CN115082699B - 一种轮廓形状提取方法、装置、电子设备及存储介质 - Google Patents
一种轮廓形状提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115082699B CN115082699B CN202210894467.XA CN202210894467A CN115082699B CN 115082699 B CN115082699 B CN 115082699B CN 202210894467 A CN202210894467 A CN 202210894467A CN 115082699 B CN115082699 B CN 115082699B
- Authority
- CN
- China
- Prior art keywords
- line segment
- candidate line
- line segments
- calculating
- candidate
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 101150082690 Pou3f1 gene Proteins 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种轮廓形状提取方法、装置、电子设备及存储介质,用于改善提取三维模型的外轮廓形状的效率低下的问题。该方法包括:获取目标对象的三维模型,并提取出三维模型的所有立面;将三维模型的所有立面投影至二维平面上,获得多个投影线段;根据多个投影线段的延长线对二维平面进行分割,获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点;根据多个候选线段的围成区域或者相交顶点,从多个候选线段筛选出目标对象在二维平面上的轮廓线段;根据二维平面上的轮廓线段构建目标对象的轮廓形状。
Description
技术领域
本申请涉及计算机视觉、虚拟现实和增强现实的技术领域,具体而言,涉及一种轮廓形状提取方法、装置、电子设备及存储介质。
背景技术
目前,大都是通过纯手工建模测量和重绘的方式来提取三维模型的外轮廓形状,具体例如:通过计算机辅助设计软件(Computer Aided Design,CAD)手工建立建筑物的三维模型,并通过CAD等三维软件来测量该建筑物的三维模型的外轮廓形状的长度和方向角度,并根据测量出的外轮廓形状的长度和方向角度重新绘制出三维模型的外轮廓形状。然而,这种方式需要从业者有丰富的相关软件使用经验,整个过程耗费庞大的人力成本和时间成本,因此,目前通过纯手工建模测量和重绘的方式来提取三维模型的外轮廓形状的效率低下。
发明内容
本申请实施例的目的在于提供一种轮廓形状提取方法、装置、电子设备及存储介质,用于改善提取三维模型的外轮廓形状的效率低下的问题。
本申请实施例提供了一种轮廓形状提取方法,包括:获取目标对象的三维模型,并提取出三维模型的所有立面;将三维模型的所有立面投影至二维平面上,获得多个投影线段;根据多个投影线段的延长线对二维平面进行分割,获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点;根据多个候选线段的围成区域或者相交顶点,从多个候选线段筛选出目标对象在二维平面上的轮廓线段;根据二维平面上的轮廓线段构建目标对象的轮廓形状。在上述方案的实现过程中,通过将三维模型的所有立面投影至二维平面上,获得多个投影线段,并根据多个投影线段的延长线对二维平面进行分割,获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点,然后,根据多个候选线段的围成区域或者相交顶点,从多个候选线段筛选出的轮廓线段来构成目标对象的轮廓形状,有效地避免了通过纯手工建模的测量和重绘的方式来提取三维模型的外轮廓形状,从而提高了取三维模型的外轮廓形状的效率。
可选地,在本申请实施例中,从多个候选线段筛选出目标对象在二维平面上的轮廓线段,包括:针对多个候选线段中的每个候选线段,根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,获得总置信分数;针对多个候选线段中的每两个候选线段,根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,获得总惩罚分数;根据总置信分数和总惩罚分数确定该候选线段是目标对象在二维平面上的轮廓线段。在上述方案的实现过程中,通过计算出总置信分数和总惩罚分数,并根据总置信分数和总惩罚分数确定该候选线段是目标对象在二维平面上的轮廓线段,从而避免了通过纯手工建模的测量和重绘的方式来提取三维模型的外轮廓形状,从而提高了取三维模型的外轮廓形状的效率。
可选地,在本申请实施例中,根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,包括:计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值,并计算出该候选线段与该候选线段对应的投影线段之间的重合比率;对概率差值和重合比率进行计算,获得置信分数。在上述方案的实现过程中,通过对概率差值和重合比率进行计算,获得置信分数,并根据总置信分数和总惩罚分数确定该候选线段是目标对象在二维平面上的轮廓线段,从而避免了通过纯手工建模的测量和重绘的方式来提取三维模型的外轮廓形状,从而提高了取三维模型的外轮廓形状的效率。
可选地,在本申请实施例中,计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值,包括:针对两个围成区域中的第一围成区域中的每个像素点,计算出该像素点在三维模型对应三角网格中的相对高度,以及该像素点在三维模型对应的预设距离之内的平整程度,并根据相对高度和平整程度计算出第一围成区域在目标对象的轮廓形状内部的第一概率值;针对两个围成区域中的第二围成区域中的每个像素点,计算出该像素点在三维模型对应三角网格中的相对高度,以及该像素点在三维模型对应的预设距离之内的平整程度,并根据相对高度和平整程度计算出第二围成区域在目标对象的轮廓形状内部的第二概率值;根据第一概率值和第二概率值计算出概率差值。
可选地,在本申请实施例中,计算出该候选线段与该候选线段对应的投影线段之间的重合比率,包括:计算出该候选线段与该候选线段对应的投影线段之间的重合长度;对重合长度和该候选线段的线段长度进行计算,获得重合比率。
