CN117058339A - 基于as-sgm-sf体素化三维重建的施工进度量化追踪方法 - Google Patents
基于as-sgm-sf体素化三维重建的施工进度量化追踪方法 Download PDFInfo
- Publication number
- CN117058339A CN117058339A CN202311079168.1A CN202311079168A CN117058339A CN 117058339 A CN117058339 A CN 117058339A CN 202311079168 A CN202311079168 A CN 202311079168A CN 117058339 A CN117058339 A CN 117058339A
- Authority
- CN
- China
- Prior art keywords
- model
- point cloud
- difference
- voxel
- sgm
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims 2
- 238000005259 measurement Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011002 quantification Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Computer Graphics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Generation (AREA)
Abstract
本发明涉及一种基于AS‑SGM‑SF体素化三维重建的施工进度量化追踪方法，包括以下步骤：采集参考模型和目标模型；将参考模型和目标模型对齐；构建K‑D树，并联合差异因子获得差异模型；基于AS算法获得三角网格模型；采用SGM算法逐像素立体匹配，计算最优视差；将像素转换为稠密点云，以获得点云差异模型；采用SF填充算法填充点云差异模型内部；对填充后的点云差异模型进行体素化表示，获得体素差异模型；基于体素差异模型，计算出总体体积，完成施工进度的计算；将体素差异模型与目标模型叠加可视化，实现土方工程施工进度的量化追踪。与现有技术相比，本发明具有使点云的施工进度量化更加方便快捷等优点。
Description
技术领域
本发明涉及土木工程建设领域，尤其是涉及一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法。
背景技术
随着土木工程建设的规模不断扩大，形式日益复杂，需要一个及时提供最新的进度数据和工程量数据，辅助管理层做出快速控制决策的方法。信息和通信技术的发展使得研究人员有效提高了项目进度控制的效率和质量。这些方法和技术简化了传统任务、通信和流程。近年来，研究人员试图通过利用计算机视觉、激光扫描、射频识别(RFID)、全球定位系统(GPS)、超宽带(UWB)和无人机(UAV)等技术实现施工进度监控控制。当前施工进度的监控方法大致分为两类，一是基于计算机视觉的方法，二是基于点云的方法。其中，基于计算机视觉的方法可以提供所需的几何信息来生成三维或四维模型。数字图像处理有助于提高进度控制过程的质量和成本。然而，与点云模型相比，基于视觉的模型可能不如准确和密集。
通过激光扫描和立体视觉图像获得的点云已成为流行数据集，广泛应用于城市测绘、三维建模、交通监测、土木工程和森林监测等领域。当前应用点云数据与BIM模型，通过匹配分析，快速得到建筑物实际进度与计划进度的偏差，从而实现建筑物施工进度的定性监测。现有研究成果中，学者通过对比两期点云数据，可视化变化部分，实现了施工进度定性监测。然而，两期点云模型变化部分边界任意、存在开口、内部空洞等问题，并且原始点云通常是非结构化的，不包含对象的语义、几何或拓扑信，缺乏足够信息，导致基于点云的施工进度量化存在困难。
发明内容
本发明的目的就是为了提供一种使点云的施工进度量化更加方便快捷的基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法。
本发明的目的可以通过以下技术方案来实现：
一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，包括以下步骤：
采集两期施工现场点云数据，分别转换为模型，将数据采集时间较早的模型定义为参考模型，数据采集时间较晚的模型为目标模型；
采用三维处理算法将所述参考模型和目标模型对齐；
基于所述参考模型和目标模型构建K-D树，并联合差异因子获得差异模型；
基于AS算法获得所述差异模型的三角网格模型，并在所述三角网格模型空间中建立虚拟相机，采集三角网格模型多视图图像信息；
基于所述三角网格模型多视图图像信息，采用SGM算法逐像素立体匹配，计算每个像素的最优视差；
基于所述最优视差，将像素转换为稠密点云，以获得点云差异模型；
基于所述点云差异模型，采用SF填充算法填充点云差异模型内部；
对填充后的点云差异模型进行体素化表示，获得体素差异模型；
基于所述体素差异模型，计算出总体体积，完成施工进度的计算；
将所述体素差异模型与目标模型叠加可视化，实现施工进度的量化追踪。
