CN116010644A - 基于轴向移动和局部匹配的重复性建筑元素检索方法 - Google Patents
基于轴向移动和局部匹配的重复性建筑元素检索方法 Download PDFInfo
- Publication number
- CN116010644A CN116010644A CN202210749947.7A CN202210749947A CN116010644A CN 116010644 A CN116010644 A CN 116010644A CN 202210749947 A CN202210749947 A CN 202210749947A CN 116010644 A CN116010644 A CN 116010644A
- Authority
- CN
- China
- Prior art keywords
- building
- point
- scene
- points
- building element
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了基于轴向移动和局部匹配的重复性建筑元素检索方法,具体为,针对建筑物立面场景进行初步分割并优化;在用户驱动下随机选择一个建筑物元素样本;求取平面方程确定建筑物立面的X轴向,确定其它两个轴向;利用OBB包围盒将建筑物元素样本变换到建筑物立面场景的左下角原点处;用内部形状描述子提取待检索的元素的关键点,利用FPFH和OBB包围盒相结合构建局部匹配约束,最后对每个待检索元素的关键点查找最近点,利用欧氏距离比较描述子之间的差异,完成重复性建筑元素的检索。本发明能够直接在建筑物立面场景中检索重复的建筑元素,解决了以往的检索方法会存在检索对象的模糊性以及查全率较低的问题。
Description
技术领域
本发明属于点云语义分割技术领域,具体涉及基于轴向移动和局部匹配的重复性建筑元素检索方法。
背景技术
三维点云数据可用于现场检查和建筑模型的逆向工程。近年来,随着点云数据采集技术的快速发展,现有建筑和民用基础设施对获取3D点云数据的需求持续增加。其中建筑元素检索作为建筑改造、建筑分析和建筑保护等领域的主要构成成分,其相关研究具有重要的研究意义和广阔的应用前景。
重复性建筑元素检索过程是指在点云数据集中查找查询对象的所有实例具有相似纹理、大小、密度以及其它的几何特征的元素集合,其中点云数据可以来自墙、板、门等对象类别。以往的三维模型检索技术忽略了场景因素,直接在已有的三维模型库中检索;随着三维模型检索技术的成熟,现有的重复性建筑元素的检索技术即使考虑了环境因素,对于特征相似的建筑元素仍然会导致检索结果的模糊性;基于深度学习的方法也需要大量的有标注的数据集去训练,而制作建筑物立面有标注的数据集则需要大量的人力物力。
发明内容
本发明的目的是提供基于轴向移动和局部匹配的重复性建筑元素检索方法,克服了现有技术存在的模糊性的问题,并且不需要进行大量的人工标注,能够直接使用点云数据创建待检索元素并在建筑物场景中检索点云中的匹配对象。
本发明所采用的技术方案是,基于轴向移动和局部匹配的重复性建筑元素检索方法,具体按照如下步骤实施:
步骤1,点云分割:针对原始的建筑物立面场景,通过基于区域生长的方法和基于颜色的区域生长方法进行聚类,获得聚类后的建筑物立面的点云数据;
步骤2,样本选择:对步骤1获得的聚类后的建筑物立面的点云数据,在用户的驱动下选择一个待检索的建筑元素,如窗户、门等元素;
步骤3,轴向确定:利用随机抽样一致算法(RANSAC算法)求取建筑物立面的法向量,确定X轴向,然后利用主成分分析算法(PCA算法)校正每一个主方向间垂直,确定其他轴向;
步骤4,样本变换:利用OBB包围盒将建筑物元素样本变换到建筑物立面场景的左下角原点处;
步骤5,基于局部匹配约束的检索:对步骤4确定了建筑元素样本在建筑物立面场景中移动的轴向后,构建局部匹配约束,并利用局部匹配约束完成重复性建筑元素检索。
本发明的特征还在于,
步骤1具体为:
步骤1.1,采用区域生长方法对原始的建筑物立面场景进行初始聚类;
