一种实景三维建筑的分层分户建模方法及系统

技术领域

本发明涉及三维建模技术领域，尤其涉及一种实景三维建筑的分层分户建模方法以及一种实景三维建筑的分层分户建模系统。

背景技术

为了满足部件级实景三维的建设任务，市场对于建筑部件的精细化管理和应用的相关需求日益渐增，在实际的项目应用中，往往仅靠人工建模以响应建模需求成了几乎不可能完成的工作，加上模型的业务数据繁杂，挂接工作在人工建模时完成也大大降低了建模的效率。故通过程序化手段来提升相关的建模和业务挂接效率是未来技术发展的必然趋势。

目前市面上大部分的分层分户模型构建仍然依赖于如3DMax、Maya、Revit等这类知名的强建模软件进行人工手动构建，虽然随着建模软件的迭代更新，提供了一些较为方便的工具辅助建模人员进行建模工作，常见的如：投影面分割、立体拉伸等半自动化工具，但人工工作量仍然较为庞大。

在目前实景三维业务中，对于一般精度要求的建筑分层分户模型的建模需求大，主要应用在如招商推介、不动产查询、防火防灾预警等这类具体的业务能力上，这类模型对于分户部件内部结构精细程度要求不高，只需要体现建筑分户内部的主要结构，但数据量大。

传统的人工建模方式结合常见的强建模软件开展分层分户模型构建工作往往受到人员主观偏见、个人经验、知识储备等多方面的影响，最终成果的质量和个人的建模素质息息相关，并且在受到参照数据限制的情况下，这些问题体现的更加明显。据不完全统计，一个经验较为丰富的建模人员，在构建一栋最简单的建筑分层分户模型（如只要求建筑整体结构大致准确，只对建筑外墙做简单的贴图，不要求完全真实，无需对内部层、户型结构做细化和贴图）时，单栋模型网格体的构建需要1人/天左右，完全满足不了一般实景三维应用中对模型数量和工期的要求。完全靠人工建模，成本高、工期长，非常不划算；且人为对模型业务属性进行挂接的操作繁琐、重复操作多、出错率高，存在每个人的建模习惯和建模规范不统一导致的各类细节问题。。

发明内容

针对上述问题，本发明提供了一种实景三维建筑的分层分户建模方法及系统，通过对实景三维倾斜模型进行不同方向的投影以及图像目标检测识别，得到建筑物不同方向的外轮廓，对外轮廓进行竖直方向拉直和拆分，能够针对上下层结构形态不同的建筑物得到准确的建筑物底座面，通过窗户特征提取分析进行楼层划分，得到分层底座面，通过分层底座面与分户图相结合的匹配分析，得到分户底座面，将分层底座面与分户底座面相结合，得到建筑物的分层分户模型，实现了模型的全自动构建和属性的全自动挂接，提高了建模效率，同时保障了模型的规范一致性，大大减少了实景三维应用中建模人员的工作量，解决了人为因素导致的规范不统一和出错率高的问题，进而缩短了工期、降低了成本。

为实现上述目的，本发明提供了一种实景三维建筑的分层分户建模方法，包括：

获取建筑物的实景三维倾斜模型，对所述实景三维倾斜模型进行投影及建筑物识别，得到所述建筑物的不同方向的外轮廓及建筑外墙贴图；

对所述外轮廓进行竖向拉直、横向拆分及互相矫正处理，得到建筑物底座面；

由所述建筑外墙贴图中提取窗户特征，基于所述窗户特征进行楼层划分，并结合所述建筑物底座面得到分层底座面；

将所述建筑物的分户图与所述分层底座面进行图像特征匹配和矫正得到分户图矢量，并利用所述分户图矢量对所述分层底座面进行切分和关联得到分户底座面；

根据所述分层底座面绘制得到建筑层模型网格体，根据所述分户底座面绘制得到建筑户模型网格体，将所述建筑层模型网格体和所述建筑户模型网格体匹配组合生成所述建筑物的建筑分层分户模型。

