CN106126816A - 重复建筑自动感知下的大规模als建筑点云建模方法 - Google Patents
重复建筑自动感知下的大规模als建筑点云建模方法 Download PDFInfo
- Publication number
- CN106126816A CN106126816A CN201610467713.8A CN201610467713A CN106126816A CN 106126816 A CN106126816 A CN 106126816A CN 201610467713 A CN201610467713 A CN 201610467713A CN 106126816 A CN106126816 A CN 106126816A
- Authority
- CN
- China
- Prior art keywords
- building
- model
- point cloud
- als
- roof
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 239000000654 additive Substances 0.000 abstract description 2
- 230000000996 additive effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000755266 Kathetostoma giganteum Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012800 visualization Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Civil Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种重复建筑自动感知下的大规模ALS建筑点云建模方法，包括以下步骤：（一）采用深度学习方法，精细分割ALS点云，获取“建筑”、“植被”、“地面”和“其他”四类目标；（二）针对建筑点云，在局部区域内探测重复建筑，并对探测出的重复建筑配准和对齐，接着采用数据驱动方法，构建重复建筑屋顶模型，针对剩余的非重复建筑，采取综合数据驱动和模型驱动的混合建模方法，构建建筑屋顶的几何模型；（三）定性和定量评价建筑屋顶几何模型建模方法的精度和效率。优点：1）建模的效率和精度高，适合对重复建筑较多的城市居民区进行建模。2）方便与其他方法整合，以提升建模方法的应用范围和模型的层次细节。
Description
技术领域
本发明涉及一种重复建筑自动感知下的大规模ALS建筑点云建模方法，属于遥感科学技术领域。
背景技术
随着空间信息技术的发展和应用的逐步深入，人们对数据的需求越来越高，传统的二维数据已难以完全满足日常生活和生产的需求，随着3S技术、高性能计算及三维可视化技术的发展，高效率地获取和处理海量的二维或三维数据已完全成为可能，如谷歌公司开发的Google Earth和微软公司推出的Bing Maps服务，可使人们漫游在由三维模型组成的虚拟世界，体验身临其境的意境，三维数据丰富的空间信息，有助于更加真实地表达客观世界，使人们能够在三维环境下浏览、决策和分析，城市是地球表面人口、经济、技术、基础设施和信息等因素分布最密集区域，快速准确地获取并处理海量的城市三维数据是数字城市建设亟待解决的瓶颈问题。建筑是组成城市最重要的核心单元，也是建立城市三维地理信息***的基础，因此快速准确地获取城市三维建筑数据并建立三维建筑模型（DigitalBuilding Model, DBM）对于城市规划、城市管理、智能交通、应急救助、房地产展示、旅游推介、数字城市、灾害模拟分析和基于位置的服务（Location Based Service, LBS）等诸多领域具有较高的实际意义和应用价值。
然而长期以来，受数据获取方式和处理数据的软硬件技术水平等因素制约，三维城市建筑模型难以快速建立与更新，严重阻碍数字化城市的进一步发展，从获取方式上看，手工外业测量是最初获取三维建筑模型的主要手段之一，虽然获取的数据精度高，但自动化程度低，费时费力；此后，数字摄影测量，尤其航空数字摄影测量，取代了大量的人工测绘，成为获取三维空间数据的主要方式之一，为三维建筑模型的获取提供了更经济快捷的方式，但由于获取的航空影像存在模糊、失真、深度断裂或相互遮挡等缺陷，解读影像经常出现多义性和不完全性，致使自动化建模算法适应性差，从单张或多张影像全自动地提取建筑三维模型的任务仍然十分繁重，严重制约了建筑建模精度和模型的更新速度，虽然目前可以通过过程化建模方法，如L-System、分形学和GML（Generative Modeling Language）等技术快速模拟大面积三维建筑场景，但是利用该技术构建的城市建筑模型具有不可量测性，不能用于真实三维建筑数据的分析。
机载激光雷达ALS技术是20世纪90年代后期兴起的一种主动式遥感技术，作为遥感发展的前沿领域，它可以快速、精确地获取地物表面点的三维坐标和回波强度等信息，截至目前，LiDAR技术经历了离散点云、全波形和量子计数激光雷达的发展历程，回波次数也由单一回波到二次回波，甚至到多次回波，点云密度（分辨率）得到了大幅度的提高，甚至可达到50pts/m2，从而为快速重建高精度的三维建筑模型提供了新的数据来源。
目前，结合ALS数据进行建筑建模，主流方法可归结为以下四类：利用数字表面模型简化建模、反向语义过程建模、基于数据驱动建模和基于模型驱动的建模方法。
