CN116580419A - 一种基于ai的建筑模型测试方法 - Google Patents
一种基于ai的建筑模型测试方法 Download PDFInfo
- Publication number
- CN116580419A CN116580419A CN202310858484.2A CN202310858484A CN116580419A CN 116580419 A CN116580419 A CN 116580419A CN 202310858484 A CN202310858484 A CN 202310858484A CN 116580419 A CN116580419 A CN 116580419A
- Authority
- CN
- China
- Prior art keywords
- matching
- building
- height
- building model
- straight line
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于AI的建筑模型测试方法，运用于图像处理技术领域，其方法包括：获取用户终端输入的建筑模型，对建筑模型的高度进行识别；统筹建筑物地基的要素因子和安全系数，其中由要素因子确定安全系数；根据实地现场的视频对建筑模型的受光面进行测试，由受光面输出受光高度；将所述受光高度与安全高度以及建筑模型的预设高度进行匹配比对，得到修改后的建筑物数据；将所述建筑物数据发送至用户终端；本申请将受光高度与建筑模型的预设高度进行匹配比对，获取建筑物的高度后从而测试建筑物的受光面，并将其修改后的建筑物数据发送至用户终端，使用户清晰的了解建筑物模型的受光面，判断其建筑的采光是否良好。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于AI的建筑模型测试方法。
背景技术
建筑模型介于平面图纸与实际立体空间之间，它把两者有机的联系在一起，是一种三维的立体模式，建筑模型有助于设计创作的推敲，可以直观地体现设计意图，弥补图纸在表现上的局限性，它既是设计师设计过程的一部分，同时也属于设计的一种表现形式，被广泛应用于城市建设、房地产开发、商品房销售、设计投标与招商合作等方面；在城市建筑时，往往会对设计图像建立建筑模型，并进行检测和识别，通过对建筑模型的修正获得精确的建筑数据，但在目前对建筑模型检测的过程中存在以下问题：
（1）缺乏对建筑模型的地基要素进行全方面的获取和处理，导致实体建筑建造过程中产生偏差；
（2）忽略了对建筑模型受光性的考量，会使后期的实体建筑受光性差，可能会出现烂尾楼，损坏了经济和人力。
参考专利申请号CN202110991235.1公开了基于人工智能的建筑模型识别方法、装置、计算机设备，具体为：获取建筑模型对应的建筑构件图像；其中，所述建筑构件图像为所述建筑模型经过三维到二维转换所得到的图像，每个所述建筑构件图像中至少表征一个构件属性；将所述建筑构件图像输入预设的识别网络进行所述建筑模型中各建筑构件之间的属性关系，并得到各建筑构件之间的属性关系对应的识别结果。
此现有技术采用识别模型自动识别出建筑模型的关联关系，避免依靠人工经验进行建筑模型的调整方式，但其方案不具有实用性，忽略了对对建筑模型受光性的检测，因此本申请提出一种基于AI的建筑模型测试方法。
发明内容
本申请的目的是提供一种基于AI的建筑模型测试方法，旨在解决忽略了对建筑模型受光性的考量，会使后期的实体建筑受光性差的问题。
为实现上述目的，本申请提供如下技术方案：
本申请提供一种基于AI的建筑模型测试方法，包括：
S1：获取用户终端输入的建筑模型，对建筑模型的高度进行识别；
S2：统筹建筑物地基的要素因子和安全系数，其中由要素因子确定安全系数；
S3：根据实地现场的视频对建筑模型的受光面进行测试，由受光面输出受光高度；
S4：将所述受光高度与安全高度以及建筑模型的预设高度进行匹配比对，得到修改后的建筑物数据；
S5：将所述建筑物数据发送至用户终端。
进一步的，所述视频进行旋转校正处理，当卫星采集视频时由南向北飞行时，对视频进行左旋校正，校正前后的坐标变换公式为：；当卫星采集视频时由北向南飞行时，对视频进行右旋校正，校正前后的坐标变换公式为：，其中/>为未校正的图像坐标，/>为校正的图像坐标，为未校正图像的左上角坐标，/>为未校正图像的宽和高；
采用图像边缘生成线特征约束对视频进行区域分离，具体为：利用图像边缘提取算子将视频边缘提取；其次利用直线段提取方法拟合边缘，得到直线段；根据预设的匹配规则进行直线段匹配以及匹配修正操作；得到直线段匹配结果生成左右图像的线特征约束。
进一步的，所述根据预设的匹配规则进行直线段匹配以及匹配修正操作的过程中，包括：
