CN116030190A - 一种基于点云与目标多边形的目标三维模型生成方法 - Google Patents

一种基于点云与目标多边形的目标三维模型生成方法 Download PDF

Info

Publication number
CN116030190A
CN116030190A CN202211643377.XA CN202211643377A CN116030190A CN 116030190 A CN116030190 A CN 116030190A CN 202211643377 A CN202211643377 A CN 202211643377A CN 116030190 A CN116030190 A CN 116030190A
Authority
CN
China
Prior art keywords
target
point cloud
target object
cloud data
data
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.)
Granted
Application number
CN202211643377.XA
Other languages
English (en)
Other versions
CN116030190B (zh
Inventor
陈凯强
毛永强
王智睿
成培瑞
赵良瑾
黄兴亮
董波
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202211643377.XA priority Critical patent/CN116030190B/zh
Publication of CN116030190A publication Critical patent/CN116030190A/zh
Application granted granted Critical
Publication of CN116030190B publication Critical patent/CN116030190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Processing Or Creating Images (AREA)

Abstract

本发明涉及目标三维模型生成领域，公开了一种基于点云与目标多边形的目标三维模型生成方法。包括获取目标区域对应的区域点云数据及目标多边形数据。将区域点云数据输入点云分割网络，得到对应的目标物点云数据。根据目标物点云数据对应的目标高度坐标，确定目标物体的重建高程信息。根据目标物体对应的目标多边形数据及重建高程信息，生成对应的CityGML三维模型。本发明利用可以容易得到的目标多边形数据，代替了复杂的屋顶拓扑结构的计算，由此，大幅降低了计算量。同时，由于点云分割网络的架构更加简单轻量化，可以进一步实现对大规模数据的快速计算处理。由此，实现对大规模的建筑物CityGML三维模型进行快速重建的功能。

