CN113327324A - 三维建筑模型的构建方法、装置、计算机设备及存储介质 - Google Patents
三维建筑模型的构建方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113327324A CN113327324A CN202110710824.8A CN202110710824A CN113327324A CN 113327324 A CN113327324 A CN 113327324A CN 202110710824 A CN202110710824 A CN 202110710824A CN 113327324 A CN113327324 A CN 113327324A
- Authority
- CN
- China
- Prior art keywords
- building
- map
- feature
- dimensional
- preset
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000002372 labelling Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 239000000470 constituent Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 238000003708 edge detection Methods 0.000 description 8
- 239000003086 colorant Substances 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000010421 standard material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种三维建筑模型的构建方法、装置、计算机设备及存储介质,方法包括:获取二维建筑图的多个局部像素图;对多个局部像素图进行内积,得到第一特征图集;基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据和建筑区域数据;基于建筑组件数据和建筑区域数据,构建二维建筑图对应的三维建筑模型。本申请通过对多个局部像素图进行内积,实现提高特征图集的特征信息准确度,以及利用人工智能模型实现三维建筑模型的一键式构建,使得非专业设计人员也能够操作构建三维建筑模型,降低对操作人员的操作水平要求,进而降低人力成本和提高构建效率。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种三维建筑模型的构建方法、装置、计算机设备及存储介质。
背景技术
目前,为了提高机器人的路径规划准确度,通常对机器人路径数据进行校验,其中利用3D仿真建筑模型校验机器人路径数据的校验技术已经非常成熟,其可以准确测算路径的正确性。但是,大部分房屋建筑在建造时并不需要建立3D仿真模型图,所以为了实现机器人路径数据的校验,需要对房屋建筑进行三维建模。
在相关技术中,房屋建筑的三维建模方式主要是利用激光测距仪、卷尺等尺寸测量仪器人工测量所有房屋建筑组件的尺寸,或者基于二维平面设计图得到所有房屋建筑组件的尺寸,再通过3D max、sketch up或Auto CAD等建模工具利用上述尺寸对各个房屋建筑组件进行建模。但是当前建模方式需要专业设计人员手动建模,存在人力成本较高和效率低的问题。
发明内容
本申请实施例的目的在于提供一种三维建筑模型的构建方法、装置、计算机设备及存储介质,旨在解决当前建模方式存在人力成本较高和效率低的问题。
第一方面,本申请实施例提供了一种三维建筑模型的构建方法,包括:
获取二维建筑图的多个局部像素图;
对多个局部像素图进行内积,得到第一特征图集,第一特征图集包括二维建筑图中多个建筑组件的第一特征像素图;
基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据和建筑区域数据;
基于建筑组件数据和建筑区域数据,构建二维建筑图对应的三维建筑模型。
在本实施例中,通过对多个局部像素图进行内积,得到第一特征图集,从而对局部像素图的特征信息检测,以达到对局部像素图分类的目的,实现提高特征图集的特征信息准确度;以及基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据和建筑区域数据,并基于建筑组件数据和建筑区域数据,构建二维建筑图对应的三维建筑模型,从而利用人工智能模型实现三维建筑模型的一键式构建,使得非专业设计人员也能够构建三维建筑模型,降低对操作人员的操作水平要求,进而降低人力成本和提高构建效率。
在一实现方式中,对多个局部像素图进行内积,得到第一特征图集,包括:
对多个局部像素图进行加权点积,确定局部像素图是否包含目标特征信息;
将包含目标特征信息的所有局部像素图作为第一特征图集。
在本实现方式中,由于不是所有局部像素图都存在有效像素(有效特征信息),所以对局部像素图进行加权点积,能够达到分类的目的,从而实现对局部像素图的特征信息的检测,进而提高特征图集的特征信息准确度。
在一实现方式中,基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据和建筑区域数据,包括:
基于建筑识别网络,识别第一特征图集中每个第一特征像素图的构成要素图案和/或最小包围盒;
基于构成要素图案,确定构成要素图案对应的第一目标标签数据,和/或,基于最小包围盒的线段数据和最小包围盒内的构成要素图案,确定最小包围盒的第二目标标签数据;
基于每个第一特征像素图的第一目标标签数据,确定二维建筑图的建筑组件数据,和/或,基于每个第一特征像素图的第二目标标签数据,确定二维建筑图的建筑区域数据。
在本实现方式中,通过构成要素图案和最小包围盒,确定二维建筑图的墙体、门和窗等建筑组件,以及二维建筑图的客房、客厅和厨房等建筑区域,从而实现二维建筑图的语义识别,以提高三维建筑模型构建过程的自动化程度。
在一实现方式中,获取二维建筑图的多个局部像素图,包括:
获取二维建筑图,并对二维建筑图进行二值化,得到灰度图;
对灰度图进行特征提取,得到多个建筑组件的建筑像素图;
对第一特征像素图进行特征压缩,得到局部像素图。
