CN117496073B - 一种多时相实景三维模型的构建方法及系统 - Google Patents
一种多时相实景三维模型的构建方法及系统 Download PDFInfo
- Publication number
- CN117496073B CN117496073B CN202311840598.0A CN202311840598A CN117496073B CN 117496073 B CN117496073 B CN 117496073B CN 202311840598 A CN202311840598 A CN 202311840598A CN 117496073 B CN117496073 B CN 117496073B
- Authority
- CN
- China
- Prior art keywords
- data
- sampling
- dimensional model
- data acquisition
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 238000004220 aggregation Methods 0.000 claims abstract description 37
- 230000002776 aggregation Effects 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多时相实景三维模型的构建方法及系统，涉及三维模型重构技术领域，结合子区域的位置和变化指数，将建模区域划分为若干采样聚落；在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，对采集数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据；从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案。在对各采样聚落进行图样数据采集时，优先采集重点区域内的图像数据，提高数据采集的效率。
Description
技术领域
本发明涉及三维模型重构技术领域，具体为一种多时相实景三维模型的构建方法及系统。
背景技术
多时相实景通常指的是通过摄影、摄像等技术手段，记录和呈现同一场景在不同时间段的实时景象，这种技术可以用于各种领域，如城市规划、环境保护、历史研究等。
在城市规划领域，多时相实景可以用于记录城市的发展和变化，帮助规划师更好地了解城市的历史和现状，为未来的规划提供参考。在环境保护领域，多时相实景可以用于监测和评估环境的变化，如气候变化、生态系统的变化等，为环境保护提供科学依据。在历史研究领域，多时相实景可以用于记录和呈现历史事件的真实场景，帮助历史学家更好地了解历史事件的发生和发展。
在申请公布号为CN116797744A的中国发明专利中，本发明公开了一种多时相实景三维模型的构建方法、系统及终端设备，包括：对不同尺度的建模对象构建统一的坐标框架，并在统一的坐标框架下构建跨尺度多级别控制网；获取建模对象的激光点云数据及影像数据，采用步控制网测量建模对象的坐标信息，根据获得的激光点云数据、影像数据以及坐标信息采用三维重建软件构建具有坐标信息的原实景三维模型：当建模对象局部区域发生变化时，重新获取局部变化区域的坐标信息、点云数据和影像数据构建局部变化区域的三维模型并将其与原实景三维模型进行融合得到最终的多时相实景三维模型。
在以上本发明提出了变化区域局部更新的方法，解决了现有方法中构建三维模型造成的浪费成本、浪费时间和增加工作量的问题：但是在现有的建模方式中，在构建多时相实景三维模型时，通常是在建模区域内设置采集点，以固定的时间间隔于采集点处采集多个时相的图像数据，然后图像数据做出预处理和特征识别后，构建相应的三维模型，但是，由于建模区域内各个位置的变动幅度可能存在一定的差异，若变化幅度较大的位置未能被优先关注，则可能会导致对相应位置的部分变化难以被采集到，进而在模型构建时，影响模型的精度。
为此，本发明提供了一种多时相实景三维模型的构建方法及系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种多时相实景三维模型的构建方法及系统，通过在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，对采集数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据；从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案。在对各采样聚落进行图样数据采集时，优先采集重点区域内的图像数据，解决了背景技术中的技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种多时相实景三维模型的构建方法，包括，将建模区域内分割为若干个子区域，分别对各个子区域进行成像，依据相邻时间节点间图像相似度P构建各个子区域的变化指数，结合子区域的位置及变化指数/>，将建模区域划分为若干采样聚落；其中，各个子区域内的变化指数/>获取方式如下：
