基于正射影像边界检测的倾斜摄影模型单体化方法技术

本发明专利技术提供了一种基于正射影像边界检测的倾斜摄影模型单体化方法.本发明专利技术充分利用了正射影像与实景模型同地理坐标系的优势，应用倾斜摄影模型和深度学习方法，实现了基于正射影像边界检测的建筑物轮廓自动提取，进一步利用正射影像的坐标属性来获取建筑单体化后的具体地理坐标位置，实现倾斜摄影模型的单体化信息提取，提升了建筑物单体化自动提取的效率，同时，也为后期单体化管理提供了数据支持。本发明专利技术使用正射影像进行倾斜摄影实景模型单体化研究，能够实现单体化的自动提取，解决实景模型单体化中地物矢量边界提取效率低、坐标定位存在偏差等问题。定位存在偏差等问题。定位存在偏差等问题。

【技术实现步骤摘要】
基于正射影像边界检测的倾斜摄影模型单体化方法


[0001]本专利技术涉及一种基于正射影像边界检测的倾斜摄影模型单体化方法。

技术介绍

[0002]近年来，随着民用无人机的普及和倾斜摄影技术的快速发展，通过在同一飞行平台上搭载多镜头传感器，同时从垂直方向和倾斜方向多角度进行倾斜摄影，真实反映建筑地物的实际情况，快速生成地物实景三维模型已成为获取三维空间信息数据的重要手段。而且建筑三维空间信息的提取对城市和乡村规划与管理具有重要意义。但是，基于倾斜摄影技术获取的三维实景模型缺乏结构化的语义信息，本身是无法选中和分离出单个建筑的。这种模型在实际应用中只能停留在模型浏览、几何测量等层面，无法对地物单体进行选择、索引、属性信息添加、单体化管理等操作，因此，需要对倾斜摄影实景模型进行单体化处理。
[0003]目前，常见的单体化方法主要有切割单体化、重建单体化、ID单体化和动态单体化。其中，动态单体化可以直接利用二维矢量数据，更新分类成本低，在渲染时也不会存在锯齿边缘，LOD索引也不变，可满足不同的数据应用需求。现阶段在进行单体化操作时，对建筑物轮廓边界进行人工勾绘和通过软件操作获取地理位置信息是难以避免的，这造成了单体化过程对人力和时间精力上有一定的需求，同时在对建筑物进行人工勾绘时，每个人定义的界限标准不唯一，这对后期规划和管理也有一定困难。
[0004]因此，如何统一标准地、快速地完成单体化操作是一个难题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于正射影像边界检测的倾斜摄影模型单体化方法。
[0006]为解决上述问题，本专利技术提供一种基于正射影像边界检测的倾斜摄影模型单体化方法，包括：
[0007]步骤S1，通过搭载多镜头传感器的飞行器平台，从多角度采集影像，获取倾斜摄影三维模型和无投影畸变的正射影像；
[0008]步骤S2，构建神经网络模型并进行神经网络模型的训练，利用训练好的神经网络模型对正射影像进行边界检测，得到建筑正射投影轮廓边界；
[0009]步骤S3，将所述建筑正射投影轮廓边界进行规则化，以得到正射影像规则化后的建筑正射投影轮廓边界，对正射影像规则化后的建筑正射投影轮廓边界进行实景模型坐标转换，以得到建筑轮廓每一角点的地理坐标值，基于建筑轮廓每一角点的地理坐标值，生成实景模型建筑边界平面矢量图；
[0010]步骤S4，基于实景模型建筑边界平面矢量图建立建筑包围盒模型，将所述包围盒模型叠加至所述倾斜摄影三维模型上，以得到叠加三维模型，渲染所述叠加三维模型中的三角面片并叠加指定颜色，从而实现倾斜摄影实景模型的自动单体化。
[0011]进一步的，在上述方法中，步骤S1，通过搭载多镜头传感器的飞行器平台，从多角
度采集影像，获取倾斜摄影三维模型和无投影畸变的正射影像，包括：
[0012]步骤S11，利用搭载多镜头传感器的飞行器平台，从空中对目标区域进行多方位和多角度航拍获取具有预设重叠度的序列影像；
[0013]步骤S12，利用实景建模软件，并根据序列影像，重建生成倾斜摄影三维模型，一并导出空中影像密集匹配点云；
