
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.)
Wuhan Yunhe Zhihui Technology Co ltd
Original Assignee
Wuhan Yunhe Zhihui Technology Co ltd
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 Wuhan Yunhe Zhihui Technology Co ltd filed Critical Wuhan Yunhe Zhihui Technology Co ltd
Priority to CN202210184074.XA priority Critical patent/CN114254569A/zh
Publication of CN114254569A publication Critical patent/CN114254569A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种基于BIM的建筑三维可视化模型构建方法和系统，获取指定建筑的质心，获取所述指定建筑的测量数据；对所述测量数据进行标准化处理；构建所述指定建筑的外包球，引出第一射线；计算第一距离值，得到所述指定建筑的特征值向量；发射一系列的第二射线；获取第二距离值；计算第二距离值的平均值，并基于平均值计算各个第二距离的标准差；计算每个第一目标交点的形状直径函数，得到所述指定建筑的形状直径函数特征向量；输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型，从而建立了一个完整的建筑轮廓，减少三维模型的误差。

Description

一种基于BIM的建筑三维可视化模型构建方法和系统
技术领域
本发明涉及计算机领域，特别涉及一种基于BIM的建筑三维可视化模型构建方法和系统。
背景技术
目前，在传统三维模型生成方法中，一般是利用坐标测量设备测量被测物体的三维坐标，但是由于测量误差以及数据转换时所带来的误差，会导致部分的位置发生偏移并且不能形成一个完整的建筑轮廓，从而导致生成的三维模型具有很大的误差。
发明内容
本发明的主要目的为提供一种基于BIM的建筑三维可视化模型构建方法和系统，旨在解决由于测量误差以及数据转换时所带来的误差，会导致部分的位置发生偏移并且不能形成一个完整的建筑轮廓的问题。
本发明提供了一种基于BIM的建筑三维可视化模型构建方法，包括：
获取指定建筑的质心，并通过坐标测量装置以所述质心为坐标原点，获取所述指定建筑的测量数据；其中，所述测量数据包括测量点群数据、面元素的类型和面元素的几何值；
对所述测量数据进行标准化处理，等比例缩放至预设的大小尺度内；
以所述坐标原点为中心，构建所述指定建筑的外包球，采用均匀采样的方法，从所述坐标原点引出一系列的第一射线
Figure 661205DEST_PATH_IMAGE002
；
计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量；
基于所述面元素的几何值获取所述第一目标交点的沿其法向量的反方向的目标向量，并以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线；
获取所述第二射线与所述指定建筑的第二目标交点的第二距离值；
根据公式
Figure 51735DEST_PATH_IMAGE004
计算第二距离值的平均值，并基于所述平均值计算各个第二距离的标准差；其中，
Figure 739200DEST_PATH_IMAGE006
为平均值，
Figure 850375DEST_PATH_IMAGE008
表示第二距离值的个数，
Figure 188953DEST_PATH_IMAGE010
表示第i个第二距离值；
将标准差在预设标准差范围内的第二射线保留，并根据公式
Figure 235537DEST_PATH_IMAGE012
计算每个第一目标交点的形状直径函数，将标准差在预设标准差范围内的第二射线保留，并基于各个所述形状直径函数进行组合，得到所述指定建筑的形状直径函数特征向量；其中，
Figure 393986DEST_PATH_IMAGE014
表示第一目标交点的形状直径函数，
Figure 574432DEST_PATH_IMAGE016
表示第一目标交点所对应第二射线的个数，
Figure 783827DEST_PATH_IMAGE018
表示第j个第二射线的权重，
Figure 516160DEST_PATH_IMAGE020
表示第二射线与目标向量之间的夹角，
Figure 37271DEST_PATH_IMAGE022
表示第j个第二距离值；
将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型；其中，所述超限学习机通过不同建筑的三维模型以及其对应的形状直径函数特征向量和所述特征值向量训练而成。
进一步地，所述计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量的步骤，包括：
获取所述第一射线与所述指定建筑的交点；
判断所述交点的数量是否为多个；
若为多个，则取与所述坐标原点距离最大的交点为第一目标交点。
进一步地，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤之前，还包括：
获取待训练的超限学习机，以及训练数据；其中，所述超限学习机包括输入层、隐藏层以及输出层；
将所述训练数据映射至隐藏层中，得到暂时超限学习机；
将所述训练数据按照输入至所述暂时超限学习机中，并通过最小二乘法生成输入层至隐藏层中的权值，以及输出层的范数，得到所述预先训练的超限学习机。
