一种众源数据驱动的LOD2级城市建筑物模型增强建模算法制造技术

本发明专利技术公开一种众源数据驱动的LOD2级城市建筑物模型增强建模算法，主要步骤包括：建筑物轮廓及高度信息提取、建筑景观聚类分析、众源数据采集、AI智能解译分析、纹理信息空间关联映射、三维增强建模。本发明专利技术针对现有三维建模方法普遍存在的建模成本高、速度慢、还原度低等问题，设计了一种众源数据驱动的LOD2级城市建筑物模型增强建模算法，基于遥感影像、街景图片、OSM、POI等众源数据驱动，通过集成多个深度学习模块，自动化提取建筑物轮廓、高度与纹理信息，通过构建建筑面与纹理信息的空间映射关系，有效丰富建筑物细节层次，增强建筑物模型真实度与还原度，实现了LOD2级城市孪生三维地理场景的快速、自动化构建，能够显著降低城市级建筑模型构建成本、加快城市范围建筑物模型构建速率、兼顾LOD2级建筑物模型的纹理基本真实性，建筑物模型还原度精度可达85%。该技术发明专利技术空间规划、自然资源、智慧城市等领域的LOD2级城市建筑物模型展示中具有较好的应用价值。用价值。用价值。

【技术实现步骤摘要】
一种众源数据驱动的LOD2级城市建筑物模型增强建模算法


[0001]本专利技术属于三维城市建筑物模型建模
，具体涉及一种众源数据驱动的LOD2级城市三维增强建模算法。

技术介绍

[0002]实景三维作为真实、立体、时序化反映人类生产、生活和生态空间的时空信息，是国家重要的新型基础设施，通过“人机兼容、物联感知、泛在服务”实现数字空间与现实空间的实时关联互通，为数字中国提供统一的空间定位框架和分析基础，是数字政府、数字经济重要的战略性数据资源和生产要素，是测绘地理信息行业落实国家新型基础设施建设的具体部署。
[0003]为适应不同的应用需求，三维建筑物模型通常采用多尺度的表达方式。根据CityGML的定义，所有的模型可以分为5个不同的连贯细节层次(Levels of Detail，缩写：LOD)，其中，LOD0指2.5维的数字地形图，LOD1指没有屋顶结构的“楼块模型”，LOD2指包含楼顶结构和真实建筑贴图的粗模，LOD3指包含更多细节的建筑模型，LOD4指包含建筑内部结构的模型。
[0004]现有实景三维建模技术主要包括：人工建模技术、倾斜摄影建模技术、基于激光点云的三维建模技术、基于矢量数据的参数化建模技术等。其中，人工建模、基于激光点云的三维建模等技术以精细精确的模型细节效果为突出优势，但其建模速度慢、人工成本高，多适用于重点区域的建筑单体精细化建模。倾斜摄影建模技术在建模速度、纹理真实度以及自动化计算上具有显著优势，但仍面临着航飞与计算成本高、空域限制大等困难，多适用于部分经济条件好的城市主体区域建模。基于矢量数据的参数化三维建模的经济成本与时间成本低，能够满足大范围城市三维数据模拟表达需求，但其数据三维展示效果不足、纹理真实度欠佳，无法直观反映城市实景。
[0005]因此，如何在基础数据有限、建模经费有限的前提下，降低城市级建筑模型构建成本、加快城市LOD2级建筑模型构建速率、兼顾城市级模型的纹理基本真实度，是当前实景三维、智慧城市、三维自然资源等建设面临的现实挑战。