步骤1.2,经步骤1.1所获得的结果,加入颜色信息进行基于颜色的区域生长方法进行二次聚类。
步骤1.1具体为:
对原始的点云建筑物立面场景计算法线normal和曲率curvatures,根据点的曲率值对点云进行排序,选择曲率最小的点叫做初始种子点,区域生长算法从曲率最小的种子点开始生长,定义一空的聚类区域A和空的种子点序列B,选好初始种子点将其加入种子点序列,并搜索该种子点的邻域点,计算每一个邻域点法线与种子点法线之间的夹角,当小于设定的平滑阈值时,将邻域点加入到A中,同时判断该领域点的曲率值是否小于曲率阈值,将小于曲率阈值的领域点加入种子点序列B中,邻域点都判断完成后删除当前的种子点,在B中重新选择新的种子点,重复上述步骤,直到B中序列为空,此时一个区域生长完成,重复上述过程,直到场景中所有点实现聚类,完成建筑物立面场景的初始聚类。
步骤1.2具体为:
在步骤1.1初始聚类的结果上,定义一空的聚类区域E和空的种子点序列F,选好初始种子点,将其加入种子点序列,并搜索该种子点的邻域点,计算每一个邻域点法线与种子点颜色之间的差异,小于设定的颜色阈值时,将邻域点加入到E中,否则加入F中,在F中重新选择新的种子点重复上述步骤,直到F中序列为空,此时一个区域生长完成,重复上述过程,检查相邻聚类的平均颜色,如果平均颜色阈值小于设定阈值,则将两类进行合并为一类,直到完成所有的颜色聚类,从而完成二次聚类。
步骤2具体为:
步骤2.1,利用点云库PCL中的点云文件框选功能,输入二次聚类的结果,并进入圈选状态;
步骤2.2,圈选一个建筑元素对象实例,在此过程中去掉重复选择的点,保存圈选的点云为.pcd格式,由此得到待检索元素的样本。
步骤3具体为:
步骤3.1,利用随机抽样一致算法(RANSAC算法)求取建筑物立面的平面方程确定主方向即X轴轴向;
步骤3.2,利用主成分分析算法在X轴的基础上校正,使X轴、Y轴、Z轴每一个主方向间垂直,从而确定Y轴、Z轴的轴向。
步骤5具体为:
步骤5.1,为了加快检索的速度,通过内部形状描述子(ISS)分别对待检索的建筑元素样本与建筑物立面提取关键点,使用快速点特征直方图算法(FPFH)计算待检索的建筑元素样本与建筑物立面场景的特征描述子,最后将提取到的特征描述子与待检索的建筑元素在场景中的位置约束构成局部匹配约束;
步骤5.2,将待检索的建筑元素样本点云视为一个滑窗,使用滑动窗口进行轴向移动,将建筑元素样本与建筑物立面场景点云的部分匹配来检索目标模型。给定阈值将待检索的建筑物元素样本从左下角以一定的阈值左到右,从下往上依次开始进行遍历,建立kd-tree结构查询建筑元素中待检索点和其近邻点,利用欧氏距离进行相似性度量,从而完成重复性建筑元素的检索。
本发明的有益效果是:
本发明基于轴向移动和局部匹配的重复性建筑元素检索方法,通过对待检索的建筑元素的选取,基于特征分析进行轴向确定,最后通过构建局部匹配约束检索建筑物立面中重复性元素。在施工中无需预先建立计算机辅助设计模型库或者建筑信息模型库,不需要收集训练数据、训练分类器以及从场景点云中分割单个对象,解决了以往的检索方法会存在检索对象的模糊性以及查全率较低的问题。本发明可以准确的检索出不同形态的建筑元素,能够提高检索的准确率和查全率。
附图说明
图1是本发明基于轴向移动和局部匹配的重复性建筑元素检索方法实施例的步骤5中在点云场景中检索到的实例图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
实施例
本实施例提供基于轴向移动和局部匹配的重复性建筑元素检索方法,具体按照如下步骤实施:
步骤1,点云分割:原始点云数据,针对原始的建筑物立面场景,通过基于区域生长的方法和基于颜色的区域生长方法进行聚类,获得聚类后的建筑物立面的点云数据;