在本实现方式中,通过对二维建筑图进行二值化,以减少后续图像处理过程的数据量,通过特征提取和特征压缩,实现二维建筑图的边缘检测,得到各个建筑组件和建筑区域的局部像素图。
第二方面,本申请实施例提供了一种建筑识别网络的训练方法,包括:
获取二维建筑图样本的局部像素图;
对多个局部像素图进行内积,得到第二特征图集,第二特征图集包括二维建筑图中多个建筑组件的第二特征像素图;
基于多个预设标签数据对第二特征图集进行语义标注,得到目标样本集,其中每个预设标签数据对应一种建筑组件类型或建筑区域类型;
基于目标样本集,对预设神经网络进行训练,直至预设神经网络达到预设收敛条件,得到建筑识别网络。
在本实施例中,通过对多个第二特征像素图进行内积,得到第一特征图集,从而实现第二特征像素图的特征信息检测,以达到对第二特征像素图分类的目的,实现提高特征图集的特征信息准确度,进而优化后续网络训练过程的训练效果;以及利用多个预设标签数据对每种建筑组件类型或建筑区域类型进行一一标注,从而提高建筑组件和建筑区域的识别精确度。
在一实现方式中,基于多个预设标签数据对第二特征图集进行语义标注,得到目标样本集,包括:
将第二特征图集中的每个第二特征像素图与预设建筑组件库中的预设构成要素图案匹配,得到每个第二特征像素图的建筑组件类型和/或建筑区域类型;
基于第一预设标签数据对建筑组件类型对应的建筑组件进行标注,基于第二预设标签数据对建筑区域类型对应的建筑区域进行标注,其中一个第一预设标签数据对应一种建筑组件类型,一个第二预设标签数据对应一种建筑区域类型;
将语义标注后的第二特征图集作为目标样本集。
在本实现方式中,通过预设建筑组件库实现建筑组件类型和建筑区域类型的自动识别,以便于后续机器标注,提高训练过程的智能化程度。
进一步地,将语义标注后的第二特征图集作为目标样本集之前,还包括:
验证第一预设标签数据的第一标注位置与建筑组件在二维建筑图上的第一组件位置是否匹配,以及验证第二预设标签数据的第二标注位置与建筑区域在二维建筑图上的第二组件位置是否匹配;
将第一标注位置与第一组件位置匹配时对应的第二特征像素图以及第一标注位置与第一组件位置匹配时对应的第二特征像素图组成标注后的第二特征图集。
在本实现方式中,通过位置匹配以验证标注结果的准确度,从而提高训练样本的准确度。
第三方面,本申请实施例提供了一种三维建筑模型的构建装置,包括:
第一获取模块,用于获取二维建筑图的多个局部像素图;
第一内积模块,用于对多个局部像素图进行内积,得到第一特征图集,第一特征图集包括二维建筑图中多个建筑组件的第一特征像素图;
识别模块,用于基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据;
构建模块,用于基于建筑组件数据构建二维建筑图对应的三维建筑模型。
第四方面,本申请实施例提供了一种建筑识别网络的训练方法,包括:
第二获取模块,用于获取二维建筑图样本局部像素图;
第二内积模块,用于对多个局部像素图进行内积,得到第二特征图集,第二特征图集包括二维建筑图中多个建筑组件的第二特征像素图;
标注模块,用于基于多个预设标签数据对第二特征图集进行语义标注,得到目标样本集,其中每个预设标签数据对应一种建筑组件;
训练模块,用于基于目标样本集,对预设神经网络进行训练,直至预设神经网络达到预设收敛条件,得到建筑识别网络。
第五方面,本申请实施例提供了一种计算机设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使计算机设备执行第一方面的三维建筑模型的构建方法,或第二方面的建筑识别网络的训练方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现第一方面的三维建筑模型的构建方法,或第二方面的建筑识别网络的训练方法。
需要说明的是,第三方面至第六方面的有益效果参见上述第一方面或第二方面的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的三维建筑模型的构建方法;
图2为本申请实施例提供的建筑识别网络的训练方法;
图3为本申请实施例提供的二维建筑图的示意图;
图4为本申请实施例提供的标注后的二维建筑图的示意图;
图5为本申请实施例提供的三维建筑模型的示意图;
图6为本申请实施例提供的三维建筑模型的构建装置的结构示意图;
图7为本申请实施例提供的建筑识别网络的训练装置的结构示意图;
图8为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
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描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如相关技术记载,房屋建筑的三维建模方式主要是利用激光测距仪、卷尺等尺寸测量仪器人工测量所有房屋建筑组件的尺寸,或者基于二维平面设计图得到所有房屋建筑组件的尺寸,再通过3D max、sketch up或Auto CAD等建模工具利用上述尺寸对各个房屋建筑组件进行建模。但是当前建模方式需要专业设计人员手动建模,存在人力成本较高和效率低的问题。
针对上述现有技术中的问题,本申请提供了一种三维建筑模型的构建方法,通过获取二维建筑图的多个局部像素图,对多个局部像素图进行内积,得到第一特征图集,从而对局部像素图的特征信息检测,以达到对局部像素图分类的目的,实现提高特征图集的特征信息准确度;以及基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据和建筑区域数据,并基于建筑组件数据和建筑区域数据,构建二维建筑图对应的三维建筑模型,从而利用人工智能模型实现三维建筑模型的一键式构建,使得非专业设计人员也能够构建三维建筑模型,降低对操作人员的操作水平要求,进而降低人力成本和提高构建效率。
参见图1,图1示出了本申请实施例提供的一种三维建筑模型的构建方法的实现流程图。本申请实施例中下述的三维建筑模型的构建方法可应用于计算机设备,计算机设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。本申请实施例的三维建筑模型的构建方法,包括步骤S101至S104,详述如下:
步骤S101,获取二维建筑图的多个局部像素图。
在本步骤中,二维建筑图为建筑户型图,如图3所示的二维建筑图的示意图,该建筑户型图包含建筑组件的尺寸数据和建筑区域用途等数据。可以理解的是,对于某些二维建筑图,其可以没有明确的建筑区域用途,而能够通过本申请识别出二维建筑图的建筑区域用途。