基于数字表面模型（Digital Surface Model, DSM）简化建模，是对由原始LiDAR数据生成建筑DSM的抽象与简化，在保证建筑简化精度的前提下，采用消除顶点（VertexDecimation）、顶点聚类（Vertex Clustering）或边界收缩（Edge Collapse）等方法，减少冗余顶点或面片，继而配合几何和语义约束，实现建筑的DSM模型简化。
反向语义过程建模方法可描述为：给定用户获取的三维数据，根据采用的语法规则和参数，使得通过该规则生成的模型与用户给定的三维数据具有一致性。
基于数据驱动建模的方法，又称为自下向上的处理，并不假定建筑物的形状而直接对数据进行处理，通过分析建筑物点云数据的特征，唯一地确定建筑物形状，一般需要通过获取建筑物各个屋顶的面片、建立起拓扑关系，然后通过面片相交获得屋脊线，最后将建筑物进行重建，该类建模方法立足数据，利用模式识别、机器学习和统计分析等方法，从数据中提取建筑的几何特征元素（点、线和面等），然后将上述元素按照一定的拓扑结构进行组织，完成建筑模型的绘制。
基于模型驱动的建模方法，是一种自上而下的建模方法，通过定义一些基础屋顶结构参数模型基元库（平顶型、人字型、四面坡型、圆柱、圆锥和圆球等），然后将建筑点云与参数模型基元库匹配，最后借助某些优化策略确定模型最优参数，从而完成建模，为提高建模的精度，针对较为复杂的建筑屋顶，可以借助构建“实体几何模型”（Constructive SolidGeometry, CSG）的建模思想，将复杂建筑看作是由简单建筑基元通过正则布尔运算（并、交和差）组装而成，基于该建模思想，首先需要对建筑屋顶进行基元分割，然后对每个基元采用传统模型驱动的建模方法，最后组合基元模型，构成完整的建筑屋顶模型。
针对上述提及的四类主流建模方案，其主要缺点概括如下：
（1）利用数字表面模型简化建模方法虽然比较适合处理复杂的自由形态建筑，生成不同尺度多层次细节LOD（Level of Detail, LOD）的模型，便于网络传输和可视化渲染，但对ALS数据的完整性和噪声等较敏感，难以保证模型几何外观的规则性，另外具体将模型简化到何种程度，也没有统一的标准，另外此类方法时间复杂度高，不适合对城区大面积建筑进行建模；
（2）反向语义过程建模便于对建筑模型的结构（楼层数目、每层中窗户数目等）进行编辑，但语义规则的编制没有统一模式，需要针对不同建筑结构定义相应的语义规则，并且优化环节具有较高的时间复杂度，不适合对大面积的建筑进行重建；
（3）数据驱动建模方法不需要事先假设建筑的屋顶结构类型，理论上可对任何屋顶类型进行建模，但屋顶结构元素的分割往往具有较高的时间复杂度，甚至需要借助人机交互来完成，另外，该类方法对ALS数据的噪声、密度、均匀性和完整性等也较敏感,数据的质量严重影响最终模型的精度；
（4）模型驱动建模方法对ALS数据质量不敏感，所构建的模型具有紧密型、轻量型（由较少的三角面片组成）和无缝性等特点，但是，仅适用于参数化表达简单建筑，即便借助“CSG”建模思想处理复杂结构建筑，有限参数模型库基元库也很难完全匹配现实世界中变化多端的建筑。
发明内容
本发明提出的是一种重复建筑自动感知下的大规模ALS建筑点云建模方法，旨在利用ALS点云数据在建筑建模领域出现的问题，本发明采用ALS数据源，研究在数字城市的建设过程中，异源数据缺乏的情况下大面积复杂建筑屋顶的建模方法，根据日常观察发现，在城区，尤其是居民区相同的重复建筑往往占据相当大的比例，因此本发明首先探测重复建筑，对重复建筑进行配准对齐，以增强建筑点云，然后采用数据驱动进行建模，对于非重复建筑，本发明综合数据和模型驱动建模方法对其进行建模，因此，本发明基于重复建筑感知的思想，对大面积ALS建筑屋顶点云进行重建，提高建模精度的同时，提高ALS点云建模的效率，完善ALS数据建筑建模方法，满足实际工程应用中对大面积复杂三维建筑模型快速更新的迫切需求。
本发明的技术解决方案：重复建筑自动感知下的大规模ALS建筑点云建模方法，其方法包括以下步骤：
（一）采用深度学习方法，精细分割ALS点云，获取“建筑”、“植被”、“地面”和“其他”四类目标；
（二）针对建筑点云，在局部区域内探测重复建筑，并对探测出的重复建筑配准和对齐，接着采用数据驱动方法，构建重复建筑屋顶模型，针对剩余的非重复建筑，采取综合数据驱动和模型驱动的混合建模方法，构建建筑屋顶的几何模型；
（三）定性和定量评价建筑屋顶几何模型建模方法的精度和效率。
本发明的优点：
（1）本发明采用的建模方法采用决策树思想，对“重复建筑”和“非重复建筑”采用不同的建模方法，降低算法对数据的敏感性，提升建模的效率和精度，本发明算法特别适合重复建筑较多的城区进行建模，尤其是城区中的居民区；
（2）本发明所提出的建模框架具有可扩展性，可与现有的其他方法进行结合，以充实和完善本发明的方法，例如，在进行重复建筑探测时，可以将重复建筑的探测与城市建筑“格式塔”布局相结合，能够提高重复建筑探测的精度和效率，另外，重复建筑建模后都采用统一模型进行几何表达，所以非常方便融合TLS（Terrestrial Laser Scanning, TLS）或MLS（Mobile Laser Scanning, MLS）扫描技术获取的建筑立面点云，以实现对ALS建筑屋顶模型的修正、编辑和完善，将现有的2.5D建筑屋顶模型转化为结合屋顶和立面点云的3D建筑模型，并且这种编辑可以同步“反馈”到所有重复建筑上。
附图说明