步骤1.1,对原始的点云建筑物立面场景计算法线normal和曲率curvatures,根据点的曲率值对点云进行排序,选择曲率最小的点叫做初始种子点,区域生长算法从曲率最小的种子点开始生长,定义一空的聚类区域A和空的种子点序列B,选好初始种子点将其加入种子点序列,并搜索该种子点的邻域点(邻近的50个点),计算每一个邻域点法线与种子点法线之间的夹角,当小于设定的平滑阈值时,将邻域点加入到A中,同时判断该领域点的曲率值是否小于曲率阈值,将小于曲率阈值的领域点加入种子点序列B中。邻域点都判断完成后删除当前的种子点,在B中重新选择新的种子点重复上述步骤,直到B中序列为空,此时一个区域生长完成。重复上述过程,直到场景中所有点实现聚类,完成初始的聚类,完成点云数据的初始分割。
步骤1.2,在初始聚类的结果上,定义一空的聚类区域E和空的种子点序列F,选好初始种子点,将其加入种子点序列,并搜索该种子点的邻域点(邻近的10个点),计算每一个邻域点法线与种子点颜色之间的差异,小于设定的颜色阈值时,将邻域点加入到E中,否则加入F中。在F中重新选择新的种子点重复上述步骤,直到F中序列为空,此时一个区域生长完成。重复上述过程,检查相邻聚类的平均颜色,如果平均颜色阈值小于设定阈值,则将两类进行合并为一类,直到完成所有的颜色聚类,从而完成二次聚类,利用标记的颜色进行信息优化。
步骤2,样本选择:对步骤1获得的聚类后的建筑物立面的点云数据,在用户的驱动下选择一个待检索的建筑元素,如窗户、门等元素;
步骤2.1,利用点云库PCL中的点云文件框选功能registerAreaPickingCallback(),输入二次聚类的结果,按X键进入圈选状态;
步骤2.2,圈选一个建筑元素对象实例,在此过程中去掉重复选择的点,保存圈选的点云为.pcd格式,由此得到的待检索元素的样本。
步骤3,轴向确定:利用随机抽样一致算法(RANSAC算法)求取建筑物立面的法向量,确定X轴向,然后利用主成分分析算法(PCA算法)校正每一个主方向间垂直,确定其他轴向;
步骤3.1,利用随机抽样一致算法(RANSAC算法)求取建筑物立面的平面方程确定主方向即X轴轴向;
步骤3.1具体为:
步骤3.1.1,根据平面方程(1)可知对平面拟合需要三个点,随机在平面上选取三个点,对平面模型参数A,B,C,D进行计算;
A·x+B·y+C·z=D (1)
步骤3.1.2,用余下的数据点进行检验模型,计算误差,如果误差小于给定的阈值,则将该店确定为内点,统计该模型参数下内点的个数并记录;
步骤3.1.3,重复进行步骤3.1.1和步骤3.1.2,如果当前模型的内点数量大于已经保存的最大内点的数量,则更新模型参数,保留的模型参数始终是内点数量最多的模型参数;
步骤3.1.4,重复进行步骤3.1.1、步骤3.1.2和步骤3.1.3,不断迭代,直到达到迭代阈值,找到内点个数最多的参数模型,最后用内点再次对模型参数进行估计,从而得到最终的模型参数A,B,C,D;
步骤3.1.5,通过上述获取到了拟合的平面参数后,按A,B,C,D顺序保存到参数定义好的矩阵中E,定义一个向量则平面法线归一化x,y,z的坐标分别为x=E[0],y=E[1],z=E[2],由此确定了X的轴向为
步骤3.2利用主成分分析算法在X轴的基础上校正,使X轴、Y轴、Z轴每一个主方向间垂直,从而确定Y轴、Z轴的轴向;
步骤3.2具体为:
步骤3.2.1,设质心坐标Pc=(Px,Py,Pz),根据公式(2)计算建筑物立面场景的质心坐标;
式(2)中:n代表建筑物立面点云场景的总个数;xi代表建筑物立面点云场景的每一个点x坐标,yi代表建筑物立面点云场景的每一个点y坐标,zi代表建筑物立面点云场景的每一个点z坐标,i∈[1,n];
步骤3.2.2,对于建筑物立面点云场景中的每个点Pi,根据公式(3)计算建筑物立面场景每个点对应的归一化后的协方差矩阵C;得到;
式(3)中:n代表建筑物立面点云场景的总个数;Pc代表建筑物立面点云场景的质心,i∈[1,n]。
步骤3.2.3,将经过步骤3.2.2之后得到的协方差矩阵C根据公式(4)分解特征值特征向量,需要将协方差矩阵转换成对角阵,根据线性代数里面的内容;
式(4)中:λj为协方差矩阵的第j个特征值;为第j个特征向量;
步骤3.2.4,将经过步骤3.2.3得到一个由特征向量组成的3*3的矩阵F,F矩阵的col(每一列)是一个特征向量,经过步骤3.2.1已经确定了X的轴向为设Y的轴向为Z的轴向为然后校正每一个主方向间垂直,先取根据公式(5)分别得到X,Y,Z的轴向,将建筑物立面点云场景的主方向与确定好的X,Y,Z三个轴向进行对齐
