一种基于回归网络的三维室内结构图估计方法技术

本发明专利技术公开了一种基于回归网络的三维室内结构图估计方法，首先基于Pointnet++的点云特征提取；然后通过最远点采样选取采样点，通过采样点筛选网络进行筛选，根据筛选得到的最近邻采样点构建候选角点点簇；计算候选角点点簇中距离质心最近的点，通过角点回归网络得到候选角点，最后根据获取的候选角点实现三维结构化模型的重建。本发明专利技术在对建筑场景进行重建时，通过对原始点云提取建筑角点进行端到端的估计，大大提高了估计的准确度。大大提高了估计的准确度。大大提高了估计的准确度。

【技术实现步骤摘要】
一种基于回归网络的三维室内结构图估计方法


[0001]本专利属于计算机图形学中的三维模型重建领域，是一种充分利用神经学习及回归网络的三维室内结构估计方法，通过网络学习得到室内角点信息，从而更准确地提取出线面结构性元素获取建筑结构，可以应用于当前盛行的AR和VR领域。

技术介绍

[0002]目前，对室内场景的数字化研究受到越来越多的关注，真实场景的数据化能够让我们可以从任意视角充分观察场景的各个部分。室内场景的结构化重建成为了一个定义明确的新兴课题，特别是针对常见和结构化的多房间室内环境开发，如住宅、办公室或公共建筑，这些领域的常用解决方法包括基于全景图和视频的虚拟建筑重建方法或者通过获得的视觉或激光数据映射到参考平面测量的方法。
[0003]基于设备获得原始数据，一般的表面重建方法专注于生产准确密集的三维模型，以确保还原甚至最小的几何形状和外观细节。从这个意义上说，他们的主要目标是提供组成输入场景的所有表面的最精确的表示，而不考虑其结构和语义，或者可能只利用它们来最大化输出表面模型的保真度。但是对于室内结构化重建，我们更希望解决方案集中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于回归网络的三维室内结构图估计方法，其特征在于，包括以下步骤：步骤(1)、基于Pointnet++的点云特征提取；步骤(2)、通过最远点采样选取采样点，通过采样点筛选网络进行筛选，根据筛选得到的最近邻采样点构建候选角点点簇；步骤(3)、计算候选角点点簇中距离质心最近的点，通过角点回归网络得到回归后的点坐标，也即是候选角点；步骤(4)、根据获取的候选角点实现三维结构化模型的重建。2.根据权利要求1所述的一种基于回归网络的三维室内结构图估计方法，其特征在于，步骤(1)具体方法如下：使用PointNet++模块作为点云特征学习的backbone，进行点云特征提取；经过点云的局部特征提取，每个点的维度从3维的坐标维度增加到3+C维，增加的C维特征是通过对整个场景的周边感知获得的局部特征。3.根据权利要求2所述的一种基于回归网络的三维室内结构图估计方法，其特征在于，步骤(2)具体方法如下；从原始点云中经过最远点采样FPS选取出M个采样点；具体的实现过程是，FPS从原始点云中随机抽样的一个点作为第一个候选点开始，迭代地选择距离已选点最远的点纳入候选，直到选择M个采样点；采样点均匀的分布在建筑点云的外部边界上，在采样点中不一定包括角点，但是可以通过采样点搜索近邻的点去寻找角点；首先，确定真值点个数M1(M1<M)，通过采样点筛选网络确定采样点中距离真值点最近的M1个最近邻采样点；在得到M1个最近邻采样点后，基于M1个最近邻采样点，寻找距离每个点最近邻的S
‑
1个点形成点云簇团即候选角点点簇。4.根据权利要求3所述的一种基于回归网络的三维室内结构图估计方法，其特征在于，步骤(3)具体方法如下；在该阶段中，计算点云簇团中距离质心最近的点，使用该点在训练过程中迭代的趋近真值点来获得候选角点；使用FPS之前的特征点跳跃链接到点云簇团，得到点簇数量为M1，点簇中点数量为S，特征点通道数为3+C的数据；通过角点回归网络，用质心和真值点的距离、方向向量的值作为监督数据训练4维偏移量，再以质心为起始点，以偏移量为基准，进行平移得到候选角点，使角点逐步接近真值点。5.根据权利要求4所述的一种基于回归网络的三维室内结构图估计方法，其特征在于，步骤(4)、具体方法如下；在该阶段中，得到了步骤(3)输出的候选角点，由建筑先验信息可知，天花板角点和地板角点一般是一一对应的关系，因此，先绘制天花板地板平面，然后依次连接...

【专利技术属性】
技术研发人员：颜成钢，汪奇挺，朱尊杰，魏宇鑫，傅晟，高宇涵，孙垚棋，陈楚翘，王鸿奎，王廷宇，殷海兵，张继勇，李宗鹏，赵治栋，
申请(专利权)人：杭电丽水研究院有限公司，
类型：发明
国别省市：