附图1是重复建筑自动感知下的大规模ALS建筑点云建模方法的总体技术流程图。
附图2是深度学习网络模型示意图。
附图3 是混合驱动建模技术流程图。
具体实施方式
对照附图，重复建筑自动感知下的大规模ALS建筑点云建模方法，其方法包括以下步骤：
（一）采用深度学习方法，精细分割ALS点云，获取“建筑”、“植被”、“地面”和“其他”四类目标；
（二）针对建筑点云，在局部区域内探测重复建筑，将测区内的建筑分为重复建筑和非重复建筑群，并对探测出的重复建筑单元配准和对齐；
（三）对重复建筑单元集合，采用数据驱动方法，构建重复建筑屋顶模型，针对剩余的非重复建筑，采取综合数据驱动和模型驱动的混合建模方法，构建建筑屋顶的几何模型；
（四）定性和定量评价建筑屋顶几何模型建模方法的精度和效率。
所述的采用深度学习方法：假设深度学习***中包含有N 层结构S 1 、S 2 、 S 3 、 … 、 S n ， I 和O 分别为***的输入和输出，则整个***可以用I ->S 1 ->S 2 -> S 3 ->…->S n ->O表示，即***的输入可以准确地用输出来描述，这表明输入I 经过每一层S i 未丢失信息，即任何一层S i 都是原始输入信息的另外一种表示，将I 作为输入层，S 是中间隐含层，O作为输出层，在S 中，任意两个相邻的隐含层S i 和S i+1 构成一个受限玻尔兹曼机，保证任何一层的输入都可以用输出准确描述，将隐含层得到的所有受限玻尔兹曼机串联起来，从而构造出玻尔兹曼机网络模型；采用玻尔兹曼机网络模型，实现ALS点云特征的抽象和综合，将该结果输入到Random Forest监督分类器，实现对点云特征的分类，最终将ALS点云最终分割为“地面”、“建筑”、“植被”和“其他”。
所述的Random Forest监督分类器基于决策树分类思想，由许多个弱分类器进行投票得到的组合分类器，该分类器具有较高的稳健性和较强的模型泛化能力，可以得到特征的重要性排序且非常适合处理不均衡类别的地物样本。
所述的局部区域内探测重复建筑：统计分析小区内建筑尺寸和密度等因子，绘制相应的重复建筑尺度与上述因子结合的探测率曲线，依据曲线潜在的拐点，获取最佳探测尺度，探测过程需要结合“道路和居民小区行政单元”等线划图，约束重复建筑探测算法，提升重复建筑探测效率，毕竟相同或相似的建筑群往往由一个开发商完成，这些建筑往往具有相同的设计图纸和方案，重复建筑群一般位于单元小区的内部，跨单元小区分布的可能性较小。
所述的线划图为通过手工矢量化方法或矢量化航空或航天遥感影像（GoogleEarth，SPOT，Quick Bird，Landsat，IKONOS，Bing Maps）方法获得，或者直接使用现有的道路、地籍等矢量图作为线划图。
所述的构建建筑屋顶的几何模型：采用决策树组合方法，针对不同类别的建筑，采用与之匹配的建模方法，针对探测获取的每一组局部范围内重复建筑集合，先对集合内多幢重复建筑点云进行配准和对齐，对齐后的重复建筑由于屋顶点云密度高，完整性好，直接利用数据驱动的方法对单幢建筑直接进行屋顶面片分割边界线和关键点提取，构建建筑屋顶的几何模型，针对其他非重复建筑，则可以采用数据驱动和模型驱动相结合的混合驱动建模方法，依次对每一幢非重复建筑进行建模，绘制建筑屋顶的几何模型；这样做的优点为：①避免某些重复建筑在进行单独建模时由于数据的缺失造成的建模失败的情形；②提升点云的密度，增强点云的质量。
所述的配准和对齐，其算法流程伪代码如下：
输入：当前局部范围内的重复建筑B ={B i }；
输出：配准后的重复建筑R ；
1. Begin；
2.任取集合B 中一建筑B base 作为基准；
3. B =B \B base //从集合B 中将B base 排除，此时B ={B j }；
4. For B j in B do；
5.任取集合B 中一建筑B j ，此时B j 和B base 构成一对重复建筑对，根据其重复建筑的重心和特征点等信息，计算平移矩阵，实现B j 和B base 粗略配准，粗略对齐后的建筑分别为B j ’和B base ’；
6.采用ICP（Iterative Closest Points, ICP）算法对B j ’和B base ’进行微调，使两幢重复建筑之间精确对齐，得到对齐后建筑点集合R ’；
7. B base = R ’；
8. End；
9. R =B base =R ’；
10.End。
所述建筑屋顶几何模型的评价方法：建筑屋顶几何模型的评价主要包含建筑点云分割和建筑屋顶几何模型本身的评价两部分；具体建筑屋顶点云分割结果的评价方法：Kappa系数、ROC曲线、完整性（Completeness = TP /（TP + FN））、正确性（Correctness =TP / (TP + FP））和总体分类精度（Quality = TP/（TP+FN+FP））等指标全方位评价建筑点云的分割精度，进而间接评价建筑屋顶模型的建模精度。
所述的全方位评价模型的精度： ① 利用残差定量评价模型采样点和建筑点云之间的一致性；② 屋顶模型和对应建筑点云生成的数字高程模型（Digital ElevationModel,DEM）之间的对齐，定性评价点云和模型的一致性；③ 对于某些地标性建筑，对比模型角点和传统全站仪测量的真值坐标，定量分析建模的精度；④ 屋顶拓扑关系的一致性和构建几何屋顶建筑模型三角面片的数量，评价模型是否具备“紧密”和“轻量”等特点。此外，本发明在算法建模效率方面，一并评价本发明方法的“时间复杂度”，以阐述本发明算法在大面积ALS点云建筑屋顶建模的优势。
