CN116150290A - 基于中心点强制偏移操作的地理实体三维数据挂接业务属性的方法 - Google Patents

Abstract

本发明基于中心点强制偏移操作的地理实体三维数据挂接业务属性的方法，主要包括了如下步骤：a1、基于地理实体数据建立地理实体数据库；a2、拟合生成地理实体三维数据对应的中心点；a3、基于业务数据的属性建立业务数据库；a4、对地理实体三维数据对应的中心点进行处理；a5、将业务数据的属性挂接到三维地理实体。实现了业务数据和地理实体数据的可视化挂接。

Description

基于中心点强制偏移操作的地理实体三维数据挂接业务属性 的方法

技术领域

本发明涉及一种地理数据也属性的关联方法，涉及一种地理实体三维数据挂接业务属性的方法，尤其涉及基于质心点强制偏移操作的地理实体三维数据挂接业务属性的方法，属于地理空间数据处理领域。

背景技术

现有技术方案主要是基于地理实体和业务数据的唯一标识编码进行字段匹配，实现业务属性的挂接。现有方案需要业务数据和地理实体三维数据都拥有相同且唯一的标识码，而部分业务数据存在无编码的情况，导致无法通过相同字段挂接业务属性。

常规空间连接是基于两个连接要素之间的空间关系将属性从一个要素传递到另一个要素，此方法不需要使用标识编码来匹配两个要素，而使用两个要素的空间位置替代匹配字段。但异形结构的三维数据对应中心点的空间位置位于三维数据的质心，即不在异形结构所在的面内。而对应业务数据一般都为面数据，导致两个要素数据无法匹配挂接。从而无法根据不在结构上的质心而获得相应的业务数据。

发明内容

为了解决上述问题，本发明从编码到空间坐标的思路转变，实现了业务数据与三维地理实体数据的挂接。本发明提供了一种基于中心点强制偏移操作的地理实体三维数据挂接业务属性的方法，主要包括了如下步骤：

a1、基于地理实体数据建立地理实体数据库；

a2、拟合生成地理实体三维数据对应的中心点；

a3、基于业务数据的属性建立业务数据库；

a4、对地理实体三维数据对应的中心点进行处理；

a5、将业务数据的属性挂接到经所述处理的中心点上形成三维地理实体。

关于a1

a1具体包括如下步骤：

a1-1采用无人机航拍记录规定区域内的影像图，同时采集航空LIDAR点云图，以获得地理实体数据；

a1-2将无人机航拍的所述规定区域内的影像图与LIDAR点云图进行初步配准，获得一幅规定区域的初步配准图像；

a1-3选择其他多个规定区域，重复步骤a1-1-a1-2获得更多幅所选择的规定区域的初步配准图像，连同每个规定区域内的多幅影像图和点云图形成多组地理实体数据，用于建立地理实体数据库。

其中，所述a1-1具体包括如下步骤：

S1设定无人机在所述的规定区域以及所述其他多个规定区域内的飞行路线，以及无人机上航拍装置的曝光时间点；

S2起飞无人机，按照所述飞行路线飞行，同时按照所述曝光时间点进行影像采集，获得多幅影像图；同步采集航空LIDAR点云图；

其中，优选地，所述飞行路线为多个直线段所组成，此时，

S1中若所述规定区域为矩形区域，此时所述的曝光时间点设置方式为：设飞行路线上无人机的影像采集范围为矩形区域R，在当前影像图采集后，无人机飞行过所述范围R的飞行方向上R的宽度距离时即选取为下一个影像图曝光时间点，当R的上边界与所述规定区域的上边界重叠，或R的上边界在飞行方向上超过所述规定区域的上边界时，无人机转向，并左移R一个长度的距离反向飞行继续采集影像图，曝光时间点的选取与正向飞行时的一致，当R的下边界与所述规定区域的下边界重叠，或R的下边界在飞行方向上超过所述规定区域的下边界时，无人机再次转向，并右移R一个长度的距离再次正向飞行继续采集影像图，且曝光时间点的选取方式不变，如此循环，能够完成所述规定区域的全域影像图的采集。

可以理解的是，正方向或反向飞行录线曝光次数可以根据R的宽度以及规定区域的宽度方向上的尺寸以及飞行速度而确定。例如，当在起始点时，R的下边与规定区域的下边重合，此时第一次曝光，当飞行到R的上边与规定区域的上边重合重合时飞行距离L能够计算得到，此时根据飞行速度能够确定飞行总时间，除以曝光次数，即可以获得总时间的各个分割点。

若所述规定区域为圆形或椭圆形区域时，先作所述圆形和椭圆形的最小外接矩，则基于所述最小外接矩进行与所述规定区域为矩形区域时同样的曝光时间点设置方式进行曝光时间点的设置，以及同样的影像图采集方式采集；

若所述规定区域为其他形状区域时，先作所述圆形和椭圆形的外接矩，则基于所述外接矩进行与所述规定区域为矩形区域时同样的曝光时间点设置方式进行曝光时间点的设置，以及同样的影像图采集方式采集，其中所述外接矩由一个矩形的四条边在此时靠向所述其他形状区域，当四条边与其他形状区域都存在切点或交点时停止靠向，此时所述的一个矩形即为所述外接矩。

这样的飞行拍摄方式能够至少完整获取规定区域的多个影像图采集，并且当规定区域为非矩形区域时，或者是矩形区域，但存在上述超过的情况时，都能额外获取到所述规定区域以外的一部分影像信息，因此在不改变曝光次数下能够获取到更多的地理影像数据。

