一种城市室内三维语义模型的异形排列矩阵构建方法及其系统技术方案

本发明专利技术提供了一种城市室内三维语义模型的异形排列矩阵构建方法，其特征在于包括如下步骤：S1.构建城市建筑轮廓语义模型的异形排列矩阵；S2.构建城市建筑室内三维语义模型；S3.将城市建筑室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中，完成城市室内三维语义模型构建。使用简化的人工智能网络模型获得城市建筑的轮廓预测模型网，并由此建立城市建筑轮廓语义模型并将室内三维语义嵌入其中，获得了准确的城市三维语义模型。本发明专利技术的方法算法简单，构建方法较为精确地反映了实际的建筑位置，实现了城市室内三维语义模型的空间分布可视化，以及可检索化。以及可检索化。以及可检索化。

【技术实现步骤摘要】
一种城市室内三维语义模型的异形排列矩阵构建方法及其系统


[0001]本专利技术涉及室内三维语义模型的构建方法,尤其涉及一种城市室内三维语义模型的构建方法及其系统，属于图形语义构建领域。

技术介绍

[0002]语义模型是将构建模型与特征或抽象标识之间建立映射关系，能够准确识别和检索这些模型中的元素对象，在城市大数据、以至实现智慧城市中已成为一项热门技术。现有技术一方面构建室内语义模型时仅仅考虑单个建筑或单片社区建筑的语义构建，并不能构成完整的城市语义大数据。另一方面，虽然通过数学模型的辅助，比如矩阵能够准确地定位、大致描述建筑之间的方位关系，以及描述城市建筑功能类别（公寓还是别墅或工场抑或综合体等等），并检索到每一栋建筑的建筑构件（如屋顶），从而判断出建筑风格类型，但是，数学矩阵不能从建筑拓扑结构上精确描述城市建筑语义模型。从而不能从视觉上呈现城市面貌。传统的图纸只能够从位置上描述自然景观以及少数建筑分布，但不能精确和拓扑地描述。构建单栋建筑的轮廓，是城市室内建筑拓扑化的基础工作，使用神经网络计算建筑轮廓最大概然轮廓点的算法复杂，对于全国大量城市建筑则会产生海量的计算负荷，其构建成本斐然。
[0003]而实际运用时不需要十分精确地准确定位建筑的定位，甚至轮廓边界产生不准确地理位置和外形也不影响整体建筑在满足需要的误差范围内的地理位置的运用需求。尤其是在遥感图像上看，只要建筑存在的图像位置就能在该位置附近形成轮廓边界，因而计算的精确性方面的误差并不会从视觉上产生明显建筑位置错误或外形的明显差异。即便如此容许位置和外形的误差，考虑到建筑的轮廓实质上是每栋建筑的外墙所限定，精确的室内三维语义模型中包含了精确的外墙的边界，因而恰好能够消除建筑轮廓外形不精确甚至错误的弊端。
[0004]因此需要一种能够更高效的，较为精确的城市室内三维语义模型的构建方法来解决上述问题。