Claims (8)
1.重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是该方法包括以下步骤：
（一）采用深度学习方法，精细分割ALS点云，获取“建筑”、“植被”、“地面”和“其他”四类目标；
（二）针对建筑点云，在局部区域内探测重复建筑，并对探测出的重复建筑配准和对齐，接着采用数据驱动方法，构建重复建筑屋顶模型，针对剩余的非重复建筑，采取综合数据驱动和模型驱动的混合建模方法，构建建筑屋顶的几何模型；
（三）定性和定量评价建筑屋顶几何模型建模方法的精度和效率。
2.根据权利要求1所述的重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是所述的采用深度学习方法：假设深度学习***中包含有N 层结构S 1 、S 2 、 S 3 、 … 、 S n ，I 和O分别为***的输入和输出，整个***用I ->S 1 ->S 2 -> S 3 ->…->S n ->O 表示，即***的输入可以准确地用输出来描述，输入I 经过每一层S i 未丢失信息，即任何一层S i 都是原始输入信息的另外一种表示，将I 作为输入层，S 是中间隐含层，O 作为输出层，在S 中，任意两个相邻的隐含层S i 和S i+1 构成一个受限玻尔兹曼机，保证任何一层的输入都可以用输出准确描述，将隐含层得到的所有受限玻尔兹曼机串联起来，从而构造出玻尔兹曼机网络模型；采用玻尔兹曼机网络模型，实现ALS点云特征的抽象和综合，将该结果输入到RandomForest监督分类器，实现对点云特征的分类，最终将ALS点云最终分割为“地面”、“建筑”、“植被”和“其他”。
3.根据权利要求1所述的重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是所述的局部区域内探测重复建筑：统计分析小区内建筑尺寸和密度因子，绘制重复建筑尺度与上述因子结合的探测率曲线，依据曲线潜在的拐点，获取最佳探测尺度，探测过程需要结合“道路和居民小区行政单元”线划图，约束重复建筑探测算法，提升重复建筑探测效率。
4.根据权利要求3所述的重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是所述的线划图为通过手工矢量化方法或矢量化航空或航天遥感影像方法获得，或者直接使用现有的道路、地籍矢量图作为线划图。
5.根据权利要求1所述的重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是所述的构建建筑屋顶的几何模型：基于决策树组合思想，针对不同类别的建筑，采用与之匹配的建模方法，针对探测获取的每一组局部范围内重复建筑集合，先对集合内多幢重复建筑点云进行配准和对齐，对齐后的重复建筑由于屋顶点云密度高，完整性好，直接利用数据驱动的方法对单幢建筑直接进行屋顶面片分割边界线和关键点提取，构建建筑屋顶的几何模型，针对其他非重复建筑，则可以采用数据驱动和模型驱动相结合的混合驱动建模方法，依次对每一幢非重复建筑进行建模，绘制建筑屋顶的几何模型。
6.根据权利要求5所述的重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是所述配准和对齐的具体算法流程伪代码如下：
输入：当前局部范围内的重复建筑B ={B i }；
输出：配准后的重复建筑R ；
1.Begin；
2.任取集合B 中一建筑B base 作为基准；
3.B =B \B base //从集合B 中将B base 排除，此时B ={B j }；
4.For B j in B do；
5.任取集合B 中一建筑B j ，此时B j 和B base 构成一对重复建筑对，根据其重复建筑的重心和特征点等信息，计算平移矩阵，实现B j 和B base 粗略配准，粗略对齐后的建筑分别为B j ’和B base ’；
6.采用ICP（Iterative Closest Points, ICP）算法对B j ’和B base ’进行微调，使两幢重复建筑之间精确对齐，得到对齐后建筑点集合R ’；
7.B base =R ’；
8.End；
9.R =B base =R ’；
10.End。
7.根据权利要求1所述的重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是所述建筑屋顶点云分割结果的评价方法： Kappa系数、ROC（Receiver OperatingCharacteristic, ROC）曲线、完整性、正确性和总体分类精度等指标全方位评价建筑点云的分割精度，进而间接评价建筑屋顶模型的建模精度。
8.根据权利要求7所述的重复建筑自动感知下的大规模ALS建筑点云建模方法，其特征是所述的全方位评价模型的精度： ①利用残差定量评价模型采样点和建筑点云之间的一致性；② 屋顶模型和对应建筑点云生成的数字高程模型（Digital Elevation Model,DEM）之间的对齐，定性评价点云和模型的一致性；③ 对于某些地标性建筑，将模型角点和传统全站仪测量的坐标进行比对，定量分析建模的精度；④ 屋顶拓扑关系的一致性和构建几何屋顶建筑模型三角面片的数量，评价模型是否具备“紧密”和“轻量”特点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610467713.8A CN106126816B (zh) | 2016-06-24 | 2016-06-24 | 重复建筑自动感知下的大规模als建筑点云建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610467713.8A CN106126816B (zh) | 2016-06-24 | 2016-06-24 | 重复建筑自动感知下的大规模als建筑点云建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106126816A true CN106126816A (zh) | 2016-11-16 |
