CN117274535A - 基于点云密度重构实景三维模型的方法、装置及电子设备 - Google Patents

基于点云密度重构实景三维模型的方法、装置及电子设备 Download PDF

Info

Publication number
CN117274535A
CN117274535A CN202311560085.4A CN202311560085A CN117274535A CN 117274535 A CN117274535 A CN 117274535A CN 202311560085 A CN202311560085 A CN 202311560085A CN 117274535 A CN117274535 A CN 117274535A
Authority
CN
China
Prior art keywords
point cloud
dimensional model
dimensional
curve
cloud density
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
Application number
CN202311560085.4A
Other languages
English (en)
Other versions
CN117274535B (zh
Inventor
朱旭平
何文武
宋彬
舒国辉
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.)
Beijing Feidu Technology Co ltd
Original Assignee
Beijing Feidu Technology Co ltd
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 Beijing Feidu Technology Co ltd filed Critical Beijing Feidu Technology Co ltd
Priority to CN202311560085.4A priority Critical patent/CN117274535B/zh
Publication of CN117274535A publication Critical patent/CN117274535A/zh
Application granted granted Critical
Publication of CN117274535B publication Critical patent/CN117274535B/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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation

Abstract

本发明公开了一种基于点云密度重构实景三维模型的方法、装置及电子设备，通过基于原始三维模型得到三维点云和顶视深度图，并基于三维点云生成第一点云密度图；将第一点云密度图内各网格中的点均按照高程值进行聚类得到第二点云密度图；根据第二点云密度图得到第一曲线和第一直线，根据顶视深度图得到第二曲线和第二直线，基于第一曲线、第二曲线、第一直线和第二直线确定封闭轮廓图；对各封闭轮廓图间内外环间区域三角化得到建筑单体顶面的三角面，同时根据轮廓线以及轮廓线上的高程信息得到建筑立面，然后基于三角面和建筑立面生成实景三维模型，能快速高效且准确地减少实景三维模型中三角网数量，并平滑建筑表面，实现对实景三维模型的修剪。

