建筑构件的三维点云分类方法、系统、装置及存储介质

技术领域

本发明涉及三维点云分类的技术领域，尤其是一种建筑构件的三维点云分类方法、系统、装置及存储介质。

背景技术

通过三维点云数据生成三维模型是一种常见的虚拟设计和构造(VDC)服务。研究集中在几个关键步骤的自动化，包括基于外观和几何属性的点云分割。这些方法主要使用曼哈顿世界假设，但是，在建筑系统接近建筑、结构元素的情况下，这些方法会导致过度分割，需要用户进行显著的微调；过程复杂，且分类不够准确导致分割不够准确。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种建筑构件的三维点云分类方法、系统、装置及存储介质。

本发明所采取的技术方案是：

一方面，本发明实施例包括一种建筑构件的三维点云分类方法，包括：

将建筑构件的三维点云分割成多个点云段；

对每个所述点云段分配初始语义标签和初始几何标签；

提取所述点云段的特征并拟合特征描述符；

利用支持向量机推断出语义标注；

利用AdaBoost分类器推断出几何标注；

利用马尔可夫随机场加强所述语义标注和所述几何标注之间的一致性。

进一步地，所述将建筑构件的三维点云分割成多个点云段这一步骤，包括：

选择一个体像素点，对建筑构件的三维点云进行子采样，生成密度分布均匀的点云；

在每个点云周围拟合一个双曲面；

将稳定区域识别为种子，并使用区域生长算法获取多个点云段。

进一步地，所述对每个所述点云段分配初始语义标签和初始几何标签这一步骤，包括：

通过每个所述点云段的点坐标获得每个点云段对应的几何特征；

根据所述几何特征，利用支持向量机和AdaBoost分类器对每个所述点云段分配初始语义标签和初始几何标签。

进一步地，所述利用支持向量机推断出语义标注通过以下第一公式执行：

式中，f(x)为结果得分，N表示训练数据的大小，y

k(x

式中，γ表示特征数的倒数，γ>0，||-x

进一步地，通过所述第一公式得到的最高置信度的标签选为所述语义标注。

进一步地，所述利用马尔可夫随机场加强所述语义标注和所述几何标注之间的一致性通过以下公式执行：

式中，J为标签向量，E

其中，E

E

式中，x为特征描述符，w

其中，L(s

式中，

另一方面，本发明实施例还包括一种建筑构件的三维点云分类系统，包括：

分割模块，用于将建筑构件的三维点云分割成多个点云段；

分配模块，用于对每个所述点云段分配初始语义标签和初始几何标签；

提取模块，用于提取所述点云段的特征并拟合特征描述符；

第一推断模块，用于利用支持向量机推断出语义标注；

第二推断模块，用于利用AdaBoost分类器推断出几何标注；

加强模块，用于利用马尔可夫随机场加强所述语义标注和所述几何标注之间的一致性。

进一步地，所述分割模块包括：

采样单元，用于选择一个体像素点，对建筑构件的三维点云进行子采样，生成密度分布均匀的点云；

拟合单元，用于在每个点云周围拟合一个双曲面；

获取单元，用于将稳定区域识别为种子，并使用区域生长算法获取多个点云段。

另一方面，本发明实施例还包括一种建筑构件的三维点云分类装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的一种建筑构件的三维点云分类方法。

另一方面，本发明实施例还包括计算机可读存储介质，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现所述的一种建筑构件的三维点云分类方法。

本发明的有益效果是：

本发明利用马尔可夫随机场加强语义标注和几何标注之间的一致性，能够提高语义标签的准确性，进而能够准确分类出建筑构件点云。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例所述建筑构件的三维点云分类方法的步骤流程图；

图2为本发明实施例所述建筑构件的三维点云分类装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

下面结合附图，对本申请实施例作进一步阐述。

参照图1，本发明实施例提出一种建筑构件的三维点云分类方法，包括但不限于以下步骤：

S1.将建筑构件的三维点云分割成多个点云段；

S2.对每个所述点云段分配初始语义标签和初始几何标签；

S3.提取所述点云段的特征并拟合特征描述符；

S4.利用支持向量机推断出语义标注；

S5.利用AdaBoost分类器推断出几何标注；

S6.利用马尔可夫随机场加强所述语义标注和所述几何标注之间的一致性。

本实施例中，关于步骤S1，首先根据用户定义的抽象级别对点云进行分割，以适应不同的细节级别。采用区域生长分割方法，该方法以表面粗糙度为特征，定义局部区域的非平面和平面属性，该方法在所有点上拟合一个双曲面，将稳定区域识别为种子，并使用区域生长算法将其扩展为多个分段。具体地，用户选择一个感兴趣的半径r，它表示用户所期望的抽象级别，首先选择一个大小为0.1r的体像素点，对点云进行子采样，生成密度分布均匀的点云；然后，该分割方法实现了一种四尺度特征检测算法，该算法利用曲面的粗糙度和曲率来描述曲面的几何特性，使用一系列比例(即r、0.75r、0.5r和0.25r)可以灵活地适应不同的细节级别，以便在每个3D点周围形成一个双曲面。

