技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种实景三维建筑模型渐进式多层次细节单体化重建方法与流程  >  正文

一种实景三维建筑模型渐进式多层次细节单体化重建方法与流程

  • 国知局
  • 2025-01-10 13:46:16

本技术涉及倾斜模型单体化重建领域,尤其涉及一种实景三维建筑模型渐进式多层次细节单体化重建方法。

背景技术:

1、实景三维模型是指利用摄影测量、遥感、三维激光扫描、无人机测绘等现代测绘技术手段获取、生成的表达真实世界的三维模型。其中倾斜摄影模型是目前最为常见的实景三维模型,在城市级实景三维建设中扮演重要角色。然而倾斜摄影模型通常为连续的三角网结构(三角网是由一系列连续三角形构成的网状的平面控制图形),模型数据量大、数据更新困难、缺乏场景对象语义信息,无法对建筑物等地理实体进行对象化管理,限制了实景三维应用的进一步发展。

2、针对实景三维模型中建筑物单体化的问题,相关研究人员提出了基于矢量轮廓的切割单体化、三维渲染过程中叠加矢量数据的动态单体化技术,但此技术仅仅只是在原始倾斜模型的基础上进行单体化处理,未对倾斜模型复杂的三角网和离散的纹理进行轻量化重建,无法从根本上解决倾斜模型数据量大、表面凹凸不平、存在孔洞和悬浮物、三维空间分析应用困难等先天的局限性。

3、目前对于实景三维建筑模型的单体化重建,特别是优于lod1.3、lod2.0级建筑单体化建模主要以手工建模和半自动化为主,此技术方案重建效率低、成本高、易产生几何结构错误,难以满足大范围实景三维应用的要求。

4、此外,不同的实景三维应用在建筑模型单体化重建精度要求、模型渲染的最大承载量方面不尽相同,往往需要生产lod1.0、lod1.3、lod2.0等多层次细节的模型数据。目前在进行实景三维建筑模型多层级lod建模时,普遍采用分开独立构建或从高层级模型再向低层级模型逐级抽取的方式,极大的限制了多层级单体化建筑模型的生产效率。

技术实现思路

1、本发明的目的在于:为了解决现有的实景三维模型建筑单体化建模工艺存在手工单体化建模成本高、模型几何结构正确性难保证以及多层级lod模型构建效率低等问题,提供一种实景三维建筑模型渐进式多层次细节单体化重建方法。

2、本技术的上述目的是通过以下技术方案得以实现的:

3、s1:根据建筑的实景三维模型,结合基于randla-net和pointnet++相结合的深度学习模型,得到分类后点云数据;

4、s2:对点云数据进行网格划分,得到各个点云块;

5、使用仅保留地面分类的点云块,逐网格生成表达地形特征的dem数据;

6、使用保留建筑分类和地面分类的点云块,逐网格生成表达建筑高度特征的dsm栅格数据;

7、本行情

8、s3:根据像元高度值,将dsm栅格数据渲染成栅格化的立体模型并进行水平逐级切割,得到建筑多层轮廓面数据;对建筑多层轮廓面数据进行建筑轮廓面规则化处理,输出规则化处理后的建筑轮廓面;

9、s4:对建筑轮廓面进行空间合并运算,得到lod0级矢量要素模型;

10、s5:在lod0级矢量要素模型基础上,结合dsm栅格数据和dem数据,确定建筑的屋顶高度值和底部高度值;

11、s6:基于lod0级矢量要素模型的建筑轮廓面、屋顶高度值和底部高度值,进行模型网格体的生成,得到第二个层次细节的lod1.0级建筑白模;

12、s7:根据建筑多层轮廓面数据以及lod1.0级建筑白模,得到lod1.3体块白模;

13、s8:对lod1.3体块白模映射通用纹理,得到lod1.3级建筑体块模型;

14、s9:对dsm栅格数据进行网格划分以及平面拟合处理,确定屋顶顶盖结构;根据屋顶顶盖结构以及lod1.3体块白模,生成lod2.0级建筑白模;

15、s10:通过lod2.0级建筑白模,得到每一栋建筑的第一墙面贴图和第一屋顶贴图;