进一步地，所述三维处理算法为ICP算法。
进一步地，所述获得差异模型的具体步骤包括：
基于所述参考模型和目标模型，计算每个维度的点云数据的方差，取最大的方差作为分割轴；
按照所述分割轴进行检索，寻找中位数完成节点的确定，并根据分割轴维度确定划分分支，完成K-D树的构建；
遍历参考模型中的点云数据，获取参考模型的点云坐标，迭代判断K-D树分支，找到目标模型中离参考模型的点云坐标最近的点云坐标；
基于所述参考模型的点云坐标和目标模型中离参考模型的点云坐标最近的点云坐标计算差异因子，并基于差异因子获得差异模型。
进一步地，所述差异因子的表达式为：
式中，η为差异因子，distance()表示参考点云模型与目标点云间的距离，res为点云分辨率，Pn为参考模型的点云坐标，Tm为目标模型中离参考模型的点云坐标最近的点云坐标。
进一步地，所述三角网格模型的获取步骤具体为：
搜索差异模型中的某一点距离滚动球预设半径倍数内的所有点，作为点集；
基于所述点集，计算球心坐标，获得边界三角形；
重复执行以上步骤，直至差异模型中的所有点计算完成，输出三角网格模型。
进一步地，所述球心坐标的计算公式为：
式中，(x、y、z)为球心坐标，(x1,y1,z1)为某点坐标，α为滚动球半径，Pi(xi,yi,zi)、Pj(xj,yj,zj)为点集中任意两点的坐标。
进一步地，所述计算每个像素的最优视差的具体步骤包括：
基于所述三角网格模型的多视图图像信息，获得方向上的代价函数；
针对任一像素，基于所述方向上的代价函数获得视差的代价函数；
通过不断迭代的方式求解所述视差的代价函数，获得最优视差。
进一步地，所述视差的代价函数为：
S(p,d)＝∑rL′r(p,d)
式中，S(p,d)为像素p、视差d的代价函数，L′r(p,d)为像素p、视差为d、方向为r上的代价函数。
进一步地，将像素转换为稠密点云的表达式为：
式中：cx，cy为相机中心，fx，fy为相机焦距，d为做优视差，depth_scale是指视差单位与米之间的关系，(x，y，z)为转换后的点坐标，u、v分别为图像像素坐标值，水平方向为u，垂直方向为v。
进一步地，所述填充点云差异模型内部的具体步骤包括：
将点云差异模型中的稠密点云以间距等于点云分辨率的平面组切割，点云投影到平面生成封闭区域；
基于所述封闭区域，采用SF填充算法填充点云差异模型内部。
与现有技术相比，本发明具有以下有益效果：
(1)由于点云存在缺失和开口、边界任意、采样密度不均匀等问题，本发明通过采用AS算法对其点云表面进行重构，结合SGM算法逐像素立体匹配，实现点云模型表面稠密重构，并采用SF填充算法填充空洞区域，提高模型内部的完整性和准确性，最后通过点云体素化三维重建，给点云对象赋予语义、几何和拓扑信息，以便获取更丰富的施工进度信息，从而方便快捷地对施工进度进行量化。
(2)本发明根据参考模型和目标模型提出了基于K-D树和差异因子的差异模型，差异因子作为评定两期模型是否存在差异的一个重要指标，能够较好地反映施工进度的变化。
(3)本发明方法结果平均误差为1.70％，计算耗时15s以内，满足工程的时效性和精度要求，能够及时反馈施工进度的变化情况，提供实时的决策支持。
(4)本发明该方法不仅适用于土方工程，针对建筑工程，隧道工程等同样具有普适性。
附图说明
图1为本发明方法流程示意图；
图2为本发明实施例参考模型与目标模型；
图3为本发明实施例两期点云模型ICP配对；
图4为本发明实施例差异因子计算原理图，其中，(a)为差异因子小于等于1的情况，(b)为差异因子大于1的情况；
图5为本发明实施例差异模型；
图6为本发明实施例基于SF算法模型内部填充图，其中，(a)为平面组切割图，(b)为封闭区域，(c)为填充后平面图，(c)为填充后三维图；
图7为本发明实施例基于AS-SGM-SF耦合算法的体素三维重构；
图8为本发明实施例施工进度量化追踪。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，如图1所示，该方法包括以下步骤：
S1、采集两期施工现场点云数据，分别转换为模型，将数据采集时间较早的模型定义为参考模型，数据采集时间较晚的模型为目标模型。
如图2所示的参考模型和目标模型，本实施例中将通过这两种模型对采集两期点云数据时间段内的施工进度进行追踪。
S2、采用三维处理算法将所述参考模型和目标模型对齐。
本实施例中采用对齐方法为ICP(Iterative Closest Point，最近点迭代)算法。为了方便观察，第一期点云的参考模型赋予黑色，第二期点云的目标模型赋予灰色，如图3所示。
S3、基于所述参考模型和目标模型构建K-D树，并联合差异因子获得差异模型。
由于两期模型采集过程中飞行航线、控制点存在变异，点云数据的存储顺序随机，计算对应位置困难，因此提出基于K-D(K-Dimensional)树的差异分析算法，既能解决以上问题，又避免了全局空间搜索，降低时间复杂度。具体来说：
S31、对每个维度的点云数据进行方差的计算，取最大方差的维度作为分割轴获。
S32、对当前数据按分割轴维度进行检索，找到中位数数据，完成节点的确定，并根据分割轴维度确定划分分支，完成K-D树的构建。
S33、遍历参考模型中的点云数据，获取点云的坐标Pn(xn,yn,zn)，迭代判断K-D树分支，找到目标模型中离Pn最近的点云Tm(xm,ym,zm)。
