CN116628834B - 一种基于神经网络的轮廓分段矫正方法及装置 - Google Patents
一种基于神经网络的轮廓分段矫正方法及装置 Download PDFInfo
- Publication number
- CN116628834B CN116628834B CN202310920159.4A CN202310920159A CN116628834B CN 116628834 B CN116628834 B CN 116628834B CN 202310920159 A CN202310920159 A CN 202310920159A CN 116628834 B CN116628834 B CN 116628834B
- Authority
- CN
- China
- Prior art keywords
- building
- contour
- data
- neural network
- trained
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012937 correction Methods 0.000 title claims abstract description 44
- 230000011218 segmentation Effects 0.000 title abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/09—Supervised learning
Abstract
本申请公开了一种基于神经网络的轮廓分段矫正方法及装置，涉及倾斜摄影数据处理技术领域。所述基于神经网络的轮廓分段矫正方法包括：获取单栋建筑的倾斜摄影数据；对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据；获取经过训练的评分网络；将建筑轮廓切片数据输入至经过训练的评分网络从而获取评分超过阈值的建筑轮廓切片数据；获取经过训练的识别分类神经网络；将建筑轮廓切片数据输入至经过训练的识别分类神经网络，从而获取该建筑轮廓切片数据的关键连接点以及线段；对获取的关键连接点以及线段进行矫正。本申请相比于传统的建筑轮廓获取方法，本申请得到轮廓的同时能够具有比现有技术更快的速度，且矫正结果准确。
Description
技术领域
本申请涉及倾斜摄影建筑处理技术领域，具体涉及一种基于神经网络的轮廓分段矫正方法以及基于神经网络的轮廓分段矫正装置。
背景技术
传统的建模方式中，对建筑轮廓的获取有两种方式。一种是通过人工测量，得到建筑轮廓每个点的相对位置并建模得到。另一种是以图像的方式俯拍建筑，并强行让建筑的每条线之间都是直角关系，以此来获取矫正的建筑轮廓。第一种方式比较耗费时间，一个娴熟的建模师大约每栋楼需要十分钟；第二种方式虽然自动，但是对于夹角不为直角的建筑和弧形的建筑并不适用。
因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
发明内容
本发明的目的在于提供一种基于神经网络的轮廓分段矫正方法来克服或至少减轻现有技术的至少一个上述缺陷。
本发明的一个方面，提供一种基于神经网络的轮廓分段矫正方法，所述基于神经网络的轮廓分段矫正方法包括：
获取单栋建筑的倾斜摄影数据；
对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据；
获取经过训练的评分网络；
将建筑轮廓切片数据输入至经过训练的评分网络，从而获取评分超过阈值的建筑轮廓切片数据；
获取经过训练的识别分类神经网络；
将评分超过阈值的建筑轮廓切片数据输入至所述经过训练的识别分类神经网络，从而获取该建筑轮廓切片数据的关键连接点以及线段；
对获取的关键连接点以及线段进行矫正。
可选地，所述获取单栋建筑的倾斜摄影数据包括：
通过预训练好的点云实例化网络对倾斜摄影的数据进行单体化，从而获取单栋建筑的倾斜摄影数据。
可选地，所述对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据包括：
对单栋建筑的倾斜摄影数据以预设间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片的建筑轮廓切片数据。
可选地，所述评分网络采用如下方法进行训练：
收集建筑横切轮廓集，所述建筑横切轮廓集包括至少两种截面形状的建筑轮廓切片以及至少包括两种质量的建筑轮廓切片；
对每个建筑轮廓切片进行分数的标注；
通过各个建筑轮廓切片对所述评分网络进行训练。
可选地，所述识别分类神经网络通过如下训练方法进行训练：
随机生成建筑轮廓；
根据建筑轮廓生成CAD建筑模型；
根据CAD建筑模型通过OpenGL的库使用虚拟相机环绕得到不同角度的图片，并使用这些图片和对应的相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型；
根据所述CAD建筑模型和倾斜摄影三维重建建筑模型制作训练数据集；
通过所述训练数据集对所述识别分类神经网络进行训练。
可选地，所述线段包括直线；
所述对获取的关键连接点以及线段进行矫正包括：
对直线以直线参数方程进行拟合。
可选地，所述线段包括曲线；
