CN116958454A - 基于图网络的建筑轮廓构建方法及模块 - Google Patents

基于图网络的建筑轮廓构建方法及模块 Download PDF

Info

Publication number
CN116958454A
CN116958454A CN202311221026.4A CN202311221026A CN116958454A CN 116958454 A CN116958454 A CN 116958454A CN 202311221026 A CN202311221026 A CN 202311221026A CN 116958454 A CN116958454 A CN 116958454A
Authority
CN
China
Prior art keywords
building
line segments
contour
graph
line segment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311221026.4A
Other languages
English (en)
Other versions
CN116958454B (zh
Inventor
朱旭平
何文武
宋彬
张宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Feidu Technology Co ltd
Original Assignee
Beijing Feidu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Feidu Technology Co ltd filed Critical Beijing Feidu Technology Co ltd
Priority to CN202311221026.4A priority Critical patent/CN116958454B/zh
Publication of CN116958454A publication Critical patent/CN116958454A/zh
Application granted granted Critical
Publication of CN116958454B publication Critical patent/CN116958454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/04—Architectural design, interior design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Computational Linguistics (AREA)
  • Structural Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Civil Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于图网络的建筑轮廓构建方法及模块。其中，基于图网络的建筑轮廓构建方法，包括：基于获取的图像数据得到单栋的建筑模型；对单栋建筑模型进行横截面切片，基于横截面切片得到设定的建筑轮廓图片；从所述建筑轮廓图片中识别分段点，从而将连续闭合的轮廓分割为线段；将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系；根据线段类型和线段之间的关系对线段进行拟合，从而得到拟合结果，根据线段和线段之间的关系调整拟合结果中线段端点位置，从而得到建筑轮廓。达到快速且自动化的绘制建筑轮廓的目的。