S34、基于K-D树和差异因子计算差异模型，如图4所示，遍历参考模型中的点云数据，获取点云的坐标，迭代判断K-D树分支，找到目标模型中离参考模型点云最近的点云。基于差异因子得到差异模型。差异因子η是评定两期模型是否存在差异的一个重要指标，由点云距离和点云的分辨率比值得到(图5)，由点云距离和点云的分辨率比值得到，如下式所示：
式中，distance()表示参考点云模型与目标点云间的距离，res为点云分辨率。
如图4中(a)所示，η≤1说明两期模型中对应点云不存在差异；如图4中(b)所示，η＞1说明两期模型中对应点云存在差异。
S4、基于AS算法获得所述差异模型的三角网格模型。
由于点云模型存在缺失和开口、边界任意、采样密度不均匀等问题，有必要对点云进行表面稠密重构。在本方法中首先基于AS(Alpha Shapes，滚球法)算法对其点云表面进行重构。对于任一点P(x1，y1，z1)，滚动球半径α，在点云内搜索距离P点2α内的所有点，记为点集Q。选取Q中任意两点Pi(xi，yi，zi)、Pj(xj，yj，zj)，根据这两点和P点，计算出球心坐标。
经过Pi、Pj两点且半径为α的两种情况下的球心坐标，其坐标计算公式如下所示：
其中，(x、y、z)为球心坐标。
在Q点集中计算剩余点分别到球心O1、O2距离。若存在距离大于或等于α，则表明点P、Pi、Pj为边界三角形。
在点云集中选择下一个点，重复上述步骤进行计算，直到所有点计算完成，输出三角网格模型。
S5、基于所述三角网格模型，采用SGM算法逐像素立体匹配，计算每个像素的最优视差。
在模型空间中生成虚拟相机，采集三角网格模型多视图图像信息。采用半全局匹配(Semi Global Matching，SGM)算法逐像素立体匹配。
为使得匹配代价不容易受到误匹配和噪声点的影响，可以优化多个单行的约束条件来拟合2D优化。像素p，视差为d，方向为r上的代价L′r为如下式：
L′r＝C(p，d)+min(L′r(p-r，d)，L′r(p-r，d-1)+P1，L′r(p-r，d+1)
+P1，miniL′r(p-r，i)+P2))-minkL′r(p-r，k)
最终，对于像素p，选择视差d的代价为S(p，d)：
S(p，d)＝∑rL′r(p，d)
通过迭代的方式求解使代价最小的视差d。
S6、基于所述最优视差，将像素转换为稠密点云，以获得点云差异模型。
利用多个立体像对来计算多张稠密视差图，通过下式来进行一致性检验，确保一对一映射。
式中：Dp为视差，Dbp，Dmq分别为右图视差和左图视差，Dinv，为无效视差。函数q＝ebm(p，Dbp)表示右图视差Dbp的匹配像素p的外极线。
基于每个像素的视差d，根据下式来将像素转换为稠密点云。
式中：cx，cy为相机中心，Fx，fy为相机焦距，d为做优视差，depth_scale是指视差单位与米之间的关系，(x，y，z)为转换后的点坐标，u、v分别为图像像素坐标值，水平方向为u，垂直方向为v。
S7、基于所述点云差异模型，采用SF填充算法填充点云差异模型内部。
如图6所示，将模型内部填充，具体为：将稠密的点云数据以间距等于点云分辨率res的平面组切割，如图(a)，点云投影到平面生成封闭区域，如图(b)，基于种子填充算法(Seed Filling，SF)，填充模型内部，如图(c)和(d)所示。
S8、对填充后的点云差异模型进行体素化表示，获得体素差异模型。
该步骤将点云差异模型的体素化表示，如图7所示。
S81、初始时求出点云模型中点云最大、最小值顶点(Xmax，Ymax，Zmax)和(Xmin，Ymin，Zmin)。以这两点为对角顶点构成长方体包围盒。包围盒沿x，y，z轴的长度为如下式(7)：
Lx＝|Xmax-Xmin|
Ly＝|Ymax-Ymin|
Lz＝|Zmax-Zmin|
在顶点(Xmin，Ymin，Zmin)位置固定坐标系，方向与欧氏空间的x，y，z方向相同，坐标为整数坐标，构成一空间，称为体素空间Z3。给定体素尺寸a，将体素空间Z3划分为个方块区域。体素空间是3D离散空间，是三维欧氏空间的子空间(Z3∈R3)，每一整数组合序列(iu，jv，ku)能唯一确定第v个体素，其中：
S82、体素化过程是将点云数据映射到体素网格中，可以通过将第i个点云数据坐标(xi，yi，zi)除以体素尺寸并向下取整来得到点群占据的体素整数组合序列(i，j，k)。
体素的大小决定了体素网格的分辨率。体素越小，分辨率越高，但计算量也越大。体素的大小应根据点云数据的密度和分布情况进行选择。
S83、对于每个体素网格单元，可以计算其属性，例如体素中包含的点云数量、颜色等信息。第v个体素整数组合序列(iu，jv，ku)对应的点云数量m为体素中包含的点云数量。第v个体素的颜色属性cv可通过平均包含点云的颜色信息来得到，如下式所示：
其中，(Ri，Gi，Bi)分别为第i个点云的红(R)、绿(G)、蓝(B)三个颜色通道值。
S9、基于所述体素差异模型，计算出总体体积，完成施工进度的计算。
获取体素差异模型的体素数量和体素尺寸，根据尺寸和数量，计算出总体体积，完成施工进度的计算。
S10、将所述体素差异模型与目标模型叠加可视化，实现施工进度的量化追踪。
经过叠加可视化，实现了施工进度的可视化展示，如图8所示。
