基于“整体-局部”策略的室内点云模型门窗检测

发布时间：2020-03-19 00:14

【摘要】：近年来,随着三维数据获取设备的普及,三维场景重建和室内导航得到了越来越多的关注,而门窗检测是其中的重要步骤,在建筑保护、城市景观、机器人应用等方面应用广泛。为了检测室内三维场景中的门窗信息,采用“整体-局部”策略,将门窗检测范围从室内场景的全局区域转换到包含门窗的局部区域,提出了一个“三维—二维—三维”的自动检测三维室内场景中门窗特征角点的算法。首先,在三维室内场景点云模型的中心多角度进行旋转拍照,获取有关门窗的二维图像,将复杂的三维数据局部化。然后,对二维图像进行门窗目标的粗检测,得到门窗在图像中的大致范围,并将此二维信息返回到三维点云数据中,得到包含门窗的局部点云数据。最后,提取并优化局部点云数据的轮廓线及其交点,得到室内三维点云中门窗特征角点的位置信息。实验结果表明,本方法能有效地检测出三维室内场景中门窗的位置信息。
【图文】：

重建过程,算法,文献

图 1-2 Kelly 等人的算法重建过程( 取自文献[3])室内场景重建工作比较细且多，而且受到很多方面的约束。一方面，在扫描过程中，受到室内物品等摆放布局的影响，很多关键数据会被遮挡等造成数据缺失严重，如桌子、沙发等家具对地面、墙面的遮挡；另一方面，受到扫描设备的影响，天花板上的梁的信息可能会不完整。2014 年，Previtali 等人[4]提出将整个室内点云数据分解为数个平面，不过他们是只对单个房间进行重建；同年，Xiao 等人[5]提出一个新颖的算法——逆几何体素构造法( inverse Constructive Solid Geometry，CSG )算法，选择立方体作为体元，然后按照特定的规则先构建二维 CSG 模型，再将二维 CSG 模型按照一定规则进行组合得到最终的三维模型，其主要是将建筑骨架搭建起来，其室内的结构细节是在后期的纹理贴图上进行的。

效果图,效果,文献,近邻

c) 建筑点云数据 d) 正面重建效果 e) 反面重建效果图 1-3 Monszpart 等人算法的重建效果( 取自文献[6])2016 年，Ochmann 等人[7]提出了一种基于室内点云重建参数化三维建筑模型的自动方法，与纯粹的表面重建相比，其方法模型可以更全面地得到使用，如其可以就移除墙壁，重塑房间等方面进行高级编辑操作；同年，Wang 等人[8]直接对每个点提取若干个近邻点，然后在这些近邻点中随机多次取点构造平面，接着对这些平面进行处理，以得到最终具有代表性的平面。其中，他们提出了一个新颖的聚类算法，重新定义了点与点之间的相似性，然后基于这个相似性进行区域增长就得到了良好的聚类结果。该方法对点密度、模型复杂度和风格都具有鲁棒性。不过其方法计算量偏大，且对于数据缺失较多的模型将会失效，另外其处理的都是参数化曲面；2017 年，，Xie 等人[9]提出了一个自4
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU228;TP391.41

【相似文献】