基于三维线结构的建筑物室内建模
发布时间：2021-04-11 23:27
随着城市人口的增长和大型建筑物的大量增加,对室内环境详细的空间信息的需求不断增加。近年来,建筑物内部的三维建模和重建工作为建筑物地基保护、建筑物维护、建筑物更新翻修及灾难救援等任务提供了具有丰富空间信息的三维立体模型。室内建筑三维模型一般包括建筑物的主体结构,如天花板、地面、墙壁、门和窗户等,但不包括室内空间中的可移动物体,如家具等。针对室内建筑环境特点,本文提出了一种基于语义线框架的三维建模方法。本文提出的方法首先对原始点云数据进行语义标注,标注为墙壁、天花板、地面和其它四类;接着对标注的点云进行框线提取操作,提取出框线结构用来实现建筑物模型的基本描述。为了优化由家具遮挡等造成的提取出来的不完整框线,本文构建了基于条件生成对抗网络深度学习模型对框线进行以下优化,包括结构补全、冗余移除及框线正则化。本文最终将获取带有语义信息的室内建筑框线模型,该模型也可用于原始点云质量的评估及室内外一体化建模任务上。本文的主要工作内容包括:1、针对室内三维建模问题,本文提出了一个基于语义标注结果的室内建筑模型框线提取方法,在本文提出的方法中,不要求建筑物具有特定的结构组成,例如绝对意义上的墙面垂直及地...
【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１室内移动背负式激光扫描系统（ａ）轮式机器人测图系统（ｂ）单线背负式??
?（ｂ）?（ｃ）??图２．１室内移动背负式激光扫描系统（ａ）轮式机器人测图系统（ｂ）单线背负式??激光扫描系统（ｃ）多线移动背负式激光扫描系统??该背负式系统包含两个１６线的激光雷达，每个激光雷达扫描仪由１６条扫描范??围在３０°?（从－１５°到＋１５°）的激光射线组成。其中一个激光雷达扫描仪被水平安置??用来得到点云另外一个激光雷达扫描仪则被放置在其下面并与其形成４５。??的夹角用来获得点云。利用公式（２．１），本文将这两片点云合并起来得到点云??其中是已知的两个雷达间的转换矩阵。??ＰＧｌｏｂａｌ?＝?ＰＨｏｒｉｚ?＋?＾ｃａｌｉ?＊?ＰＴｉｌｌ?（２．１）??为了得到最终的构图结果，利用Ｇｏｎｇ等［４１］提出的多激光雷达自标定算法将两??个激光雷达扫描的数据拼接起来，并基于改进的ＬＯＡＭ［３９］算法最终得到全局一致??的室内三维点云。与之前的系统相比［４］［＇升级后的移动背负式激光扫描系统能够??通过多线激光扫描仪获取数据，并利用改进的构图算法得到更高密度和更高精度的??室内三维点云数据。??图２．２为本文背负式系统在不同场景下所采集得到的室内点云数据。图２．２?（ａ）??和（ｂ）给出了本文的系统在两个复杂地下停车场获取的点云。图２．２（ｃ）显示了背??负式激光扫描系统在闭环矩形走廊中获取的点云，并且场景３由具有两个不同高度??的建筑物部分组成，建筑物的左侧部分高度高于建筑物的右侧部分。图２．２（ｄ）显??示了系统在具有多个房间室内场景下获取的点云。点云数据结果表明本文的
将原始点云数据通过八叉树进行高效的划分之后，八叉树的每个非空节点就是??法所需要的３Ｄ点云分块。在训练阶段，使用能够利用上下文信息的ＡＭＮｓ学习??架［４７］可得到比局部独立分类器更好的分类结果。对于每一个３Ｄ点云分块而言，??用类别标签ｙ?｛１，２，３，４｝来描述其到底属于哪种类别。为了描述３Ｄ点云分块，??算每个点云分块中心点的快速点特征直方图＿描述符和高度信息，得到点云分??的特征向Ｘ?＝?｛ｘ；，ｊｃ，７，＜｝，其中／?＝?１．．ＪＶ，ｙｖ是所有点云数据中３Ｄ分块的数??１１１：，ＪＴ，■是通过统计３Ｄ点石分块中所有点的局部分布来描述３Ｄ点云分块的特征向??勺是描述两个空间上相邻的３Ｄ点云分块／和的特征向丨卩：，＜?是描述３Ｄ点??分块所属类别的特征向卜丨：。ＡＭＮｓ模型所用的函数如（２．２）所示：??＾（ｘ，?ｎ?ｗ）?＝?ｃｉ）？（ｘ，?ｎ?ｗ？）?＋?＾ｅ（ｘ，?ｙ，?ｗｅ）?＋?￥，（ｘ，?ｙ，?ｗｃ）?（２．２）??其中和免．分別代表节点、边和类别。Ｗ?＝?［Ｈ叫为ＡＭＮｓ模型??的参数。接着，利用线性对数函数来表示各个节点的独立相关性，如公式（２．３）所??