进一步地，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤，还包括：
在所述预先训练的超限学习机中，根据所述特征值向量生成三维点状模型；
根据所述形状直径函数特征向量生成所述三维点状模型所需的形状元素；
将所述形状元素和所述三维点状模型生成所述指定建筑的三维模型。
进一步地，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤之后，还包括：
将所述面元素的类型和所述面元素的几何值输入至预设的支持向量机中，得到建筑特征；
将所述建筑特征输入至预先训练好的分类器中，得到所述建筑特征的分类和语义标注；
将所述建筑分类和所述语义标注加入至所述指定建筑的三维模型中，以实现对所述三维模型的标注。
本发明还提供了一种基于BIM的建筑三维可视化模型构建系统，包括：
数据获取模块，用于获取指定建筑的质心，并通过坐标测量装置以所述质心为坐标原点，获取所述指定建筑的测量数据；其中，所述测量数据包括测量点群数据、面元素的类型和面元素的几何值；
标准化处理模块，用于对所述测量数据进行标准化处理，等比例缩放至预设的大小尺度内；
采样模块，用于以所述坐标原点为中心，构建所述指定建筑的外包球，采用均匀采样的方法，从所述坐标原点引出一系列的第一射线
Figure 425003DEST_PATH_IMAGE024
；
距离计算模块，用于计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量；
摄像发射模块，用于基于所述面元素的几何值获取所述第一目标交点的沿其法向量的反方向的目标向量，并以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线；
距离获取模块，用于获取所述第二射线与所述指定建筑的第二目标交点的第二距离值；
平均值计算模块，用于根据公式
Figure 488905DEST_PATH_IMAGE026
计算第二距离值的平均值，并基于所述平均值计算各个第二距离的标准差；其中，
Figure 126559DEST_PATH_IMAGE028
为平均值，
Figure 744754DEST_PATH_IMAGE030
表示第二距离值的个数，
Figure 267002DEST_PATH_IMAGE032
表示第i个第二距离值；
形状直径函数计算模块，用于将标准差在预设标准差范围内的第二射线保留，并根据公式
Figure 434678DEST_PATH_IMAGE034
计算每个第一目标交点的形状直径函数，将标准差在预设标准差范围内的第二射线保留，并基于各个所述形状直径函数进行组合，得到所述指定建筑的形状直径函数特征向量；其中，
Figure 728387DEST_PATH_IMAGE036
表示第一目标交点的形状直径函数，
Figure 348724DEST_PATH_IMAGE038
表示第一目标交点所对应第二射线的个数，
Figure 287380DEST_PATH_IMAGE040
表示第j个第二射线的权重，
Figure 716088DEST_PATH_IMAGE042
表示第二射线与目标向量之间的夹角，
Figure 695545DEST_PATH_IMAGE044
表示第j个第二距离值；
建模模块，用于将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型；其中，所述超限学习机通过不同建筑的三维模型以及其对应的形状直径函数特征向量和所述特征值向量训练而成。
进一步地，所述距离计算模块，包括：
交点获取子模块，用于获取所述第一射线与所述指定建筑的交点；
交点数量判断子模块，用于判断所述交点的数量是否为多个；
选取子模块，用于若为多个，则取与所述坐标原点距离最大的交点为第一目标交点；
进一步地，所述基于BIM的建筑三维可视化模型构建系统还包括：
训练数据获取模块，用于获取待训练的超限学习机，以及训练数据；其中，所述超限学习机包括输入层、隐藏层以及输出层；
映射模块，用于将所述训练数据映射至隐藏层中，得到暂时超限学习机；
训练数据输入模块，用于将所述训练数据按照输入至所述暂时超限学习机中，并通过最小二乘法生成输入层至隐藏层中的权值，以及输出层的范数，得到所述预先训练的超限学习机。
进一步地，所述建模模块，包括：
三维点状模型生成子模块，用于在所述预先训练的超限学习机中，根据所述特征值向量生成三维点状模型；
形状元素生成子模块，用于根据所述形状直径函数特征向量生成所述三维点状模型所需的形状元素；
三维模型生成子模块，用于将所述形状元素和所述三维点状模型生成所述指定建筑的三维模型。
进一步地，所述基于BIM的建筑三维可视化模型构建系统，还包括：
建筑特征获取模块，用于将所述面元素的类型和所述面元素的几何值输入至预设的支持向量机中，得到建筑特征；
建筑特征输入模块，用于将所述建筑特征输入至预先训练好的分类器中，得到所述建筑特征的分类和语义标注；
标注模块，用于将所述建筑分类和所述语义标注加入至所述指定建筑的三维模型中，以实现对所述三维模型的标注。
本发明的有益效果：通过获取指定建筑的质心，并获取其测量数据，通过射线的方式获取特征值向量和形状直径函数特征向量，并以此构建指定建筑三维模型，可以建立一个完整的建筑轮廓，减少三维模型的误差，对于相关的工作人员而言，具有更高的参考价值。
附图说明
图1是本发明一实施例的一种基于BIM的建筑三维可视化模型构建方法的流程示意图；
图2是本发明一实施例的一种基于BIM的建筑三维可视化模型构建系统的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后等）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种基于BIM的建筑三维可视化模型构建方法，包括：