从左视频中选取待匹配的直线段，根据选择的直线段两端点行坐标计算得到行范围，确定匹配区域；从右视频中选取匹配直线段，判断该直线段是否在匹配区域，若不在则继续选择匹配直线段，若在则判断两个匹配直线段之间的方向夹角是否小于阈值；若大于等于阈值则继续匹配直线段，否则根据待匹配直线段的中点行坐标，计算匹配直线段在这一行上的直线交点坐标，作为匹配直线段模板的中心坐标，得到与待匹配直线段匹配模板同样大小的模板；选择相似度测量函数进行计算相似度，若相似度大于阈值，则输出匹配的直线段，以及相似度和两直线段中心坐标列坐标之差。
进一步的，所述根据实地现场的视频对建筑模型的受光面进行测试，由受光面输出受光高度的步骤中，包括：
将视频按帧提取单幅图像，对图像中的建筑物阴影信息进行提取和分析，设建筑物的高度为，建筑物阴影的总长度为/>，/>为卫星高度角，/>为太阳高度角，/>为太阳的方位角，则阴影成像的长度为/>，建筑物的阴影长度为/>，卫星采集视频成像的阴影长度为/>，则/>，通过高度反演计算得到受光高度。
进一步的，所述将所述受光高度与安全高度以及建筑模型的预设高度进行匹配比对，得到修改后的建筑物数据的步骤中，包括：
将受光高度与预设高度采用粗匹配策略，得到正序匹配矩阵和反序匹配矩阵，其中正反序匹配矩阵中包含有匹配相似度以及视差参数，对于一对一的匹配比对结果中视差参数异常，则标记为误匹配；对于一对多的匹配结果，将相似度和视差参数相同的标记为重复匹配；对标记的结果进行对应处理得到修改后的建筑物数据。
进一步的，所述统筹建筑物地基的要素因子和安全系数，其中由要素因子确定安全系数的步骤中，包括：
所述要素因子包括强度、变形、稳定，其中强度是指地基的承载力，变形是指在阈值范围内不同部位的地基沉降差，稳定是指地基具有防止产生倾覆、失稳的能力；根据要素因子判断建筑物地基的安全系数。
进一步的，所述获取用户终端输入的建筑模型，对建筑模型的高度进行识别的步骤中，包括：
根据建筑模型的轮廓进行高程梯度分层，再对各梯度搜索边界和误差过滤，并根据各梯度的高程、空间拓扑关系、点密度提取建筑模型主体顶高，再采用DEM获取建筑模型底高，结合建筑模型主体顶高与建筑模型底高之差得到建筑模型的高度。
进一步的，所述将所述建筑物数据发送至用户终端的步骤中，包括：将修改后的建筑物数据发送至用户终端，用户可对建筑数据提出修改建议。
本申请提供了一种基于AI的建筑模型测试方法，具有以下有益效果：
（1）采用图像边缘生成线特征约束对视频进行区域分离，根据边缘提取、直线段提取以及直线段匹配与修正策略，完成线特征视差的约束，最后获得建筑物的高度，其中解决了传统的边缘退化问题，具有边缘平滑的特性。
（2）将受光高度与建筑模型的预设高度进行匹配比对，采用粗匹配策略得到正序匹配矩阵和反序匹配矩阵，其中正反序匹配矩阵中包含有匹配相似度以及视差参数，对于一对一的匹配比对结果中视差参数异常，则标记为误匹配；对于一对多的匹配结果，将相似度和视差参数相同的标记为重复匹配；利用基于互匹配的线特征匹配修正策略，完成同边缘直线段的查找、合并以及再次匹配的过程，同时利用得到的先验视差约束，对误匹配的直线段进行剔除，并最终得到一一对应的线特征匹配结果，对标记的结果进行对应处理得到修改后的建筑物数据；
（3）对建筑物的高度获取后从而测试建筑物的受光面，并将其修改后的建筑物数据发送至用户终端，使用户清晰的了解建筑物模型的受光面，判断其建筑的采光是否良好。
附图说明
图1为本申请一实施例的一种基于AI的建筑模型测试方法的流程示意图；
图2为本申请一实施例的太阳高度角、卫星高度角、阴影之间的关系图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
参考附图1，为本申请提出的一种基于AI的建筑模型测试方法的流程示意图；
本申请所提供的一种基于AI的建筑模型测试方法，步骤包括：
S1：获取用户终端输入的建筑模型，对建筑模型的高度进行识别；根据建筑模型的轮廓进行高程梯度分层，再对各梯度搜索边界和误差过滤，并根据各梯度的高程、空间拓扑关系、点密度提取建筑模型主体顶高，再采用DEM获取建筑模型底高，结合建筑模型主体顶高与建筑模型底高之差得到建筑模型的高度。
在此步骤中，对建筑模型的高度识别过程具体为：对单个建筑模型的轮廓进行采样，按照高程梯度进行分层，按照格网边搜索离散点边界；根据各边界的空间包含关系、高程关系、采样点密度约束，排除建筑模型表面的装饰高度梯度，以面积最大的高程梯度作为建筑模型的高程梯度；对建筑模型的高程梯度进行误差分析，过滤超过阈值误差的离散采样点，以该梯度内剩余点平均值作为建筑模型的顶高；采用DEM对离散点进行高程采样，以建筑模型的轮廓内最低的采样点作为采样底高，从而结合建筑模型主体顶高与建筑模型底高之差得到建筑模型的高度。
