CN116863099B - 一种基于点云数据的建筑物自动化建模方法及系统 - Google Patents

一种基于点云数据的建筑物自动化建模方法及系统 Download PDF

Info

Publication number
CN116863099B
CN116863099B CN202310783999.0A CN202310783999A CN116863099B CN 116863099 B CN116863099 B CN 116863099B CN 202310783999 A CN202310783999 A CN 202310783999A CN 116863099 B CN116863099 B CN 116863099B
Authority
CN
China
Prior art keywords
building
point cloud
cloud data
similar
target
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
Application number
CN202310783999.0A
Other languages
English (en)
Other versions
CN116863099A (zh
Inventor
袁玉康
雷华
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.)
Guangzhou City Polytechnic
Original Assignee
Guangzhou City Polytechnic
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 Guangzhou City Polytechnic filed Critical Guangzhou City Polytechnic
Priority to CN202310783999.0A priority Critical patent/CN116863099B/zh
Publication of CN116863099A publication Critical patent/CN116863099A/zh
Application granted granted Critical
Publication of CN116863099B publication Critical patent/CN116863099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Civil Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于点云数据的建筑物自动化建模方法及系统，涉及数据处理技术领域，基于建筑表观图像集分析获得相似建筑结构特征集，基于相似建筑结构特征集在激光点云数据调用获得相似局部点云数据集进行建模获得局部建筑模型集合，并填充至基于激光点云数据构建的建筑框架获得建筑初级模型；基于激光点云数据进行建筑初级模型的表观填充，获得建筑优化模型。解决了现有技术中存在基于点云数据进行建筑物建模时存在建模效率和建模还原性不可兼得，且建模过程对于人工操作的依赖性较高的技术问题。达到了在提高基于点云数据进行建筑物建模的效率的同时，保障点云模型对于建筑物实体的还原性，提供降低建模过程人工参与度的技术效果。