Description

基于图网络的建筑轮廓构建方法及模块
技术领域
本发明属于建筑三维重建技术领域，尤其是涉及一种基于图网络的建筑轮廓构建方法及模块。
背景技术
在现有的建模方式中，对建筑轮廓的绘制往往有两种方式：一种是人工通过绘图软件绘制，这种方式耗时非常长；另一种是对输入数据中直接得到的建筑噪声轮廓做直接的直角矫正，这种方式局限性较大。现有技术存在绘制建筑轮廓时间长和不自动的问题。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于图网络的建筑轮廓构建方法及模块，至少部分的解决现有技术中存在的绘制建筑轮廓时间长和不自动的问题。
第一方面，本公开实施例提供了一种基于图网络的建筑轮廓构建方法，包括：
基于获取的图像数据得到单栋的建筑模型；
对单栋建筑模型进行横截面切片，基于横截面切片得到设定的建筑轮廓图片；
从所述建筑轮廓图片中识别分段点，从而将连续闭合的轮廓分割为线段；
将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系；
根据线段类型和线段之间的关系对线段进行拟合，从而得到拟合结果，根据线段和线段之间的关系调整拟合结果中线段端点位置，从而得到建筑轮廓。
可选的，所述基于获取的图像数据得到单栋的建筑模型，包括：
对倾斜摄影的图像数据进行单体化。
可选的，所述基于横截面切片得到设定的建筑轮廓图片，包括：
使用评分神经网络对建筑轮廓图片进行评分，基于评分结果选择大于设定评分的建筑轮廓图片。
可选的，评分神经网络训练包括：
收集包含不同类型建筑的建筑横切轮廓；
对每张建筑横切轮廓切片进行分数的标注，对连续的无噪声的建筑轮廓标注为1，表示好的建筑轮廓；对有噪声的断开的、有噪声突起或凹陷的建筑轮廓标注为0-1中的一个一位小数，数值越高表示轮廓质量越好；对有噪声且断开的且有噪声突起或凹陷的建筑轮廓标注为0；
用建筑轮廓和对应的分数作为训练数据，训练建筑轮廓评分网络。
可选的，所述线段类型包括直线或曲线，所述线段之间的关系，包括垂直、相交或平行。
可选的，所述根据线段类型和线段之间的关系对线段进行拟合，包括：
如果是直线则连接线段端点，如果是曲线则取线段中点绘制弧线。
可选的，所述对单栋建筑模型进行横截面切片，包括对单栋建筑模型以0.1米间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片序列，该切片序列为建筑从上到下的轮廓图。
可选的，将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系中图神经网络的训练集，包括：
通过横平竖直的规则随机得到建筑轮廓，通过建筑轮廓生成随机高度的建筑，导出建筑模型；
使用建筑模型通过虚拟相机环绕得到不同角度的模型图片，使用模型图片和对应的虚拟相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型；
使用建筑模型和倾斜摄影三维重建建筑模型，对重建建筑模型分别进行建筑轮廓切片，得到横平竖直的建筑轮廓图和带有噪声的建筑轮廓图作为成对数据；
在横平竖直的轮廓图中已知每个关键点的位置和连接顺序，在有噪声的轮廓图中找曼哈顿距离最小的点标记为对应的关键点，并以同样的连接顺序作为边进行标记；同时，对直线标记为1，对曲线标记为0。
可选的，将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系中图神经网络的训练集，包括：
用关键点作为图的节点特征，对关键点的坐标进行归一化处理；线段作为图的边特征，线段长度和线段与水平方向夹角作为二维特征，对轮廓线段进行两部分内容的标注，即线段类型和线段间的关系，如果线段是曲线，则标注为0；如果线段是直线，则标注为0，如果线段间垂直，则标注为0；如果线段相交且夹角不为90°，则标注为1并附带夹角度数，如果线段平行，则标注为2。
第二方面，本公开实施例还提供了一种基于图网络的建筑轮廓构建装置，包括：模型模块，用于基于获取的图像数据得到单栋的建筑模型；
切片模块，用于对单栋建筑模型进行横截面切片，基于横截面切片得到设定的建筑轮廓图片；
识别模块，用于从所述建筑轮廓图片中识别分段点，从而将连续闭合的轮廓分割为线段；
关系模块，用于将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系；
拟合模块 ，用于根据线段类型和线段之间的关系对线段进行拟合，从而得到拟合结果，根据线段和线段之间的关系调整拟合结果中线段端点位置，从而得到建筑轮廓。
本发明提供的基于图网络的建筑轮廓构建方法及模块，其中该基于图网络的建筑轮廓构建方法，通过利用图神经网络的特点，将建筑轮廓图片构建为图结构，根据图特征更准确地得到线段类型和线段间的关系，从而达到快速且自动化的绘制建筑轮廓的目的。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
图1为本公开实施例提供的基于图网络的建筑轮廓构建方法的流程图；
图2为本公开实施例提供横平竖直的轮廓图；
图3为本公开实施例提供的带有噪声的轮廓图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