局部像素图为对二维建筑图进行边缘检测后得到的各个建筑组件或建筑区域的像素图,如墙体、门和窗等建筑组件的像素图,或者厨房、客厅和阳台等建筑区域的像素图。可以理解的是,局部像素图的边缘检测过程可以在应用本实施例三维建筑模型的构建方法的计算机设备执行,也可以在其他计算机设备上执行完成得到上述局部像素图后移植至本计算机设备。
步骤S102,对多个局部像素图进行内积,得到第一特征图集,第一特征图集包括二维建筑图中多个建筑组件的第一特征像素图。
在本步骤中,内积也可以称为点积,第一特征图集为组成二维建筑图的各个建筑组件和建筑区域的像素图集合,第一特征像素图为包含建筑组件的有效特征信息的像素图。在本实施例中,内积为对多个局部像素图的特征向量进行点积的过程。由于局部像素图基于二维建筑图边缘检测得到,所以存在不具有有效像素(有效特征信息)的局部像素图,本申请通过点积得到向量与向量之间的夹角,从而能够得到局部像素图之间的差异,实现局部像素图之间的特征信息的检测,达到局部像素图分类的效果。
步骤S103,基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据和建筑区域数据。
在本步骤中,建筑识别网络为识别二维建筑图的建筑组件和建筑区域的神经网络,其基于标注后的二维建筑图样本训练得到。可选地,基于建筑识别网络中的非线性函数对第一特征图集进行非线性整合,得到各个特征像素图的标签数据,并根据标签数据的预设分类区域提取建筑组件数据和建筑区域数据,其中共用的墙体会同时被相连房间(最小包围盒)所提取。示例性地,对第一特征图集进行归一化处理,通过非线性函数对归一化处理后的第一特征图集进行特征匹配,确定第一特征图集中各个特征像素图的标签数据,并进行反归一化处理,输出建筑组件数据和建筑区域数据。可选地,非线性函数为RELU函数或者其变种的其他非线性函数,如Leaky-RELU函数或Concatented-RELU函数等。
步骤S104,基于建筑组件数据和建筑区域数据,构建二维建筑图对应的三维建筑模型。
在本步骤中,将步骤S103中各个标签数据对应的建筑组件数据和建筑区域数据附加到二维建筑图的对应位置上,并根据比例尺将建筑组件的尺寸数据还原至正常大小,形成数据格式文件,基于该数据格式文件生成三维建筑模型。进一步地,从标准材质库中选取材质赋予给上述三维建筑模型,以生成满足仿真需求的三维建筑模型。
示例性地,如图5示出的三维建筑模型的示意图。通过本方法输出一个json文件,该json文件包含了一系列建筑组件数据(比如一个户型图的门、窗位置、尺寸数据以及墙体数据),再将上述数据组合生成为一个mesh文件,然后基于预设的组件模型库,将各个建筑组件在对应位置生成三维模型,其中可以从材质库中调取墙体的材质数据,最后渲染得到如图5所示的三维建筑模型。可选地,将三维模型文件存储为assetbund le文件,其包含mesh文件和材质数据。
在一实施例中,在图1所示实施例的基础上,上述步骤S101,具体包括:获取二维建筑图,并对二维建筑图进行二值化,得到灰度图;对灰度图进行特征提取,得到多个建筑组件的建筑像素图;对第一特征像素图进行特征压缩,得到局部像素图。
在本实施例中,对二维建筑图进行二值化,以将二维建筑图变为灰度图,灰度图方便进行边缘检测和语义分割。对灰度图进行特征提取以实现边缘检测,并基于特征压缩,以提高像素图的特征精确度。可选地,特征提取可基于卷积操作实现,特征压缩可基于池化操作实现。
示例性,对灰度图进行多次卷积和多次池化:对于每次卷积操作,对灰度图按照自定义的卷积核进行卷积计算,以获取不同精度级别的特征像素图,其中卷积层的输入是二维建筑图的灰度图,输出是墙体、门或窗等建筑组件的建筑像素图(在本实施例中,建筑像素图为具有建筑组件特征点的图片,其用于定位门、窗等建筑组件的位置),卷积操作能够避免二维建筑图的数据量过度膨胀,从而避免导致数据错误,提高二维建筑图相关数据的准确度;在每次卷积操作之后,对卷积结果(即上次卷积操作得到的建筑像素图)进行池化操作,其中池化层的输入为卷积层得到的建筑像素图,输出为局部像素图,但是局部像素图相对于建筑像素图更小,池化的作用是对建筑像素图进行降采样操作,其能够简化后续计算的复杂度,以及使得局部像素图更加精确。
可选地,在图1所示实施例的基础上,上述步骤S102,具体包括:对多个局部像素图进行加权点积,确定局部像素图是否包含目标特征信息;将包含目标特征信息的所有局部像素图作为第一特征图集。
在本实施例中,由于局部像素图基于二维建筑图边缘检测得到,边缘检测时可能将无效信息(如户型图的建筑结构之外的空白区域像素)识别为局部像素图,所以局部像素图存在不具有有效像素(有效特征信息)的情况。本实施例对所有局部像素图组合起来进行加权和计算,以判断局部像素图是否包含语义识别所需要的所有特征信息。
可选地,通过对多个局部像素图之间的特征向量进行加权点积,得到局部像素图之间的特征向量与特征向量之间的夹角(或者说一个局部像素图的特征向量A在另一个局部像素图的特征向量B上的投影)。对于不具有有效特征信息的局部像素图而言,其在具有有效特征信息的局部像素图上的投影为一个点,即两者之间不存在夹角;对于具有有效特征信息的局部像素图而言,其在具有有效特征信息的其他局部像素图上的投影为线段等几何信息,即两者之间存在夹角;对于不具有有效特征信息的两个局部像素图而言,两者在对方上的投影均为一个点。因此基于局部像素图之间的点积结果能够得到局部像素图之间的差异,从而确定局部像素图是否包含目标特征信息,并能够将局部像素图分类为具有有效特征信息的局部像素图和不具有有效特征信息的局部像素图,实现局部像素图之间的特征信息的检测,并达到局部像素图分类的效果。
可选地,在图1所示实施例的基础上,上述步骤S103,具体包括:基于建筑识别网络,识别第一特征图集中每个第一特征像素图的构成要素图案和/或最小包围盒;基于构成要素图案,确定构成要素图案对应的第一目标标签数据,和/或,基于最小包围盒的线段数据和最小包围盒内的构成要素图案,确定最小包围盒的第二目标标签数据;基于每个第一特征像素图的第一目标标签数据,确定二维建筑图的建筑组件数据,和/或,基于每个第一特征像素图的第二目标标签数据,确定二维建筑图的建筑区域数据。
