CN116228985A - 基于多维图像编码的建筑物室内语义模型的构建方法及系统 - Google Patents
基于多维图像编码的建筑物室内语义模型的构建方法及系统 Download PDFInfo
- Publication number
- CN116228985A CN116228985A CN202310262542.5A CN202310262542A CN116228985A CN 116228985 A CN116228985 A CN 116228985A CN 202310262542 A CN202310262542 A CN 202310262542A CN 116228985 A CN116228985 A CN 116228985A
- Authority
- CN
- China
- Prior art keywords
- graph
- indoor
- building
- dimensional
- window
- 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
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
一种基于多维图像编码的建筑物室内语义模型的构建方法,通过使用墙面细化算法随机提取不同墙面图形的交汇区域图形上的点,以及提取墙面图形与代表门图形和窗图形的直线段相接的所述端点或所述顶点的所述三维坐标位置,将墙面图形细化为直线段,同时生成对该直线段的语义描述信息,进而得到室内三维结构图的简化图;依据所述室内三维结构图的简化图,以该简化图中的点作为顶点,以该简化图中的线段作为边生成基于随机算法的随机无向图,并在该随机无向图中使用空间搜索多维编码算法从中提取出各个房间结构,同时生成对房间结构的语义描述信息,具有室内语义模型构建方便、快速的优点,并且采用多维编码使得数据可靠压缩,并携带密码。
Description
技术领域
本发明属于室内语义建模技术领域,具体涉及一种基于多维图像编码的建筑物室内语义模型的构建方法及系统。
背景技术
伴随着三维建模技术的成熟发展,已经积累了大量的建筑物三维立体模型,传统的建筑物三维立体模型通常可以用来展示建筑物整体的外观、外部结构等信息,然而传统的建筑物三维立体模型却缺少关于其内部结构的信息,当已经查看过建筑物的外观,想要进一步了解建筑物的内部结构时,还需要再单独去浏览建筑物的内部平面结构图,建筑物外部结构与建筑物内部结构的相互独立,使对传统建筑物三维立体模型的分析和应用面临困难,不能使其充分发挥作用,由此,研究一种建筑物室内语义模型的构建方法,来将建筑物室内结构融合到传统建筑物三维立体模型上具有十分重要的意义。
然而现有技术对于语义模型的建立仍然停留在对于模型如何建成的问题上,并未考虑利用语义本身构建一种编码,而该编码自身携带密码功能,而形成一个带密码的编码,从而即对模型语义进行构建,也对模型数据起到保护作用。
另外一方面,面对庞大的三维数据体量,如何压缩数据量也是当前面临的问题。将图形化简是一个方法,但是如何考虑化简图和编码之间的关系,尤其是携带密码功能的编码之间的关系是极大解决的问题。
发明内容
针对上述提出的技术问题,本发明提供一种建筑物室内语义模型的构建方法及系统,本发明基于建筑物的室内三维结构图,生成与其对应的语义模型,并基于该语义模型建立建筑物三维立体模型的室内结构,本发明具有室内语义模型构建方便、快速的优点。
将考虑三个方面,第一代密码功能的简化图的建立,第二将简化图编码,第三对地理区域的多维编码的构建。
为了实现上述的发明目的,给出如下所述的基于多维图像编码的建筑物室内语义模型的构建方法,通过以下步骤来实现:
步骤一、获取建筑物各个楼层的室内三维结构图,该室内三维结构图包含由点、直线段、曲线段组成的墙面图形,房间图形,窗户图形,门图形,以及与这些图形相关的文字备注、数字备注,其中所述数字备注包括点在地理区域中的三维坐标、用于标识各建筑在所述地理区域内相对位置的第一标识点坐标,以及层高、楼层数、门窗宽度总高和窗下沿高度;
步骤二、定义所述室内三维结构图中窗户图形和门图形的识别规则,按照该识别规则从室内三维结构图中识别出这些图形,并在室内三维结构图上,将窗户图形和门图形替换为两端均与墙面图形相接的折直线段,或直线段和/或曲线段围成封闭图形,且记录该折直线段或封闭图形两端端点或顶点的三维坐标位置,同时生成对该折直线段或封闭图形的语义描述信息;
步骤三、基于经S2处理得到的室内三维结构图,通过使用墙面细化算法随机提取不同墙面图形的交汇区域图形上的点,以及提取墙面图形与代表门图形和窗图形的直线段相接的所述端点或所述顶点的所述三维坐标位置,将墙面图形细化为直线段,同时生成对该直线段的语义描述信息,进而得到室内三维结构图的简化图;
步骤四、依据所述室内三维结构图的简化图,以该简化图中的点作为顶点,以该简化图中的线段作为边生成基于随机算法的随机无向图,并在该随机无向图中使用空间搜索多维编码算法从中提取出各个房间结构,同时生成对房间结构的语义描述信息,从而得到关于室内三维结构图的语义模型;
步骤五、对于单栋建筑物三维模型,按照与该模型各个楼层对应的室内三维结构图的语义模型,分别生成单栋建筑物三维模型各个楼层的室内结构;对于小区以及地理区域内建筑物三维模型,按照与该模型中所有建筑物对应的室内三维结构图的语义模型,分别生成小区以及地理区域建筑物三维模型所有楼层的室内结构。
作为本发明的一种优选技术方案,步骤三中所述墙面细化算法还包括如下执行步骤:
第一步、依照距离阈值κ对不同墙面图形的交汇区域图形上的点分别进行聚类处理,从而将彼此之间的距离值小于等于κ的点划分到同一点组,将距离阈值κ的计算描述为如下公式:其中,d代表室内三维结构图上墙面图形的墙宽或墙高,ε代表可接受的计算误差,也即第一密码;其中,若墙高大于墙宽,d选择为墙宽,反之选择墙高。
第二步、所有所述点组内的中心点集合成中心线,采用第一随机算法选出所述中心线上的一个第二标识点,并在室内三维结构图上,针对不包含窗户图形和门图形的墙面图形,连接不同的墙面图形的交汇区域图形的所述第二标识点,从而将墙面图形细化为第一直线段;
第三步、针对包含窗户图形和/或门图形的墙面图形,连接墙面图形的交汇区域图形的所述第二标识点和墙面图形与代表门图形、窗图形的线段相接的任选的一个所述端点,从而将墙面图形细化为第二直线段。
步骤四中所述空间搜索多维编码算法包括如下执行步骤:
第一步、定义地理区域内点的彩色值RGB,每一原色值分为255阶,将建筑物在地面投影的外接矩形的长维度、宽维度,以及建筑物高维度都分为2253份,三原色按照在R、G、B中的排序各从0阶开始,随着点在相应维度上运动变化而份的量增加而依次循环从0阶一直增加至满阶255,也即R、G、B先R开始从0阶增阶,且每增加1阶固定不动,而G再开始从0阶增加,且每增加1阶也固定不动,最后变动B从0阶一直到255满阶,然后循环值R增加1阶固定不动而G、B清为0阶,再增加G到1阶固定不动,然后B从0阶增加到255阶之后,接着R第三次增加到3阶G、B再次清为零阶,以此类推,直至变为纯白色255、255、255,点正好从相应维度的一端起始点运动到末端点,则建筑物中任一点的彩色值表示即将其投影至地面依次将长维度、宽维度,以及高维度对应的三组彩色值组成的组作为该点的彩色值表示;而线段采用预设规则的其中一点的相应彩色值表示,预设规则为按照第二随机算法从线段中选取一点,该选取点的相应彩色值即为第三密码;而所述第二标识点的相应彩色值即为第二密码。