应当明确，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图示中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
如图1所示，本实施例公开了一种基于图网络的建筑轮廓构建方法，包括：
基于获取的图像数据得到单栋的建筑模型；
对单栋建筑模型进行横截面切片，基于横截面切片得到设定的建筑轮廓图片；
从所述建筑轮廓图片中识别分段点，从而将连续闭合的轮廓分割为线段；
将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系；
根据线段类型和线段之间的关系对线段进行拟合，从而得到拟合结果，根据线段和线段之间的关系调整拟合结果中线段端点位置，从而得到建筑轮廓。
可选的，所述基于获取的图像数据得到单栋的建筑模型，包括：
对倾斜摄影的图像数据进行单体化。
可选的，所述基于横截面切片得到设定的建筑轮廓图片，包括：
使用评分神经网络对建筑轮廓图片进行评分，基于评分结果选择大于设定评分的建筑轮廓图片。
可选的，评分神经网络训练包括：
收集包含不同类型建筑的建筑横切轮廓；
对每张建筑横切轮廓切片进行分数的标注，对连续的无噪声的建筑轮廓标注为1，表示好的建筑轮廓；对有噪声的断开的、有噪声突起或凹陷的建筑轮廓标注为0-1中的一个一位小数，数值越高表示轮廓质量越好；对有噪声且断开的且有噪声突起或凹陷的建筑轮廓标注为0；
用建筑轮廓和对应的分数作为训练数据，训练建筑轮廓评分网络。
可选的，所述线段类型包括直线或曲线，所述线段之间的关系，包括垂直、相交或平行。
可选的，所述根据线段类型和线段之间的关系对线段进行拟合，包括：
如果是直线则连接线段端点，如果是曲线则取线段中点绘制弧线。
可选的，所述对单栋建筑模型进行横截面切片，包括对单栋建筑模型以0.1米间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片序列，该切片序列为建筑从上到下的轮廓图。
可选的，将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系中图神经网络的训练集，包括：
通过横平竖直的规则随机得到建筑轮廓，通过建筑轮廓生成随机高度的建筑，导出建筑模型；
使用建筑模型通过虚拟相机环绕得到不同角度的模型图片，使用模型图片和对应的虚拟相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型；
使用建筑模型和倾斜摄影三维重建建筑模型，对重建建筑模型分别进行建筑轮廓切片，得到横平竖直的建筑轮廓图和带有噪声的建筑轮廓图作为成对数据；
在横平竖直的轮廓图中已知每个关键点的位置和连接顺序，在有噪声的轮廓图中找曼哈顿距离最小的点标记为对应的关键点，并以同样的连接顺序作为边进行标记；同时，对直线标记为1，对曲线标记为0。
可选的，将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系中图神经网络的训练集，包括：
用关键点作为图的节点特征，对关键点的坐标进行归一化处理；线段作为图的边特征，线段长度和线段与水平方向夹角作为二维特征，对轮廓线段进行两部分内容的标注，即线段类型和线段间的关系，如果线段是曲线，则标注为0；如果线段是直线，则标注为0，如果线段间垂直，则标注为0；如果线段相交且夹角不为90°，则标注为1并附带夹角度数，如果线段平行，则标注为2。
在一个具体的应用场景中，基于图网络的建筑轮廓构建方法包括以下步骤：
步骤1：对倾斜摄影的数据进行单体化，得到单栋的建筑模型。
对倾斜摄影的数据进行单体化。可以使用预训练好的点云实例化网络来完成单体化任务，如PiontRend网络。
步骤2：对单栋建筑模型进行横截面切片，并通过一个评分神经网络的方式得到其中较好的建筑轮廓。
对单栋建筑模型进行横截面切片，并通过评分神经网络的方式得到其中较好的建筑轮廓。对步骤1单体化后的单体建筑以0.1米间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片序列，该切片序列为建筑从上到下的png格式的轮廓图。
训练轮廓的评分网络，包括
准备训练集
收集大量的建筑横切轮廓，需要包含不同类型的建筑，如“口”字形、“凸”字形、“凹”字形、“L”形等；同时需要包含不同质量的建筑轮廓，如连续的和断开的、有噪声的和无噪声的、平滑的和有噪声突起或凹陷的等。对每张建筑轮廓切片进行分数的标注，对连续的无噪声的建筑轮廓标注为1，表示好的建筑轮廓；对有噪声的、或断开的、或有噪声突起或凹陷的建筑轮廓标注为0-1中的一个一位小数，数值越高表示轮廓质量越好；对有噪声且断开的且有噪声突起或凹陷的建筑轮廓标注为0，表示最差的建筑轮廓。
训练评分网络
对每个轮廓根据其连续性、突变性、完整性等方面计算一个分数，分数越高代表这个轮廓越是整个建筑中较好的轮廓。用一对建筑轮廓和对应的分数作为训练数据，训练一个建筑轮廓评分网络。
使用评分网络
利用训练好的网络对步骤2中的建筑轮廓切片进行评分，挑选出其中较好的建筑轮廓进行分段矫正；不好的建筑轮廓舍弃。