Description

一种基于点云数据的建筑物自动化建模方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于点云数据的建筑物自动化建模方法及系统。
背景技术
由于点云数据是大量离散的代表物体的外表和结构3D点所组成，因而具有高维度且数量庞大的数据特性，这给点云数据建模处理过程带来了巨大的挑战。同时，基于点云数据的建模过程对人工操作的依赖性非常高，建模的准确性和完整性很大程度上取决于操作者的经验和技能水平。
因而目前基于点云数据进行建筑物建模时，存在着一个令人困扰的问题，即难以实现建模效率和建模还原性的平衡。
发明内容
本申请提供了一种基于点云数据的建筑物自动化建模方法及系统，用于针对解决现有技术中存在基于点云数据进行建筑物建模时存在建模效率和建模还原性不可兼得，且建模过程对于人工操作的依赖性较高的技术问题。
鉴于上述问题，本申请提供了一种基于点云数据的建筑物自动化建模方法及系统。
本申请的第一个方面，提供了一种基于点云数据的建筑物自动化建模方法，所述方法包括：对目标建筑进行激光扫描，获得目标激光点云数据；对所述目标建筑进行图像采集，获得建筑表观图像集；基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数；基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集；基于所述相似局部点云数据集进行局部建筑建模，获得局部建筑模型集合；基于所述目标激光点云数据构建目标建筑框架；将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型；基于所述目标激光点云数据进行所述目标建筑初级模型的表观填充，获得目标建筑优化模型。
本申请的第二个方面，提供了一种基于点云数据的建筑物自动化建模系统，所述系统包括：点云数据采集模块，用于对目标建筑进行激光扫描，获得目标激光点云数据；建筑图像采集模块，用于对所述目标建筑进行图像采集，获得建筑表观图像集；建筑结构分析模块，用于基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数；局部数据调用模块，用于基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集；局部建筑建模模块，用于基于所述相似局部点云数据集进行局部建筑建模，获得局部建筑模型集合；建筑框架构建模块，用于基于所述目标激光点云数据构建目标建筑框架；初级模型构建模块，用于将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型；建筑模型优化模块，用于基于所述目标激光点云数据进行所述目标建筑初级模型的表观填充，获得目标建筑优化模型。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法通过对目标建筑进行激光扫描，获得目标激光点云数据，为后续自动化高效率进行目标建筑外立面建模提供数据基础；对所述目标建筑进行图像采集，获得建筑表观图像集，获取所述建筑表观图像集用于后续进行建筑结构相似分析，确定在目标建筑外立面重复出现的建筑结构相同的局部建筑；基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数，为后续基于激光点云数据进行单个建筑结构建模以替代重复进行建筑结构建模提供有效参考；基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集，为后续进行建筑结构的高效率建模提供数据；基于所述相似局部点云数据集进行局部建筑建模，获得局部建筑模型集合；基于所述目标激光点云数据构建目标建筑框架；将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型；基于所述目标激光点云数据进行所述目标建筑初级模型的表观填充，获得目标建筑优化模型。达到了在提高基于点云数据进行建筑物建模的效率的同时，保障点云模型对于建筑物实体的还原性，提供降低建模过程人工参与度的技术效果。
附图说明
图1为本申请提供的一种基于点云数据的建筑物自动化建模方法流程示意图；
图2为本申请提供的一种基于点云数据的建筑物自动化建模方法中获得目标激光点云数据的流程示意图；
图3为本申请提供的一种基于点云数据的建筑物自动化建模方法中获得目标建筑初级模型的流程示意图；
图4为本申请提供的一种基于点云数据的建筑物自动化建模系统的结构示意图。
附图标记说明：点云数据采集模块1，建筑图像采集模块2，建筑结构分析模块3，局部数据调用模块4，局部建筑建模模块5，建筑框架构建模块6，初级模型构建模块7，建筑模型优化模块8。
具体实施方式
本申请提供了一种基于点云数据的建筑物自动化建模方法及系统，用于针对解决了现有技术中存在基于点云数据进行建筑物建模时存在建模效率和建模还原性不可兼得，且建模过程对于人工操作的依赖性较高的技术问题。达到了在提高基于点云数据进行建筑物建模的效率的同时，保障点云模型对于建筑物实体的还原性，提供降低建模过程人工参与度的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，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，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种基于点云数据的建筑物自动化建模方法，所述方法包括：
S100:对目标建筑进行激光扫描，获得目标激光点云数据；
在一个实施例中,如图2所示，对目标建筑进行激光扫描，获得目标激光点云数据，本申请提供的方法步骤S100还包括：
S110:对所述目标建筑进行激光扫描获得原始激光点云数据；
S120:对所述原始激光点云数据进行预处理，获得预处理点云数据；
S130:预设点云数据属性，并基于所述预设点云数据属性对所述预处理点云数据进行分割，获得所述目标激光点云数据，其中，所述目标激光点云数据为所述目标建筑的外立面点云数据。
