楼宇场景的建模方法和装置制造方法及图纸

本发明专利技术实施例提供一种楼宇场景的建模方法和装置，该方法包括：获取目标楼宇场景中每个楼层的楼宇结构图栅格数据；根据预先训练得到的实例分割模型对所述楼宇结构图栅格数据进行实例分割，得到对所述楼宇结构图的实例分割结果；将实例分割结果与所述楼宇结构图的楼宇结构矢量数据进行配准，得到配准的楼宇结构矢量数据图；最后通过楼层模型库自动适配与所述楼宇结构矢量数据图匹配的楼宇模型；基于三维建模工具对所述匹配到的楼宇模型建模，完成楼宇场景的在线快速建模，本实施例提供的方法对场景的适配度比对比方法具有较大的弹性空间且成本低、建模效率高。建模效率高。建模效率高。

【技术实现步骤摘要】
楼宇场景的建模方法和装置


[0001]本专利技术实施例涉及三维建模
，尤其涉及一种楼宇场景的建模方法和装置。

技术介绍

[0002]随着现代城市的飞速发展，越来越多的高楼建筑拔地而起。相关人员需要在建筑建设之前先建立三维的楼宇模型，比如三维楼宇外观模型、楼宇场景中的每个楼层内的三维户型模型等，以便于在建设过程中参考三维模型。并且，建筑建成之后，还需要向客户展示楼宇建筑的每层楼内的三维户型模型，以便于客户全方位的了解该建筑。
[0003]相关技术中，楼宇场景建模的方法主要分为人工和自动化建模两种。其中，自动化建模通过图像获取对空间的整体理解，然后，在采用超文本标记语言HTML编辑浏览器页面中的HTML5画布上，采用以3D编程工具ThreeJS的形式封装的3D绘图协议WebGL显示所建立的三维立体房产模型，然后采用脚本语言JavaScript的方式来控制三维立体房产模型的显示效果。
[0004]但是，现有两种建模方法中，人工建模虽然具有较好的建模质量，但是建模周期长、成本高；自动化建模通过传统的ThreeJS在前端页面建模，不仅效率低下，且对操作的人员的专业要求度较高，需要消耗较大的学习成本。