上述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，包括以下步骤：
采集两期施工现场点云数据，分别转换为模型，将数据采集时间较早的模型定义为参考模型，数据采集时间较晚的模型为目标模型；
采用三维处理算法将所述参考模型和目标模型对齐；
基于所述参考模型和目标模型构建K-D树，并联合差异因子获得差异模型；
基于AS算法获得所述差异模型的三角网格模型，并在所述三角网格模型空间中建立虚拟相机，采集三角网格模型多视图图像信息；
基于所述三角网格模型多视图图像信息，采用SGM算法逐像素立体匹配，计算每个像素的最优视差；
基于所述最优视差，将像素转换为稠密点云，以获得点云差异模型；
基于所述点云差异模型，采用SF填充算法填充点云差异模型内部；
对填充后的点云差异模型进行体素化表示，获得体素差异模型；
基于所述体素差异模型，计算出总体体积，完成施工进度量的计算；
将所述体素差异模型与目标模型叠加可视化，实现施工进度的量化追踪。
2.根据权利要求1所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述三维处理算法为ICP算法。
3.根据权利要求1所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述获得差异模型的具体步骤包括：
基于所述参考模型和目标模型，计算每个维度的点云数据的方差，取最大的方差作为分割轴；
按照所述分割轴进行检索，寻找中位数完成节点的确定，并根据分割轴维度确定划分分支，完成K-D树的构建；
遍历参考模型中的点云数据，获取参考模型的点云坐标，迭代判断K-D树分支，找到目标模型中离参考模型的点云坐标最近的点云坐标；
基于所述参考模型的点云坐标和目标模型中离参考模型的点云坐标最近的点云坐标计算差异因子，并基于差异因子获得差异模型。
4.根据权利要求3所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述差异因子的表达式为：
式中，η为差异因子，distance()表示参考点云模型与目标点云间的距离，res为点云分辨率，Pn为参考模型的点云坐标，Tm为目标模型中离参考模型的点云坐标最近的点云坐标。
5.根据权利要求1所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述三角网格模型的获取步骤具体为：
搜索差异模型中的某一点距离滚动球预设半径倍数内的所有点，作为点集；
基于所述点集，计算球心坐标，获得边界三角形；
重复执行以上步骤，直至差异模型中的所有点肌酸完成，输出三角网格模型。
6.根据权利要求5所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述球心坐标的计算公式为：
式中，(x、y、z)为球心坐标，(x1,y1,z1)为某点坐标，α为滚动球半径，Pi(xi,yi,zi)、Pj(xj,yj,zj)为点集中任意两点的坐标。
7.根据权利要求1所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述计算每个像素的最优视差的具体步骤包括：
基于所述三角网格模型的多视图图像信息，获得方向上的代价函数；
针对任一像素，基于所述方向上的代价函数获得视差的代价函数；
通过不断迭代的方式求解所述视差的代价函数，获得最优视差。
8.根据权利要求7所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述视差的代价函数为：
S(p,d)＝∑rL′ r(p,d)
式中，S(p,d)为像素p、视差d的代价函数，L′ r(p,d)为像素p、视差为d、方向为r上的代价函数。
9.根据权利要求1所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，将像素转换为稠密点云的表达式为：
式中：cx，cy为相机中心，fx，fy为相机焦距，d为做优视差，depth_scale是指视差单位与米之间的关系，(x，y，z)为转换后的点坐标，u、v分别为图像像素坐标值，水平方向为u，垂直方向为v。
10.根据权利要求1所述的一种基于AS-SGM-SF体素化三维重建的施工进度量化追踪方法，其特征在于，所述填充点云差异模型内部的具体步骤包括：
将点云差异模型中的稠密点云以间距等于点云分辨率的平面组切割，点云投影到平面生成封闭区域；
基于所述封闭区域，采用SF填充算法填充点云差异模型内部。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311079168.1A CN117058339A (zh) | 2023-08-24 | 2023-08-24 | 基于as-sgm-sf体素化三维重建的施工进度量化追踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311079168.1A CN117058339A (zh) | 2023-08-24 | 2023-08-24 | 基于as-sgm-sf体素化三维重建的施工进度量化追踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117058339A true CN117058339A (zh) | 2023-11-14 |