具体而言，在本实施例中，所述目标建筑为待进行建模的不特定建筑，例如教学楼、古建筑、办公楼。采用激光扫描设备对所述目标建筑进行扫描，以获得包含建筑物附近车辆、植物等非建筑点云数据的所述原始激光点云数据。
采用现有的降噪、滤波、采样等预处理方法，对所述原始激光点云数据进行预处理，获得预处理点云数据，所述预处理点云数据为仅包含目标建筑几何形状及建筑细节的纯建筑物点云数据，理论上基于所述预处理点云数据即可实现建模获得高度还原所述目标建筑实体的建筑物三维模型。
为实现提高对目标建筑进行建模的效率，本实施例预设点云数据属性，所述预设点云数据属性用于对所述预处理点云数据进行数据过滤，以获得仅包括目标建筑外立面点云数据的所述目标激光点云数据。
具体的，采用测距方式获得所述目标建筑的外立面高度属性，采用进行目标建筑外立面图像采集和颜色识别获得所述目标建筑的外立面颜色属性，基于所述外立面高度属性生成外立面高度阈值(最低高度及最高高度)，基于所述外立面颜色属性生成表征外立面颜色色度范围的外立面颜色约束，所述外立面高度阈值和所述外立面颜色约束构成所述预设点云数据属性。
基于所述预设点云数据属性中的外立面高度阈值遍历所述预处理点云数据，将所述预设点云数据属性中不在定义的外立面高度阈值范围内的点云分割出去，获得第一筛选点云数据。
基于所述外立面颜色约束遍历所述第一筛选点云数据中的颜色值，以识别标识第一筛选点云数据中不属于外立面颜色约束的点云数据，并基于识别标识对第一筛选点云数据进行二次分割，获得所述目标激光点云数据，所述目标激光点云数据为所述目标建筑的外立面点云数据。
本实施例通过对扫描获得的原始激光点云数据进行预处理，并基于目标建筑外立面高度及颜色特征进行预处理后点云数据的筛选，实现了获得仅包含目标建筑外立面的点云数据，为后续自动化高效率进行目标建筑外立面建模提供数据基础的技术效果。
S200:对所述目标建筑进行图像采集，获得建筑表观图像集；
具体而言，在本实施例中，对所述目标建筑的外立面进行图像采集，获得所述建筑表观图像集，所述建筑表观图像集中包括具有建筑外立面映射标识的M张建筑表观图像，M为正整数，根据M张建筑表观图像所映射的M个目标建筑物外立面区域进行图像拼接，即可获得目标建筑的外立面全景图像。
示例性的，所述目标建筑为规则正方体的写字楼，所述M张建筑表观图像为映射于写字楼四个立面区域(主视图、左视图、右视图、后视图)的4张建筑表观图像。
本实施例获取所述建筑表观图像集用于后续进行建筑结构相似分析，确定在目标建筑外立面重复出现的建筑结构相同的局部建筑。
S300:基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数；
在一个实施例中，本申请提供的方法步骤还包括：
S311:获得所述目标建筑的建筑类型信息；
S312:基于所述建筑类型信息获得同类型建筑的样本建筑物表观图像集合；
S313:预设建筑结构划分规则，并基于所述预设建筑结构划分规则对所述样本建筑物表观图像集合中的建筑结构和背景墙体进行划分分割和标识，获得样本建筑图像分割结果；
S314:基于所述样本建筑图像分割结果构建建筑物分割模块；
S315:基于所述样本建筑图像分割结果构建相似性比对模块；
S316:基于所述样本建筑图像分割结果构建位置特征识别模块；
S317:所述建筑物分割模块、所述相似性比对模块和所述位置特征识别模块构成建筑结构相似性分析模型。
在一个实施例中，基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数，本申请提供的方法步骤S300还包括：
S321:所述建筑表观图像集包括M张建筑表观图像，其中，M为正整数；
S322:基于所述建筑表观图像集提取获得第一建筑表观图像；
S323:将所述第一建筑表观图像输入所述建筑结构相似性分析模型的所述建筑物分割模块内，获得第一建筑结构图像集；
S324:将所述第一建筑结构图像集输入所述相似性比对模块，获得第一相似建筑结构集；
S325:将所述第一相似建筑结构集和所述第一建筑表观图像输入所述位置特征识别模块，获得第一相似建筑结构特征集，其中，所述第一相似建筑结构特征集中包括H种相似建筑结构，H为正整数；
S326:以此类推，进行所述M张建筑表观图像的建筑结构相似分析，获得M个相似建筑结构特征集；
S327:对所述M个相似建筑结构特征集进行相似建筑结构聚合处理，获得所述K种相似建筑结构。
具体而言，应理解的，无论是古建筑还是现代建筑，为提高建筑整体的平衡感，以及实现建筑风格的统一和连续性，往往在建筑物外立面进行门、窗等建筑结构设计时，设置多个形状相同的建筑结构。
因而，在本实施例中，预构建所述建筑结构相似性分析模型，以实现基于模型进行建筑外立面图像识别分析，确定属于相同建筑结构的若干个建筑结构在建筑外立面的布设位置信息。
所述建筑结构相似性分析模型依次由输入层、所述建筑物分割模块、所述相似性比对模块和所述位置特征识别模块、输出层构成。
所述建筑物分割模块用于识别分割出建筑物外立面图像中存在的不特定数量的建筑结构(例如门、窗户、立柱)。所述相似性比对模块用于对所述建筑物分割模块用于识别分割出的不特定数量的建筑结构进行相似性分析，对同一建筑物立面图像中的建筑结构进行归类。所述位置特征识别模块用于根据所述相似性比对模块输出的建筑结构归类结果定位每一建筑结构类型所包括的若干个建筑结构在建筑物立面图中的所处位置。
所述建筑结构相似性分析模型的模型训练数据获得方法如下，获得所述目标建筑的建筑类型信息，所述建筑类型为所述目标建筑的用途特征，例如所述建筑类型信息为教学楼。
基于所述建筑类型信息获得同类型(同用途)建筑的多个样本建筑物的样本建筑表观图像集合，所述样本建筑表观图像集合中的图像与所述建筑表观图像集中图像规格具有相似性。