Description

基于点云密度重构实景三维模型的方法、装置及电子设备
技术领域
本发明属于实景三维模型技术领域，具体涉及一种点云密度重构实景三维模型的方法、装置及电子设备。
背景技术
实景三维模型是指在一定范围内人类生产、生活和生态空间进行真实、立体、时序化反映和表达的数字空间。当前构建实景三维模型主要是通过无人机航拍进行构建，但是无人机航拍构建出的实景三维模型，其存在三角网过密和建筑表面不平整等问题。
现有技术中在解决上述问题时，一是人工修剪模型，但该方法费时费力，且处理不精准；二是通过模型减面来减少三角网的数量，但无法准确控制减面的数量，三是根据顶视深度图进行轮廓提取，但因为建筑立面被屋顶遮挡，导致建筑立面不可见，只能获取到屋檐边缘，因此会导致重构的模型建筑立面外移至屋檐边缘，致使结果不准确。
因此，如何快速高效且准确地减少实景三维模型中三角网数量，以及平滑建筑表面，实现对实景三维模型的修剪，是本领域技术人员有待解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中无法快速高效且准确地减少实景三维模型中三角网数量，以及平滑建筑表面的技术问题。
为实现上述技术目的，一方面，本发明提供了一种基于点云密度重构实景三维模型的方法，该方法包括：
基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；
将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；
根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于所述第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；
基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面，接着根据建筑单体顶面的轮廓线以及该轮廓线上的高程信息得到建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型。
进一步地，在所述基于原始三维模型得到三维点云之前，还包括确定出原始三维模型中各连通域内的三角网数量，并将所述三角网数量小于第一阈值的连通域内的三角网进行删除，以及将低于预设高度值的三角面进行删除。
进一步地，所述基于原始三维模型得到三维点云，具体包括：
将所述原始三维模型进行轴对齐处理；
将经过轴对齐处理后的原始三维模型通过网格方式进行均匀采样。
进一步地，所述轴对齐处理具体包括：
确定所述原始三维模型中每个三角面的面法向；
将每个三角面的面法向均投影在X-Y轴二维平面上，并将投影长度大于预设长度值的面组合为第一集合；
通过预设算法确定出最佳旋转矩阵后基于该最佳旋转矩阵对所述原始三维模型进行旋转，其中，该最佳旋转矩阵具体为在该矩阵下，所述第一集合中与X轴和Y轴对齐的三角面数量最多。
进一步地，所述根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，具体包括：
根据各高程值对所述第二点云密度图进行极值线提取得到极值线图像；
将所述极值线图像中各极值线进行异常值删除得到优化后极值线图像；
将所述极值线图像进行二值化后进行曲线提取和拟合得到所述第一曲线，然后将进行曲线提取后的极值线图像进行直线提取得到所述第一直线。
进一步地，所述基于第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图，具体包括：
将所述第一曲线和第二曲线进行拟合，所述第一直线和第二直线进行拟合；
将拟合后的曲线和直线进行依次延长相交和融合的处理；
将融合后的曲线和直线间的封闭区域作为所述封闭轮廓图。
进一步地，所述方法还包括通过第二点云密度图中各聚类的高程值确定所述建筑单体立面的高程信息，具体为：
确定出所述建筑单体立面的边中像素点在所述第二点云密度图中位置相同的聚类，并获取该聚类的高程值；
将获取到的高程值作为对应像素点的高度；
基于各像素点的高度确定出建筑单体立面的高度。
进一步地，在生成实景三维模型之后，还包括：
确定出所述实景三维模型中每个三维三角面的二维UV坐标以及二维UV三角面；
将二维UV三角面沿面法向方向向所述原始三维模型进行射线求交获取对应二维UV三角面的像素值；
基于每个二维UV三角形的像素值和所述二维UV坐标对所述三维实景模型进行填充。
另一方面，本发明还提供了一种基于点云密度重构实景三维模型的装置，所述装置包括：
第一生成模块，用于基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；
聚类模块，用于将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；
提取模块，用于根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于所述第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；
第二生成模块，用于基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面，接着根据建筑单体顶面的轮廓线以及该轮廓线上的高程信息得到建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型。
再一方面，本发明还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行如上所述的方法。
本发明提供的一种基于点云密度重构实景三维模型的方法、装置及电子设备，与现有技术相比，本方法基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面，接着根据建筑单体顶面的轮廓线以及该轮廓线上的高程信息得到建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型，能够快速高效且准确地减少实景三维模型中三角网数量，以及平滑建筑表面，实现对实景三维模型的修剪。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1所示为本说明书实施例提供的基于点云密度重构实景三维模型的方法的流程示意图；