S2中所述同步采集航空LIDAR点云图的方式为：根据曝光时间点而同步启动点云图扫描程序，对当前曝光的R区域进行点云数据的扫描获取，因此得到多幅与所述多幅影像图中的每一幅一一对应的多幅点云图块；或者在飞行初始时刻即同步对所述规定区域全域扫描；

容易理解的是，由于激光扫描耗时长于影像图的曝光时间，对于点云图块的方案优点之一时能够较为实时地实现每一幅影像图与点云图块的对应，其次是无人机继续向下一个曝光时间点进发时，这段时间能足以留给点云图进行扫描。而全域扫描方案虽然能够减少同步的技术因素考虑，但只要扫描速度提升和点云图分析处理速度跟上前提下，全域扫描的点云图中每一对应影像图的部分所对应的获取时间，与每一幅影像图的曝光时间可能都不一致，因此两者实时对应性相对较差。当不考虑地表运动物体细节时，或不研究运动物体时可以采用全域扫描方案。

所述a1-2具体包括如下步骤：

S3建立所述规定区域的空间直角坐标系E，选定一幅影像图与对应的点云图块，或者选定一幅影像图与全域扫描点云图的各定位点；

S4将采集的所述多幅影像图按照所述飞行路线的上曝光时间顺序进行拼接，获得拼接影像图，并将同步采集的航空LIDAR点云图与拼接影像图按照各定位点一一对应重合，以完成所述初步配准。

其中，S3中所述一幅影像图与对应的点云图块都各自设定两个第一定位点，且各自中的每一个的所述第一定位点在E下的坐标与对方的一个所述第一定位点在E下的坐标相同，或者所述所述一幅影像图与全域扫描点云图都各自设定两个第二定位点，且各自中的每一个的所述第二定位点在E下的坐标与对方的一个所述第二定位点在E下的坐标相同。

S3中优选地，所述一幅影像图中的第一定位点和第二定位点各自中的一个与相应的曝光时间点无人机所处的位置点在E的XOY平面上投影重合，而另一个选择为与R的一个顶点在E的XOY平面上投影重合。

可以理解的是，从影像图的视角看，第一定位点和第二定位点各自中的一个与相应的曝光时间点无人机所处的位置点时重合的，而第一定位点和第二定位点各自中的另一个则与R的一个顶点是重合的。因此具体坐标上表现在他们各自在E的XOY平面上的投影是重合的。

S4中优选地，在将采集的所述多幅影像图按照所述飞行路线的上曝光时间顺序进行拼接之前还包括对超过规定区域的影像部分进行删减。

将同步采集的航空LIDAR点云图与拼接影像图按照各定位点一一对应重合具体包括：

将对应的点云图块中的两个第一定位点与所述一幅影像图中具有相同坐标的第一定位点进行重合操作，并将其他点云图块按照与所述飞行路线的上曝光时间所同步的扫描的先后顺序而进行拼接，以完成所述初步配准；或者，

将全域扫描点云图中的两个第二定位点与所述所述一幅影像图中具有相同坐标的第二定位点进行重合操作，以完成所述初步配准；

所述重合操作具体是在地理影像软件中已拼接完成的所述拼接影像图中导入对应的点云图块，或者在地理影像软件中已拼接完成的所述拼接影像图中导入全域扫描点云图，并在建立的E下将各自相同坐标的第一定位点或者第二定位点经过平移、旋转、比例缩放中至少一者操作以实现所述重合。

关于a2

拟用人工神经网络对规定区域内的道路和建筑进行了轮廓的拟合，具体包括如下步骤：

a2-1调用地理实体数据库中的地理实体数据，采用基于标记节点的RNN循环神经网络算法实现多个道路中心点的设置；

a2-2采用人工智能网络的城市建筑网模型的建立以及城市建筑中心点的获取。

其中a2-1具体包括了：

S5调用地理实体数据库中至少一个所述规定区域的所述初步配准图像；优选地，所述调用以每个规定区域内的一个第一定位点或第二定位点为指针进行调用。可见所述第一定位点或第二定位点不仅用于初步配准，还用于作为初步配准图像的调用指针；

S6通过RNN循环神经网络算法包括编码器以及解码器的节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续直线段连接产生的新节点，形成道路中心线，如此循环而连接成道路网；

S7将道路网中的所有直线段按照预设的宽度w进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w按照所述初步配准图像中对应的道路宽度进行扩宽，w为所述初步配准图像中道路节点所在所述直线段作为的道路分段所对应的实际道路宽度值的0.5-0.8倍；

S8对于每个S6中的节点在S7中w的扩宽范围内旁开选取一个对应的节点作为对应的标记节点，定义为道路中心点。

由此，通过RNN循环神经网络算法形成每个标记节点都在道路范围内部，因此解决了道路中心可能在路面外的问题，比如对于U形和L形的路面。

由于我们对于道路中心线有其他后期的方案进行采用，因此本发明的道路中心节点定义为旁开的标记节点，以免和中心线重合而难以识别或后期产生视觉上遮挡的缺点。

其中a2-2具体包括了：

S9基于步骤S5中的初步配准图像，使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2-1/10，优选为1/8；