S2：统筹建筑物地基的要素因子和安全系数，其中由要素因子确定安全系数；所述要素因子包括强度、变形、稳定，其中强度是指地基的承载力，变形是指在阈值范围内不同部位的地基沉降差，稳定是指地基具有防止产生倾覆、失稳的能力；根据要素因子判断建筑物地基的安全系数。
在此步骤中，为了使建筑物安全、正常地使用而不遭到破坏，要求地基在荷载作用下不能产生破坏，因此要考虑到地基的强度、变形以及稳定；其中强度是指建筑物通过基础将全部重力荷载和其他作用力传给地基，地基需要具有相应的承载能力；变形是指地基的沉降量需控制在阈值范围内，不同部位的地基沉降差不能过大，否则建筑物上部会产生开裂变形。
S3：根据实地现场的视频对建筑模型的受光面进行测试，由受光面输出受光高度；所述视频进行旋转校正处理，当卫星采集视频时由南向北飞行时，对视频进行左旋校正，校正前后的坐标变换公式为：；当卫星采集视频时由北向南飞行时，对视频进行右旋校正，校正前后的坐标变换公式为：/>，其中/>为未校正的图像坐标，/>为校正的图像坐标，/>为未校正图像的左上角坐标，/>为未校正图像的宽和高；
采用图像边缘生成线特征约束对视频进行区域分离，具体为：利用图像边缘提取算子将视频边缘提取；其次利用直线段提取方法拟合边缘，得到直线段；根据预设的匹配规则进行直线段匹配以及匹配修正操作；得到直线段匹配结果生成左右图像的线特征约束；所述根据预设的匹配规则进行直线段匹配以及匹配修正操作的过程中，包括：从左视频中选取待匹配的直线段，根据选择的直线段两端点行坐标计算得到行范围，确定匹配区域；从右视频中选取匹配直线段，判断该直线段是否在匹配区域，若不在则继续选择匹配直线段，若在则判断两个匹配直线段之间的方向夹角是否小于阈值；若大于等于阈值则继续匹配直线段，否则根据待匹配直线段的中点行坐标，计算匹配直线段在这一行上的直线交点坐标，作为匹配直线段模板的中心坐标，得到与待匹配直线段匹配模板同样大小的模板；选择相似度测量函数进行计算相似度，若相似度大于阈值，则输出匹配的直线段，以及相似度和两直线段中心坐标列坐标之差。
在此步骤中，在一些地势复杂的局部区域，例如城市建筑群，卫星视频不同视角的图像帧之间会出现因遮挡等导致的场景不一致的情况，同时视频中存在的弱纹理相似区，致使在进行立体匹配时，匹配结果出现大量的误匹配；为减少误匹配，我们需要一种稳定的特征将匹配的搜索空间进一步进行约束，在立体匹配中，生成线特征约束的关键是进行线特征匹配，在直线段提取后再进行匹配修正，具体为：为了避免噪声对边缘提取的影响，先对视频进行图像滤波预处理，由于传统的高斯滤波函数在进行平滑滤波时削弱了图像的边缘纹理特征，不利于对视频进行图像滤波的预处理，因此提出一种考虑权值的非线性滤波器，解决了传统的边缘退化问题，具有边缘平滑的特性，公式为：
，
其中为图像在滤波窗口中的像素灰度数值，/>为滤波窗口权值系数，/>为滤波窗口权值和，/>为滤波窗口中心响应；其中权值系数/>由空域权值系数/>和值域权值系数/>组成，公式为：
，
其中分别为空域卷积核标准差和值域卷积核标准差；
采用图像边缘生成线特征约束对视频进行区域分离，对左影像中的直线段逐一进行匹配，即可得到粗匹配结果。在选取匹配直线段的模板窗口时，会重新计算模板中心，按照待匹配直线段的模板窗口大小进行设计匹配窗口。这样设计的原因是由于卫星视频影像本身比较模糊，在经过双边滤波、边缘提取以及直线段提取等操作后，得到的边缘直线段可能并不完整，原本应该连接在一起的边缘会出现分裂等情况，这会导致直接使用直线段自身生成的模板难以匹配上，进而导致线特征匹配数量减少；其次该匹配方法可以完成直线段的部分匹配，例如对图像某一直线边缘，由于某种原因在左影像中提取的不够完整，但在右影像提取完整，那么通过匹配策略可以完成这两条不等同边缘的匹配工作。
在一实施例中，太阳高度角、卫星高度角、阴影之间的关系如图2所示，将视频按帧提取单幅图像，对图像中的建筑物阴影信息进行提取和分析，设建筑物的高度为，建筑物阴影的总长度为/>，/>为卫星高度角，/>为太阳高度角，/>为太阳的方位角，则阴影成像的长度为/>，建筑物的阴影长度为/>，卫星采集视频成像的阴影长度为，则/>，通过高度反演计算得到受光高度，如下是对建筑物的实验统计表：
S4：将所述受光高度与安全高度以及建筑模型的预设高度进行匹配比对，得到修改后的建筑物数据；将受光高度与预设高度采用粗匹配策略，得到正序匹配矩阵和反序匹配矩阵，其中正反序匹配矩阵中包含有匹配相似度以及视差参数，对于一对一的匹配比对结果中视差参数异常，则标记为误匹配；对于一对多的匹配结果，将相似度和视差参数相同的标记为重复匹配；对标记的结果进行对应处理得到修改后的建筑物数据。