S1：获取指定建筑的质心，并通过坐标测量装置以所述质心为坐标原点，获取所述指定建筑的测量数据；其中，所述测量数据包括测量点群数据、面元素的类型和面元素的几何值；
S2：对所述测量数据进行标准化处理，等比例缩放至预设的大小尺度内；
S3：以所述坐标原点为中心，构建所述指定建筑的外包球，采用均匀采样的方法，从所述坐标原点引出一系列的第一射线
Figure 553911DEST_PATH_IMAGE046
；
S4：计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量；
S5：基于所述面元素的几何值获取所述第一目标交点的沿其法向量的反方向的目标向量，并以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线；
S6：获取所述第二射线与所述指定建筑的第二目标交点的第二距离值；
S7：根据公式
Figure 152382DEST_PATH_IMAGE048
计算第二距离值的平均值，并基于所述平均值计算各个第二距离的标准差；其中，
Figure 294650DEST_PATH_IMAGE050
为平均值，
Figure 461321DEST_PATH_IMAGE052
表示第二距离值的个数，
Figure 931616DEST_PATH_IMAGE054
表示第i个第二距离值；
S8：将标准差在预设标准差范围内的第二射线保留，并根据公式
Figure 458413DEST_PATH_IMAGE056
计算每个第一目标交点的形状直径函数，将标准差在预设标准差范围内的第二射线保留，并基于各个所述形状直径函数进行组合，得到所述指定建筑的形状直径函数特征向量；其中，
Figure 471499DEST_PATH_IMAGE058
表示第一目标交点的形状直径函数，
Figure 668125DEST_PATH_IMAGE060
表示第一目标交点所对应第二射线的个数，
Figure 15930DEST_PATH_IMAGE062
表示第j个第二射线的权重，
Figure 487363DEST_PATH_IMAGE064
表示第二射线与目标向量之间的夹角，
Figure 352026DEST_PATH_IMAGE066
表示第j个第二距离值；
S9：将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型；其中，所述超限学习机通过不同建筑的三维模型以及其对应的形状直径函数特征向量和所述特征值向量训练而成。
如上述步骤S1所述，获取指定建筑的质心，并通过坐标测量装置以所述质心为坐标原点，获取所述指定建筑的测量数据；其中，所述测量数据包括测量点群数据、面元素的类型和面元素的几何值。从坐标测量装置2输出的测量数据包括测量点群数据、几何元素的类型和几何元素的几何值。测量点群数据是被测物体1的表面的一个或多个测量点的测量坐标的数据集。几何元素的类型是表示诸如针对例如点、直线、平面、圆、椭圆、圆筒面、圆锥面、球面或环形面的点元素、直线元素和面元素等的类别的数据。几何元素的类型还可以是在坐标测量期间获得测量点群数据时通过操作员提供个体指示所获得的数据、或者可以是利用坐标测量装置响应于测量点群数据的分布状态所进行的自动判断而获得的数据。另外，几何元素的几何值是如根据测量点群数据所估计的几何元素的诸如基准位置坐标、取向、长度或直径等的数据。例如，几何值可以包括以下内容：在直线元素的情况下为基准点的坐标值、方向和长度；在平面元素的情况下为基准点的坐标值和法线方向；在圆元素的情况下为基准点的坐标值、法线方向和直径；并且在椭圆元素的情况下为基准点的坐标值、法线方向、长轴方向、长轴和短轴。几何元素的几何值是使用几何元素的类型和测量点群数据所求出的。以下为了便于理解，几何元素是面元素。此外，测量数据例如还可以包括与诸如探测器接触方向或摄像方向等的获得面元素的方向。从而得到指定建筑的测量数据。
如上述步骤S2所述，对所述测量数据进行标准化处理，等比例缩放至预设的大小尺度内。其中，为了保证生产模型的标准化，需要将其缩小至预设的大小尺度内，可以记录缩小比例，以便于后续进行其他事项的安排，需要说明的使，等比例缩放是指生产模型的长和宽都进行等比例的缩放，即长缩短一半，则宽也需要缩短一半。
如上述步骤S3所述，以所述坐标原点为中心，构建所述指定建筑的外包球，采用均匀采样的方法，从所述坐标原点引出一系列的第一射线
Figure 844187DEST_PATH_IMAGE068
。即从公式中可以看出，
Figure 554654DEST_PATH_IMAGE068
是经过原点的射线，此处，由于坐标原点一般在模型内部，故各个方向都有其对应的交点，此处为了区分各个方向，采用射线的方法引出多个第一射线，需要说明的是，此处的第一射线的数量越多，后续三维模型的精度越大，故而在计算力允许的情况下，应当尽可能增加第一射线的数量，由于球心是坐标原点指定建筑的外包球的获取可以不断增加外包球的半径，直至再增加外包球半径没有点落在该外包球上，从而得到外包球。
如上述步骤S4所述，计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量。由于通过获取到的测量数据直接构建三维模型具有一定的误差，因此，此处获取到指定建筑的特征值向量，对特定建筑的特征进行标注，即特征值向量，作为后续三维模型生产的数据基础。需要说明的使，由于模型可能具有折叠结构，其对应的交点可能包括多个，也可能是一个，因此对于多个的情况，可以采用距离最大的交点作为第一目标交点，以减少不必要的误差。