例如,随着点在相应维度上运动变化,从所述长或宽或高一端起始点R、G、B为0、0、0开始,一直运动到另一端R、G、B为255、255、255。其中第一份增加为1、0、0,固定R而增加G然后从1、1、0固定G,再是增加B从1、1、1,到1、1、255;之后循环到R增加1GB清为零阶,变为2、0、0,再是2、1、0固定G,接着从2、1、1开始直至2、1、255,然后再次循环到R增加1阶G、B再次清为零阶成3、0、0,以此类推,最后点正好运动到另一端时为255、255、255。按照数十米的长宽的多数建筑物所处的所述地面投影的尺寸范围,一份的实际尺寸大致为2微米左右;而高以高层30层计,为5-6微米。而像素点距一般为微米级左右,比如6微米典型值,与像素点距可比拟。
基于上述的定义,可以理解的是,在终端显示器,无论是电脑,手机还是平板电脑,比例缩小的三维图像中像素点距为实际长、宽、高维度中上述划分的3倍份或可比拟的距离,因此在终端显示器上的直线段实际上是比实际离散程度总体上更离散的点组成。因此上述划分的彩色值完全能够覆盖直线上点所能表示的像素点的色彩值。
接下来对于所述随机无向图中的每个顶点,分别计算图中从顶点出发且能够回到该顶点的所有路径信息,该路径信息包括对随机无向图中的顶点和边的遍历序列,定义二维矩形矩阵编码图P,以顶点和边表示的彩色值按规定顺序方向依次间隔排布至编码图P中的矩形格中,形成一条路径对应的彩色值排布的矩形格序列,而不同的路径,彩色值则排布到不同的另一顺序方向上矩形格组中,未排布上的矩形格为黑矩形格,其中每个顶点和边表示的彩色值分为三个像素的颜色值来表示,分别为在长、宽、高上维度对应的颜色值排布在编码图P中一个矩形格中表示,所述矩形格组由矩形格组成的矩形格行或矩形格列构成。
可选地,所述规定顺序方向为行或列向,而另一顺序方向为列或行向,其中所述行向为从左至右或从右至左中选择,列向为从上至下或从下至上中选择。
可选地,所述在长、宽、高上维度对应的颜色值排布在编码图P中一个矩形格中的具体方法为将矩形格分为四等分,按照预设顺序依次填满每一等分以对应维度上的颜色值,剩余一格为空白格255、255、255。
可选地,所述矩形格为正方格。
例如该顶点-边-另一顶点-边-该顶点,表示路径,则这些顶点、边(即预设规则选出的点)表示的彩色值分别按照路径的顺序排布到P中。因此P的一个属性就是其中排布顺序中两端的像素彩色值出空白像素外必定相同且为起始点对应的彩色值,且任一顺序方向一端存在连续两个黑像素的,则最后一个黑像素属于颜色值未填满而设置的像素,另一个黑像素为起始点。
由此生成对顶点和边的语义描述信息,该语义描述信息分别对应室内三维结构图的简化图上线段端点和线段的语义描述信息。
第二步、根据所述编码图P,判断路径信息内是否至少包含一个门图形的对应边的端点,及一个窗图形的对应边的端点;
第三步、将编码图P中保留满足上述第二步中判断条件的路径信息对应的顺序方向上的矩形格序列,而删除不满足的顺序方向上的矩形格序列,再拼合剩下的矩形格形成结构编码图P2,并依据数字备注得出室内三维结构图的各个房间结构,并得到关于室内三维结构图的语义模型,该语义模型包括组成房间的不同边和边所连接的不同顶点,还包括对各条边和各个顶点的语义描述信息。
可选地,所述语义描述信息包括点的和按照第二随机算法从线段中选取的点的三维坐标位置描述信息,以及从室内三维结构图内提取的关于墙面图形、窗图形,门图形的文字备注、数字备注信息。
可选地,语义模型是针对得到的各个房间结构而将不同的墙体、门窗进行相应的色块的填充而获得。
应该理解的是,P2中由于含有各点以及各边的选取点的彩色值在对应维度上的坐标位置,因此结合层高、楼层、门窗宽度总高和窗下沿高度数字备注而能够得到具体的室内结构。因此我们采用彩色值到坐标值的映射,结合数字备注而得到室内结构。
其中第一随机算法和第二随机算法可以为相同随机算法或不同的随机算法,是在如下算法中任选:数值概率算法、蒙特卡罗法、拉斯维加斯算法、舍伍德算法。
其中,第二步中判断路径信息内是否至少包含一个门图形的对应边,及一个窗图形的对应边的方法如下:
S1获取多幅编码图P,将每一幅其中对应含窗户图形和门图形的对应边的所述规定顺序方向的矩形格序列,和不含窗户图形和门图形的对应边的所述规定顺序方向的矩形格序列,分别都划分成训练集和验证集,两者比例为5-3:1-2;
S2将各训练集和对应验证集中矩形格序列进行行向和列向扩增形成识别图T,形成尺寸至少为255*255的方阵,形成各训练方阵和验证方阵。
容易理解的是,由于第二至第三密码的随机性存在,因此各建筑物的各不同的房间的识别图是不同的概率是大的,加上扩增更能够丰富图像的像素分布情况,由此可以防止过拟合。
S3将所有训练方阵输入卷积神经网络CNN中,输出端连接全连接层FC,输入softmax分类函数进行二分判断,0表示不含窗户图形和门图形的对应边,1表示含窗户图形和门图形的对应边,使用验证方阵验证准确率,计算损失函数,调整网络参数,继续使用训练方阵训练,直至损失函数最小,完成CNN模型训练;
S4扫描待识别编码图P的每一路径信息对应的矩形格序列,并将其按照步骤S2扩增形成待测识别图T',将其输入至S3中训练好的CNN模型中,获得对应扫描的序列是否含有窗户图形和门图形的对应边。
可以理解的是,由于门窗安装的位置在墙的中间,因此对应的边的端点的颜色值具有特定的范围,因此可以进行多次训练而识别出这种特定范围的信息特征。而不能盲目人为约定这种特定的范围,因为无法保证所有情况都落在该约定的范围内。
步骤五中、对于建筑物三维模型,按照与该模型各个楼层对应的室内三维结构图的语义模型,即各个楼层结构编码图P2的按照Z方向的叠连而形成的三维编码图P3,分别生成单栋建筑物三维模型各个楼层的室内结构;对于小区以及地理区域内建筑物三维模型,分别按照与该模型中所有建筑物对应的室内三维结构图的语义模型,也即按照各个建筑物的第一标识点坐标,而将P3在二维平面上分布,形成四维编码图P4,以及按照小区内间预选的标志建筑中第一标识的坐标位置,而分布在地理区域上各小区的P4,而形成五维编码图P5,预选的标志建筑第一标识的坐标即成为第四密码。
其中P3在所述二维平面上分布,以及P4分布在地理区域上的方法分别是将P3中任一一点与P3对应的建筑物语义模型按照第一标识点重合,以及将P4中任一一点与预选的标志建筑中第一标识点重合。
可选地,P3与P4在分别与所述对应的建筑物按照第一标识点重合以及与预选的标志建筑中第一标识点重合之后各自的内在直线段取向不变,或者按照预设的方向整体进行偏转或平移。
可以理解的是,由于预选的标志建筑未知,P4的准确分布是未知的,由于实际的小区之间不存在确定的相距概念,因为只有在小区内部预选的点存在的前提下才能定义相距的概念,如果不预选或布知预选的点具体是那些点,则也实际上无相距的概念产生。因此根据地理区域上整体的P4分布是难以得到准确的小区的范围以及相对位置。
即便获得P4,由于第一第二密码的存在,也难以解出P3、P2中的室内结构。
本发明目的还在于一种计算机可读非暂时性存储介质,其中存储有可由上述系统运行而实现上述方法的计算机可读程序。
与现有技术相比,本发明的有益效果如下:
本发明的一种建筑物室内语义模型的构建方法,首先获取建筑物各个楼层的室内三维结构图,定义室内三维结构图中窗户图形和门图形的识别规则,并从中识别出这些图形,将其替换为两端均与墙面图形相接的直线段,同时生成对该折直线段或封闭图形的语义描述信息;然后通过使用墙面细化算法,随机算法提取不同墙面图形的交汇区域图形上的点,以及提取墙面图形与代表门图形和窗图形的直线段相接的端点位置,将墙面图形细化为直线段,同时生成对该直线段的语义描述信息;接着通过使用空间搜索多维编码算法提取出室内各个房间结构,进而得到关于室内三维结构图的语义模型;最后按照室内三维结构图的语义模型,分别生成单独一栋建筑物、小区,以至地理区域三维模型的各个楼层的室内结构。本发明将现有的建筑物三维模型和室内平面结构融合在一起,解决了建筑物三维模型的外部结构与内部结构相互孤立的问题,能方便的实现各种基于建筑物三维模型的应用,使其发挥更大的作用,同时本发明还具有室内语义模型构建方便、快速、准确的优点。并且采用多维编码使得数据可靠压缩,并携带密码。
附图说明
图1为本发明的基于多维图像编码的建筑物室内语义模型的构建方法中步骤二至步骤四中关于一个房间为例的墙面图形、窗门图形的构建,以及墙面细化算法获得的随机无向图的构建及其点和边的表示及其彩色值表示示意图,其中a为该房间的三维模型示意图,b为窗门直线段表示后的简化图效果示意,c为b中第二标识点获取的方法示意图,d为房间的墙面图形简化图示意图,e为a中所在的筒子楼语义模型示意图,其中显示了a所自的顶层西边户,第一表示点以及多维编码RGB彩色值定义方法的示意,f是为了无向图中点和边的彩色值编码而进行端点和选取点选取的结果示意图,
图2为本发明的所述的一个房间编码图P的构造图,其中显示了矩形格以表示每一条可返回路径信息的矩形格序列,并且左上角示例性显示了一个四等分像素表示方式,
图3为本发明从图2的P拼合成的结构编码图P2,以及房间结构和语义模型获得的流程示意图,
图4为本发明的步骤四的第二歩中判断路径信息内是否至少包含一个门图形的对应边,及一个窗图形的对应边的方法流程全图,
图5为本发明形成识别图T的扩增方式示意图,
图6a为形成P3的叠连示意图,
图6b为P3中一点Q与图1e中第一表示点重合的效果示意图,
图7为一个小区的四维P4分布示意图,
图8为含有两个小区的地理区域内五维P5分布示意图,其中上侧小区为图7中的小区,
图9为本发明基于多维图像编码的建筑物室内语义模型的构建系统构成示意图,其中附图标记,1-5为所述一个房间中墙面图形A-D之间交汇区域的编号,A-D为墙面图形编号,a-d为窗图形与墙面图形连接的端点编号,e-h为门图形与墙面图形连接的端点编号,δ、γ、θ、η,ω为各交汇区域的第二标识点,m-o为图1d中表示墙面图形的无向图中代表边的点的编号。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
本发明的线段指直线段,折直线段,曲线段,或这些线段的组合。
本发明提供基于多维图像编码的建筑物室内语义模型的构建方法,具体通过执行如下的步骤来实现:
步骤一、获取建筑物各个楼层的室内三维结构图,该室内三维结构图包含由点、直线段、曲线段组成的墙面图形,房间图形,窗户图形,门图形,以及与这些图形相关的文字备注、数字备注,其中所述数字备注包括点在地理区域中的三维坐标、用于标识各建筑在所述地理区域内相对位置的第一标识点坐标,以及层高、楼层数、门窗宽度总高和窗下沿高度;
步骤二、定义所述室内三维结构图中窗户图形和门图形的识别规则,按照该识别规则从室内三维结构图中识别出这些图形,并在室内三维结构图上,将窗户图形和门图形替换为两端均与墙面图形相接的折直线段,或直线段和/或曲线段围成封闭图形,且记录该折直线段或封闭图形两端端点或顶点的三维坐标位置,同时生成对该折直线段或封闭图形的语义描述信息;
步骤三、基于经S2处理得到的室内三维结构图,通过使用墙面细化算法随机提取不同墙面图形的交汇区域图形上的点,以及提取墙面图形与代表门图形和窗图形的直线段相接的所述端点或所述顶点的所述三维坐标位置,将墙面图形细化为直线段,同时生成对该直线段的语义描述信息,进而得到室内三维结构图的简化图;
步骤四、依据所述室内三维结构图的简化图,以该简化图中的点作为顶点,以该简化图中的线段作为边生成基于随机算法的随机无向图,并在该随机无向图中使用空间搜索多维编码算法从中提取出各个房间结构,同时生成对房间结构的语义描述信息,从而得到关于室内三维结构图的语义模型;
步骤五、对于单栋建筑物三维模型,按照与该模型各个楼层对应的室内三维结构图的语义模型,分别生成单栋建筑物三维模型各个楼层的室内结构;对于小区以及地理区域内建筑物三维模型,按照与该模型中所有建筑物对应的室内三维结构图的语义模型,分别生成小区以及地理区域建筑物三维模型所有楼层的室内结构。
关于步骤一
其中在步骤一中,首先获取与建筑物三维模型相对应的室内三维结构图,该室内三维结构图可以是在建筑设计阶段产生的建筑室内平面设计图,通常的室内三维结构图不仅包含由点、直线段、曲线段组成的墙面图形,房间图形,窗户图形,门图形等,而且还会包含对上述各种图形的文字备注和数字备注,举例如对将要建成的墙面高度、宽度的数字描述,对将要建成的窗户尺寸、形状的文字描述,以及对将要建成的房间面积的数字描述等,人们通过浏览室内三维结构图,能够了解建筑室内的房间组成结构,门、窗的位置分布等信息,这些信息能够被用到室内导航等各种不同的应用中,具有十分重要的作用。
如图1所示,以一地理区域中一个小区的其中一栋楼的顶楼西边一套房屋的一个房间为例,其他房间以此类推。墙面图形的高小于宽,如图1a所示,该房间存在不含窗门图形的墙面图形A、C,含门墙面图形D,以及含窗图形的墙面图形B。
关于步骤二
进一步的,在步骤二中,考虑到在室内三维结构图中,窗户图形和门图形一般都被包含在墙面图形内,且窗户图形和门图形的图形特点与墙面图形具有较大的差异,会给提取室内结构造成不便,因此本步骤首先定义对于室内三维结构图中窗户图形和门图形的识别规则,具体的,将门图形定义为由相邻的直线段和/或弧线段相互连接组成的图形,且该弧线段对应的弧度为九十度,将窗图形定义为由线段数量3或4的一组相互连接的直线段组成,且各条直线段的长度以对应的实际窗门的边框尺寸比例而选取。
如图1b显示了3段线段连接而成代表的窗abcd,以及门efgh。图1a和1b中都显示了与其相邻房间的隔墙侧面。图1b圈出了墙面图形AD、AB、BC、CD、C与隔墙之间的交汇区域图形,即线段1,线段2,线段3,线段4,线段5。
于是,按照上述识别规则从室内三维结构图中识别出窗户图形和门图形,并在室内三维结构图上,将窗户图形和门图形替换为两端均与墙面图形相接的折直线段,或直线段和/或曲线段围成封闭图形,且记录该折直线段或封闭图形两端的端点位置,同时生成对该折直线段或封闭图形的语义描述信息;
其中,生成对窗户图形和门图形的替换图形即直线段的语义描述信息,以及后文步骤三中生成对墙面图形的替换图形即直线段的语义描述信息,该生成过程包括生成对直线段两端端点的地理区域内三维坐标描述信息,该描述信息可以用于在后续步骤中建立建筑物的室内结构,并从室内三维结构图内提取出关于窗户图形、门图形、以及墙面图形的文字备注、数字备注信息,举例如对将要建成的窗户门的总高度、宽度、窗下沿离地距离(即窗下沿高度),以及墙面的长度和高度的描述信息,对将要建成的门的尺寸、颜色的描述信息。
关于步骤三