Description

一种基于点云与目标多边形的目标三维模型生成方法
技术领域
本发明涉及目标三维模型生成领域，特别是涉及一种基于点云与目标多边形的目标三维模型生成方法。
背景技术
建筑物三维重建(3DReconstruction)，是建立外界物体合适的计算机数学模型，并在计算机环境中对模型进行处理、生成场景和物体的三维模型的方法。
现有的基于单幅图像的三维重建方法，在进行建筑物三维重建的过程中，需要计算屋顶的拓扑结构，然而这种屋顶拓扑结构会降低算法的运行效率。同时对于大规模的建筑物重建中需要大量的图像数据，由此也大幅增加了计算量。进而使得现有技术中对大规模的建筑物CityGML三维模型的重建效率低下。
发明内容
针对上述技术问题，本发明采用的技术方案为：
根据本发明的一个方面，提供了一种基于点云与目标多边形的目标三维模型生成方法，该方法包括如下步骤：
获取目标区域对应的区域点云数据。区域点云数据中的每一个点配置有对应的位置坐标及颜色信息。
获取目标区域中目标物体的目标多边形数据。目标多边形数据为构成目标物体顶部多边形轮廓的点的坐标集。
将区域点云数据输入点云分割网络，得到目标区域中每一目标物体对应的目标物点云数据。点云分割网络能够根据区域点云数据中的点对应的位置坐标及颜色信息，确定区域点云数据中每一点的类别。并根据每一点对应的类别确定每一目标物体对应的目标物点云数据。
根据每一目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息。目标高度坐标为目标物点云数据中每一水平位置点对应的最大高度坐标。
根据每一目标物体对应的目标多边形数据及重建高程信息，生成目标区域中目标物体的CityGML三维模型。
根据本发明的第二个方面，提供了一种非瞬时性计算机可读存储介质，非瞬时性计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种基于点云与目标多边形的目标三维模型生成方法。
根据本发明的第三个方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于点云与目标多边形的目标三维模型生成方法。
本发明至少具有以下有益效果：
本发明中使用目标区域中的目标物体对应的目标多边形数据及点云数据，来生成目标物体的CityGML三维模型。由于，目标多边形数据为构成目标物体顶部多边形轮廓的点的坐标集，并且由于建筑物的屋顶基本为规则的多边形，所以对应的顶部多边形轮廓的点就是多边形的顶点。通常在3-10个点的数量，由此大幅减少了需要处理的数据量。同时大规模的目标区域对应的区域点云数据通常为数据量较少的稀疏点云。所以通过上述特征可以大幅减少在进行大规模的建筑物CityGML三维模型的重建过程中需要使用的参数的数量。也即降低了计算量，由此可以提高计算效率，进而提高大规模的建筑物CityGML三维模型的重建效率。相比于现有的建筑物重建的方法，本发明利用较少的输入数据量可以实现大规模的建筑物重建。同时，通过利用可以容易得到的目标多边形数据，代替了相关技术中复杂的屋顶拓扑结构的计算，由此，大幅降低了本发明中需要的计算量，进而可以实现对大规模的建筑物CityGML三维模型进行快速重建功能。
同时，由于点云分割网络的架构更加简单，也更加轻量化，其参数量小于1M，可以进一步实现对大规模数据的快速计算处理。由此，本发明中通过轻量化的点云分割网络可以实现对目标物体的点云提取，进而可以更加方便快速的获取到目标物体的高程信息。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于点云与目标多边形的目标三维模型生成方法的流程图。
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。
作为本发明一种可能的实施例，如图1所示，提供了一种基于点云与目标多边形的目标三维模型生成方法，该方法包括如下步骤：
S100:获取目标区域对应的区域点云数据。区域点云数据中的每一个点配置有对应的位置坐标及颜色信息。