在此步骤中，通过线特征的粗匹配工作，我们可以得到存在一对多匹配的线特征匹配结果，这样的匹配结果无法直接用于线特征约束生成，为此提出了一种基于互匹配的线特征匹配修正策略，完成同边缘直线段的查找、合并以及再次匹配的过程，同时利用得到的先验视差约束，对误匹配的直线段进行剔除，并最终得到一一对应的线特征匹配结果；对粗匹配的结果进行分析可知，部分一对多匹配的相似度以及视差结果完全一致或者十分相似，这说明所匹配的多直线段实际属于同一条边缘，因此可以将其进行合并；而对于另一部分匹配结果，其计算视差与一般匹配结果的视差相差较大，甚至超过视差约束，这样的匹配对可以认为是误匹配并将其剔除。
S5：将所述建筑物数据发送至用户终端；将修改后的建筑物数据发送至用户终端，用户可对建筑数据提出修改建议。
综上所述，本申请通过对用户终端输入的建筑模型进行识别得到高度数据，再根据实地现场的视频对建筑模型的受光面进行测试，由受光面输出受光高度，其中采用图像边缘生成线特征约束对视频进行区域分离，利用图像边缘提取算子将视频边缘提取，其次利用直线段提取方法拟合边缘，得到直线段；根据预设的匹配规则进行直线段匹配以及匹配修正操作；得到直线段匹配结果生成左右图像的线特征约束；最后将受光高度与建筑模型的预设高度进行匹配比对，得到修改后的建筑物数据。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。
尽管已经示出和描述了本申请的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由所附权利要求及其等同物限定。
当然，本发明还可有其它多种实施方式，基于本实施方式，本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式，都属于本发明所保护的范围。
Claims (8)
1.一种基于AI的建筑模型测试方法，其特征在于，包括：
S1：获取用户终端输入的建筑模型，对建筑模型的高度进行识别；
S2：统筹建筑物地基的要素因子和安全系数，其中由要素因子确定安全系数；
S3：根据实地现场的视频对建筑模型的受光面进行测试，由受光面输出受光高度；
S4：将所述受光高度与安全高度以及建筑模型的预设高度进行匹配比对，得到修改后的建筑物数据；
S5：将所述建筑物数据发送至用户终端。
2.根据权利要求1所述的一种基于AI的建筑模型测试方法，其特征在于，所述视频进行旋转校正处理，当卫星采集视频时由南向北飞行时，对视频进行左旋校正，校正前后的坐标变换公式为：；当卫星采集视频时由北向南飞行时，对视频进行右旋校正，校正前后的坐标变换公式为：/>，其中/>为未校正的图像坐标，/>为校正的图像坐标，/>为未校正图像的左上角坐标，/>为未校正图像的宽和高；
采用图像边缘生成线特征约束对视频进行区域分离，具体为：利用图像边缘提取算子将视频边缘提取；其次利用直线段提取方法拟合边缘，得到直线段；根据预设的匹配规则进行直线段匹配以及匹配修正操作；得到直线段匹配结果生成左右图像的线特征约束。
3.根据权利要求2所述的一种基于AI的建筑模型测试方法，其特征在于，所述根据预设的匹配规则进行直线段匹配以及匹配修正操作的过程中，包括：
从左视频中选取待匹配的直线段，根据选择的直线段两端点行坐标计算得到行范围，确定匹配区域；从右视频中选取匹配直线段，判断该直线段是否在匹配区域，若不在则继续选择匹配直线段，若在则判断两个匹配直线段之间的方向夹角是否小于阈值；若大于等于阈值则继续匹配直线段，否则根据待匹配直线段的中点行坐标，计算匹配直线段在这一行上的直线交点坐标，作为匹配直线段模板的中心坐标，得到与待匹配直线段匹配模板同样大小的模板；选择相似度测量函数进行计算相似度，若相似度大于阈值，则输出匹配的直线段，以及相似度和两直线段中心坐标列坐标之差。
4.根据权利要求1所述的一种基于AI的建筑模型测试方法，其特征在于，所述根据实地现场的视频对建筑模型的受光面进行测试，由受光面输出受光高度的步骤中，包括：
将视频按帧提取单幅图像，对图像中的建筑物阴影信息进行提取和分析，设建筑物的高度为，建筑物阴影的总长度为/>，/>为卫星高度角，/>为太阳高度角，/>为太阳的方位角，则阴影成像的长度为/>，建筑物的阴影长度为/>，卫星采集视频成像的阴影长度为/>，则/>，通过高度反演计算得到受光高度。
5.根据权利要求1所述的一种基于AI的建筑模型测试方法，其特征在于，所述将所述受光高度与安全高度以及建筑模型的预设高度进行匹配比对，得到修改后的建筑物数据的步骤中，包括：
将受光高度与预设高度采用粗匹配策略，得到正序匹配矩阵和反序匹配矩阵，其中正反序匹配矩阵中包含有匹配相似度以及视差参数，对于一对一的匹配比对结果中视差参数异常，则标记为误匹配；对于一对多的匹配结果，将相似度和视差参数相同的标记为重复匹配；对标记的结果进行对应处理得到修改后的建筑物数据。
