基于车载激光扫描数据的窗户提取与重建技术

借鉴投影点密度的思想,提出了一套从车载激光扫描数据中提取和重建窗户的方案。首先,将建筑物立面点云投影到立面平面,通过建立不规则三角网(TIN),比较三角形边长来提取窗户边缘点。然后根据边缘点的分布建立格网,计算格网内的投影点密度,分类出代表窗户区域的子块并对同一窗户内的子块进行聚类。将得到的窗户在立面平面上的二维坐标代入立面平面方程,并结合窗户的厚度进行解算得到窗户立体模型各角点的三维坐标。最后利用方案对建筑物立面点云数据进行了具体处理并给出了窗户的提取和三维重建的效果。

一种用于街景影像窗户提取的神经网络

针对现有方法受类内多样性以及窗户间距较近的影响,造成漏提取和分割不足等问题。该文提出一种面向窗户提取的WBSNet模型。根据窗户在影像上的密集分布特点,加入CEB模块,用于扩大感受野,减少了目标的漏提取问题。针对相邻窗户间距较近引起的分割不足现象,引入了一种特征提取模块,在保证细节信息编码的基础上,加强网络的特征提取能力。该文在自制的街景数据集上进行实验,实验结果表明,该文方法精确率、召回率、F1-Score和交并比分别达到了76.42%、91.34%、81.82%和70.46%,验证了该文方法的有效性和可行性。

结合样本自动选择与规则性约束的窗户提取方法

针对窗户内部结构性与分布规则性等特点,提出了一种结合样本自动选择和分布规则性约束的窗户提取方法。首先,利用模板匹配对选取的单个窗户样本进行拓展,自动选择一定数量的正负样本;其次,利用自动选择的样本对JointBoost分类器进行训练,并对建筑物立面影像进行窗户提取;最后,建立包含窗户走向线、倾向线、兴趣点和相似度4个要素的窗户分布规则性模型,并利用规则性模型约束对提取结果进行优化,得到最终窗户提取结果。在复杂背景、复杂窗户结构及存在透视变形的建筑物影像窗户提取实验中,该方法均有较好的检测率与正确率。

基于倾斜三维数据的建筑物分层方法

以单体建筑为对象的属性挂接方法已无法满足城市建筑立体空间多层差异的属性信息挂接需求。因此,提出一种基于倾斜三维数据的建筑物智能楼层提取方法,该方法利用现有二维建筑物矢量边界提取建筑物立面纹理,并在Mask R-CNN模型上增加一个特征增强结构——反向的特征金字塔(feature pyramid network,FPN),充分利用高低层特征信息,提升窗户识别检测率;同时,根据窗户排列规则进行规则化补全,然后进行层高计算、分割楼层。实验证明所提方法容错性较好,即使在窗户识别不全或有遮挡的情况下,经过简单的后处理也能实现楼层的分层。