几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。

面向虚拟地理环境构建的树木模型高保真三维重建

树木是城市地物的重要组成部分,树木三维模型是实景三维建设、虚拟地理环境构建以及数字孪生城市建设不可或缺的内容。目前树木实景三维模型主要基于影像或者模型库的方式进行重建,前者表现为杂乱的三角网团簇,后者在几何表达和真实感方面与真实情况差距较大,这使得重建后的树木模型难以直接用于智慧城市的实际应用。因此,本文面向虚拟地理环境高逼真场景构建需求,提出一种基于高精度激光扫描点云数据的树木三维模型高保真仿生重建方法,以期实现形态特征保持的树木三维模型自动化重建。首先,提出基于骨架的树木模型参数化重构方法,通过广义圆柱体拟合实现树枝几何形状的抽取,并根据树木生长参数对树干、主要枝条、细小枝条模型以及树冠等要素进行分级提取;其次,考虑树木不同部位精细化建模要求,提出泊松构网与参数拟合融合的树木几何模型精细化重建方法,进而基于边界约束条件实现树干与树枝模型的精准拼接与融合;最后,采用顾及树木结构的纹理展开方法,对多层级树木枝干进行纹理自动映射贴图,实现高保真的树木模型三维重建。经实际验证表明:基于背包式或站点式获取的激光点云,本方法可生成形态特征高保真的精细化三维树木模型,模型整体几何误差优于10 cm,树干模型误差优于3 cm;在相同数据条件下,与其他几种主流树木建模方法对比,本方法对树木三维形态和真实纹理的还原度程度最高。基于该研究成果,可进一步实现树木结构信息提取、三维绿量计算。