CN115239887A - 利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统 - Google Patents
利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统 Download PDFInfo
- Publication number
- CN115239887A CN115239887A CN202211032120.0A CN202211032120A CN115239887A CN 115239887 A CN115239887 A CN 115239887A CN 202211032120 A CN202211032120 A CN 202211032120A CN 115239887 A CN115239887 A CN 115239887A
- Authority
- CN
- China
- Prior art keywords
- wall
- point cloud
- cloud data
- building
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 230000004323 axial length Effects 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 4
- 240000006829 Ficus sundaica Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 101710091102 Probable cinnamyl alcohol dehydrogenase 2 Proteins 0.000 description 1
- 208000032005 Spinocerebellar ataxia with axonal neuropathy type 2 Diseases 0.000 description 1
- 208000033361 autosomal recessive with axonal neuropathy 2 spinocerebellar ataxia Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于室内外点云高精度重构曼哈顿建筑轴线的方法及系统，包括：采集高精度建筑物室内外点云数据；提取建筑物目标楼层的点云数据；将目标楼层的点云数据投影到XOY平面并剔除室内非墙体结构点云数据，得到墙体结构点云数据；基于墙体结构点云数据提取墙体点云内、外轮廓；根据墙体点云内、外轮廓计算各段墙体厚度；基于墙体点云内、外轮廓对墙体外边界进行直线检测；基于墙体点云内、外轮廓进行墙体边界的几何关系推理确定边界共线或正交关系；基于正交和对称约束对墙体外边界进行整体参数优化；基于墙体边界位置信息，墙体厚度以及长度几何尺寸信息计算墙体轴线角点位置坐标及各段轴线长度，结合楼层高度信息建立BIM模型。
Description
技术领域
本发明涉及点云数据处理技术领域，具体地，涉及利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统，主要面向符合曼哈顿假设的建筑物BIM高精度建模。
背景技术
大多数建筑物的主体结构由相互平行、正交的墙体、梁、柱等构成，构件之间的空间关系符合曼哈顿假设。现有的重建技术大多采用提取点云的边界后分别进行直线或平面拟合的方法，由于点云含有误差、采集的数据不完整等问题，重建方法存在以下问题，轴线的几何平行和正交的特点无法保证，拟合的边界包括了墙面装饰的厚度，既不利于与设计资料的对比，也不符合建筑设计精准图纸的表达规范。本技术针对符合曼哈顿假设的建筑物BIM建模问题，直接恢复建筑物轴线，最终实现高精度BIM建模和应用。
专利文献CN110443875A(申请号：201910679891.0)公开了一种基于建筑点云数据的轴线自动绘制系统。所述系统包括：数据采集模块，用于采集原始有序点云数据；特征值计算模块，用于对所述原始有序点云数据进行法线计算，得到法线特征值；建筑要素特征提取模块，用于计算所述原始有序点云数据的垂直度得分，并根据所述垂直度得分提取轴网偏差特征值；轴网绘制模块，用于根据所述法线特征值和所述轴网偏差特征值绘制轴线网络。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统。
根据本发明提供的一种基于室内外点云高精度重构曼哈顿建筑轴线的方法，包括：
步骤S1：采用三维激光扫描技术采集高精度建筑物室内外点云数据；
步骤S2：提取建筑物目标楼层的点云数据；
步骤S3：将目标楼层的点云数据投影到XOY平面并采用滤波算法剔除室内非墙体结构点云数据，得到墙体结构点云数据；
步骤S4：基于墙体结构点云数据采用Alpha-Shape算法提取墙体点云内、外轮廓；
步骤S5：根据墙体点云内、外轮廓计算各段墙体厚度；
步骤S6：基于墙体点云内、外轮廓采用改进Hough变换对墙体外边界进行直线检测；
步骤S7：基于墙体点云内、外轮廓进行墙体边界的几何关系推理确定边界共线或正交关系；
步骤S8：基于正交和对称约束，采用LS-TLS方法对墙体外边界进行整体参数优化；