步骤3：从步骤2得到的建筑轮廓图片通过识别分类神经网络的方式得到分段点，将连续闭合的轮廓分割为线段。
步骤301：训练关键点识别神经网络对在轮廓图中得到关键点，分割轮廓为线段，包括：
步骤3011：准备训练集：
通过横平竖直的规则随机得到一些建筑轮廓，在CityEngine中通过这些建筑轮廓生成随机高度的建筑，导出CAD建筑模型。使用这些建筑模型通过OpenGL的库使用虚拟相机环绕得到不同角度的图片，并使用这些图片和对应的相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型。
使用CAD建筑模型和倾斜摄影三维重建建筑模型，成对的建筑模型分别进行建筑轮廓切片，如图2和图3所示，得到横平竖直的建筑轮廓图和带有噪声的建筑轮廓图作为成对数据。在横平竖直的轮廓图中我们已知每个关键点的位置和他们的连接顺序，在有噪声的轮廓图中我们找一个曼哈顿距离最小的点标记维对应的关键点，并以同样的连接顺序作为边进行标记。同时，对直线标记为1，对曲线标记为0。至此，训练数据集制作完成。
步骤3012：训练关键点识别网络
用步骤3011制作的训练数据集训练一个关键点识别网络，例如LCNN的前半部分，对每张建筑轮廓切片图识别关键点，以此将一条建筑轮廓分为不同线段。
步骤302：训练图神经网络，得到建筑轮廓线段类型及线段间关系，包括：
步骤3021：将轮廓线段构造为图结构数据集
用步骤301得到的关键点作为图的节点特征，对关键点的(x, y)坐标进行归一化处理（除以最大值）；线段作为图的边特征，线段长度和线段与水平方向夹角作为二维特征。对轮廓线段进行两部分内容的标注：线段类型和线段间的关系。如果线段是曲线，则标注为0；如果线段是直线，则标注为0。如果线段间垂直，则标注为0；如果线段相交且夹角不为90°，则标注为1并附带夹角度数；如果线段平行，则标注为2。
步骤3022：训练图神经网络输出线段类型和线段间关系：
将步骤3021构造的数据输入图神经网络，例如PointGNN，进行图神经网络特征提取，全连接层分为两部分：预测线段类型和预测线段间的关系。此处只预测相邻线段间的关系。
步骤4：将步骤3得到的线段和点构建为图结构，作为图神经网络的输入，输出为线段类型（直线/曲线）和线段之间的关系（垂直/相交/平行）。
步骤5：根据步骤4输出的结果对线段进行拟合，如果是直线则连接线段端点，如果是曲线则取线段中点绘制弧线；根据线段和线段之间的关系调整线段端点位置，得到最终输出结果。
当线段类型为直线时，直接连接线段两端点；当线段类型为弧线时，取线段重点画弧线。当线段间关系为垂直时，自动调整端点位置使两线段垂直；当线段关系为相交非垂直时，根据预测角度自动调整端点位置；当线段关系为平行时，合并两线段，连接一条线段的起点和另一条线段的终点。
本实施例还公开了一种基于图网络的建筑轮廓构建装置，包括：模型模块，用于基于获取的图像数据得到单栋的建筑模型；
切片模块，用于对单栋建筑模型进行横截面切片，基于横截面切片得到设定的建筑轮廓图片；
识别模块，用于从所述建筑轮廓图片中识别分段点，从而将连续闭合的轮廓分割为线段；
关系模块，用于将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系；
拟合模块 ，用于根据线段类型和线段之间的关系对线段进行拟合，从而得到拟合结果，根据线段和线段之间的关系调整拟合结果中线段端点位置，从而得到建筑轮廓。
本实施例公开电子设备包括存储器和处理器。该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。该非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。
该处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令，使得该电子设备执行前述的本公开各实施例的基于图网络的建筑轮廓构建方法全部或部分步骤。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的基于图网络的建筑轮廓构建方法的全部或部分步骤。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例的基于图网络的建筑轮廓构建方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质（例如：CD－ROM和DVD）、磁光存储介质（例如：MO）、磁存储介质（例如：磁带或移动硬盘）、具有内置的可重写非易失性存储器的媒体（例如：存储卡）和具有内置ROM的媒体（例如：ROM盒）。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
在本公开中，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，本公开中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC（即A和B和C）。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的***和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于图网络的建筑轮廓构建方法，其特征在于，包括：