；
其中，为权重，/> ，/>，且/>，/>为第i个相似度，，n为相似度的个数，/>为相似度的均值；
在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，构建建模数据集合；
对建模数据集合内的数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据，对建模区域完成三维重建，获取区域三维模型；
通过差异分析，从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案，对三维重建模型做出优化。
进一步的，获取覆盖所述建模区域内的电子点图，在电子地图上将建模区域分割为若干个子区域，在每个成像周期结束时，由携带有成像装置的无人机对各个子区域进行图像采集；
获取归属于同一子区域内不同成像周期的图像数据，对图像数据做配准后，计算同一子区域内相邻成像周期的图像数据间的相似度P；将连续若干个相似度P沿着时间轴排序，获取相应的相似度序列，以相似度序列对各个子区域做标记。
进一步的，计算获取各个采样聚落内各个子区域变化指数之和，在采样聚落内选择数据采集点，其中，数据采集点的分布与采样聚落内各个子区域的变化指数之和/>符合如下约束关系：
；
其中，n为采样聚落内数据采集点的个数，是数据采集点i到数据采集点j的最短距离，r为采样聚落的最大直径。
进一步的，将选定的数据采集点在电子地图上标记，并依据数据采集点在采样聚落内的密度的大小，对各个采样聚落进行排序，获取相应的采样优先级；结合各个采样聚落的采样优先级及位置，使用由路径规划算法规划出数据采集路线；
依据数据采集路线，依次于各个采样聚落内的数据采集点处采集数据，在经过连续几个采样周期后，将采集到数据汇总后构建建模数据集合。
进一步的，对建模数据集合内的采集数据做出预处理，方式如下：
对各个子区域内的图像数据依据采集时间排序，依次进行图像校正和噪声滤除，将同一数据采集点内不同时间点的图像对齐到同一坐标系，进行图像配准；将若干个配准后图像汇总，获取配准图像集合；
对配准图像集合内的图像数据做特征提取，获取三维重建相应的特征数据；将提取的特征数据汇总，构建特征数据集合。
进一步的，将区域三维模型划分为若干个评估区域，在选择评估时间节点后，使激光扫描仪获取建模区域内与评估区域相同时间节点且相同位置的高精度点云数据，将其与区域三维模型生成的点云进行比较；
若比较结果中显示两者间存在差异，则将所述差异依据其产生的位置做排列，计算获取差异的分布密度；若所述分布密度超过预期，也即超过预先构建的密度阈值，则向外部发出分析指令。
进一步的，将若干个差异组建差异聚落，并识别获取所述差异比，获取若干个差异比间的相对极差S及离散系数M，汇总构建模型精度集合；若所获取的精度系数超出对应的精度阈值，则将对应的评估区域确定为低精度区域，并将低精度区域在区域三维模型上标记。
进一步的，由模型精度集合生成区域三维模型的精度系数，其具体方式如下：将相对极差S及离散系数M做线性归一化处理，将相应的数据值映射至区间/>内，再依照如下公式：
；
为权重系数：，/>，且/>。
进一步的，以模型优化作为目标词，在经过数据检索和搭建实体关系后，预先构建模型优化知识图谱；在设置了优化标准后，对区域三维模型上低精度区域内的模型参数进行特征识别，获取相应的优化特征。
一种多时相实景三维模型的构建系统，包括：
规划单元，将建模区域内分割为若干个子区域，分别对各个子区域进行成像，依据相邻时间节点间图像相似度P构建各个子区域的变化指数，结合子区域的位置及变化指数/>，将建模区域划分为若干采样聚落；
采样单元，在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，构建建模数据集合；
建模单元，对建模数据集合内的数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据，对建模区域完成三维重建；
优化单元，通过差异分析，从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案，对三维重建模型做出优化。
（三）有益效果
本发明提供了一种多时相实景三维模型的构建方法及系统，具备以下有益效果：
1、计算相邻的两个时间节点上图像相似度P，并构建相似度序列，并且依据数据分析获取的变化指数，将建模区域分割为若干个子采样聚落，由于各个采样聚落间的变化幅度大体一致，因此在对同一采样聚落进行采样时，能够保持一致的频率及密度，能够保障后续建模过程中，采样聚落内各个部分之间的精度不会有明显的区别，可以对模型精度形成保障。