目标区域可以为城市的某一区域，如某一行政区域或社区等。由于，城市中的建筑物密度很高，所以对应的目标区域的处理数据量的规模会较大。区域点云数据可以为现有的点云数据，或者使用现有的点云获取方法来获取对应区域的点云数据。对于本发明的区域点云数据而言，其通常为稀疏点云。
本实施例中，区域点云数据中每个点的位置坐标可以由经纬度值及高程值组成，然后通过每一个点云对应的经纬度坐标，来确定其在对应的遥感图像中的颜色信息，具体的颜色信息可以为RGB的值。通过在现有的点云的位置坐标的基础上增加对应的颜色信息，可以增加点云对应的特征的维度及数量。由此，可以在对点云进行分割时具有更高的分割精度。
S200:获取目标区域中目标物体的目标多边形数据。目标多边形数据为构成目标物体顶部多边形轮廓的点的坐标集。优选的，目标物体为建筑物。
由于，本发明最终构建的三维模型的精细度要求较低，具体精度可以为LOD(Levelsof Detail，多细节层次)1，所以只要目标物体重建的精度符合该要求，即可使用该方法进行三维模型的构建。具体的目标物体可以为树、路灯等固定物体。优选的，目标物体为建筑物。本实施例中最终生成的LOD1模型基本为一个规则的直棱柱，同时由于现有的建筑物的外表形状大多数也为一个规则的直棱柱。所以建筑物的实际形状更加符合本发明最终生成的目标物体的CityGML三维模型的形状，由此目标物体优选为建筑物。
S300:将区域点云数据输入点云分割网络，得到目标区域中每一目标物体对应的目标物点云数据。点云分割网络能够根据区域点云数据中的点对应的位置坐标及颜色信息，确定区域点云数据中每一点的类别。并根据每一点对应的类别聚类确定每一目标物体对应的目标物点云数据。
将区域点云数据输入点云分割网络后，可以将区域点云数据中的目标物体提取出来。具体的，可以使用现有的点云分割网络来进行本步骤中的点云分割。优选的，使用PointNet++网络作为本实施例中的点云分割网络，可以获得更加精准的分割效果。
本实施例中的点云分割网络在进行训练时，同样将样本中的点云设置为包含位置信息与颜色信息的数据形式，由此通过增加了输入数据的特征维度，可以进一步提高分割网络的精度。
S400:根据每一目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息。目标高度坐标为目标物点云数据中每一水平位置点对应的最大高度坐标。
由于目标物点云数据中包含有高程信息，所以可以根据分割出来的每一个目标物体对应的目标物点云数据中的高程信息，来确定每一目标物体的重建高程信息。如将最高的高程信息作为目标物体的重建高程信息
S500:根据每一目标物体对应的目标多边形数据及重建高程信息，生成目标区域中目标物体的CityGML三维模型。优选的，目标物体的CityGML三维模型包括目标物体的LOD1三维模型。
本发明中使用目标区域中的目标物体对应的目标多边形数据及点云数据，来生成目标物体的CityGML三维模型。由于，目标多边形数据为构成目标物体顶部多边形轮廓的点的坐标集，并且由于建筑物的屋顶基本为规则的多边形，所以对应的顶部多边形轮廓的点就是多边形的顶点。通常在3-10个点的数量，由此大幅减少了需要处理的数据量。同时大规模的目标区域对应的区域点云数据通常为数据量较少的稀疏点云。所以通过上述特征可以大幅减少在进行大规模的建筑物CityGML三维模型的重建过程中需要使用的参数的数量。也即降低了计算量，由此可以提高计算效率，进而提高大规模的建筑物CityGML三维模型的重建效率。相比于现有的建筑物重建的方法，本发明利用较少的输入数据量可以实现大规模的建筑物重建。同时，通过利用可以容易得到的目标多边形数据，代替了相关技术中复杂的屋顶拓扑结构的计算，由此，大幅降低了本发明中需要的计算量，进而可以实现对大规模的建筑物CityGML三维模型进行快速重建功能。
同时，由于点云分割网络的架构更加简单，也更加轻量化，其参数量小于1M，可以进一步实现对大规模数据的快速计算处理。由此，本发明中通过轻量化的点云分割网络可以实现对目标物体的点云提取，进而可以更加方便快速的获取到目标物体的高程信息。