在上述技术方案中，优选地，所述对所述实景三维倾斜模型进行六方向投影及建筑物识别，得到所述建筑物的四方向外轮廓及建筑外墙贴图的具体过程包括：

对所述实景三维倾斜模型进行正射投影，得到正射影像；

采用基于深度学习的目标检测算法对所述正射影像进行建筑物轮廓识别，得到建筑顶部外轮廓；

以所述建筑顶部外轮廓的中心点为中心，对当前建筑物的前后左右四个方向进行四方向投影，得到所述建筑物的四方向影像；

采用基于深度学习的目标检测算法对所述四方向影像进行建筑物轮廓识别，并通过彼此互相验证进行轮廓修正，得到所述建筑物的四方向外轮廓；

对所述四方向影像进行裁剪提取后，将各方向贴图合并于所述四方向外轮廓的对应方向外轮廓上，得到所述建筑外墙贴图。

在上述技术方案中，优选地，所述对所述四方向外轮廓在竖直方向进行拉直、横向拆分及矫正处理，得到建筑物底座面的具体过程包括：

对所述四方向外轮廓的竖直方向线条在预设容差内进行拉直处理；

若四个方向的外轮廓的竖直方向线条均能够完全拉直，则判定所述建筑物只拥有一个底座面，则将所述四方向外轮廓与所述建筑顶部外轮廓进行结合修正，得到所述建筑物底座面；

若四个方向的外轮廓中竖直方向线条存在无法完全拉直的情况，则判定所述建筑物具有上下不同的结构形态，通过横向拆分得到不同的底座面，将拆分得到不同底座面的四方向外轮廓与所述建筑顶部外轮廓进行结合修正，得到所述建筑物底座面；

对所述实景三维倾斜模型进行由下至上投影得到建筑底部影像，对所述建筑底部影像进行图像识别得到底部外轮廓，利用所述底部外轮廓对所述建筑物底座面进行矫正。

在上述技术方案中，优选地，所述由所述建筑外墙贴图中提取窗户特征，基于所述窗户特征进行楼层划分，并结合所述建筑物底座面得到分层底座面的具体过程包括：

利用基于深度学习的目标检测算法对所述建筑外墙贴图进行窗户轮廓识别，得到外墙窗户掩膜图片；

采用霍夫变换检测所述外墙窗户掩膜图片中的水平直线，得到水平线集合；

对所述水平线集合进行噪声过滤，统计合并得到窗户的横向分界线；

根据所述横向分界线得到建筑楼层数以及楼层间平均水平线，结合楼层高度进行验算纠正，得到楼层分层线；

将楼层信息赋值至所述建筑物底座面上，得到带有楼层信息的所述分层底座面。

在上述技术方案中，优选地，所述将所述建筑物的分户图与所述分层底座面进行图像特征匹配和矫正得到分户图矢量，并利用所述分户图矢量对所述分层底座面进行切分和关联得到分户底座面的具体过程包括：

查询所述建筑物对应的分户图，并对所述分户图进行OCR文字识别；

记录所识别文字的位置并剔除文字区域，对剔除文字的所述分户图进行栅格转矢量操作，得到分户图矢量；

利用图像特征匹配算法对所述分层底座面与所述分户图进行特征提取，并采用暴力匹配对提取到的特征进行特征比对；

对匹配特征进行相似度评分计算和排序，筛选得到超出预设阈值的高置信度匹配对；

采用RANSAC方法估计图像间的变换模型，以排除错误的匹配对，计算得到仿射变换矩阵；

对所述仿射变换矩阵进行仿射变换，结合所述分层底座面的空间参考，将所述分层底座面与所述分户图在空间上进行叠加；

针对所述分户图矢量进行几何矫正，并利用矫正后的所述分户图矢量对所述分层底座面进行切分；

根据空间包含关系查询对应位置识别的文字，并赋值至切分得到的面数据属性，得到所需的所述分户底座面。

在上述技术方案中，优选地，根据所述分户底座面绘制得到建筑户模型网格体过程中，将所述分户底座面内缩，内缩长度为所述分层底座面的墙面厚度；

将所述建筑层模型网格体和所述建筑户模型网格体匹配组合生成所述建筑物的建筑分层分户模型后，将所述建筑外墙贴图映射至所述建筑分层分户模型表面，或通过图像相似度匹配为所述建筑分层分户模型提供三维渲染引擎。