进一步的,在步骤三中,在经步骤二处理得到的室内三维结构图的基础上,考虑到墙面图形一般用矩形进行表示,也即墙面图形具有一定的宽度和高度,因此在进行室内结构提取之前还需要进行墙面图形的细化处理,本步骤首先随机提取不同墙面图形的交汇区域图形上的点,该交汇区域图形一般也为矩形,以及提取墙面图形与代表门图形和窗图形的直线段相接的端点位置,接着本步骤通过使用墙面细化算法将墙面图形细化为直线段,同时生成对该直线段的语义描述信息,进而得到室内三维结构图的简化图,该语义描述信息包括对直线段两端端点的位置描述信息,以及从室内三维结构图内提取的关于墙面图形的文字备注、数字备注信息,其中,作为本发明的一种优选技术方案,步骤三中所述墙面细化算法还包括如下执行步骤:
第一步、以图1c中线段2为例,依照距离阈值κ对不同墙面图形的交汇区域图形上的点分别进行聚类处理,从而将彼此之间的距离值小于等于κ的点划分到同一点组,将距离阈值κ的计算描述为如下公式:其中,d代表室内三维结构图上墙面图形的墙高,ε代表可接受的计算误差,也即第一密码。
第二步、由于满足组内彼此之间距离小于等于κ同一点组有无穷多个,即按照图1c从一端在墙高顶点计算,另一端在其下κ处的聚类的点组,其尾端长度受到大于零的小值ε的控制,根据上式为点组的中心点,则该点组按照图1c中箭头向下竖直运动,则形成无穷多个点组,直到其所述另一端接触到该房间的楼层地面。在运动过程中每一个点组中心点的轨迹即为所有所述点组内的中心点集合成的中心线,在线段2上以线段αβ表示。采用蒙特卡罗法选出线段2生成的中心线αβ上的一个第二标识点γ。以此类推,线段1,3,4,5,的第二标识点分别为在图1d中显示为δ、θ、η,以及ω。
现在,在室内三维结构图上,针对不包含窗户图形和门图形的墙面图形A和C,连接不同的墙面图形的交汇区域图形的所述第二标识点δγ,以及θη,从而将墙面A和C图形细化为第一直线段δγ和θη;
第三步、针对包含窗户图形和/或门图形的墙面图形B和D,连接墙面图形的交汇区域图形的所述第二标识点γ和墙面图形B与代表窗abcd图形的直线段cd相接的端点d,以第二标识点δ和墙面图形D与代表门efgh图形的直线段gh相接的端点g、从而将墙面图形B和D细化为第二直线段γd和δg。
具体的,经过上述处理步骤得到的室内三维结构图的简化图于图1d,由墙面图形的替换图形即直线段和该直线段两端的端点,以及窗户图形与门图形的替换图形即折直线段和该折直线段各端点组成,同时还包括对不同的直线段和其端点的语义描述信息,室内三维结构图的简化图能够以简单的点和线段的连接组成关系来代表建筑物的室内结构,避免了从原室内三维结构图内提取建筑物室内结构的复杂度问题。
关于步骤四
进一步的,在步骤四中,在已经获取了室内三维结构图的简化图的前提下,还需要进一步进行空间搜索多维编码,从而得到建筑物室内的各个房间结构,及关于房间结构的语义描述信息以及相应的多维编码,为实现上述的目的,本步骤中首先以图1d简化图中的线段端点g、δ、γ、d、θ、η,作为顶点,以上述简化图中的线段作为边生成基于随机算法的随机无向图。图1d中还示例性给出了隔墙上的线段ηω作为维系一侧另一房间的线段,也属于随机无向图中的边。接着在该随机无向图中使用空间搜索多维编码算法从中提取出各个房间结构,同时生成对房间结构的语义描述信息,最终得到关于室内三维结构图的语义模型,其中,上述的空间搜索多维编码算法包括如下执行步骤:
第一步、定义地理区域内点的彩色值RGB,每一原色值分为255阶,图1a-1d的房间即为图1e中筒子楼语义模型顶层靠西边户,其中示出了其第一标识点为投影Pr的西南角顶点。
将筒子楼在地面投影Pr的外接矩形,投影即其本身Pr的长维度、宽维度,以及筒子楼高维度都分为2253份,三原色按照在R、G、B中的排序各从0阶开始,随着点在相应维度上运动变化而份的量增加而依次循环从0阶一直增加至满阶255,也即R、G、B先R开始从0阶增阶,且每增加1阶固定不动,而G再开始从0阶增加,且每增加1阶也固定不动,最后变动B从0阶一直到255满阶,然后循环值R增加1阶固定不动而G、B清为0阶,再增加G到1阶固定不动,然后B从0阶增加到255阶之后,接着R第三次增加到3阶G、B再次清为零阶,以此类推,直至变为纯白色255、255、255,点正好从相应维度的一端起始点运动到末端点。
图1e中例举了长维度直线段从第一标识点出发到投影Pr的另一末端点i的彩色值变化规律,从0、0、0、一致变化到255、255、255,其中显示出了R最后增加为255阶固定不变之后的变化情况描述。中间存在G最后增加到255时固定不变的状态,从B为0阶开始一直变化到白色255、255、255,由此将长维度分为2253份,每一份内的点视作同一彩色值,且等于该份内的起始端的彩色值。
同理,图1e中从第一标识点到投影Pr的西北角顶点j为宽维度,也分成2253份,其彩色值变化与长维度一致。高维度,则从顶层顶面西北角顶点k开始一致变化到j点,其彩色值变化与长维度也一致。
则筒子楼中任一点的彩色值表示即将其投影至地面依次获取长维度、宽维度,以及高维度对应的三组彩色值组成的组,而作为该点的彩色值表示。
对于直线段则同样采用蒙特卡罗法的选取其中一点的相应彩色值表示。如图1f所示线段gδ、δγ、γd、θη上形成的选取点分别为l、m、n、o,以其彩色值分别表示线段。相应彩色值即为第三密码;而所述第二标识点相应彩色值即为第二密码。
接下来对于所述随机无向图中的每个顶点g、δ、γ、d、θ、η,分别计算图中从顶点出发且能够回到该顶点的所有路径信息,该路径信息包括对随机无向图中的顶点和边的遍历序列。
如图2所示,定义二维矩形矩阵编码图P,以顶点和边表示的彩色值按规定顺序方向即列向,如箭头从左往右依次间隔排布至编码图P中的矩形格中,形成一条路径的一行彩色值排布的矩形格序列,而不同的路径,彩色值排布到不同的另一顺序方向上,即行向,如箭头从上往下矩形格行中,未排布上的矩形格为黑矩形格。
其中每个顶点和边表示的彩色值分为三个像素的颜色值来表示,如图2所示左上角分别为在长、宽、高上维度对应的颜色值排布在编码图P中一个四等分的矩形格中。图2示例性给出了P左上第一个矩形格的划分为四等分的像素表示,剩余右下一等分格为空白格(空)255、255、255。所述矩形格都为正方格。
图2中,P中遍历了各个能返回的路径的情况,并且每一行表示的一个路径中,每个矩形格都是点和边表示的选取点(图1f)间隔排布。未排布的矩形格统一填满为黑0、0、0。
由此生成对顶点和边的语义描述信息,该语义描述信息分别对应室内三维结构图的简化图上线段端点和线段的语义描述信息。
第二步、根据所述编码图P,判断路径信息内是否至少包含一个门图形的对应边的端点,及一个窗图形的对应边的端点;如图2除左端画×的行,其他路径都是至少包含一个门图形的对应边的端点,及一个窗图形的对应边的端点。
第三步、将编码图P中保留满足上述第二步中判断条件的路径信息对应的顺序方向上的矩形格序列,而删除不满足的顺序方向上的矩形格序列,再拼合剩下的矩形格形成结构编码图P2,如图3所示,并依据数字备注得出室内三维结构图的各个房间结构,并得到关于室内三维结构图的语义模型,该语义模型包括组成房间的不同边和边所连接的不同顶点,还包括对各条边和各个顶点的语义描述信息。
其中,语义模型是针对得到的各个房间结构而将不同的墙体、门窗进行相应的色块的填充而获得(图3)。为了清楚显示,墙D并未赋予色块。