[0014]步骤S13，利用实景建模软件，并根据序列影像，生成无投影畸变的正射影像，其中，所述正射影像地理坐标系与倾斜摄影三维模型的地理坐标系保持一致。
[0015]进一步的，在上述方法中，步骤S2中，构建神经网络模型并进行神经网络模型的训练，包括：
[0016]步骤S21，搭建深度学习框架，构建建筑边界图像检测的神经网络模型；
[0017]步骤S22，建立训练集、验证集和测试集；
[0018]步骤S23，将训练集与验证集输入所述建筑边界图像检测的神经网络模型，设置所述构建建筑边界图像检测的神经网络模型的训练环境、训练次数、训练阈值和训练步距，并执行模型训练，训练完成后保留模型参数，以得到初始边界检测训练模型；
[0019]步骤S24，利用所述测试集对初始边界检测训练模型进行测试，若测试结果的正确率大于等于97％，则完成模型训练和测试，将初始边界检测训练模型作为训练好的神经网络模型；若检测结果的正确率小于97％，则通过数据集拓展、数据增强、调整超参数的方式对初始边界检测训练模型的参数进行迭代优化，直至检测结果的正确率大于等于97％，得到训练好的神经网络模型。
[0020]进一步的，在上述方法中，步骤S22，建立训练集与验证集，包括：
[0021]步骤S221，选取与研究区域建筑风格类似的数据集；
[0022]步骤S222，选取所述正射影像中的部分正射影像，并利用图像标注工具对选取的部分正射影像进行建筑轮廓标注，得到标注后的正射影像；
[0023]步骤S223，将所述与研究区域建筑风格类似的数据集和所述标注后的正射影像随机打乱次序，以融合建立模型训练数据集，并按照预设比例将模型训练数据集划分为训练集、验证集和测试集。
[0024]进一步的，在上述方法中，步骤S2中，利用训练好的神经网络模型对正射影像进行边界检测，得到建筑正射投影轮廓边界，包括：
[0025]步骤S25，基于训练好的神经网络模型可接收影像尺寸确定切割尺寸，基于所述切割尺寸对所述正射影像进行均匀影像切割，以获得正射影像预测集；
[0026]步骤S26，利用所述训练好的神经网络模型对所有正射影像预测集进行检测，以得到所有正射影像预测图集的建筑物区块二值图。
[0027]进一步的，在上述方法中，步骤S3，将所述建筑正射投影轮廓边界进行规则化，以得到正射影像规则化后的建筑正射投影轮廓边界，包括：
[0028]步骤S301，基于任意多边形种子填充方法，对正射影像预测图集的建筑物区块二值图进行孔洞填充，以得到填充后的建筑物区块二值图；
[0029]步骤S302，利用分水岭算法，在填充后的建筑物区块二值图中分割存在局部连接的建筑区块，以得到分割二值图；
[0030]步骤S303，利用腐蚀算法，在所述分割二值图中扩大建筑区块之间的缝隙，以得优
化后的建筑区块二值图；
[0031]步骤S304，基于二值图轮廓提取算法，对步优化后的建筑区块二值图进行各建筑轮廓的提取；
[0032]步骤S305，利用多边形拟合曲线方法，对提取到的各建筑轮廓的边界进行近似拟合处理，以得到建筑轮廓边界多边形；
[0033]步骤S306，获取所述建筑轮廓边界多边形中的每条边的长度和方位角；
[0034]步骤S307，比较建筑轮廓边界多边形的每条边的长度，选择最长的边作为主方向；
[0035]步骤S308，将建筑轮廓边界绕中心点旋转至与上述主方向垂直或者平行的位置，以得到旋转后的建筑轮廓边界；
[0036]步骤S309，校正旋转后的建筑轮廓边界的相邻边，当相邻边垂直时取交点；当相邻边平行时，基于相邻边的距离阈值，平移短边至长边或者在相邻边增加直线，以最后生成正射影像规则化后的建筑正射投影轮廓边界。