作为本发明一种可能的实施例，点云分割网络包括第一PointNet++网络。第一PointNet++网络为将PointNet++网络中的KNN替换为稀疏KNN后的分割网络。
稀疏KNN(K-NearestNeighbor，K最邻近)用于实现以下步骤：
S301:获取样本数据中目标样本与其余样本之间的匹配度排序序列。
具体的，本步骤中的匹配度可以通过目标样本与其余样本之间的欧式距离确定。优选的，匹配度为目标样本与其余样本之间的欧式距离。目标样本与其余样本之间的欧式距离可以为坐标欧式距离或者特征欧式距离。在得到对应的欧式距离之后以由小到大的顺序进行排列。
由于，目标样本与自身的欧式距离为0。所以通常会将目标样本设为整个匹配度排序序列的起始排序位置。
S302:根据预设的扩张步长、采样数及邻近数值，从匹配度排序序列中确定目标样本的扩张搜索排序区间。扩张搜索排序区间为匹配度排序序列中小于或等于区间阈值对应的排序区间。
区间阈值满足如下条件：
Figure BDA0004008699830000051
其中，DS为区间阈值。D为邻近数值，邻近数值为在扩张搜索排序区间中获取的最邻近目标样本的其余样本的数量。A为扩张步长，A＝2B。r为采样数，r＝2C。B为步长系数。C为采样系数。具体的，B和C可以为任一自然数，如0、1、2等。
S303:在扩张搜索排序区间中从起始排序位置开始，每隔一个A从其余样本中选取r个其余样本作为参照样本，以获取到K个参照样本。也即每间隔A-1个其余样本取后续的r个其余样本作为参照样本。
具体的，以A＝2，r＝2，D＝8为例，对该步骤进行说明：
根据上述数值确定出的DS＝12。也即，取匹配度排序序列中排序在第1位至第12位之间的其余样本，然后每隔两个排序取后续的两个排序对应的其余样本作为参照样本。在本示例中，也即取排序在2、3、5、6、8、9、11、12对应的其余样本。
S304:将获取到的K个参照样本，作为对应的目标样本的近邻区域样本。
本实施例中的稀疏KNN为通过设置扩张步长，可以扩大现有的KNN中构建的邻近区域的范围。由此，本实施例获得的近邻区域样本会包括对应场景中的更多类型的物体的样本，所以在分割网络在进行训练与学习时，可以更加明显的学习到目标物体与其他的背景物体的区别。对应的，可以提高分割网络的分割精度。
同时，由于本发明中更加适用于对建筑物的CityGML三维模型的构建。而一般由于每一个建筑物的体积较大，所以对应的点云的范围也较大。现有的分割网络并不太能够很好的适用本应用场景。具体原因如下：若使用现有的KNN算法构建邻近区域时，通常会由于建邻近区域的范围不够大，而使得邻近区域更加容易落到建筑物对应的点云区域的内部，进而使得邻近区域样本全部为同一个建筑物的点云。由此，使得在分割网络在进行训练与学习时，不容易学习到目标物体与其他的背景物体的区别，进而降低分割精度。
而本实施例中构建的近邻区域范围更大，所以获得的近邻区域样本会包括对应场景中的更多类型的物体的样本。在分割网络在进行训练与学习时，可以更加明显的学习到目标物体与其他的背景物体的区别。由此可以提高分割网络的分割精度。
作为本发明一种可能的实施例，S200:获取目标区域中目标物体的目标多边形数据，包括：
S201:当建筑物的顶部轮廓为多边形轮廓时，获取多边形轮廓的每一个顶点的位置坐标。
S202:将多边形轮廓的每一个顶点的位置坐标，作为目标物体的目标多边形数据。
本实施例中，由于建筑物一般为一个直棱柱的形状。所以在获取目标多边形数据时，仅需要确定屋顶轮廓对应的多边形即可。而在获取到屋顶多边形轮廓的每个顶点的位置坐标之后，即可唯一确定对应的屋顶轮廓。由此，在获取目标多边形数据时，仅需要获取多边形对应的顶点的数据即可，减少了数据的获取数量。同时也减少了参与后续LOD1模型生成时的数据量，进而可以提高LOD1模型生成时的速度。