关于第二步中判断路径信息内是否至少包含一个门图形的对应边,及一个窗图形的对应边的方法如下:
S1如图4所示,获取多幅编码图P,将每一幅其中对应含窗户图形和门图形的对应边的所述规定顺序方向的矩形格序列,和不含窗户图形和门图形的对应边的所述规定顺序方向的矩形格序列,分别都划分成训练集和验证集,两者比例为3:1;
S2将各训练集和对应验证集中矩形格序列进行行向和列向扩增(如图5)形成识别图T,形成尺寸至少为255*255的方阵,形成各训练方阵和验证方阵。考虑到客厅,餐厅,卫生间,厨房,卧式,书房等组成的多于6个房间,实际一个楼层构成的P和P2要大于图2和图3中例举的一个房间的P和P2。鉴于图2一个房间已经为26列像素,则6个房间则至少152列像素,因此仅需扩增一倍即可。
其中图5示出了含窗户图形和门图形和不含窗户图形和门图形的扩增过程方式。对于图2中第一行矩形格序列则通过箭头方向扩增为较大的图。第一个×掉的矩形格序列则同样方式进行扩增。
S3继续如图4所示,将所有训练方阵输入卷积神经网络CNN中,输出端连接全连接层FC,输入softmax分类函数进行二分判断,0表示不含窗户图形和门图形的对应边,1表示含窗户图形和门图形的对应边,使用验证方阵验证准确率,计算损失函数,调整网络参数,继续使用训练方阵训练,直至损失函数最小,完成CNN模型训练;
S4逐行扫描待识别编码图P的每一路径信息对应的每一行矩形格序列,并将其按照如图5的步骤S2扩增方式形成待测识别图T',将其输入至S3中训练好的CNN模型中,获得对应扫描的序列是否含有窗户图形和门图形的对应边。
关于步骤五
步骤五中、对于建筑物三维模型,如图6a所示,按照与该模型各个楼层对应的室内三维结构图的语义模型,即各个楼层结构编码图P2的按照Z方向的叠连而形成的三维编码图P3,从P2-1、P2-2一直叠连到代表图1e中筒子楼语义模型顶层的P2-n,n为楼总层数。
为了更加形象化叠连,此处采用一定厚度的块替代各个二维P2,由此分别生成单栋建筑物三维模型各个楼层的室内结构。
对于小区以及地理区域内建筑物三维模型,如图7所示,分别按照与该模型中所有建筑物对应的室内三维结构图的语义模型,也即按照各个建筑物的第一标识点坐标,而将P3在二维平面上分布,形成四维编码图P4,以及如图8所示按照小区内间预选的标志建筑中第一标识的坐标位置,而分布在地理区域上两个小区的P4-1和P4-2,而形成五维编码图P5,预选的标志建筑第一标识的坐标即成为第四密码。
其中P3在所述二维平面上分布,以及P4分布在地理区域上的方法分别是将P3中如图6所示的Q点,即底层P2的西南角顶点,与P3对应的筒子楼语义模型按照第一标识点重合,以及将P4中任一一点与预选的标志建筑中第一标识点重合。
如图6b中,P3与P4在分别与所述对应的建筑物按照第一标识点重合以及图7和8中与预选的标志建筑中第一标识点重合之后各自的内在直线段取向不变。也即这些图中任一P2在P3和P4排布完成之后任一矩形格中三个代表长宽高的像素彩色值不变。
具体的,经由上述的处理步骤得到的室内三维结构图的语义模型,不仅包含了建筑物室内各个房间的组成情况,而且包含了不同房间内门、窗户的具体位置分布情况,同时还包含对于房间组成情况,组成房间的墙面、门、窗户的语义描述信息,举例如对组成房间的将要建成的墙面的高度描述信息,对组成房间的将要建成的窗户的尺寸描述信息等。
进一步的,在步骤五中,由于通过执行上述的步骤一至步骤四,以建筑物的不同楼层为基本单位,系统已经构建了建筑物不同楼层的室内三维结构图的语义模型,该语义模型记录了组成建筑物室内各个房间的墙面、窗户、门的位置关系和连接关系,以及对于墙面、门、窗户的语义描述信息,因此在本步骤中能够在现有的建筑物三维模型的基础之上,根据建筑物各楼层的室内三维结构图的语义模型,由系统建立起建筑物各楼层的室内结构,并将语义描述信息与对应的室内结构进行绑定,最终实现将现有的建筑物三维模型与其室内三维结构图进行融合,使建筑物三维模型发挥出更大的作用。
本发明还提供基于多维图像编码的建筑物室内语义模型的构建系统,用来实现上述内容所描述的基于多维图像编码的建筑物室内语义模型的构建方法,具体如图9所示,包括如下的模块:
第一模块、获取建筑物各个楼层的室内三维结构图,该室内三维结构图包含由点、直线段、曲线段组成的墙面图形,房间图形,窗户图形,门图形,以及与这些图形相关的文字备注、数字备注,其中所述数字备注包括点在地理区域中的三维坐标、用于标识各建筑在所述地理区域内相对位置的第一标识点坐标,以及层高、楼层数、门窗宽度总高和窗下沿高度;
第二模块、定义所述室内三维结构图中窗户图形和门图形的识别规则,按照该识别规则从室内三维结构图中识别出这些图形,并在室内三维结构图上,将窗户图形和门图形替换为两端均与墙面图形相接的折直线段,或直线段和/或曲线段围成封闭图形,且记录该折直线段或封闭图形两端端点或顶点的三维坐标位置,同时生成对该折直线段或封闭图形的语义描述信息;
第三模块、基于经S2处理得到的室内三维结构图,通过使用墙面细化算法随机提取不同墙面图形的交汇区域图形上的点,以及提取墙面图形与代表门图形和窗图形的直线段相接的所述端点或所述顶点的所述三维坐标位置,将墙面图形细化为直线段,同时生成对该直线段的语义描述信息,进而得到室内三维结构图的简化图;
第四模块、依据所述室内三维结构图的简化图,以该简化图中的点作为顶点,以该简化图中的线段作为边生成基于随机算法的随机无向图,并在该随机无向图中使用空间搜索多维编码算法从中提取出各个房间结构,同时生成对房间结构的语义描述信息,从而得到关于室内三维结构图的语义模型;
第五模块、对于建筑物三维模型,按照与该模型各个楼层对应的室内三维结构图的语义模型,分别生成单栋建筑物三维模型各个楼层的室内结构;对于小区以及地理区域内建筑物三维模型,按照与该模型中所有建筑物对应的室内三维结构图的语义模型,分别生成小区以及地理区域建筑物三维模型所有楼层的室内结构。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述的实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述的实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于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,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (17)
1.基于多维图像编码的建筑物室内语义模型的构建方法,其特征在于,通过以下步骤来实现:
步骤一、获取建筑物各个楼层的室内三维结构图,该室内三维结构图包含由点、直线段、曲线段组成的墙面图形,房间图形,窗户图形,门图形,以及与这些图形相关的文字备注、数字备注,其中所述数字备注包括点在地理区域中的三维坐标、用于标识各建筑在所述地理区域内相对位置的第一标识点坐标,以及层高、楼层数、门窗宽度总高和窗下沿高度;
步骤二、定义所述室内三维结构图中窗户图形和门图形的识别规则,按照该识别规则从室内三维结构图中识别出这些图形,并在室内三维结构图上,将窗户图形和门图形替换为两端均与墙面图形相接的折直线段,或直线段和/或曲线段围成封闭图形,且记录该折直线段或封闭图形两端端点或顶点的三维坐标位置,同时生成对该折直线段或封闭图形的语义描述信息;