2、在相应的各个采样聚落内选择数据采集点，并且变动指数越高，采样聚落内产生的变化频率和幅度越高，则也使数据采集点的密度更大，从而在进行图像采样时的覆盖面更广，能够承载的细节更多，避免由于部分区域内产生变化没有被覆盖到，导致在建模时模型精度不足；规划获取采集路线，从而在对各采样聚落进行图样数据采集时，优先采集重点区域内的图像数据，提高数据采集的效率。
3、依据精度系数，从若干个评估区域内筛选出精度相对较差，品质相对较低的部分，从而在对其做出优化和精化时，更具有针对性，而且可以依据精度系数的大小，确定相应的改善顺序，提高效率。对低精度区域进行识别和检测，获取相应的优化特征，并且从预先构建的模型优化知识图谱中快速匹配出对应的优化方案，在确认出区域三维模型需要被改善时，能够快速地给出优化方案，在区域三维模型被优化后，提高模型精度。
附图说明
图1为本发明多时相实景三维模型的构建方法流程示意图；
图2为本发明多时相实景三维模型的构建系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，本发明提供一种多时相实景三维模型的构建方法，包括：
步骤一、在电子地图上将建模区域内分割为若干个子区域，分别对各个子区域进行成像，依据相邻时间节点间图像相似度P构建各个子区域的变化指数，并结合子区域的位置及变化指数/>，将建模区域划分为若干采样聚落；
所述步骤一包括如下内容：
步骤101、在需要对区域内做模型构建前，预先限定建模区域，并获取覆盖所述建模区域内的电子点图，在电子地图上将建模区域分割为若干个子区域，分别对各个子区域内进行编号；在设置成像周期，例如以1天或者3天，在每个成像周期结束时，由携带有成像装置的无人机对各个子区域进行图像采集；
步骤102、获取归属于同一子区域内不同成像周期的图像数据，对图像数据做配准后，计算同一子区域内相邻成像周期的图像数据间的相似度P；将连续若干个相似度P沿着时间轴排序，获取相应的相似度序列，以相似度序列对各个子区域做标记；
步骤103、对相似度序列做数据分析，获取各个子区域内的变化指数，其具体方式如下：
；
其中，为权重，/> ，/>，且/>，/>为第i个相似度，，n为相似度的个数，/>为相似度的均值；使用训练后的分类器，结合各个子区域的位置及其变化指数/>，在电子地图上将建模区域分割为若干个采样聚落；
使用时，需要构建三维模前，先限定建模区域，通过周期性的对各个子区域进行成像，对图像做配准和裁剪后，针对同一区域，计算相邻的两个时间节点上图像相似度P，并构建相似度序列，并且依据数据分析获取的变化指数，将建模区域分割为若干个子采样聚落，由于各个采样聚落间的变化幅度大体一致，因此在对同一采样聚落进行采样时，能够保持一致的频率及密度，能够保障后续建模过程中，采样聚落内各个部分之间的精度不会有明显的区别，可以对模型精度形成保障。
在现有的建模方式中，在构建多时相实景三维模型时，通常是在建模区域内设置采集点，以固定的时间间隔于采集点处采集多个时相的图像数据，然后图像数据做出预处理和特征识别后，构建相应的三维模型，但是，由于建模区域内各个位置的变动幅度可能存在一定的差异，若变化幅度较大的位置未能被优先关注，则可能会导致对相应位置的部分变化难以被采集到，进而在模型构建时，影响模型的精度。
步骤二、在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，构建建模数据集合；
所述步骤二包括如下内容：
步骤201、计算获取各个采样聚落内各个子区域变化指数之和，在采样聚落内选择数据采集点，其中，数据采集点的分布与采样聚落内各个子区域的变化指数之和/>符合如下约束关系：
；
其中，n为采样聚落内数据采集点的个数，是数据采集点i到数据采集点j的最短距离，r为采样聚落的最大直径；
将选定的数据采集点在电子地图上标记，并依据数据采集点在采样聚落内的密度的大小，对各个采样聚落进行排序，获取相应的采样优先级；
步骤202、结合各个采样聚落的采样优先级及位置，使用由路径规划算法训练获取路径规划模型，规划出数据采集路线，并将数据采集路径在电子地图上标记，
在设置采样周期后，依据数据采集路线，依次于各个采样聚落内的数据采集点处采集数据，在经过连续几个采样周期后，将采集到数据汇总后构建建模数据集合；其中，所要收集间数据包括：航空摄影图像、地面测量数据及LiDAR扫描数据等；
使用时，结合步骤201及202中的内容：
在规划获取若干个采样聚落后，在相应的各个采样聚落内选择数据采集点，并且变动指数越高，采样聚落内产生的变化频率和幅度越高，则也使数据采集点的密度更大，从而在进行图像采样时的覆盖面更广，能够承载的细节更多，避免由于部分区域内产生变化没有被覆盖到，导致在建模时模型精度不足；
作为进一步的内容，在进行数据采样时，在获取采样优先级的基础上，使用训练后的路径规划路径模型，规划获取采集路线，从而在对各采样聚落进行图样数据采集时，优先采集重点区域内的图像数据，可以提高数据采集的效率。
步骤三、对建模数据集合内的数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据，对建模区域完成三维重建，获取区域三维模型；