步骤S9：基于墙体边界位置信息，墙体厚度以及长度几何尺寸信息计算墙体轴线角点位置坐标及各段轴线长度，结合楼层高度信息建立BIM模型。
优选地，所述步骤S2采用：根据楼层高度，采用Cyclone软件对建筑物目标楼层进行预处理，提取建筑物目标楼层的三维点云数据。
优选地，所述步骤S3采用：将提取的建筑物单层点云数据投影到XOY平面并采用直通滤波算法剔除室内非墙体结构点云，得到墙体结构点云数据，并使用SOR统计滤波去噪。
优选地，所述步骤S4采用：
步骤S4.1：从墙体结构点云数据P中任选一点D1，距D1小于2α的点构成点集P'，其中，α表示给定滚圆半径；
步骤S4.2：从P'中任取一点D2，求出过D1、D2点的圆心O；
步骤S4.3：计算P'中除D1、D2之外的其他点到圆心O的距离h；
步骤S4.4：当h≥α，则点D1、D2为边界点，存入点集S；当h<α，则从P'中选择另一个点，重复触发步骤S4.2至步骤S4.4，直至P'中所有点均判断结束；
步骤S4.5：从P中选择另外一个点，重复触发步骤S4.1至步骤S4.5，直至P中所有点判断结束，得到墙体边界轮廓点集S。
优选地，所述步骤S5采用：根据墙体点云内、外轮廓分别对各段取不少于n个点，计算其X或Y坐标差值，并取平均值，作为各段墙体厚度参数。
优选地，所述步骤S6采用：
步骤S6.1：建立参数(ρ,θ)空间的二维数组，当前二维数组视为一个投票箱；其中，ρ表示参数空间某点的极径，θ表示极角；
步骤S6.2：顺序搜索目标点，在参数空间中找到每一目标点对应位置，在相应投票箱的对应位置加1，并记录当前目标点；
步骤S6.3：设置投票箱阈值，大于当前阈值的投票箱参数为直线参数；
步骤S6.4：通过参数空间位置(ρ′,θ′)确定二维空间中相对应的直线参数及所属该直线的目标点；其中，ρ′表示代表直线的参数空间中某点的极径，θ′表示极角；
步骤S6.5：选择某条直线为初始直线，遍历其余直线，若初始直线和其余直线夹角小于θlim且直线距离小于dlim，则合并为一条直线，并将新的直线作为初始直线，重复触发步骤S6.1至步骤S6.5完成直线合并，得到直线参数及点集；
步骤S6.6：在原始直线集合中剔除已合并直线，重复步骤步骤S6.5，直到所有直线合并完成；
步骤S6.7：输出各合并直线参数。
优选地，所述步骤S7采用：基于检测的直线计算相邻直线方向向量的内积，并设置阈值Thresholding1和Thresholding2，当相邻直线方向向量的内积小于Thresholding1时，则认为两直线共线；当相邻直线方向向量的内积大于Thresholding2，则认为两直线正交；其中，Thresholding1大于0，且趋近于0；Thresholding2小于1，且趋近于1。
优选地，所述步骤S8采用：
步骤S8.1：由n条相互垂直或平行的直线所组成的边界问题的总体最小二乘解法函数模型简化为：
min:e1 Te1
s.t:(A1-E1)ξ1+A2ξ2＝0
ξ1 Tξ1＝1
其中，A1∈Rm×2是含误差E1的随机矩阵；A2∈Rm×n是固定矩阵；e1＝vec(E1)；ξ1∈R2和ξ2∈Rn是参数向量；T表示矩阵转置；m、n分别表示矩阵的行数、列数；
ξ1＝(αcαs)T；ξ2＝(ρ1…ρn)T
其中，αc＝cosα,αs＝sinα,其中，α为直线的坐标方位角，ρ为原点至第n条直线的距离；
步骤S8.2：给定划分好的点云数据集，并且构造设计矩阵A1，A2；
步骤S8.3：计算
最小特征值所对应的特征向量得到ξ1的估计值；
步骤S8.4：将ξ1的估计值带入
中，得到ξ2的估计值。
优选地，所述步骤S9采用：
步骤S9.1：根据墙体厚度、墙体边界位置信息以及长度几何尺寸计算出墙体轴线角点位置坐标及各段轴线长度，采用Revit软件绘制墙体精确轴线；
步骤S9.2：墙体精确轴线利用Revit软件，结合楼层高度信息建立BIM模型。
根据本发明提供的一种基于室内外点云高精度重构曼哈顿建筑轴线的系统，包括：
模块M1：采用三维激光扫描技术采集高精度建筑物室内外点云数据；
模块M2：提取建筑物目标楼层的点云数据；
模块M3：将目标楼层的点云数据投影到XOY平面并采用滤波算法剔除室内非墙体结构点云数据，得到墙体结构点云数据；
模块M4：基于墙体结构点云数据采用Alpha-Shape算法提取墙体点云内、外轮廓；
模块M5：根据墙体点云内、外轮廓计算各段墙体厚度；
模块M6：基于墙体点云内、外轮廓采用改进Hough变换对墙体外边界进行直线检测；
模块M7：基于墙体点云内、外轮廓进行墙体边界的几何关系推理确定边界共线或正交关系；
模块M8：基于正交和对称约束，采用LS-TLS方法对墙体外边界进行整体参数优化；
模块M9：基于墙体边界位置信息，墙体厚度以及长度几何尺寸信息计算墙体轴线角点位置坐标及各段轴线长度，结合楼层高度信息建立BIM模型。
与现有技术相比，本发明具有如下的有益效果：
1、本发明提高重建轴线重建的自动化程度，现有的软件基于设计图纸到BIM(CAD2BIM)的快速建模，而对于从激光扫描的非结构化点云到BIM(Scan2BIM)的建模问题则需要多种软件和大量手工处理的方法解决，本发明的重建方法有助于提高轴线重建的自动化程度；
2、本发明有利于提高自动化重建的几何精度，本发明的方法考虑了轴线之间的平行、正交特性采用整体优化的思路提高了重建的几何精度；