如上述步骤S5所述，基于所述面元素的几何值获取所述第一目标交点的沿其法向量的反方向的目标向量，并以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线。其中，由于测量装置测量的数据，其每个第一目标交点的法向量一般都是朝外的，此处需要朝向内部的，以发射第二射线才能与指定建筑具有交点，而以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线，可以视为与目标向量之间夹角为预设角度范围，其中，预设角度范围可以是0-15°任意的射线，从而可以转化点和面之间的关系。
如上述步骤S6-S8所述，获取所述第二射线与所述指定建筑的第二目标交点的第二距离值，并计算平均值，以及第二距离的标准差，由于有些射线与指定建筑的交点比较远或者比较近，会对结果造成一定的误差，因此，需要将改部分的射线剔除，剔除的方式为计算标准差，根据标准差设定预设标准差范围，其中预设标准差范围为
Figure 439565DEST_PATH_IMAGE070
，从而筛选出符合要求的第二摄像，然后根据公式计算每个第一目标交点的形状直径函数，形状直径函数是根据CGAL（computational geometry algorithmslibrary）库函数采用C++语言编程语言获取，是定义在网格表面的标量函数，可以根据体积的形状函数为基础，描述不同对象的相似部分的相似性，可以对相同对于的姿势改变保持良好的无关性，因此可以记录各个第一目标交点与各个面之间的关系。
如上述步骤S9所述，将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型；其中，所述超限学习机通过不同建筑的三维模型以及其对应的形状直径函数特征向量和所述特征值向量训练而成。其中，超限学习机是黄广斌教授提出的一种基于单隐层前馈神经网络的机器学习算法，本申请中对其进行训练的方式为通过将输入数据映射至隐藏层网络中，然后根据训练数据和应用场景训练输入层与隐藏层之间的权值，从而得到预先训练的超限学习机，将将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中，可以得到指定建筑的三维模型，由于生成的三维模型是基于各个第一目标交点的点以及点与面之间的关系所得到的，因此，生成的三维模型具有较好的精度，可以形成一个完整的建筑轮廓，对于相关的工作人员而言，具有更高的参考价值。
在一个实施例中，所述计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量的步骤S4，包括：
S401：获取所述第一射线与所述指定建筑的交点；
S402：判断所述交点的数量是否为多个；
S403：若为多个，则取与所述坐标原点距离最大的交点为第一目标交点。
如上述步骤S401-S403所述，实现了对第一目标交点的确定，即当交点的数目为多个时采用与所述坐标原点距离最大的交点作为第一目标交点，具体地，由于对于指定建筑而言，其外部的轮廓点对于整体的三维模型构建具有更好的精度，并且更能反应出各个点与面之间的关系，若采用内部的轮廓点，则其对应的面也会更多，并且与外界点之间具有重复性，即在后续的处理过程中会产生更多的冗余数据，这对于后续的数据分析过程不友好，因此，此处采用与所述坐标原点距离最大的交点为第一目标交点，可以减少重复数据的产生，更利于三维模型的构建。
在一个实施例中，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤S9之前，还包括：
S801：获取待训练的超限学习机，以及训练数据；其中，所述超限学习机包括输入层、隐藏层以及输出层；
S802：将所述训练数据映射至隐藏层中，得到暂时超限学习机；
S803：将所述训练数据按照输入至所述暂时超限学习机中，并通过最小二乘法生成输入层至隐藏层中的权值，以及输出层的范数，得到所述预先训练的超限学习机。
如上述步骤S801-S803所述，实现了对超限学习机的训练。具体地，超限学习机预先生成权值矩阵和偏置矩阵，通过优化训练目标来求解最优权值矩阵，将训练数据映射至隐藏层中，得到暂时超限学习机中，然后根据公式
Figure 286298DEST_PATH_IMAGE072
以及权值矩阵的范数（即输出层的范数），其中，
Figure 480519DEST_PATH_IMAGE074
为误差，
Figure 412703DEST_PATH_IMAGE076
为随机生成的偏置矩阵，
Figure 491517DEST_PATH_IMAGE078
是权值矩阵，
Figure 68123DEST_PATH_IMAGE080
为训练数据构成的矩阵，其目的是为了使误差
Figure 308612DEST_PATH_IMAGE082
达到最小值，范数是权值矩阵的范数，从而训练得到最终的权值矩阵和偏置矩阵，将其输入至待训练的超限学习机中，即可得到预先训练的超限学习机，从而完成对超限学习机的训练。
在一个实施例中，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤S9，还包括：
S901：在所述预先训练的超限学习机中，根据所述特征值向量生成三维点状模型；
S902：根据所述形状直径函数特征向量生成所述三维点状模型所需的形状元素；
S903：将所述形状元素和所述三维点状模型生成所述指定建筑的三维模型。
如上述步骤S901-S903所述，实现了对三维模型的构建。在本实施例中，三维模型是通过组合多个三维模型元素（即形状直径函数特征向量和所述特征值向量）所生成的。如上所述，三维点状模型表现三维模型的至少一部分的形状。另外，三维模型元素根据三维模型的表现方法包括多个类型的元素。扫描元素使用针对预定的平面形状沿预定方向发生移位的情况的轨迹来表现三维形状。例如可以利用以下内容来表现扫描元素：定义平面形状所占用的平面的扫描基准面；定义该平面形状在该扫描基准面上的形状的封闭轮廓集(边界)；平面形状发生移位的方向(扫描几何)；以及发生扫描的距离(扫描长度)，从而实现了将所述形状元素和所述三维点状模型生成所述指定建筑的三维模型。
