CN114494292A - 一种建筑物立面玻璃区域提取方法及系统 - Google Patents
一种建筑物立面玻璃区域提取方法及系统 Download PDFInfo
- Publication number
- CN114494292A CN114494292A CN202210062528.6A CN202210062528A CN114494292A CN 114494292 A CN114494292 A CN 114494292A CN 202210062528 A CN202210062528 A CN 202210062528A CN 114494292 A CN114494292 A CN 114494292A
- Authority
- CN
- China
- Prior art keywords
- glass
- facade
- building
- extracting
- point cloud
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30204—Marker
Abstract
本发明提供一种建筑物立面玻璃区域提取方法及系统,方法包括:基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域;从建筑物三维模型中提取立面点云数据;根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域。本发明方法关注倾斜摄影测量自动建模的需求,针对城市的建筑物立面玻璃,利用了多视图像生成的密集匹配点云立面信息和倾斜影像中目标的空间结构信息,能有效提取立面玻璃区域语义信息,为城市的建筑语义理解和建筑物模型优化提供基础数据支持。
Description
技术领域
本发明涉及图像处理领域,更具体地,涉及一种建筑物立面玻璃区域提取方法及系统。
背景技术
随着三维建模算法和硬件的快速发展,城市实景三维模型广泛应用于建设规划、自动驾驶、应急管理等领域。其中,基于无人机(UAV)倾斜摄影测量的三维建模技术,效率高且成本低,非常适用于大规模的城市场景重建。同时,随着城市化进程,带有立面玻璃区域的建筑物变得越来越普遍,例如玻璃墙、玻璃门、玻璃阳台等。由于玻璃材质的特殊属性和特征检测匹配算法的局限性,建筑物的立面玻璃区域重建质量较差,存在不同程度的几何形变、纹理模糊等问题。提取建筑物立面玻璃区域,不仅可以为城市光照分析、光污染评估、电信号处理、节能减排等应用提供重要信息,而且还可以辅助建筑物模型的立面玻璃区域修复,从而美化模型。
倾斜摄影影像建筑物立面玻璃区域的提取,需要利用高分辨率的倾斜影像和其包含的空间上下文特征。另一方面,现有的玻璃检测研究主要针对自然影像中的玻璃,为智能机器人提供导航信息。和自然影像中的玻璃相比,倾斜影像中的玻璃尺度变化更大,外表种类更多(透明的,有颜色的或像镜子一样的立面玻璃区域)。此外,由于复杂的拍摄条件和高成像角度,倾斜影像中的玻璃往往存在较大的畸变。因此,从倾斜影像中检测玻璃更具挑战。
发明内容
本发明针对现有技术中存在的技术问题,提供一种建筑物立面玻璃区域提取方法及系统。
根据本发明的第一方面,提供了一种建筑物立面玻璃区域提取方法,包括:基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域;从建筑物三维模型中提取立面点云数据;根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域,包括:选取存在立面玻璃区域的多张倾斜摄影影像,并标注每一张倾斜摄影影像中的每一块玻璃区域,构成训练样本;基于所述训练样本对预设深度学习网络模型进行训练,获取训练后的深度学习网络模型;基于训练后的深度学习网络模型,从多视角倾斜摄影影像中提取玻璃区域,所述玻璃区域包括倾斜摄影影像中的多块玻璃子区域,其中,所述多块玻璃子区域具有空间位置关系。
可选的,所述从建筑物三维模型中提取立面点云数据,包括:将倾斜模型中的点云Pi投影到地面所在平面,得到投影后的点pi;记录每一个投影点pi的点云密度和高程差;基于设定的点云密度阈值和高程差阈值,从建筑物三维模型中提取立面点云数据。
可选的,所述记录每一个投影点pi的点云密度和高程差,包括:记录点云Pi和对应投影点pi之间的欧式距离作为高程差,记录在密度图上,投影点pi在设定领域范围内临近点的个数作为点云密度;相应的,基于设定的点云密度阈值和高程差阈值,从建筑物三维模型中提取立面点云数据,包括:提取点云密度大于设定的点云密度阈值且高程差大于设定的高程差阈值的点云,为立面点云数据,构成立面三角面片集合Tset。