图2所示为本说明书实施例提供的基于点云密度重构实景三维模型的装置的结构示意图。
具体实施方式
为了使本领域普通技术人员更好地理解本说明书中的技术方案，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。
如图1所示为本说明实施例提供的基于点云密度重构实景三维模型的方法的流程示意图，虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构，但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元，在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行（例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境）。
本说明实施例中提供的基于点云密度重构实景三维模型的方法可以应用在客户端和服务器等终端设备中，如图1所示，所述方法具体包括如下步骤：
步骤S101、基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图。
其中，顶视深度图也就是顶视方向上的深度图，能够便于获取每个位置的深度信息，且该顶视深度图的尺寸与第一点云密度图的尺寸一致。
在本申请实施例中，在基于原始三维模型得到三维点云之前，还包括确定出原始三维模型中各连通域内的三角网数量，并将所述三角网数量小于第一阈值的连通域内的三角网进行删除，以及将低于预设高度值的三角面进行删除。
具体的，因为在原始三维模型中建筑地面结构比较复杂，经常会有各种车辆、树木以及电线杆等其他物品的遮挡或者粘连，因此裁剪掉建筑物底部的一下细小结构有利于突出建筑物主题部分，能够更好地进行建筑模型的网络重构。
在本申请实施例中，所述基于原始三维模型得到三维点云，具体包括：
将所述原始三维模型进行轴对齐处理；
将经过轴对齐处理后的原始三维模型通过网格方式进行均匀采样。
其中，所述轴对齐处理具体包括：
确定所述原始三维模型中每个三角面的面法向；
将每个三角面的面法向均投影在X-Y轴二维平面上，并将投影长度大于预设长度值的面组合为第一集合；
通过预设算法确定出最佳旋转矩阵后基于该最佳旋转矩阵对所述原始三维模型进行旋转，其中，该最佳旋转矩阵具体为在该矩阵下，所述第一集合中与X轴和Y轴对齐的三角面数量最多。
具体的，将原始三维模型进行轴对齐处理，该处的原始三维模型是经过上述删除三角面操作后的三维模型，计算每个三角面的面法向，也就是平面法向量，并投影到X-Y轴平面上，收集在X_Y轴平面上法向量长度大于预设长度值的三角面，并将其组合为第一集合，预设长度值可以是0.9，因为法向量是归一化的向量，因此取值范围为0-1.0，预设算法可以是RANSAC(随机抽样一致)算法，该算法可以确定出最佳旋转矩阵，在经过最佳旋转矩阵的旋转下，第一集合中与X轴和Y轴对齐的三角面数量最多，也可是本领域技术人员根据情况选择的其他算法。
采样过程是通过网格方式均匀采样，采样间距可以为0.05米，也可以是其他设置的间距，具体的，对于原始三维模型，按照X-Y轴平面上，网格长度为0.1米进行点云空间聚类，聚类是基于网格中点的高程值进行聚类，进而按照一个网格一个像素，像素值为落入该网格的点云个数的规则，生成点云密度图。
步骤S102、将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值。
具体的，将第一点云密度图内各网格中的点按照Z轴方向上的高程值进行聚类，且网格内的所有聚类中点的个数小于第一阈值的将被舍弃，即可得到第二点云密度图，并记录下每个聚类的最低高程值和最高高程值，以及每个网格经过聚类过滤后的最高高程值。
步骤S103、根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于所述第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图。
在本申请实施例中，所述根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，具体包括：
根据各高程值对所述第二点云密度图进行极值线提取得到极值线图像；
将所述极值线图像中各极值线进行异常值删除得到优化后极值线图像；
将所述极值线图像进行二值化后进行曲线提取和拟合得到所述第一曲线，然后将进行曲线提取后的极值线图像进行直线提取得到所述第一直线。
具体的，具体的，对第二点云密度图根据高程值进行极值线的提取，并对极值线进行优化，去掉因为异常值导致的极值线凸起，以及对于部分细小的缺失导致极值线中断、不连续的情况进行拟合修补，对于优化后的极值线图像先进行曲线提取和拟合得到第一曲线，该第一曲线包括了此处极值线图像中所有拟合后的直线，然后对进行曲线提取后的极值线图像进行直线提取得到所述第一直线，该第一直线包括了此处极值线图像中所有拟合后的直线。而对于顶视深度图，先通过DexiNet深度学习算法提取建筑顶视方向的轮廓，然后进行曲线提取与拟合，接着对剩下的极值线通过LSD算法进行直线提取。
在本申请实施例中，基于第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图，具体包括：
将所述第一曲线和第二曲线进行拟合，所述第一直线和第二直线进行拟合；
将拟合后的曲线和直线进行依次延长相交和融合的处理，融合处理是存在至少两条几乎平行的线，且相距小于指定融合阈值，则将其进行融合，另外，拟合后的曲线和直线进行延长时，延长的长度是不会超过其所属图的长度，也就是说延长后的直线从主观视角上看是一个线段，而这些线段中至少两条首尾相连且连接处的折角角度大于预设角度，则将这些线段也进行融合；
将融合后的曲线和直线间的封闭区域作为所述封闭轮廓图。