在一个实施例中，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤S9之后，还包括：
S1001：将所述面元素的类型和所述面元素的几何值输入至预设的支持向量机中，得到建筑特征；
S1002：将所述建筑特征输入至预先训练好的分类器中，得到所述建筑特征的分类和语义标注；
S1003：将所述建筑分类和所述语义标注加入至所述指定建筑的三维模型中，以实现对所述三维模型的标注。
如上述步骤S1001-S1003所述，实现了对单位模型的标注。支持向量机是一种基于监督学习的二分类模型，其目的是可以在样本特征空间中寻求最优分类超平面，即可以将指定建筑分解为多个不同的特征形状，此外为了提高分类精度，支持向量机还可以引入核函数变换思想，将在低维空间中不可分割的特征映射到高维空间中，使其转换为高维空间中的线性分类问题，核函数可以是线性核函数，多项式核函数，径向基核函数以及sigmoid核函数等，从而实现了对各个建筑特征的分类。
本发明的有益效果：通过获取指定建筑的质心，并获取其测量数据，通过射线的方式获取特征值向量和形状直径函数特征向量，并以此构建指定建筑三维模型，可以建立一个完整的建筑轮廓，减少三维模型的误差，对于相关的工作人员而言，具有更高的参考价值。
参照图2，本发明还提供了一种基于BIM的建筑三维可视化模型构建系统，包括：
数据获取模块10，用于获取指定建筑的质心，并通过坐标测量装置以所述质心为坐标原点，获取所述指定建筑的测量数据；其中，所述测量数据包括测量点群数据、面元素的类型和面元素的几何值；
标准化处理模块20，用于对所述测量数据进行标准化处理，等比例缩放至预设的大小尺度内；
采样模块30，用于以所述坐标原点为中心，构建所述指定建筑的外包球，采用均匀采样的方法，从所述坐标原点引出一系列的第一射线
Figure 852726DEST_PATH_IMAGE084
；
距离计算模块40，用于计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量；
摄像发射模块50，用于基于所述面元素的几何值获取所述第一目标交点的沿其法向量的反方向的目标向量，并以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线；
距离获取模块60，用于获取所述第二射线与所述指定建筑的第二目标交点的第二距离值；
平均值计算模块70，用于根据公式
Figure 204072DEST_PATH_IMAGE086
计算第二距离值的平均值，并基于所述平均值计算各个第二距离的标准差；其中，
Figure 166343DEST_PATH_IMAGE088
为平均值，
Figure 577733DEST_PATH_IMAGE090
表示第二距离值的个数，
Figure 609143DEST_PATH_IMAGE092
表示第i个第二距离值；
形状直径函数计算模块80，用于将标准差在预设标准差范围内的第二射线保留，并根据公式
Figure 764181DEST_PATH_IMAGE094
计算每个第一目标交点的形状直径函数，将标准差在预设标准差范围内的第二射线保留，并基于各个所述形状直径函数进行组合，得到所述指定建筑的形状直径函数特征向量；其中，
Figure 705592DEST_PATH_IMAGE096
表示第一目标交点的形状直径函数，
Figure 154460DEST_PATH_IMAGE098
表示第一目标交点所对应第二射线的个数，
Figure 548533DEST_PATH_IMAGE100
表示第j个第二射线的权重，
Figure 366316DEST_PATH_IMAGE102
表示第二射线与目标向量之间的夹角，
Figure 162234DEST_PATH_IMAGE104
表示第j个第二距离值；
建模模块90，用于将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型；其中，所述超限学习机通过不同建筑的三维模型以及其对应的形状直径函数特征向量和所述特征值向量训练而成。
在一个实施例中，所述距离计算模块40，包括：
交点获取子模块，用于获取所述第一射线与所述指定建筑的交点；
交点数量判断子模块，用于判断所述交点的数量是否为多个；
选取子模块，用于若为多个，则取与所述坐标原点距离最大的交点为第一目标交点；
在一个实施例中，所述基于BIM的建筑三维可视化模型构建系统还包括：
训练数据获取模块，用于获取待训练的超限学习机，以及训练数据；其中，所述超限学习机包括输入层、隐藏层以及输出层；
映射模块，用于将所述训练数据映射至隐藏层中，得到暂时超限学习机；
训练数据输入模块，用于将所述训练数据按照输入至所述暂时超限学习机中，并通过最小二乘法生成输入层至隐藏层中的权值，以及输出层的范数，得到所述预先训练的超限学习机。
在一个实施例中，所述建模模块90，包括：
三维点状模型生成子模块，用于在所述预先训练的超限学习机中，根据所述特征值向量生成三维点状模型；
形状元素生成子模块，用于根据所述形状直径函数特征向量生成所述三维点状模型所需的形状元素；
三维模型生成子模块，用于将所述形状元素和所述三维点状模型生成所述指定建筑的三维模型。
在一个实施例中，所述基于BIM的建筑三维可视化模型构建系统，还包括：
建筑特征获取模块，用于将所述面元素的类型和所述面元素的几何值输入至预设的支持向量机中，得到建筑特征；
建筑特征输入模块，用于将所述建筑特征输入至预先训练好的分类器中，得到所述建筑特征的分类和语义标注；
标注模块，用于将所述建筑分类和所述语义标注加入至所述指定建筑的三维模型中，以实现对所述三维模型的标注。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM一多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种基于BIM的建筑三维可视化模型构建方法，其特征在于，包括：