在本实施例中,构成要素图案可以为第一特征像素图中建筑组件的图案,如图3中门的扇形图案,或者窗的双矩形图案;最小包围盒为组成建筑区域的包围盒,如厕所、厨房和阳台灯建筑区域中各个墙体所围成的包围盒。最小包围盒的线段数据为墙体对应的线段,如一面墙对应一条线段,则围成建筑区域的多面墙对应多条线段。最小包围盒的构成要素图案可以是上述第一特征像素图中建筑组件的图案,也可以是浴缸、床、沙发和电视等家具的特定图案。其中特定图案具有建筑区域的区域特征,例如浴缸图案可以初步识别出建筑区域为厕所,再结合其他构成要素图案和线段数据进一步确认是否为厕所。可以理解的是,对于每个第一特征像素图,其可能只有构成要素图案,即单个建筑组件的特征像素图;也可能同时有构成要素图案和最小包围盒,即由多个建筑组件组成的建筑区域对应的特征像素图。
如图4示出的标注后的二维建筑图的示意图,通过对二维建筑图进行语义识别的识别结果类似于图4。如图4所示,可选地,对二维建筑图的不同部分采用不同颜色的线段数据进行表示,封闭的最小包围盒用不同颜色的平面数据进行表示,这些线段数据和平面数据组成整个二维建筑图的各个建筑组件的位置信息。其中不同颜色的线段数据为多个第一目标标签数据,不同颜色的平面数据为第二目标标签数据。可以理解的是,上述颜色仅仅是本实施例标签数据的表现方式,在其他实施例,可以采用数字和字母等其他数据进行作为标签数据。
参见图2,图2示出了本申请实施例提供的一种建筑识别网络的训练方法的实现流程图。本申请实施例中下述的建筑识别网络的训练方法可应用于计算机设备,计算机设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。可以理解的使,建筑识别网络的训练方法与三维建筑模型的构建方法能够应用于同一个计算机设备,也可以应用不同的计算机设备。本申请实施例的建筑识别网络的训练方法,包括步骤S201至S204,详述如下:
步骤S201,获取二维建筑图样本的局部像素图。
步骤S202,对多个局部像素图进行内积,得到第二特征图集,第二特征图集包括二维建筑图样本中多个建筑组件的第二特征像素图。
在步骤S201和S202中,第二特征图集为组成二维建筑图样本的各个建筑组件和建筑区域的像素图集合,第二特征像素图为包含二维建筑图样本中建筑组件的有效特征信息的像素图。可以理解的是,第二特征像素图为基于二维建筑图样本得到的特征像素图,第二特征图集为第二特征像素图的集合,上述图1实施例的第一特征像素图为基于待构建三维建筑模型的二维建筑图得到的特征像素图,第一特征图集为第一特征像素图的集合,“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。需要说明的是,步骤S201和步骤S202的解释过程可参见上述步骤S102和步骤S202的相关描述,在此不再赘述。
步骤S203,基于多个预设标签数据对第二特征图集进行语义标注,得到目标样本集,其中每个预设标签数据对应一种建筑组件类型或建筑区域类型。
在本步骤中,对于不同的建筑组件类型和建筑区域类型,采用不同的预设标签数据进行标注。示例性地,对于建筑组件,采用数字0-100作为预设标签数据,如采用数字1作为门的标签数据,采用数字2作为窗的标签数据;对于建筑区域,采用字母A-Z作为预设标签数据,如采用字母A作为客厅的标签数据,采用字母B作为阳台的标签数据。应理解,上述标签数据的表示方式仅用作示例而非限定。
步骤S204,基于目标样本集,对预设神经网络进行训练,直至预设神经网络达到预设收敛条件,得到建筑识别网络。
在本步骤中,上述预设神经网络可以为卷积神经网络,其损失函数为非线性函数,如ReLu函数或其变种函数。可选地,对于建筑识别网络,利用上述目标样本集对卷积神经网络进行训练,直至卷积神经网络达到预设收敛条件。预设收敛条件为表示网络训练完成的条件,例如损失函数得到的损失值小于预设损失阈值,则表示收敛。可以通俗理解为,损失值越小表示该网络提取到的特征向量越准确,这样才能根据提取到的特征向量还原到最接近预先标注的数据标签。示例性地,将目标样本集的第二特征像素图和对应的预设数据标签输入到卷积神经网络中进行处理,得到该第二特征像素图对应的结果数据标签;计算该结果数据标签与预设数据标签之间的损失值,当该损失值大于或等于预设损失阈值时,调整卷积神经网络中的网络参数,并返回指向将目标样本集的第二特征像素图和对应的预设数据标签输入到卷积神经网络中进行处理,得到该第二特征像素图对应的结果数据标签的步骤;当该损失值小于预设损失阈值时,表示卷积神经网络训练完成,得到训练好的建筑识别网络。
在一实施例中,在图2所示实施例的基础上,上述步骤S203,具体包括:将第二特征图集中的每个第二特征像素图与预设建筑组件库中的预设构成要素图案匹配,得到每个第二特征像素图的建筑组件类型和/或建筑区域类型;基于第一预设标签数据对建筑组件类型对应的建筑组件进行标注,基于第二预设标签数据对建筑区域类型对应的建筑区域进行标注,其中一个第一预设标签数据对应一种建筑组件类型,一个第二预设标签数据对应一种建筑区域类型;将语义标注后的第二特征图集作为目标样本集。
在本实施例中,预设建筑组件库为预先构建的语义分析库,其包含有各种建筑组件的构成要素图案。可选地,对于预设建筑组件库的构建,包括:对单开门、双开门、窗和墙体等建筑组件进行分类存储;建筑区域内的特定图案(如床、沙发和浴缸等图案)进行建筑区域分类。
进一步地,可以在训练过程中将识别到的图案截取并保存,以增大样本数量和提升训练准确性。对于识别错误的情况,例如将1/4圆形的形状识别成单开门,则将错误的图案删除,并将正确的图案分别存放到对应的组件库。
第一预设标签数据和第二预设标签数据可以是数字、字母和颜色等特征数据。示例性地,如图4所示的标注后的二维建筑图的示意图。对于建筑组件的标注,可以对二维建筑图的不同建筑组件采用不同颜色的线段进行标注,例如,采用红色圆点表示墙体交点,红色直线表示墙体,采用覆盖在红色线段上的紫色线段表示该墙体上的窗户,用其他颜色表示推拉门、双开门或单开门等建筑组件。可以理解的是,线段为封闭线段,其用于识别二维建筑图的骨骼节点信息。对于建筑区域的标注,可以封闭的最小包围盒(即围成房间的最小包围盒)采用不同颜色的平面数据进行填充,以表示不同用途的场景,如采用绿色平面表示卧室。
可选地,上述将语义标注后的第二特征图集作为目标样本集之前,还包括:验证第一预设标签数据的第一标注位置与建筑组件在二维建筑图上的第一组件位置是否匹配,以及验证第二预设标签数据的第二标注位置与建筑区域在二维建筑图上的第二组件位置是否匹配;将第一标注位置与第一组件位置匹配时对应的第二特征像素图以及第一标注位置与第一组件位置匹配时对应的第二特征像素图组成标注后的第二特征图集。