所述对获取的关键连接点以及线段进行矫正包括：
对曲线以弧长函数进行拟合。
本申请还提供了一种基于神经网络的轮廓分段矫正装置，所述基于神经网络的轮廓分段矫正装置包括：
单栋建筑的倾斜摄影数据获取模块，所述单栋建筑的倾斜摄影数据获取模块用于获取单栋建筑的倾斜摄影数据；
切片模块，所述切片模块用于对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据；
评分网络获取模块，所述评分网络获取模块用于获取经过训练的评分网络；
建筑轮廓切片数据获取模块，所述建筑轮廓切片数据获取模块用于将建筑轮廓切片数据输入至经过训练的评分网络，从而获取评分超过阈值的建筑轮廓切片数据；
识别分类神经网络获取模块，所述识别分类神经网络获取模块用于获取经过训练的识别分类神经网络；
线段获取模块，所述线段获取模块用于将评分超过阈值的建筑轮廓切片数据输入至所述经过训练的识别分类神经网络，从而获取该建筑轮廓切片数据的关键连接点以及线段；
矫正模块，所述矫正模块用于对获取的关键连接点以及线段进行矫正。
本申请还提供了一种电子设备，所述电子设备包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够实现如上所述的基于神经网络的轮廓分段矫正方法。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上所述的基于神经网络的轮廓分段矫正方法。
有益效果：
本申请的基于神经网络的轮廓分段矫正方法相比于传统的建筑轮廓获取方法，本专利得到的轮廓同时保证了速度快，矫正结果准确。本方法从建筑的轮廓图中可将轮廓分为几条主要的线段，因此，本方法得到的轮廓结果与人工得到的轮廓结果在精度上非常高。并且本方法速度很快，得到一个建筑轮廓不到1秒钟，比原来提高了六百倍以上。
附图说明
图1为本申请一实施例的基于神经网络的轮廓分段矫正方法的流程示意图；
图2是一种电子设备，用于实现图1所示的基于神经网络的轮廓分段矫正方法；
图3是横平竖直的建筑轮廓的结构示意图；
图4是带有噪声的建筑轮廓的结构示意图；
图5为本申请一实施例中的弧长函数示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，本领域普通技术人员在没有做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。下面结合附图对本申请的实施例进行详细说明。
需要说明的是，在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
图1为本申请一实施例的基于神经网络的轮廓分段矫正方法的流程示意图。
如图1所示的基于神经网络的轮廓分段矫正方法包括：
步骤1：获取单栋建筑的倾斜摄影数据；
步骤2：对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据；
步骤3：获取经过训练的评分网络；
步骤4：将建筑轮廓切片数据输入至经过训练的评分网络，从而获取评分超过阈值的建筑轮廓切片数据；
步骤5：获取经过训练的识别分类神经网络；
步骤6：将评分超过阈值的建筑轮廓切片数据输入至所述经过训练的识别分类神经网络，从而获取该建筑轮廓切片数据的关键连接点以及线段；
步骤7：对获取的关键连接点以及线段进行矫正。
本申请的基于神经网络的轮廓分段矫正方法相比于传统的建筑轮廓获取方法，本专利得到的轮廓同时保证了速度快，矫正结果准确。本方法从建筑的轮廓图中可将轮廓分为几条主要的线段，因此，本方法得到的轮廓结果与人工得到的轮廓结果在精度上非常高。并且本方法速度很快，得到一个建筑轮廓不到1秒钟，比原来提高了六百倍以上。
在本实施例中，所述获取单栋建筑的倾斜摄影数据包括：
通过预训练好的点云实例化网络对倾斜摄影的数据进行单体化，从而获取单栋建筑的倾斜摄影数据。
具体而言，对倾斜摄影的数据进行单体化。可以使用预训练好的点云实例化网络来完成单体化任务，如PiontRend网络。
在本实施例中，所述对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据包括：
对单栋建筑的倾斜摄影数据以预设间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片的建筑轮廓切片数据。
具体而言，对单体化后的单体建筑以0.1米间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片，该切片为建筑的png格式的轮廓图。
在本实施例中，所述评分网络采用如下方法进行训练：
收集建筑横切轮廓集，所述建筑横切轮廓集包括至少两种截面形状的建筑轮廓切片以及至少包括两种质量的建筑轮廓切片；
对每个建筑轮廓切片进行分数的标注；
通过各个建筑轮廓切片对所述评分网络进行训练。
在本实施例中，评分网络可以采用ResNet50网络。
具体而言，收集大量的建筑横切轮廓，需要包含不同类型的建筑，如“口”字形、“凸”字形、“凹”字形、“L”形等；同时需要包含不同质量的建筑轮廓，如连续的和断开的、有噪声的和无噪声的、平滑的和有噪声突起或凹陷的等。对每张建筑轮廓切片进行分数的标注，对连续的无噪声的建筑轮廓标注为1，表示好的建筑轮廓；对有噪声的、或断开的、或有噪声突起或凹陷的建筑轮廓标注为0-1中的一个一位小数，数值越高表示轮廓质量越好；对有噪声且断开的且有噪声突起或凹陷的建筑轮廓标注为0，表示最差的建筑轮廓。