获取指定建筑的质心，并通过坐标测量装置以所述质心为坐标原点，获取所述指定建筑的测量数据；其中，所述测量数据包括测量点群数据、面元素的类型和面元素的几何值；
对所述测量数据进行标准化处理，等比例缩放至预设的大小尺度内；
以所述坐标原点为中心，构建所述指定建筑的外包球，采用均匀采样的方法，从所述坐 标原点引出一系列的第一射线
Figure 76771DEST_PATH_IMAGE001
；
计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量；
基于所述面元素的几何值获取所述第一目标交点的沿其法向量的反方向的目标向量，并以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线；
获取所述第二射线与所述指定建筑的第二目标交点的第二距离值；
根据公式
Figure 342667DEST_PATH_IMAGE002
计算第二距离值的平均值，并基于所述平均值计算各个第 二距离的标准差；其中，
Figure 420344DEST_PATH_IMAGE003
为平均值，
Figure 810481DEST_PATH_IMAGE004
表示第二距离值的个数，
Figure 290004DEST_PATH_IMAGE005
表示第i个第二距离值；
将标准差在预设标准差范围内的第二射线保留，并根据公式
Figure 726802DEST_PATH_IMAGE006
计算 每个第一目标交点的形状直径函数，将标准差在预设标准差范围内的第二射线保留，并基 于各个所述形状直径函数进行组合，得到所述指定建筑的形状直径函数特征向量；其中，
Figure 291775DEST_PATH_IMAGE007
表示第一目标交点的形状直径函数，
Figure 737800DEST_PATH_IMAGE008
表示第一目标交点所对应第二射线的个数，
Figure 321097DEST_PATH_IMAGE009
表示第j个第二射线的权重，
Figure 928796DEST_PATH_IMAGE010
表示第二射线与目标向量之间的夹角，
Figure 981065DEST_PATH_IMAGE011
表 示第j个第二距离值；
将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型；其中，所述超限学习机通过不同建筑的三维模型以及其对应的形状直径函数特征向量和所述特征值向量训练而成。
2.如权利要求1所述的基于BIM的建筑三维可视化模型构建方法，其特征在于，所述计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量的步骤，包括：
获取所述第一射线与所述指定建筑的交点；
判断所述交点的数量是否为多个；
若为多个，则取与所述坐标原点距离最大的交点为第一目标交点。
3.如权利要求1所述的基于BIM的建筑三维可视化模型构建方法，其特征在于，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤之前，还包括：
获取待训练的超限学习机，以及训练数据；其中，所述超限学习机包括输入层、隐藏层以及输出层；
将所述训练数据映射至隐藏层中，得到暂时超限学习机；
将所述训练数据按照输入至所述暂时超限学习机中，并通过最小二乘法生成输入层至隐藏层中的权值，以及输出层的范数，得到所述预先训练的超限学习机。
4.如权利要求1所述的基于BIM的建筑三维可视化模型构建方法，其特征在于，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤，还包括：
在所述预先训练的超限学习机中，根据所述特征值向量生成三维点状模型；
根据所述形状直径函数特征向量生成所述三维点状模型所需的形状元素；
将所述形状元素和所述三维点状模型生成所述指定建筑的三维模型。
5.如权利要求1所述的基于BIM的建筑三维可视化模型构建方法，其特征在于，所述将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型的步骤之后，还包括：
将所述面元素的类型和所述面元素的几何值输入至预设的支持向量机中，得到建筑特征；
将所述建筑特征输入至预先训练好的分类器中，得到所述建筑特征的分类和语义标注；
将所述建筑分类和所述语义标注加入至所述指定建筑的三维模型中，以实现对所述三维模型的标注。
6.一种基于BIM的建筑三维可视化模型构建系统，其特征在于，包括：
数据获取模块，用于获取指定建筑的质心，并通过坐标测量装置以所述质心为坐标原点，获取所述指定建筑的测量数据；其中，所述测量数据包括测量点群数据、面元素的类型和面元素的几何值；
标准化处理模块，用于对所述测量数据进行标准化处理，等比例缩放至预设的大小尺度内；
采样模块，用于以所述坐标原点为中心，构建所述指定建筑的外包球，采用均匀采样的 方法，从所述坐标原点引出一系列的第一射线
Figure 699623DEST_PATH_IMAGE012
；
距离计算模块，用于计算每条所述第一射线与所述指定建筑第一目标交点的第一距离值，并基于各个所述第一距离值进行组合，得到所述指定建筑的特征值向量；
摄像发射模块，用于基于所述面元素的几何值获取所述第一目标交点的沿其法向量的反方向的目标向量，并以所述第一目标交点作为顶点，以与所述目标向量呈预设角度范围内发射一系列的第二射线；
距离获取模块，用于获取所述第二射线与所述指定建筑的第二目标交点的第二距离值；
平均值计算模块，用于根据公式
Figure 904470DEST_PATH_IMAGE013
计算第二距离值的平均值，并基于所 述平均值计算各个第二距离的标准差；其中，