可选地,在本申请实施例中,根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,包括:判断两个候选线段中的第一候选线段和第二候选线段是否满足预设条件,预设条件包括:第一候选线段和第二候选线段之间的夹角小于预设阈值,且第一候选线段的中点到第二候选线段对应直线的投影距离小于预设距离;若否,则确定两个候选线段的交点是角顶点,并计算出两个候选线段对应角顶点的惩罚分数。在上述方案的实现过程中,通过计算出所有候选线段对应角顶点的总惩罚分数,并根据总置信分数和总惩罚分数确定该候选线段是目标对象在二维平面上的轮廓线段,从而避免了通过纯手工建模的测量和重绘的方式来提取三维模型的外轮廓形状,从而提高了取三维模型的外轮廓形状的效率。
可选地,在本申请实施例中,获取目标对象的三维模型,包括:获取目标对象的点云数据;对点云数据进行建模,获得目标对象的三维模型。在上述方案的实现过程中,通过获取目标对象的点云数据;对点云数据进行建模,获得目标对象的三维模型,从而增加了该轮廓形状提取方法的适用范围,可以对更多的点云数据(例如车载活机载激光雷达等获得的点云数据)进行处理并提取出三维模型的轮廓形状,从而提高了取三维模型的外轮廓形状的准确率。
本申请实施例还提供了一种轮廓形状提取装置,包括:三维立面提取模块,用于获取目标对象的三维模型,并提取出三维模型的所有立面;投影线段获得模块,用于将三维模型的所有立面投影至二维平面上,获得多个投影线段;二维平面分割模块,用于根据多个投影线段的延长线对二维平面进行分割,获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点;轮廓线段筛选模块,用于根据多个候选线段的围成区域或者相交顶点,从多个候选线段筛选出目标对象在二维平面上的轮廓线段;轮廓形状构建模块,用于根据二维平面上的轮廓线段构建目标对象的轮廓形状。
可选地,在本申请实施例中,轮廓线段筛选模块,包括:置信分数获得子模块,用于针对多个候选线段中的每个候选线段,根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,获得总置信分数;惩罚分数获得子模块,用于针对多个候选线段中的每两个候选线段,根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,获得总惩罚分数;轮廓线段确定子模块,用于根据总置信分数和总惩罚分数确定该候选线段是目标对象在二维平面上的轮廓线段。
可选地,在本申请实施例中,置信分数获得子模块,包括:差值比率计算单元,用于计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值,并计算出该候选线段与该候选线段对应的投影线段之间的重合比率;置信分数获得单元,用于对概率差值和重合比率进行计算,获得置信分数。
可选地,在本申请实施例中,差值比率计算单元,包括:第一概率计算子单元,用于针对两个围成区域中的第一围成区域中的每个像素点,计算出该像素点在三维模型对应三角网格中的相对高度,以及该像素点在三维模型对应的预设距离之内的平整程度,并根据相对高度和平整程度计算出第一围成区域在目标对象的轮廓形状内部的第一概率值;第二概率计算子单元,用于针对两个围成区域中的第二围成区域中的每个像素点,计算出该像素点在三维模型对应三角网格中的相对高度,以及该像素点在三维模型对应的预设距离之内的平整程度,并根据相对高度和平整程度计算出第二围成区域在目标对象的轮廓形状内部的第二概率值;概率差值计算子单元,用于根据第一概率值和第二概率值计算出概率差值。
可选地,在本申请实施例中,差值比率计算单元,包括:重合长度计算子单元,用于计算出该候选线段与该候选线段对应的投影线段之间的重合长度;重合比率获得子单元,用于对重合长度和该候选线段的线段长度进行计算,获得重合比率。
可选地,在本申请实施例中,惩罚分数获得子模块,包括:候选线段判断单元,用于判断两个候选线段中的第一候选线段和第二候选线段是否满足预设条件,预设条件包括:第一候选线段和第二候选线段之间的夹角小于预设阈值,且第一候选线段的中点到第二候选线段对应直线的投影距离小于预设距离;惩罚分数计算单元,用于若两个候选线段中的第一候选线段和第二候选线段不满足预设条件,则确定两个候选线段的交点是角顶点,并计算出两个候选线段对应角顶点的惩罚分数。
可选地,在本申请实施例中,三维立面提取模块,包括:点云数据获取子模块,用于获取目标对象的点云数据;三维模型获得子模块,用于对点云数据进行建模,获得目标对象的三维模型。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
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实施例中的某些实施例,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示出的本申请实施例提供的轮廓形状提取方法的流程示意图;
图2示出的本申请实施例提供的提取出三维模型的所有立面的示意图;
图3示出的本申请实施例提供的立面投影和分割二维平面的示意图;
图4示出的本申请实施例提供的共线边进行简化融合的示意图;
图5示出的本申请实施例提供的轮廓形状提取装置的结构示意图;
图6示出的本申请实施例提供的电子设备的结构示意图。
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实施例中的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请实施例的详细描述并非旨在限制要求保护的本申请实施例的范围,而是仅仅表示本申请实施例中的选定实施例。基于本申请实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请实施例保护的范围。
可以理解的是,本申请实施例中的“第一”、“第二”用于区别类似的对象。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在介绍本申请实施例提供的轮廓形状提取方法之前,先介绍本申请实施例中所涉及的一些概念:
数字孪生(Digital Twin),又被称为数字映射、数字分身或数位双生等,指在信息化平台内模拟物理实体、流程或者***,类似实体***在信息化平台中的双胞胎。自动化、大规模地建立真实城市场景到虚拟数字模型的映射,同时该数字模型需要满足轻量化、矢量化、高精度、可编辑等特点,以满足后续应用的需求,例如地图、导航、城市规划、虚拟现实(Virtual Reality,VR)和增强现实(Augmented Reality,AR)等。