本发明还提出一种实景三维建筑的分层分户建模系统，应用如上述技术方案中任一项公开的实景三维建筑的分层分户建模方法，包括：

模型投影模块，用于获取建筑物的实景三维倾斜模型，对所述实景三维倾斜模型进行投影及建筑物识别，得到所述建筑物的不同方向的外轮廓及建筑外墙贴图；

底座拆分模块，用于对所述外轮廓进行竖向拉直、横向拆分及互相矫正处理，得到建筑物底座面；

建筑分层模块，用于由所述建筑外墙贴图中提取窗户特征，基于所述窗户特征进行楼层划分，并结合所述建筑物底座面得到分层底座面；

建筑分户模块，用于将所述建筑物的分户图与所述分层底座面进行图像特征匹配和矫正得到分户图矢量，并利用所述分户图矢量对所述分层底座面进行切分和关联得到分户底座面；

模型组合模块，用于根据所述分层底座面绘制得到建筑层模型网格体，根据所述分户底座面绘制得到建筑户模型网格体，将所述建筑层模型网格体和所述建筑户模型网格体匹配组合生成所述建筑物的建筑分层分户模型。

在上述技术方案中，优选地，所述模型投影模块具体用于：

对所述实景三维倾斜模型进行正射投影，得到正射影像；

采用基于深度学习的目标检测算法对所述正射影像进行建筑物轮廓识别，得到建筑顶部外轮廓；

以所述建筑顶部外轮廓的中心点为中心，对当前建筑物的前后左右四个方向进行四方向投影，得到所述建筑物的四方向影像；

采用基于深度学习的目标检测算法对所述四方向影像进行建筑物轮廓识别，并通过彼此互相验证进行轮廓修正，得到所述建筑物的四方向外轮廓；

对所述四方向影像进行裁剪提取后，将各方向贴图合并于所述四方向外轮廓的对应方向外轮廓上，得到所述建筑外墙贴图。

在上述技术方案中，优选地，所述底座拆分模块具体用于：

对所述四方向外轮廓的竖直方向线条在预设容差内进行拉直处理；

若四个方向的外轮廓的竖直方向线条均能够完全拉直，则判定所述建筑物只拥有一个底座面，则将所述四方向外轮廓与所述建筑顶部外轮廓进行结合修正，得到所述建筑物底座面；

若四个方向的外轮廓中竖直方向线条存在无法完全拉直的情况，则判定所述建筑物具有上下不同的结构形态，通过横向拆分得到不同的底座面，将拆分得到不同底座面的四方向外轮廓与所述建筑顶部外轮廓进行结合修正，得到所述建筑物底座面；

对所述实景三维倾斜模型进行由下至上投影得到建筑底部影像，对所述建筑底部影像进行图像识别得到底部外轮廓，利用所述底部外轮廓对所述建筑物底座面进行矫正。

在上述技术方案中，优选地，所述建筑分层模块具体用于：

利用基于深度学习的目标检测算法对所述建筑外墙贴图进行窗户轮廓识别，得到外墙窗户掩膜图片；

采用霍夫变换检测所述外墙窗户掩膜图片中的水平直线，得到水平线集合；

对所述水平线集合进行噪声过滤，统计合并得到窗户的横向分界线；

根据所述横向分界线得到建筑楼层数以及楼层间平均水平线，结合楼层高度进行验算纠正，得到楼层分层线；

将楼层信息赋值至所述建筑物底座面上，得到带有楼层信息的所述分层底座面；

所述建筑分户模块具体用于：

查询所述建筑物对应的分户图，并对所述分户图进行OCR文字识别；

记录所识别文字的位置并剔除文字区域，对剔除文字的所述分户图进行栅格转矢量操作，得到分户图矢量；

利用图像特征匹配算法对所述分层底座面与所述分户图进行特征提取，并采用暴力匹配对提取到的特征进行特征比对；

对匹配特征进行相似度评分计算和排序，筛选得到超出预设阈值的高置信度匹配对；

采用RANSAC方法估计图像间的变换模型，以排除错误的匹配对，计算得到仿射变换矩阵；

对所述仿射变换矩阵进行仿射变换，结合所述分层底座面的空间参考，将所述分层底座面与所述分户图在空间上进行叠加；

针对所述分户图矢量进行几何矫正，并利用矫正后的所述分户图矢量对所述分层底座面进行切分；

根据空间包含关系查询对应位置识别的文字，并赋值至切分得到的面数据属性，得到所需的所述分户底座面。

与现有技术相比，本发明的有益效果为：通过对实景三维倾斜模型进行不同方向的投影以及图像目标检测识别，得到建筑物不同方向的外轮廓，对外轮廓进行竖直方向拉直和拆分，能够针对上下层结构形态不同的建筑物得到准确的建筑物底座面，通过窗户特征提取分析进行楼层划分，得到分层底座面，通过分层底座面与分户图相结合的匹配分析，得到分户底座面，将分层底座面与分户底座面相结合，得到建筑物的分层分户模型，实现了模型的全自动构建和属性的全自动挂接，提高了建模效率，同时保障了模型的规范一致性，大大减少了实景三维应用中建模人员的工作量，解决了人为因素导致的规范不统一和出错率高的问题，进而缩短了工期、降低了成本。