Figure 948650DEST_PATH_IMAGE014
为平均值，
Figure 488215DEST_PATH_IMAGE015
表示第二距离值的个数，
Figure 10463DEST_PATH_IMAGE016
表示第i个第二距离值；
形状直径函数计算模块，用于将标准差在预设标准差范围内的第二射线保留，并根据 公式
Figure 568353DEST_PATH_IMAGE017
计算每个第一目标交点的形状直径函数，将标准差在预设标准 差范围内的第二射线保留，并基于各个所述形状直径函数进行组合，得到所述指定建筑的 形状直径函数特征向量；其中，
Figure 517854DEST_PATH_IMAGE018
表示第一目标交点的形状直径函数，
Figure 544716DEST_PATH_IMAGE019
表示第一目标交 点所对应第二射线的个数，
Figure 870655DEST_PATH_IMAGE020
表示第j个第二射线的权重，
Figure 33783DEST_PATH_IMAGE021
表示第二射线与目 标向量之间的夹角，
Figure 919567DEST_PATH_IMAGE022
表示第j个第二距离值；
建模模块，用于将所述形状直径函数特征向量和所述特征值向量输入至预先训练的超限学习机中进行三维建模，得到所述指定建筑的三维模型；其中，所述超限学习机通过不同建筑的三维模型以及其对应的形状直径函数特征向量和所述特征值向量训练而成。
7.如权利要求6所述的基于BIM的建筑三维可视化模型构建系统，其特征在于，所述距离计算模块，包括：
交点获取子模块，用于获取所述第一射线与所述指定建筑的交点；
交点数量判断子模块，用于判断所述交点的数量是否为多个；
选取子模块，用于若为多个，则取与所述坐标原点距离最大的交点为第一目标交点。
8.如权利要求6所述的基于BIM的建筑三维可视化模型构建系统，其特征在于，所述基于BIM的建筑三维可视化模型构建系统还包括：
训练数据获取模块，用于获取待训练的超限学习机，以及训练数据；其中，所述超限学习机包括输入层、隐藏层以及输出层；
映射模块，用于将所述训练数据映射至隐藏层中，得到暂时超限学习机；
训练数据输入模块，用于将所述训练数据按照输入至所述暂时超限学习机中，并通过最小二乘法生成输入层至隐藏层中的权值，以及输出层的范数，得到所述预先训练的超限学习机。
9.如权利要求6所述的基于BIM的建筑三维可视化模型构建系统，其特征在于，所述建模模块，包括：
三维点状模型生成子模块，用于在所述预先训练的超限学习机中，根据所述特征值向量生成三维点状模型；
形状元素生成子模块，用于根据所述形状直径函数特征向量生成所述三维点状模型所需的形状元素；
三维模型生成子模块，用于将所述形状元素和所述三维点状模型生成所述指定建筑的三维模型。
10.如权利要求6所述的基于BIM的建筑三维可视化模型构建系统，其特征在于，所述基于BIM的建筑三维可视化模型构建系统，还包括：
建筑特征获取模块，用于将所述面元素的类型和所述面元素的几何值输入至预设的支持向量机中，得到建筑特征；
建筑特征输入模块，用于将所述建筑特征输入至预先训练好的分类器中，得到所述建筑特征的分类和语义标注；
标注模块，用于将所述建筑分类和所述语义标注加入至所述指定建筑的三维模型中，以实现对所述三维模型的标注。
CN202210184074.XA 2022-02-28 2022-02-28 一种基于bim的建筑三维可视化模型构建方法和系统 Pending CN114254569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210184074.XA CN114254569A (zh) 2022-02-28 2022-02-28 一种基于bim的建筑三维可视化模型构建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210184074.XA CN114254569A (zh) 2022-02-28 2022-02-28 一种基于bim的建筑三维可视化模型构建方法和系统

Publications (1)

Publication Number Publication Date
CN114254569A true CN114254569A (zh) 2022-03-29

Family

ID=80797046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210184074.XA Pending CN114254569A (zh) 2022-02-28 2022-02-28 一种基于bim的建筑三维可视化模型构建方法和系统

Country Status (1)

Country Link
CN (1) CN114254569A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743955A (zh) * 2023-12-21 2024-03-22 广东人信工程咨询有限公司 一种bim的采集数据处理方法、系统、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914870A (zh) * 2015-07-08 2015-09-16 中南大学 基于岭回归超限学习机的户外机器人局部路径规划方法
WO2016067017A1 (en) * 2014-10-27 2016-05-06 Ranplan Wireless Network Design Limited Method for predicting indoor three-dimensional space signal field strength using an outdoor-to-indoor propagation model