所述步骤三包括如下内容：
步骤301、对建模数据集合内的采集数据做出预处理，其具体方式如下：对各个子区域内的图像数据依据采集时间排序，依次进行图像校正和噪声滤除，再依据数据采集位置，将采集数据在对应的数据采集点的展开；将同一数据采集点内不同时间点的图像对齐到同一坐标系，进行图像配准；将若干个配准后图像汇总，获取配准图像集合；
步骤302、对配准图像集合内的图像数据做特征提取，获取三维重建相应的特征数据；例如，地面控制点、特征点匹配、边缘、线和平面特征；将提取的特征数据汇总，构建特征数据集合；通过多视图立体配准算法，结合特征数据集合内的特征数据，对建模区域完成三维重建，并将其作为区域三维模型输出；
使用时，结合步骤301至302中的内容：
在结束对各个采样聚落的数据采集后，对采集的图像数据做出预处理，提高图像质量，进而，在此基础上完成建模区域内的三维模型构建，而通过对图像进行配准处理后，可以使构建的模型精度更高，而且由于采集的图像数据来自不同的时间节点，使三维模型也具有多个时相。
步骤四、通过差异分析，从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案，对三维重建模型做出优化；
所述步骤四包括如下内容：
步骤401、将区域三维模型划分为若干个评估区域，在选择评估时间节点后，使激光扫描仪获取建模区域内与评估区域相同时间节点且相同位置的高精度点云数据，将其与区域三维模型生成的点云进行比较；
若比较结果中显示两者间存在差异，则将所述差异依据其产生的位置做排列，计算获取差异的分布密度；若所述分布密度超过预期，也即超过预先构建的密度阈值，则向外部发出分析指令；
步骤402、将若干个差异组建差异聚落，并识别获取所述差异比（例如，获取两者之间的相似度，以所述相似度与对应参考值的比值作为差异比）；获取若干个差异比间的相对极差S及离散系数M，汇总构建模型精度集合；
步骤403、由模型精度集合生成区域三维模型的精度系数，其具体方式如下：将相对极差S及离散系数M做线性归一化处理，将相应的数据值映射至区间/>内，再依照如下公式：
；
为权重系数：，/>，且/>；权重系数可参考层次分析法获取；
结合历史数据及对区域三维模型质量管理的预期，预先构建精度阈值；若所获取的精度系数超出对应的精度阈值，则将对应的评估区域确定为低精度区域，并将低精度区域在区域三维模型上标记；
使用时，在完成区域三维模型的构建后，将区域三维模型的各个评估区域和对应图像数据做对比后，获取两者的差异，对若干个差异做分析之后，由分析结果再构建精度系数；此时，能够依据精度系数/>从若干个评估区域内筛选出精度相对较差，品质相对较低的部分，从而在对其做出优化和精化时，更具有针对性，而且可以依据精度系数的大小，确定相应的改善顺序，提高效率。
步骤404、以模型优化作为目标词，在经过数据检索和搭建实体关系后，预先构建模型优化知识图谱；在设置了优化标准后，对区域三维模型上低精度区域内的模型参数进行特征识别，获取相应的优化特征；
依据优化特征与优化方案的对应性，从模型优化知识图谱内为优化特征匹配出对应的优化方案，以优化方案对三维重建模型做出优化，并将优化后的三维重建模型输出；
使用时，在确定出待改善的低精度区域后，对低精度区域进行识别和检测，获取相应的优化特征，并且从预先构建的模型优化知识图谱中快速匹配出对应的优化方案，此时，在确认出区域三维模型需要被改善时，能够快速地给出优化方案，在区域三维模型被优化后，提高模型精度。
其中，知识图谱的搭建可以参考如下内容：
收集相关三维模型优化领域的文献、专家知识、行业标准等信息，进行知识抽取，将相关知识从文本、数据等形式中提取出来；整理知识，建立知识库或知识图谱的初始结构；
根据关三维模型优化的特点和优化目标，设计知识图谱的模型和结构，定义关三维模型优化领域的概念和关系，建立本体或图谱模式，利用语义网络、图数据库等技术，进行知识表示和存储；
利用自然语言处理、信息抽取、数据挖掘等技术，自动或半自动地从新数据源中提取和补充知识；结合领域专家的经验和知识，进行人工的知识补充和修正；
建立概念之间的关联和关系，通过链接不同概念，形成知识网络，运用推理机制，进行知识的推理和推断，发现隐藏的关联和规律，从而完成知识图谱的搭建。
需要说明的是：层次分析法是一种定性和定量相结合的分析方法，它可以将复杂的问题分解为多个层次，通过比较各层次因素的重要性，可以帮助决策者对复杂问题进行决策，确定最终的决策方案，在这个过程中，层次分析法可以用来确定这些指标的权重系数。
请参阅图2，本发明提供一种多时相实景三维模型的构建系统，包括：
规划单元，将建模区域内分割为若干个子区域，分别对各个子区域进行成像，依据相邻时间节点间图像相似度P构建各个子区域的变化指数，结合子区域的位置及变化指数/>，将建模区域划分为若干采样聚落；
采样单元，在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，构建建模数据集合；