狄洛尼(Delaunay)三角网是一系列相连的且不重叠的三角形的集合,而且这些三角形的外接圆不包含这个面域的其他任何点。Delaunay三角网的优点是结构良好,数据结构简单,数据冗余度小,存储效率高,Delaunay三角网与不规则的地面特征和谐一致,可以表示线性特征和叠加任意形状的区域边界,可适应各种分布密度的数据等。
区域生长(region growing)是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始,从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。区域生长算法的基本思想是将有相以性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点,然后将种子点周固领域的像素点和种子点进行对比,将具有相似性质的点合并起来继续向外生长,直到没有满足条件的像素被包括进来为止,从而获得完成生长的区域。
需要说明的是,本申请实施例提供的轮廓形状提取方法可以被电子设备执行,这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器,设备终端例如:智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备,服务器例如:x86服务器以及非x86服务器,非x86服务器包括:大型机、小型机和UNIX服务器。
下面介绍该轮廓形状提取方法适用的应用场景,这里的应用场景包括但不限于:数字孪生、三维模型处理、虚拟现实(VR)和增强现实(AR)等应用场景中,具体例如:使用该轮廓形状提取方法提取出建筑三维模型的外轮廓形状等等,其中,建筑三维模型包括但不限于:住宅、商业中心、园区、工厂等。可以使用该轮廓形状提取方法提取出楼盘外轮廓形状,避免了通过纯手工建模的测量和重绘的方式来提取三维模型的外轮廓形状,从而提高了取三维模型的外轮廓形状的效率。
请参见图1示出的本申请实施例提供的轮廓形状提取方法的流程示意图;本申请实施例提供了一种轮廓形状提取方法,包括:
步骤S110:获取目标对象的三维模型,并提取出三维模型的所有立面。
请参见图2示出的本申请实施例提供的提取出三维模型的所有立面的示意图;由于三维模型(例如建筑物模型)的外轮廓形状是可以看作外表面的各个立面在二维平面(例如地面或xy平面)投影,因此,本申请实施例在获取三维模型之后,首先需要提取出三维模型的所有立面。图2的左侧图像是三维模型,该三维模型可以是由大量的狄洛尼(Delaunay)三角网构成的,图2的右侧图像是由该三维模型提取出来的立面(可以理解为竖立方向的面)。三维模型,是指物体的三维多边形表示(例如大量的狄洛尼(Delaunay)三角网构成的立体形状),通常用电脑或者其它影片设备进行显示,可以是建筑物模型、玩具建筑模型和有立面的物体模型等等。为了便于理解和说明,本申请实施例以建筑物模型的三维模型为例进行详细地说明。
作为上述步骤S110中的获取目标对象的三维模型的一种可选实施方式,该实施方式可以包括:获取目标对象的点云数据(例如车载活机载激光雷达等获得的点云数据),使用多视几何算法对点云数据进行建模,获得目标对象的三维模型。在目标对象的三维模型之后,还可以采用区域增长算法提取出三维模型的多个特征平面,并判断多个特征平面中的每个特征平面是否满足预设条件,若是,则将该特征平面确定为该三维模型的立面,若否,则继续判断多个特征平面中的下一个特征平面。其中,预设条件包括:该特征平面的法向量与竖直方向向量之间的夹角大于预设角度(例如85度等),且该特征平面的(最高点与最低点的)相对高度大于预设高度(例如5米等),且该特征平面的最低点与地面之间的距离不超过预设距离(例如2米等)。
步骤S120:将三维模型的所有立面投影至二维平面上,获得多个投影线段。
请参见图3示出的本申请实施例提供的立面投影和分割二维平面的示意图;上述步骤S120的实施方式例如:由于三维模型(例如建筑物模型)的外轮廓形状是可以看作外表面的各个立面在二维平面(例如地面或xy平面)投影,因此,可以在获取三维模型之后,将三维模型的所有立面投影至二维平面(例如地面或xy平面)上,即可获得二维平面(例如地面或xy平面)上的多个投影线段。然后,还可以将近似共线的投影线段进行共线融合,获得共线融合后的投影线段(见图3右下角的子图),具体例如:判断多个投影线段中的第一投影线段和第二投影线段是否满足预设条件,若第一投影线段和第二投影线段满足预设条件,则确定第一投影线段和第二投影线段是共线的,并删除第一投影线段和第二投影线段中线段长度较短的投影线段。其中,预设条件包括:第一投影线段和第二投影线段之间的夹角小于预设角度(例如5度),且第一投影线段的中点到第二投影线段的投影距离小于预设距离(例如小于0.3米)。
步骤S130:根据多个投影线段的延长线对二维平面进行分割,获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点。
上述步骤S130的实施方式例如:在获得共线融合后的投影线段(见图3右下角的子图)之后,还可以采用动态平面分割算法来延长共线融合后的投影线段,获得多个投影线段的延长线,并根据多个投影线段的延长线对二维平面进行分割(见图3左下角的子图),获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点,也就是说,投影线段的延长线将二维平面划分为很多点(例如相交顶点)、线(例如候选线段)和面(即围成区域)的集合。其中,此处的相交顶点是指投影线段与投影线段、投影线段与投影线段的延长线、投影线段的延长线与投影线段的延长线之间的交点或者顶点(即角点),此处的候选线段是指投影线段和/或投影线段的延长线中的任一线段(见图3左下角的子图)。
步骤S140:根据多个候选线段的围成区域或者相交顶点,从多个候选线段筛选出目标对象在二维平面上的轮廓线段。
在获得很多点(例如相交顶点)、线(例如候选线段)和面(即围成区域)的集合之后,能够确保组成三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的各个点和轮廓线段是上述点(例如相交顶点)和线(例如候选线段)的子集。因此,在获得分割后的多个候选线段之后,只需要从多个候选线段中找出组成三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的外轮廓形状的轮廓线段即可。由于步骤S140的实施方式比较复杂,因此,将在下面详细地说明步骤S140的实施方式。