步骤三、基于经步骤二处理得到的室内三维结构图,通过使用墙面细化算法随机提取不同墙面图形的交汇区域图形上的点,以及提取墙面图形与代表门图形和窗图形的直线段相接的所述端点或所述顶点的所述三维坐标位置,将墙面图形细化为直线段,同时生成对该直线段的语义描述信息,进而得到室内三维结构图的简化图;
步骤四、依据所述室内三维结构图的简化图,以该简化图中的点作为顶点,以该简化图中的线段作为边生成基于随机算法的随机无向图,并在该随机无向图中使用空间搜索多维编码算法从中提取出各个房间结构,同时生成对房间结构的语义描述信息,从而得到关于室内三维结构图的语义模型;
步骤五、对于单栋建筑物三维模型,按照与该模型各个楼层对应的室内三维结构图的语义模型,分别生成单栋建筑物三维模型各个楼层的室内结构;对于小区以及地理区域内建筑物三维模型,按照与该模型中所有建筑物对应的室内三维结构图的语义模型,分别生成小区以及地理区域建筑物三维模型所有楼层的室内结构。
2.根据权利要求1所述的一种建筑物室内语义模型的构建方法,其特征在于,步骤二中对于室内三维结构图中窗户图形和门图形的识别规则包括,将门图形定义为由相邻的直线段和/或弧线段相互连接组成的图形,且该弧线段对应的弧度为九十度,将窗图形定义为由线段数量3或4的一组相互连接的直线段组成,且各条直线段的长度相同。
3.根据权利要求1或2所述的一种建筑物室内语义模型的构建方法,其特征在于,步骤二中生成对窗户图形和门图形的替换图形即线段的语义描述信息,以及步骤三中生成对墙面图形的替换图形即直线段的语义描述信息,该生成过程包括生成对线段两端端点的位置描述信息,并从室内三维结构图内提取关于窗户图形、门图形、以及墙面图形的文字备注、所述数字备注信息。
4.根据权利要求3所述的一种建筑物室内语义模型的构建方法,其特征在于,步骤三中所述墙面细化算法还包括如下执行步骤:
第一步、依照距离阈值κ对不同墙面图形的交汇区域图形上的点分别进行聚类处理,从而将彼此之间的距离值小于等于κ的点划分到同一点组,将距离阈值κ的计算描述为如下公式:其中,d代表室内三维结构图上墙面图形的墙宽或墙高,ε代表可接受的计算误差,也即第一密码;其中,若墙高大于墙宽,d选择为墙宽,反之选择墙高。
第二步、所有所述点组内的中心点集合成中心线,采用第一随机算法选出所述中心线上的一个第二标识点,并在室内三维结构图上,针对不包含窗户图形和门图形的墙面图形,连接不同的墙面图形的交汇区域图形的所述第二标识点,从而将墙面图形细化为第一直线段;
第三步、针对包含窗户图形和/或门图形的墙面图形,连接墙面图形的交汇区域图形的所述第二标识点和墙面图形与代表门图形、窗图形的线段相接的任选的一个所述端点,从而将墙面图形细化为第二直线段。
5.根据权利要求1,2,4中任一项所述的一种建筑物室内语义模型的构建方法,其特征在于,步骤四中所述空间搜索多维编码算法包括如下执行步骤:
第一步、定义地理区域内点的彩色值RGB,每一原色值分为255阶,将建筑物在地面投影的外接矩形的长维度、宽维度,以及建筑物高维度都分为2553份,三原色按照在R、G、B中的排序各从0阶开始,随着点在相应维度上运动变化而份的量增加而依次循环从0阶一直增加至满阶255,也即R、G、B先R开始从0阶增阶,且每增加1阶固定不动,而G再开始从0阶增加,且每增加1阶也固定不动,最后变动B从0阶一直到255满阶,然后循环值R增加1阶固定不动而G、B清为0阶,再增加G到1阶固定不动,然后B从0阶增加到255阶之后,接着R第三次增加到3阶G、B再次清为零阶,以此类推,直至变为纯白色255、255、255,点正好从相应维度的一端起始点运动到末端点,则建筑物中任一点的彩色值表示即将其投影至地面依次将长维度、宽维度,以及高维度对应的三组彩色值组成的组作为该点的彩色值表示;而线段采用预设规则的其中一点的相应彩色值表示,预设规则为按照第二随机算法从线段中选取一点,该选取点的相应彩色值即为第三密码;而所述第二标识点的相应彩色值即为第二密码;
接下来对于所述随机无向图中的每个顶点,分别计算图中从顶点出发且能够回到该顶点的所有路径信息,该路径信息包括对随机无向图中的顶点和边的遍历序列,定义二维矩形矩阵编码图P,以顶点和边表示的彩色值按规定顺序方向依次间隔排布至编码图P中的矩形格中,形成一条路径对应的彩色值排布的矩形格序列,而不同的路径,彩色值则排布到不同的另一顺序方向上矩形格组中,未排布上的矩形格为黑矩形格,其中每个顶点和边表示的彩色值分为三个像素的颜色值来表示,分别为在长、宽、高上维度对应的颜色值排布在编码图P中一个矩形格中表示,所述矩形格组由矩形格组成的矩形格行或矩形格列构成,由此生成对顶点和边的语义描述信息,该语义描述信息分别对应室内三维结构图的简化图上线段端点和线段的语义描述信息;
第二步、根据所述编码图P,判断路径信息内是否至少包含一个门图形的对应边的端点,及一个窗图形的对应边的端点;
第三步、将编码图P中保留满足上述第二步中判断条件的路径信息对应的顺序方向上的矩形格序列,而删除不满足的顺序方向上的矩形格序列,再拼合剩下的矩形格形成结构编码图P2,并依据数字备注得出室内三维结构图的各个房间结构,并得到关于室内三维结构图的语义模型,该语义模型包括组成房间的不同边和边所连接的不同顶点,还包括对各条边和各个顶点的语义描述信息。
6.根据权利要求5所述的一种建筑物室内语义模型的构建方法,其特征在于,所述规定顺序方向为行或列向,而另一顺序方向为列或行向,其中所述行向为从左至右或从右至左中选择,列向为从上至下或从下至上中选择。
7.根据权利要求5或6所述的一种建筑物室内语义模型的构建方法,其特征在于,所述在长、宽、高上维度对应的颜色值排布在编码图P中一个矩形格中的具体方法为将矩形格分为四等分,按照预设顺序依次填满每一等分以对应维度上的颜色值,剩余一格为空白格255、255、255。
8.根据权利要求7所述的一种建筑物室内语义模型的构建方法,其特征在于,所述矩形格为正方格。
9.根据权利要求6或8所述的一种建筑物室内语义模型的构建方法,其特征在于,所述语义描述信息包括点的和按照第二随机算法从线段中选取的点的三维坐标位置描述信息,以及从室内三维结构图内提取的关于墙面图形、窗图形,门图形的文字备注、数字备注信息。
10.根据权利要求9所述的一种建筑物室内语义模型的构建方法,其特征在于,语义模型是针对得到的各个房间结构而将不同的墙体、门窗进行相应的色块的填充而获得。
11.根据权利要求6,8或10所述的一种建筑物室内语义模型的构建方法,其特征在于,其中第一随机算法和第二随机算法可以为相同随机算法或不同的随机算法,是在如下算法中任选:数值概率算法、蒙特卡罗法、拉斯维加斯算法、舍伍德算法。
12.根据权利要求11所述的一种建筑物室内语义模型的构建方法,其特征在于,其中,第二步中判断路径信息内是否至少包含一个门图形的对应边,及一个窗图形的对应边的方法如下:
S1获取多幅编码图P,将每一幅其中对应含窗户图形和门图形的对应边的所述规定顺序方向的矩形格序列,和不含窗户图形和门图形的对应边的所述规定顺序方向的矩形格序列,分别都划分成训练集和验证集,两者比例为5-3:1-2;
S2将各训练集和对应验证集中矩形格序列进行行向和列向扩增形成识别图T,形成尺寸至少为255*255的方阵,形成各训练方阵和验证方阵;