步骤4,样本变换:利用OBB包围盒将建筑物元素样本变换到建筑物立面场景的左下角原点处,完成样本点云的变换;
步骤4具体为:
经过上面确定好的轴向后,得到对齐后的待检索的元素样本和建筑物立面场景。分别用OBB计算YZ方向的包围盒,分别得到换后的待检索的元素和建筑物立面场景所有点中的最小值,设min_p、min_c分别为待检索的元素和建筑物立面场景所有点中最小的主方向轴向值,利用公式(6)计算Y轴和Z轴的平移距离,使得经过变换的待检索的样本的点云平移到场景的左下角原点的位置。
式(6)中:Dy代表待检索元素在Y轴的平移距离,Dz代表待检索元素在Z轴的平移距离,min_p.y表示待检索的元素所有点中最小的Y值,min_p.z表示待检索的元素所有点中最小的Z值,min_c.y表示建筑物立面场景所有点中最小的Y值,min_c.z表示建筑物立面场景所有点中最小的Z值。
步骤5,基于局部匹配约束的检索:对步骤4确定了建筑元素样本在建筑物立面场景中移动的轴向后,构建局部匹配约束,并利用局部匹配约束完成重复性建筑元素检索,如图1所示完成对重复性建筑元素的检索;
步骤5.1,为了加快检索的速度,通过内部形状描述子(ISS)分别对待检索的建筑元素样本与建筑物立面提取关键点,使用快速点特征直方图算法(FPFH)计算待检索的建筑元素样本与建筑物立面场景的特征描述子,最后将提取到的特征描述子与待检索的建筑元素在场景中的位置约束构成局部匹配约束;
步骤5.1具体为:
步骤5.1.1,为待检索元素的每个点ki建立局部的坐标系,对每个点设定搜索半径r;
步骤5.1.2,以搜索半径r建立kd-tree,根据公式(7)计算范围内所有点的权值Wij;
式(7)中:必须满足|ki-kj|小于每个点设定搜索半径r,kj表示建筑元素样本点;
步骤5.1.3,根据公式(8)计算每个点ki的协方差矩阵cov(ki),根据矩阵分解得到特征值并按从大到小的顺序排列;
步骤5.1.4,设置阈值ε1和阈值ε2,满足下式(9)的则认为该点是需要提取的关键点;
步骤5.1.5,对于每个查询点Ps计算这个点本身和它邻域点之间一系列的α,θ,值,把它记为SP,根据公式(10)在任意一点Pt上定义一个局部的坐标系u,v,w;
式中:Pt,Ps是点云中任意两点;ns是点Ps对应的法线;nt是点Pt对应的法线;
步骤5.1.6,通过使用三个角度值α,θ,并根据步骤5.1.5得到的局部坐标系根据公式(11)估计法线ns和nt法线之间的相对位置偏差;
步骤5.1.7,重复步骤5.1.5,计算其它点的k邻域内的SP,根据公式(12)计算得到以Pd特征描述子;
式(12)中:Wk是Pd和其每个邻近点之间的距离;
步骤5.1.8,FPFH将每个角度分割成11个子区间,从而得到一个33维的局部特征描述子,利用OBB计算待检索的元素在建筑物立面场景中最大值和最小值,根据公式(13)构建待检索的建筑元素在建筑物立面场景中的局部位置约束,
式(13)中,V表示待检索的建筑元素在建筑物立面场景中的局部位置约束,Vx表示是X方向上带检索元素的单元长度,Vy表示Y方向上带检索元素的单元长度,Vz表示Z方向上带检索元素的单元长度,max_p.x、max_py、max_pz分别表示待检索的元素在建筑物立面场景最大的X、Y、Z值。
步骤5.1.9,将FPFH提取的局部特征描述子和待检索的建筑元素在建筑物立面场景中的位置约束构成局部匹配约束S=(F,V),其中F代表描述子之间的差异,V代表待检索的建筑元素在建筑物立面场景中的局部位置约束;
步骤5.2,将待检索的建筑元素样本点云视为一个滑窗,使用滑动窗口进行轴向移动将建筑元素样本与建筑物立面场景点云的部分匹配来检索目标模型。给定阈值将待检索的建筑物元素样本从左下角以一定的阈值左到右,从下往上依次开始进行遍历,建立kd-tree结构,比较待检索的建筑物元素样本对建筑物立面场景进行局部匹配约束,利用欧氏距离进行相似性度量,从而完成重复性建筑元素的检索。
步骤5.2具体为:
步骤5.2.1,对建筑物立面场景的点云数据依据点云的全局坐标系建立包含所有点云的立方体包围盒,对每个包含超过1个点的立方体,构建分割平面,两个分割子空间和分割平面上的点构成分支与连接点;分割子空间,如果内部点的数量超过1,则继续分割,得到建立好的k-d树;
步骤5.2.2,由于针对的是建筑物立面场景,所以根据阈值划分场景,将待检索的元素视为一个滑窗,给定阈值将滑窗开始从左到右从上往下依次对变换好的点云开始进行遍历;
步骤5.2.3,在遍历的过程中,用最近邻搜索找出在经过步骤5.2.1后建立好的k-d树中与经过步骤5.1后得到的待检索元素的关键点的k近邻点,保存每个k近邻点的索引;
步骤5.2.4,将经过步骤5.1.5后得到的待检索元素的关键点的特征描述子与得到的最近邻的点的特征描述子比较,判断能否将邻域点和检测点归为同一建筑元素实例;
步骤5.2.5,利用欧氏距离公式(14)进行两个描述子之间相似度比较,若distance(A,B)小于一个阈值δ则认为,该关键点与它的最近邻是匹配的,若distance(A,B)大于一个阈值δ则认为,该关键点与它的最近邻不是匹配的,最后将匹配点对存入向量中;
式中:distance(A,B)是两个对应点之间的距离;
步骤5.2.6,在经过一定的阈值每次平移后,重复步骤5.2.4和5.2.5,可以检索到对应的实例,确定存在需要检测的建筑元素实例的范围、存储实例的数量、以及每个实例的范围;
步骤5.2.7,对在场景中找到的与待检索元素一样的实例,用不同的颜色显示出来。
通过上述内容可知,本发明基于轴向移动和局部匹配的重复性建筑元素检索方法,针对建筑物立面,采用基于样本进行轴向移动的思想,构建局部匹配约束,完成在建筑物立面中重复性建筑元素的检索,本发明能够直接在建筑物立面场景中检索重复的建筑元素,解决了以往的检索方法会存在检索对象的模糊性以及查全率较低的问题。
Claims (7)
1.基于轴向移动和局部匹配的重复性建筑元素检索方法,其特征在于,具体按照如下步骤实施:
步骤1,点云分割:针对原始的建筑物立面场景,通过基于区域生长的方法和基于颜色的区域生长方法进行聚类,获得聚类后的建筑物立面的点云数据;
步骤2,样本选择:对步骤1获得的聚类后的建筑物立面的点云数据,在用户的驱动下选择一个待检索的建筑元素;
步骤3,轴向确定:利用随机抽样一致算法求取建筑物立面的法向量,确定X轴向,然后利用主成分分析算法校正每一个主方向间垂直,确定其他轴向;
步骤4,样本变换:利用OBB包围盒将建筑物元素样本变换到建筑物立面场景的左下角原点处;
步骤5,基于局部匹配约束的检索:对步骤4确定了建筑元素样本在建筑物立面场景中移动的轴向后,构建局部匹配约束,并利用局部匹配约束完成重复性建筑元素检索。
2.根据权利要求1所述的基于轴向移动和局部匹配的重复性建筑元素检索方法,其特征在于,所述步骤1具体为:
步骤1.1,采用区域生长方法对原始的建筑物立面场景进行初始聚类;
步骤1.2,经步骤1.1所获得的结果,加入颜色信息进行基于颜色的区域生长方法进行二次聚类。
3.根据权利要求2所述的基于轴向移动和局部匹配的重复性建筑元素检索方法,其特征在于,所述步骤1.1具体为:
对原始的点云建筑物立面场景计算法线normal和曲率curvatures,根据点的曲率值对点云进行排序,选择曲率最小的点叫做初始种子点,区域生长算法从曲率最小的种子点开始生长,定义一空的聚类区域A和空的种子点序列B,选好初始种子点将其加入种子点序列,并搜索该种子点的邻域点,计算每一个邻域点法线与种子点法线之间的夹角,当小于设定的平滑阈值时,将邻域点加入到A中,同时判断该领域点的曲率值是否小于曲率阈值,将小于曲率阈值的领域点加入种子点序列B中,邻域点都判断完成后删除当前的种子点,在B中重新选择新的种子点,重复上述步骤,直到B中序列为空,此时一个区域生长完成,重复上述过程,直到场景中所有点实现聚类,完成建筑物立面场景的初始聚类。
4.根据权利要求3所述的基于轴向移动和局部匹配的重复性建筑元素检索方法,其特征在于,所述步骤1.2具体为:
在步骤1.1初始聚类的结果上,定义一空的聚类区域E和空的种子点序列F,选好初始种子点,将其加入种子点序列,并搜索该种子点的邻域点,计算每一个邻域点法线与种子点颜色之间的差异,小于设定的颜色阈值时,将邻域点加入到E中,否则加入F中,在F中重新选择新的种子点重复上述步骤,直到F中序列为空,此时一个区域生长完成,重复上述过程,检查相邻聚类的平均颜色,如果平均颜色阈值小于设定阈值则将两类进行合并为一类,直到完成所有的颜色聚类,从而完成二次聚类。
5.根据权利要求1所述的基于轴向移动和局部匹配的重复性建筑元素检索方法,其特征在于,所述步骤2具体为:
步骤2.1,利用点云库PCL中的点云文件框选功能,输入二次聚类的结果,并进入圈选状态;
步骤2.2,圈选一个建筑元素对象实例,在此过程中去掉重复选择的点,保存圈选的点云为.pcd格式,由此得到待检索元素的样本。
6.根据权利要求1所述的基于轴向移动和局部匹配的重复性建筑元素检索方法,其特征在于,所述步骤3具体为:
步骤3.1,利用随机抽样一致算法求取建筑物立面的平面方程确定主方向即X轴轴向;
步骤3.2,利用主成分分析算法在X轴的基础上校正,使X轴、Y轴、Z轴每一个主方向间垂直,从而确定Y轴、Z轴的轴向。
7.根据权利要求6所述的基于轴向移动和局部匹配的重复性建筑元素检索方法,其特征在于,所述步骤5具体为:
步骤5.1,为了加快检索的速度,通过内部形状描述子分别对待检索的建筑元素样本与建筑物立面提取关键点,使用快速点特征直方图算法计算待检索的建筑元素样本与建筑物立面场景的特征描述子,最后将提取到的特征描述子与待检索的建筑元素在场景中的位置约束构成局部匹配约束;
步骤5.2,将待检索的建筑元素样本点云视为一个滑窗,使用滑动窗口进行轴向移动,将建筑元素样本与建筑物立面场景点云的部分匹配来检索目标模型,给定阈值将待检索的建筑物元素样本从左下角以阈值左到右,从下往上依次开始进行遍历,建立kd-tree结构查询建筑元素中待检索点和其近邻点,利用欧氏距离进行相似性度量,从而完成重复性建筑元素的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749947.7A CN116010644A (zh) | 2022-06-29 | 2022-06-29 | 基于轴向移动和局部匹配的重复性建筑元素检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749947.7A CN116010644A (zh) | 2022-06-29 | 2022-06-29 | 基于轴向移动和局部匹配的重复性建筑元素检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010644A true CN116010644A (zh) | 2023-04-25 |
Family
ID=86028807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210749947.7A Pending CN116010644A (zh) | 2022-06-29 | 2022-06-29 | 基于轴向移动和局部匹配的重复性建筑元素检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010644A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563171A (zh) * | 2023-07-11 | 2023-08-08 | 深圳大学 | 一种面向建筑重复结构的点云增强方法及相关设备 |
-
2022
- 2022-06-29 CN CN202210749947.7A patent/CN116010644A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563171A (zh) * | 2023-07-11 | 2023-08-08 | 深圳大学 | 一种面向建筑重复结构的点云增强方法及相关设备 |