技术实现思路

[0006]专利技术目的：本设计聚焦如何降低城市级建筑模型构建消耗成本、加快城市级建筑模型构建速率、提升城市级模型构建技术效能，进而扩大城市三维模型覆盖范围，研发一种新型三维数据构建与服务方式，集成并融合基于深度学习的建筑轮廓及高度信息提取、建筑物景观聚类分析、街景数据采集、建筑类型智能解译分析、建筑纹理映射规则设计、三维增强建模等技术，推进实现快速化、批量化、自动化的城市级实景三维模型构建，提供更加真实准确、更丰富画面的城市建筑景观。
[0007]技术方案：本专利技术的一种众源数据驱动的LOD2级城市三维增强建模算法，满足模型多层次细节2级需求，即建筑物模型具有不同类型的建筑屋顶和真实的表面纹理。本专利技术
具体包括如下步骤：
[0008]步骤1、建筑物轮廓与高度信息提取：构建深度学习影像分割模型，基于高分辨率遥感影像，自动提取建筑面及建筑阴影，并根据相邻性、方向一致性等原则匹配建筑面及其阴影。利用数学形态学表征建筑的空间结构特性，通过一系列形态学开操作和闭操作，优化建筑轮廓。基于太阳高度角与卫星高度角的关系，根据建筑阴影长度计算其对应建筑高度。
[0009]步骤2、建筑物景观聚类分析：综合建筑面轮廓几何特征、建筑空间关系和建筑真实纹理信息，通过基于道路和空间邻近性的建筑街区划分、基于自组织映射(Self
‑
OrganizingMapping，缩写：SOM)神经网络的建筑物特征聚类和基于兴趣点(Point of Interest，缩写：POI)语义信息的建筑聚类，实现相似建筑聚类，得到建筑聚类面。
[0010]步骤3、街景数据采集：基于众源数据的公共交通路网数据，按照固定间距提取道路点，并基于道路点空间信息获取其邻近范围内的街景数据。
[0011]步骤4、建筑类别智能解译分析：综合考虑不同区域特色、建筑风格、建筑用途、建筑密度等要素，以建筑结构、建筑涂料、部件分布等为具体特征，构建建筑分类体系。依据该体系建设建筑样本库与纹理库。将建筑类型样本库数据输入深度学习卷积神经网络，训练建筑类型AI识别检测模型并进行精度评估。将步骤2获取的建模区域街景数据输入该模型，可自动预测图片中的建筑物及其类型。
[0012]步骤5、纹理信息空间映射：针对街景图片与建筑聚类面的空间位置，将街景图片与建筑聚类面进行关联，以建筑聚类面为单元，统计其建筑类型标签并按数量排序，并依据最高等级的建筑类型调取对应纹理，将纹理信息赋予对应建筑聚类面，完成建筑面与纹理信息的空间映射。
[0013]步骤6、三维增强建模：基于GIS桌面平台，根据建筑高度、结构与纹理信息等，自动生成建筑物三维模型，快速实现LOD2级城市三维增强建模。
[0014]进一步的，所述步骤1中，采用深度学习方法根据遥感图像中建筑物阴影提取建筑物轮廓与高度信息，具体步骤如下：
[0015]步骤1.1、语义分割方法提取建筑及阴影信息：通过人工矢量化高分辨率影像中的建筑及阴影构建样本库，然后利用深度学习卷积神经网络，训练影像语义分割模型，自动提取高分辨率的建筑轮廓和阴影信息，并利用二次交叉熵作为损失函数对模型求解和评估。
[0016]步骤1.2、建筑面优化：通过一系列形态学开操作和闭操作构建一个形态学剖面，对建筑对象内像素的开剖面(OP)和闭剖面(CP)进行取平均得到建筑对象的形态学开剖面均值和形态学闭剖面均值，提取建筑物形态学特征。
[0017]步骤1.3、高度特征提取：遵循相邻、方向一致以及至少有一个阴影的原则进行建筑面和阴影匹配。根据太阳方位角方向生成若干平行直线，通过阴影切割平行线并计算线段长度均值作为建筑阴影长度。并依据太阳高度角和卫星高度角与建筑的空间关系计算建筑高度，具体方法如下：
[0018]当太阳和卫星在建筑同侧时，建筑高度计算可见公式(1)，
[0019][0020]当太阳和卫星在建筑异侧时，建筑高度计算可见公式(2)，
[0021]H＝L_B
×
tanω＝L_S
×
tanω
ꢀꢀ
公式(2)
[0022]其中，L_S为影像上阴影的长度，L_B为建筑实际阴影长度，σ为太阳高度角，ω为卫星高度角。
[0023]进一步的，所述步骤2中，综合建筑面轮廓几何特征、建筑空间关系和建筑真实纹理信息，通过基于道路和空间邻近性的建筑街区划分、基于SOM神经网络的建筑物特征聚类和基于POI语义信息的建筑聚类，实现相似建筑聚类，得到建筑聚类面，具体步骤为：