CN111159259A (zh) * 2020-01-06 2020-05-15 盐城师范学院 基于孤立森林和超限学习机的时间序列鲁棒高效建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016067017A1 (en) * 2014-10-27 2016-05-06 Ranplan Wireless Network Design Limited Method for predicting indoor three-dimensional space signal field strength using an outdoor-to-indoor propagation model
CN104914870A (zh) * 2015-07-08 2015-09-16 中南大学 基于岭回归超限学习机的户外机器人局部路径规划方法
CN111159259A (zh) * 2020-01-06 2020-05-15 盐城师范学院 基于孤立森林和超限学习机的时间序列鲁棒高效建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁辉: "《基于BIM数据源的三维GIS数据模型及其应用研究》", 《中国优秀博硕士学位论文全文数据库（博士） 基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743955A (zh) * 2023-12-21 2024-03-22 广东人信工程咨询有限公司 一种bim的采集数据处理方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
JP5251080B2 (ja) 物体認識方法
CN107748871A (zh) 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法
Gordon Identifying genuine clusters in a classification
CN108921925A (zh) 基于激光雷达和视觉融合的语义点云生成方法和装置
JP2012113353A (ja) 特定領域選択装置、特定領域選択方法及びプログラム
KR101741894B1 (ko) 관리 프로그램, 관리 장치 및 관리 방법
CN114254569A (zh) 一种基于bim的建筑三维可视化模型构建方法和系统
CN113168729B (zh) 一种基于局部参考坐标系的3d形状匹配方法及装置
CN111360810A (zh) 机器人传感器的外参标定方法、装置、机器人及存储介质
CN115862821B (zh) 基于数字孪生的智慧手术室的构建方法及相关装置
CN117252863B (zh) 一种地理信息异常数据快速检测分析方法
Hu et al. Pipe pose estimation based on machine vision
Šedivý et al. Data-driven selection of tessellation models describing polycrystalline microstructures
Panchal et al. Comparative study of particle swarm optimization based unsupervised clustering techniques
CN106951873B (zh) 一种遥感图像目标识别方法
CN116909901B (zh) 基于富样本径向投影可信聚类的软件性能可视评价方法
CN117095236A (zh) 一种用于评估叶根轮槽试验精确性的方法及系统
US20080294371A1 (en) Errors-in-variables data processing including essential weighting of mapped path-oriented deviations with normal component discrimination
Smith et al. Point laser triangulation probe calibration for coordinate metrology
CN115752243A (zh) 一种测量数据融合方法
CN113986245A (zh) 基于halo平台的目标代码生成方法、装置、设备及介质
Kim et al. Similarity comparison of original and remodeled plant 3D piping CAD models using quantitative evaluation metrics for offshore plants
Zhang et al. Star Identification Utilizing Modified Triangle Algorithms
US20230015645A1 (en) 3d shape matching method and device based on 3d local feature description using sghs
US20220262034A1 (en) Generation of Non-Semantic Reference Data for Positioning a Motor Vehicle

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220329

RJ01 Rejection of invention patent application after publication