同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，

S10对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；

S11对于每个建筑的所述本地特征图F采用卷积层处理形成多边形边界罩M，再利用卷积层处理形成边界罩M的P个预测顶点；

S12选定P个预测顶点中横坐标或纵坐标最大或最小的点为第一标定点，如果存在横坐标或纵坐标有相同最大或最小点，则取相应的纵坐标或横坐标最大或最小的点为第一标定点，将第一标定点与剩余P-1个点之间按顺时针或逆时针连接预测点的路径顺序进行距离计算，和与其距离最长者对应的点连接，相应选定基于边界罩M预测的另一个与第一标定点距离最短的相邻顶点为第二标定点，以同样方式和与其距离最长者对应的点连接，获得两条连接线段之间的交点作为每个建筑的建筑中心点。

由于预测顶点不一定位于真实建筑结构内部，因此直接以预测顶点作为中心点显然是不准确的。

关于a3

a3具体包括如下步骤：

a3-1建立地理实体业务数据，形成实体业务数据点(即业务数据的属性)；

a3-2根据a3-1建立的实体业务数据点建立地理实体业务数据库。

其中，a3-1中的所述实体业务数据包括纹理，道路与建筑名称和地址，道路和建筑的使用情况，建筑对应的用途，其中，

所述道路和建筑的使用情况包括道路建设维修与监测数据、建筑维修与建筑内部水电气的设置、维护和使用数据；

所述建筑对应的用途包括：属性以及用途过程中产生的数据，其中所述属性包括住宅、商业、企业公司经营、厂房；所述用途过程中产生的数据包括产权及其变更记录、经营服务项目及其说明信息，以及可指定的网站。

a3-1中实体业务数据点的形成包括：先将各道路分段中的一个道路节点对应的道路中心点为分段代表，与所述建筑中心点一起，将各自所属的业务数据分别打包，各形成道路部分和建筑部分的实体业务数据包，再将各所述实体业务数据包中的属于道路的每一个赋予分段所在的标记节点坐标，而属于建筑的则赋予建筑中心点所在的坐标，以获得实体业务数据点，标记节点坐标和建筑中心点所在的坐标即为各实体业务数据点的坐标。

a3-2中将获得的实体业务数据点为数据节点建立地理实体业务数据库。这样每一个地理实体业务数据包中的道路部分和建筑部分都各自对应了标记节点坐标和中心点坐标。

关于a4

a4具体包括：

a4-1对多个所述道路中心点进行强制偏移移动到预设位置；

a4-2以所述建筑中心点为圆心，以预设半径r作圆，若圆域全部覆盖所述建筑则所述中心点不作强制偏移操作；若圆域未全覆盖所述建筑则将所述中心点偏移到覆盖的部分中的任一点。

其中a4-1中所述预设位置为扩宽范围中预设的位置，包括扩宽w的边界，以及距离边界预设距离的扩宽范围内部。

优选地，多个所述道路中心点中的至少一个中心点按照如下方式设置：过所述至少一个中心点对应的道路节点作垂直于所述对应的道路节点两边任一道路中心线的直线与扩宽w的边界交于两个交点，选取任一所述交点，在所述直线上选取离开所选取的交点预设距离且位于扩宽范围内的点作为多个所述道路中心点中的至少一个中心点。

其中a4-2具体包括：

S13以每一座建筑中心点为圆心，以预设半径r作圆，以与圆心连线为平行于X轴的圆周上的点开始，以预设角度为步进单位，在圆周上顺时针或逆时针搜索到多个圆周点，判断所述多个圆周点是否都在所述边界罩M内部，如果是，则定义为所述圆域全部覆盖所述建筑，且不对所述中心点作强制偏移移动；

如果否，则按照预设步距扩大r以扩大圆域范围，继续以预设角度为步进单位在扩大的圆的圆周上搜索到新的一组多个圆周点，判断所述新的一组多个圆周点是否都在所述边界罩M内部；如果否则循环扩大圆域以及判断更多新的一组的多个圆周点是否都在所述边界罩M内部，直到发现有一个的圆周点在所述边界罩M内部时停止循环，并将所述中心点强制偏移到该圆周点上重合；

其中判断内部的方法是：只要判断圆周点的坐标是否属于边界罩M内部的坐标即可。

优选地，所述预设半径r为按照初步配准图像中的比例尺换算到实际尺寸为1-3m，所述预设角度为1秒-1度,预设步距为1-9m。

优选地，所述圆域扩大前后，以及每一次圆域扩大搜索多个圆周点所采用的预设角度都一致，或至少有两者不相同。

S14根据所述点云图中建筑顶面的高程信息而将当前中心点而沿着E坐标系Z轴垂直平移拼接影像图中各建筑的边界罩M到各建筑顶面的高程，以完成最终配准。

关于a5

a5具体包括

将多个所述道路中心点以及处理过的建筑中心点与地理实体业务数据库中对应的实体业务数据点进行空间连接，即将地理实体业务数据库中各实体业务数据点的坐标更新为对应的a4中获得的多个所述道路中心点以及强制或未强制偏移移动的建筑中心点的坐标，将各实体业务数据点可视化为一个相应的几何图形，定义几何图形中一个预设的点，并赋予所述预设的点以更新后的各实体业务数据点的坐标，并将各几何图形导入地理影像软件中，使得预设的点配准到最终配准图像中的相应的道路中心点以及强制或未强制偏移移动的建筑中心点上，以建立地理实体三维数据。