作为本发明一种可能的实施例，在S400:根据每一目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息之前，方法还包括：
S410:确定每一目标物点云数据对应的多个第一参照点。第一参照点为位于目标物点云数据对应的建筑物侧壁面上的点。
S420:获取每一第一参照点对应的子高度坐标。子高度坐标为与第一参照点在同一水平位置的最大高度的点云的高度坐标。
S430:将每一目标物点云数据对应的多个子高度坐标，作为对应的目标物点云数据对应的目标高度坐标。
通常建筑物的主体四周的高度是一致的，所以在采集点云时其侧壁面上分布的最顶层的点云数据的高程坐标基本相同。但是在实际的建筑物的屋顶可能会安置其他的设备，如太阳能设备或杆状尖端。而该部分设备不属于建筑物本身，通常也可能会频繁进行更换。所以为了避免屋顶安置的设备对建筑物实际高度的影响，采用位于建筑物侧壁上的最大高度的点云的高度坐标，来确定建筑物对应的目标高度坐标会更加精准。
作为本发明一种可能的实施例，S400:根据每一目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息，包括：
S401:将每一目标物点云数据对应的多个子高度坐标的平均高度值，作为对应的目标物体的重建高程信息。
本实施例中，通过将多个子高度坐标的平均高度值，作为目标物体的重建高程信息。可以尽量减少重建高程信息与建筑物的实际高度之间误差。
作为本发明一种可能的实施例，S400:根据每一目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息，包括：
S402:将每一目标物点云数据对应的多个子高度坐标的最大高度值，作为对应的目标物体的重建高程信息。
本实施例中确定出的目标物体的重建高程信息可以覆盖建筑物的最高高度，由此，可以更加精准的表示建筑物的最大高度。该信息尤其对需要在该区域中低空飞行的飞行器有重要的参考意义。所以本实施例中确定出的目标物体的重建高程信息，对飞行器的飞行参考更加有利。
作为本发明一种可能的实施例，S300:将区域点云数据输入点云分割网络，包括：
S310:对区域点云数据进行划分处理，生成多个子区域点云数据。每一子区域点云数据中包括的目标物体的数量在预设数值范围。
通常当区域点云数据规模较大时，则需要进行划分处理。具体的，可以以区域点云数据所表示的实际区域的大小作为判断是否进行分割的依据。如区域点云数据所表示的实际区域的超过100m*100m的范围后，就需要进行划分处理。并且在进行划分时，需要保证划分后得到的每一子区域点云数据中包括的目标物体的数量在预设数值范围。该阈值范围可以为1-5。
以区域点云数据所表示的实际区域为1km*1km的范围，目标物体为建筑物为例，进行说明：
在进行划分处理时，可以以30m*30m或75m*75m为标准进行分割。通常在该划分范围内，每一个子区域点云数据中可以至少包括1个建筑物。
S320:将多个子区域点云数据分别输入点云分割网络。
通常，当区域点云数据唯一整个较大区域的点云数据时，如一个密集的居民区。会将区域点云数据切分成多个子区域点云数据，然后对多个子区域点云数据进行并行的分割处理，然后再将分割后的多个子区域点云数据的结果，根据对应的经纬度坐标进行对应拼接，即可恢复成一整个区域点云数据。由此，通过并行处理的方式，可以降低分割网络每次进行分割处理时的数据量，进而提高对整个区域点云数据分割处理的速度，可以更加快速高效的得到目标区域中每一目标物体对应的目标物点云数据。
本发明的实施例还提供了一种非瞬时性计算机可读存储介质，该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。
本发明的实施例还提供了一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。
本发明的实施例还提供一种计算机程序产品，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明开的范围由所附权利要求来限定。