步骤S150:根据二维平面上的轮廓线段构建目标对象的轮廓形状。
在上述方案的实现过程中,通过将三维模型的所有立面投影至二维平面上,获得多个投影线段,并根据多个投影线段的延长线对二维平面进行分割,获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点,然后,根据多个候选线段的围成区域或者相交顶点,从多个候选线段筛选出的轮廓线段来构成目标对象的轮廓形状,有效地避免了通过纯手工建模的测量和重绘的方式来提取三维模型的外轮廓形状,从而提高了取三维模型的外轮廓形状的效率。
作为步骤S140的一种可选实施方式,假设表示三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的所有轮廓线段集合,x i来表示多个候选线段中的第i个候选线段,其具体值代表该候选线段是否是组成三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的轮廓线段,若x i=1,则表示该候选线段是组成三维模型的外轮廓形状的轮廓线段;同理地,若x i=0,则表示该候选线段不是组成三维模型的外轮廓形状的轮廓线段。进一步地,表示多个候选线段的集合,并使用U(X)来表示该三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的轮廓线段集合。在从多个候选线段筛选出目标对象在二维平面上的轮廓线段时,可以根据总置信分数和总惩罚分数来筛选,该实施方式可以包括:
步骤S141:针对多个候选线段中的每个候选线段,根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,获得总置信分数。
上述步骤S141的实施方式例如:针对多个候选线段中的每个候选线段,使用公式对该候选线段相邻的两个围成区域和该候选线段对应的投影线段进行计算,从而计算出该候选线段的置信分数。其中,表示候选线段的总置信分数,该总置信分数可以衡量出候选线段对应外轮廓形状与由狄洛尼(Delaunay)三角网格构成的三维模型的形状之间的误差相关性,误差相关性越高说明该置信分数越小,此处的三角网格包括但不限于无人机倾斜摄影得到的稠密三角网格,表示该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值,表示该候选线段与该候选线段对应的投影线段之间的重合比率(即重合度),是用于平衡该概率差值与该重合比率(即重合度)之间的参数值,可以根据具体情况设置(例如设置为0.3)。可以理解的是,针对多个候选线段中的每个候选线段都进行上述计算,从而获得总置信分数。
步骤S142:针对多个候选线段中的每两个候选线段,根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,获得总惩罚分数。
上述步骤S142的实施方式例如:假设使用v i 来表示多个候选线段中的第i对候选线段的角顶点(非相交顶点),那么针对多个候选线段中的每两个候选线段,可以使用公式根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,然后根据每两个候选线段对应角顶点的惩罚分数计算出总惩罚分数。其中, 表示总惩罚分数,该总惩罚分数可以理解为多边形复杂度,即该多边形的边数(或顶点数)越多,那么该多边型的计算复杂度就越高,表示多个候选线段中的第i对候选线段的角顶点(非相交顶点),表示该两个候选线段对应角顶点的惩罚分数,V表示多个候选线段的角顶点集合(或者角顶点数量)。
步骤S143:根据总置信分数和总惩罚分数确定该候选线段是目标对象在二维平面上的轮廓线段。
上述步骤S143的实施方式例如:假设X i来表示该候选线段是否是组成三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的轮廓线段,使用公式来计算出目标对象在二维平面上的所有轮廓线段。其中,表示该三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的轮廓线段集合,表示候选线段的总置信分数(fidelity或confidence),该总置信分数可以衡量出候选线段对应外轮廓形状与由狄洛尼(Delaunay)三角网构成的三维模型的形状之间的误差相关性,误差相关性越高说明该置信分数越小,表示总惩罚分数,该总惩罚分数可以理解为多边形复杂度,即该多边形的边数(或顶点数)越多,那么该多边型的计算复杂度就越高, 表示平衡总置信分数与总惩罚分数之间的参数值,可以根据具体情况设置(例如设置为0.3)。
作为步骤S141的一种可选实施方式,在计算总置信分数时,可以根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,该实施方式可以包括:
步骤S141a:计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值。
作为步骤S141a实施方式可以包括:在具体实施过程中,可以使用公式计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值。其中, 表示该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值, 和分别代表多个候选线段中的第i个候选线段相邻的两个围成区域(例如第一围成区域和第二围成区域),和分别代表多个候选线段中的第i个候选线段的两个围成区域(例如第一围成区域和第二围成区域)在目标对象的轮廓形状内部的概率(即该围成区域属于目标对象的轮廓形状内部的概率)。若第一围成区域在目标对象的轮廓形状内部的概率与第二围成区域在目标对象的轮廓形状内部的概率之间的概率差值大于预设阈值,那么说明该候选线段(即第一围成区域和第二围成区域相交的候选线段)是外轮廓形状(例如多边形)的所有轮廓线段集合之一。