通过各实体业务数据点的坐标的更新而获得了中心点偏移到实体内部的同时也使得实体业务数据点信息处于了实体内部。

有益效果

实操中，根据初步配准图像，计算得到道路节点和建筑边界预测点以分别获得之后相应的中心点之后，对于建筑则采用圆域圆周点寻点方法找到建筑内部的点，从而通过决定中心点是否强制偏移且各实体业务数据点的坐标按偏移到实体内部点的坐标而更新，获得了中心点偏移到实体内部的同时也使得实体业务数据点信息处于了实体内部，实现了快速准确可视化的挂接业务属性。

本发明方案通过对地理实体三维数据进行编辑处理，拟合生成空间位置完全位于业务数据内部的中心点，通过空间关联地理实体三维数据与业务数据，从而快速准确挂接业务属性，实现地理实体三维数据的可视化、查询和分析。

附图说明

图1本发明实施例1的城市A多种规定区域的地理实体数据的获得方法示意图，

图2本发明RNN循环神经网络算法流程以及城市路网生成过程示意图，

图3a为图2中圆圈范围内的局部路网以道路中圈出的节点C代表的分段的扩宽即道理中心点选取旁开方向示意图，

图3b为图3a中圈出的道路节点C附近局部放大，以及节点C代表分段实体业务数据点的建立示意图，

图4基于CNN主干网络的卷积长短期记忆ConvLSTM的多层RNN建筑边界罩M的提取以及基于建筑边界罩M进行的顶点预测点示意图，

图5基于建筑S1和凹形建筑S1的建筑中心点的非强制与强制偏移移动的处理方法，以及地理实体业务数据库的构成与强制偏移产生的实体业务数据数据点坐标更新的示意图，

图6本发明实施例5中业务数据的属性挂接到三维地理实体，建立地理实体三维数据的流程示意图，

图7本发明的基于质心点强制偏移操作的地理实体三维数据挂接业务属性的方法总体流程图。

具体实施方式

实施例1

本实施例描述a1基于地理实体数据建立地理实体数据库；

如图1所示，城市A中划分为多个规定的区域，包括了右下角填充颜色的矩形区域，以及圆形、椭圆形、五边形、以及两个长条形规定的区域，其中圆形、椭圆形分别得到了最小外接矩，而多边形通过一个矩形四条边平行移动靠近五边形，当检测到有交点时停止靠近，也形成了一个外接矩。图中对于圆形、椭圆、五边形的外接矩都指明了无人机的飞行方向的正向。

本实施例以右下角矩形区域为第一规定区域为例，在其下方为放大图，R为矩形的无人机的影像采集范围R，则矩形区域为48个R组成，根据放大图中t₀、t₁、t₁₁、…、t₄₇的时间点顺序作为曝光时间点顺序，按照箭头方向从初始t₀时刻开始初次曝光，存在R矩形的下边界和左边界(为清楚显示，以稍微超出第一规定区域的绿色框表示)正好与第一规定区域下边界和左边界重合、超出第一规定区域的边界(下边界和左边界至少一者)在第一规定区域外的蓝框范围内的情况，而飞行历经一个R矩形的宽度距离时为t₁时刻，进行第二次曝光，直到飞行到t₁₁达到矩形区域的边境附近，进行第12次曝光，此时存在R矩形上边界和左边界(同样稍微超出的绿色框表示)与第一规定区域上边界和左边界重合，或超出第一规定区域的边界(上边界和左边界至少一者)在第一规定区域外的蓝框范围内的情况，此时无人机转向，并按照箭头方向向左(以无人机飞行前向为参考基准)移动一个R矩形长度距离，之后继续按照图中箭头反向飞行，并同样曝光时间点选择方式进行曝光采集影像图，直到最后一次反向飞行结束采集完t₄₇时刻曝光采集的第48幅影像图，完成第一规定区域的图像采集。

对于圆形、椭圆形、五边形的区域影像图则基于外接矩和规定的正向同样方式进行采集完成即可。

与此同时，LIDART在初始t₀时刻开始同步随无人机扫描各R矩形区域获得各影像图对应的点云图块，或者LIDART在初始t₀时刻对第一规定区域全域扫描获得第一规定区域的全域扫描点云图。

实施例2

本实施例分析无人机航拍的所述规定区域内的影像与LIDAR点云图进行初步配准，获得规定区域的初步配准图像，建立地理实体数据库的具体实施方式。

仍然以实施例1的第一规定区域为例，如图1所示，建立城市A规定区域的空间直角坐标系E，X轴和Y轴分别与第一规定区域的相邻直角边平行。

对于同步点云块的方案，以t₀时刻的一副影像图的曝光时刻时无人机所在的位置以及该影像图的右下角顶点为第一定位点，t₀时刻对应的点云块中在E下与影像图中第一定位点相同坐标的两个点为该点云块中的第一定位点；

对于全域扫描方案，以t₀时刻的一副影像图的曝光时刻时无人机所在的位置以及该影像图的右下角顶点为第二定位点，全域扫描点云图中在E下与影像图中第二定位点相同坐标的两个点为该全域扫描点云图中的第二定位点。