Claims (10)

1.一种基于点云与目标多边形的目标三维模型生成方法，其特征在于，所述方法包括如下步骤：
获取目标区域对应的区域点云数据；所述区域点云数据中的每一个点配置有对应的位置坐标及颜色信息；
获取目标区域中目标物体的目标多边形数据；所述目标多边形数据为构成目标物体顶部多边形轮廓的点的坐标集；
将所述区域点云数据输入点云分割网络，得到所述目标区域中每一目标物体对应的目标物点云数据；所述点云分割网络能够根据所述区域点云数据中的点对应的位置坐标及颜色信息，确定所述区域点云数据中每一点的类别；并根据每一所述点对应的类别确定每一目标物体对应的目标物点云数据；
根据每一所述目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息；所述目标高度坐标为目标物点云数据中每一水平位置点对应的最大高度坐标；
根据每一所述目标物体对应的目标多边形数据及重建高程信息，生成所述目标区域中所述目标物体的CityGML三维模型。
2.根据权利要求1所述的方法，其特征在于，所述点云分割网络包括第一PointNet++网络；所述第一PointNet++网络为将PointNet++网络中的KNN替换为稀疏KNN后的分割网络；
所述稀疏KNN用于实现以下步骤：
获取样本数据中目标样本与其余样本之间的匹配度排序序列；
根据预设的扩张步长、采样数及邻近数值，从所述匹配度排序序列中确定所述目标样本的扩张搜索排序区间；所述扩张搜索排序区间为匹配度排序序列中小于或等于区间阈值对应的排序区间；
所述区间阈值满足如下条件：
Figure FDA0004008699820000011
其中，DS为区间阈值；D为邻近数值，邻近数值为在扩张搜索排序区间中获取的最邻近目标样本的其余样本的数量；A为扩张步长，A＝2B；r为采样数，r＝2C；B为步长系数；C为采样系数；
在所述扩张搜索排序区间中从起始排序位置开始，每隔一个A从其余样本中选取r个其余样本作为参照样本，以获取到K个参照样本；
将获取到的K个参照样本，作为对应的目标样本的近邻区域样本。
3.根据权利要求1所述的方法，其特征在于，所述目标物体为建筑物。
4.根据权利要求3所述的方法，其特征在于，获取目标区域中目标物体的目标多边形数据，包括：
当所述建筑物的顶部轮廓为多边形轮廓时，获取所述多边形轮廓的每一个顶点的位置坐标；
将所述多边形轮廓的每一个顶点的位置坐标，作为目标物体的目标多边形数据。
5.根据权利要求3所述的方法，其特征在于，在根据每一所述目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息之前，所述方法还包括：
确定每一所述目标物点云数据对应的多个第一参照点；所述第一参照点为位于所述目标物点云数据对应的建筑物侧壁面上的点；
获取每一所述第一参照点对应的子高度坐标；所述子高度坐标为与第一参照点在同一水平位置的最大高度的点云的高度坐标；
将每一所述目标物点云数据对应的多个所述子高度坐标，作为对应的所述目标物点云数据对应的目标高度坐标。
6.根据权利要求5所述的方法，其特征在于，根据每一所述目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息，包括：
将每一所述目标物点云数据对应的多个所述子高度坐标的平均高度值，作为对应的目标物体的重建高程信息。
7.根据权利要求5所述的方法，其特征在于，根据每一所述目标物点云数据对应的目标高度坐标，确定每一目标物体的重建高程信息，包括：
将每一所述目标物点云数据对应的多个所述子高度坐标的最大高度值，作为对应的目标物体的重建高程信息。
8.根据权利要求1所述的方法，其特征在于，将所述区域点云数据输入点云分割网络，包括：
对所述区域点云数据进行划分处理，生成多个子区域点云数据；每一所述子区域点云数据中包括的目标物体的数量在预设数值范围；
将多个子区域点云数据分别输入点云分割网络。
9.一种非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的一种基于点云与目标多边形的目标三维模型生成方法。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的一种基于点云与目标多边形的目标三维模型生成方法。
CN202211643377.XA 2022-12-20 2022-12-20 一种基于点云与目标多边形的目标三维模型生成方法 Active CN116030190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211643377.XA CN116030190B (zh) 2022-12-20 2022-12-20 一种基于点云与目标多边形的目标三维模型生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211643377.XA CN116030190B (zh) 2022-12-20 2022-12-20 一种基于点云与目标多边形的目标三维模型生成方法