建模单元，对建模数据集合内的数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据，对建模区域完成三维重建，获取区域三维模型；
优化单元，通过差异分析，从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案，对三维重建模型做出优化。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，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，仅仅为一些逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所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，本申请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）执行本申请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（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种多时相实景三维模型的构建方法，其特征在于：包括，
将建模区域内分割为若干个子区域，分别对各个子区域进行成像，依据相邻时间节点间图像相似度P构建各个子区域的变化指数，结合子区域的位置及变化指数/>，将建模区域划分为若干采样聚落；其中，各个子区域内的变化指数/>获取方式如下：；其中，/>为权重，，且/>，/>为第i个相似度，，n为相似度的个数，/>为相似度的均值；在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，构建建模数据集合；包括：计算获取各个采样聚落内各个子区域变化指数之和/>，在采样聚落内选择数据采集点，其中，数据采集点的分布与采样聚落内各个子区域的变化指数之和/>符合如下约束关系：/>；其中，n为采样聚落内数据采集点的个数，/>是数据采集点i到数据采集点j的最短距离，r为采样聚落的最大直径；将选定的数据采集点在电子地图上标记，并依据数据采集点在采样聚落内的密度的大小，对各个采样聚落进行排序，获取相应的采样优先级；结合各个采样聚落的采样优先级及位置，使用由路径规划算法规划出数据采集路线；
依据数据采集路线，依次于各个采样聚落内的数据采集点处采集数据，在经过连续几个采样周期后，将采集到数据汇总后构建建模数据集合；
对建模数据集合内的数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据，对建模区域完成三维重建，获取区域三维模型；
通过差异分析，从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案，对三维重建模型做出优化。
2.根据权利要求1所述的一种多时相实景三维模型的构建方法，其特征在于：
获取覆盖所述建模区域内的电子点图，在电子地图上将建模区域分割为若干个子区域，在每个成像周期结束时，由携带有成像装置的无人机对各个子区域进行图像采集；
获取归属于同一子区域内不同成像周期的图像数据，对图像数据做配准后，计算同一子区域内相邻成像周期的图像数据间的相似度P；将连续若干个相似度P沿着时间轴排序，获取相应的相似度序列，以相似度序列对各个子区域做标记。
3.根据权利要求1所述的一种多时相实景三维模型的构建方法，其特征在于：
对建模数据集合内的采集数据做出预处理，方式如下：
对各个子区域内的图像数据依据采集时间排序，依次进行图像校正和噪声滤除，将同一数据采集点内不同时间点的图像对齐到同一坐标系，进行图像配准；将若干个配准后图像汇总，获取配准图像集合；
对配准图像集合内的图像数据做特征提取，获取三维重建相应的特征数据；将提取的特征数据汇总，构建特征数据集合。
4.根据权利要求3所述的一种多时相实景三维模型的构建方法，其特征在于：
将区域三维模型划分为若干个评估区域，在选择评估时间节点后，使激光扫描仪获取建模区域内与评估区域相同时间节点且相同位置的高精度点云数据，将其与区域三维模型生成的点云进行比较；
若比较结果中显示两者间存在差异，则将所述差异依据其产生的位置做排列，计算获取差异的分布密度；若所述分布密度超过预期，则向外部发出分析指令。
5.根据权利要求1所述的一种多时相实景三维模型的构建方法，其特征在于：将若干个差异组建差异聚落，并识别获取差异比，获取若干个差异比间的相对极差S及离散系数M，汇总构建模型精度集合；若所获取的精度系数超出对应的精度阈值，则将对应的评估区域确定为低精度区域，并将低精度区域在区域三维模型上标记。
6.根据权利要求5所述的一种多时相实景三维模型的构建方法，其特征在于：
由模型精度集合生成区域三维模型的精度系数，其具体方式如下：将相对极差S及离散系数M做线性归一化处理，将相应的数据值映射至区间/>内，再依照如下公式：；权重系数：。