将采集的48幅影像图按照所述飞行路线的上曝光时间顺序t₀、t₁、t₁₁、…、t₄₇进行拼接，获得拼接影像图。

对于同步点云块的方案，地理影像软件中已拼接完成的拼接影像图中导入t₀时刻对应的点云块，并在建立的E下将各自相同坐标的第一定位点经过平移、旋转、比例缩放操作以实现重合，而将其他47幅点云图块按照与所述飞行路线的上曝光时间所同步的扫描的先后顺序(与t₀、t₁、t₁₁、…、t₄₇的顺序相对应)而进行拼接，以完成拼接影像图与48幅点云块的初步配准。

对于全域扫描方案，地理影像软件中已拼接完成的拼接影像图中导入全域扫描点云图，并在建立的E下将各自相同坐标的第二定位点经过平移、旋转操作、比例缩放以实现重合完成拼接影像图与全域扫描点云图的初步配准。

最后，选择其他圆形、椭圆形、五边形，重复上述步骤得更多幅所选择的规定区域的初步配准图像，连同每个规定区域内的多幅影像图和点云图形成多组地理实体数据，建立地理实体数据库。

实施例3

本实施例说明道路中心点与建筑中心点的获取方法，如图2所示，调用实施例2中建立的地理实体数据库中的一副初步配准图像，基于所述一副初步配准图像中的拼接影像图，利用RNN循环神经网络算法，定义步长l(根据道路总长而在1-5m中选择)以及矢量方向r作为属性矢量V，将每个起始节点以及K条入射路经方向

的点作为输入点(K个点与对应的起始点之间对应了K个初始属性矢量)，将K+1个输入点以及属性矢量V输入编码器，由解码器生成新节点；具体是对于每一个起始点的每一个方向的输入点/>

对应了在E下的坐标/>

属性矢量V对应于坐标增量/>

其中t表示当前输入点的序号(对于起始点为0，对于第一个新的输入点为1)，将该坐标和属性矢量V输入编码器，解码器将出射在E下生成的新节点/>

其中/>

图2中示例性地给出了每隔20次节点生成循环下，总共100次节点生成循环的路网生成过程，直线段连接各道路节点，形成道路中心线如图3a所示；

如图3a为图2中圆圈范围内的局部路网扩宽示意图。以道路节点C为代表，将图3a的局部路网按照预设的宽度w以生成路网的道路中心线向两边进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w为所述拼接影像图中实际道路边界限定的道路宽度的0.8倍，形成扩宽边界。

节点C在w的扩宽范围内按照图3a的旁开方向选取一个对应的节点作为对应的标记节点，定义为道路中心点(图3a未示出)。

接着采用人工智能网络的城市建筑网模型的建立以及城市建筑中心点的获取。具体包括如下步骤：

如图4所示，基于步骤调用的初步配准图像中的拼接影像图，使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/8；

同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，

对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；

对于每个建筑的所述本地特征图F采用卷积层处理形成多边形边界罩M，再利用卷积层处理形成边界罩M的5个预测顶点a、b、c、d、D2、D1。

如图5所示，坐标系E的X轴方向为基准，选定所述5个预测顶点中横坐标最大的点D1为第一标定点，将标定点与剩余4个点之间按逆时针连接预测点的路径顺序进行距离计算，和与其距离最长者b点连接，相应选定基于边界罩M预测的另一个与第一标定点距离最短的相邻顶点D2为第二标定点，以同样方式和与其距离最长者a点连接，获得两条连接线段之间的交点x(在S1中下方放大所示)作为该建筑的建筑中心点。

而对于屋顶面为凹字形的建筑为例，预测点为D3、e、f、g、h、i、j、D4，8个预测点，如图5所示，选定所述8个预测顶点中横坐标最大的点D3为第一标定点，将标定点与剩余7个点之间按逆时针连接预测点的路径顺序进行距离计算，和与其距离最长者f点连接，相应选定基于该凹字形的建筑的边界罩M预测的另一个与第一标定点距离最短的相邻顶点D4为第二标定点，以同样方式和与其距离最长者e点连接，获得两条连接线段之间的交点x'(在S2中下方放大所示)作为该建筑的中心点。

实施例4

本实施例将说明地理实体业务数据库的建立方法。具体包括如下步骤：

a3-1建立地理实体业务数据，形成实体业务数据点(即业务数据的属性)；

a3-2根据a3-1建立的实体业务数据点建立地理实体业务数据库。

其中，a3-1中的所述实体业务数据包括纹理，道路与建筑名称和地址，道路和建筑的使用情况，建筑对应的用途，其中，

所述道路和建筑的使用情况包括道路建设维修与监测数据、建筑维修与建筑内部水电气的设置、维护和使用数据；

所述建筑对应的用途包括：属性以及用途过程中产生的数据，其中所述属性包括住宅、商业、企业公司经营、厂房；所述用途过程中产生的数据包括产权及其变更记录、经营服务项目及其说明信息，以及可指定的网站。

a3-1中实体业务数据点的形成包括：先将各道路分段中的一个道路节点对应的道路中心点为分段代表，与所述建筑中心点一起，将各自所属的业务数据分别打包，各形成道路部分和建筑部分的实体业务数据包，再将各所述实体业务数据包中的属于道路的每一个赋予分段所在的标记节点坐标，而属于建筑的则赋予建筑中心点所在的坐标，以获得实体业务数据点，标记节点坐标和建筑中心点所在的坐标即为各实体业务数据点的坐标。