附图说明

图1为本发明一种实施例公开的实景三维建筑的分层分户建模方法的流程示意图；

图2为本发明一种实施例公开的建筑底座面的处理流程示意图；

图3为本发明一种实施例公开的分层底座面的处理流程示意图；

图4为本发明一种实施例公开的分户底座面的处理流程示意图；

图5为本发明一种实施例公开的分户图的OCR识别及处理方式示意图；

图6为本发明一种实施例公开的分户图的特征匹配及仿射变换示意图；

图7为本发明一种实施例公开的分户图矢量的示意图；

图8为本发明一种实施例公开的道格拉斯压缩的示意图；

图9为本发明一种实施例公开的点吸附算法的示意图；

图10为本发明一种实施例公开的矫正后的分户图矢量的示意图；

图11为本发明一种实施例公开的建筑分层分户模型的处理流程示意图；

图12为本发明一种实施例公开的分层底座面与分户底座面相组合的示意图；

图13为本发明一种实施例公开的实景三维建筑的分层分户建模系统的模块示意图。

图中，各组件与附图标记之间的对应关系为：

1.模型投影模块，2.底座拆分模块，3.建筑分层模块，4.建筑分户模块，5.模型组合模块。

实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述：

如图1所示，根据本发明提供的一种实景三维建筑的分层分户建模方法，包括：

获取建筑物的实景三维倾斜模型，对实景三维倾斜模型进行投影及建筑物识别，得到建筑物的不同方向的外轮廓及建筑外墙贴图；

对外轮廓进行竖向拉直、横向拆分及互相矫正处理，得到建筑物底座面；

由建筑外墙贴图中提取窗户特征，基于窗户特征进行楼层划分，并结合建筑物底座面得到分层底座面；

将建筑物的分户图与分层底座面进行图像特征匹配和矫正得到分户图矢量，并利用分户图矢量对分层底座面进行切分和关联得到分户底座面；

根据分层底座面绘制得到建筑层模型网格体，根据分户底座面绘制得到建筑户模型网格体，将建筑层模型网格体和建筑户模型网格体匹配组合生成建筑物的建筑分层分户模型。

在该实施方式中，通过对实景三维倾斜模型进行不同方向的投影以及图像目标检测识别，得到建筑物不同方向的外轮廓，对外轮廓进行竖直方向拉直和拆分，能够针对上下层结构形态不同的建筑物得到准确的建筑物底座面，通过窗户特征提取分析进行楼层划分，得到分层底座面，通过分层底座面与分户图相结合的匹配分析，得到分户底座面，将分层底座面与分户底座面相结合，得到建筑物的分层分户模型，实现了模型的全自动构建和属性的全自动挂接，提高了建模效率，同时保障了模型的规范一致性，大大减少了实景三维应用中建模人员的工作量，解决了人为因素导致的规范不统一和出错率高的问题，进而缩短了工期、降低了成本。

具体地，该方法依托于实景三维数据（即实景三维倾斜模型）、传统的测绘数据、不动产房产幢数据、不动产分户图或CAD分户图以及具体的业务属性表等数据实现，基于这些数据利用程序化手段实现实景三维建筑分层分户模型的全自动构建以及业务属性的全自动挂接过程。过程中的中间成果也支持导出到外部进行质检和人工介入修改错误，以确保获取准确、有效的模型成果。

如图2所示，在上述实施方式中，优选地，对实景三维倾斜模型进行六方向投影及建筑物识别，得到建筑物的四方向外轮廓及建筑外墙贴图的具体过程包括：

对实景三维倾斜模型进行正射投影，得到正射影像；

采用基于深度学习的目标检测算法对正射影像进行建筑物轮廓识别，得到建筑顶部外轮廓；

以建筑顶部外轮廓的中心点为中心，对当前建筑物的前后左右四个方向进行四方向投影，得到建筑物的四方向影像；

采用基于深度学习的目标检测算法对四方向影像进行建筑物轮廓识别，并通过彼此互相验证进行轮廓修正，得到建筑物的四方向外轮廓；

对四方向影像进行裁剪提取后，将各方向贴图合并于四方向外轮廓的对应方向外轮廓上，得到建筑外墙贴图。

具体地，倾斜模型数据是实景三维业务中较为常见的数据类型，是根据某一时刻真实世界的航拍影像数据通过专业技术手段还原而成，在感官上具备较高的真实性，但大部分倾斜模型数据在生成阶段并未对真实的建筑个体进行单体化处理，无法从数据上直接得到建筑的相关信息。