7.根据权利要求1所述的一种多时相实景三维模型的构建方法，其特征在于：
以模型优化作为目标词，在经过数据检索和搭建实体关系后，预先构建模型优化知识图谱；在设置优化标准后，对区域三维模型上低精度区域内的模型参数进行特征识别，获取相应的优化特征。
8.一种多时相实景三维模型的构建系统，应用权利要求1至7中任一项所述构建方法，其特征在于：包括：
规划单元，将建模区域内分割为若干个子区域，分别对各个子区域进行成像，依据相邻时间节点间图像相似度P构建各个子区域的变化指数，结合子区域的位置及变化指数，将建模区域划分为若干采样聚落；采样单元，在采样聚落内的各个子区域布置数据采集点，依据子区域的采样优先级规划相应的数据采集路线，有序地对各个子区域进行数据采集，构建建模数据集合；
建模单元，对建模数据集合内的数据做预处理后，提取相应的特征数据，通过多视图立体配准算法，结合特征数据集合内的特征数据，对建模区域完成三维重建；
优化单元，通过差异分析，从区域三维模型上筛选出若干个低精度区域，通过对低精度区域识别获取的优化特征，从预先构建的模型优化知识图谱内为优化特征匹配出对应的优化方案，对三维重建模型做出优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311840598.0A CN117496073B (zh) | 2023-12-29 | 2023-12-29 | 一种多时相实景三维模型的构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311840598.0A CN117496073B (zh) | 2023-12-29 | 2023-12-29 | 一种多时相实景三维模型的构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117496073A CN117496073A (zh) | 2024-02-02 |
| CN117496073B true CN117496073B (zh) | 2024-03-26 |
Family
ID=89680391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311840598.0A Active CN117496073B (zh) | 2023-12-29 | 2023-12-29 | 一种多时相实景三维模型的构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117496073B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117907242A (zh) * | 2024-03-15 | 2024-04-19 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 基于动态遥感技术的国土测绘方法、系统及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012122588A1 (en) * | 2011-03-11 | 2012-09-20 | The University Of Sydney | Extraction processes |
| WO2018007628A1 (fr) * | 2016-07-07 | 2018-01-11 | Levels3D | Méthode et système de reconstruction d'une représentation tridimensionnelle |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN113744393A (zh) * | 2021-09-09 | 2021-12-03 | 北京建筑大学 | 一种多层级边坡滑坡变化监测方法 |
| CN114998395A (zh) * | 2022-06-17 | 2022-09-02 | 湖南理工学院 | 一种有效的堤岸三维数据变化检测方法及系统 |
| CN115147538A (zh) * | 2022-02-22 | 2022-10-04 | 山东赛瑞智能科技有限公司 | 一种基于环境监测无人机对实景三维建模动态更新的方法 |
| CN115239886A (zh) * | 2022-08-09 | 2022-10-25 | 广州市城市规划勘测设计研究院 | 一种遥感uav-mvs影像点云数据处理方法、装置、设备及介质 |
| CN116051785A (zh) * | 2023-02-08 | 2023-05-02 | 广州市城市规划勘测设计研究院 | 城市实景三维模型的构建方法、装置、设备及存储介质 |
| CN116129020A (zh) * | 2023-02-09 | 2023-05-16 | 甘肃四维测绘工程有限公司 | 一种新型实景三维建模方法 |