3、本发明通过外边缘轮廓确定轴线的精确位置和尺寸信息，可以避免建筑墙体表面装饰的影响，便于既有建筑和设计资料对比；
4、本发明的方法从原始点云出发，可以直接应用于商业软件，提高基于点云的建筑物重建的自动化程度和几何精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为基于室内外点云高精度重构曼哈顿建筑轴线方法流程图。
图2为提取某建筑单层点云原始数据图。
图3为采用直通滤波，及SOR统计滤波去噪后的点云数据图。
图4为三维点云数据向水平面投影后的点云分布图。
图5为采用Alpha-Shape算法提取得到的墙体点云内轮廓图。
图6为采用Alpha-Shape算法提取得到的墙体点云外轮廓图。
图7为采用改进Hough变换进行墙体边界直线检测图。
图8为采用LS-TLS方法对墙体规则化后墙体边界图。
图9为精确墙体轴线图。
图10为最终建立的精确BIM模型。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于室内外点云高精度重构曼哈顿建筑轴线的方法，如图1所示，包括：
步骤S1：采用三维激光扫描技术采集高精度建筑物室内外点云数据；
其中，扫描仪器型号为LEICA P40，其距离扫描精度为1.2mm+10ppm，扫描间隔为0.02m，数据量不低于20万个数据点。
步骤S2：提取建筑物目标楼层的点云数据；
具体地，在提取建筑物点云时，应当考虑到建筑物的层高，在尽可能多地保留建筑物轮廓信息的前提下，采用Cyclone软件对该建筑物目标楼层进行预处理，应当注意保留点云的完整性，提取目标楼层的三维点云数据，如图2所示。
步骤S3：将目标楼层的点云数据投影到XOY平面并采用滤波算法剔除室内非墙体结构点云数据，得到墙体结构点云数据；
具体地，所述步骤S3采用：对建筑物进行三维激光扫描得到的点云，除墙体点云外，还包括大量诸如梁、柱、家具等的点云；
此时，将提取的建筑物单层点云数据投影到XOY平面并采用直通滤波算法剔除室内非墙体结构点云，得到墙体结构点云数据，并使用SOR统计滤波去噪。
更为具体地，1)指定一个维度以及该维度下的值域；2)遍历点云中的每个点，判断该点在指定维度上的取值是否在值域内，删除取值不在值域内的点；3)遍历结束，留下的点即构成滤波后的点云。统计滤波去除离群点，具体如下：1)给定点云密度阈值，某处点云小于该值，则点云无效。2)计算每个点到其最近的k个点平均距离，并假定结果符合高斯分布；3)给定均值与方差，剔除方差在3σ之外的点。采用直通滤波，及SOR统计滤波去噪后的点云数据，如图3所示。
步骤S4：基于墙体结构点云数据采用Alpha-Shape算法提取墙体点云内、外轮廓；
具体地，所述步骤S4采用：采用Alpha-Shape算法对墙体点云边界进行提取与分割，应当注意半径α的取值，在此建议采用试算法，根据实际效果，选择合理的α值。
步骤S4.1：从墙体结构点云数据P中任选一点D1，距D1小于2α的点构成点集P'，其中，α表示给定滚圆半径；
步骤S4.2：从P'中任取一点D2，求出过D1、D2点的圆心O；
步骤S4.3：计算P'中除D1、D2之外的其他点到圆心O的距离h；
步骤S4.4：当h≥α，则点D1、D2为边界点，存入点集S；当h<α，则从P'中选择另一个点，重复触发步骤S4.2至步骤S4.4，直至P'中所有点均判断结束；
步骤S4.5：从P中选择另外一个点，重复触发步骤S4.1至步骤S4.5，直至P中所有点判断结束，得到墙体边界轮廓点集S。图5、图6分别是采用Alpha-Shape算法提取得到的墙体点云内、外轮廓图。
步骤S5：根据墙体点云内、外轮廓计算各段墙体厚度；
具体地，所述步骤S5采用：根据墙体点云内、外轮廓分别对各段取不少于500个点，在选取数据点时，应当注意选取点的均匀性。计算其X或Y坐标差值，并取平均值，作为各段墙体厚度参数。更为具体地，确定内外轮廓提取出来的点的X,Y坐标，考虑平行或垂直于坐标轴，分别取X或Y坐标进行作差；最后，将这500组数据坐标差值的平均值作为该段墙体厚度。
步骤S6：基于墙体点云内、外轮廓采用改进Hough变换对墙体外边界进行直线检测；
具体地，所述步骤S6采用：在运用改进Hought变换进行直线检测时，应当首先对点云数据进行性统计滤波处理，去除离群点，并采用高斯滤波作平滑处理。
步骤S6.1：建立参数(ρ,θ)空间的二维数组，当前二维数组视为一个投票箱；其中，ρ表示参数空间某点的极径，θ表示极角；
步骤S6.2：顺序搜索目标点，在参数空间中找到每一目标点对应位置，在相应投票箱的对应位置加1，并记录当前目标点；
步骤S6.3：设置投票箱阈值，大于当前阈值的投票箱参数为直线参数；
步骤S6.4：通过参数空间位置(ρ′,θ′)确定二维空间中相对应的直线参数及所属该直线的目标点；其中，ρ′表示代表直线的参数空间中某点的极径，θ′表示极角；
步骤S6.5：选择某条直线为初始直线，遍历其余直线，若初始直线和其余直线夹角小于θlim且直线距离小于dlim，则合并为一条直线，并将新的直线作为初始直线，重复触发步骤S6.1至步骤S6.5完成直线合并，得到直线参数及点集；
步骤S6.6：在原始直线集合中剔除已合并直线，重复步骤步骤S6.5，直到所有直线合并完成；
步骤S6.7：输出各合并直线参数。最终采用改进Hough变换进行墙体边界直线检测结果如图7所示。