因此，在该实施方式中，通过图像识别、语义识别等手段，对倾斜数据进行分析提取，得到需要的建筑信息。其中投影法是常见的用于在二维平面上还原三维物体的一个手段，此步骤采用六投影法对倾斜模型进行投影、矫正，最终得到建筑的底座面数据。

具体地，首先对实景三维倾斜模型进行正射投影得到DOM正射影像，如果事先已经准备好了相应的DOM数据，则此步骤可省略。

对正射影像进行图像识别的过程，目的是识别出数据范围内的所有建筑物，提取从顶部观察到的建筑物外轮廓。基于深度学习的目标检测算法为Faster R-CNN、YOLO等，对预处理后的DOM图像进行物体检测，这些算法可以自动定位和标记图像中的不同目标物体，并生成其外轮廓；然后通过提取建筑物的特征，使用分类算法（如支持向量机、随机森林等）或深度学习模型对提取的特征进行建筑物分类，以区分建筑物和非建筑物。

聚焦建筑顶部外轮廓的中心点，目的是将坐标原点移动到中心点后，以此点为中心，在其前后左右四方向上对建筑物进行投影，获取四个方向上的投影影像。值得考虑的是，如果数据量够大，单次投影的范围大小可能会影响步骤执行的效率，那么可以在比建筑物外轮廓略大的范围内按规律取点，从极高的位置由上至下与倾斜模型求交，可以得到建筑物大概的底部高程和顶部高程值。以此可以根据上下左右前后的建筑位置计算出在各个方向上的最佳投影距离和范围。

在前后左右四个方向做投影操作，得到四个方向上的投影影像。实际操作时投影的方向可以大于四，以此得到更多的细节来细化建筑物信息。结合各方向上的建筑物外轮廓，彼此互相验证，剔除因为某些方向上投影时有遮挡而产生的杂物，修正各方向的建筑外轮廓，得到更为精确的外轮廓数据。

在上述实施方式中，优选地，对四方向外轮廓在竖直方向进行拉直、横向拆分及矫正处理，得到建筑物底座面的具体过程包括：

对四方向外轮廓的竖直方向线条在预设容差内进行拉直处理；

若四个方向的外轮廓的竖直方向线条均能够完全拉直，则判定建筑物只拥有一个底座面，则将四方向外轮廓与建筑顶部外轮廓进行结合修正，得到建筑物底座面；

若四个方向的外轮廓中竖直方向线条存在无法完全拉直的情况，则判定建筑物具有上下不同的结构形态，通过横向拆分得到不同的底座面，将拆分得到不同底座面的四方向外轮廓与建筑顶部外轮廓进行结合修正，得到建筑物底座面；

对实景三维倾斜模型进行由下至上投影得到建筑底部影像，对建筑底部影像进行图像识别得到底部外轮廓，利用底部外轮廓对建筑物底座面进行矫正。

在该实施方式中，针对四方向上修正后的外轮廓数据，在竖直方向对线条按一定容差进行拉直处理。这样做有两个目的，一是为了去除影像转矢量带来的精度误差，简化数据；二是为了识别出上下结构不一致的建筑物，如带有底部商业的写字楼，一般具备架空层的高层住宅等。

如果前后左右四个方向的外轮廓在竖直方向上均能拉直，则此建筑物满足只拥有一个底座面的条件，此时根据最终的四方向外轮廓与建筑顶部外轮廓进行结合修正，即可得到最终的建筑物底座面（即完善后的建筑物顶部外轮廓），此底座面包含建筑的几何信息、底部高程信息和顶部高程信息。

对应前后左右四个方向外轮廓在竖直方向上无法拉直的情况，此时建筑物应该上下拆分成多个底座面以进行后续的操作，每一个底座面的输出方式与上述只拥有一个底座面的处理方式相同。

在得到最终的建筑物底座面后，由于现实中常见的商品住宅建筑存在许多中间户型的外墙凹进去的情况，这种情况下往往仅对外墙做前后左右四个方向的投影是无法准确识别出建筑结构的（更多方向的投影可以解决此问题）。所以在上述步骤得到了建筑物底座面的大致信息后，在建筑的底部由下至上进行一次投影，提取出外轮廓对建筑底座面进行矫正。