分割方法以曲率较低的点作为种子点，利用这些点开始将点云划分成有意义的子集。其次，该方法识别距离小于r、曲率差小于0.1r的种子点的相邻点，并对所有种子点进行稳定性排序，每次添加一个点时，表面粗糙度的值都会更新，并用于查找新的相邻点以完成分段，对每个种子点重复此过程以形成点云段。

关于步骤S2，本实施例中，对每个所述点云段分配初始语义标签和初始几何标签的过程中不需要设置任何参数，也不需要对形状、对象接近度和/或点云密度进行任何假设。每个点云段的三维点坐标用于获得几何特征，然后分别使用支持向量机(SVM)和AdaBoost分类器对这些几何特征进行处理，为每个点云段分配初始语义标签(例如梁、天花板、柱、地板、管道和墙)和初始几何标签(例如圆柱、水平和垂直)。一旦分配了初始语义标签和初始几何标签，该过程就应用条件随机场(CRF)方法来提高标签准确性。CRF方法利用邻域上下文来提高标注精度，然后，马尔可夫随机场(MRF)方法利用两个标签之间的关系来估计每个标签在每段中的概率，同时，MRF方法利用语义标签和几何标签之间的关系来确定每个语义类别的可能性，准确度最高的类别代表最终的语义标签，其中CRF方法和MRF方法提高了语义切分的准确性。

关于步骤S3，本实施例中，在步骤S2过程中，利用三维点坐标计算几何特征，这些几何特征分别被SVM和AdaBoost分类器用来分配初始语义标签和初始几何标签。两个分类器使用的特征都是围绕点云段及其点组成的属性定义的，包括点云段尺寸Δx、Δy和Δz；点云段形心高度H；以及与点云段中的点nx、ny和nz相关的法向量分布。

提取点云段特征的过程从估计点云段尺寸Δx、Δy和Δz开始。通过在点云段点周围绘制方框来估计点云段尺寸，并将这些值存储在[1×3]向量中。此外，该过程还通过将围绕点云段绘制的框划分为更小的区域来计算第二个特征，即法向量nx、ny和nz，从而将点云段中的点分组到子集中，法向量nx、ny和nz是按子集导出的，并存储在[3x M]直方图中；最后，假设第三个特征H等于围绕该点云段的长方体的形心高度，并用[1x M]直方图表示。这三个特征(例如，维数、质心高度和法向量)被连接起来形成两个特征描述符，一个由SVM使用，另一个由AdaBoost分类器使用。

关于步骤S4和S5，本实施例中，提取点云段的特征并形成其描述符后，下一步是为每个点云段指定语义标注(例如梁、天花板、柱、楼板、管道和墙)和几何标注(例如垂直、水平和圆柱形)。这里，输入是在分割阶段获得的N个片段，输出将是J＝(j1,j2,…,js)T，其中J是包含段标签的Nx1向量。利用支持向量机和AdaBoost分类器分别推断出语义标签和几何标签。如式1所示，SVM分类器是一个具有核的非线性判别分类器，它具有特征描述符x作为输入，并产生与每个标签f(x)相关联的分数：

式中，f(x)为结果得分，N表示训练数据的大小，y

k(x

式2中，γ表示特征数的倒数，γ>0，||-x

本实施例中，内核类型和惩罚参数是通过交叉验证过程来设置的。该SVM公式用于一对多方案，因此，返回最高置信度的标签类被选为推断的语义标签为了求解式1中的每个标签，使用了拉格朗日乘子法。

另一方面，为了分配几何标签，AdaBoost分类器的第一部分使用弱分类器，如式3所示，找到将输出分为两类的阈值，真正和真负。

式3中，f

式中，E

关于步骤S6，本实施例中，使用MRF方法来加强语义标注和几何标注之间的一致性(例如，地板是水平的，墙壁是垂直的，管道是圆柱形的)。使用MRF方法来找到标签向量J，它使式5中的能量方程最小化。

式中，J为标签向量，E

E

式中，x为特征描述符，w

式中，

最后，MRF能量方程的相干项φ(s

该方法采用n个迭代条件模式(ICM)方法求解MRF优化问题。

本发明实施例所述建筑构件的三维点云分类方法具有以下技术效果：

本发明实施例利用马尔可夫随机场加强所述语义标注和所述几何标注之间的一致性，能够提高语义标签的准确性，进而能够准确分类出建筑构件点云。

参照图2，本发明实施例还提供了一种建筑构件的三维点云分类装置200，具体包括：

至少一个处理器210；

至少一个存储器220，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器210执行，使得所述至少一个处理器210实现如图1所示的方法。

其中，存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于处理器210远程设置的远程存储器，这些远程存储器可以通过网络连接至处理器210。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

可以理解到，图2中示出的装置结构并不构成对装置200的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图2所示的装置200中，处理器210可以调取存储器220中储存的程序，并执行但不限于图1所示实施例的步骤。

以上所描述的装置200实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的目的。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如图1所示的方法。

本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。