预设建筑结构划分规则，所述预设建筑结构划分规则为认为设定的以提示人工进行图像划分的划分目标，在本实施例中，富有经验的标注人员基于所述预设建筑结构划分规则将所述样本建筑物表观图像集合中的每张样本建筑物表观图像的建筑结构和背景墙体进行划分分割并标识，获得样本建筑图像分割结果，所述样本建筑物图像分割结果中，每张样本建筑分割图像所具有的建筑结构都标识有其在图像中所处的相对位置。示例性的，某张样本建筑分割图像中具有若干个建筑结构，其中某一建筑结构的相对位置为距离图像左侧1/2，图像下侧1/4。
在本实施例中，基于BP(反向传播)神经网络构建所述建筑物分割模块，所述建筑物分割模块用于识别分割出建筑物外立面图像中存在的不特定数量的建筑结构(例如门、窗户、立柱)，所述建筑物分割模块的输入数据为建筑物表观图像，输出结果为划分标识出建筑结构的建筑物表观图像。
将所述样本建筑图像分割结果标识划分为训练集、测试集和验证集，基于训练集和测试集进行所述建筑物分割模块的模型训练和测试，基于验证集进行所述建筑物分割模块输出准确率验证，当所述建筑物分割模块输出准确率稳定高于97％时，认为建筑物分割模块训练完成。
在本实施例中，所述相似性比对模块用于对所述建筑物分割模块用于识别分割出的不特定数量的建筑结构进行相似性分析，对同一建筑物立面图像中的建筑结构进行归类。
具体的，本实施例中所述相似性比对模块基于建筑结构的比例特征判断两个或多个建筑结构是否为同种建筑结构。因而本实施例预先对所述样本建筑图像分割结果中的全部建筑结构进行比例特征标记，所述比例特征为建筑结构长度与宽度的参数比。
所述相似性比对模块由比例特征识别单元以及建筑结构归类模块组成，基于BP(反向传播)神经网络构建所述比例特征识别单元，所述比例特征识别单元的输入数据为标识划分出建筑结构的建筑物立面图，输出结果为对建筑物立面图中所标识划分出的建筑结构的比例特征标记。
将具有建筑结构划分标识及建筑结构比例特征标记的样本建筑图像分割结果标识划分为训练集、测试集和验证集，采用训练所述建筑物分割模块相同方法进行所述比例特征识别单元的模型训练，最终获得可对建筑结构比例特征进行准确测定的所述比例特征识别单元。
所述建筑结构归类模块根据所述比例特征识别单元输出的同一建筑物立面图中若干个建筑结构的比例特征，将相同比例特征的建筑结构归为一类并进行种类标识。应理解的，经由所述相似性比对模块处理后的建筑物立面图中存在的每个建筑结构都具有建筑结构比例特征标识，同类型建筑结构标识。
在本实施例中，所述位置特征识别模块用于根据所述相似性比对模块输出的建筑结构归类结果定位每一建筑结构类型所包括的若干个建筑结构在建筑物立面图中的所处位置。应理解的，基于前述内容可知，所述样本建筑物图像分割结果中，每张样本建筑分割图像所具有的建筑结构都标识有其在图像中所处的相对位置。
基于此，本实施基于BP(反向传播)神经网络构建所述位置特征识别模块，所述位置特征识别模块的输入数据为标识划分有建筑结构的建筑物立面图，输出结果为建筑物立面图中每个建筑结构在图中的相对位置。将所述样本建筑物图像分割结果标识划分为训练集、测试集和验证集，基于训练所述建筑物分割模块相同方法进行所述位置特征识别模块的模型训练，最终获得可对建筑结构在建筑物立面图中所处相对位置进行准确标记的所述位置特征识别模块。
所述建筑物分割模块、所述相似性比对模块和所述位置特征识别模块构成建筑结构相似性分析模型。
基于所述建筑结构相似性分析模型对所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集的具体实现方法如下：
由于对所述建筑表观图像集包括的M张建筑表观图像进行建筑结构相似分析所用方法相同，因而本实施例以所述建筑表观图像集中随机提取获得的第一建筑表观图像进行建筑结构相似分析为例，进行本实施例技术方案的详细阐述。
将所述第一建筑表观图像输入所述建筑结构相似性分析模型的所述建筑物分割模块内进行第一建筑表观图像中建筑结构和背景腔体的标识划分，获得第一建筑结构图像集，所述第一建筑结构图像集为第一建筑表观图像中标识划分出的若干个建筑结构的图像。
将所述第一建筑结构图像集输入所述相似性比对模块，输出所述第一相似建筑结构集，所述第一相似建筑结构集为对第一建筑表观图像中标识划分出的若干个建筑结构的归类结果。例如将第一建筑表观图像中的8个建筑结构分为3个建筑结构类型。
将所述第一相似建筑结构集和所述第一建筑表观图像输入所述位置特征识别模块，获得第一相似建筑结构特征集，所述第一相似建筑结构特征集中为归属于同种相似建筑结构的若干个建筑结构在第一建筑表观图像中的相对位置特征，所述第一相似建筑结构特征集中包括H种相似建筑结构，H为正整数，每种相似建筑结构具有相同的比例特征，且每种相似建筑结构中包括不特定数量个建筑结构，且每种建筑结构都具有其在第一建筑表观图像中的所处相对位置标识。
以此类推，进行所述M张建筑表观图像的建筑结构相似分析，获得M个相似建筑结构特征集。基于M个相似建筑结构特征集提取获得M×H种相似建筑结构，进而提取获得M×H种相似建筑结构的M×H个比例特征，基于比例特征一致性对所述M个相似建筑结构特征集的M×H种相似建筑结构进行相似建筑结构聚合处理，获得所述K种相似建筑结构，所述K种相似建筑结构构成所述相似建筑结构特征集。本实施例中，所述K种相似建筑结构中每种相似建筑结构中的具体建筑结构具有所属建筑表观图像标识，以及在所属建筑表观图像中的相对位置标识，例如某一具体建筑结构的标识为第一M张建筑表观图像，左1/2，下1/8。
本实施例通过基于目标建筑的建筑立面图进行建筑结构相似性分析，实现了获得目标建筑外立面的全部建筑结构以及确定相同建筑结构在目标建筑外立面的分布情况的技术效果，为后续基于激光点云数据进行单个建筑结构建模以替代重复进行建筑结构建模提供有效参考的技术效果。
S400:基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集；
在一个实施例中，基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集，本申请提供的方法步骤S400还包括：
S410:基于所述相似建筑结构特征集提取获得第一相似建筑结构，其中，所述第一相似建筑结构属于所述K种相似建筑结构；