6.根据权利要求1所述的一种基于AI的建筑模型测试方法，其特征在于，所述统筹建筑物地基的要素因子和安全系数，其中由要素因子确定安全系数的步骤中，包括：
所述要素因子包括强度、变形、稳定，其中强度是指地基的承载力，变形是指在阈值范围内不同部位的地基沉降差，稳定是指地基具有防止产生倾覆、失稳的能力；根据要素因子判断建筑物地基的安全系数。
7.根据权利要求1所述的一种基于AI的建筑模型测试方法，其特征在于，所述获取用户终端输入的建筑模型，对建筑模型的高度进行识别的步骤中，包括：
根据建筑模型的轮廓进行高程梯度分层，再对各梯度搜索边界和误差过滤，并根据各梯度的高程、空间拓扑关系、点密度提取建筑模型主体顶高，再采用DEM获取建筑模型底高，结合建筑模型主体顶高与建筑模型底高之差得到建筑模型的高度。
8.根据权利要求1所述的一种基于AI的建筑模型测试方法，其特征在于，所述将所述建筑物数据发送至用户终端的步骤中，包括：将修改后的建筑物数据发送至用户终端，用户可对建筑数据提出修改建议。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310858484.2A CN116580419A (zh) | 2023-07-13 | 2023-07-13 | 一种基于ai的建筑模型测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310858484.2A CN116580419A (zh) | 2023-07-13 | 2023-07-13 | 一种基于ai的建筑模型测试方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116580419A true CN116580419A (zh) | 2023-08-11 |
Family
ID=87544032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310858484.2A Pending CN116580419A (zh) | 2023-07-13 | 2023-07-13 | 一种基于ai的建筑模型测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580419A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610142A (zh) * | 2024-01-23 | 2024-02-27 | 山东平安建设集团有限公司 | 一种基于vr技术的建筑设计方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090038127A (ko) * | 2007-10-15 | 2009-04-20 | 한국전자통신연구원 | 3차원 건물 모델 생성 방법 및 장치 |
| KR101020915B1 (ko) * | 2010-03-18 | 2011-03-09 | (주)지오투정보기술 | Rgb 밴드강조와 ihs 색채변환을 이용한 2차원 도시 건물 객체의 경계 필터링 방법 |
| KR20110070660A (ko) * | 2009-12-18 | 2011-06-24 | 한국전자통신연구원 | 3차원 도시 모델링 장치 및 방법 |
| CN107341296A (zh) * | 2017-06-19 | 2017-11-10 | 中国建筑第八工程局有限公司 | 一种基于bim技术的高层群楼采光优化处理方法 |
| CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
| CN109446583A (zh) * | 2018-09-29 | 2019-03-08 | 鼎宸建设管理有限公司 | 基于bim技术的绿色建筑设计方法 |
| CN109948292A (zh) * | 2019-04-01 | 2019-06-28 | 四川大学工程设计研究院有限公司 | 基于bim技术的建筑设计方法 |
| CN111080791A (zh) * | 2019-12-13 | 2020-04-28 | 万翼科技有限公司 | 一种基于轻量化bim模型的建筑分析方法及其系统 |
| CN111692978A (zh) * | 2020-06-04 | 2020-09-22 | 福建睿思特科技股份有限公司 | 一种基于多源影像数据的违章建筑识别方法 |
| WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于图像识别的违章建筑识别方法、装置 |