Publications (2)

Publication Number Publication Date
CN116030190A true CN116030190A (zh) 2023-04-28
CN116030190B CN116030190B (zh) 2023-06-20

Family

ID=86078646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211643377.XA Active CN116030190B (zh) 2022-12-20 2022-12-20 一种基于点云与目标多边形的目标三维模型生成方法

Country Status (1)

Country Link
CN (1) CN116030190B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020110164A1 (ja) * 2018-11-26 2020-06-04 三菱電機株式会社 表示データ生成装置、表示データ生成方法、および表示データ生成プログラム
CN112287939A (zh) * 2020-10-29 2021-01-29 平安科技（深圳）有限公司 三维点云语义分割方法、装置、设备及介质
CN112907602A (zh) * 2021-01-28 2021-06-04 中北大学 一种基于改进k-近邻算法的三维场景点云分割方法
CN114419085A (zh) * 2022-01-19 2022-04-29 中煤航测遥感集团有限公司 建筑物轮廓线自动提取方法、装置、终端设备及存储介质
CN115115839A (zh) * 2022-07-28 2022-09-27 南京工业大学 一种基于局部特征增强PointNet++网络的建筑物室内点云分割方法
CN115187749A (zh) * 2022-07-28 2022-10-14 重庆大学 基于立方体网络模型的点云表面重建方法及系统
CN115482380A (zh) * 2022-09-15 2022-12-16 电子科技大学 一种基于深度学习的多等级公路三维点云目标分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020110164A1 (ja) * 2018-11-26 2020-06-04 三菱電機株式会社 表示データ生成装置、表示データ生成方法、および表示データ生成プログラム
CN112287939A (zh) * 2020-10-29 2021-01-29 平安科技（深圳）有限公司 三维点云语义分割方法、装置、设备及介质
CN112907602A (zh) * 2021-01-28 2021-06-04 中北大学 一种基于改进k-近邻算法的三维场景点云分割方法
CN114419085A (zh) * 2022-01-19 2022-04-29 中煤航测遥感集团有限公司 建筑物轮廓线自动提取方法、装置、终端设备及存储介质
CN115115839A (zh) * 2022-07-28 2022-09-27 南京工业大学 一种基于局部特征增强PointNet++网络的建筑物室内点云分割方法
CN115187749A (zh) * 2022-07-28 2022-10-14 重庆大学 基于立方体网络模型的点云表面重建方法及系统
CN115482380A (zh) * 2022-09-15 2022-12-16 电子科技大学 一种基于深度学习的多等级公路三维点云目标分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟冰源;苗兰芳;: "基于Kinect的三维物体重建系统", 计算机应用研究, no. 1, pages 201 - 203 *
黄腾达;李有鹏;吕亚磊;刘洋洋;: "一种基于非量测相机图像的三维模型快速重建方法研究", 河南城建学院学报, no. 01, pages 86 - 91 *

Also Published As

Publication number Publication date
CN116030190B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
JP2016523394A (ja) ３ｄ点の集合にプリミティブ形状をフィッティングする方法
JP2011076178A (ja) 地理情報生成システム及び地理情報生成方法
Galvanin et al. Extraction of building roof contours from LiDAR data using a Markov-random-field-based approach
CN115546116B (zh) 全覆盖式岩体不连续面提取与间距计算方法及系统
CN115937690B (zh) 一种槽线生成方法、装置、存储介质及终端
CN114119902A (zh) 一种基于无人机倾斜三维模型的建筑物提取方法
CN112241676A (zh) 一种地形杂物自动识别的方法
CN115098717A (zh) 三维模型检索方法、装置、电子设备及存储介质
CN107993242B (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
CN112991300B (zh) 一种基于邻域特征的单木骨架提取及可视化方法
CN116030190B (zh) 一种基于点云与目标多边形的目标三维模型生成方法
CN115620171B (zh) 树林蓄积量评估方法、装置、设备及存储介质
CN103295266A (zh) 一种基于距离加权最小折叠代价的三维模型边折叠简化的方法
Wlodarczyk-Sielicka et al. Fragmentation of hydrographic big data into subsets during reduction process
JP4217251B2 (ja) 三次元構造物形状の自動生成装置、自動生成方法、そのプログラム、及びそのプログラムを記録した記録媒体
CN116188728A (zh) 一种建筑网格模型重构为cad指令模型的方法及装置
CN116309832A (zh) 一种基于全域描述子的移动机器人重定位方法
CN107705310B (zh) 一种地块分割方法及系统
CN115019268A (zh) 一种车道线检测方法、装置、计算机设备及存储介质
CN112711256A (zh) 一种移动机器人的目标搜索观测点自动生成方法
CN110610544A (zh) 钻孔数据抽稀方法和装置、设备及储存介质
CN116957414B (zh) 基于人工智能的村庄规划分析方法及装置
CN118115892B (zh) 基于分类模型的天气形势识别方法、系统、介质及电子设备
Zhou et al. Research and Implementation of Lightweight Technology for Digital Twin Models of Complex Equipment
CN113543307B (zh) 视觉信息特征指纹库构建方法、定位方法及装置

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
GR01 Patent grant
GR01 Patent grant