S420:基于所述第一相似建筑结构提取获得第一位置特征标识；
S430:基于所述第一位置特征标识在所述目标激光点云数据进行点云数据调用，获得第一相似局部点云数据；
S440:以此类推，获得映射于所述K种相似建筑结构的K个相似局部点云数据，所述K个相似局部点云数据构成所述相似局部点云数据集。
具体而言，在本实施例中，从所述相似建筑结构特征集的K种相似建筑结构中随机提取获得第一相似建筑结构，由于第一相似建筑结构中的若干个具体建筑结构相一致，因而基于所述第一相似建筑结构随机提取某个具体建筑结构所属建筑表观图像标识，以及在所属建筑表观图像中的相对位置标识作为所述第一位置特征标识。
基于所述第一位置特征标识中该具体建筑结构所述建筑表观图像标识映射确定在所述目标激光点云数据中对应的点云数据面，进一步基于该具体建筑结构在所属建筑表观图像中的相对位置标识进行对应点云数据面的点云数据调用，获得第一相似局部点云数据，理论上基于所述第一相似局部点云数据即可建模还原所述第一相似建筑结构中所包含全部建筑结构。
以此类推，获得映射于所述K种相似建筑结构的K个相似局部点云数据，所述K个相似局部点云数据构成所述相似局部点云数据集。本实施例基于建筑表观图像与目标激光点云数据的位置映射关系以及同类型相似建筑结构中建筑结构的一致性，实现了提取获得可进行K种相似建筑结构中大量建筑结构建模的标志性点云数据的技术效果，为后续进行建筑结构的高效率建模提供数据的技术效果。
S500:基于所述相似局部点云数据集进行局部建筑建模，获得局部建筑模型集合；
S600:基于所述目标激光点云数据构建目标建筑框架；
具体而言，在本实施例中，以所述相似局部点云数据集中的K个相似局部点云数据作为建模数据，采用现有建模方法进行建筑结构这一局部建筑建模，获得所述局部建筑模型集合，所述局部建筑模型集合中包括K个局部建筑模型，K个局部建筑模型为K种相似建筑结构的点云模型，应理解的，K种相似建筑结构中每种相似建筑结构的点云模型具有一致性。
采用现有基于点云数据进行建筑物建模方法，基于所述目标激光点云数据构建所述目标建筑框架，所述目标建筑框架为所述目标建筑的外轮廓框架。本实施例通过获得所述目标建筑框架和所述K个计步建筑模型，间接实现了后续进行高效率目标建筑建模提供建模基础的技术效果。
S700:将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型；
在一个实施例中，如图3所示，将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型，本申请提供的方法步骤S700还包括：
S710:对所述K种相似建筑结构进行所述位置特征标识调用，获得K组位置特征集合；
S720:基于所述K组位置特征集合进行所述局部建筑模型集合的模型扩充，获得局部建筑模型扩充结果；
S730:根据所述K组位置特征集合和所述局部建筑模型扩充结果进行所述目标建筑框架的填充处理，生成所述目标建筑初级模型。
具体而言，在本实施例中，对所述K种相似建筑结构进行所述位置特征标识调用，获得K组位置特征集合，每组位置特征集合包括多个具体建筑结构所属建筑表观图像标识，以及在所属建筑表观图像中的相对位置标识，基于此计算获得每组位置特征集合中具有的建筑结构数量，获得K组建筑结构数量信息。
基于K组建筑结构数量信息对应进行所述局部建筑模型集合中K个局部建筑模型的模型数量扩充，获得局部建筑模型扩充结果，本实施例基于模型数量扩充以确保K种相似建筑结构的局部建筑模型符合目标建筑实际的建筑结构数量。
应理解的，基于步骤S100可知，本实施例的建筑表观图像集中每张建筑表观图像都具有建筑外立面映射标识，且所述K组位置特征集合中每组位置特征集合包括多个具体建筑结构所属建筑表观图像标识，以及在所属建筑表观图像中的相对位置标识，因而可根据具体建筑结构所属建筑表观图像标识反推获得具体建筑结构所属目标建筑外立面，基于具体建筑结构在所属建筑表观图像中的相对位置标识反推获得该具体建筑结构在所属目标建筑外立面的相对位置。
基于此根据所述K组位置特征集合进行建筑结构在目标建筑框架中定位，并所述局部建筑模型扩充结果进行所述目标建筑框架的填充处理，生成所述目标建筑初级模型。所述目标建筑初级模型为准确标识建筑外立面建筑结构模型，缺失背景墙体建模的点云模型。
本实施例基于建筑结构相似性进行低数量局部建筑建模和模型数量复制扩充，并对建筑结构进行目标建筑的定位，实现了避免对于相同建筑结构的重复性建模，提高基于点云数据进行建模的效率的技术效果。
S800:基于所述目标激光点云数据进行所述目标建筑初级模型的表观填充，获得目标建筑优化模型。
具体而言，在本实施例中，基于所述目标激光点云数据进行所述目标建筑初级模型的背景墙体部分的建模填充，获得目标建筑优化模型，所述目标建筑优化模型为未纹理化的，待进行贴图处理的目标建筑的点云模型。本实施例达到了在提高基于点云数据进行建筑物建模的效率的同时，保障点云模型对于建筑物实体的还原性，提供降低建模过程人工参与度的技术效果。
在一个实施例中，根据所述K组位置特征集合和所述局部建筑模型扩充结果进行所述目标建筑框架的填充处理，生成所述目标建筑初级模型，之前，本申请提供的方法步骤S730还包括：
S731:基于所述K组位置特征集合在所述目标激光点云数据进行点云数据调用，获得K组局部结构点云数据；
S732:基于所述K组局部结构点云数据进行所述局部建筑模型扩充结果的还原性验证。
具体而言，应理解的，K种相似建筑结构中每种相似建筑结构的点云模型具有一致性，因此可直接基于同类相似建筑结构中，某个具体建筑结构的点云数据进行该类相似建筑结构的建模处理。但是，也存在为提高目标建筑的艺术性，某一相似建筑结构中的具体建筑结构与其他建筑结构存在差异性，而这一差异未被步骤S300的相似性比对模块所识别，导致错误进行建筑结构归类的低概率情况。
因而为提高目标建筑初级模型中局部建筑结构模型对于目标建筑中建筑结构的还原性，本实施例在根据所述K组位置特征集合和所述局部建筑模型扩充结果进行所述目标建筑框架的填充处理，生成所述目标建筑初级模型，之前，采用调用获得所述相似局部点云数据集相同方法，基于所述K组位置特征集合在所述目标激光点云数据进行点云数据调用，获得K组局部结构点云数据，所述K组局部结构点云数据囊括当前基于目标建筑识别获得的全部建筑结构的点云数据。