| US20210110564A1 (en) * | 2019-10-10 | 2021-04-15 | Intermap Technologies, Inc. | First floor height estimation from optical images |
| CN113449371A (zh) * | 2021-07-17 | 2021-09-28 | 武昌工学院 | 基于bim住宅建筑全生命周期分析中的采光分析方法 |
| CN113987659A (zh) * | 2021-11-03 | 2022-01-28 | 山东新汉唐数据科技有限公司 | 一种基于bim技术的建筑设计方法 |
| CN115601503A (zh) * | 2022-10-19 | 2023-01-13 | 辽宁工程技术大学（Cn） | 基于遥感立体影像的建筑物提取系统及方法 |
| CN116189006A (zh) * | 2023-02-13 | 2023-05-30 | 湖南星图空间信息技术有限公司 | 一种支持三维数据的遥感影像建筑物提取方法 |
-
2023
- 2023-07-13 CN CN202310858484.2A patent/CN116580419A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090038127A (ko) * | 2007-10-15 | 2009-04-20 | 한국전자통신연구원 | 3차원 건물 모델 생성 방법 및 장치 |
| KR20110070660A (ko) * | 2009-12-18 | 2011-06-24 | 한국전자통신연구원 | 3차원 도시 모델링 장치 및 방법 |
| KR101020915B1 (ko) * | 2010-03-18 | 2011-03-09 | (주)지오투정보기술 | Rgb 밴드강조와 ihs 색채변환을 이용한 2차원 도시 건물 객체의 경계 필터링 방법 |
| CN107341296A (zh) * | 2017-06-19 | 2017-11-10 | 中国建筑第八工程局有限公司 | 一种基于bim技术的高层群楼采光优化处理方法 |
| CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
| CN109446583A (zh) * | 2018-09-29 | 2019-03-08 | 鼎宸建设管理有限公司 | 基于bim技术的绿色建筑设计方法 |
| CN109948292A (zh) * | 2019-04-01 | 2019-06-28 | 四川大学工程设计研究院有限公司 | 基于bim技术的建筑设计方法 |
| WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于图像识别的违章建筑识别方法、装置 |
| US20210110564A1 (en) * | 2019-10-10 | 2021-04-15 | Intermap Technologies, Inc. | First floor height estimation from optical images |
| CN111080791A (zh) * | 2019-12-13 | 2020-04-28 | 万翼科技有限公司 | 一种基于轻量化bim模型的建筑分析方法及其系统 |
| CN111692978A (zh) * | 2020-06-04 | 2020-09-22 | 福建睿思特科技股份有限公司 | 一种基于多源影像数据的违章建筑识别方法 |
| CN113449371A (zh) * | 2021-07-17 | 2021-09-28 | 武昌工学院 | 基于bim住宅建筑全生命周期分析中的采光分析方法 |
| CN113987659A (zh) * | 2021-11-03 | 2022-01-28 | 山东新汉唐数据科技有限公司 | 一种基于bim技术的建筑设计方法 |
| CN115601503A (zh) * | 2022-10-19 | 2023-01-13 | 辽宁工程技术大学（Cn） | 基于遥感立体影像的建筑物提取系统及方法 |
| CN116189006A (zh) * | 2023-02-13 | 2023-05-30 | 湖南星图空间信息技术有限公司 | 一种支持三维数据的遥感影像建筑物提取方法 |
Non-Patent Citations (4)
| Title |
|---|