在本实施例中,由于第二特征像素图是二维建筑图样本的局部像素图,即第二特征像素图属于二维建筑图样本的一部分,所以对第二特征图集进行语义标注,实际上是对二维建筑图集进行语义标注,而每个建筑组件或建筑区域在二维建筑图中的位置不同,所以对建筑组件或建筑区域进行标注时,需要准确标注到二维建筑图中指定建筑组件或建筑区域。例如,采用紫色线表示窗,则对于厕所区域的窗,则需要采用紫色线标注窗在厕所的位置。因此本申请通过位置匹配验证标注结果的合理性,剔除所有不合理的标注数据,保证标注结果的准确度。
为了执行上述方法实施例对应的方法,以实现相应的功能和技术效果,下面提供一种三维建筑模型的构建装置。参见图6,图6是本申请实施例提供的一种三维建筑模型的构建装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的三维建筑模型的构建装置,包括:
第一获取模块601,用于获取二维建筑图的多个局部像素图;
第一内积模块602,用于对多个局部像素图进行内积,得到第一特征图集,第一特征图集包括二维建筑图中多个建筑组件的第一特征像素图;
识别模块603,用于基于预设的建筑识别网络对第一特征图集进行语义识别,得到二维建筑图对应的建筑组件数据;
构建模块604,用于基于建筑组件数据构建二维建筑图对应的三维建筑模型。
在一实施例中,第一内积模块602,包括:
第一确定单元,用于对多个局部像素图进行加权点积,确定局部像素图是否包含目标特征信息;
判定单元,用于将包含目标特征信息的所有局部像素图作为第一特征图集。
在一实施例中,识别模块603,包括:
识别单元,用于基于建筑识别网络,识别第一特征图集中每个第一特征像素图的构成要素图案和/或最小包围盒;
第二确定单元,用于基于构成要素图案,确定构成要素图案对应的第一目标标签数据,和/或,基于最小包围盒的线段数据和最小包围盒内的构成要素图案,确定最小包围盒的第二目标标签数据;
第三确定单元,用于基于每个第一特征像素图的第一目标标签数据,确定二维建筑图的建筑组件数据,和/或,基于每个第一特征像素图的第二目标标签数据,确定二维建筑图的建筑区域数据。
在一实施例中,第一获取模块601,包括:
获取单元,用于获取二维建筑图,并对二维建筑图进行二值化,得到灰度图;
提取单元,用于对灰度图进行特征提取,得到多个建筑组件的建筑像素图;
压缩单元,用于对第一特征像素图进行特征压缩,得到局部像素图。
上述的三维建筑模型的构建装置可实施上述方法实施例的三维建筑模型的构建方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
为了执行上述方法实施例对应的方法,以实现相应的功能和技术效果,下面提供一种建筑识别网络的训练装置。参见图7,图7是本申请实施例提供的一种建筑识别网络的训练装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的建筑识别网络的训练装置,包括:
第二获取模块701,用于获取二维建筑图样本的局部像素图;
第二内积模块702,用于对多个局部像素图进行内积,得到第二特征图集,第二特征图集包括二维建筑图中多个建筑组件的第二特征像素图;
标注模块703,用于基于多个预设标签数据对第二特征图集进行语义标注,得到目标样本集,其中每个预设标签数据对应一种建筑组件;
训练模块704,用于基于目标样本集,对预设神经网络进行训练,直至预设神经网络达到预设收敛条件,得到建筑识别网络。
在一实施例中,标注模块703,包括:
匹配单元,用于将第二特征图集中的每个第二特征像素图与预设建筑组件库中的预设构成要素图案匹配,得到每个第二特征像素图的建筑组件类型和/或建筑区域类型;
标注单元,用于基于第一预设标签数据对建筑组件类型对应的建筑组件进行标注,基于第二预设标签数据对建筑区域类型对应的建筑区域进行标注,其中一个第一预设标签数据对应一种建筑组件类型,一个第二预设标签数据对应一种建筑区域类型;
作为单元,用于将语义标注后的第二特征图集作为目标样本集。
进一步地,标注模块703,还包括:
验证单元,用于验证第一预设标签数据的第一标注位置与建筑组件在二维建筑图上的第一组件位置是否匹配,以及验证第二预设标签数据的第二标注位置与建筑区域在二维建筑图上的第二组件位置是否匹配;
组成单元,用于将第一标注位置与第一组件位置匹配时对应的第二特征像素图以及第一标注位置与第一组件位置匹配时对应的第二特征像素图组成标注后的第二特征图集。
上述的建筑识别网络的训练装置可实施上述方法实施例的建筑识别网络的训练方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
图8为本申请一实施例提供的计算机设备的结构示意图。如图8所示,该实施例的计算机设备8包括:至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现上述任意方法实施例中的步骤。
所述计算机设备8可以是智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算设备。该计算机设备可包括但不仅限于处理器80、存储器81。本领域技术人员可以理解,图8仅仅是计算机设备8的举例,并不构成对计算机设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述计算机设备8的内部存储单元,例如计算机设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述计算机设备8的外部存储设备,例如所述计算机设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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(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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
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所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (11)
1.一种三维建筑模型的构建方法,其特征在于,包括:
获取二维建筑图的多个局部像素图;