| CN116797744A (zh) * | 2023-08-29 | 2023-09-22 | 武汉大势智慧科技有限公司 | 多时相实景三维模型的构建方法、系统及终端设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977466B (zh) * | 2019-02-20 | 2021-02-02 | 深圳大学 | 一种三维扫描视点规划方法、装置及计算机可读存储介质 |
| KR102263152B1 (ko) * | 2020-03-06 | 2021-06-09 | 주식회사 카르타 | 3차원 포인트 클라우드의 객체 탐지 방법 및 장치 |
| WO2021236549A1 (en) * | 2020-05-18 | 2021-11-25 | Roadbotics, Inc. | Systems and methods for creating and/or analyzing three-dimensional models of infrastructure assets |
| CN114627389B (zh) * | 2022-03-23 | 2023-01-31 | 中国科学院空天信息创新研究院 | 一种基于多时相光学遥感影像的筏式养殖区提取方法 |
-
2023
- 2023-12-29 CN CN202311840598.0A patent/CN117496073B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012122588A1 (en) * | 2011-03-11 | 2012-09-20 | The University Of Sydney | Extraction processes |
| WO2018007628A1 (fr) * | 2016-07-07 | 2018-01-11 | Levels3D | Méthode et système de reconstruction d'une représentation tridimensionnelle |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN113744393A (zh) * | 2021-09-09 | 2021-12-03 | 北京建筑大学 | 一种多层级边坡滑坡变化监测方法 |
| CN115147538A (zh) * | 2022-02-22 | 2022-10-04 | 山东赛瑞智能科技有限公司 | 一种基于环境监测无人机对实景三维建模动态更新的方法 |
| CN114998395A (zh) * | 2022-06-17 | 2022-09-02 | 湖南理工学院 | 一种有效的堤岸三维数据变化检测方法及系统 |
| CN115239886A (zh) * | 2022-08-09 | 2022-10-25 | 广州市城市规划勘测设计研究院 | 一种遥感uav-mvs影像点云数据处理方法、装置、设备及介质 |
| CN116051785A (zh) * | 2023-02-08 | 2023-05-02 | 广州市城市规划勘测设计研究院 | 城市实景三维模型的构建方法、装置、设备及存储介质 |
| CN116129020A (zh) * | 2023-02-09 | 2023-05-16 | 甘肃四维测绘工程有限公司 | 一种新型实景三维建模方法 |
| CN116797744A (zh) * | 2023-08-29 | 2023-09-22 | 武汉大势智慧科技有限公司 | 多时相实景三维模型的构建方法、系统及终端设备 |
Non-Patent Citations (6)
| Title |
|---|
| APPLICATION OF STRUCTURE FROM MOTION PHOTOGRAMMETRY TO MULTI-TEMPORAL GEOMORPHOLOGICAL ANALYSES: CASE STUDIES FROM ITALY AND SPAIN;del Soldato, Matteo等;GEOGRAFIA FISICA E DINAMICA QUATERNARIA;20181231;全文 * |
| 基于多时相机载LiDAR点云的建筑物三维变化检测;刘正军;左志权;燕琴;谢小伟;刘沛;刘楠;;测绘通报;20131225(第12期);全文 * |
| 大场景实景三维模型精细化生产与单体化研究;杨福秋;潘宝昌;辛晓东;张月珍;;测绘与空间地理信息;20190525(第05期);全文 * |
| 无人机航摄与实景建模技术在工程中的应用研究;樊军;片笑;;城市地理;20170925(第18期);全文 * |
| 消费型倾斜无人机在城镇三维重建方面的应用;曹海春;;北京测绘;20200525(第05期);全文 * |