步骤S7：基于墙体点云内、外轮廓进行墙体边界的几何关系推理确定边界共线或正交关系；
具体地，所述步骤S7采用：基于检测的直线计算相邻直线方向向量的内积，并设置阈值Thresholding1和Thresholding2，当相邻直线方向向量的内积小于Thresholding1时，则认为两直线共线；当相邻直线方向向量的内积大于Thresholding2，则认为两直线正交；其中，Thresholding1大于0，且趋近于0；Thresholding2小于1，且趋近于1。
对于阈值Thresholding1，Thresholding2的额取值，可采用试算法，预先给定值为[0.1,0.9]，并视结果调整阈值参数。
步骤S8：基于正交和对称约束，采用LS-TLS方法对墙体外边界进行整体参数优化；通过整体参数优化确定墙体精确尺寸，从而进行后续的建模。
具体地，由于三维激光扫描所得点云数据均来自同一仪器，假设点云数据服从独立等精度分布，则
式中I2m为2m×2m的单位矩阵，σ0表示点云数据高斯噪声的标准差，N表示服从正态分布，eij表示点云数据的高斯噪声，同时考虑到设计矩阵可以分为随机矩阵和固定矩阵，因此由n条相互垂直或平行的直线所组成的边界问题的总体最小二乘解法函数模型可简化成：
min:e1 Te1
s.t:(A1-E1)ξ1+A2ξ2＝0
ξ1 Tξ1＝1
其中，A1∈Rm×2是含误差E1的随机矩阵,A2∈Rm×n是固定矩阵，e1＝vec(E1)。ξ1∈R2和ξ2∈Rn是参数向量。
ξ1＝(αcαs)T；ξ2＝(ρ1…ρn)T
其中，αc＝cosα,αs＝sinα,其中，α为直线的坐标方位角，ρ为原点至第n条直线的距离(直线采用Hesse法线式表示)；
混合LS-TLS方法，其具体步骤如下：
(1)给定划分好的点云数据集，并且构造设计矩阵A1，A2；其中，给定划分好的点云数据集是经处理后的用于整体规则化的点云数据集；
(2)计算
最小特征值所对应的特征向量，即为ξ1的估计值。
(3)将ξ1的估计值带入
中，得到ξ2的估计值。
通过求解上述数学模型即可实现墙体边界规则化，进而求得精确尺寸信息。图8是采用基于空间矩的混合LS-TLS方法对墙体规则化后墙体边界图。
步骤S9：基于墙体边界位置信息，墙体厚度以及长度几何尺寸信息计算墙体轴线角点位置坐标及各段轴线长度，结合楼层高度信息建立BIM模型。
具体地，所述步骤S9采用：
步骤S9.1：根据墙体厚度、墙体边界位置信息以及长度几何尺寸计算出墙体轴线角点位置坐标及各段轴线长度，采用Revit软件绘制墙体精确轴线；
步骤S9.2：墙体精确轴线利用Revit软件，结合楼层高度信息建立BIM模型。
提取墙体边界角点坐标：Boundary(xi,yi),(i＝1,2,3,4)，墙体厚度ti,(i＝1,2,3,4),计算出精确墙体轴线角点位置坐标axisi(xi,yi),(i＝1,2,3,4)，及各段轴线长度li,(i＝1,2,3,4)，并采用Revit软件绘制墙体精确轴线。图9是精确墙体轴线图。
结合楼层高度信息建立精确BIM模型，具体方法为：在精确获取提取墙体厚度ti,(i＝1,2,3,4),及各段轴线长度li,(i＝1,2,3,4)后，在得到墙体精确轴线后，利用Revit软件，结合楼层高度信息，建立精确BIM模型如图10所示。
根据本发明提供的一种基于室内外点云高精度重构曼哈顿建筑轴线的系统，包括：
模块M1：采用三维激光扫描技术采集高精度建筑物室内外点云数据；
其中，扫描仪器型号为LEICA P40，其距离扫描精度为1.2mm+10ppm，扫描间隔为0.02m，数据量不低于20万个数据点。
模块M2：提取建筑物目标楼层的点云数据；
具体地，在提取建筑物点云时，应当考虑到建筑物的层高，在尽可能多地保留建筑物轮廓信息的前提下，采用Cyclone软件对该建筑物目标楼层进行预处理，应当注意保留点云的完整性，提取目标楼层的三维点云数据，如图2所示。
模块M3：将目标楼层的点云数据投影到XOY平面并采用滤波算法剔除室内非墙体结构点云数据，得到墙体结构点云数据；
具体地，所述模块M3采用：对建筑物进行三维激光扫描得到的点云，除墙体点云外，还包括大量诸如梁、柱、家具等的点云；
此时，将提取的建筑物单层点云数据投影到XOY平面并采用直通滤波算法剔除室内非墙体结构点云，得到墙体结构点云数据，并使用SOR统计滤波去噪。
更为具体地，1)指定一个维度以及该维度下的值域；2)遍历点云中的每个点，判断该点在指定维度上的取值是否在值域内，删除取值不在值域内的点；3)遍历结束，留下的点即构成滤波后的点云。统计滤波去除离群点，具体如下：1)给定点云密度阈值，某处点云小于该值，则点云无效。2)计算每个点到其最近的k个点平均距离，并假定结果符合高斯分布；3)给定均值与方差，剔除方差在3σ之外的点。采用直通滤波，及SOR统计滤波去噪后的点云数据，如图3所示。
模块M4：基于墙体结构点云数据采用Alpha-Shape算法提取墙体点云内、外轮廓；
具体地，所述模块M4采用：采用Alpha-Shape算法对墙体点云边界进行提取与分割，应当注意半径α的取值，在此建议采用试算法，根据实际效果，选择合理的α值。
模块M4.1：从墙体结构点云数据P中任选一点D1，距D1小于2α的点构成点集P'，其中，α表示给定滚圆半径；
模块M4.2：从P'中任取一点D2，求出过D1、D2点的圆心O；
