基于图像及NeRF模型的建筑三维模型构建方法及系统技术方案

本发明专利技术公开了一种基于图像及NeRF模型的建筑三维模型构建方法及系统，本发明专利技术方法包括取无人机围绕目标建筑飞行拍摄的时空图像集，利用卷积神经网络CNN进行多尺度的空间特征学习以实现空间特征感知；将得到的特征对齐融合为特征图时序拼接序列，利用LSTM层以实现时间特征感知；将LSTM层的输出结果利用全连接层进行相机参数预测；基于相机参数预测得到的相机参数，将时空图像集利用时变NeRF模型生成所需的预测视图以作为目标建筑时变的三维模型重建结果。本发明专利技术旨在实现快速准确地获取测量数据，针对包括复杂的几何建筑和大规模的场景范围在内的建筑实现精细化、快速的三维模型构建。建。建。

【技术实现步骤摘要】
基于图像及NeRF模型的建筑三维模型构建方法及系统


[0001]本专利技术涉及建筑的三维模型构建
，具体涉及一种基于图像及NeRF模型的建筑三维模型构建方法及系统。

技术介绍

[0002]面向城市大规模增量建设转为存量提质改造和增量建筑调整并重发展的阶段，以数字化技术为基础，开展智能监测与智慧运维基础共性技术和关键核心技术研发与转化应用，促进建筑业与信息产业等业态融合，显著提高建筑数字化、智能化水平，支撑完整社区、城镇老旧街区（小区）改造、历史文化街区更新保护、既有建筑和工业园区再利用等新时期城市更新工作，提升城市运维效率。传统测绘需要进行大量的野外工作与后续处理，这极大降低了工作效率，难以满足快速获取数据的需求。同时需要投入大量人力物力，每次测绘的成本较高，限制了测绘工作的频次与覆盖面。传统测绘依靠人工测量，测量精度难以达到高标准，且易产生累积误差，影响结果的准确性。
[0003]传统测绘能获得二维信息，但无法直接获取目标的三维形态数据，限制测绘结果的应用价值。传统测绘危险性高，野外工作存在较高安全隐患，尤其在复杂地形与不稳定建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像及NeRF模型的建筑三维模型构建方法，其特征在于，包括：S101，获取无人机围绕目标建筑飞行拍摄的时空图像集，所述时空图像集包括不同采集时间所获得的图像时间序列；S102，将时空图像集利用卷积神经网络CNN进行多尺度的空间特征学习以实现空间特征感知；S103，将多尺度的空间特征学习得到的特征对齐融合为特征图时序拼接序列；S104，将特征图时序拼接序列利用LSTM层以实现时间特征感知；S105，将LSTM层的输出结果利用全连接层进行相机参数预测；S106，基于相机参数预测得到的相机参数，将时空图像集利用时变NeRF模型生成所需的预测视图以作为目标建筑时变的三维模型重建结果。2.根据权利要求1所述的基于图像及NeRF模型的建筑三维模型构建方法，其特征在于，步骤S102中将时空图像集利用卷积神经网络CNN进行多尺度的空间特征学习以实现空间特征感知时，包括利用高分辨率处理分支和低分辨率处理分支两个网络分支的卷积神经网络CNN分别对时空图像集进行空间特征学习以实现空间特征感知。3.根据权利要求2所述的基于图像及NeRF模型的建筑三维模型构建方法，其特征在于，所述高分辨率处理分支的卷积神经网络CNN包括级联的多个用于空间特征学习的空间特征感知单元，所述低分辨率处理分支的卷积神经网络CNN包括单个用于空间特征学习的空间特征感知单元。4.根据权利要求3所述的基于图像及NeRF模型的建筑三维模型构建方法，其特征在于，所述空间特征感知单元包括依次相连的卷积层、卷积层、池化层和软注意力机制层。5.根据权利要求1所述的基于图像及NeRF模型的建筑三维模型构建方法，其特征在于，步骤S103中将多尺度的空间特征学习得到的特征对齐融合为综合时序特征向量包括：首先将多尺度的空间特征学习得到的特征进行时序对齐，以确保它们具有相同的时间步长t；对于每个时间步，将多尺度的空间特征学习得到的特征按照通道维度进行拼接形成一个综合时序特征向量，并将不同时间步的综合时序特征向量拼接得到特征图时序拼接序列。6.根据权利要求1所述的基于图像及NeRF模型的建筑三维模型构建方法，其特征在于，步骤S105中将LSTM层的输出结果利用全连接层进行相机参数预测时，相机参数预测得到的相机参数包括相机成像参数、时间标记以及光照信息，所述相机成像参数包括用于表示相机朝向的旋转矩阵和用于表示相机位置的多维向量。7.根据权利要求1所述的基于图像及NeRF模型的建筑三维模型...

【专利技术属性】
技术研发人员：何益斌，夏心红，袁峥嵘，
申请(专利权)人：湖南省建筑设计院集团股份有限公司，
类型：发明
国别省市：