如图3所示，在上述实施方式中，优选地，由建筑外墙贴图中提取窗户特征，基于窗户特征进行楼层划分，并结合建筑物底座面得到分层底座面的具体过程包括：

利用基于深度学习的目标检测算法对建筑外墙贴图进行窗户轮廓识别，得到外墙窗户掩膜图片；

采用霍夫变换检测外墙窗户掩膜图片中的水平直线，得到水平线集合；

对水平线集合进行噪声过滤，统计合并得到窗户的横向分界线；

根据横向分界线得到建筑楼层数以及楼层间平均水平线，结合楼层高度进行验算纠正，得到楼层分层线；

将楼层信息赋值至建筑物底座面上，得到带有楼层信息的分层底座面。

在该实施方式中，基于深度学习的目标检测算法提取出建筑外墙贴图中的窗户信息，在另一张等同于建筑外墙贴图大小的图片中以不同的像元值区分出墙面和窗户，得到建筑外墙窗户Mask图片（掩膜图片，理解为墙面上放了一个窗户形状的遮挡板）。此外，霍夫变换是一种特征提取(Feature Extraction)，被广泛应用在图像分析（Image Analysis）、计算机视觉(Computer Vision)以及数位影像处理(Digital Image Processing)中，其主要是用来辨别找出物件中的特征，例如：线条、矩形、圆形等。基于此技术，可以得到一系列平整的水平直线。

如图4所示，在上述实施方式中，优选地，将建筑物的分户图与分层底座面进行图像特征匹配和矫正得到分户图矢量，并利用分户图矢量对分层底座面进行切分和关联得到分户底座面的具体过程包括：

查询建筑物对应的分户图，并对分户图进行OCR文字识别；

记录所识别文字的位置并剔除文字区域，对剔除文字的分户图进行栅格转矢量操作，得到分户图矢量；

利用图像特征匹配算法对分层底座面与分户图进行特征提取，并采用暴力匹配对提取到的特征进行特征比对；

对匹配特征进行相似度评分计算和排序，筛选得到超出预设阈值的高置信度匹配对；

采用RANSAC方法估计图像间的变换模型，以排除错误的匹配对，计算得到仿射变换矩阵；

对仿射变换矩阵进行仿射变换，结合分层底座面的空间参考，将分层底座面与分户图在空间上进行叠加；

针对分户图矢量进行几何矫正，并利用矫正后的分户图矢量对分层底座面进行切分；

根据空间包含关系查询对应位置识别的文字，并赋值至切分得到的面数据属性，得到所需的分户底座面。

在该实施方式中，根据对应的不动产的分户图或建筑的CAD分户图纸，使用图像匹配的方法对分户图外轮廓和建筑底座面进行匹配，然后按照分户图的内部结构对建筑底座面进行拆分，则可得到相应的建筑分户底座面。图纸的匹配需使用不动产房产幢数据（楼栋名称、单元号等信息）或地名数据作为辅助，便于根据建筑名称等信息自动匹配建筑的分户图数据，否则需要人工干预指定分户图。如图5所示，在利用OCR文字识别得到分户图中文字并剔除后，利用OpenCV进行栅格转矢量得到分户图矢量。接下来，使用OpenCV提供的图像算法，计算分层底座面与分户图的位置关系。如图6所示，首先将分层底座面打印输出为常见的图片格式，然后根据图像特征匹配SIFT（Scale-Invariant Feature Transform）算法对得到的分层底座面的图片与分户图进行特征提取，这些特征包括关键点和方向向量等；接着直接使用暴力匹配（Brute-Force）对两张图片的特征进行比对，找到相似的特征点对，通过对匹配上的特征进行相似度评分和排序，筛选出高置信度的匹配对；最后使用RANSAC（Random Sample Consensus）方法来估计图像间的变换模型，排除错误的匹配对，计算出最终的仿射变换矩阵。

如图7所示，根据该仿射变换矩阵对分户图进行仿射变换，结合分层底座面数据自身的空间参考，将分层底座面数据与分户图在空间上叠加在一起。

此外，由于分户图上描绘的建筑外轮廓和现实中的真实建筑相比是缺少部分细节的，并且不论是本发明中或其它现有的根据倾斜数据提取出的分层底座面也并不能保证百分之百保留真实建筑的细节，所以分层底座面与分户图在轮廓上不可能完全匹配，需要通过算法进行矫正。