模块M4.3：计算P'中除D1、D2之外的其他点到圆心O的距离h；
模块M4.4：当h≥α，则点D1、D2为边界点，存入点集S；当h<α，则从P'中选择另一个点，重复触发模块M4.2至模块M4.4，直至P'中所有点均判断结束；
模块M4.5：从P中选择另外一个点，重复触发模块M4.1至模块M4.5，直至P中所有点判断结束，得到墙体边界轮廓点集S。图5、图6分别是采用Alpha-Shape算法提取得到的墙体点云内、外轮廓图。
模块M5：根据墙体点云内、外轮廓计算各段墙体厚度；
具体地，所述模块M5采用：根据墙体点云内、外轮廓分别对各段取不少于500个点，在选取数据点时，应当注意选取点的均匀性。计算其X或Y坐标差值，并取平均值，作为各段墙体厚度参数。更为具体地，确定内外轮廓提取出来的点的X,Y坐标，考虑平行或垂直于坐标轴，分别取X或Y坐标进行作差；最后，将这500组数据坐标差值的平均值作为该段墙体厚度。
模块M6：基于墙体点云内、外轮廓采用改进Hough变换对墙体外边界进行直线检测；
具体地，所述模块M6采用：在运用改进Hought变换进行直线检测时，应当首先对点云数据进行性统计滤波处理，去除离群点，并采用高斯滤波作平滑处理。
模块M6.1：建立参数(ρ,θ)空间的二维数组，当前二维数组视为一个投票箱；其中，ρ表示参数空间某点的极径，θ表示极角；
模块M6.2：顺序搜索目标点，在参数空间中找到每一目标点对应位置，在相应投票箱的对应位置加1，并记录当前目标点；
模块M6.3：设置投票箱阈值，大于当前阈值的投票箱参数为直线参数；
模块M6.4：通过参数空间位置(ρ′,θ′)确定二维空间中相对应的直线参数及所属该直线的目标点；其中，ρ′表示代表直线的参数空间中某点的极径，θ′表示极角；
模块M6.5：选择某条直线为初始直线，遍历其余直线，若初始直线和其余直线夹角小于θlim且直线距离小于dlim，则合并为一条直线，并将新的直线作为初始直线，重复触发模块M6.1至模块M6.5完成直线合并，得到直线参数及点集；
模块M6.6：在原始直线集合中剔除已合并直线，重复步骤模块M6.5，直到所有直线合并完成；
模块M6.7：输出各合并直线参数。最终采用改进Hough变换进行墙体边界直线检测结果如图7所示。
模块M7：基于墙体点云内、外轮廓进行墙体边界的几何关系推理确定边界共线或正交关系；
具体地，所述模块M7采用：基于检测的直线计算相邻直线方向向量的内积，并设置阈值Thresholding1和Thresholding2，当相邻直线方向向量的内积小于Thresholding1时，则认为两直线共线；当相邻直线方向向量的内积大于Thresholding2，则认为两直线正交；其中，Thresholding1大于0，且趋近于0；Thresholding2小于1，且趋近于1。
对于阈值Thresholding1，Thresholding2的额取值，可采用试算法，预先给定值为[0.1,0.9]，并视结果调整阈值参数。
模块M8：基于正交和对称约束，采用LS-TLS方法对墙体外边界进行整体参数优化；通过整体参数优化确定墙体精确尺寸，从而进行后续的建模。
具体地，由于三维激光扫描所得点云数据均来自同一仪器，假设点云数据服从独立等精度分布，则
式中I2m为2m×2m的单位矩阵，σ0表示点云数据高斯噪声的标准差，N表示服从正态分布，eij表示点云数据的高斯噪声，同时考虑到设计矩阵可以分为随机矩阵和固定矩阵，因此由n条相互垂直或平行的直线所组成的边界问题的总体最小二乘解法函数模型可简化成：
min:e1 Te1
s.t:(A1-E1)ξ1+A2ξ2＝0
ξ1 Tξ1＝1
其中，A1∈Rm×2是含误差E1的随机矩阵,A2∈Rm×n是固定矩阵，e1＝vec(E1)。ξ1∈R2和ξ2∈Rn是参数向量。
ξ1＝(αcαs)T；ξ2＝(ρ1…ρn)T
其中，αc＝cosα,αs＝sinα,其中，α为直线的坐标方位角，ρ为原点至第n条直线的距离(直线采用Hesse法线式表示)；
混合LS-TLS方法，其具体步骤如下：
(1)给定划分好的点云数据集，并且构造设计矩阵A1，A2；其中，给定划分好的点云数据集是经处理后的用于整体规则化的点云数据集；
(2)计算
最小特征值所对应的特征向量，即为ξ1的估计值。
(3)将ξ1的估计值带入
中，得到ξ2的估计值。
通过求解上述数学模型即可实现墙体边界规则化，进而求得精确尺寸信息。图8是采用基于空间矩的混合LS-TLS方法对墙体规则化后墙体边界图。
模块M9：基于墙体边界位置信息，墙体厚度以及长度几何尺寸信息计算墙体轴线角点位置坐标及各段轴线长度，结合楼层高度信息建立BIM模型。
具体地，所述模块M9采用：
模块M9.1：根据墙体厚度、墙体边界位置信息以及长度几何尺寸计算出墙体轴线角点位置坐标及各段轴线长度，采用Revit软件绘制墙体精确轴线；
模块M9.2：墙体精确轴线利用Revit软件，结合楼层高度信息建立BIM模型。
提取墙体边界角点坐标：Boundary(xi,yi),(i＝1,2,3,4)，墙体厚度ti,(i＝1,2,3,4),计算出精确墙体轴线角点位置坐标axisi(xi,yi),(i＝1,2,3,4)，及各段轴线长度li,(i＝1,2,3,4)，并采用Revit软件绘制墙体精确轴线。图9是精确墙体轴线图。