基于获取的图像数据得到单栋的建筑模型；
对单栋建筑模型进行横截面切片，基于横截面切片得到设定的建筑轮廓图片；
从所述建筑轮廓图片中识别分段点，从而将连续闭合的轮廓分割为线段；
将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系；
根据线段类型和线段之间的关系对线段进行拟合，从而得到拟合结果，根据线段和线段之间的关系调整拟合结果中线段端点位置，从而得到建筑轮廓。
2.根据权利要求1所述的基于图网络的建筑轮廓构建方法，其特征在于，所述基于获取的图像数据得到单栋的建筑模型，包括：
对倾斜摄影的图像数据进行单体化。
3.根据权利要求1或2所述的基于图网络的建筑轮廓构建方法，其特征在于，所述基于横截面切片得到设定的建筑轮廓图片，包括：
使用评分神经网络对建筑轮廓图片进行评分，基于评分结果选择大于设定评分的建筑轮廓图片。
4.根据权利要求3所述的基于图网络的建筑轮廓构建方法，其特征在于，评分神经网络训练包括：
收集包含不同类型建筑的建筑横切轮廓；
对每张建筑横切轮廓切片进行分数的标注，对连续的无噪声的建筑轮廓标注为1，表示好的建筑轮廓；对有噪声的断开的、有噪声突起或凹陷的建筑轮廓标注为0-1中的一个一位小数，数值越高表示轮廓质量越好；对有噪声且断开的且有噪声突起或凹陷的建筑轮廓标注为0；
用建筑轮廓和对应的分数作为训练数据，训练建筑轮廓评分网络。
5.根据权利要求1或2所述的基于图网络的建筑轮廓构建方法，其特征在于，所述线段类型包括直线或曲线，所述线段之间的关系，包括垂直、相交或平行。
6.根据权利要求1或2所述的基于图网络的建筑轮廓构建方法，其特征在于，所述根据线段类型和线段之间的关系对线段进行拟合，包括：
如果是直线则连接线段端点，如果是曲线则取线段中点绘制弧线。
7.根据权利要求1或2所述的基于图网络的建筑轮廓构建方法，其特征在于，所述对单栋建筑模型进行横截面切片，包括对单栋建筑模型以0.1米间距进行横切，用一个平面与三维模型求交线，得到建筑的外轮廓切片序列，该切片序列为建筑从上到下的轮廓图。
8.根据权利要求1或2所述的基于图网络的建筑轮廓构建方法，其特征在于，将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系中图神经网络的训练集，包括：
通过横平竖直的规则随机得到建筑轮廓，通过建筑轮廓生成随机高度的建筑，导出建筑模型；
使用建筑模型通过虚拟相机环绕得到不同角度的模型图片，使用模型图片和对应的虚拟相机内参和外参进行三维重建，得到倾斜摄影三维重建建筑模型；
使用建筑模型和倾斜摄影三维重建建筑模型，对重建建筑模型分别进行建筑轮廓切片，得到横平竖直的建筑轮廓图和带有噪声的建筑轮廓图作为成对数据；
在横平竖直的轮廓图中已知每个关键点的位置和连接顺序，在有噪声的轮廓图中找曼哈顿距离最小的点标记为对应的关键点，并以同样的连接顺序作为边进行标记；同时，对直线标记为1，对曲线标记为0。
9.根据权利要求8所述的基于图网络的建筑轮廓构建方法，其特征在于，将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系中图神经网络的训练集，包括：
用关键点作为图的节点特征，对关键点的坐标进行归一化处理；线段作为图的边特征，线段长度和线段与水平方向夹角作为二维特征，对轮廓线段进行两部分内容的标注，即线段类型和线段间的关系，如果线段是曲线，则标注为0；如果线段是直线，则标注为0，如果线段间垂直，则标注为0；如果线段相交且夹角不为90°，则标注为1并附带夹角度数，如果线段平行，则标注为2。
10.一种基于图网络的建筑轮廓构建模型，其特征在于，包括：
模型模块，用于基于获取的图像数据得到单栋的建筑模型；
切片模块，用于对单栋建筑模型进行横截面切片，基于横截面切片得到设定的建筑轮廓图片；
识别模块，用于从所述建筑轮廓图片中识别分段点，从而将连续闭合的轮廓分割为线段；
关系模块，用于将所述分段点和线段构建为图结构，将图结构输入图神经网络，从而得到线段类型和线段之间的关系；
拟合模块 ，用于根据线段类型和线段之间的关系对线段进行拟合，从而得到拟合结果，根据线段和线段之间的关系调整拟合结果中线段端点位置，从而得到建筑轮廓。
CN202311221026.4A 2023-09-21 2023-09-21 基于图网络的建筑轮廓构建方法及装置 Active CN116958454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311221026.4A CN116958454B (zh) 2023-09-21 2023-09-21 基于图网络的建筑轮廓构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311221026.4A CN116958454B (zh) 2023-09-21 2023-09-21 基于图网络的建筑轮廓构建方法及装置