可选的,所述根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域,包括:从所述立面三角面片集合Tset中筛选出可视三角面片Ti;将可视三角面片Ti,投影到倾斜摄影影像中,记为Si,如果Si的两个或两个以上的点落入从倾斜摄影影像中提取的玻璃区域中,则Si为候选包含玻璃的三角面片;对每一个可视三角面片Ti进行判断,构成候选包含玻璃的三角面片集合Fset;对候选包含玻璃的三角面片集合Fset中的每一个三角面片进行再次筛选,确定最终建筑物立面玻璃区域。
可选的,所述从所述立面三角面片集合Tset中筛选出可视三角面片Ti,包括:对立面三角面片集合Tset中的三角面片Ti,其法向量为中心为Ci,记Ci到相机中心Oi的向量为计算与之间的夹角,如果小于90°,则三角面片Ti为可视三角面片。
可选的,所述将可视三角面片Ti,投影到倾斜摄影影像中,包括:根据像素平面坐标系(u,v)与模型坐标系(Xw,Yw,Zw)的映射关系,将可视三角面片Ti,投影到倾斜摄影影像中;其中,像素平面坐标系(u,v)与模型坐标系(Xw,Yw,Zw)的映射关系为:
其中,dx、dy分别代表单个像素的横轴尺寸、纵轴尺寸;u0、v0分别代表像主点在像平面坐标系的横坐标和纵坐标;f代表相机焦距;R为相机外方位元素构成的3×3旋转矩阵,0T为(0,0,0);t为相机光心在世界坐标系的平移向量;Xw、Yw、Zw为模型坐标值。
可选的,所述对候选包含玻璃的三角面片集合Fset中的每一个三角面片进行再次筛选,确定最终建筑物立面玻璃区域,包括:对于候选包含玻璃的三角面片集合Fset中重叠度高的两个三角面片,基于成像原理,计算每一个三角面片到相机中心的距离,保留距离相机中心近的三角面片;对于保留的三角面片,删除孤立的三角面片,得到最终建筑物立面玻璃区域。
根据本发明的第二方面,提供一种建筑物立面玻璃区域提取系统,包括:第一提取模块,用于基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域;第二提取模块,用于从建筑物三维模型中提取立面点云数据;第三提取模块,用于根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现建筑物立面玻璃区域提取方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现建筑物立面玻璃区域提取方法的步骤。
本发明提供的一种建筑物立面玻璃区域提取方法及系统,关注倾斜摄影测量自动建模的需求,针对城市的建筑物立面玻璃,利用了多视图像生成的密集匹配点云立面信息和倾斜影像中目标的空间结构信息,能有效提取立面玻璃区域语义信息,为城市的建筑语义理解和建筑物模型优化提供基础数据支持。
附图说明
图1为本发明提供的一种建筑物立面玻璃区域提取方法流程图;
图2为倾斜影像中提取玻璃方法示意图;
图3为点云立面信息提取方法示意图;
图4为建立三角形与影像对应关系方法示意图;
图5为本发明提供的一种建筑物立面玻璃区域提取方法的整体流程图;
图6为本发明提供的一种建筑物立面玻璃区域提取系统的结构示意图;
图7为本发明提供的一种可能的电子设备的硬件结构示意图;
图8为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
建筑物立面玻璃区域的语义信息为城市光照分析、光污染评估、电信号处理、节能减排等应用提供重要依据,且可以辅助模型修复,美化三维模型。本发明提出一种从多视角倾斜摄影建筑物立面玻璃检测方法,为城市实景模型应用提供支持。
本发明方法的核心思想是利用倾斜摄影影像丰富的上下文特征和高分辨率的特点,结合点云的几何结构信息(立面信息),在倾斜摄影影像多视角约束下,基于图像与三角面片的对应关系,提取建筑物的立面玻璃区域。
实施例一
一种建筑物立面玻璃区域提取方法,参见图1,该立面玻璃区域提取方法主要包括以下步骤:
S1,基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域。
作为实施例,所述基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域,包括:选取存在立面玻璃区域的多张倾斜摄影影像,并标注每一张倾斜摄影影像中的每一块玻璃区域,构成训练样本;基于所述训练样本对预设深度学习网络模型进行训练,获取训练后的深度学习网络模型;基于训练后的深度学习网络模型,从多视角倾斜摄影影像中提取玻璃区域,所述玻璃区域包括倾斜摄影影像中的多块玻璃子区域,其中,所述多块玻璃子区域具有空间位置关系。