结合楼层高度信息建立精确BIM模型，具体方法为：在精确获取提取墙体厚度ti,(i＝1,2,3,4),及各段轴线长度li,(i＝1,2,3,4)后，在得到墙体精确轴线后，利用Revit软件，结合楼层高度信息，建立精确BIM模型如图10所示。
本发明充分考虑到曼哈顿建筑的特点，采用正交投影的方式，在尽可能多地保留原始点云数据信息的前提下，可进一步降低数据的复杂度。并采用Alpha-Shape算法精确提取墙体点云内、外轮廓，以提取墙体厚度；采用改进Hough变换对墙体外边界进行直线检测；并考虑正交和对称约束，采用基于空间矩的混合LS-TLS方法对边界进行整体参数优化，进而得到精确墙体轴线尺寸信息。通过该方法，可以快速、准确地提取建筑物轴线，并可进一步建立高精度BIM模型。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，包括：
步骤S1：采用三维激光扫描技术采集高精度建筑物室内外点云数据；
步骤S2：提取建筑物目标楼层的点云数据；
步骤S3：将目标楼层的点云数据投影到XOY平面并采用滤波算法剔除室内非墙体结构点云数据，得到墙体结构点云数据；
步骤S4：基于墙体结构点云数据采用Alpha-Shape算法提取墙体点云内、外轮廓；
步骤S5：根据墙体点云内、外轮廓计算各段墙体厚度；
步骤S6：基于墙体点云内、外轮廓采用改进Hough变换对墙体外边界进行直线检测；
步骤S7：基于墙体点云内、外轮廓进行墙体边界的几何关系推理确定边界共线或正交关系；
步骤S8：基于正交和对称约束，采用LS-TLS方法对墙体外边界进行整体参数优化；
步骤S9：基于墙体边界位置信息，墙体厚度以及长度几何尺寸信息计算墙体轴线角点位置坐标及各段轴线长度，结合楼层高度信息建立BIM模型。
2.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S2采用：根据楼层高度，采用Cyclone软件对建筑物目标楼层进行预处理，提取建筑物目标楼层的三维点云数据。
3.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S3采用：将提取的建筑物单层点云数据投影到XOY平面并采用直通滤波算法剔除室内非墙体结构点云，得到墙体结构点云数据，并使用SOR统计滤波去噪。
4.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S4采用：
步骤S4.1：从墙体结构点云数据P中任选一点D1，距D1小于2α的点构成点集P'，其中，α表示给定滚圆半径；
步骤S4.2：从P'中任取一点D2，求出过D1、D2点的圆心O；
步骤S4.3：计算P'中除D1、D2之外的其他点到圆心O的距离h；
步骤S4.4：当h≥α，则点D1、D2为边界点，存入点集S；当h<α，则从P'中选择另一个点，重复触发步骤S4.2至步骤S4.4，直至P'中所有点均判断结束；
步骤S4.5：从P中选择另外一个点，重复触发步骤S4.1至步骤S4.5，直至P中所有点判断结束，得到墙体边界轮廓点集S。
5.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S5采用：根据墙体点云内、外轮廓分别对各段取不少于n个点，计算其X或Y坐标差值，并取平均值，作为各段墙体厚度参数。
6.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S6采用：
步骤S6.1：建立参数(ρ,θ)空间的二维数组，当前二维数组视为一个投票箱；其中，ρ表示参数空间某点的极径，θ表示极角；
步骤S6.2：顺序搜索目标点，在参数空间中找到每一目标点对应位置，在相应投票箱的对应位置加1，并记录当前目标点；
步骤S6.3：设置投票箱阈值，大于当前阈值的投票箱参数为直线参数；
步骤S6.4：通过参数空间位置(ρ′,θ′)确定二维空间中相对应的直线参数及所属该直线的目标点；其中，ρ′表示代表直线的参数空间中某点的极径，θ′表示极角；
步骤S6.5：选择某条直线为初始直线，遍历其余直线，若初始直线和其余直线夹角小于θlim且直线距离小于dlim，则合并为一条直线，并将新的直线作为初始直线，重复触发步骤S6.1至步骤S6.5完成直线合并，得到直线参数及点集；
步骤S6.6：在原始直线集合中剔除已合并直线，重复步骤步骤S6.5，直到所有直线合并完成；
步骤S6.7：输出各合并直线参数。
7.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S7采用：基于检测的直线计算相邻直线方向向量的内积，并设置阈值Thresholding1和Thresholding2，当相邻直线方向向量的内积小于Thresholding1时，则认为两直线共线；当相邻直线方向向量的内积大于Thresholding2，则认为两直线正交；其中，Thresholding1大于0，且趋近于0；Thresholding2小于1，且趋近于1。
8.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S8采用：
步骤S8.1：由n条相互垂直或平行的直线所组成的边界问题的总体最小二乘解法函数模型简化为：
min:e1 Te1
s.t:(A1-E1)ξ1+A2ξ2＝0
ξ1 Tξ1＝1