Publications (2)

Publication Number Publication Date
CN116958454A true CN116958454A (zh) 2023-10-27
CN116958454B CN116958454B (zh) 2023-12-12

Family

ID=88453261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311221026.4A Active CN116958454B (zh) 2023-09-21 2023-09-21 基于图网络的建筑轮廓构建方法及装置

Country Status (1)

Country Link
CN (1) CN116958454B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454495A (zh) * 2023-12-25 2024-01-26 北京飞渡科技股份有限公司 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030147553A1 (en) * 2002-02-07 2003-08-07 Liang-Chien Chen Semi-automatic reconstruction method of 3-D building models using building outline segments
CN111902825A (zh) * 2018-03-23 2020-11-06 多伦多大学管理委员会 多边形对象标注***和方法以及训练对象标注***的方法
CN113160177A (zh) * 2021-04-23 2021-07-23 杭州电子科技大学 一种基于超像素和图卷积网络的平面分割方法
CN114510772A (zh) * 2022-04-08 2022-05-17 北京飞渡科技有限公司 基于斜扫数据建筑面轮廓的快速生成方法
CN116628834A (zh) * 2023-07-26 2023-08-22 北京飞渡科技股份有限公司 一种基于神经网络的轮廓分段矫正方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030147553A1 (en) * 2002-02-07 2003-08-07 Liang-Chien Chen Semi-automatic reconstruction method of 3-D building models using building outline segments
CN111902825A (zh) * 2018-03-23 2020-11-06 多伦多大学管理委员会 多边形对象标注***和方法以及训练对象标注***的方法
CN113160177A (zh) * 2021-04-23 2021-07-23 杭州电子科技大学 一种基于超像素和图卷积网络的平面分割方法
CN114510772A (zh) * 2022-04-08 2022-05-17 北京飞渡科技有限公司 基于斜扫数据建筑面轮廓的快速生成方法
CN116628834A (zh) * 2023-07-26 2023-08-22 北京飞渡科技股份有限公司 一种基于神经网络的轮廓分段矫正方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454495A (zh) * 2023-12-25 2024-01-26 北京飞渡科技股份有限公司 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置
CN117454495B (zh) * 2023-12-25 2024-03-15 北京飞渡科技股份有限公司 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置

Also Published As

Publication number Publication date
CN116958454B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
US8711143B2 (en) System and method for interactive image-based modeling of curved surfaces using single-view and multi-view feature curves
WO2020108610A1 (zh) 图像处理方法、装置、计算机可读介质及电子设备
CN116958454B (zh) 基于图网络的建筑轮廓构建方法及装置
Liu et al. Strokeaggregator: Consolidating raw sketches into artist-intended curve drawings
CN110226806B (zh) 一种鞋底涂胶轨迹生成方法及装置
CN110060255A (zh) 利用逐像素分类器来对2d平面图进行语义分割
US20130297058A1 (en) Decomposition of 3d geometry into developable surface patches and 2d cut patterns
CN107578467B (zh) 一种医疗器械三维建模方法及装置
CN110688947A (zh) 一种同步实现人脸三维点云特征点定位和人脸分割的方法
Pound et al. A patch-based approach to 3D plant shoot phenotyping
CN113112600B (zh) 基于结构的室内场景三维建模方法
US8793108B2 (en) Three-dimensional model determination from two-dimensional sketch with two-dimensional refinement
CN113724401B (zh) 一种三维模型切割方法、装置、计算机设备和存储介质
CN116628834B (zh) 一种基于神经网络的轮廓分段矫正方法及装置
Buchanan et al. Automatic single-view character model reconstruction
Strodthoff et al. Automatic decomposition of 3D solids into contractible pieces using Reeb graphs
CN112084855B (zh) 一种基于改进ransac方法对视频流的外点剔除方法
US10282858B2 (en) Methods and systems for estimating three-dimensional information from two-dimensional concept drawings
US20220391548A1 (en) Filling a mesh hole
González et al. Simplification method for textured polygonal meshes based on structural appearance
Han et al. 3D human model reconstruction from sparse uncalibrated views
CN113378864A (zh) 一种锚框参数的确定方法、装置、设备及可读存储介质
KR101811135B1 (ko) 최적 정밀도 결정을 통한 모델 단순화 장치 및 방법
Wang et al. Segmentation-driven feature-preserving mesh denoising
JP6320806B2 (ja) 三次元モデル検索方法、及び三次元モデル検索システム

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