在实施过程中，可以通过以下算法按顺序对分户图矢量进行矫正：

1) 道格拉斯压缩

将分层底座面与分户图矢量分别进行道格拉斯压缩，目的是移除指定容差范围内线段上的多余点，避免对后续计算的干扰。如图8所示，点A即为多余的点。

2) 点吸附算法

以分层底座面的矢量线段和矢量节点为依据，对分户图矢量的矢量节点在二维空间上做吸附处理，将分户图矢量的矢量节点向外（在外部的点则不处理）吸附到分层底座面的矢量线段或节点上，保证分户图矢量外轮廓的每一个矢量节点一定落在分层底座面的线上或面外。吸附时保证最邻近原则（查找最近的边或点）、共点原则（同一位置的点要一起被吸附）、共线原则（同一线段上的点垂直于线段方向移动时，线段上的其它点也朝同一方向移动）、不相交原则（吸附后分户图矢量内部的面不允许自相交），保证处理后分户图矢量的拓扑结构不会发生变化。吸附完成后的效果如图9所示，只有A、B、C、D四个区域在分层底座面的外部。

3) 二维空间求交

基于点吸附后的分户图矢量，与分层底座面进行二维空间上的求相交操作，剔除分户图矢量中在分层底座面范围外的几何图像（如图9中的A、B、C、D区域）。

4)微小面块合并

对分户图矢量中无属性的微小面块进行合并，合并到相邻的面中(如图9中的E区域)。

经过上述矫正算法，得到的矫正后的分户图矢量如图10所示。

如图11所示，根据上述实施方式中得到的分层分户模型构建所需要的三份数据：分层底座面、分户底座面、建筑外墙贴图，根据这三份数据进行类似于房屋立体化的操作并建立联系，立体化的过程中可针对具体的业务场景进行业务属性挂接和纹理映射。

其中，优选地，分层底座面进行模型网格体生成过程可以采用较为成熟常见的二维矢量面拉伸成白模的技术来完成。

如图12所示，优选地，根据分户底座面绘制得到建筑户模型网格体过程中，将分户底座面内缩，内缩长度为分层底座面的墙面厚度，从而使得分户底座面能够与分层底座面实现完美贴合。

将建筑层模型网格体和建筑户模型网格体匹配组合生成建筑物的建筑分层分户模型后，将建筑外墙贴图映射至建筑分层分户模型表面，或通过图像相似度匹配为建筑分层分户模型提供三维渲染引擎。

具体地，如果是将模型输出为常见的模型格式，如FBX、OBJ等，则对前面步骤得到的建筑外墙贴图直接做1:1纹理映射即可；如果是将模型直接输出到类似Unreal Engine这种三维渲染引擎中做渲染，可以针对模型做一些额外的工作，如为了渲染具备更多的效果（如灯光、反射等），则可通过建筑外墙图片与Unreal Engine中制作的材质贴图做图像相似度匹配，为建筑贴上效果更好的PBR材质。在输出到引擎时对模型做业务挂接，自动挂接业务ID、不动产的属性信息等。

如图13所示，本发明还提出一种实景三维建筑的分层分户建模系统，应用如上述实施方式中任一项公开的实景三维建筑的分层分户建模方法，包括：

模型投影模块1，用于获取建筑物的实景三维倾斜模型，对实景三维倾斜模型进行投影及建筑物识别，得到建筑物的不同方向的外轮廓及建筑外墙贴图；

底座拆分模块2，用于对外轮廓进行竖向拉直、横向拆分及互相矫正处理，得到建筑物底座面；

建筑分层模块3，用于由建筑外墙贴图中提取窗户特征，基于窗户特征进行楼层划分，并结合建筑物底座面得到分层底座面；

建筑分户模块4，用于将建筑物的分户图与分层底座面进行图像特征匹配和矫正得到分户图矢量，并利用分户图矢量对分层底座面进行切分和关联得到分户底座面；

模型组合模块5，用于根据分层底座面绘制得到建筑层模型网格体，根据分户底座面绘制得到建筑户模型网格体，将建筑层模型网格体和建筑户模型网格体匹配组合生成建筑物的建筑分层分户模型。