技术实现思路

[0005]本专利技术为解决上述问题考虑两个思路来提供解决方案，第一建立相对简单的建筑轮廓方法，第二基于所建筑轮廓以及室内三维语义模型的嵌入以实现完整的城市室内三维语义模型的构建方法，并通过本专利技术定义的建筑格点矩阵来进行语义模型的划分。本专利技术的格点矩阵不同于数学意义上的元素按照方阵形式排列的矩阵，而是按照实际建筑的位置关系异形排列形式。也可以在方阵排列和异形排列之间进行切换。建筑格点矩阵A是指被划分的城市遥感图像中每个格点中建立的城市建筑预测轮廓群所组成的异形矩阵。
[0006]为此，本专利技术提供了一种城市室内三维语义模型的异形排列矩阵构建方法，其特征在于包括如下步骤：
S1.构建城市建筑轮廓语义模型的异形排列矩阵；S2.构建城市建筑室内三维语义模型；S3.将城市建筑室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中，完成城市室内三维语义模型构建。
[0007]关于步骤S1S1具体包括：S1
‑
1人工智能网络的城市建筑预测楼顶轮廓网模型的建立；S1
‑
2 根据所述城市建筑预测楼顶轮廓网模型建立城市建筑预测轮廓网模型；S1
‑
3 将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵，每个建筑格点矩阵中的每一栋建筑按照建筑预测轮廓对应的地理位置而排列，形成异形排列矩阵。
[0008]其中所述S1
‑
1具体包括：S1
‑1‑
1建立城市地理坐标系E，XOY平面代表地面；S1
‑1‑
2基于城市遥感图像，使用无添加层的VGG
‑
16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2
‑
1/10，优选为1/8；同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，S1
‑1‑
3对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；S1
‑1‑
4对于每个建筑的所述本地特征图F采用卷积层处理形成几何边界罩M，所有几何边界罩M即为每个建筑的预测楼顶轮廓，从而所有建筑预测楼顶轮廓构成城市建筑预测楼顶轮廓网模型。
[0009]可选地，所述S1
‑
1具体包括所述步骤S1
‑1‑1‑
S1
‑1‑
3，以及包括如下步骤：S1
‑1‑
5，采集所述建筑的本地特征图F代表每栋建筑的框范内的彩色RGB值，并采集每栋建筑的框范外的彩色RGB值；S1
‑1‑
6将所述框范内或外任一随机点的RGB值分别取RGB三色值平均值作为阈值，并根据阈值将所述遥感图像中所述框范的内外的遥感图像进行二值化，从而形成楼顶轮廓。
[0010]可选地，所述二值化所采用的颜色类型是RGB中的任一一种或其组合的非白色，以及白色。所述平均值包括算术平均值，加权平均值，几何平均值，均方根平均值，调和平均值中的任一种。例如当选择R颜色时，在轮廓边界两边产生R值不同的红色，即大于阈值的R值和小于阈值的R值。选择其他颜色或RGB的组合时则产生相应的不同的的RGB值该颜色。
[0011]容易理解的是，由于框范内属于楼顶的部分和楼顶外的属于框范的地面部分的RGB值平均值是不同的，从而实现了根据阈值而二值化划分出边界。
[0012]S1
‑1‑
7根据二值化后的图像进行边缘检测确定出建筑预测楼顶轮廓。
[0013]所述S1
‑
2具体包括：S1
‑2‑
1根据构建好的城市每一栋建筑预测楼顶轮廓以及建筑高度，将每一栋建筑预测楼顶轮廓从XOY面开始垂直投影到所述高度；S1
‑2‑
2连接每一栋建筑预测楼顶轮廓顶点和所述投影的对应顶点，形成城市建筑
预测轮廓网模型；或者，根据投影过程中划过的体积轨迹而形成城市建筑预测轮廓网模型。
[0014]所述S1
‑
3 具体包括S1
‑3‑
1将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵A，如果每个建筑格点矩阵A内具有完整的每一栋建筑，则完成建筑格点矩阵的划分，如否则进行S1
‑3‑
2；其中A=（
·
），其中
·
表示被划分到的城市建筑预测轮廓网模型部分，不包含任何建筑预测轮廓的矩阵A为零矩阵；S1
‑3‑
2将位于其中格点矩阵边界上的一个建筑格点矩阵的部分的建筑预测轮廓归属到在该边界上相邻的另一个建筑格点矩阵中，而位于其中四个格点矩阵共有边界点或其附近的属于P
‑
1个建筑格点矩阵的部分的建筑预测轮廓归属到剩余的一个建筑格点矩阵中，其中P=4或5。可选地，所述剩余的一个建筑格点矩阵是东南西北方位中的任一个。
[0015]S1
‑3‑
3对城市建筑格点矩阵A中的每一栋建筑的预测轮廓进行矩阵标识，其编号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市室内三维语义模型的异形排列矩阵构建方法，其特征在于包括如下步骤：S1.构建城市建筑轮廓语义模型的异形排列矩阵；S2.构建城市建筑室内三维语义模型；S3.将城市建筑室内三维语义模型嵌入到对应的城市建筑轮廓语义模型中，完成城市室内三维语义模型构建。2.根据权利要求1所述的构建方法，其特征还在于，S1具体包括：S1