基于所述K组局部结构点云数据进行所述局部建筑模型扩充结果的还原性验证，所述还原性验证为基于所述K组局部结构点云数据随机抽取W个局部结构点云数据，基于W个局部结构点云数据进行建筑结构建模，获得W个验证模型。根据W个局部结构点云数据和K组局部结构点云数据的映射关系，调用对应于W个验证模型的W个相似建筑结构，应理解的，该属于W个相似建筑结构来源于K种相似建筑结构。基于W个验证模型和W个相似建筑结构进行模型相似性比对，以完成所述局部建筑模型扩充结果的还原性评价(模型相似度评价)，并预设还原性评价阈值对不满足还原性要求的具体建筑结构，基于对应的实际测得点云数据进行精细化建模处理。
本实施例通过对局部建筑模型扩充结果进行还原性评价，实现了保障目标建筑初级模型中局部建筑结构模型对于目标建筑中建筑结构的还原性的技术效果。
实施例二
基于与前述实施例中一种基于点云数据的建筑物自动化建模方法相同的发明构思，如图4所示，本申请提供了一种基于点云数据的建筑物自动化建模系统，其中，所述系统包括：
点云数据采集模块1，用于对目标建筑进行激光扫描，获得目标激光点云数据；
建筑图像采集模块2，用于对所述目标建筑进行图像采集，获得建筑表观图像集；
建筑结构分析模块3，用于基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数；
局部数据调用模块4，用于基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集；
局部建筑建模模块5，用于基于所述相似局部点云数据集进行局部建筑建模，获得局部建筑模型集合；
建筑框架构建模块6，用于基于所述目标激光点云数据构建目标建筑框架；
初级模型构建模块7，用于将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型；
建筑模型优化模块8，用于基于所述目标激光点云数据进行所述目标建筑初级模型的表观填充，获得目标建筑优化模型。
在一个实施例中，所述系统还包括：
原始数据采集单元，用于对所述目标建筑进行激光扫描获得原始激光点云数据；
点云数据处理单元，用于对所述原始激光点云数据进行预处理，获得预处理点云数据；
点云数据分割单元，用于预设点云数据属性，并基于所述预设点云数据属性对所述预处理点云数据进行分割，获得所述目标激光点云数据，其中，所述目标激光点云数据为所述目标建筑的外立面点云数据。
在一个实施例中，所述系统还包括：
建筑类型获得单元，用于获得所述目标建筑的建筑类型信息；
样本图像获取单元，用于基于所述建筑类型信息获得同类型建筑的样本建筑物表观图像集合；
图像分割执行单元，用于预设建筑结构划分规则，并基于所述预设建筑结构划分规则对所述样本建筑物表观图像集合中的建筑结构和背景墙体进行划分分割和标识，获得样本建筑图像分割结果；
分割模块构建单元，用于基于所述样本建筑图像分割结果构建建筑物分割模块；
比对模块构建单元，用于基于所述样本建筑图像分割结果构建相似性比对模块；
识别模块构建单元，用于基于所述样本建筑图像分割结果构建位置特征识别模块；
分析模型构建单元，用于所述建筑物分割模块、所述相似性比对模块和所述位置特征识别模块构成建筑结构相似性分析模型。
在一个实施例中，所述系统还包括：
表观图像获得单元，用于所述建筑表观图像集包括M张建筑表观图像，其中，M为正整数；
表观图像提取单元，用于基于所述建筑表观图像集提取获得第一建筑表观图像；
建筑结构确定单元，用于将所述第一建筑表观图像输入所述建筑结构相似性分析模型的所述建筑物分割模块内，获得第一建筑结构图像集；
相似性比对执行单元，用于将所述第一建筑结构图像集输入所述相似性比对模块，获得第一相似建筑结构集；
结构特征获取单元，用于将所述第一相似建筑结构集和所述第一建筑表观图像输入所述位置特征识别模块，获得第一相似建筑结构特征集，其中，所述第一相似建筑结构特征集中包括H种相似建筑结构，H为正整数；
结构特征获得单元，用于以此类推，进行所述M张建筑表观图像的建筑结构相似分析，获得M个相似建筑结构特征集；
建筑结构聚合单元，用于对所述M个相似建筑结构特征集进行相似建筑结构聚合处理，获得所述K种相似建筑结构。
在一个实施例中，所述系统还包括：
建筑结构提取单元，用于基于所述相似建筑结构特征集提取获得第一相似建筑结构，其中，所述第一相似建筑结构属于所述K种相似建筑结构；
位置特征获得单元，用于基于所述第一相似建筑结构提取获得第一位置特征标识；
点云数据调用单元，用于基于所述第一位置特征标识在所述目标激光点云数据进行点云数据调用，获得第一相似局部点云数据；
点云数据获得单元，用于以此类推，获得映射于所述K种相似建筑结构的K个相似局部点云数据，所述K个相似局部点云数据构成所述相似局部点云数据集。
在一个实施例中，所述系统还包括：
位置特征调用单元，用于对所述K种相似建筑结构进行所述位置特征标识调用，获得K组位置特征集合；
模型扩充执行单元，用于基于所述K组位置特征集合进行所述局部建筑模型集合的模型扩充，获得局部建筑模型扩充结果；
填充处理执行单元，用于根据所述K组位置特征集合和所述局部建筑模型扩充结果进行所述目标建筑框架的填充处理，生成所述目标建筑初级模型。
在一个实施例中，所述系统还包括：
数据调用执行单元，用于基于所述K组位置特征集合在所述目标激光点云数据进行点云数据调用，获得K组局部结构点云数据；
还原验证执行单元，用于基于所述K组局部结构点云数据进行所述局部建筑模型扩充结果的还原性验证。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中，通过各种不限类型的计算机处理器识别计算机指令或程序，进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作的任何改进和修饰，皆应落入本发明的专利保护范围。