步骤S104、基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面，接着根据建筑单体顶面的轮廓线以及该轮廓线上的高程信息得到建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型。
具体的，有些封闭轮廓图间具有拓扑包含关系，例如AB两个封闭轮廓图，A完全在B的内部，或者说A完全被B包含，那么A的轮廓线即是内环，B的轮廓线即为外环，A的轮廓线和B的轮廓线之间也即内外环间区域，该区域是一个多边形，对该区域进行Delaunay三角化得出的三角面也即是建筑单体顶面的三角面，建筑单体立面具体是通过建筑单体顶面的多边形的边来确定的，每一条边构成一个立面。通过第二点云密度图中各聚类的高程值确定所述建筑单体立面的高度。
具体的，所述方法还包括通过第二点云密度图中各聚类的高程值确定所述建筑单体立面的高程信息，具体为：
确定出所述建筑单体立面的边中像素点在所述第二点云密度图中位置相同的聚类，并获取该聚类的高程值；
将获取到的高程值作为对应像素点的高度；
基于各像素点的高度确定出建筑单体立面的高度。
也就是说，密度图是一张二维图，建筑单体立面的边中像素点相当于一个前述的点云密度聚类，这个聚类中记录了点云的高度范围信息，这样建筑单体立面的边，绘制到这个密度图上，就能在这个密度图上得到立面的边上每个像素的高度信息，比如一段线，前一半从密度图上得到的高度范围是0-50，后一半得到的高度范围是50-100，那么这个建筑立面会分成2段，一段是0-50，一段是50-100。如果这个线的高度范围都预设误差区间内，那么就是一个高程值一样的建筑立面。这里面每一段线都是一个建筑立面。
在生成实景三维模型之后，还包括：
确定出所述实景三维模型中每个三维三角面的二维UV坐标以及二维UV三角面；
将二维UV三角面沿面法向方向向所述原始三维模型进行射线求交获取对应二维UV三角面的像素值；
基于每个二维UV三角形的像素值和所述二维UV坐标对所述三维实景模型进行填充。
具体的，先将实景三维模型中所有三角面也即三维三角面纹理映射到一个二维图像中，纹理映射可以采用ATLAS摆图UV坐标及对应的二维UV三角面，UV是指UV坐标也就是纹理坐标，是三角面中每个顶点在二维图像中的坐标位置，然后根据插值算法得到对应三维三角面中的坐标值，通过面法向方向向原始三维模型发射线求交，交点位置的像素值即为UV三角面中对应的像素值。
经过上述处理后得到的三维建筑模型，表面平整，能够自动修复小范围缺失的部分，同时因为得到的三维建筑模型存在大量的平面结构，因此三角网数量非常少，实现快速高效且准确地减少实景三维模型中三角网数量，以及平滑建筑表面，实现对实景三维模型的修剪。
基于上述的基于点云密度重构实景三维模型的方法，本说明一个或多个实施例还提供一种基于点云密度重构实景三维模型的的平台、终端，该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置，基于同一创新构思，本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述，由于系统解决问题的实施方案与方法类似，因此本说明书实施例具体的系统的实施可以参考前述方法的实施，重复之处不再赘述，以下所使用的术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，软硬件结合的实现也是可能并被构想的。
具体地，图2是本说明书提供的基于点云密度重构实景三维模型的装置一个实施例的模块结构示意图，如图2所示，本说明书中提供的基于点云密度重构实景三维模型的装置包括：
第一生成模块201，用于基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；
聚类模块202，用于将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；
提取模块203，用于根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；
第二生成模块204，用于基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面和建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型。
需要说明的是，上述的系统根据对应方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。
本申请实施例还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行如上述实施例提供的方法。
本申请实施例提供的电子设备，通过存储器存储处理器的可执行指令，当处理器执行该可执行指令时，能够基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面和建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型，能够快速高效且准确地减少实景三维模型中三角网数量，以及平滑建筑表面，实现对实景三维模型的修剪。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果，如：
基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；
将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；
根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于所述第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；
基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面和建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上，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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.基于点云密度重构实景三维模型的方法，其特征在于，所述方法包括：