在该实施方式中，通过对实景三维倾斜模型进行不同方向的投影以及图像目标检测识别，得到建筑物不同方向的外轮廓，对外轮廓进行竖直方向拉直和拆分，能够针对上下层结构形态不同的建筑物得到准确的建筑物底座面，通过窗户特征提取分析进行楼层划分，得到分层底座面，通过分层底座面与分户图相结合的匹配分析，得到分户底座面，将分层底座面与分户底座面相结合，得到建筑物的分层分户模型，实现了模型的全自动构建和属性的全自动挂接，提高了建模效率，同时保障了模型的规范一致性，大大减少了实景三维应用中建模人员的工作量，解决了人为因素导致的规范不统一和出错率高的问题，进而缩短了工期、降低了成本。

在上述实施方式中，优选地，模型投影模块1具体用于：

对实景三维倾斜模型进行正射投影，得到正射影像；

采用基于深度学习的目标检测算法对正射影像进行建筑物轮廓识别，得到建筑顶部外轮廓；

以建筑顶部外轮廓的中心点为中心，对当前建筑物的前后左右四个方向进行四方向投影，得到建筑物的四方向影像；

采用基于深度学习的目标检测算法对四方向影像进行建筑物轮廓识别，并通过彼此互相验证进行轮廓修正，得到建筑物的四方向外轮廓；

对四方向影像进行裁剪提取后，将各方向贴图合并于四方向外轮廓的对应方向外轮廓上，得到建筑外墙贴图。

在上述实施方式中，优选地，底座拆分模块2具体用于：

对四方向外轮廓的竖直方向线条在预设容差内进行拉直处理；

若四个方向的外轮廓的竖直方向线条均能够完全拉直，则判定建筑物只拥有一个底座面，则将四方向外轮廓与建筑顶部外轮廓进行结合修正，得到建筑物底座面；

若四个方向的外轮廓中竖直方向线条存在无法完全拉直的情况，则判定建筑物具有上下不同的结构形态，通过横向拆分得到不同的底座面，将拆分得到不同底座面的四方向外轮廓与建筑顶部外轮廓进行结合修正，得到建筑物底座面；

对实景三维倾斜模型进行由下至上投影得到底部外轮廓，利用底部外轮廓对建筑物底座面进行矫正。

在上述实施方式中，优选地，建筑分层模块3具体用于：

利用基于深度学习的目标检测算法对建筑外墙贴图进行窗户轮廓识别，得到外墙窗户掩膜图片；

采用霍夫变换检测外墙窗户掩膜图片中的水平直线，得到水平线集合；

对水平线集合进行噪声过滤，统计合并得到窗户的横向分界线；

根据横向分界线得到建筑楼层数以及楼层间平均水平线，结合楼层高度进行验算纠正，得到楼层分层线；

将楼层信息赋值至建筑物底座面上，得到带有楼层信息的分层底座面；

建筑分户模块4具体用于：

查询建筑物对应的分户图，并对分户图进行OCR文字识别；

记录所识别文字的位置并剔除文字区域，对剔除文字的分户图进行栅格转矢量操作，得到分户图矢量；

利用图像特征匹配算法对分层底座面与分户图进行特征提取，并采用暴力匹配对提取到的特征进行特征比对；

对匹配特征进行相似度评分计算和排序，筛选得到超出预设阈值的高置信度匹配对；

采用RANSAC方法估计图像间的变换模型，以排除错误的匹配对，计算得到仿射变换矩阵；

对仿射变换矩阵进行仿射变换，结合分层底座面的空间参考，将分层底座面与分户图在空间上进行叠加；

针对分户图矢量进行几何矫正，并利用矫正后的分户图矢量对分层底座面进行切分；

根据空间包含关系查询对应位置识别的文字，并赋值至切分得到的面数据属性，得到所需的分户底座面。

在上述实施方式中，优选地，模型组合模块5根据分户底座面绘制得到建筑户模型网格体过程中，将分户底座面内缩，内缩长度为分层底座面的墙面厚度；

模型组合模块5将建筑层模型网格体和建筑户模型网格体匹配组合生成建筑物的建筑分层分户模型后，将建筑外墙贴图映射至建筑分层分户模型表面，或通过图像相似度匹配为建筑分层分户模型提供专业三维渲染引擎中效果更佳的材质和贴图。

根据上述实施方式公开的实景三维建筑的分层分户建模系统，在实施过程中，各模块所要实现的功能与上述实施方式公开的分层分户建模方法的各步骤分别对应一致，在实施过程中，参照上述方法的步骤进行实施，在此不再赘述。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。