| CN106126816B CN106126816B (zh) | 2019-04-05 |
Family
ID=57268737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610467713.8A Expired - Fee Related CN106126816B (zh) | 2016-06-24 | 2016-06-24 | 重复建筑自动感知下的大规模als建筑点云建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106126816B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106772433A (zh) * | 2017-04-11 | 2017-05-31 | 南京林业大学 | 基于机载激光雷达数据的建筑线画图生成方法 |
| CN107025685A (zh) * | 2017-04-11 | 2017-08-08 | 南京林业大学 | 拓扑感知下的机载建筑屋顶点云建模方法 |
| CN107170003A (zh) * | 2017-05-08 | 2017-09-15 | 广东工业大学 | 一种帆形外板的模型匹配方法及*** |
| CN108038908A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的空间对象识别及建模方法和*** |
| CN109242855A (zh) * | 2018-07-19 | 2019-01-18 | 中国科学院自动化研究所 | 基于多分辨率三维统计信息的屋顶分割方法、***及设备 |
| CN109545021A (zh) * | 2018-11-02 | 2019-03-29 | 国家消防工程技术研究中心 | 避难***检测装置 |
| CN109753687A (zh) * | 2018-12-04 | 2019-05-14 | 中国航空工业集团公司西安飞机设计研究所 | 一种复合式气动弹性动力学建模方法 |
| CN112347540A (zh) * | 2020-11-09 | 2021-02-09 | 重庆智慧之源科技有限公司 | 建筑物智能检测建模*** |
| CN114004938A (zh) * | 2021-12-27 | 2022-02-01 | 中国电子科技集团公司第二十八研究所 | 一种基于海量数据的城市场景重建方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040184789A1 (en) * | 2002-12-02 | 2004-09-23 | Hitachi Global Storage Technologies Netherlands B.V | Recording and reproducing apparatus, content reproducing apparatus, magnetic disk device, and control method thereof |
| CN103969656A (zh) * | 2014-05-08 | 2014-08-06 | 北京数字绿土科技有限公司 | 基于机载激光雷达的建筑物建模方法和装置 |
| 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 |
| CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
-
2016
- 2016-06-24 CN CN201610467713.8A patent/CN106126816B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040184789A1 (en) * | 2002-12-02 | 2004-09-23 | Hitachi Global Storage Technologies Netherlands B.V | Recording and reproducing apparatus, content reproducing apparatus, magnetic disk device, and control method thereof |
| CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
| CN103969656A (zh) * | 2014-05-08 | 2014-08-06 | 北京数字绿土科技有限公司 | 基于机载激光雷达的建筑物建模方法和装置 |