Claims (6)

1.一种基于点云数据的建筑物自动化建模方法，其特征在于，所述方法包括：
对目标建筑进行激光扫描，获得目标激光点云数据；
对所述目标建筑进行图像采集，获得建筑表观图像集；
基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数；
基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集；
基于所述相似局部点云数据集进行局部建筑建模，获得局部建筑模型集合；
基于所述目标激光点云数据构建目标建筑框架；
将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型；
基于所述目标激光点云数据进行所述目标建筑初级模型的表观填充，获得目标建筑优化模型；
所述方法还包括：
获得所述目标建筑的建筑类型信息；
基于所述建筑类型信息获得同类型建筑的样本建筑物表观图像集合；
预设建筑结构划分规则，并基于所述预设建筑结构划分规则对所述样本建筑物表观图像集合中的建筑结构和背景墙体进行划分分割和标识，获得样本建筑图像分割结果；
基于所述样本建筑图像分割结果构建建筑物分割模块；
基于所述样本建筑图像分割结果构建相似性比对模块；
基于所述样本建筑图像分割结果构建位置特征识别模块；
所述建筑物分割模块、所述相似性比对模块和所述位置特征识别模块构成建筑结构相似性分析模型；
基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数，所述方法还包括：
所述建筑表观图像集包括M张建筑表观图像，其中，M为正整数；
基于所述建筑表观图像集提取获得第一建筑表观图像；
将所述第一建筑表观图像输入所述建筑结构相似性分析模型的所述建筑物分割模块内，获得第一建筑结构图像集；
将所述第一建筑结构图像集输入所述相似性比对模块，获得第一相似建筑结构集；
将所述第一相似建筑结构集和所述第一建筑表观图像输入所述位置特征识别模块，获得第一相似建筑结构特征集，其中，所述第一相似建筑结构特征集中包括H种相似建筑结构，H为正整数；
以此类推，进行所述M张建筑表观图像的建筑结构相似分析，获得M个相似建筑结构特征集；
对所述M个相似建筑结构特征集进行相似建筑结构聚合处理，获得所述K种相似建筑结构。
2.如权利要求1所述的方法，其特征在于，对目标建筑进行激光扫描，获得目标激光点云数据，所述方法还包括：
对所述目标建筑进行激光扫描获得原始激光点云数据；
对所述原始激光点云数据进行预处理，获得预处理点云数据；
预设点云数据属性，并基于所述预设点云数据属性对所述预处理点云数据进行分割，获得所述目标激光点云数据，其中，所述目标激光点云数据为所述目标建筑的外立面点云数据。
3.如权利要求1所述的方法，其特征在于，基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集，所述方法还包括：
基于所述相似建筑结构特征集提取获得第一相似建筑结构，其中，所述第一相似建筑结构属于所述K种相似建筑结构；
基于所述第一相似建筑结构提取获得第一位置特征标识；
基于所述第一位置特征标识在所述目标激光点云数据进行点云数据调用，获得第一相似局部点云数据；
以此类推，获得映射于所述K种相似建筑结构的K个相似局部点云数据，所述K个相似局部点云数据构成所述相似局部点云数据集。
4.如权利要求3所述的方法，其特征在于，将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型，所述方法还包括：
对所述K种相似建筑结构进行所述位置特征标识调用，获得K组位置特征集合；
基于所述K组位置特征集合进行所述局部建筑模型集合的模型扩充，获得局部建筑模型扩充结果；
根据所述K组位置特征集合和所述局部建筑模型扩充结果进行所述目标建筑框架的填充处理，生成所述目标建筑初级模型。
5.如权利要求4所述的方法，其特征在于，根据所述K组位置特征集合和所述局部建筑模型扩充结果进行所述目标建筑框架的填充处理，生成所述目标建筑初级模型，之前，所述方法还包括：
基于所述K组位置特征集合在所述目标激光点云数据进行点云数据调用，获得K组局部结构点云数据；
基于所述K组局部结构点云数据进行所述局部建筑模型扩充结果的还原性验证。
6.一种基于点云数据的建筑物自动化建模系统，其特征在于，所述系统执行权利要求1-5任一项所述的方法，所述系统包括：
点云数据采集模块，用于对目标建筑进行激光扫描，获得目标激光点云数据；
建筑图像采集模块，用于对所述目标建筑进行图像采集，获得建筑表观图像集；
建筑结构分析模块，用于基于所述建筑表观图像集进行建筑结构相似分析，获得相似建筑结构特征集，其中，所述相似建筑结构特征集中包括K种相似建筑结构，且每种相似建筑结构具有位置特征标识，K为正整数；
局部数据调用模块，用于基于所述相似建筑结构特征集在所述目标激光点云数据调用获得相似局部点云数据集；
局部建筑建模模块，用于基于所述相似局部点云数据集进行局部建筑建模，获得局部建筑模型集合；
建筑框架构建模块，用于基于所述目标激光点云数据构建目标建筑框架；
初级模型构建模块，用于将所述局部建筑模型集合填充至所述目标建筑框架，获得目标建筑初级模型；
建筑模型优化模块，用于基于所述目标激光点云数据进行所述目标建筑初级模型的表观填充，获得目标建筑优化模型。
CN202310783999.0A 2023-06-29 2023-06-29 一种基于点云数据的建筑物自动化建模方法及系统 Active CN116863099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310783999.0A CN116863099B (zh) 2023-06-29 2023-06-29 一种基于点云数据的建筑物自动化建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310783999.0A CN116863099B (zh) 2023-06-29 2023-06-29 一种基于点云数据的建筑物自动化建模方法及系统