可以理解的是具体实施过程中,在计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值时,可以根据相对高度和平整程度来计算概率差值,该实施方式具体可以包括:针对两个围成区域中的第一围成区域中的每个像素点,使用公式计算出该像素点在三维模型对应三角网格中的相对高度,其中,sa表示相对高度,za表示该像素点的当前高度,zmin表示该像素点在三维模型对应三角网格的最低点,zmax表示该像素点在三维模型对应三角网格的最高点;以及,使用公式计算出该像素点在三维模型对应的预设距离之内的平整程度,其中,r a可以表示平整程度,λ 1、λ 2和λ 3分别表示该像素点在预设范围内的所有点坐标组成的协方差矩阵的特征值(也可以采用该像素点对应三角网格所有紧密相连接的所有点坐标组成的协方差矩阵的特征值);然后,根据公式对相对高度和平整程度进行计算,从而计算出第一围成区域在目标对象的轮廓形状内部的第一概率值。其中,代表多个候选线段中的第i个候选线段的围成区域,表示该像素点是否被某个三角网格在二维平面(即x-y平面)的投影所覆盖,sa表示相对高度,r a表示平整程度。
同理地,针对两个围成区域中的第二围成区域中的每个像素点,使用公式计算出该像素点在三维模型对应三角网格中的相对高度,其中,sa表示相对高度,za表示该像素点的当前高度,zmin表示该像素点在三维模型对应三角网格的最低点,zmax表示该像素点在三维模型对应三角网格的最高点;以及,使用公式计算出该像素点在三维模型对应的预设距离之内的平整程度,其中,r a可以表示平整程度,λ 1、λ 2和λ 3分别表示该像素点在预设范围内的所有点坐标组成的协方差矩阵的特征值(也可以采用该像素点对应三角网格所有紧密相连接的所有点坐标组成的协方差矩阵的特征值);然后,根据公式对相对高度和平整程度进行计算,从而计算出第二围成区域在目标对象的轮廓形状内部的第二概率值。其中, 代表多个候选线段中的第i个候选线段的围成区域,表示该像素点是否被某个三角网格在二维平面(即x-y平面)的投影所覆盖,sa表示相对高度,r a表示平整程度。
最后,使用公式对第一概率值和第二概率值进行计算,从而计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值。其中, 表示该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值, 和分别代表多个候选线段中的第i个候选线段相邻的两个围成区域(例如第一围成区域和第二围成区域),和分别代表多个候选线段中的第i个候选线段的两个围成区域(例如第一围成区域和第二围成区域)在目标对象的轮廓形状内部的概率(即该围成区域属于目标对象的轮廓形状内部的概率)。
步骤S141b:计算出该候选线段与该候选线段对应的投影线段之间的重合比率。
作为步骤S141b的一种可选实施方式,计算出该候选线段与该候选线段对应的投影线段之间的重合比率,包括:计算出该候选线段与该候选线段对应的投影线段之间的重合长度。然后,使用公式对重合长度和该候选线段的线段长度进行计算,获得重合比率。其中, 表示该候选线段与该候选线段对应的投影线段之间的重合比率(即重合度),表示多个候选线段中的第i个候选线段与该候选线段对应的投影线段之间的重合长度, 表示多个候选线段中的第i个候选线段的长度值,x i表示多个候选线段中的第i个候选线段,其具体值代表该候选线段是否是组成三维模型(例如建筑三维模型)的外轮廓形状(例如多边形)的轮廓线段。
步骤S141c:对概率差值和重合比率进行计算,获得该候选线段的置信分数。
上述步骤S141c的实施方式例如:针对多个候选线段中的每个候选线段,都使用公式对概率差值和重合比率进行计算,获得总置信分数。其中,表示候选线段的总置信分数,该总置信分数可以衡量出候选线段对应外轮廓形状与由狄洛尼(Delaunay)三角网构成的三维模型的形状之间的误差相关性,误差相关性越高说明该置信分数越小, 表示该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值, 表示该候选线段与该候选线段对应的投影线段之间的重合比率(即重合度),是用于平衡该概率差值与该重合比率(即重合度)之间的参数值,可以根据具体情况设置(例如设置为0.3)。
作为步骤S142的一种可选实施方式,在计算总惩罚分数时,可以根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,该实施方式可以包括:
步骤S142a:判断两个候选线段中的第一候选线段和第二候选线段是否满足预设条件,预设条件包括:第一候选线段和第二候选线段之间的夹角小于预设阈值,且第一候选线段的中点到第二候选线段对应直线的投影距离小于预设距离。
可以理解的是,上述的预设阈值可以根据具体情况设置,例如将预设阈值设置为5度或10度等等,同理地,上述的预设距离也可以根据具体情况设置,例如将预设距离设置为0.3米或0.4米等等。
步骤S142b:若两个候选线段中的第一候选线段和第二候选线段不满足预设条件,则确定两个候选线段的交点是角顶点,并计算出两个候选线段对应角顶点的惩罚分数。
可以理解的是,针对多个候选线段中的每两个候选线段,都按照步骤S142a和步骤S142b计算每两个候选线段对应角顶点的惩罚分数,并使用公式根据多个候选线段中的每两个候选线段对应角顶点的惩罚分数,然后根据每两个候选线段对应角顶点的惩罚分数计算出总惩罚分数。其中,表示总惩罚分数,该总惩罚分数可以理解为多边形复杂度,即该多边形的边数(或顶点数)越多,那么该多边型的计算复杂度就越高, 表示多个候选线段中的第i对候选线段的角顶点(非相交顶点),表示该两个候选线段对应角顶点的惩罚分数,V表示多个候选线段的角顶点集合(或者角顶点数量)。
请参见图4示出的本申请实施例提供的共线边进行简化融合的示意图;上述步骤S150的实施方式例如:为了得到一系列不自相交且闭合的外轮廓形状(例如闭合多边形),且保证每个多边形之间互不相交,还可以加入约束项: ;其中,E v表示与每个点的候选线段的集合,该约束项能够保证每个点有且只有2个或者0个相邻的候选线段作为最终外轮廓形状的其中一部分,从而保证了每个三维模型(例如建筑物模型)的外轮廓形状的多边形满足二维重叠(2d-manifold)和不自相交等性质。
在具体的计算过程中,可以将总置信分数(和/或总惩罚分数)的计算作为目标函数,将约束项作为强制约束,利用Gurobi或者Scip等开源科学计算软件来进行计算,从而获得当总置信分数(和/或总惩罚分数)最小值时,满足约束方程的具体值,使用所有=1对应的候选线段作为二维平面上的轮廓线段来构建目标对象(例如建筑物)的外轮廓多边形(即图4中的简化融合前的轮廓形状)。最后,还可以将外轮廓多边形中的所有相邻的共线边进行简化融合,获得简化融合后的轮廓形状(见图4中的简化融合后的轮廓形状)。使用上述的轮廓形状提取方法可以鲁棒地对各个场景中的各个类别的建筑物的外轮廓形状进行提取,从而增加了提取三维模型的轮廓形状的鲁棒性。