‑
1人工智能网络的城市建筑预测楼顶轮廓网模型的建立；S1
‑
2 根据所述城市建筑预测楼顶轮廓网模型建立城市建筑预测轮廓网模型；S1
‑
3 将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵，每个建筑格点矩阵中的每一栋建筑按照建筑预测轮廓对应的地理位置而排列，形成异形排列矩阵。3.根据权利要求2所述的构建方法，其特征还在于，其中所述S1
‑
1具体包括：S1
‑1‑
1建立城市地理坐标系E，XOY平面代表地面；S1
‑1‑
2基于城市遥感图像，使用无添加层的VGG
‑
16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2
‑
1/10；同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，S1
‑1‑
3对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；S1
‑1‑
4对于每个建筑的所述本地特征图F采用卷积层处理形成几何边界罩M，所有几何边界罩M即为每个建筑的预测楼顶轮廓，从而所有建筑预测楼顶轮廓构成城市建筑预测楼顶轮廓网模型。4.根据权利要求2所述的构建方法，其特征还在于，其中所述S1
‑
1具体包括：S1
‑1‑
1建立城市地理坐标系E，XOY平面代表地面；S1
‑1‑
2基于城市遥感图像，使用无添加层的VGG
‑
16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2
‑
1/10；同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，S1
‑1‑
3对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；S1
‑1‑
5，采集所述建筑的本地特征图F代表每栋建筑的框范内的彩色RGB值，并采集每栋建筑的框范外的彩色RGB值；S1
‑1‑
6 将所述框范内或外任一随机点的RGB值分别取RGB三色值平均值作为阈值，并根据阈值将所述遥感图像中所述框范的内外的遥感图像进行二值化，从而形成楼顶轮廓；S1
‑1‑
7根据二值化后的图像进行边缘检测确定出建筑预测楼顶轮廓。5.根据权利要求4所述的构建方法，其特征还在于，其中所述二值化所采用的颜色类型是RGB中的任一一种或其组合的非白色，以及白色；所述平均值包括算术平均值，加权平均值，几何平均值，均方根平均值，调和平均值中的任一种。6.根据权利要求2所述的构建方法，其特征还在于，所述S1
‑
2具体包括：S1
‑2‑
1根据构建好的城市每一栋建筑预测楼顶轮廓以及建筑高度，将每一栋建筑预测
楼顶轮廓从XOY面开始垂直投影到所述高度；S1
‑2‑
2 连接每一栋建筑预测楼顶轮廓顶点和所述投影的对应顶点，形成城市建筑预测轮廓网模型；或者，根据投影过程中划过的体积轨迹而形成城市建筑预测轮廓网模型。7.根据权利要求2所述的构建方法，其特征还在于，所述S1
‑
3 具体包括S1
‑3‑
1将城市建筑预测轮廓网模型进行方阵形式划分形成建筑格点矩阵A，如果每个建筑格点矩阵A内具有完整的每一栋建筑，则完成建筑格点矩阵的划分，如否则进行S1
‑3‑
2；其中A=（
·
），其中
·
表示被划分到的城市建筑预测轮廓网模型部分，不包含任何建筑预测轮廓的矩阵A为零矩阵；S1
‑3‑
2将位于格点矩阵边界上的一个建筑格点矩阵的部分的建筑预测轮廓归属到在该边界上相邻的另一个建筑格点矩阵中，而位于其中四个格点矩阵共有边界点或其附近的属于P
‑
1个建筑格点矩阵的部分的建筑预测轮廓归属到剩余的一个建筑格点矩阵中，其中P=4或5；S1
‑3‑
3对城市建筑格点矩阵A中的每一栋建筑的预测轮廓进行矩阵标识，其编号规则为城市建筑预测楼顶轮廓如果是多边形，则选择最长的两条对角线交点即为标引点，矩阵标识赋予标引点；如为其他几何图形，则在建筑预测楼顶轮廓与平行于E坐标系X轴的直线的切点作为标引点或平行于X轴和Y轴的直线分别于所述预测楼顶轮廓有一个公共点时，该两条直线的交点作为标引点，矩阵标识赋予标引点；从而形成矩阵标识到建筑的映射规则，形成城市建筑轮廓语义模型，其中所述矩阵表示为标引点在E下的坐标和/或文字。8.根据权利要求7中所述的构建方法，其特征还在于，所述建筑格点矩阵A中的城市建筑预测轮廓能够按照如下方阵形式重新排列：每一栋建筑城市建筑预测轮廓按照E中的从西往东，从北往南的顺序排列成矩阵，其中每一个矩阵元包括相应建筑的城市建筑预测轮廓。9.根据权利要求1
‑
8中任一项所述的构建方法，其特征还在于，S2具体包括：S2
‑
1获取指定建筑物的室内户型图数据，其中，所述室内户型图数据为所述指定建筑物的室内户型图数据、图形化的文本数据以及矢量化文件数据；S2
‑
2对所...

【专利技术属性】
技术研发人员：刘俊伟，
申请(专利权)人：泰瑞数创科技北京有限公司，
类型：发明
国别省市：