可以理解的是,在本发明实施例中,基于深度学习网络从多视角的倾斜摄影影像中提取玻璃区域。具体的,可参见图2,在利用深度学习网络模型进行玻璃区域的提取之前,需要对预设深度学习网络模型进行训练。首先,进行训练样本数据的准备:基于深度学习算法的检测器,往往需要对大量的数据进行学习。选取存在立面玻璃区域的倾斜影像,裁剪为512×512像素大小,并手工标注出影像中的每一块玻璃区域。与常规的实例分割数据标注不同,本发明实施例的方法考虑了玻璃块之间的空间关系,该策略可有效提高检测器的性能。另外,为提高模型的泛化能力,获得更多的学习样本,对数据进行增强扩充,包括旋转、镜像、Gamma变换等。
训练样本数据准备好之后,基于训练样本数据,对深度学习网络模型进行训练,具体为,在Ubuntu 16.04操作系统下,利用深度学习框架Pytorch进行训练,深度学习网络模型为ImageNet预训练模型进行训练。训练过程中,使用一张11G的RTX2080Ti显卡,利用CUDA进行加速。部分重要参数有,批量大小(batch size)为2,初始学习率为0.002,并分别以60000、80000、100000次迭代时下降,权重衰减和动量分别为0.0001和0.9,模型训练120000次,loss不再下降。
将训练好的模型应用到多视角倾斜影像中,得到倾斜影像中玻璃的逐像素的检测结果(二值图)。在检测结果中,是玻璃的区域像素值为1(maski),不是玻璃的区域像素值为0。
S2,从建筑物三维模型中提取立面点云数据。
作为实施例,所述从建筑物三维模型中提取立面点云数据,包括:
将倾斜模型中的点云Pi投影到地面所在平面,得到投影后的点pi;
记录每一个投影点pi的点云密度和高程差;基于设定的点云密度阈值和高程差阈值,从建筑物三维模型中提取立面点云数据。
其中,所述记录每一个投影点pi的点云密度和高程差,包括:记录点云Pi和对应投影点pi之间的欧式距离作为高程差,记录在密度图上,投影点pi在设定领域范围内临近点的个数作为点云密度;相应的,基于设定的点云密度阈值和高程差阈值,从建筑物三维模型中提取立面点云数据,包括:提取点云密度大于设定的点云密度阈值且高程差大于设定的高程差阈值的点云,为立面点云数据,构成立面三角面片集合Tset。
具体的,在从三维建筑物倾斜模型中提取立面点云数据的方法可参见图3,
首先将倾斜模型点云(Pi)投影到地面所在平面(Ax+By+Cz=D),得到投影后的点(pi),并记Pi与pi之间的欧式距离为高程差HGi。其次,计算投影后的点(pi)密度图在领域范围(R)内临近点的个数(PDregion)作为点(pi)的点云密度,以及在该领域范围内的最大高程差(HGregion)。最后,根据经验设定点云密度阈值(V1)和高程差阈值(V2),对点云进行二分类筛选,提取出建筑物的立面点云数据。需要说明的是,此步骤不需要高精度的结果,目的是过滤大部分的非立面点云,减少倾斜影像检测结果的误差,并提高计算效率。将提取出的立面三角形的集合记为Tset。
S3,根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域。
作为实施例所述根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域,包括:从所述立面三角面片集合Tset中筛选出可视三角面片Ti;将可视三角面片Ti,投影到倾斜摄影影像中,记为Si,如果Si的两个或两个以上的点落入从倾斜摄影影像中提取的玻璃区域中,则Si为候选包含玻璃的三角面片;对每一个可视三角面片Ti进行判断,构成候选包含玻璃的三角面片集合Fset;对候选包含玻璃的三角面片集合Fset中的每一个三角面片进行再次筛选,确定最终建筑物立面玻璃区域。
可以理解的是,参见图4,基于多视角约束,建立三角面片与倾斜影像对应关系,提取建筑物立面玻璃区域,具体包括如下步骤:
(1)可视三角面片判断。对立面三角面片Tset中的三角面片Ti,其法向量为中心为Ci,记Ci到相机中心Oi的向量为计算与之间的夹角,如果夹角小于90°,在该三角面片为可视三角面片,则执行(2),否则判断下个三角面片Tj。
(2)投影判断。像素平面坐标系(u,v)与模型坐标系(Xw,Yw,Zw)映射关系可用公式(1)表示。其中,dx、dy分别代表单个像素的横轴尺寸、纵轴尺寸;u0、v0分别代表像主点在像平面坐标系的横坐标和纵坐标;f代表相机焦距;R为相机外方位元素构成的3×3旋转矩阵,0T为(0,0,0);t为相机光心在世界坐标系的平移向量;Xw、Yw、Zw为模型坐标值。
将判断的可视三角面片Ti,投影到倾斜影像中并记为Si,结合倾斜影像的玻璃检测结果(maski),如果Si的两个或以上的点落在maski中,我们则认为Si很有可能为玻璃,否则不是,并将很有可能为玻璃的三角面片集合记为Fset。
(3)结果筛选。Fset中的三角面片可能存在重叠,对重叠度高的两个三角面片,利用三角面片到相机中心的距离做筛选。具体的,根据成像原理,距离相机中心近的三角面片为正确投影的三角面片,反之,则为错误投影的三角面片。
(4)结果优化。对(3)中的的正确投影的三角面片,删除其中孤立的三角面片,得到最后的建筑物立面玻璃区域提取结果。