对每个轮廓根据其连续性、突变性、完整性等方面计算一个分数，分数越高代表这个轮廓越是整个建筑中较好的轮廓。用一对建筑轮廓和对应的分数作为训练数据，训练一个建筑轮廓评分网络。
在本实施例中，将建筑轮廓切片数据输入至经过训练的评分网络，从而获取评分超过阈值的建筑轮廓切片数据包括：
利用训练好的网络对建筑轮廓切片数据进行评分，具体而言，以他们的目标函数之差作为评分，挑选出其中较好的建筑轮廓数据进行分段矫正；不好的建筑轮廓舍弃。
在本实施例中，识别分类神经网络通过如下训练方法进行训练：
随机生成建筑轮廓；
根据建筑轮廓生成CAD建筑模型；
根据CAD建筑模型通过OpenGL的库使用虚拟相机环绕得到不同角度的图片，并使用这些图片和对应的相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型；
根据所述CAD建筑模型和倾斜摄影三维重建建筑模型制作训练数据集；
通过所述训练数据集对所述识别分类神经网络进行训练。
参见图3以及图4，具体而言，通过横平竖直的规则随机得到一些建筑轮廓，在CityEngine中通过这些建筑轮廓生成随机高度的建筑，导出CAD建筑模型。使用这些建筑模型通过OpenGL的库使用虚拟相机环绕得到不同角度的图片，并使用这些图片和对应的相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型。
使用CAD建筑模型和倾斜摄影三维重建建筑模型，成对的建筑模型分别进行建筑轮廓切片，得到横平竖直的建筑轮廓图和带有噪声的建筑轮廓图作为成对数据。在横平竖直的轮廓图中我们已知每个关键点的位置和他们的连接顺序，在有噪声的轮廓图中我们找一个曼哈顿距离最小的点标记维对应的关键点，并以同样的连接顺序作为边进行标记。同时，对直线标记为1，对曲线标记为0。至此，训练数据集制作完成。
在本实施例中，识别分类神经网络为图网络，例如CapsGNN，使这个图网络能够以建筑轮廓切片作为输入，输出每一组线段的标签。
在本实施例中，所述线段包括直线；
所述对获取的关键连接点以及线段进行矫正包括：
对直线以直线参数方程进行拟合。
在本实施例中，所述线段包括曲线；
所述对获取的关键连接点以及线段进行矫正包括：
对曲线以弧长函数进行拟合。
具体而言，使用训练好的识别分类网络，对每张建筑轮廓切片图识别关键点和对应的线段组标签，每一组标签相同的关键点属于一条线段（直线或曲线），同时输出其对应的直线或曲线标签，以此将一条建筑轮廓分为不同类型和不同段的线段。
对得到的不同线段根据其类别（直线或曲线）进行参数化拟合做轮廓矫正。对直线以直线参数方程进行拟合，对曲线以弧长函数/>进行拟合（图5所示）。
对分段矫正后的建筑轮廓检查每段线段的拟合度量，以倒角距离作为度量方式，并保证每条线段都是首尾相连的。
本申请的基于神经网络的轮廓分段矫正方法相比于传统的建筑轮廓获取方法，本专利得到的轮廓同时保证了速度快，矫正结果准确。具体而言，本申请的矫正结果相对于人工制作的GroundTruth对比而言更为准确，且一般人工制作方法大概10分钟，传统迭代方法大概5分钟；而本方法从建筑的轮廓图中可将轮廓分为几条主要的线段，因此，本方法得到的轮廓结果与人工得到的轮廓结果在精度上非常高。并且本方法速度很快，得到一个建筑轮廓不到1秒钟，比原来提高了六百倍以上。
本申请还提供了一种基于神经网络的轮廓分段矫正装置，所述基于神经网络的轮廓分段矫正装置包括单栋建筑的倾斜摄影数据获取模块、切片模块、评分网络获取模块、建筑轮廓切片数据获取模块、识别分类神经网络获取模块、线段获取模块以及矫正模块，其中，
单栋建筑的倾斜摄影数据获取模块用于获取单栋建筑的倾斜摄影数据；
切片模块用于对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据；
评分网络获取模块用于获取经过训练的评分网络；
建筑轮廓切片数据获取模块用于将建筑轮廓切片数据输入至经过训练的评分网络，从而获取评分超过阈值的建筑轮廓切片数据；
识别分类神经网络获取模块用于获取经过训练的识别分类神经网络；
线段获取模块用于将评分超过阈值的建筑轮廓切片数据输入至所述经过训练的识别分类神经网络，从而获取该建筑轮廓切片数据的关键连接点以及线段；
矫正模块用于对获取的关键连接点以及线段进行矫正。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于神经网络的轮廓分段矫正方法。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上所述的基于神经网络的轮廓分段矫正方法。
图2是能够实现根据本申请一个实施例提供的基于神经网络的轮廓分段矫正方法的电子设备的示例性结构图。