Publications (2)

Publication Number Publication Date
CN116863099A CN116863099A (zh) 2023-10-10
CN116863099B true CN116863099B (zh) 2023-12-26

Family

ID=88231490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310783999.0A Active CN116863099B (zh) 2023-06-29 2023-06-29 一种基于点云数据的建筑物自动化建模方法及系统

Country Status (1)

Country Link
CN (1) CN116863099B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053473A (zh) * 2017-12-29 2018-05-18 北京领航视觉科技有限公司 一种室内三维模型数据的处理方法
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
CN113570615A (zh) * 2021-02-04 2021-10-29 腾讯科技（深圳）有限公司 一种基于深度学习的图像处理方法、电子设备及存储介质
CN113822247A (zh) * 2021-11-22 2021-12-21 广东泰一高新技术发展有限公司 基于航拍影像的违章建筑识别方法及系统
CN115797551A (zh) * 2022-11-14 2023-03-14 国网湖北省电力有限公司超高压公司 基于两步无监督聚类算法的激光点云数据自动建模方法
CN115953535A (zh) * 2023-01-03 2023-04-11 深圳华为云计算技术有限公司 三维重建方法、装置、计算设备和存储介质
CN116229007A (zh) * 2023-02-27 2023-06-06 深圳比目鱼平方科技有限公司 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN116310115A (zh) * 2023-03-17 2023-06-23 合肥泰瑞数创科技有限公司 一种基于激光点云构建建筑物三维模型的方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053473A (zh) * 2017-12-29 2018-05-18 北京领航视觉科技有限公司 一种室内三维模型数据的处理方法
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
CN113570615A (zh) * 2021-02-04 2021-10-29 腾讯科技（深圳）有限公司 一种基于深度学习的图像处理方法、电子设备及存储介质
CN113822247A (zh) * 2021-11-22 2021-12-21 广东泰一高新技术发展有限公司 基于航拍影像的违章建筑识别方法及系统
CN115797551A (zh) * 2022-11-14 2023-03-14 国网湖北省电力有限公司超高压公司 基于两步无监督聚类算法的激光点云数据自动建模方法
CN115953535A (zh) * 2023-01-03 2023-04-11 深圳华为云计算技术有限公司 三维重建方法、装置、计算设备和存储介质
CN116229007A (zh) * 2023-02-27 2023-06-06 深圳比目鱼平方科技有限公司 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN116310115A (zh) * 2023-03-17 2023-06-23 合肥泰瑞数创科技有限公司 一种基于激光点云构建建筑物三维模型的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Image-retrieval Method Using Gradient Dilation Images for Cloud-based Positioning System with 3D Wireframe Map;Takahashi 等;《SENSORS AND MATERIALS》;第第32卷卷(第第2期期);第611-623页 *
基于点云数据的复杂建筑体真三维建模与应用;何原荣 等;《遥感技术与应用》;第31卷(第06期);第1091-1099页 *
多视激光点云数据融合与三维建模方法研究;宋永存;;《测绘通报》(第05期);第79-94页 *

Also Published As

Publication number Publication date
CN116863099A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN110472616B (zh) 图像识别方法、装置、计算机设备及存储介质
CN104134234B (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
CN112070769A (zh) 一种基于dbscan的分层点云分割方法
CN108154104A (zh) 一种基于深度图像超像素联合特征的人体姿态估计方法
JPWO2012111236A1 (ja) 画像識別装置およびプログラム
CN112613097A (zh) 一种基于计算机视觉的bim快速化建模方法
CN114219786B (zh) 一种基于深度学习的染色体核型分析方法及系统
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN115393351B (zh) 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置
CN118366162B (zh) 基于深度学习的图像分割方法及系统
CN110349159A (zh) 基于权重能量自适应分布的三维形状分割方法及系统
CN114565722A (zh) 一种三维模型单体化实现方法
CN116152494A (zh) 基于两阶段3d点云语义分割的建筑物脚点识别分割方法
CN117495735A (zh) 一种基于结构引导的建筑物立面纹理自动修复方法及系统
CN117523087B (zh) 基于内容识别的三维模型优化方法
CN102163343B (zh) 基于互联网图像的三维模型最佳视角自动获取方法
CN116958476B (zh) 一种基于bim数据的建筑物可视化建模方法及系统
CN116863099B (zh) 一种基于点云数据的建筑物自动化建模方法及系统
CN116051980B (zh) 基于倾斜摄影的建筑识别方法、系统、电子设备及介质
CN110599587A (zh) 一种基于单张图像的3d场景重构技术
CN110706347A (zh) 一种通过建筑的线框图创建3d建筑模型的实现方法
CN115937466A (zh) 一种融合gis的三维模型生成方法、系统及存储介质
CN116258660A (zh) 口腔鳞癌侵袭深度智能测量系统
CN112085636A (zh) 一种城市功能性收缩分析方法、装置及存储介质

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