a3-2中将获得的实体业务数据点为数据节点建立地理实体业务数据库。这样每一个地理实体业务数据包中的道路部分和建筑部分都各自对应了标记节点坐标和中心点坐标。

在上面的方式建立地理实体业务数据库之后。接下来对多个所述道路中心点进行强制偏移移动到预设位置，这样做的目的是实现计算自动计算标定。

对于道路部分，以如图3a中道路节点C附近的放大图图3b为例，所述预设位置为扩宽范围中预设的位置，按照如下方式设置：过实施例3获得的道路中心点(图3a未示出)对应的道路节点C作垂直于图3b所述对应的道路节点两边任一道路中心线的垂线与扩宽w的边界交于两个交点，选取其中一交点，在所述垂线上选取离开所选取的交点预设距离且位于扩宽范围w内的点作为多个所述道路中心点。其中以C为圆心与扩宽边界存在切点是圆C的半径为预设距离，于是获得图3b中的道路中心点，则取坐标与节点C代表分段的数据包一起成为节点C代表分段实体业务数据点。其中数据包包括纹理，道路名称，道路地址等。

对于建筑部分，如图5所示以5个预测点的建筑S1为例，对于其在实施例3获得的中心点x为圆心，以预设半径r＝1m作圆x，以与圆心连线为平行于X轴的圆周上的点x₁开始，以预设角度1度为步进单位，在圆周上逆时针搜索到多个圆周点(其中示例性的给出其中一个搜索点x_n)，判断所述361个圆周点是否都在其边界罩M(如图4所示)内部，如果是，则定义为所述圆域全部覆盖所述建筑。明显的是，S1中的圆x全部在边界罩M内，不对所述中心点x作强制偏移移动。则取中心点x坐标与S1实体业务数据包一起成为S1实体业务数据点。其中S1实体业务数据包数据包包括纹理，属性(住宅，商店等)，水电气的使用情况，S1的产权情况，预计S1所在小区的网站。

而对于凹形建筑S2来说，则取中心点x'坐标与S2实体业务数据包一起成为S2实体业务数据点。其中S2实体业务数据包数据包包括纹理，属性(住宅，商店等)，水电气的使用情况，S2的产权情况，预计S2所在小区的网站。

预设半径从r＝3m开始，以与圆心x'连线为平行于X轴的圆周上的点x₂(图5中S2内的下方放大图所示)开始以预设角度1度为步进单位，在圆周上逆时针搜索到361个圆周点，判断361个圆周点都不在其边界罩M(如图6所示)内部。于是以预设步距9m为例扩大r以扩大圆域范围，继续以预设角度1度为步进单位在圆x'的圆周上拟搜索新的一组361个圆周点，但是在第一次判断与圆心x'连线为平行于X轴的扩大的圆的圆周上的点y即在边界罩M(如图6所示)内部，并将所述中心点x'强制偏移到该圆周点y上重合。

最后，根据所述点云图中建筑顶面的高程信息而将当前中心点而沿着E坐标系Z轴垂直平移拼接影像图中各建筑的边界罩M到各建筑顶面的高程，以完成最终配准。

实施例5

本实施例将说明地理实体三维数据的建立。

如图5所示，将地理实体业务数据库中S2实体业务数据点的x'坐标更新为对应的实施例4中获得的强制偏移移动的建筑中心点y的坐标。

如图6所示，将S1、S2、道路节点C代表分段的实体业务数据点可视化为一个相应的红绿蓝三色圆，定三个圆的圆心为各自预设的点，并赋予各自预设的点以更新后的各实体业务数据点的坐标，并将各圆导入地理影像软件中，使得各预设的点分别配准到最终配准图像中的相应的道路中心点，以及强制(对于S2)和未强制(对于S1)偏移移动的建筑中心点x和y上，以建立地理实体三维数据。

通过实施例1-5我们总结基于质心点强制偏移操作的地理实体三维数据挂接业务属性的方法，如图7所示包括了如下步骤：

a1、基于地理实体数据建立地理实体数据库；

a2、拟合生成地理实体三维数据对应的中心点；

a3、基于业务数据的属性建立业务数据库；

a4、对地理实体三维数据对应的中心点进行处理；

a5、将业务数据的属性挂接到经所述处理的中心点上形成三维地理实体。

Claims (15)

1.基于中心点强制偏移操作的地理实体三维数据挂接业务属性的方法，其特征在于，包括了如下步骤：

a1、基于地理实体数据建立地理实体数据库；

a2、拟合生成地理实体三维数据对应的中心点；

a3、基于业务数据的属性建立业务数据库；

a4、对地理实体三维数据对应的中心点进行处理；

a5、将业务数据的属性挂接到经所述处理的中心点上形成三维地理实体。

2.根据权利要求1所述的方法，其特征在于，a1具体包括如下步骤：

a1-1采用无人机航拍记录规定区域内的影像图，同时采集航空LIDAR点云图，以获得地理实体数据；

a1-2将无人机航拍的所述规定区域内的影像图与LIDAR点云图进行初步配准，获得一幅规定区域的初步配准图像；

a1-3选择其他多个规定区域，重复步骤a1-1-a1-2获得更多幅所选择的规定区域的初步配准图像，连同每个规定区域内的多幅影像图和点云图形成多组地理实体数据，用于建立地理实体数据库。

3.根据权利要求2所述的方法，其特征在于，所述a1-1具体包括如下步骤：

S1设定无人机在所述的规定区域以及所述其他多个规定区域内的飞行路线，以及无人机上航拍装置的曝光时间点；

S2起飞无人机，按照所述飞行路线飞行，同时按照所述曝光时间点进行影像采集，获得多幅影像图；同步采集航空LIDAR点云图；其中，所述飞行路线为多个直线段所组成，此时，