| 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 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025685B (zh) * | 2017-04-11 | 2020-03-17 | 南京林业大学 | 拓扑感知下的机载建筑屋顶点云建模方法 |
| CN107025685A (zh) * | 2017-04-11 | 2017-08-08 | 南京林业大学 | 拓扑感知下的机载建筑屋顶点云建模方法 |
| CN106772433B (zh) * | 2017-04-11 | 2019-01-18 | 南京林业大学 | 基于机载激光雷达数据的建筑线划图生成方法 |
| CN106772433A (zh) * | 2017-04-11 | 2017-05-31 | 南京林业大学 | 基于机载激光雷达数据的建筑线画图生成方法 |
| CN107170003A (zh) * | 2017-05-08 | 2017-09-15 | 广东工业大学 | 一种帆形外板的模型匹配方法及*** |
| CN108038908A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的空间对象识别及建模方法和*** |
| CN108038908B (zh) * | 2017-11-21 | 2021-11-30 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的空间对象识别及建模方法和*** |
| CN109242855B (zh) * | 2018-07-19 | 2020-08-11 | 中国科学院自动化研究所 | 基于多分辨率三维统计信息的屋顶分割方法、***及设备 |
| CN109242855A (zh) * | 2018-07-19 | 2019-01-18 | 中国科学院自动化研究所 | 基于多分辨率三维统计信息的屋顶分割方法、***及设备 |
| CN109545021A (zh) * | 2018-11-02 | 2019-03-29 | 国家消防工程技术研究中心 | 避难***检测装置 |
| CN109753687A (zh) * | 2018-12-04 | 2019-05-14 | 中国航空工业集团公司西安飞机设计研究所 | 一种复合式气动弹性动力学建模方法 |
| CN112347540A (zh) * | 2020-11-09 | 2021-02-09 | 重庆智慧之源科技有限公司 | 建筑物智能检测建模*** |
| CN112347540B (zh) * | 2020-11-09 | 2023-09-08 | 重庆智慧之源科技有限公司 | 建筑物智能检测建模*** |
| CN114004938A (zh) * | 2021-12-27 | 2022-02-01 | 中国电子科技集团公司第二十八研究所 | 一种基于海量数据的城市场景重建方法及装置 |
| CN114004938B (zh) * | 2021-12-27 | 2022-04-01 | 中国电子科技集团公司第二十八研究所 | 一种基于海量数据的城市场景重建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106126816B (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106126816B (zh) | 重复建筑自动感知下的大规模als建筑点云建模方法 | |
| CN106127857B (zh) | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 | |
| Quan et al. | A systematic review of GIS-based local climate zone mapping studies | |
| Forlani et al. | C omplete classification of raw LIDAR data and 3D reconstruction of buildings | |
| CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
| CN107679229A (zh) | 城市三维建筑高精度空间大数据的综合采集及分析方法 | |
| CN104021586A (zh) | 基于北斗定位的空地一体城市生态文明管理***及方法 | |
| CN103679655A (zh) | 一种基于坡度与区域生长的LiDAR点云滤波方法 | |
| CN105354345B (zh) | 一种三维地下空间全要素模型实时浏览方法 | |
| Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
| Dukai et al. | A multi-height LoD1 model of all buildings in the Netherlands | |
| Ratti | The lineage of the line: space syntax parameters from the analysis of urban DEMs | |