S3将所有训练方阵输入卷积神经网络CNN中,输出端连接全连接层FC,输入softmax分类函数进行二分判断,0表示不含窗户图形和门图形的对应边,1表示含窗户图形和门图形的对应边,使用验证方阵验证准确率,计算损失函数,调整网络参数,继续使用训练方阵训练,直至损失函数最小,完成CNN模型训练;
S4扫描待识别编码图P的每一路径信息对应的矩形格序列,并将其按照步骤S2扩增形成待测识别图T',将其输入至S3中训练好的CNN模型中,获得对应扫描的序列是否含有窗户图形和门图形的对应边。
13.根据权利要求6,8,10或12所述的一种建筑物室内语义模型的构建方法,其特征在于,步骤五中、对于建筑物三维模型,按照与该模型各个楼层对应的室内三维结构图的语义模型,即各个楼层结构编码图P2的按照Z方向的叠连而形成的三维编码图P3,分别生成单栋建筑物三维模型各个楼层的室内结构;对于小区以及地理区域内建筑物三维模型,分别按照与该模型中所有建筑物对应的室内三维结构图的语义模型,也即按照各个建筑物的第一标识点坐标,而将P3在二维平面上分布,形成四维编码图P4,以及按照小区内间预选的标志建筑中第一标识的坐标位置,而分布在地理区域上各小区的P4,而形成五维编码图P5,预选的标志建筑第一标识的坐标即成为第四密码。
14.根据权利要求13所述的一种建筑物室内语义模型的构建方法,其特征在于,其中P3在所述二维平面上分布,以及P4分布在地理区域上的方法分别是将P3中任一一点与P3对应的建筑物语义模型按照第一标识点重合,以及将P4中任一一点与预选的标志建筑中第一标识点重合。
15.根据权利要求14所述的一种建筑物室内语义模型的构建方法,其特征在于,P3与P4在分别与所述对应的建筑物按照第一标识点重合以及与预选的标志建筑中第一标识点重合之后各自的内在直线段取向不变,或者按照预设的方向整体进行偏转或平移。
16.基于多维图像编码的建筑物室内语义模型的构建系统,用于实现如权利要求1-15任一项所述的方法,其特征在于,包括如下模块:
第一模块、获取建筑物各个楼层的室内三维结构图,该室内三维结构图包含由点、直线段、曲线段组成的墙面图形,房间图形,窗户图形,门图形,以及与这些图形相关的文字备注、数字备注,其中所述数字备注包括点在地理区域中的三维坐标、用于标识各建筑在所述地理区域内相对位置的第一标识点坐标,以及层高、楼层数、门窗宽度总高和窗下沿高度;
第二模块、定义所述室内三维结构图中窗户图形和门图形的识别规则,按照该识别规则从室内三维结构图中识别出这些图形,并在室内三维结构图上,将窗户图形和门图形替换为两端均与墙面图形相接的折直线段,或直线段和/或曲线段围成封闭图形,且记录该折直线段或封闭图形两端端点或顶点的三维坐标位置,同时生成对该折直线段或封闭图形的语义描述信息;
第三模块、基于经S2处理得到的室内三维结构图,通过使用墙面细化算法随机提取不同墙面图形的交汇区域图形上的点,以及提取墙面图形与代表门图形和窗图形的直线段相接的所述端点或所述顶点的所述三维坐标位置,将墙面图形细化为直线段,同时生成对该直线段的语义描述信息,进而得到室内三维结构图的简化图;
第四模块、依据所述室内三维结构图的简化图,以该简化图中的点作为顶点,以该简化图中的线段作为边生成基于随机算法的随机无向图,并在该随机无向图中使用空间搜索多维编码算法从中提取出各个房间结构,同时生成对房间结构的语义描述信息,从而得到关于室内三维结构图的语义模型;
第五模块、对于建筑物三维模型,按照与该模型各个楼层对应的室内三维结构图的语义模型,分别生成单栋建筑物三维模型各个楼层的室内结构;对于小区以及地理区域内建筑物三维模型,按照与该模型中所有建筑物对应的室内三维结构图的语义模型,分别生成小区以及地理区域建筑物三维模型所有楼层的室内结构。
17.一种计算机可读非暂时性存储介质,其中存储有可由权利要求16所述的系统运行而实现如权利要求1-15中任一项方法的计算机可读程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262542.5A CN116228985B (zh) | 2023-03-17 | 2023-03-17 | 基于多维图像编码的建筑物室内语义模型的构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262542.5A CN116228985B (zh) | 2023-03-17 | 2023-03-17 | 基于多维图像编码的建筑物室内语义模型的构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228985A true CN116228985A (zh) | 2023-06-06 |
CN116228985B CN116228985B (zh) | 2023-10-20 |
Family
ID=86591075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310262542.5A Active CN116228985B (zh) | 2023-03-17 | 2023-03-17 | 基于多维图像编码的建筑物室内语义模型的构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228985B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371106A (zh) * | 2023-11-01 | 2024-01-09 | 河南省云鹏实业有限公司 | 一种建筑物室内语义模型的构建方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759840A (zh) * | 2018-05-25 | 2018-11-06 | 北京建筑大学 | 一种室内外一体化三维导航路径规划方法 |
CN110166759A (zh) * | 2018-05-28 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像的处理方法和装置、存储介质、电子装置 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN112288750A (zh) * | 2020-11-20 | 2021-01-29 | 青岛理工大学 | 一种基于深度学习网络的机械装配体图像分割方法和设备 |
CN113160177A (zh) * | 2021-04-23 | 2021-07-23 | 杭州电子科技大学 | 一种基于超像素和图卷积网络的平面分割方法 |
CN113436319A (zh) * | 2021-07-01 | 2021-09-24 | 泰瑞数创科技(北京)有限公司 | 一种城市室内三维语义模型的异形排列矩阵构建方法及其系统 |
CN114169037A (zh) * | 2021-05-25 | 2022-03-11 | 深圳市数字城市工程研究中心 | 一种建筑物室内真三维导航空间数据模型 |
CN114842361A (zh) * | 2022-05-18 | 2022-08-02 | 深圳市边界智控科技有限公司 | 基于视觉及雷达的无人机着陆点检测方法及相关设备 |
CN114912449A (zh) * | 2022-07-18 | 2022-08-16 | 山东大学 | 基于代码描述文本的技术特征关键词抽取方法与系统 |