对多个所述局部像素图进行内积,得到第一特征图集,所述第一特征图集包括所述二维建筑图中多个建筑组件的第一特征像素图;
基于预设的建筑识别网络对所述第一特征图集进行语义识别,得到所述二维建筑图对应的建筑组件数据和建筑区域数据;
基于所述建筑组件数据和所述建筑区域数据,构建所述二维建筑图对应的三维建筑模型。
2.根据权利要求1所述的三维建筑模型的构建方法,其特征在于,所述对多个所述局部像素图进行内积,得到第一特征图集,包括:
对多个所述局部像素图进行加权点积,确定所述局部像素图是否包含目标特征信息;
将包含所述目标特征信息的所有所述局部像素图作为所述第一特征图集。
3.根据权利要求1所述的三维建筑模型的构建方法,其特征在于,所述基于预设的建筑识别网络对所述第一特征图集进行语义识别,得到所述二维建筑图对应的建筑组件数据和建筑区域数据,包括:
基于所述建筑识别网络,识别所述第一特征图集中每个所述第一特征像素图的构成要素图案和/或最小包围盒;
基于所述构成要素图案,确定所述构成要素图案对应的第一目标标签数据,和/或,基于所述最小包围盒的线段数据和所述最小包围盒内的构成要素图案,确定所述最小包围盒的第二目标标签数据;
基于每个所述第一特征像素图的所述第一目标标签数据,确定所述二维建筑图的所述建筑组件数据,和/或,基于每个所述第一特征像素图的所述第二目标标签数据,确定所述二维建筑图的所述建筑区域数据。
4.根据权利要求1所述的三维建筑模型的构建方法,其特征在于,所述获取二维建筑图的多个局部像素图,包括:
获取所述二维建筑图,并对所述二维建筑图进行二值化,得到灰度图;
对所述灰度图进行特征提取,得到多个所述建筑组件的建筑像素图;
对所述第一特征像素图进行特征压缩,得到所述局部像素图。
5.一种建筑识别网络的训练方法,其特征在于,包括:
获取二维建筑图样本的局部像素图;
对多个所述局部像素图进行内积,得到第二特征图集,所述第二特征图集包括所述二维建筑图样本中多个建筑组件的第二特征像素图;
基于多个预设标签数据对所述第二特征图集进行语义标注,得到目标样本集,其中每个所述预设标签数据对应一种建筑组件类型或建筑区域类型;
基于所述目标样本集,对预设神经网络进行训练,直至所述预设神经网络达到预设收敛条件,得到建筑识别网络。
6.根据权利要求5所述的建筑识别网络的训练方法,其特征在于,所述基于多个预设标签数据对所述第二特征图集进行语义标注,得到目标样本集,包括:
将所述第二特征图集中的每个第二特征像素图与预设建筑组件库中的预设构成要素图案匹配,得到每个所述第二特征像素图的建筑组件类型和/或建筑区域类型;
基于第一预设标签数据对所述建筑组件类型对应的建筑组件进行标注,基于第二预设标签数据对所述建筑区域类型对应的建筑区域进行标注,其中一个所述第一预设标签数据对应一种所述建筑组件类型,一个所述第二预设标签数据对应一种所述建筑区域类型;
将语义标注后的所述第二特征图集作为所述目标样本集。
7.根据权利要求6所述的建筑识别网络的训练方法,其特征在于,所述将语义标注后的所述第二特征图集作为所述目标样本集之前,还包括:
验证所述第一预设标签数据的第一标注位置与所述建筑组件在所述二维建筑图上的第一组件位置是否匹配,以及验证所述第二预设标签数据的第二标注位置与所述建筑区域在所述二维建筑图上的第二组件位置是否匹配;
将所述第一标注位置与所述第一组件位置匹配时对应的所述第二特征像素图以及所述第一标注位置与所述第一组件位置匹配时对应的所述第二特征像素图组成标注后的所述第二特征图集。
8.一种三维建筑模型的构建装置,其特征在于,包括:
第一获取模块,用于获取二维建筑图的多个局部像素图;
第一内积模块,用于对多个所述局部像素图进行内积,得到第一特征图集,所述第一特征图集包括所述二维建筑图中多个建筑组件的第一特征像素图;
识别模块,用于基于预设的建筑识别网络对所述第一特征图集进行语义识别,得到所述二维建筑图对应的建筑组件数据;
构建模块,用于基于所述建筑组件数据构建所述二维建筑图对应的三维建筑模型。
9.一种建筑识别网络的训练方法,其特征在于,包括:
第二获取模块,用于获取二维建筑图样本的局部像素图;
第二内积模块,用于对多个所述局部像素图进行内积,得到第二特征图集,所述第二特征图集包括所述二维建筑图中多个建筑组件的第二特征像素图;
标注模块,用于基于多个预设标签数据对所述第二特征图集进行语义标注,得到目标样本集,其中每个所述预设标签数据对应一种所述建筑组件;
训练模块,用于基于所述目标样本集,对预设神经网络进行训练,直至所述预设神经网络达到预设收敛条件,得到建筑识别网络。
10.一种计算机设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行如权利要求1至4中任一项所述的三维建筑模型的构建方法,或权利要求5至7中任一项所述的建筑识别网络的训练方法。
11.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的三维建筑模型的构建方法,或权利要求5至7中任一项所述的建筑识别网络的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710824.8A CN113327324A (zh) | 2021-06-25 | 2021-06-25 | 三维建筑模型的构建方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710824.8A CN113327324A (zh) | 2021-06-25 | 2021-06-25 | 三维建筑模型的构建方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113327324A true CN113327324A (zh) | 2021-08-31 |
Family
ID=77424665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710824.8A Withdrawn CN113327324A (zh) | 2021-06-25 | 2021-06-25 | 三维建筑模型的构建方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327324A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808192A (zh) * | 2021-09-23 | 2021-12-17 | 深圳须弥云图空间科技有限公司 | 一种户型图生成方法、装置、设备及存储介质 |