请参见图5示出的本申请实施例提供的轮廓形状提取装置的结构示意图;本申请实施例提供了一种轮廓形状提取装置200,包括:
三维立面提取模块210,用于获取目标对象的三维模型,并提取出三维模型的所有立面。
投影线段获得模块220,用于将三维模型的所有立面投影至二维平面上,获得多个投影线段。
二维平面分割模块230,用于根据多个投影线段的延长线对二维平面进行分割,获得分割后的多个候选线段,以及多个候选线段的围成区域或者相交顶点。
轮廓线段筛选模块240,用于根据多个候选线段的围成区域或者相交顶点,从多个候选线段筛选出目标对象在二维平面上的轮廓线段。
轮廓形状构建模块250,用于根据二维平面上的轮廓线段构建目标对象的轮廓形状。
可选地,在本申请实施例中,轮廓线段筛选模块,包括:
置信分数获得子模块,用于针对多个候选线段中的每个候选线段,根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,获得总置信分数。
惩罚分数获得子模块,用于针对多个候选线段中的每两个候选线段,根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,获得总惩罚分数。
轮廓线段确定子模块,用于根据总置信分数和总惩罚分数确定该候选线段是目标对象在二维平面上的轮廓线段。
可选地,在本申请实施例中,置信分数获得子模块,包括:
差值比率计算单元,用于计算出该候选线段相邻的两个围成区域在目标对象的轮廓形状内部的概率差值,并计算出该候选线段与该候选线段对应的投影线段之间的重合比率。
置信分数获得单元,用于对概率差值和重合比率进行计算,获得置信分数。
可选地,在本申请实施例中,差值比率计算单元,包括:
第一概率计算子单元,用于针对两个围成区域中的第一围成区域中的每个像素点,计算出该像素点在三维模型对应三角网格中的相对高度,以及该像素点在三维模型对应的预设距离之内的平整程度,并根据相对高度和平整程度计算出第一围成区域在目标对象的轮廓形状内部的第一概率值。
第二概率计算子单元,用于针对两个围成区域中的第二围成区域中的每个像素点,计算出该像素点在三维模型对应三角网格中的相对高度,以及该像素点在三维模型对应的预设距离之内的平整程度,并根据相对高度和平整程度计算出第二围成区域在目标对象的轮廓形状内部的第二概率值。
概率差值计算子单元,用于根据第一概率值和第二概率值计算出概率差值。
可选地,在本申请实施例中,差值比率计算单元,包括:
重合长度计算子单元,用于计算出该候选线段与该候选线段对应的投影线段之间的重合长度。
重合比率获得子单元,用于对重合长度和该候选线段的线段长度进行计算,获得重合比率。
可选地,在本申请实施例中,惩罚分数获得子模块,包括:
候选线段判断单元,用于判断两个候选线段中的第一候选线段和第二候选线段是否满足预设条件,预设条件包括:第一候选线段和第二候选线段之间的夹角小于预设阈值,且第一候选线段的中点到第二候选线段对应直线的投影距离小于预设距离。
惩罚分数计算单元,用于若两个候选线段中的第一候选线段和第二候选线段不满足预设条件,则确定两个候选线段的交点是角顶点,并计算出两个候选线段对应角顶点的惩罚分数。
可选地,在本申请实施例中,三维立面提取模块,包括:
点云数据获取子模块,用于获取目标对象的点云数据。
三维模型获得子模块,用于对点云数据进行建模,获得目标对象的三维模型。
应理解的是,该装置与上述的轮廓形状提取方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作***(operating system,OS)中的软件功能模块。
请参见图6示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备300,包括:处理器310和存储器320,存储器320存储有处理器310可执行的机器可读指令,机器可读指令被处理器310执行时执行如上的方法。
本申请实施例还提供了一种计算机可读存储介质330,该计算机可读存储介质330上存储有计算机程序,该计算机程序被处理器310运行时执行如上的方法。
其中,计算机可读存储介质330可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Read-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例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,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和附图中所标注的发生顺序不同。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,这主要根据所涉及的功能而定。
另外,在本申请实施例中的各个实施例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。此外,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申请实施例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。
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。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例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实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (7)
1.一种轮廓形状提取方法,其特征在于,包括:
获取目标对象的三维模型,并提取出所述三维模型的所有立面;
将所述三维模型的所有立面投影至二维平面上,获得多个投影线段;
根据所述多个投影线段的延长线对所述二维平面进行分割,获得分割后的多个候选线段,以及所述多个候选线段的围成区域或者相交顶点;
根据所述多个候选线段的围成区域或者相交顶点,从所述多个候选线段筛选出所述目标对象在所述二维平面上的轮廓线段;
根据所述二维平面上的轮廓线段构建所述目标对象的轮廓形状;
