三维建筑模型单体化的深度学习技术实现

doi:10.13474/j.cnki.11-2246.2022.0350

测绘通报 ›› 2022, Vol. 0 ›› Issue (12): 14-18,23.doi: 10.13474/j.cnki.11-2246.2022.0350

• 实景三维构建技术及其应用 • 上一篇下一篇

三维建筑模型单体化的深度学习技术实现

王文娜¹, 张弓², 吴侃¹, 王瑞^1,3, 亓立壮¹

1. 中国矿业大学环境与测绘学院, 江苏徐州 221116;
2. 中煤(西安)地下空间科技发展有限公司, 陕西西安 710000;
3. 赣南科技学院, 江西赣州 341000

收稿日期:2022-01-07 修回日期:2022-09-21 出版日期:2022-12-25 发布日期:2023-01-05
作者简介:王文娜(1996-),女,硕士,主要研究方向为智能化遥感解译研究。E-mail:wwnwxm@163.com
基金资助:
江西省教育厅科技项目（GJJ191594）；江苏省自然科学基金（BK20190642）

Realize building monomerization of 3D model based on deep learning

WANG Wenna¹, ZHANG Gong², WU Kan¹, WANG Rui^1,3, QI Lizhuang¹

1. School of Environment Science and Informatics, China University of Mining and Technology, Xuzhou 221116, China;
2. China Coal (Xi'an) Underground Space Technology Development Co., Ltd., Xi'an 710000, China;
3. Gannan University of Science and Technology, Ganzhou 341000, China

Received:2022-01-07 Revised:2022-09-21 Online:2022-12-25 Published:2023-01-05

摘要/Abstract

摘要： 倾斜摄影三维建模技术能够快速建立目标区域的实景三维模型，但是该机制下的模型为连续不规则三角网（TIN），无法对其中具体的地理对象进行分析。本文采用深度学习语义分割方法提取建筑物，并与传统面向对象的影像分析提取结果进行对比。研究表明语义分割方法能够有效提取倾斜模型对应数字正射影像中的建筑物。通过对提取结果进行后处理得到建筑物矢量面，为每个建筑物添加基本属性信息，利用矢量面实现建筑物单体化并发布三维模型和数据服务，能够更有效地利用倾斜摄影模型展示研究区域地理空间和建筑物信息。

关键词: 倾斜摄影, 三维建模, 图像分割, 深度学习, 模型单体化

Abstract: The oblique photography 3D modeling technology can quickly obtain the real 3D model of the target area, but the model under this mechanism is a continuous triangulated irregular network(TIN), which makes it impossible to analyze specific geographic objects. In this paper, two methods of object-oriented image analysis and deep learning semantic segmentation are used to extract buildings and comparative analysis. The result shows that semantic segmentation method can effectively extract the buildings in the digital orthophotos corresponding to the tilt model. By post-processing the extraction results and giving the vector data the basic attributes of the building, the vector datas are used to realize the building monomerization and publish 3D models and data services, which can more effectively use the oblique photography model to show the geographical space and the building information.

Key words: oblique photography, 3D modeling, image segmentation, deep learning, model monomerization

中图分类号:

王文娜, 张弓, 吴侃, 王瑞, 亓立壮. 三维建筑模型单体化的深度学习技术实现[J]. 测绘通报, 2022, 0(12): 14-18,23.

WANG Wenna, ZHANG Gong, WU Kan, WANG Rui, QI Lizhuang. Realize building monomerization of 3D model based on deep learning[J]. Bulletin of Surveying and Mapping, 2022, 0(12): 14-18,23.