基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；
将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；
根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于所述第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；
基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面，接着根据建筑单体顶面的轮廓线以及该轮廓线上的高程信息得到建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型。
2.如权利要求1所述的基于点云密度重构实景三维模型的方法，其特征在于，在所述基于原始三维模型得到三维点云之前，还包括确定出原始三维模型中各连通域内的三角网数量，并将所述三角网数量小于第一阈值的连通域内的三角网进行删除，以及将低于预设高度值的三角面进行删除。
3.如权利要求1所述的基于点云密度重构实景三维模型的方法，其特征在于，所述基于原始三维模型得到三维点云，具体包括：
将所述原始三维模型进行轴对齐处理；
将经过轴对齐处理后的原始三维模型通过网格方式进行均匀采样。
4.如权利要求3所述的基于点云密度重构实景三维模型的方法，其特征在于，所述轴对齐处理具体包括：
确定所述原始三维模型中每个三角面的面法向；
将每个三角面的面法向均投影在X-Y轴二维平面上，并将投影长度大于预设长度值的面组合为第一集合；
通过预设算法确定出最佳旋转矩阵后基于该最佳旋转矩阵对所述原始三维模型进行旋转，其中，该最佳旋转矩阵具体为在该矩阵下，所述第一集合中与X轴和Y轴对齐的三角面数量最多。
5.如权利要求1所述的基于点云密度重构实景三维模型的方法，其特征在于，所述根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，具体包括：
根据各高程值对所述第二点云密度图进行极值线提取得到极值线图像；
将所述极值线图像中各极值线进行异常值删除得到优化后极值线图像；
将所述极值线图像进行二值化后进行曲线提取和拟合得到所述第一曲线，然后将进行曲线提取后的极值线图像进行直线提取得到所述第一直线。
6.如权利要求1所述的基于点云密度重构实景三维模型的方法，其特征在于，所述基于第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图，具体包括：
将所述第一曲线和第二曲线进行拟合，所述第一直线和第二直线进行拟合；
将拟合后的曲线和直线进行依次延长相交和融合的处理；
将融合后的曲线和直线间的封闭区域作为所述封闭轮廓图。
7.如权利要求1所述的基于点云密度重构实景三维模型的方法，其特征在于，所述方法还包括通过第二点云密度图中各聚类的高程值确定所述建筑单体立面的高程信息，具体为：
确定出所述建筑单体立面的边中像素点在所述第二点云密度图中位置相同的聚类，并获取该聚类的高程值；
将获取到的高程值作为对应像素点的高度；
基于各像素点的高度确定出建筑单体立面的高度。
8.如权利要求1所述的基于点云密度重构实景三维模型的方法，其特征在于，在生成实景三维模型之后，还包括：
确定出所述实景三维模型中每个三维三角面的二维UV坐标以及二维UV三角面；
将二维UV三角面沿面法向方向向所述原始三维模型进行射线求交获取对应二维UV三角面的像素值；
基于每个二维UV三角形的像素值和所述二维UV坐标对所述三维实景模型进行填充。
9.一种基于点云密度重构实景三维模型的装置，其特征在于，所述装置包括：
第一生成模块，用于基于原始三维模型得到三维点云和顶视深度图，并基于所述三维点云生成第一点云密度图；
聚类模块，用于将所述第一点云密度图内各网格中的点均按照高程值进行聚类，然后将各聚类中点数小于第一阈值的聚类删除后得到第二点云密度图，同时确定出所述第二点云密度图中内各网格的最高高程值以及每个网格中所有聚类的最高高程值和最低高程值；
提取模块，用于根据各高程值对所述第二点云密度图进行极值线提取得到第一曲线和第一直线，并对所述顶视深度图进行极值线提取得到第二曲线和第二直线，然后基于所述第一曲线、第二曲线、第一直线和第二直线确定出多个封闭轮廓图；
第二生成模块，用于基于各封闭轮廓图间的拓扑包含关系确定出各封闭轮廓图间的内外环间区域，并对所述内外环间区域进行三角化得到建筑单体顶面的三角面，接着根据建筑单体顶面的轮廓线以及该轮廓线上的高程信息得到建筑单体立面，然后基于所述建筑单体顶面的三角面和建筑单体立面生成实景三维模型。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行权利要求1-8任一项所述的方法。
CN202311560085.4A 2023-11-22 2023-11-22 基于点云密度重构实景三维模型的方法、装置及电子设备 Active CN117274535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311560085.4A CN117274535B (zh) 2023-11-22 2023-11-22 基于点云密度重构实景三维模型的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311560085.4A CN117274535B (zh) 2023-11-22 2023-11-22 基于点云密度重构实景三维模型的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN117274535A true CN117274535A (zh) 2023-12-22
CN117274535B CN117274535B (zh) 2024-02-02