[0024]步骤2.1、基于道路和空间邻近性的建筑街区划分：通过构建Delaunay三角网描述建筑物邻近关系，以建筑物间最小距离为度量构建最小生成树及道路网，识别空间邻近的建筑物聚类，构筑建筑街区空间关系。
[0025]步骤2.2、基于SOM神经网络的建筑物特征聚类：选取建筑物高度、方向、形状、面积等12个因子对建筑物的几何特征进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种众源数据驱动的LOD2级城市建筑物模型增强建模算法，其特征在于：该算法利用遥感影像提取建筑面和高度信息，并综合多要素信息进行建筑面景观聚类，采集街景图片数据，训练建筑立面目标检测模型，自动预测建筑纹理信息，并构建建筑信息与建筑集群间的空间映射关系，实现城市范围LOD2级城市建筑物模型构建，满足模型多层次细节2级。本算法包括如下步骤：步骤1、建筑物轮廓与高度信息提取：构建深度学习影像分割模型，基于高分辨率遥感影像，自动提取建筑面及建筑阴影，并根据相邻性、方向一致性等原则匹配建筑面及其阴影。利用数学形态学表征建筑的空间结构特性，通过一系列形态学开操作和闭操作，优化建筑轮廓。基于太阳高度角与卫星高度角的关系，根据建筑阴影长度计算其对应建筑高度。步骤2、建筑物景观聚类分析：综合建筑面轮廓几何特征、建筑空间关系和建筑真实纹理信息，通过基于道路和空间邻近性的建筑街区划分、基于自组织映射(Self
‑
OrganizingMapping，缩写：SOM)神经网络的建筑物特征聚类和基于兴趣点(Point of Interest，缩写：POI)语义信息的建筑聚类，实现相似建筑聚类，得到建筑聚类面。步骤3、街景数据采集：基于众源数据的公共交通路网数据，按照固定间距提取道路点，并基于道路点空间信息获取其邻近范围内的街景数据。步骤4、建筑类别智能解译分析：综合考虑不同区域特色、建筑风格、建筑用途、建筑密度等要素，以建筑结构、建筑涂料、部件分布等为具体特征，构建建筑分类体系。依据该体系建设建筑样本库与纹理库。将建筑类型样本库数据输入深度学习卷积神经网络，训练建筑类型AI识别检测模型并进行精度评估。将步骤2获取的建模区域街景数据输入该模型，可自动预测图片中的建筑物及其类型。步骤5、纹理信息空间映射：针对街景图片与建筑聚类面的空间位置，将街景图片与建筑聚类面进行关联，以建筑聚类面为单元，统计其建筑类型标签并按数量排序，并依据最高等级的建筑类型调取对应纹理，将纹理信息赋予对应建筑聚类面，完成建筑面与纹理信息的空间映射。步骤6、三维增强建模：基于GIS桌面平台，根据建筑高度、结构与纹理信息等，自动生成建筑物三维模型，快速实现LOD2级城市三维增强建模。2.根据权利要求1所述的一种众源数据驱动的LOD2级城市建筑物模型增强建模算法，其特征在于：所述步骤1中，基于高分遥感影像数据的建筑物轮廓与高度信息提取具体步骤如下：步骤2.1、语义分割方法提取建筑及阴影信息：通过人工矢量化高分辨率影像中的建筑及阴影构建样本库，然后利用深度学习卷积神经网络，训练影像语义分割模型，自动提取高分辨率的建筑轮廓和阴影信息，并利用二次交叉熵作为损失函数对模型求解和评估。步骤2.2、建筑面优化：通过一系列形态学开操作和闭操作构建一个形态学剖面，对建筑对象内像素的开剖面(OP)和闭剖面(CP)进行取平均得到建筑对象的形态学开剖面均值和形态学闭剖面均值，提取建筑物形态学特征。步骤2.3、高度特征提取：遵循相邻、方向一致以及至少有一个阴影的原则进行建筑面和阴影匹配。根据太阳方位角方向生成若干平行直线，通过阴影切割平行线并计算线段长度均值作为建筑阴影长度。并依据太阳高度角和卫星高度角与建筑的空间关系计算建筑高度，具体方法如下：
当太阳和卫星在建筑同侧时，建筑高度计算可见公式(1)，当太阳和卫星在建筑异侧时，建筑高度计算可见公式(2)，H＝L_B
×
tanω＝L_S
×
tanω
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式(2)其中，L_S为影像上阴影的长度，L_B为建筑实际阴影长度，σ为太阳高度角，ω为卫星高度...

【专利技术属性】
技术研发人员：尹烁，阮婧，吉波，戚知晨，
申请(专利权)人：南京国图信息产业有限公司，
类型：发明
国别省市：