CN114491779A (zh) * | 2022-04-07 | 2022-05-13 | 深圳小库科技有限公司 | 一种智能规划生成草图的方法及相关设备 |
CN114741754A (zh) * | 2022-03-30 | 2022-07-12 | 广东博智林机器人有限公司 | 一种基于建筑图纸的房间区域识别方法及*** |
CN116127580A (zh) * | 2023-02-20 | 2023-05-16 | 中国建筑西南设计研究院有限公司 | 建筑平面灰度图生成方法、装置、电子设备及存储介质 |
CN116150849A (zh) * | 2023-02-20 | 2023-05-23 | 中国建筑西南设计研究院有限公司 | 结构构件特征图生成方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140037194A1 (en) * | 2011-04-13 | 2014-02-06 | Unisantis Electronics Singapore Pte. Ltd. | Three-dimensional point cloud position data processing device, three-dimensional point cloud position data processing system, and three-dimensional point cloud position data processing method and program |
US20150234947A1 (en) * | 2013-11-04 | 2015-08-20 | Aurora Solar Inc. | Estimation of Three-Dimensional Models of Roofs from Spatial Two-Dimensional Graphs |
CN109754460A (zh) * | 2018-12-27 | 2019-05-14 | 福建省晨曦信息科技股份有限公司 | 一种自动翻模方法、电子设备及存储介质 |
US20190205485A1 (en) * | 2017-12-28 | 2019-07-04 | Dassault Systemes | Generating 3d models representing buildings |
CN110458946A (zh) * | 2019-08-09 | 2019-11-15 | 长沙眸瑞网络科技有限公司 | 构建3d模型特征向量和根据图像特征搜索3d模型方法 |
CN111881508A (zh) * | 2020-08-11 | 2020-11-03 | 广东博智林机器人有限公司 | 一种三维仿真建筑群的重建方法及装置 |
CN112819953A (zh) * | 2021-02-24 | 2021-05-18 | 北京创想智控科技有限公司 | 三维重建方法、网络模型训练方法、装置及电子设备 |
-
2021
- 2021-06-25 CN CN202110710824.8A patent/CN113327324A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140037194A1 (en) * | 2011-04-13 | 2014-02-06 | Unisantis Electronics Singapore Pte. Ltd. | Three-dimensional point cloud position data processing device, three-dimensional point cloud position data processing system, and three-dimensional point cloud position data processing method and program |
US20150234947A1 (en) * | 2013-11-04 | 2015-08-20 | Aurora Solar Inc. | Estimation of Three-Dimensional Models of Roofs from Spatial Two-Dimensional Graphs |
US20190205485A1 (en) * | 2017-12-28 | 2019-07-04 | Dassault Systemes | Generating 3d models representing buildings |
CN109754460A (zh) * | 2018-12-27 | 2019-05-14 | 福建省晨曦信息科技股份有限公司 | 一种自动翻模方法、电子设备及存储介质 |
CN110458946A (zh) * | 2019-08-09 | 2019-11-15 | 长沙眸瑞网络科技有限公司 | 构建3d模型特征向量和根据图像特征搜索3d模型方法 |
CN111881508A (zh) * | 2020-08-11 | 2020-11-03 | 广东博智林机器人有限公司 | 一种三维仿真建筑群的重建方法及装置 |
CN112819953A (zh) * | 2021-02-24 | 2021-05-18 | 北京创想智控科技有限公司 | 三维重建方法、网络模型训练方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
XIAOLI LI等: "A KD-tree and random sample consensus-based 3D reconstruction model for 2D sports stadium images", 《MATHEMATICAL BIOSCIENCES AND ENGINEERING》, vol. 20, no. 12, pages 21432 * |
刘卓亚: "基于单一图像实现城市场景下的建筑三维布局", 《计算技术与自动化》, vol. 38, no. 1, pages 160 - 166 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808192A (zh) * | 2021-09-23 | 2021-12-17 | 深圳须弥云图空间科技有限公司 | 一种户型图生成方法、装置、设备及存储介质 |