其中，A1∈Rm×2是含误差E1的随机矩阵；A2∈Rm×n是固定矩阵；e1＝vec(E1)；ξ1∈R2和ξ2∈Rn是参数向量；T表示矩阵转置；m、n分别表示矩阵的行数、列数；
ξ1＝(αc αs)T；ξ2＝(ρ1…ρn)T
其中，αc＝cosα,αs＝sinα,其中，α为直线的坐标方位角，ρ为原点至第n条直线的距离；
步骤S8.2：给定划分好的点云数据集，并且构造设计矩阵A1，A2；
步骤S8.3：计算
最小特征值所对应的特征向量得到ξ1的估计值；
步骤S8.4：将ξ1的估计值带入
中，得到ξ2的估计值。
9.根据权利要求1所述的基于室内外点云高精度重构曼哈顿建筑轴线的方法，其特征在于，所述步骤S9采用：
步骤S9.1：根据墙体厚度、墙体边界位置信息以及长度几何尺寸计算出墙体轴线角点位置坐标及各段轴线长度，采用Revit软件绘制墙体精确轴线；
步骤S9.2：墙体精确轴线利用Revit软件，结合楼层高度信息建立BIM模型。
10.一种基于室内外点云高精度重构曼哈顿建筑轴线的系统，其特征在于，包括：
模块M1：采用三维激光扫描技术采集高精度建筑物室内外点云数据；
模块M2：提取建筑物目标楼层的点云数据；
模块M3：将目标楼层的点云数据投影到XOY平面并采用滤波算法剔除室内非墙体结构点云数据，得到墙体结构点云数据；
模块M4：基于墙体结构点云数据采用Alpha-Shape算法提取墙体点云内、外轮廓；
模块M5：根据墙体点云内、外轮廓计算各段墙体厚度；
模块M6：基于墙体点云内、外轮廓采用改进Hough变换对墙体外边界进行直线检测；
模块M7：基于墙体点云内、外轮廓进行墙体边界的几何关系推理确定边界共线或正交关系；
模块M8：基于正交和对称约束，采用LS-TLS方法对墙体外边界进行整体参数优化；
模块M9：基于墙体边界位置信息，墙体厚度以及长度几何尺寸信息计算墙体轴线角点位置坐标及各段轴线长度，结合楼层高度信息建立BIM模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211032120.0A CN115239887A (zh) | 2022-08-26 | 2022-08-26 | 利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211032120.0A CN115239887A (zh) | 2022-08-26 | 2022-08-26 | 利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115239887A true CN115239887A (zh) | 2022-10-25 |
Family
ID=83680609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211032120.0A Pending CN115239887A (zh) | 2022-08-26 | 2022-08-26 | 利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115239887A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115588083A (zh) * | 2022-11-25 | 2023-01-10 | 天津风霖物联网科技有限公司 | 一种基于bim技术的房屋安全监测系统及方法 |
| CN115950375A (zh) * | 2022-12-30 | 2023-04-11 | 三一筑工科技股份有限公司 | 预制构件安装外轮廓平齐度检测方法、装置及电子设备 |
| CN116310197A (zh) * | 2023-05-11 | 2023-06-23 | 四川省非物质文化遗产保护中心 | 一种非遗建筑物的三维模型构建方法、装置及存储介质 |
| CN116935250A (zh) * | 2023-07-28 | 2023-10-24 | 广州葛洲坝建设工程有限公司 | 一种基于无人机拍摄的建筑模板尺寸估算方法 |
| CN117422810A (zh) * | 2023-12-19 | 2024-01-19 | 深圳大学 | 结构与参数引导的室内要素规则化与关系推理方法及终端 |
-
2022
- 2022-08-26 CN CN202211032120.0A patent/CN115239887A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115588083A (zh) * | 2022-11-25 | 2023-01-10 | 天津风霖物联网科技有限公司 | 一种基于bim技术的房屋安全监测系统及方法 |
| CN115588083B (zh) * | 2022-11-25 | 2023-04-28 | 天津风霖物联网科技有限公司 | 一种基于bim技术的房屋安全监测系统及方法 |
| CN115950375A (zh) * | 2022-12-30 | 2023-04-11 | 三一筑工科技股份有限公司 | 预制构件安装外轮廓平齐度检测方法、装置及电子设备 |
| CN116310197A (zh) * | 2023-05-11 | 2023-06-23 | 四川省非物质文化遗产保护中心 | 一种非遗建筑物的三维模型构建方法、装置及存储介质 |