S1中若所述规定区域为矩形区域，此时所述的曝光时间点设置方式为：设飞行路线上无人机的影像采集范围为矩形区域R，在当前影像图采集后，无人机飞行过所述范围R的飞行方向上R的宽度距离时即选取为下一个影像图曝光时间点，当R的上边界与所述规定区域的上边界重叠，或R的上边界在飞行方向上超过所述规定区域的上边界时，无人机转向，并左移R一个长度的距离反向飞行继续采集影像图，曝光时间点的选取与正向飞行时的一致，当R的下边界与所述规定区域的下边界重叠，或R的下边界在飞行方向上超过所述规定区域的下边界时，无人机再次转向，并右移R一个长度的距离再次正向飞行继续采集影像图，且曝光时间点的选取方式不变，如此循环，能够完成所述规定区域的全域影像图的采集；

若所述规定区域为圆形或椭圆形区域时，先作所述圆形和椭圆形的最小外接矩，则基于所述最小外接矩进行与所述规定区域为矩形区域时同样的曝光时间点设置方式进行曝光时间点的设置，以及同样的影像图采集方式采集；

若所述规定区域为其他形状区域时，先作所述圆形和椭圆形的外接矩，则基于所述外接矩进行与所述规定区域为矩形区域时同样的曝光时间点设置方式进行曝光时间点的设置，以及同样的影像图采集方式采集，其中所述外接矩由一个矩形的四条边在此时靠向所述其他形状区域，当四条边与其他形状区域都存在切点或交点时停止靠向，此时所述的一个矩形即为所述外接矩。

4.根据权利要求2或3所述的方法，其特征在于，所述a1-2具体包括如下步骤：

S3建立所述规定区域的空间直角坐标系E，选定一幅影像图与对应的点云图块，或者选定一幅影像图与全域扫描点云图的各定位点；

S4将采集的所述多幅影像图按照所述飞行路线的上曝光时间顺序进行拼接，获得拼接影像图，并将同步采集的航空LIDAR点云图与拼接影像图按照各定位点一一对应重合，以完成所述初步配准；

其中，S3中所述一幅影像图与对应的点云图块都各自设定两个第一定位点，且各自中的每一个的所述第一定位点在E下的坐标与对方的一个所述第一定位点在E下的坐标相同，或者所述所述一幅影像图与全域扫描点云图都各自设定两个第二定位点，且各自中的每一个的所述第二定位点在E下的坐标与对方的一个所述第二定位点在E下的坐标相同。

5.根据权利要求4所述的方法，其特征在于，

S3中所述一幅影像图中的第一定位点和第二定位点各自中的一个与相应的曝光时间点无人机所处的位置点在E的XOY平面上投影重合，而另一个选择为与R的一个顶点在E的XOY平面上投影重合；

S4中在将采集的所述多幅影像图按照所述飞行路线的上曝光时间顺序进行拼接之前还包括对超过规定区域的影像部分进行删减；

将同步采集的航空LIDAR点云图与拼接影像图按照各定位点一一对应重合具体包括：

将对应的点云图块中的两个第一定位点与所述一幅影像图中具有相同坐标的第一定位点进行重合操作，并将其他点云图块按照与所述飞行路线的上曝光时间所同步的扫描的先后顺序而进行拼接，以完成所述初步配准；或者，

将全域扫描点云图中的两个第二定位点与所述所述一幅影像图中具有相同坐标的第二定位点进行重合操作，以完成所述初步配准；

所述重合操作具体是在地理影像软件中已拼接完成的所述拼接影像图中导入对应的点云图块，或者在地理影像软件中已拼接完成的所述拼接影像图中导入全域扫描点云图，并在建立的E下将各自相同坐标的第一定位点或者第二定位点经过平移、旋转、比例缩放中至少一者操作以实现所述重合。

6.根据权利要求1所述的方法，其特征在于，a2具体包括如下步骤：

a2-1调用地理实体数据库中的地理实体数据，采用基于标记节点的RNN循环神经网络算法实现多个道路中心点的设置；

a2-2采用人工智能网络的城市建筑网模型的建立以及城市建筑中心点的获取。

7.根据权利要求6所述的方法，其特征在于，其中a2-1具体包括了：

S5调用地理实体数据库中至少一个所述规定区域的所述初步配准图像；所述调用以每个规定区域内的一个第一定位点或第二定位点为指针进行调用；

S6通过RNN循环神经网络算法包括编码器以及解码器的节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续直线段连接产生的新节点，形成道路中心线，如此循环而连接成道路网；

S7将道路网中的所有直线段按照预设的宽度w进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w按照所述初步配准图像中对应的道路宽度进行扩宽，w为所述初步配准图像中道路节点所在所述直线段作为的道路分段所对应的实际道路宽度值的0.5-0.8倍；