如图2所示，电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中，输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接，进而与电子设备的其他组件连接。具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说，图2所示的电子设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及一个或多个处理器，该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于神经网络的轮廓分段矫正方法。
在一个实施例中，图2所示的电子设备可以被实现为包括：存储器504，被配置为存储可执行程序代码；一个或多个处理器503，被配置为运行存储器504中存储的可执行程序代码，以执行上述实施例中的基于神经网络的轮廓分段矫正方法。
在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动，媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM)、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数据多功能光盘（DVD）或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地标识的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元（Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。本申请虽然以较佳实施例公开如上，但其实并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此，本申请的保护范围应当以本申请权利要求所界定的范围为准。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (8)
1.一种基于神经网络的轮廓分段矫正方法，其特征在于，所述基于神经网络的轮廓分段矫正方法包括：
获取单栋建筑的倾斜摄影数据；
对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据；
获取经过训练的评分网络；
将建筑轮廓切片数据输入至经过训练的评分网络，从而获取评分超过阈值的建筑轮廓切片数据；
获取经过训练的识别分类神经网络；
将评分超过阈值的建筑轮廓切片数据输入至所述经过训练的识别分类神经网络，从而获取该建筑轮廓切片数据的关键连接点以及线段；
对获取的关键连接点以及线段进行矫正；
所述对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据包括：
对单栋建筑的倾斜摄影数据以预设间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片的建筑轮廓切片数据；
所述评分网络采用如下方法进行训练：
收集建筑横切轮廓集，所述建筑横切轮廓集包括至少两种截面形状的建筑轮廓切片以及至少包括两种质量的建筑轮廓切片；
对每个建筑轮廓切片进行分数的标注；
通过各个建筑轮廓切片对所述评分网络进行训练。
2.如权利要求1所述的基于神经网络的轮廓分段矫正方法，其特征在于，所述获取单栋建筑的倾斜摄影数据包括：
通过预训练好的点云实例化网络对倾斜摄影的数据进行单体化，从而获取单栋建筑的倾斜摄影数据。
3.如权利要求2所述的基于神经网络的轮廓分段矫正方法，其特征在于，所述识别分类神经网络通过如下训练方法进行训练：
随机生成建筑轮廓；
根据建筑轮廓生成CAD建筑模型；
根据CAD建筑模型通过OpenGL的库使用虚拟相机环绕得到不同角度的图片，并使用这些图片和对应的相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型；
根据所述CAD建筑模型和倾斜摄影三维重建建筑模型制作训练数据集；
通过所述训练数据集对所述识别分类神经网络进行训练。
4.如权利要求3所述的基于神经网络的轮廓分段矫正方法，其特征在于，所述线段包括直线；
所述对获取的关键连接点以及线段进行矫正包括：
对直线以直线参数方程进行拟合。
5.如权利要求4所述的基于神经网络的轮廓分段矫正方法，其特征在于，所述线段包括曲线；
所述对获取的关键连接点以及线段进行矫正包括：
对曲线以弧长函数进行拟合。
6.一种基于神经网络的轮廓分段矫正装置，其特征在于，所述基于神经网络的轮廓分段矫正装置包括：
单栋建筑的倾斜摄影数据获取模块，所述单栋建筑的倾斜摄影数据获取模块用于获取单栋建筑的倾斜摄影数据；
切片模块，所述切片模块用于对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据；
评分网络获取模块，所述评分网络获取模块用于获取经过训练的评分网络；
建筑轮廓切片数据获取模块，所述建筑轮廓切片数据获取模块用于将建筑轮廓切片数据输入至经过训练的评分网络，从而获取评分超过阈值的建筑轮廓切片数据；
识别分类神经网络获取模块，所述识别分类神经网络获取模块用于获取经过训练的识别分类神经网络；
线段获取模块，所述线段获取模块用于将评分超过阈值的建筑轮廓切片数据输入至所述经过训练的识别分类神经网络，从而获取该建筑轮廓切片数据的关键连接点以及线段；