| CN116310197B (zh) * | 2023-05-11 | 2023-08-25 | 四川省非物质文化遗产保护中心 | 一种非遗建筑物的三维模型构建方法、装置及存储介质 |
| CN116935250A (zh) * | 2023-07-28 | 2023-10-24 | 广州葛洲坝建设工程有限公司 | 一种基于无人机拍摄的建筑模板尺寸估算方法 |
| CN116935250B (zh) * | 2023-07-28 | 2024-02-13 | 广州葛洲坝建设工程有限公司 | 一种基于无人机拍摄的建筑模板尺寸估算方法 |
| CN117422810A (zh) * | 2023-12-19 | 2024-01-19 | 深圳大学 | 结构与参数引导的室内要素规则化与关系推理方法及终端 |
| CN117422810B (zh) * | 2023-12-19 | 2024-05-17 | 深圳大学 | 结构与参数引导的室内要素规则化与关系推理方法及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115239887A (zh) | 利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统 | |
| 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 | |
| CN108416785B (zh) | 面向封闭空间的拓扑分割方法及装置 | |
| CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
| CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
| CN112017220A (zh) | 一种基于抗差约束最小二乘算法的点云精确配准方法 | |
| CN114782499A (zh) | 一种基于光流和视图几何约束的图像静态区域提取方法及装置 | |
| CN111524168A (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
| Wei et al. | Automatic coarse registration of point clouds using plane contour shape descriptor and topological graph voting | |
| CN112396641A (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
| CN113838069B (zh) | 基于平面度约束的点云分割方法和系统 | |
| CN115222883A (zh) | 一种基于地基LiDAR点云的电力杆塔重建方法 | |
| CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
| CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
| Park et al. | Segmentation of Lidar data using multilevel cube code | |
| CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
| CN111862176B (zh) | 基于腭皱襞的三维口腔点云正畸前后精确配准方法 | |
| CN111765883B (zh) | 机器人蒙特卡罗定位方法、设备及存储介质 | |
| CN115965712A (zh) | 一种建筑物二维矢量图构建方法、系统、设备及存储介质 | |
| CN113592705A (zh) | 一种房型结构分析方法及装置 | |
| Peng et al. | Automated 3D scenes reconstruction using multiple stereo pairs from portable four-camera photographic measurement system | |
| CN113447953A (zh) | 一种基于道路交通点云数据的背景滤除方法 | |
| Narumi et al. | Laser-scanned as-built 3D modeling of air-conditioning ducts based on Manhattan world assumption | |
| Antić et al. | Segmentation of Stereo-Camera Depth Image into Planar Regions based on Evolving Principal Component Clustering | |
| WO2023088177A1 (zh) | 神经网络模型训练方法、矢量化三维模型建立方法及设备 |
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 |