【技术实现步骤摘要】
一种多尺度动态图卷积的建筑物立面结构提取方法
[0001]本专利技术涉及激光点云测量数据智能处理和城市三维建模
，特别是涉及一种多尺度动态图卷积的建筑物立面结构提取方法。
技术介绍
[0002]随着数字化城市建设的不断推进，对高精度城市三维模型的需求日益增长，如何实现建筑物立面的精细化重建成为关键问题之一。三维激光扫描技术作为一种能够高效、高精度获取建筑物空间几何信息的方法，已成为城市精细化建模数据的重要来源之一。在此背景下，研究对三维激光点云数据中建筑物立面特征的精准识别与提取，并准确获得立面结构目标如窗户等非墙面元素的完整几何特征与空间相对位置，是实现建筑物精细化重建的必要步骤。因此，基于三维激光点云的建筑立面细部结构提取研究具有重要的学术价值和实际意义。
[0003]目前，现有的建筑点云立面结构提取方法可分为：传统几何方法和基于深度学习的方法。传统几何方法主要从建筑影像和几何关系出发，通过分析建筑立面的几何形态、分布规律和特征信息，以实现对建筑立面结构的点云提取和特征识别。
[0004]在M
【技术保护点】
【技术特征摘要】
1.一种多尺度动态图卷积的建筑物立面结构提取方法，其特征在于：包括以下步骤S1、构建建筑立面细部结构提取神经网络模型以及模型所需数据集，建筑立面细部结构提取神经网络模型包括特征提取模块和特征传播模块，特征提取模块包括两个分支动态图卷积网络和一个通道注意力SENet；S2、构建多尺度点云数据空间，并将不同尺度的点云输入到动态图卷积网络中；S3、特征提取模块对不同尺度的点云的深度特征进行提取；S4、采用通道注意力机制SENet融合不同尺度点云的深度特征，对不同深度特征附上不同的权重；S5、对于不同尺度点云的深度特征都建立起相应的损失函数来做约束，并附上不同的权重相加为最终的损失函数；S6、通过距离加权插值的方法对点云进行上采样，以保证不同尺度点云的深度特征的数量一致性，进而在通道维度上拼接得到代表该建筑立面点云的总特征；S7、对点云的总特征经过连续的卷积层进行处理，并计算每个点云在不同部件类别上的概率分布；S8、选取具有最大概率的部件类别作为点云数据的预测标签，进而对建筑点云中细部结构进行提取；S9、对建筑立面细部结构提取神经网络模型进行精度评估。2.根据权利要求1所述的一种多尺度动态图卷积的建筑物立面结构提取方法，其特征在于：所述步骤S1中，使用地面激光扫描仪获得的建筑物立面点云数据集，即模型所需数据集，其中包含三维坐标信息；且对原始的点云数据进行去噪、语义标注以及数据增强，将模型所需数据集划分为训练集、验证集以及测试集。3.根据权利要求1所述的一种多尺度动态图卷积的建筑物立面结构提取方法，其特征在于：所述步骤S2包括以下分步骤S2.1、通过最远点采样的方法对输入点云进行下采样，通过设置不同的采样参数获得不同数量的点云；S2.2、对每个采样后的点云分别设置两个不同半径的球形邻域，并从两个球形邻域中选择一定数量的点，即对应的邻近点数量K，构成不同尺寸的网络感受野输入到动态图卷积网络中，得到不同尺度的点云。4.根据权利要求3所述的一种多尺度动态图卷积的建筑物立面结构提取方法，其特征在于：所述步骤S2.2中，计算球形邻域内除了球心点以外的每个点与球形邻域的球心点之间的欧氏距离，如果该欧氏距离小于球形邻域的半径，则该点被视为邻近点，并按照距离的升序进行排序，从中选取前K个点输入到动态图卷积网络中；若球形邻域内的邻近点数量小于K，则通过重复最近的相邻点来扩充至K个点。5.根据权利要求1所述的一种多尺度动态图卷积的建筑物立面结构提取方法，其特征在于：所述步骤S3中，计算中心点特征与邻近点特征之差以获得边特征，并使用聚合函数将边特征和中心点特征进行拼接，具体公式表达如下：其中，d
i
和d
j
分别表示中心点特征和邻近点特征，（d
i
‑
d
j
）为边特征，p
ij
为最后聚合的特
征，为聚合操作；接着最后聚合的特征经过两个不同维度的卷积层和最大池化层，其中每个卷积层都包含有使用ReLU函数的激活层以及...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。