[0037]进一步的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于正射影像边界检测的倾斜摄影模型单体化方法，其特征在于，包括：步骤S1，通过搭载多镜头传感器的飞行器平台，从多角度采集影像，获取倾斜摄影三维模型和无投影畸变的正射影像；步骤S2，构建神经网络模型并进行神经网络模型的训练，利用训练好的神经网络模型对正射影像进行边界检测，得到建筑正射投影轮廓边界；步骤S3，将所述建筑正射投影轮廓边界进行规则化，以得到正射影像规则化后的建筑正射投影轮廓边界，对正射影像规则化后的建筑正射投影轮廓边界进行实景模型坐标转换，以得到建筑轮廓每一角点的地理坐标值，基于建筑轮廓每一角点的地理坐标值，生成实景模型建筑边界平面矢量图；步骤S4，基于实景模型建筑边界平面矢量图建立建筑包围盒模型，将所述包围盒模型叠加至所述倾斜摄影三维模型上，以得到叠加三维模型，渲染所述叠加三维模型中的三角面片并叠加指定颜色，从而实现倾斜摄影实景模型的自动单体化。2.如权利要求1所述的基于正射影像边界检测的倾斜摄影模型单体化方法，其特征在于，步骤S1，通过搭载多镜头传感器的飞行器平台，从多角度采集影像，获取倾斜摄影三维模型和无投影畸变的正射影像，包括：步骤S11，利用搭载多镜头传感器的飞行器平台，从空中对目标区域进行多方位和多角度航拍获取具有预设重叠度的序列影像；步骤S12，利用实景建模软件，并根据序列影像，重建生成倾斜摄影三维模型，一并导出空中影像密集匹配点云；步骤S13，利用实景建模软件，并根据序列影像，生成无投影畸变的正射影像，其中，所述正射影像地理坐标系与倾斜摄影三维模型的地理坐标系保持一致。3.如权利要求1所述的基于正射影像边界检测的倾斜摄影模型单体化方法，其特征在于，步骤S2中，构建神经网络模型并进行神经网络模型的训练，包括：步骤S21，搭建深度学习框架，构建建筑边界图像检测的神经网络模型；步骤S22，建立训练集、验证集和测试集；步骤S23，将训练集与验证集输入所述建筑边界图像检测的神经网络模型，设置所述构建建筑边界图像检测的神经网络模型的训练环境、训练次数、训练阈值和训练步距，并执行模型训练，训练完成后保留模型参数，以得到初始边界检测训练模型；步骤S24，利用所述测试集对初始边界检测训练模型进行测试，若测试结果的正确率大于等于97％，则完成模型训练和测试，将初始边界检测训练模型作为训练好的神经网络模型；若检测结果的正确率小于97％，则通过数据集拓展、数据增强、调整超参数的方式对初始边界检测训练模型的参数进行迭代优化，直至检测结果的正确率大于等于97％，得到训练好的神经网络模型。4.如权利要求3所述的基于正射影像边界检测的倾斜摄影模型单体化方法，其特征在于，步骤S22，建立训练集与验证集，包括：步骤S221，选取与研究区域建筑风格类似的数据集；步骤S222，选取所述正射影像中的部分正射影像，并利用图像标注工具对选取的部分正射影像进行建筑轮廓标注，得到标注后的正射影像；步骤S223，将所述与研究区域建筑风格类似的数据集和所述标注后的正射影像随机打
乱次序，以融合建立模型训练数据集，并按照预设比例将模型训练数据集划分为训练集、验证集和测试集。5.如权利要求4所述的基于正射影像边界检测的倾斜摄影模型单体化方法，其特征在于，步骤S2中，利用训练好的神经网络模型对正射影像进行边界检测，得到建筑正射投影轮廓边界，包括：步骤S25，基于训练好的神经网络模型可接收影像尺寸确定切割尺寸，基于所述切割尺寸对所述正射影像进行均匀影像切割，以获得正射影像预测集；步骤S26，利用所述训练好的神经网络模型对所有正射影像预测集进行检测，以得到所有正射影像预测图集的建筑物区块二值图。6.如权利要求1所述的基于正射影像边界检测的倾斜摄影模型单体化方法，其特征在于，步骤S3，将所述建筑正射投影轮廓边界进行规则化，以得到正射影像规则化后的建筑正射投影轮廓边界，包括：步骤S301，基于任意多边...

【专利技术属性】
技术研发人员：辛佩康，高丙博，吴友，余芳强，张铭，谷志旺，刘寅，
申请(专利权)人：上海建工四建集团有限公司，
类型：发明
国别省市：