矫正模块，所述矫正模块用于对获取的关键连接点以及线段进行矫正；
所述对单栋建筑的倾斜摄影数据进行切片处理，从而获取建筑轮廓切片数据包括：
对单栋建筑的倾斜摄影数据以预设间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片的建筑轮廓切片数据；
所述评分网络采用如下方法进行训练：
收集建筑横切轮廓集，所述建筑横切轮廓集包括至少两种截面形状的建筑轮廓切片以及至少包括两种质量的建筑轮廓切片；
对每个建筑轮廓切片进行分数的标注；
通过各个建筑轮廓切片对所述评分网络进行训练。
7.一种电子设备，其特征在于，所述电子设备包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够实现如权利要求1至5中任意一项所述的基于神经网络的轮廓分段矫正方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如权利要求1至5中任意一项所述的基于神经网络的轮廓分段矫正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920159.4A CN116628834B (zh) | 2023-07-26 | 2023-07-26 | 一种基于神经网络的轮廓分段矫正方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920159.4A CN116628834B (zh) | 2023-07-26 | 2023-07-26 | 一种基于神经网络的轮廓分段矫正方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628834A CN116628834A (zh) | 2023-08-22 |
| CN116628834B true CN116628834B (zh) | 2023-10-20 |
Family
ID=87597719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310920159.4A Active CN116628834B (zh) | 2023-07-26 | 2023-07-26 | 一种基于神经网络的轮廓分段矫正方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628834B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958454B (zh) * | 2023-09-21 | 2023-12-12 | 北京飞渡科技股份有限公司 | 基于图网络的建筑轮廓构建方法及装置 |
| CN117454495B (zh) * | 2023-12-25 | 2024-03-15 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10198712A (ja) * | 1997-01-06 | 1998-07-31 | Ricoh Co Ltd | 建設図面からの斜め壁認識方法及び建設図面認識装置 |
| CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
| CN111667574A (zh) * | 2020-04-28 | 2020-09-15 | 中南大学 | 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 |
| CN111765869A (zh) * | 2020-06-12 | 2020-10-13 | 中国二十冶集团有限公司 | 基于倾斜摄影技术的不同坡度道路土方测量方法 |
| CN111830528A (zh) * | 2020-06-29 | 2020-10-27 | 西安交通大学 | 基于激光点云的杆塔特征点自动识别及倾斜参数自动测量方法 |
| CN114510772A (zh) * | 2022-04-08 | 2022-05-17 | 北京飞渡科技有限公司 | 基于斜扫数据建筑面轮廓的快速生成方法 |
| CN115631112A (zh) * | 2022-11-18 | 2023-01-20 | 北京飞渡科技有限公司 | 一种基于深度学习的建筑轮廓矫正方法及装置 |
| CN115661363A (zh) * | 2022-11-18 | 2023-01-31 | 湖北晓雲科技有限公司 | 利用无人机倾斜摄影的三维建筑物模型构建方法 |
| CN115760585A (zh) * | 2021-09-03 | 2023-03-07 | 小米科技(武汉)有限公司 | 图像矫正方法、装置、存储介质及电子设备 |
-
2023
- 2023-07-26 CN CN202310920159.4A patent/CN116628834B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10198712A (ja) * | 1997-01-06 | 1998-07-31 | Ricoh Co Ltd | 建設図面からの斜め壁認識方法及び建設図面認識装置 |
| CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
| CN111667574A (zh) * | 2020-04-28 | 2020-09-15 | 中南大学 | 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 |
| CN111765869A (zh) * | 2020-06-12 | 2020-10-13 | 中国二十冶集团有限公司 | 基于倾斜摄影技术的不同坡度道路土方测量方法 |
| CN111830528A (zh) * | 2020-06-29 | 2020-10-27 | 西安交通大学 | 基于激光点云的杆塔特征点自动识别及倾斜参数自动测量方法 |
| CN115760585A (zh) * | 2021-09-03 | 2023-03-07 | 小米科技(武汉)有限公司 | 图像矫正方法、装置、存储介质及电子设备 |
| CN114510772A (zh) * | 2022-04-08 | 2022-05-17 | 北京飞渡科技有限公司 | 基于斜扫数据建筑面轮廓的快速生成方法 |
| CN115631112A (zh) * | 2022-11-18 | 2023-01-20 | 北京飞渡科技有限公司 | 一种基于深度学习的建筑轮廓矫正方法及装置 |
| CN115661363A (zh) * | 2022-11-18 | 2023-01-31 | 湖北晓雲科技有限公司 | 利用无人机倾斜摄影的三维建筑物模型构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于无人机倾斜摄影的建筑物三维精细模型构建方法;潘伟斌;中国优秀硕士学位论文全文数据库 (基础科学辑);第2022 年 卷(第第03期期);A008-378 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628834A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116628834B (zh) | 一种基于神经网络的轮廓分段矫正方法及装置 | |
| CN109035246B (zh) | 一种人脸的图像选择方法及装置 | |
| CN112613553B (zh) | 图片样本集生成方法、装置、计算机设备和存储介质 | |
| CN111182367A (zh) | 一种视频的生成方法、装置及计算机系统 | |
| CN114764768A (zh) | 缺陷检测分类方法、装置、电子设备及存储介质 | |
| CN111652855B (zh) | 一种基于存活概率的点云精简方法 | |
| CN111079763A (zh) | 训练样本生成、模型训练、字符识别方法及其装置 | |
| CN114627227B (zh) | 基于pbr材质的物体重建方法、设备及计算机可读存储介质 | |
| CN114387417B (zh) | 一种三维建筑建模方法、装置及三维建筑群建模方法 | |
| CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
| CN113888531A (zh) | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 | |
| CN116958454B (zh) | 基于图网络的建筑轮廓构建方法及装置 | |
| CN111178266B (zh) | 一种生成人脸关键点的方法及装置 | |
| CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
| CN110533663B (zh) | 一种图像视差确定方法、装置、设备及系统 | |
| CN113378864B (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 | |
| CN110309859A (zh) | 一种图像真伪检测方法、装置及电子设备 | |
| JP2019128881A (ja) | 物品分類装置、物品分類システム、物品分類方法及びプログラム | |
| CN114187303A (zh) | 口腔图像处理方法、装置、电子设备及计算机存储介质 | |
| CN111259703B (zh) | 人脸倾斜角度检测方法和装置 | |
| CN112633512A (zh) | 基于神经网络的数据处理装置、方法及可读存储介质 | |
| CN112825145A (zh) | 人体朝向检测方法、装置、电子设备和计算机存储介质 | |
| TWI738066B (zh) | 基於神經網路之資料處理裝置、方法及電腦可讀取存儲介質 | |
| CN117710243A (zh) | 点云去噪方法、装置、电子设备及可读存储介质 | |
| CN113408527B (zh) | 一种基于图像融合特征的高效pm2.5浓度预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |