本發(fā)明涉及點云深度學習建模，具體涉及建筑點云數(shù)據(jù)高精度三維模型生成方法。

背景技術(shù)：

1、隨著建筑信息化的深入發(fā)展，點云數(shù)據(jù)成為建筑數(shù)字化的核心技術(shù)之一。然而，傳統(tǒng)點云數(shù)據(jù)處理方法面臨數(shù)據(jù)量大、精度低、多源數(shù)據(jù)整合難、信息缺失等問題，難以滿足建筑信息建模（bim）和工程分析需求。

2、傳統(tǒng)的建筑三維模型重建方法依賴于單一數(shù)據(jù)源，如機載lidar點云數(shù)據(jù)或傾斜攝影測量數(shù)據(jù)，這些方法在局部準確性、整體完整性和數(shù)據(jù)規(guī)模之間難以平衡。傳統(tǒng)icp點云配準算法的參數(shù)設(shè)置依賴經(jīng)驗值，且難以保證剛性變換，而深度學習可以直接估計出剛性變換矩陣，有利于保證點云完整性和準確性，且深度學習在點云補全和分割方面也有出色的表現(xiàn)。

3、上述問題亟待解決，為此，本發(fā)明提出了建筑點云數(shù)據(jù)高精度三維模型生成方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于：如何解決傳統(tǒng)icp點云配準算法的參數(shù)設(shè)置依賴經(jīng)驗值，且難以保證剛性變換的問題，并利用將深度學習技術(shù)應(yīng)用在點云補全和分割中，提供了建筑點云數(shù)據(jù)高精度三維模型生成方法。

2、本發(fā)明是通過以下技術(shù)方案解決上述技術(shù)問題的，本發(fā)明包括以下步驟：

3、步驟s1：多源建筑點云數(shù)據(jù)采集

4、利用架站式三維激光掃描儀、機載三維激光掃描儀掃描獲取各部分的建筑物點云數(shù)據(jù)；

5、步驟s2：深度學習點云配準

6、使用改進的cofi-net點云配準網(wǎng)絡(luò)對步驟s1獲取到的各部分點云數(shù)據(jù)進行配準，得到配準后的建筑物點云數(shù)據(jù)；將所有配準后的建筑物點云數(shù)據(jù)合并輸出為一個整體建筑物點云數(shù)據(jù)；

7、步驟s3：深度學習點云補全

8、利用改進的pf-net點云補全網(wǎng)絡(luò)對整體建筑物點云數(shù)據(jù)進補全，得到補全后的建筑物點云數(shù)據(jù)；

9、步驟s4：深度學習點云分割

10、對pointcnn點云分割網(wǎng)絡(luò)進行訓(xùn)練，得到適應(yīng)室內(nèi)場景的分割網(wǎng)絡(luò)，利用該分割網(wǎng)絡(luò)從補全后的建筑物點云數(shù)據(jù)中分割出建筑主體、內(nèi)部物體，裁剪去除周圍環(huán)境和內(nèi)部物體，得到純凈的建筑物點云模型；

11、步驟s5：建筑物參數(shù)提取

12、進行點云切片處理并提取建筑物參數(shù)；

13、步驟s6：建立bim模型

14、利用步驟s5中提取到的建筑物參數(shù)，依據(jù)ifc標準化建模格式生成bim粗模，再參考平立剖面圖精化bim模型，最后為模型貼圖建立有紋理的建筑物bim模型。

15、更進一步地，在所述步驟s1中，具體處理過程如下：

16、步驟s11：對建筑周圍環(huán)境和內(nèi)部現(xiàn)場踏勘，規(guī)劃建筑物內(nèi)、外架站式掃描站點，使用無人機傾斜攝影方法，建立建筑物傾斜攝影粗模；

17、步驟s12：使用架站式三維激光掃描儀對建筑物外立面進行掃描，獲取建筑物外立面的點云數(shù)據(jù)，再對建筑物內(nèi)部進行掃描，獲取建筑物內(nèi)部點云數(shù)據(jù)，兩站掃描站點之間需要通視，掃描區(qū)域有30%以上的重疊區(qū)域；

18、步驟s13：在傾斜攝影粗模基礎(chǔ)上利用航線規(guī)劃軟件規(guī)劃立體掃描航線，將規(guī)劃好的航線導(dǎo)入無人機遙控器后，無人機搭載三維激光掃描儀執(zhí)行掃描，獲取建筑物頂部和外立面點云數(shù)據(jù)。

19、更進一步地，在所述步驟s2中，在所述步驟s2中，在原始cofi-net點云配準網(wǎng)絡(luò)粗略配準階段中的上下文聚合過程中引入重疊注意力模塊，得到改進的cofi-net點云配準網(wǎng)絡(luò)并對其進行訓(xùn)練，使用改進的cofi-net點云配準網(wǎng)絡(luò)進行配準的處理過程如下：

20、步驟s21：輸入步驟s1中采集的具備重疊區(qū)域的兩部分點云、，其中，n和m為點的數(shù)量，3表示為三維坐標；采用共享的kpconv網(wǎng)絡(luò)提取局部幾何特征，輸出經(jīng)過下采樣后的超點、，以及特征、，其中，和是下采樣后的點的數(shù)量，b=256；

21、步驟s22：對、及其特征、依次使用自注意力機制、交叉注意力機制、自注意力機制擴大特征在自身點云上的感受野，然后在其后加入重疊注意力模塊進行處理，提取兩個點云的特征之間的上下文信息；接著確定重疊區(qū)域，即通過對分別來自兩個點云的超點進行兩兩比較，從而確定其是否位于重疊區(qū)域，輸出帶有重疊信息的特征，重疊信息包括特征表示、重疊得分和匹配得分；

22、步驟s23：將帶有重疊信息的特征輸入到最優(yōu)傳輸模塊、對應(yīng)點細化模塊中，先得到粗略的超點級的匹配關(guān)系，再得到點級的匹配關(guān)系；

23、步驟s24：將點級的匹配關(guān)系帶入ransac算法中進行旋轉(zhuǎn)平移變換，求解出位姿變換矩陣，實現(xiàn)點云精密配準。

24、更進一步地，在所述步驟s3中，在原始pf-net點云補全網(wǎng)絡(luò)特征提取階段并行加入用于從rgb-d數(shù)據(jù)中提取語義和幾何特征的網(wǎng)絡(luò)分支結(jié)構(gòu)，得到改進的pf-net點云補全網(wǎng)絡(luò)，并引入全局幾何語義一致性損失和局部幾何語義一致性損失對其進行訓(xùn)練，利用改進的pf-net點云補全網(wǎng)絡(luò)進行補全的處理過程如下：

25、步驟s31：輸入整體建筑物點云數(shù)據(jù)，形狀為，n為點數(shù)，3表示為三維坐標，經(jīng)過兩次ifps，獲得三種尺度的點云輸入數(shù)據(jù)；再經(jīng)過cmlp全連接網(wǎng)絡(luò)，獲得不同下采樣倍數(shù)點云的整體和局部特征，其中，整體建筑物點云數(shù)據(jù)為不完整點云數(shù)據(jù)；

26、步驟s32：并行輸入rgb-d影像數(shù)據(jù)，先利用深度圖生成點云，再通過生成的點云使用kpconv網(wǎng)絡(luò)提取不同層次下的點云幾何特征；

27、步驟s33：并行使用deeplabv3+網(wǎng)絡(luò)直接從rgb-d影像數(shù)據(jù)中生成帶有語義信息的特征，即獲得語義特征；

28、步驟s34：通過拼接操作將步驟s31中的點云特征、步驟s32中的幾何特征和步驟s33中的語義特征拼接在一起，作為輸入特征輸入至解碼器中生成補全后的建筑物點云數(shù)據(jù)。

29、更進一步地，在所述步驟s3中，對改進的pf-net點云補全網(wǎng)絡(luò)進行訓(xùn)練時，設(shè)計如下的綜合損失函數(shù)進行訓(xùn)練：

30、；

31、其中，為全局幾何語義一致性損失，為局部幾何語義一致性損失，和是對應(yīng)的權(quán)重超參數(shù)；

32、的計算公式如下：

33、；

34、其中，是幾何加權(quán)系數(shù)，n是點的數(shù)量，kl表示kullback-leibler散度的縮寫，是第i個樣本的目標語義分布，是第i個樣本的預(yù)測語義分布；

35、的計算公式如下：

36、；

37、其中，是點i的鄰域，和分別表示點i和點j的特征向量，表示點i和點j的特征向量之間的歐幾里得距離的平方。

38、更進一步地，在所述步驟s5中，計算建筑物點云最小矩形包圍盒，并對得到的建筑物點云模型調(diào)整點云姿態(tài)，使建筑點云最小矩形包圍盒的長邊與x軸平行，然后分別沿著x軸、y軸、z軸方向設(shè)置切片厚度對建筑物點云進行切片，然后提取切片點云中建筑結(jié)構(gòu)的相關(guān)參數(shù)，將切片點云轉(zhuǎn)換格式后導(dǎo)入cad繪制建筑物平立剖面圖，補全剩余復(fù)雜結(jié)構(gòu)的形狀尺寸，其中，建筑物參數(shù)包括建筑結(jié)構(gòu)的相關(guān)參數(shù)以及剩余復(fù)雜結(jié)構(gòu)的形狀尺寸。

39、更進一步地，在所述步驟s5中，具體處理過程如下：

40、步驟s51：計算經(jīng)過處理后的建筑物點云的最小矩形包圍盒

41、輸入點云后進行主方向估計，使用主成分分析法計算點云的主方向向量，先進行點云中心化處理，再計算協(xié)方差矩陣，然后求解協(xié)方差矩陣的特征值和特征向量，主方向由最大特征值對應(yīng)的特征向量確定，得到的三個特征向量表示建筑物點云的三個主軸方向：；

42、在建筑物點云的主方向上構(gòu)造最小矩形包圍盒：

43、；

44、其中，xmin、xmax、ymin、ymax、zmin、zmax是最小矩形包圍盒的六個邊界點的坐標，表示最小矩形包圍盒在x、y、z軸上的最小值和最大值，用于計算包圍盒的尺寸；

45、步驟s52：點云姿態(tài)調(diào)整

46、計算旋轉(zhuǎn)矩陣，將主軸對齊到指定的坐標軸，其中，旋轉(zhuǎn)矩陣通過點云主方向與目標方向的夾角計算得到，使用旋轉(zhuǎn)矩陣將點云旋轉(zhuǎn)到目標方向：

47、；

48、檢查調(diào)整后的點云是否滿足obb的長邊與目標坐標軸平行；

49、步驟s53：點云切片

50、切片方向沿調(diào)整后的主軸方向切片，根據(jù)指定的切片厚度對點云數(shù)據(jù)分割：

51、；

52、其中，zmin、zmax分別表示切片區(qū)域的最小高度和最大高度，用于指定切片的上下邊界，p代表點云中的某個具體點，zp表示點p的z軸坐標，即該點在z軸上的位置，表示第i個切片每個切片存儲為點集，包括切片內(nèi)點云的(x,y,z)坐標；

53、步驟s54：切片參數(shù)提取

54、使用最小二乘法對切片點云進行平面擬合，擬合結(jié)果用于提取傾角、偏移量；使用凸包算法提取切片點云的外部輪廓，計算平面輪廓面積、周長；通過α-shape邊緣檢測算法提取直線邊界，用于識別墻體或柱子的尺寸；從沿z軸切片點云中提取每層的最高點和最低點，計算樓層高度，并計算相鄰樓層切片之間的平均高度差作為層間距離；

55、步驟s55：剩余復(fù)雜結(jié)構(gòu)補全

56、同時將切片點云通過recap軟件轉(zhuǎn)換為.rcp或.rcs格式，導(dǎo)入cad，使用步驟s54中提取出的相關(guān)參數(shù)繪制二維線劃圖，并基于點云補全剩余復(fù)雜結(jié)構(gòu)的形狀尺寸，得到建筑物多幅平立剖面圖，剩余復(fù)雜結(jié)構(gòu)包括樓梯、花窗、復(fù)雜屋脊。

57、更進一步地，在所述步驟s51中，點云中心化處理公式如下：

58、；

59、；

60、其中，是點云的平均位置，n為點的數(shù)量，p表示點的三維位置；

61、協(xié)方差矩陣的計算公式如下：

62、。

63、本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點：

64、本發(fā)明能夠利用采集的多源點云數(shù)據(jù)，使用深度學習方法配準點云，避免傳統(tǒng)算法參數(shù)依賴經(jīng)驗值，對缺失的點云利用深度學習進行補全，使用深度學習實例分割方法分割出建筑點云中的各種實例，裁剪掉不屬于建筑的物體，得到純凈的建筑物本體，通過點云切片獲取建筑物構(gòu)建的尺寸參數(shù)，依據(jù)參數(shù)建模；通過深度學習方法優(yōu)化點云配準、補全、分割及參數(shù)提取步驟，提供一種從點云數(shù)據(jù)到bim模型自動化生成的高效方法，具有高精度、高魯棒性和適應(yīng)多源數(shù)據(jù)的優(yōu)勢。