CN114926699A (zh) * | 2022-07-20 | 2022-08-19 | 深圳大学 | 一种室内三维点云语义分类方法、装置、介质及终端 |
CN115393583A (zh) * | 2022-07-21 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
CN115797777A (zh) * | 2022-12-20 | 2023-03-14 | 北京航空航天大学 | 一种基于层次化学习的多等级灾害检测方法 |
-
2023
- 2023-03-17 CN CN202310262542.5A patent/CN116228985B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759840A (zh) * | 2018-05-25 | 2018-11-06 | 北京建筑大学 | 一种室内外一体化三维导航路径规划方法 |
CN110166759A (zh) * | 2018-05-28 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像的处理方法和装置、存储介质、电子装置 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN112288750A (zh) * | 2020-11-20 | 2021-01-29 | 青岛理工大学 | 一种基于深度学习网络的机械装配体图像分割方法和设备 |
CN113160177A (zh) * | 2021-04-23 | 2021-07-23 | 杭州电子科技大学 | 一种基于超像素和图卷积网络的平面分割方法 |
CN114169037A (zh) * | 2021-05-25 | 2022-03-11 | 深圳市数字城市工程研究中心 | 一种建筑物室内真三维导航空间数据模型 |
CN113436319A (zh) * | 2021-07-01 | 2021-09-24 | 泰瑞数创科技(北京)有限公司 | 一种城市室内三维语义模型的异形排列矩阵构建方法及其系统 |
CN114842361A (zh) * | 2022-05-18 | 2022-08-02 | 深圳市边界智控科技有限公司 | 基于视觉及雷达的无人机着陆点检测方法及相关设备 |
CN114912449A (zh) * | 2022-07-18 | 2022-08-16 | 山东大学 | 基于代码描述文本的技术特征关键词抽取方法与系统 |
CN114926699A (zh) * | 2022-07-20 | 2022-08-19 | 深圳大学 | 一种室内三维点云语义分类方法、装置、介质及终端 |
CN115393583A (zh) * | 2022-07-21 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
CN115797777A (zh) * | 2022-12-20 | 2023-03-14 | 北京航空航天大学 | 一种基于层次化学习的多等级灾害检测方法 |
Non-Patent Citations (2)
Title |
---|
杨帆: "激光点云室内空间划分与自动建模方法", 《中国博士学位论文全文数据库 基础科学辑》, no. 2, pages 005 - 72 * |
薛梅: "一种基于地理实体的异构三维空间数据集成方法", 《测绘通报》, vol. 2, pages 247 - 252 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371106A (zh) * | 2023-11-01 | 2024-01-09 | 河南省云鹏实业有限公司 | 一种建筑物室内语义模型的构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116228985B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436319B (zh) | 城市室内三维语义模型的异形排列矩阵构建方法及其系统 | |
CN110543716B (zh) | 三维架空电缆层级电网优化方法、装置和计算机设备 | |
CN116228985B (zh) | 基于多维图像编码的建筑物室内语义模型的构建方法及系统 | |
CN102565810B (zh) | 一种遥感影像上土地利用地物边界轮廓提取方法 | |
CN115269751A (zh) | 地理实体时空知识图谱本体库构建方法 | |
CN109101732B (zh) | 基于地形特征界线的无汊河道二维结构网格剖分方法 | |
CN108022273A (zh) | 一种图数可拆合制图方法及系统 | |
CN107092978B (zh) | 一种面向虚拟地球的最短路径分层规划方法 | |
CN113487523B (zh) | 图形轮廓优化方法、装置、计算机设备和存储介质 | |
CN106204719B (zh) | 基于二维邻域检索的三维场景中海量模型实时调度方法 | |
US7426455B1 (en) | Optimal boolean set operation generation among polygon-represented regions | |
CN113254559A (zh) | 一种基于地理信息系统的设备选址方法 | |
CN109544687A (zh) | 一种定向分层分户图扩展方法 | |
CN100407231C (zh) | 用于图像转图形中边界线追踪的优化方法 | |
CN114820975A (zh) | 基于全要素参数符号化的三维场景仿真重构系统及方法 | |
Zhang et al. | A geometry and texture coupled flexible generalization of urban building models | |
Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
CN109859308A (zh) | 基于城市矢量数据的房屋简单三维模型构建方法 | |
CN112465962A (zh) | 一种面向大场景三维实景数据的动态更新方法 | |
CN115033972B (zh) | 一种建筑主体结构批量单体化方法、系统及可读存储介质 | |
KR101063827B1 (ko) | 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법 | |
CN115952252A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN110766790A (zh) | 参数驱动的高速铁路桥梁自适应多层次三维可视化方法 | |
CN114756932A (zh) | 基于v-tmm计算建筑物与绿地拓扑关系的方法 | |
CN106951886B (zh) | 一种提取空间邻接关系特征的方法及装置 |
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 |