其中,所述从所述多个候选线段筛选出所述目标对象在所述二维平面上的轮廓线段,包括:针对所述多个候选线段中的每个候选线段,根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,获得总置信分数;针对所述多个候选线段中的每两个候选线段,根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,获得总惩罚分数;根据所述总置信分数和所述总惩罚分数确定该候选线段是所述目标对象在所述二维平面上的轮廓线段;
所述根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,包括:计算出该候选线段相邻的两个围成区域在所述目标对象的轮廓形状内部的概率差值,并计算出该候选线段与该候选线段对应的投影线段之间的重合比率;对所述概率差值和所述重合比率进行计算,获得所述置信分数;
所述计算出该候选线段相邻的两个围成区域在所述目标对象的轮廓形状内部的概率差值,包括:针对所述两个围成区域中的第一围成区域中的每个像素点,计算出该像素点在所述三维模型对应三角网格中的相对高度,以及该像素点在所述三维模型对应的预设距离之内的平整程度,并根据所述相对高度和所述平整程度计算出所述第一围成区域在所述目标对象的轮廓形状内部的第一概率值;针对所述两个围成区域中的第二围成区域中的每个像素点,计算出该像素点在所述三维模型对应三角网格中的相对高度,以及该像素点在所述三维模型对应的所述预设距离之内的平整程度,并根据所述相对高度和所述平整程度计算出所述第二围成区域在所述目标对象的轮廓形状内部的第二概率值;根据所述第一概率值和所述第二概率值计算出所述概率差值。
2.根据权利要求1所述的方法,其特征在于,所述计算出该候选线段与该候选线段对应的投影线段之间的重合比率,包括:
计算出该候选线段与该候选线段对应的投影线段之间的重合长度;
对所述重合长度和该候选线段的线段长度进行计算,获得所述重合比率。
3.根据权利要求1所述的方法,其特征在于,所述根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,包括:
判断所述两个候选线段中的第一候选线段和第二候选线段是否满足预设条件,所述预设条件包括:所述第一候选线段和所述第二候选线段之间的夹角小于预设阈值,且所述第一候选线段的中点到所述第二候选线段对应直线的投影距离小于预设距离;
若否,则确定所述两个候选线段的交点是角顶点,并计算出所述两个候选线段对应角顶点的惩罚分数。
4.根据权利要求1-3任一所述的方法,其特征在于,所述获取目标对象的三维模型,包括:
获取目标对象的点云数据;
对所述点云数据进行建模,获得所述目标对象的三维模型。
5.一种轮廓形状提取装置,其特征在于,包括:
三维立面提取模块,用于获取目标对象的三维模型,并提取出所述三维模型的所有立面;
投影线段获得模块,用于将所述三维模型的所有立面投影至二维平面上,获得多个投影线段;
二维平面分割模块,用于根据所述多个投影线段的延长线对所述二维平面进行分割,获得分割后的多个候选线段,以及所述多个候选线段的围成区域或者相交顶点;
轮廓线段筛选模块,用于根据所述多个候选线段的围成区域或者相交顶点,从所述多个候选线段筛选出所述目标对象在所述二维平面上的轮廓线段;
轮廓形状构建模块,用于根据所述二维平面上的轮廓线段构建所述目标对象的轮廓形状;
其中,所述从所述多个候选线段筛选出所述目标对象在所述二维平面上的轮廓线段,包括:针对所述多个候选线段中的每个候选线段,根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,获得总置信分数;针对所述多个候选线段中的每两个候选线段,根据该两个候选线段之间的角顶点个数确定该两个候选线段对应角顶点的惩罚分数,获得总惩罚分数;根据所述总置信分数和所述总惩罚分数确定该候选线段是所述目标对象在所述二维平面上的轮廓线段;
所述根据该候选线段相邻的两个围成区域和该候选线段对应的投影线段计算出该候选线段的置信分数,包括:计算出该候选线段相邻的两个围成区域在所述目标对象的轮廓形状内部的概率差值,并计算出该候选线段与该候选线段对应的投影线段之间的重合比率;对所述概率差值和所述重合比率进行计算,获得所述置信分数;
所述计算出该候选线段相邻的两个围成区域在所述目标对象的轮廓形状内部的概率差值,包括:针对所述两个围成区域中的第一围成区域中的每个像素点,计算出该像素点在所述三维模型对应三角网格中的相对高度,以及该像素点在所述三维模型对应的预设距离之内的平整程度,并根据所述相对高度和所述平整程度计算出所述第一围成区域在所述目标对象的轮廓形状内部的第一概率值;针对所述两个围成区域中的第二围成区域中的每个像素点,计算出该像素点在所述三维模型对应三角网格中的相对高度,以及该像素点在所述三维模型对应的所述预设距离之内的平整程度,并根据所述相对高度和所述平整程度计算出所述第二围成区域在所述目标对象的轮廓形状内部的第二概率值;根据所述第一概率值和所述第二概率值计算出所述概率差值。
6.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求1至4任一所述的方法。
7.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894467.XA CN115082699B (zh) | 2022-07-28 | 2022-07-28 | 一种轮廓形状提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894467.XA CN115082699B (zh) | 2022-07-28 | 2022-07-28 | 一种轮廓形状提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082699A CN115082699A (zh) | 2022-09-20 |
CN115082699B true CN115082699B (zh) | 2022-11-04 |
Family
ID=83242394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210894467.XA Active CN115082699B (zh) | 2022-07-28 | 2022-07-28 | 一种轮廓形状提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082699B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385471B (zh) * | 2023-06-02 | 2023-09-01 | 中科微至科技股份有限公司 | 一种基于定向区域生长的激光轮廓线提取方法 |