Family
ID=88667466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311079168.1A Pending CN117058339A (zh) | 2023-08-24 | 2023-08-24 | 基于as-sgm-sf体素化三维重建的施工进度量化追踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058339A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095654A (zh) * | 2024-04-23 | 2024-05-28 | 辽宁云也智能信息科技有限公司 | 基于bim的建筑工程建设管理方法及系统 |
-
2023
- 2023-08-24 CN CN202311079168.1A patent/CN117058339A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095654A (zh) * | 2024-04-23 | 2024-05-28 | 辽宁云也智能信息科技有限公司 | 基于bim的建筑工程建设管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107025685B (zh) | 拓扑感知下的机载建筑屋顶点云建模方法 | |
| CN111462329B (zh) | 一种基于深度学习的无人机航拍影像的三维重建方法 | |
| CN112288875B (zh) | 一种面向无人机矿山巡检场景的快速三维重建方法 | |
| CN111629193B (zh) | 一种实景三维重建方法及系统 | |
| CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
| CN109238239B (zh) | 基于航空摄影的数字测量三维建模方法 | |
| WO2018061010A1 (en) | Point cloud transforming in large-scale urban modelling | |
| CN105160702A (zh) | 基于LiDAR点云辅助的立体影像密集匹配方法及系统 | |
| CN112465970B (zh) | 导航地图构建方法、装置、系统、电子装置和存储介质 | |
| CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
| CN111667569B (zh) | 一种基于Rhino及Grasshopper的三维实景土方可视化精准测算方法 | |
| CN108375985A (zh) | 一种土地三维规划设计平台及其设计方法 | |
| CN112465966A (zh) | 一种集倾斜摄影测量与三维激光扫描的陡崖三维建模方法 | |
| CN114283070B (zh) | 融合无人机影像与激光点云的地形断面制作方法 | |
| CN113763529B (zh) | 一种基于三维扫描的变电站建模方法 | |
| CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
| CN117058339A (zh) | 基于as-sgm-sf体素化三维重建的施工进度量化追踪方法 | |
| Zhang et al. | Primitive-based building reconstruction by integration of Lidar data and optical imagery | |
| CN113781639B (zh) | 一种大场景道路基础设施数字化模型快速构建方法 | |
| CN113362458B (zh) | 模拟多视角成像的三维模型解译方法、终端及存储介质 | |
| CN114387488A (zh) | 基于potree点云影像融合的道路提取系统及方法 | |
| Kang et al. | 3D urban reconstruction from wide area aerial surveillance video | |
| Jiang et al. | Meteor tail: octomap based multi-sensor data fusion method | |
| Nilosek et al. | Geo-accurate model extraction from three-dimensional image-derived point clouds | |
| Wang et al. | State of the art in dense image matching cost computation for high-resolution satellite stereo |
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 |