| C. -C. LIN ET AL: "Integrate BIM and Virtual Reality to Assist Construction Visual Marketing", 《ICACEH》, pages 28 - 31 * |
| 张宝库: "沈阳地区高密度住宅群体规划最佳朝向的选择", 《建筑学报》, pages 61 - 62 * |
| 裴钰: "基于动态天空模型的天然采光综合能耗评价—以寒冷地区天津市高层住宅建筑为例", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 2, pages 038 - 637 * |
| 陈亭等: "高分辨率遥感影像阴影与立体像对提取建筑物高度比较研究", 《地球信息科学学报》, vol. 18, no. 9, pages 1267 - 1275 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610142A (zh) * | 2024-01-23 | 2024-02-27 | 山东平安建设集团有限公司 | 一种基于vr技术的建筑设计方法 |
| CN117610142B (zh) * | 2024-01-23 | 2024-04-23 | 山东平安建设集团有限公司 | 一种基于vr技术的建筑设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
| CN108875813B (zh) | 一种基于几何图像的三维网格模型检索方法 | |
| CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
| CN110827398B (zh) | 基于深度神经网络的室内三维点云自动语义分割方法 | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN104850850A (zh) | 一种结合形状和颜色的双目立体视觉图像特征提取方法 | |
| CN108550166B (zh) | 一种空间目标图像匹配方法 | |
| Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
| CN116580419A (zh) | 一种基于ai的建筑模型测试方法 | |
| CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
| CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
| Ni et al. | Joint clusters and iterative graph cuts for ALS point cloud filtering | |
| CN108763575B (zh) | 基于像控点数据库的像控点自动选取方法 | |
| CN113538501A (zh) | 低空图像dsm生成建筑物边缘精细化方法 | |
| CN103679740B (zh) | 一种无人机对地目标roi提取方法 | |
| CN105869168A (zh) | 基于多项式拟合的多源遥感图像形状配准方法 | |
| CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及系统 | |
| CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
| CN110942102B (zh) | 一种概率松弛核线匹配方法及系统 | |
| CN109544608B (zh) | 一种无人机图像采集特征配准方法 | |
| Jisen | A study on target recognition algorithm based on 3D point cloud and feature fusion | |
| CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
| Li et al. | AdaHC: Adaptive hedge horizontal cross-section center detection algorithm | |
| Wang et al. | Extracting building information from LIDAR data | |
| CN107273893A (zh) | 一种智能城市绿化遥感调查的数据校正控制系统 |
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 |