CN117315288B (zh) * | 2023-11-28 | 2024-02-13 | 图兮数字科技(北京)有限公司 | 目标对象的轮廓确定方法、装置、电子设备及存储介质 |
CN117952990A (zh) * | 2024-01-29 | 2024-04-30 | 南京筑卫医学科技有限公司 | 一种基于主动轮廓模型的三维目标对象分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767382A (zh) * | 2017-09-26 | 2018-03-06 | 武汉市国土资源和规划信息中心 | 静态三维地图建筑物轮廓线的自动提取方法及*** |
CN109146990A (zh) * | 2018-08-08 | 2019-01-04 | 广州市城市规划勘测设计研究院 | 一种建筑轮廓的计算方法 |
CN110189339A (zh) * | 2019-06-03 | 2019-08-30 | 重庆大学 | 深度图辅助的主动轮廓抠图方法及*** |
CN114092663A (zh) * | 2022-01-21 | 2022-02-25 | 盈嘉互联(北京)科技有限公司 | 面向城市信息模型建筑三维重建方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416785B (zh) * | 2018-03-26 | 2020-08-11 | 北京进化者机器人科技有限公司 | 面向封闭空间的拓扑分割方法及装置 |
-
2022
- 2022-07-28 CN CN202210894467.XA patent/CN115082699B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767382A (zh) * | 2017-09-26 | 2018-03-06 | 武汉市国土资源和规划信息中心 | 静态三维地图建筑物轮廓线的自动提取方法及*** |
CN109146990A (zh) * | 2018-08-08 | 2019-01-04 | 广州市城市规划勘测设计研究院 | 一种建筑轮廓的计算方法 |
CN110189339A (zh) * | 2019-06-03 | 2019-08-30 | 重庆大学 | 深度图辅助的主动轮廓抠图方法及*** |
CN114092663A (zh) * | 2022-01-21 | 2022-02-25 | 盈嘉互联(北京)科技有限公司 | 面向城市信息模型建筑三维重建方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115082699A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082699B (zh) | 一种轮廓形状提取方法、装置、电子设备及存储介质 | |
US11094113B2 (en) | Systems and methods for modeling structures using point clouds derived from stereoscopic image pairs | |
US8699787B2 (en) | Method and system for generating a 3D model from images | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN112927370A (zh) | 三维建筑物模型构建方法、装置、电子设备及存储介质 | |
CN108225334B (zh) | 一种基于三维实景数据的定位方法及装置 | |
CN114494641B (zh) | 一种三维模型轻量化方法及装置 | |
CN113920275B (zh) | 三角网格构建方法、装置、电子设备及可读存储介质 | |
CN116416366A (zh) | 3d模型构建方法、装置和电子设备 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN113743155A (zh) | 一种构建物体的多细节层次模型的方法及计算机设备 | |
JP4619504B2 (ja) | 3次元デジタル地図作成装置 | |
CN115937439A (zh) | 城市建筑三维模型的构建方法、装置及电子设备 | |
CN113177974A (zh) | 一种点云配准方法、装置、电子设备及存储介质 | |
CN107449404B (zh) | Dlg数据采集方法及装置 | |
CN112686945A (zh) | 一种基于Web的三维地形表面积测量方法 | |
CN114092663B (zh) | 面向城市信息模型建筑三维重建方法、装置、设备及介质 | |
Frommholz et al. | Inlining 3d reconstruction, multi-source texture mapping and semantic analysis using oblique aerial imagery | |
CN115033972B (zh) | 一种建筑主体结构批量单体化方法、***及可读存储介质 | |
CN114758087B (zh) | 一种城市信息模型的构建方法及装置 | |
CN113989680B (zh) | 建筑三维场景自动构建方法及*** | |
CN117635875B (zh) | 一种三维重建方法、装置及终端 | |
Ramadhani | An Analysis of the Three-Dimensional Modelling Using LiDAR Data and Unmanned Aerial Vehicle (UAV)(Case Study: Institut Teknologi Sepuluh Nopember, Sukolilo Campus) | |
CN115861561B (zh) | 一种基于语义约束的等高线生成方法和装置 | |
CN116152389B (zh) | 一种用于纹理贴图的视角选择和纹理对齐方法及相关设备 |
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 |