16、s11:对lod2.0级建筑白模映射第一屋顶贴图和第一墙面贴图,生成lod2.0级建筑标准模型,完成实景三维模型的渐进式多层次细节单体化重建。

17、本技术通过采用上述技术方案,区别于其他现有的一次重建只能进行一种精细度层级的模型输出的技术,本发明通过多层级建筑单体化重建模式的创新,实现了基于原始倾斜模型的一次单体化重建,渐进式输出lod0、lod1.0、lod1.3、lod2.0多层次细节的建筑单体模型,高层级模型构建可充分利用低层级模型的重建成果,节省单体化建模时间,减少建模成本。

18、本技术通过采用上述技术方案,现有的技术基于实景三维模型的重建一般直接基于倾斜模型mesh三角网进行切割重构,计算量巨大,且无法解决因mesh三角网空洞、悬浮物导致的重建结果几何结构异常。本发明采用先基于倾斜模型生成彩色点云,利用深度学习技术进行点云分类,然后利用只保留地面点和建筑点的点云生成dsm栅格数据再进行建筑重构,极大的提高了模型重建效率和针对异常倾斜数据重建的鲁棒性,对异常mesh数据的适应性更强。

19、步骤s1包括:

20、获取实景三维模型;

21、对实景三维模型进行间隔采样,生成三维彩色点云;

22、采用基于randla-net和pointnet++相结合的深度学习模型对三维彩色点云进行点云语义分割,获得分类后的点云数据;点云语义分割包括:建筑分割、地面分割以及植被分割。

23、本技术通过采用上述技术方案,采用randla-net作为点云语义分割主框架并融合pointnet++的点云采样算法以保证点云分类的效率、精度和对点云不同密度区域的适应性。

24、步骤s2包括:

25、根据预设大小尺寸,对点云数据进行网格划分,网格之间设置预设距离的重叠区域。

26、本技术通过采用上述技术方案,对点云数据进行网格划分,以避免因点云的数据量过大导致内存溢出的问题,降低对计算机硬件环境的要求。多网格的划分同时可进行并行计算,从而进一步提高后期建筑重建的效率。另外为解决网格边界接边区域建筑被分割,导致半个建筑出现的问题,在网格之间保持10米的重叠区域。

27、步骤s3包括:

28、所述对建筑多层轮廓面数据进行建筑轮廓面规则化处理,输出规则化处理后的建筑轮廓面的步骤包括:

29、s31:通过建筑多层轮廓面数据,构建建筑多边形;

30、通过建筑多边形,确定建筑主方向,具体步骤包括:对建筑多边形的每条边进行统计加权,得到候选方向;计算建筑的各条边相对于候选方向的角度偏差值和长度比例系数;根据角度偏差值和长度比例系数,确定贡献值;将贡献值最大的候选方向确定为建筑主方向;

31、s32:通过特征边筛选条件,对建筑多边形的特征边进行筛选和分组,具体包括:

32、设置边长阈值判定系数和,;

33、特征边筛选条件包括:特征边的边长大于、特征边的与建筑主方向垂直或平行且边长大于、或存在与特征边垂直的邻边且边长大于;

34、s33:对建筑多边形的边界进行直角化处理,具体步骤包括:对建筑多边形两个相邻的边,依次以建筑主方向为基准,进行90度直角化处理;

35、s34:采用道格拉斯压缩算法对建筑多边形进行简化,剔除冗余点和非特征节点,输出规则化处理后的建筑轮廓面。

36、步骤s5包括:

37、在lod0级矢量要素模型基础上,叠加表达建筑的dsm栅格数据进行像元高度值计算,具体步骤包括:采用四分位数法去除建筑矢量范围内的各个屋顶高度值中的极端值;

38、计算去除极端值后的屋顶高度值的平均值,将平均值作为建筑的屋顶高度值;

39、在lod0级矢量要素模型基础上,叠加dem数据,将建筑矢量轮廓中心点的像元值作为建筑的底部高度值。

40、本技术通过采用上述技术方案,建筑顶部采用四分位数法去除极端值再求平均高度的方法能够计算一个相对准确表达建筑屋顶垂直位置的高度值,避免少数异常值对建筑顶部高度的影响。建筑底部高度采用矢量轮廓中心点的dem像元值能够让建筑底部较好的贴合地面。

41、步骤s7包括:

42、采用重叠区域面积占比算法对建筑多层轮廓面数据进行相似性计算,对相似度大于预设阈值的建筑多层轮廓面进行聚类合并,得到预设个数的不同高度的轮廓面;

43、对聚类合并后的预设个数的不同高度的轮廓面进行模型网格体生成,形成多级堆叠的封闭棱柱体,输出区分不同高度体块的lod1.3体块白模。

44、步骤s8包括:

45、通用纹理包括:映射屋顶纹理和墙面纹理;

46、对lod1.3体块白模的顶面和墙面,按重复贴图的方式,分别映射屋顶纹理和墙面纹理,步骤包括:

47、在lod1.3体块白模的墙面上,按照从左到右的水平方向、从上到下的垂直方向以及预设间距,依次放置单张窗户图片,当水平或垂直的位置不足以放下一个窗户时则停止放置;将墙面和窗户图片进行合并,完成lod1.3体块白模的墙面纹理的映射;

48、通过映射墙面纹理和屋顶纹理后的lod1.3体块白模,生成lod1.3级建筑体块模型。

49、步骤s9包括:

50、对表达建筑高度特征的dsm栅格数据按照预设大小的网格划分,得到预设个数的dsm网格;

51、采用ransac随机抽样一致性算法对dsm网格的三维像素点集进行平面拟合,主要实现步骤如下:

52、s91:读取dsm网格预设范围内的所有像素点的平面坐标和高度值,以三维坐标的形式存储到数组中;

53、s92:从数组中选择三个非共线的点,计算平面方程,其中为平面的法向量,表示平面沿法线方向到坐标原点的垂直距离;

54、s93:计算预设范围内的每个点到平面的距离;

55、若点到平面的距离小于预设阈值,则将该点认定为内点;

56、若点到平面的距离大于或等于预设阈值,则将该点认定为外点;

57、s94:重复步骤s92到步骤s93直至达到预设次数,得到内点数量最多的平面作为dsm网格的当前最佳模型,输出每个dsm网格的最佳拟合平面;

58、计算最佳拟合平面与其相邻的小网格平面的法向量夹角,对法向量夹角小于预设阈值度数的小网格平面进行合并,得到屋顶特征面;屋顶特征面包括:斜坡面特征结构和平面特征结构;

59、过滤屋顶特征面中小于预设面积阈值的平面特征结构和小于预设面积阈值的斜坡面特征结构;

60、根据屋顶特征面的边缘,对过滤后的斜坡面特征结构和平面特征结构进行缓冲延伸,形成相互连通、无缝隙的屋顶顶盖结构;

61、在lod1.3体块白模的基础上,叠加屋顶顶盖结构并进行边缘融合、接缝,生成lod2.0级建筑白模。

62、本技术通过采用上述技术方案,对基于点云分类成果生成的仅体现建筑屋顶特征结构的dsm数据,采用小格网划分后进行特征面拟合,再进行具有共面趋势的相邻特征面进行递归合并的方式获得建筑屋顶的平面特征面和斜面特征面,并进行特征面延伸合并生成了封闭连续、精细度较高且拓扑关系良好的屋顶顶盖结构,保留屋顶主要特征结构的同时降低了模型数据量。

63、步骤s10包括:

64、在lod2.0级建筑白模的基础上,按俯视正射投影方式和侧视水平投影方式,逐像素读取倾斜纹理图片像素的rgb颜色值,分别生成单张屋顶纹理图片和预设张数的墙面纹理图片;将预设张数的墙面纹理图片,烘焙合并成单张墙面纹理图片;单张屋顶纹理图片即为建筑的第一屋顶贴图;单张墙面纹理图片即为建筑的第一墙面贴图。

65、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指令,当所述指令被执行时,执行一种实景三维建筑模型渐进式多层次细节单体化重建方法。

66、本技术提供的技术方案带来的有益效果是:

67、采用先将倾斜模型转换为表达建筑起伏结构的dsm栅格数据再进行多级轮廓提取和屋顶特征面提取的方式,较好的保障的几何结构的正确性和对异常mesh数据的适应性;采用了由低层级模型向高层级模型渐进式构建的思想,高层级模型的构建过程可充分利用低层级模型成果,一次构建能够生成多层次细节模型,减少多层次重复建模和建筑精细模型lod链生成的耗时,为超大场景范围建筑数据的多层次lod模型构建、三维场景建筑数据的多尺度表达提供技术支撑。

68、单体化重建流程实现了真正意义上的全自动化,从建筑物的分割到白模单体化重建,从模型的纹理映射到多级lod模型的输出全部采用深度学习技术和三维重建算法自动化实现,无需人工干预可实现最高lod2.0级建筑单体化模型输出,减少了建筑单体化建模的耗时和成本。

本文地址:https://www.jishuxx.com/zhuanli/20250110/355147.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。