实施例二
一种建筑物立面玻璃区域提取方法,参见图5,该提取方法的基本步骤包括:
(1)倾斜影像中的玻璃检测:方法基于深度学习算法,集成实例分割网络与边缘特征提取网络。具体地,实例分割模块考虑了玻璃块之间的空间关系,提高了检测结果,并利用边缘特征,进一步优化玻璃边缘的分割精度。
(2)点云立面信息提取:建筑物立面一般垂直于地面,且具有较大的高程差。利用多视角图像通过图像匹配算法生成密集点云,将点云投影到地面,生成点云密度图和点云高差图,根据经验值设定阈值,将点云分为立面点云和非立面点云。理论上,立面的区域具有更大的点云密度和高差,此方法可以过滤大部分非立面点云。
(3)建筑物三维模型中提取玻璃。根据三维模型与倾斜影像的映射关系,在多视角约束下,建立步骤(2)中得到的立面三角形和倾斜影像的对应关系。根据倾斜影像玻璃检测结果,提取建筑物的立面玻璃区域。
实施例三
一种建筑物立面玻璃提取系统,参见图6,该提取系统包括第一提取模块601、第二提取模块602和第三提取模块603。
其中,第一提取模块601,用于基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域;第二提取模块602,用于从建筑物三维模型中提取立面点云数据;第三提取模块603,用于根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域。
可以理解的是,本发明提供的一种建筑物立面玻璃区域提取系统与前述各实施例提供的建筑物立面玻璃区域提取方法相对应,建筑物立面玻璃区域提取系统的相关技术特征可参考建筑物立面玻璃区域提取方法的相关技术特征,在此不再赘述。
实施例四
请参阅图7,图7为本发明实施例提供的电子设备的实施例示意图。如图7所示,本发明实施例提了一种电子设备700,包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序711,处理器720执行计算机程序711时实现实施例一或实施例二建筑物立面玻璃区域提取方法。
实施例五
请参阅图8,图8为本发明提供的一种计算机可读存储介质的实施例示意图。如图8所示,本实施例提供了一种计算机可读存储介质800,其上存储有计算机程序811,该计算机程序811被处理器执行时实现实施例一或实施例二的建筑物立面玻璃提取方法。
本发明提供的一种建筑物立面玻璃区域提取方法及系统,具有以下优点:
(1)本发明提出结合玻璃块的空间结构关系和边缘特征的检测方法,可以较好提取倾斜影像中的玻璃。一方面,空间结构关系可以避免小玻璃块的漏检,提高检测召回率;另一方面,边缘特征可以弥补实例分割在物体边缘分割的不足,提高分割精度。
(2)本发明提出采用投影点云密度和高程差,可以有效筛选出非立面的点云,进一步保证了立面玻璃区域提取精度,并提高了计算效率;
(3)本发明提出的基于点云的几何结构(立面信息)和多视角约束的立面玻璃区域提取方法,可有效提取倾斜模型建筑物的立面玻璃区域。一方面,立面信息可以减少由影像误检引入的误差,从而保证了方法的可靠性。另一方面,多视角约束进一步优化立面玻璃区域提取精度。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
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。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种建筑物立面玻璃区域提取方法,其特征在于,包括:
基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域;
从建筑物三维模型中提取立面点云数据;
根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域。
2.根据权利要求1所述的建筑物立面玻璃区域提取方法,其特征在于,所述基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域,包括:
选取存在立面玻璃区域的多张倾斜摄影影像,并标注每一张倾斜摄影影像中的每一块玻璃区域,构成训练样本;
基于所述训练样本对预设深度学习网络模型进行训练,获取训练后的深度学习网络模型;
基于训练后的深度学习网络模型,从多视角倾斜摄影影像中提取玻璃区域,所述玻璃区域包括倾斜摄影影像中的多块玻璃子区域,其中,所述多块玻璃子区域具有空间位置关系。
3.根据权利要求1所述的建筑物立面玻璃区域提取方法,其特征在于,所述从建筑物三维模型中提取立面点云数据,包括:
将倾斜模型中的点云Pi投影到地面所在平面,得到投影后的点pi;
记录每一个投影点pi的点云密度和高程差;
基于设定的点云密度阈值和高程差阈值,从建筑物三维模型中提取立面点云数据。