| 滑坡演进过程三维动态可视化关键技术;彭棋;中国优秀硕士学位论文全文数据库 (基础科学辑);20210715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117496073A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117496073B (zh) | 一种多时相实景三维模型的构建方法及系统 | |
| CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
| Li et al. | Estimating building age from Google street view images using deep learning (short paper) | |
| CN111033318A (zh) | 当地气象预测 | |
| CN113196331B (zh) | 利用卫星影像的应用服务提供装置及方法 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| US10127457B2 (en) | System and methods for generating quality, verified, and synthesized information | |
| CN113723715B (zh) | 公交线网自动匹配道路网络方法、系统、设备及存储介质 | |
| CN111680102A (zh) | 基于人工智能的定位数据处理方法及相关设备 | |
| Su et al. | A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation | |
| Tarsha Kurdi et al. | Automatic evaluation and improvement of roof segments for modelling missing details using Lidar data | |
| CN104662540A (zh) | 用于在基于位置的网络中区域采样和评估的方法和装置 | |
| CN110659774B (zh) | 大数据方法驱动的停车需求预测方法 | |
| Aljumaily et al. | Voxel change: Big data–based change detection for aerial urban LiDAR of unequal densities | |
| Liu et al. | Automated image localization to support rapid building reconnaissance in a large‐scale area | |
| Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
| CN111080080B (zh) | 一种村镇地质灾害风险预估方法及系统 | |
| CN115017990B (zh) | 一种交通流量预测方法、装置、设备及存储介质 | |
| CN110633890A (zh) | 一种土地利用效率判断方法和系统 | |
| Barrile et al. | Road cadastre an innovative system to update information, from big data elaboration | |
| CN112015937B (zh) | 一种图片地理定位方法及系统 | |
| Firoze et al. | Urban tree generator: spatio-temporal and generative deep learning for urban tree localization and modeling | |
| Okeson | Camera View Planning for Structure from Motion: Achieving Targeted Inspection through More Intelligent View Planning Methods | |
| Di Stefano et al. | Point cloud classification of an urban environment using a semi-automatic approach | |
| Manjusha et al. | A review of advanced pavement distress evaluation techniques using unmanned aerial vehicles |
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 |