| Sabri et al. | A multi-dimensional analytics platform to support planning and design for liveable and sustainable urban environment | |
| CN107944089A (zh) | 一种基于现状视廊的地块限高分析***及其分析方法 | |
| Avena et al. | HBIM modelling for an historical urban centre | |
| Taubenböck et al. | Remote sensing—An effective data source for urban monitoring | |
| CN116994156B (zh) | 一种滑坡隐患综合遥感识别方法、***、设备及介质 | |
| Danilina et al. | Smart city: Automatic reconstruction of 3D building models to support urban development and planning | |
| CN112686988B (zh) | 三维建模方法、装置、电子设备及存储介质 | |
| Pârvu et al. | LOD2 building generation experiences and comparisons | |
| Yastikli et al. | Automatic 3D building model generations with airborne LiDAR data | |
| Xiong | Reconstructing and correcting 3d building models using roof topology graphs | |
| Tiwari et al. | 3D city model enabled e-governance for sustainable urbanization | |
| La Russa et al. | Advanced 3D Parametric Historic City Block Modeling Combining 3D Surveying, AI and VPL | |
| Sharma et al. | Developing a 3D geometry for urban energy modelling of Indian cities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20161116 Assignee: Nanjing Tianfang Earth Circle Surveying and Mapping Technology Co.,Ltd. Assignor: Nanjing Forestry University Contract record no.: 2019320000272 Denomination of invention: Cloud modeling method of large-scale ALS building points of repetitive buildings based on automatic sensitivity Granted publication date: 20190405 License type: Common License Record date: 20190726 Application publication date: 20161116 Assignee: Nanjing Yihaopu Software Technology Co.,Ltd. Assignor: Nanjing Forestry University Contract record no.: 2019320000271 Denomination of invention: Cloud modeling method of large-scale ALS building points of repetitive buildings based on automatic sensitivity Granted publication date: 20190405 License type: Common License Record date: 20190726 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20161116 Assignee: Nanjing Wenjing Information Technology Co.,Ltd. Assignor: Nanjing Forestry University Contract record no.: X2019320000017 Denomination of invention: Cloud modeling method of large-scale ALS building points of repetitive buildings based on automatic sensitivity Granted publication date: 20190405 License type: Common License Record date: 20190809 |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190405 |