4.根据权利要求3所述的建筑物立面玻璃区域提取方法,其特征在于,所述记录每一个投影点pi的点云密度和高程差,包括:
记录点云Pi和对应投影点pi之间的欧式距离作为高程差,记录在密度图上,投影点pi在设定领域范围内临近点的个数作为点云密度;
相应的,基于设定的点云密度阈值和高程差阈值,从建筑物三维模型中提取立面点云数据,包括:
提取点云密度大于设定的点云密度阈值且高程差大于设定的高程差阈值的点云,为立面点云数据,构成立面三角面片集合Tset。
5.根据权利要求4所述的建筑物立面玻璃区域提取方法,其特征在于,所述根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域,包括:
从所述立面三角面片集合Tset中筛选出可视三角面片Ti;
将可视三角面片Ti,投影到倾斜摄影影像中,记为Si,如果Si的两个或两个以上的点落入从倾斜摄影影像中提取的玻璃区域中,则Si为候选包含玻璃的三角面片;
对每一个可视三角面片Ti进行判断,构成候选包含玻璃的三角面片集合Fset;
对候选包含玻璃的三角面片集合Fset中的每一个三角面片进行再次筛选,确定最终建筑物立面玻璃区域。
8.根据权利要求5所述的建筑物立面玻璃区域提取方法,其特征在于,所述对候选包含玻璃的三角面片集合Fset中的每一个三角面片进行再次筛选,确定最终建筑物立面玻璃区域,包括:
对于候选包含玻璃的三角面片集合Fset中重叠度高的两个三角面片,基于成像原理,计算每一个三角面片到相机中心的距离,保留距离相机中心近的三角面片;
对于保留的三角面片,删除孤立的三角面片,得到最终建筑物立面玻璃区域。
9.一种建筑物立面玻璃区域提取系统,其特征在于,包括:
第一提取模块,用于基于深度学习算法,从多视角倾斜摄影影像中提取玻璃区域;
第二提取模块,用于从建筑物三维模型中提取立面点云数据;
第三提取模块,用于根据建筑物三维模型与倾斜摄影影像之间的映射关系以及从倾斜摄影影像中提取的玻璃区域,从所述立面点云数据中提取建筑物立面玻璃区域。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-8任一项所述的建筑物立面玻璃区域提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062528.6A CN114494292A (zh) | 2022-01-19 | 2022-01-19 | 一种建筑物立面玻璃区域提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062528.6A CN114494292A (zh) | 2022-01-19 | 2022-01-19 | 一种建筑物立面玻璃区域提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494292A true CN114494292A (zh) | 2022-05-13 |
Family
ID=81472189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210062528.6A Pending CN114494292A (zh) | 2022-01-19 | 2022-01-19 | 一种建筑物立面玻璃区域提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494292A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742957A (zh) * | 2022-06-13 | 2022-07-12 | 西南石油大学 | 一种基于点云数据的建筑物立面提取方法 |
CN114842148A (zh) * | 2022-05-17 | 2022-08-02 | 河南工程学院 | 根据建筑立面特性的无人机倾斜摄影模型建筑单体化分割方法 |
CN115564661A (zh) * | 2022-07-18 | 2023-01-03 | 武汉大势智慧科技有限公司 | 建筑物玻璃区域立面自动修复方法及系统 |
CN116051980A (zh) * | 2022-12-13 | 2023-05-02 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
CN117036393A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
-
2022