CN116563171B (zh) * | 2023-07-11 | 2023-11-28 | 深圳大学 | 一种面向建筑重复结构的点云增强方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898662B (zh) | 基于点云数据的管线设施bim模型自动化重建方法 | |
Kwak et al. | Unsupervised object discovery and tracking in video collections | |
Zhong | Intrinsic shape signatures: A shape descriptor for 3D object recognition | |
Zhan et al. | Color-based segmentation of point clouds | |
CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
CN110443810B (zh) | 基于快速邻接体素查询的点云平面分割方法 | |
Cieslewski et al. | Point cloud descriptors for place recognition using sparse visual information | |
CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
Ji et al. | Lloam: Lidar odometry and mapping with loop-closure detection based correction | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN111986322B (zh) | 一种基于结构分析的点云室内场景布局重建方法 | |
CN110188225B (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
WO2004068300A2 (en) | Methods, systems, and data structures for performing searches on three dimensional objects | |
CN106844620B (zh) | 一种基于视图的特征匹配三维模型检索方法 | |
CN109523582B (zh) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
CN113223173B (zh) | 基于图模型的三维模型重建迁移方法及系统 | |
CN109034065B (zh) | 一种基于点云的室内场景物体提取方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
Wei et al. | Automatic coarse registration of point clouds using plane contour shape descriptor and topological graph voting | |
CN109299301B (zh) | 一种基于形状分布和曲度的三维模型检索方法 | |
CN112396641A (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
Yang et al. | A skeleton-based hierarchical method for detecting 3-D pole-like objects from mobile LiDAR point clouds | |
CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
CN116010644A (zh) | 基于轴向移动和局部匹配的重复性建筑元素检索方法 |
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 |