1、基于三维点云的室内结构化三维重基于三维点云的室内结构化三维重建建研究背研究背景景Research Background研究目研究目的的Research Purpose研究方研究方法法Methods实验结实验结果果Research Result目目录录结论与展结论与展望望Conclusions0 01 10 02 20 03 30 04 40 05 51城市空间的扩张交通压力 土地资源 环境保护人类生活（衣食住行）室内空间人类经济和社会生活的主要场所 人类生活相关的室内服务的需求室内三维模型研究背景31研究背景三维点云数据获取基于多视图像获取三维点云 激光点云获取技术深度相机4移动测量技术的发展
2、室外车载、机载LIDAR（GNSS）室内移动测量平台手持SLAM（GeoSLAM,Tango）背包SLAM视觉（单目相机，双目相机，RGB-D深度相机）激光（机械旋转激光，固态激光）GeoSLAMTango1三维重建多视图三维重多视图三维重建建 激光SLAM技术 Visual SLAM研究背景无人机摄影测量SFM+MVS多视图三维重建51三维重建多视图三维重建 激光激光SLAMSLAM技技术术 Visual SLAM研究背景Cartographer采集的场景点云61三维重建多视图三维重建 激光SLAM技术 VisualVisual SLAMSLAM研究背景OrbSLAM2采集的场景带颜色点云B
3、undleFusion重建结果示例通常所说的三维重建结果：1稀疏点云2稠密点云3Mesh网格72研究目的为什么要结构化？1点云数据数据量大，信息冗余2获取的点云数据存在遮挡和不完整3网格模型显示效果不美观4缺乏语义信息，无法满足某些应用现有方法及存在的问题1机器人领域基于栅格图像的房间分割 形 态 学 方 法，V o r o n o i 图 方 法，距 离 变 换 方 法，基 于 学 习 的 方 法 2ACE领域As-built BIM，空间划分，图割方法生成房间平面图3点云处理方面，单纯的平面分割，或者点云语义分类的研究 存在存在问题问题：2没有充分利用建筑物室内结构约束，导致房间分割失败3
4、没有对室内连通空间进行建模4不适用大规模室内场景83研究方法Room spaceIndoor spaceFree spaceOccupied spaceCorridorWall opening space(e.g.,doors and windows)(Walls)Connection space室内空间和结构约束室内结构约束的两个层次：几何层次和语义层次室内空间曼哈顿空间假设弱曼哈顿空间假设93研究方法（技术路线）103研究方法点云平面分割 采用一种基于正态分布变换（Normal Distribution Transformation，NDT）的随机一致性 平面提取方法。该方法采用首先用ND
5、T分布作为点云的空间表达，将点云离散化为体素单元，并 计算每个体素单元的NDT特征；接着根据设定的阈值提取主要的表现为平面的体素单元。然后结 合RANSAC方法实现点云平面分割。本方法可以最大限度的消除RANSAC方法可能存在的虚假平面 问题，采样重权重方法拟合平面，提高平面拟合的精度和稳健性。原 始 点 云 正 态 分 布 变 换 单元平面NDT和非平面NDT 点云平面分割结果Li,L.;Yang,F.;Zhu,H.;Li,D.;Li,Y.;Tang,L.An Improved RANSAC for 3D Point Cloud Plane Segmentation Based on Nor
6、mal Distribution Transformation Cells.Remote Sens.2017,9,433.113研究方法房间分割 通过自由空间证据地图进行房间分割，得到标记了房间属性的栅格图层。将点云进行平面 分割并选择墙面投影到二维平面，利用二维墙面线将平面空间进行分割得到矢量多边形单元。通过叠加分析最终得到房间平面图。Cell complex layerRandom samplingPoint layerExtraction valuePoint with evidenceJoins and statisticsRoom Polygon layerRoom labellin
7、g layer123研究方法房间平面图与属性信息提取对生成的面图层进行简化，提取每个房间的高度、面积等信息。房间平面图13高程直方图3研究方法墙面标记利用激光和物体之间的位置关系，对扫描墙面进行标记，生成证据栅格图。占用遮挡Free space空白143研究方法门窗检测提出一种水平和垂直双向生长的门窗提取算法。154实验结果数据集两个合成数据集，两个真实数据集。Test SitesTotal FramesTable 1.Description of the datasets.Length(m)Width(m)Height(m)Points(per Frame)Synthetic-14310.3
8、5.62.56274,000Synthetic-211054.323.65.6380,000Dataset-1468.610.22.8367,602Dataset-21022.832.32.82,765,000评价指标 U=e a f e e e a f U RDM=(a )aAAD=|e a e a|e e e=+N e e=+164实验结果(a)(b)(c)(d)Figure 12.Synthetic-1 dataset.(a)Original point clouds,the trajectory is shown in red.(b)Plane segmentation and fus
9、ion result;(c)Semantic decomposition of room space and floor plan;(d)3D indoor model.(a)(b)(e)(f)Figure 14.Real world dataset-1.(a)Original point clouds;(b)Plane segmentation and fusion result;(c)Semantic decomposition of room space and floor plan;(d)3D indoor model.174实验结果TableT2a.bDlees4c.riDpteis
10、ocnriopftitohne trhoeomexpreecroimnsetnrutacltiroensuelvtsalfuoartitohnesrbeayl-uwsionr gldthdeatsaysnetthse.tic datasets.of RoomsRoomsIoURDM(m)AAD(m2)8180.0120.0090.0110.0140.120.180.210.52Test SitesTest SitesTEolteaml Ne nutmberBDacekt egcrtoeudn dDetectionBackgroundDetectionTPFPFNDoors7763.6%100%
11、Windows77440063.6%100%Synthetic-2Doors17169164.0%94.1%Windows45428384.0%93.3%Dataset-1Rooms55-Synthetic-1D aStyans etht-e2tic-2Wall8Planes Ro1o8ms Wall Planes6-98.4%1.3%3599.4%0.6%637Test SitesElementTable 3.DescriptBioanc kogf rthoeunstdructured wall oDpeetneicntgi oenlement detection results.Preci
12、sionRecallNum.TPFPFNTest SitesDataset-14410DEoleomrsent WindowsNum.109618P0r.0ec%ision 60.0%1R00e%call 90%Synthetic-1Dataset-2Doors9969.2%100%Windows87470150.0%88%185结论与展望结论1本方法可以满足大场景多房间的室内结构化三维重建。2构建的房间平面图具有很高精度。3门窗检测的查全率较高，查准率相对较低，和点云数据的噪声，稀疏性有关系。展望1多楼层环境下的室内空间划分与重建？2更加复杂的室内环境下的建模问题？商场？3本方法只采用了点云坐标，更多的线索，包括颜色，强度等信息。Li,L.;Su,F.;Yang,F.;Zhu,H.;Li,D.;Zuo,X.;Li,F.;Liu,Y.;Ying,S.Reconstruction of Three-Dimensional(3D)Indoor Interiors with Multiple Stories via Comprehensive Segmentation.Remote Sens.2018,10,1281.19