- 2022-01-19 CN CN202210062528.6A patent/CN114494292A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842148A (zh) * | 2022-05-17 | 2022-08-02 | 河南工程学院 | 根据建筑立面特性的无人机倾斜摄影模型建筑单体化分割方法 |
CN114842148B (zh) * | 2022-05-17 | 2024-04-05 | 河南工程学院 | 根据建筑立面特性的无人机倾斜摄影模型建筑单体化分割方法 |
CN114742957A (zh) * | 2022-06-13 | 2022-07-12 | 西南石油大学 | 一种基于点云数据的建筑物立面提取方法 |
CN115564661A (zh) * | 2022-07-18 | 2023-01-03 | 武汉大势智慧科技有限公司 | 建筑物玻璃区域立面自动修复方法及系统 |
CN115564661B (zh) * | 2022-07-18 | 2023-10-10 | 武汉大势智慧科技有限公司 | 建筑物玻璃区域立面自动修复方法及系统 |
CN116051980A (zh) * | 2022-12-13 | 2023-05-02 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
CN116051980B (zh) * | 2022-12-13 | 2024-02-09 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
CN117036393A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
CN117036393B (zh) * | 2023-10-09 | 2023-12-19 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114494292A (zh) | 一种建筑物立面玻璃区域提取方法及系统 | |
CN111914795A (zh) | 一种航拍图像中旋转目标检测方法 | |
CN113822278B (zh) | 一种无受限场景车牌识别方法 | |
CN111126184B (zh) | 一种基于无人机视频的震后建筑物损毁检测方法 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN113947766B (zh) | 一种基于卷积神经网络的实时车牌检测方法 | |
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 | |
CN114332385A (zh) | 一种基于三维虚拟地理场景的单目相机目标检测与空间定位方法 | |
CN116342783B (zh) | 一种实景三维模型数据渲染优化方法及系统 | |
CN113221648A (zh) | 一种基于移动测量系统的融合点云序列影像路牌检测方法 | |
CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
CN113744315A (zh) | 一种基于双目视觉的半直接视觉里程计 | |
CN114549956A (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 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
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 | |
CN114463521A (zh) | 一种面向空地影像数据融合的建筑目标点云快速生成方法 | |
CN116740288B (zh) | 一种融合激光雷达、倾斜摄影的三维重建方法 | |
CN116977806A (zh) | 一种基于毫米波雷达、激光雷达和高清阵列摄像机的机场目标检测方法及系统 | |
CN116503760A (zh) | 基于自适应边缘特征语义分割的无人机巡航检测方法 | |
CN113673288A (zh) | 空闲车位检测方法、装置、计算机设备及存储介质 | |
CN115690770A (zh) | 基于空间注意力特征的非受限场景下的车牌识别方法 | |
CN109636840B (zh) | 一种基于鬼影像检测建筑物阴影的方法 | |
Babahajiani et al. | Semantic parsing of street scene images using 3d lidar point cloud | |
CN115564661B (zh) | 建筑物玻璃区域立面自动修复方法及系统 |
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 |