S8对于每个S6中的节点在S7中w的扩宽范围内旁开选取一个对应的节点作为对应的标记节点，定义为道路中心点；

其中a2-2具体包括了：

S9基于步骤S5中的初步配准图像，使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2-1/10；

同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，

S10对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；

S11对于每个建筑的所述本地特征图F采用卷积层处理形成多边形边界罩M，再利用卷积层处理形成边界罩M的P个预测顶点；

S12选定P个预测顶点中横坐标或纵坐标最大或最小的点为第一标定点，如果存在横坐标或纵坐标有相同最大或最小点，则取相应的纵坐标或横坐标最大或最小的点为第一标定点，将第一标定点与剩余P-1个点之间按顺时针或逆时针连接预测点的路径顺序进行距离计算，和与其距离最长者对应的点连接，相应选定基于边界罩M预测的另一个与第一标定点距离最短的相邻顶点为第二标定点，以同样方式和与其距离最长者对应的点连接，获得两条连接线段之间的交点作为每个建筑的建筑中心点。

8.根据权利要求1-3，6，7中任一项所述的方法，其特征在于，a3具体包括如下步骤：

a3-1建立地理实体业务数据，形成实体业务数据点；

a3-2根据a3-1建立的实体业务数据点建立地理实体业务数据库。

其中，a3-1中的所述实体业务数据包括纹理，道路与建筑名称和地址，道路和建筑的使用情况，建筑对应的用途，其中，

所述道路和建筑的使用情况包括道路建设维修与监测数据、建筑维修与建筑内部水电气的设置、维护和使用数据；

所述建筑对应的用途包括：属性以及用途过程中产生的数据，其中所述属性包括住宅、商业、企业公司经营、厂房；所述用途过程中产生的数据包括产权及其变更记录、经营服务项目及其说明信息，以及可指定的网站。

9.根据权利要求8所述的方法，其特征在于，a3-1中实体业务数据点的形成包括：先将各道路分段中的一个道路节点对应的道路中心点为分段代表，与所述建筑中心点一起，将各自所属的业务数据分别打包，各形成道路部分和建筑部分的实体业务数据包，再将各所述实体业务数据包中的属于道路的每一个赋予分段所在的标记节点坐标，而属于建筑的则赋予建筑中心点所在的坐标，以获得实体业务数据点，标记节点坐标和建筑中心点所在的坐标即为各实体业务数据点的坐标；

a3-2中将获得的实体业务数据点为数据节点建立地理实体业务数据库。

10.根据权利要求8所述的方法，其特征在于，a4具体包括：

a4-1对多个所述道路中心点进行强制偏移移动到预设位置；

a4-2以所述建筑中心点为圆心，以预设半径r作圆，若圆域全部覆盖所述建筑则所述中心点不作强制偏移操作；若圆域未全覆盖所述建筑则将所述中心点偏移到覆盖的部分中的任一点。

11.根据权利要求10所述的方法，其特征在于，其中a4-1中所述预设位置为扩宽范围中预设的位置，包括扩宽w的边界，以及距离边界预设距离的扩宽范围内部；

其中a4-2具体包括：

S13以每一座建筑中心点为圆心，以预设半径r作圆，以与圆心连线为平行于X轴的圆周上的点开始，以预设角度为步进单位，在圆周上顺时针或逆时针搜索到多个圆周点，判断所述多个圆周点是否都在所述边界罩M内部，如果是，则定义为所述圆域全部覆盖所述建筑，且不对所述中心点作强制偏移移动；

如果否，则按照预设步距扩大r以扩大圆域范围，继续以预设角度为步进单位在扩大的圆的圆周上搜索到新的一组多个圆周点，判断所述新的一组多个圆周点是否都在所述边界罩M内部；如果否则循环扩大圆域以及判断更多新的一组的多个圆周点是否都在所述边界罩M内部，直到发现有一个的圆周点在所述边界罩M内部时停止循环，并将所述中心点强制偏移到该圆周点上重合；

其中判断内部的方法是：只要判断圆周点的坐标是否属于边界罩M内部的坐标即可；

S14根据所述点云图中建筑顶面的高程信息而将当前中心点而沿着E坐标系Z轴垂直平移拼接影像图中各建筑的边界罩M到各建筑顶面的高程，以完成最终配准。

12.根据权利要求10或11所述的方法，其特征在于，多个所述道路中心点中的至少一个中心点按照如下方式设置：过所述至少一个中心点对应的道路节点作垂直于所述对应的道路节点两边任一道路中心线的直线与扩宽w的边界交于两个交点，选取任一所述交点，在所述直线上选取离开所选取的交点预设距离且位于扩宽范围内的点作为多个所述道路中心点中的至少一个中心点。

13.根据权利要求12所述的方法，其特征在于，所述预设半径r为按照初步配准图像中的比例尺换算到实际尺寸为1-3m，所述预设角度为1秒-1度，预设步距为1-9m。

14.根据权利要求13所述的方法，其特征在于，所述圆域扩大前后，以及每一次圆域扩大搜索多个圆周点所采用的预设角度都一致，或至少有两者不相同。

15.根据权利要求13或14所述的方法，其特征在于，a5具体包括

将多个所述道路中心点以及处理过的建筑中心点与地理实体业务数据库中对应的实体业务数据点进行空间连接，即将地理实体业务数据库中各实体业务数据点的坐标更新为对应的a4中获得的多个所述道路中心点以及强制或未强制偏移移动的建筑中心点的坐标，将各实体业务数据点可视化为一个相应的几何图形，定义几何图形中一个预设的点，并赋予所述预设的点以更新后的各实体业务数据点的坐标，并将各几何图形导入地理影像软件中，使得预设的点配准到最终配准图像中的相应的道路中心点以及强制或未强制偏移移动的建筑中心点上，以建立地理实体三维数据。

Images