参考文献

[1] 周晓敏, 孟晓林, 张雪萍, 等.倾斜摄影测量的城市真三维模型构建方法[J].测绘科学, 2016, 41(9):159-163.
[2] 杨国东, 王民水.倾斜摄影测量技术应用及展望[J].测绘与空间地理信息, 2016, 39(1):13-15.
[3] AICARDI I, CHIABRANDO F, GRASSO N, et al. Uav photogrammetry with oblique images:first analysis on data acquisition and processing[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, XLI-B1:835-842.
[4] 张红华, 赵威成, 刘强凯. 倾斜摄影实景三维模型建筑物单体化方法研究[J]. 北京测绘, 2020, 34(3):289-291.
[5] 聂赞, 文琳, 黄山, 等. 倾斜摄影的单体化建模研究[J]. 地理空间信息, 2019, 17(3):113-114, 122.
[6] 陈思, 冯学兵, 刘阳.基于倾斜摄影实景三维模型单体化分类与应用[J].北京测绘, 2018, 32(4):409-414.
[7] 王秋萍, 张志祥, 朱旭芳.图像分割方法综述[J]. 信息记录材料, 2019, 20(7):12-14.
[8] 刘扬, 付征叶, 郑逢斌. 高分辨率遥感影像目标分类与识别研究进展[J]. 地球信息科学学报, 2015, 17(9):1080-1091.
[9] BLASCHKE T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1):2-16.
[10] PI Yalong, NATH N D, BEHZADAN A H. Convolutional neural networks for object detection in aerial imagery for disaster response and recovery[J]. Advanced Engineering Informatics, 2020, 43:101009.
[11] GARCIA-GARCIA A, ORTS-ESCOLANO S, OPREA S, et al. A survey on deep learning techniques for image and video semantic segmentation[J]. Applied Soft Computing, 2018, 70:41-65.
[12] CORDTS M, OMRAN M, RAMOS S, et al. The cityscapes dataset for semantic urban scene understanding[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV:IEEE, 2016:3213-3223.
[13] RUSSAKOVSKY O, DENG Jia, SU Hao, et al. ImageNet large scale visual recognition challenge[J]. International Journal of Computer Vision, 2015, 115(3):211-252.
[14] NOGUEIRA K, DOS SANTOS J A, CANCIAN L, et al. Semantic segmentation of vegetation images acquired by unmanned aerial vehicles using an ensemble of ConvNets[C]//Proceedings of 2017 IEEE International Geoscience and Remote Sensing Symposium. Fort Worth, TX:IEEE, 2017:3787-3790.
[15] WANG Shengke, LIU Lu, QU Liang, et al. Accurate ulva prolifera regions extraction of UAV images with superpixel and CNNs for ocean environment monitoring[J]. Neurocomputing, 2019, 348:158-168.
[16] 季顺平, 魏世清. 遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 测绘学报, 2019, 48(4):448-459.
[17] 张永军, 万一, 史文中, 等. 多源卫星影像的摄影测量遥感智能处理技术框架与初步实践[J]. 测绘学报, 2021, 50(8):1068-1083.
[18] WANG Panqu, CHEN Pengfei, YUAN Ye, et al. Understanding convolution for semantic segmentation[C]//Proceedings of 2018 IEEE Winter Conference on Applications of Computer Vision. Lake Tahoe, NV:IEEE, 2018:1451-1460.
[19] WEI Yunchao, LIANG Xiaodan, CHEN Yunpeng, et al. Learning to segment with image-level annotations[J]. Pattern Recognition, 2016, 59:234-244.
[20] WANG Juhong, LIU Bin, XU Kun. Semantic segmentation of high-resolution images[J]. Science China Information Sciences, 2017, 60(12):123101.
[21] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6):1229-1251.
[22] 曲景影, 孙显, 高鑫. 基于CNN模型的高分辨率遥感图像目标识别[J]. 国外电子测量技术, 2016, 35(8):45-50.
[23] 许夙晖, 慕晓冬, 赵鹏, 等. 利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 测绘学报, 2016, 45(7):834-840.

三维建筑模型单体化的深度学习技术实现

Realize building monomerization of 3D model based on deep learning

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吴真真, 唐超, 杨晓飞. 基于深度学习的视频识别及动态监测技术应用[J]. 测绘通报, 2022, 0(9): 23-28.
[2]	田有良, 樊廷立, 唐超. 面向地铁隧道表面渗漏水的快速检测技术[J]. 测绘通报, 2022, 0(9): 29-33.
[3]	钱建国, 张宇琦, 汤圣君, 王伟玺, 李晓明. 最小割与深度学习联合优化的室内粘连点云分割方法[J]. 测绘通报, 2022, 0(9): 45-51.
[4]	刘禹麒, 陈广亮, 蔡岳臻, 李名豪, 陈定安, 胡小中. 一种基于倾斜摄影测量点云密度自适应分割的建筑物边界提取方法[J]. 测绘通报, 2022, 0(9): 52-57.
[5]	王凯奇, 方军, 王振霖, 郭海宾, 杨振升. 交叉环绕航线下的城市级复杂建筑物实景三维建模[J]. 测绘通报, 2022, 0(9): 80-85.
[6]	张茂正, 燕宁娜, 袁宜红, 商立宏, 赵振炜. 面向高耸古塔的无人机视频环拍实景三维建模方法[J]. 测绘通报, 2022, 0(9): 86-92.
[7]	冉康, 王涛, 何志伟. 倾斜摄影测量和惯导RTK在农村宅基地确权中的应用[J]. 测绘通报, 2022, 0(9): 115-118,166.
[8]	冯炜明, 张新长, 孙颖, 姜明, 甘巧, 侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络[J]. 测绘通报, 2022, 0(8): 36-40,92.
[9]	吴昌松, 彭业萍, 曹广忠, 闫妍. 面向三维重建的无人机航拍路径规划技术研究综述[J]. 测绘通报, 2022, 0(8): 98-103,122.
[10]	王成, 施宇军, 权菲, 李青逊, 李佳豪, 周吕. 无人机倾斜摄影测量土方量测算及精度评价[J]. 测绘通报, 2022, 0(8): 139-142,159.
[11]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[12]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[13]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[14]	经皓然, 徐敬海. 异形建筑的无人机点云与地面三维激光扫描点云配准[J]. 测绘通报, 2022, 0(6): 32-39.
[15]	谢元, 董梦, 马新建. 多源数据在复杂场景建筑物三维重建的应用[J]. 测绘通报, 2022, 0(6): 143-147.