技术实现思路

[0005]本专利技术实施例提供一种楼宇场景的建模方法和装置，以克服现有技术中自动化建模效率低且消耗成本高的术问题。
[0006]第一方面，本专利技术实施例提供一种楼宇场景的建模方法，包括：
[0007]获取目标楼宇场景中每个楼层的楼宇结构图栅格数据；
[0008]根据预先训练得到的实例分割模型，对所述楼宇结构图栅格数据进行实例分割，以得到对所述楼宇结构图的实例分割结果；
[0009]将所述实例分割结果与所述楼宇结构图的楼宇结构矢量数据进行配准，得到配准的楼宇结构矢量数据图；
[0010]根据所述楼宇结构矢量数据图，在楼层模型库中匹配相应的楼宇模型；
[0011]基于三维建模工具对所述匹配到的楼宇模型建模，得到所述目标楼宇场景的三维模型。
[0012]可选的，所述方法还包括：
[0013]获取训练样本集，所述训练样本集包括多个楼层的楼宇结构图栅格数据样本，所述楼宇结构图栅格数据样本是标注有楼层的楼宇结构矢量数据和经过掩膜制作的楼宇结构图；
[0014]基于实例分割算法Mask Scoring R
‑
CNN对所述楼宇结构图栅格数据样本进行训练，得到所述实例分割模型。
[0015]可选的，所述基于实例分割算法Mask Scoring R
‑
CNN对所述楼宇结构图栅格数据样本进行训练，包括：
[0016]将所述楼宇结构图栅格数据样本输入神经网络ResNet
‑
101
‑
FPN中，得到所述神经网络ResNet
‑
101
‑
FPN输出的所述楼宇结构图对应的楼宇结构特征图；
[0017]在所述楼宇结构特征图中划分处多个候选兴趣区域；
[0018]将所述多个候选兴趣区域输入区域建议网络RPN，所述区域建议网络RPN对所述候选兴趣区域进行二值分类和边框回归操作，并通过非极大值抑制算法对所述多个候选兴趣区域进行筛选，得到目标兴趣区域；
[0019]对所述目标兴趣区域进行区域特征聚集操作；
[0020]根据楼层中的每个功能区域，对所述目标兴趣区域进行功能分类。
[0021]可选的，所述实例分割结果包括楼层中各个功能区域的掩膜图像，所述楼宇结构矢量数据包括楼宇结构中各个位置的坐标信息；
[0022]所述将所述实例分割结果与所述楼宇结构图的楼宇结构矢量数据进行配准，得到配准的楼宇结构矢量数据图，包括：
[0023]在所述楼层中的墙体结构上选取预设数量个控制点；
[0024]获取所述控制点所在位置的坐标信息；
[0025]将所述控制点的坐标信息代入薄板样条插值函数计算，得到计算结果；
[0026]根据所述计算结果变换所述楼层中各个功能区域的掩膜图像，以得到配准的楼宇结构矢量数据图。
[0027]可选的，所述根据所述楼宇结构矢量数据图，在楼层模型库中匹配相应的楼宇模型，包括：
[0028]确定所述楼宇结构矢量数据图中每个功能区域的尺寸以及每种类型的功能区域的数量；
[0029]根据每个功能区域的尺寸以及每种类型的功能区域的数量，在所述楼层模型库中匹配每个功能区域对应的模型。
[0030]可选的，所述基于三维建模工具对所述匹配到的楼宇模型建模，得到所述目标楼宇场景的三维模型，包括：
[0031]将匹配到的每个功能区域对应的模型加载至三维建模工具中，以在所述三维建模工具中调整每个功能区域对应的模型的比例和位置，得到所述目标楼宇场景的三维模型。
[0032]第二方面，本专利技术实施例提供一种楼宇场景的建模装置，包括：
[0033]图像获取模块，用于获取目标楼宇场景中每个楼层的楼宇结构图栅格数据；
[0034]实例分割模块，用于根据预先训练得到的实例分割模型，对所述楼宇结构图栅格数据进行实例分割，以得到对所述楼宇结构图的实例分割结果；
[0035]图像配准模块，用于将所述实例分割结果与所述楼宇结构图的楼宇结构矢量数据进行配准，得到配准的楼宇结构矢量数据图；
[0036]模型匹配模块，用于根据所述楼宇结构矢量数据图，在楼层模型库中匹配相应的楼宇模型；
[0037]模型建立模块，用于基于三维建模工具对所述匹配到的楼宇模型建模，得到所述目标楼宇场景的三维模型。
[0038]第三方面，本专利技术实施例提供一种计算机设备，包括：至少一个处理器和存储器；
[0039]所述存储器存储计算机执行指令；
[0040]所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的楼宇场景的建模方法。
[0041]第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的楼宇场景的建模方法。
[0042]第五方面，本专利技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的楼宇场景的建模方法。
[0043]本专利技术实施例提供的楼宇场景的建模方法和装置，该方法通过获取目标楼宇场景中每个楼层的楼宇结构图栅格数据；然后根据预先训练得到的实例分割模型对所述楼宇结构图栅格数据进行实例分割，以得到对所述楼宇结构图的实例分割结果；将所述实例分割结果与所述楼宇结构图的楼宇结构矢量数据进行配准，得到配准的楼宇结构矢量数据图；最后通过楼层模型库自动适配与所述楼宇结构矢量数据图匹配的楼宇模型；基于三维建模工具对所述匹配到的楼宇模型建模，完成楼宇场景的在线快速建模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种楼宇场景的建模方法，其特征在于，包括：获取目标楼宇场景中每个楼层的楼宇结构图栅格数据；根据预先训练得到的实例分割模型，对所述楼宇结构图栅格数据进行实例分割，以得到对所述楼宇结构图的实例分割结果；将所述实例分割结果与所述楼宇结构图的楼宇结构矢量数据进行配准，得到配准的楼宇结构矢量数据图；根据所述楼宇结构矢量数据图，在楼层模型库中匹配相应的楼宇模型；基于三维建模工具对所述匹配到的楼宇模型建模，得到所述目标楼宇场景的三维模型。2.根据权利要求1所述的方法，其特征在于，还包括：获取训练样本集，所述训练样本集包括多个楼层的楼宇结构图栅格数据样本，所述楼宇结构图栅格数据样本是标注有楼层的楼宇结构矢量数据和经过掩膜制作的楼宇结构图；基于实例分割算法Mask Scoring R
‑
CNN对所述楼宇结构图栅格数据样本进行训练，得到所述实例分割模型。3.根据权利要求2所述的方法，其特征在于，所述基于实例分割算法Mask Scoring R
‑
CNN对所述楼宇结构图栅格数据样本进行训练，包括：将所述楼宇结构图栅格数据样本输入神经网络ResNet
‑
101
‑
FPN中，得到所述神经网络ResNet
‑
101
‑
FPN输出的所述楼宇结构图对应的楼宇结构特征图；在所述楼宇结构特征图中划分处多个候选兴趣区域；将所述多个候选兴趣区域输入区域建议网络RPN，所述区域建议网络RPN对所述候选兴趣区域进行二值分类和边框回归操作，并通过非极大值抑制算法对所述多个候选兴趣区域进行筛选，得到目标兴趣区域；对所述目标兴趣区域进行区域特征聚集操作；根据楼层中的每个功能区域，对所述目标兴趣区域进行功能分类。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述实例分割结果包括楼层中各个功能区域的掩膜图像，所述楼宇结构矢量数据包括楼宇结构中各个位置的坐标信息；所述将所述实例分割结果与所述楼宇结构图的楼宇结构矢量数据进行配准，得到配准的楼宇结构矢量数据图，包括：在所述楼层中的墙体...

【专利技术属性】
技术研发人员：方小刚，
申请(专利权)人：联通浙江产业互联网有限公司，
类型：发明
国别省市：