本文编号：3132151
【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１室内移动背负式激光扫描系统（ａ）轮式机器人测图系统（ｂ）单线背负式??
?（ｂ）?（ｃ）??图２．１室内移动背负式激光扫描系统（ａ）轮式机器人测图系统（ｂ）单线背负式??激光扫描系统（ｃ）多线移动背负式激光扫描系统??该背负式系统包含两个１６线的激光雷达，每个激光雷达扫描仪由１６条扫描范??围在３０°?（从－１５°到＋１５°）的激光射线组成。其中一个激光雷达扫描仪被水平安置??用来得到点云另外一个激光雷达扫描仪则被放置在其下面并与其形成４５。??的夹角用来获得点云。利用公式（２．１），本文将这两片点云合并起来得到点云??其中是已知的两个雷达间的转换矩阵。??ＰＧｌｏｂａｌ?＝?ＰＨｏｒｉｚ?＋?＾ｃａｌｉ?＊?ＰＴｉｌｌ?（２．１）??为了得到最终的构图结果，利用Ｇｏｎｇ等［４１］提出的多激光雷达自标定算法将两??个激光雷达扫描的数据拼接起来，并基于改进的ＬＯＡＭ［３９］算法最终得到全局一致??的室内三维点云。与之前的系统相比［４］［＇升级后的移动背负式激光扫描系统能够??通过多线激光扫描仪获取数据，并利用改进的构图算法得到更高密度和更高精度的??室内三维点云数据。??图２．２为本文背负式系统在不同场景下所采集得到的室内点云数据。图２．２?（ａ）??和（ｂ）给出了本文的系统在两个复杂地下停车场获取的点云。图２．２（ｃ）显示了背??负式激光扫描系统在闭环矩形走廊中获取的点云，并且场景３由具有两个不同高度??的建筑物部分组成，建筑物的左侧部分高度高于建筑物的右侧部分。图２．２（ｄ）显??示了系统在具有多个房间室内场景下获取的点云。点云数据结果表明本文的
将原始点云数据通过八叉树进行高效的划分之后，八叉树的每个非空节点就是??法所需要的３Ｄ点云分块。在训练阶段，使用能够利用上下文信息的ＡＭＮｓ学习??架［４７］可得到比局部独立分类器更好的分类结果。对于每一个３Ｄ点云分块而言，??用类别标签ｙ?｛１，２，３，４｝来描述其到底属于哪种类别。为了描述３Ｄ点云分块，??算每个点云分块中心点的快速点特征直方图＿描述符和高度信息，得到点云分??的特征向Ｘ?＝?｛ｘ；，ｊｃ，７，＜｝，其中／?＝?１．．ＪＶ，ｙｖ是所有点云数据中３Ｄ分块的数??１１１：，ＪＴ，■是通过统计３Ｄ点石分块中所有点的局部分布来描述３Ｄ点云分块的特征向??勺是描述两个空间上相邻的３Ｄ点云分块／和的特征向丨卩：，＜?是描述３Ｄ点??分块所属类别的特征向卜丨：。ＡＭＮｓ模型所用的函数如（２．２）所示：??＾（ｘ，?ｎ?ｗ）?＝?ｃｉ）？（ｘ，?ｎ?ｗ？）?＋?＾ｅ（ｘ，?ｙ，?ｗｅ）?＋?￥，（ｘ，?ｙ，?ｗｃ）?（２．２）??其中和免．分別代表节点、边和类别。Ｗ?＝?［Ｈ叫为ＡＭＮｓ模型??的参数。接着，利用线性对数函数来表示各个节点的独立相关性，如公式（２．３）所??
本文编号：3132151
本文链接：https://www.wllwen.com/guanlilunwen/chengjian/3132151.html