Family

ID=89210963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311560085.4A Active CN117274535B (zh) 2023-11-22 2023-11-22 基于点云密度重构实景三维模型的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117274535B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915558A (zh) * 2011-08-01 2013-02-06 李慧盈 一种快速提取机载LiDAR数据中建筑物三维轮廓信息的方法
US20130144565A1 (en) * 2011-12-01 2013-06-06 Harris Corporation Accuracy-based significant point derivation from dense 3d point clouds for terrain modeling
CN104036544A (zh) * 2014-06-25 2014-09-10 西安煤航信息产业有限公司 一种基于机载LiDAR数据的建筑物屋顶重建方法
US20170277951A1 (en) * 2016-03-23 2017-09-28 Leica Geosystems Ag Creation of a 3d city model from oblique imaging and lidar data
CN109685891A (zh) * 2018-12-28 2019-04-26 鸿视线科技(北京)有限公司 基于深度图像的建筑物三维建模与虚拟场景生成系统
CN112163251A (zh) * 2020-08-24 2021-01-01 北京航空航天大学 建筑模型单体化方法、装置、存储介质及电子设备
CN115187749A (zh) * 2022-07-28 2022-10-14 重庆大学 基于立方体网络模型的点云表面重建方法及系统
CN115481336A (zh) * 2022-08-18 2022-12-16 湖北省交通规划设计院股份有限公司 基于云端共享的交通三维实景设计方案展示方法和系统
WO2023134546A1 (zh) * 2022-01-12 2023-07-20 如你所视(北京)科技有限公司 场景空间模型的构建方法、装置以及存储介质
CN116580048A (zh) * 2023-07-12 2023-08-11 武汉峰岭科技有限公司 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915558A (zh) * 2011-08-01 2013-02-06 李慧盈 一种快速提取机载LiDAR数据中建筑物三维轮廓信息的方法
US20130144565A1 (en) * 2011-12-01 2013-06-06 Harris Corporation Accuracy-based significant point derivation from dense 3d point clouds for terrain modeling
CN104036544A (zh) * 2014-06-25 2014-09-10 西安煤航信息产业有限公司 一种基于机载LiDAR数据的建筑物屋顶重建方法
US20170277951A1 (en) * 2016-03-23 2017-09-28 Leica Geosystems Ag Creation of a 3d city model from oblique imaging and lidar data
CN109685891A (zh) * 2018-12-28 2019-04-26 鸿视线科技(北京)有限公司 基于深度图像的建筑物三维建模与虚拟场景生成系统
CN112163251A (zh) * 2020-08-24 2021-01-01 北京航空航天大学 建筑模型单体化方法、装置、存储介质及电子设备
WO2023134546A1 (zh) * 2022-01-12 2023-07-20 如你所视(北京)科技有限公司 场景空间模型的构建方法、装置以及存储介质
CN115187749A (zh) * 2022-07-28 2022-10-14 重庆大学 基于立方体网络模型的点云表面重建方法及系统
CN115481336A (zh) * 2022-08-18 2022-12-16 湖北省交通规划设计院股份有限公司 基于云端共享的交通三维实景设计方案展示方法和系统
CN116580048A (zh) * 2023-07-12 2023-08-11 武汉峰岭科技有限公司 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHANG W 等: "Optimal model fitting for building reconstruction from point clouds", IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, pages 9636 - 9650 *
黄佳彪;熊岳山;何鸿君;: "基于无人机航拍序列的建筑三维模型重建", 湖南工业大学学报, no. 05, pages 6 - 10 *

Also Published As

Publication number Publication date
CN117274535B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Jung et al. Productive modeling for development of as-built BIM of existing indoor structures
Zhang et al. Online structure analysis for real-time indoor scene reconstruction
CN110136072B (zh) 点云噪声的去除方法、去噪系统、计算机设备及存储介质
US7561156B2 (en) Adaptive quadtree-based scalable surface rendering
KR101555426B1 (ko) 지형 렌더링 방법 및 장치
CN110349092B (zh) 一种点云滤波方法及设备
Truong-Hong et al. Octree-based, automatic building facade generation from LiDAR data
CN113112603A (zh) 三维模型优化的方法和装置
CN109035423A (zh) 一种房屋的虚拟三维模型的楼层分割方法及装置
CN110378047A (zh) 一种基于计算机视觉的大跨度桥梁拓扑感知三维重建方法
CN113888391A (zh) 一种室内结构化重建方法、装置及计算机可读存储介质
CN115937434A (zh) 一种基于纹理的三维模型裁切装置
CN114021222A (zh) 建筑物的建模方法、电子设备及计算机存储介质
CN117274535B (zh) 基于点云密度重构实景三维模型的方法、装置及电子设备
CN111210501B (zh) 一种室内建模方法、装置及终端设备
US9330486B1 (en) Optimizations of three-dimensional (3D) geometry
CN110706347A (zh) 一种通过建筑的线框图创建3d建筑模型的实现方法
CN113139982B (zh) 一种室内房间点云的自动分割方法
Feichter et al. Planar simplification of indoor point-cloud environments
CN115131459A (zh) 平面布置图重建方法及装置
CN117274536B (zh) 一种实景三维模型重构方法及装置
CN114202642A (zh) 三维三角网模型中超大空洞的填补方法及设备
CN107481314B (zh) 一种基于kd树的阴影体优化方法
CN109872280A (zh) 一种三维植物叶片点云的去噪与简化方法、装置及系统
CN115205434B (zh) 一种点云数据的可视化处理方法和装置

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