CN113808192B (zh) * | 2021-09-23 | 2024-04-09 | 深圳须弥云图空间科技有限公司 | 一种户型图生成方法、装置、设备及存储介质 |
CN114741754A (zh) * | 2022-03-30 | 2022-07-12 | 广东博智林机器人有限公司 | 一种基于建筑图纸的房间区域识别方法及*** |
CN114491779A (zh) * | 2022-04-07 | 2022-05-13 | 深圳小库科技有限公司 | 一种智能规划生成草图的方法及相关设备 |
CN114491779B (zh) * | 2022-04-07 | 2022-08-12 | 深圳小库科技有限公司 | 一种智能规划生成草图的方法及相关设备 |
CN116127580A (zh) * | 2023-02-20 | 2023-05-16 | 中国建筑西南设计研究院有限公司 | 建筑平面灰度图生成方法、装置、电子设备及存储介质 |
CN116150849A (zh) * | 2023-02-20 | 2023-05-23 | 中国建筑西南设计研究院有限公司 | 结构构件特征图生成方法、装置、电子设备及存储介质 |
CN116150849B (zh) * | 2023-02-20 | 2023-11-28 | 中国建筑西南设计研究院有限公司 | 结构构件特征图生成方法、装置、电子设备及存储介质 |
CN116127580B (zh) * | 2023-02-20 | 2024-03-22 | 中国建筑西南设计研究院有限公司 | 建筑平面灰度图生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113327324A (zh) | 三维建筑模型的构建方法、装置、计算机设备及存储介质 | |
AU2017362937B2 (en) | Information processing device, information processing method, and program | |
Wu et al. | Online empirical evaluation of tracking algorithms | |
CN110598765A (zh) | 样本生成方法、装置、计算机设备及存储介质 | |
JP2018513507A (ja) | 人工ニューラルネットワークの関連性スコア割当て | |
CN111161379B (zh) | 基于深度学习的空户型特征检测的室内家居自动布局方法 | |
Berner et al. | Shape analysis with subspace symmetries | |
CN112700529A (zh) | 根据规范文档生成三维模型的方法和*** | |
US20180211133A1 (en) | Detection and presentation of differences between 3d models | |
Janalipour et al. | Evaluation of effectiveness of three fuzzy systems and three texture extraction methods for building damage detection from post-event LiDAR data | |
Inthiyaz et al. | Flower segmentation with level sets evolution controlled by colour, texture and shape features | |
Georgiou et al. | Constructing informative bayesian map priors: A multi-objective optimisation approach applied to indoor occupancy grid mapping | |
Caelli et al. | Graphical models for graph matching: Approximate models and optimal algorithms | |
KR102535054B1 (ko) | 패치기반의 딥러닝 알고리즘을 통한 실내도면 이미지에서의 실내공간정보 자동추출방법 및 그 장치 | |
CN113744350B (zh) | 基于单张图像的柜体结构识别方法、装置、设备及介质 | |
CN116385660A (zh) | 室内单视图场景语义重建方法及*** | |
Arbia et al. | Contextual classification in image analysis: an assessment of accuracy of ICM | |
US20240012955A1 (en) | Generative network-based floor plan generation | |
Panda et al. | Particle filter-based video object tracking using feature fusion in template partitions | |
CN113610971B (zh) | 一种细粒度三维模型构建方法、装置及电子设备 | |
CN116051813A (zh) | 全自动智能腰椎定位与识别方法及应用 | |
CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
JP2006185206A (ja) | オブジェクト検出方法、装置、及びプログラム | |
Gan et al. | How Many Bedrooms Do You Need? A Real‐Estate Recommender System from Architectural Floor Plan Images | |
Zhang et al. | UAV image matching from handcrafted to deep local features |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210831 |