[发明专利]一种基于马尔科夫聚类的多房间室内场景结构化重建方法

说明书

本发明公开了一种基于马尔科夫聚类的多房间室内场景结构化重建方法，首先进行点云上采样与预处理；然后基于马尔科夫聚类的房间分割；再进行单房间二维线段处理；最后完成室内结构化重建。本发明针对非结构化、未过滤的室内点云进行参数化、体积化重建，能够生成高精度的房屋户型图，相比使用深度学习进行室内重建，该方法能较高程度地还原室内结构，并且生成效率更高。将马尔可夫聚类的方法融合进房间的处理中，在非结构化点云上执行完全自动的房间分割和异常点删除，从而输出更贴近模型的结果。

技术领域

本发明属于计算机图形学中的三维模型重建领域，尤其针对室内环境的户型图结构重建，具体涉及一种基于马尔科夫聚类的多房间室内场景结构化重建的方法。

背景技术

目前，对室内场景的数字化研究受到越来越多的关注，真实场景的数据化能够让我们可以从任意视角充分观察场景的各个部分。室内场景的结构化重建成为了一个定义明确的新兴课题，特别是针对非常常见和结构化的多房间室内环境开发，如住宅、办公室或公共建筑，这些领域的常用解决方法包括基于全景图和视频的虚拟建筑重建方法或者通过获得的视觉或激光数据映射到参考平面测量的方法。

基于设备获得的原始数据，一般的表面重建方法专注于生产准确密集的三维模型，以确保还原甚至最小的几何形状和外观细节。从这个意义上说，他们的主要目标是提供组成输入场景的所有表面的最精确的表示，而不考虑其结构和语义，或者可能只利用它们来最大化输出表面模型的保真度。但是对于室内结构化重建，我们更希望解决方案集中于抽象出简化的高级结构化模型，因此我们把基本任务放在发现结构元素，如房间、墙壁、门，并将它们组合为三维结构形状和视觉表示。

室内结构化重建的输出可以被用于室内装修设计人员的房屋初始设计结构图，结合室内平面图的参数信息在三维模型中对房屋进行装修设计工作。现有的三维重建技术能够实现稠密三维点云的重建，但是重建时扫描稍有不慎仍然会出现模型出现孔洞的情况，会影响重建后的三维模型质量，因此本发明在预处理时构建三角网格模型，对三角网格模型进行重采样得到稠密的点云模型，消除了这部分的影响，同时利用马尔科夫聚类对房间进行分割相比于神经网络可以较大程度地提升模型构建的效率与速度。

发明内容

针对现有技术中存在的不足，本发明公开了一种基于马尔科夫聚类的多房间室内场景结构化重建方法。

本发明在三维模型的输入基础上，对三角网格进行点云的上采样，将面片的法线信息保留在点云中，得到具有定向法线的三维室内点云，随后将具有多房间的室内场景中的所有墙面提取出来，将构成墙面的点从三维平面投影到二维，得到二维投影平面图，对投影点的法线删除异常值后，取均值赋给二维投影直线，根据线段法线的互相可见性和马尔科夫聚类的结构，将房屋分为多个单房间，对多个单房间进行延伸相交过滤，选择单房间的外轮廓线段使房间闭合。根据墙体是由两面法线相反的墙面构成的限制条件选择墙体的区域，然后将平面图沿z轴还原成三维模型，得到模型的室内结构图。

一种基于马尔科夫聚类的多房间室内场景结构化重建方法，步骤如下：

步骤1、点云上采样与预处理；

步骤2、基于马尔科夫聚类的房间分割；

步骤3、单房间二维线段处理；

步骤4、室内结构化重建。

本发明有益效果如下：

1、本方法提出一种针对三角网格的稠密点云重采样方法，保持输入数据的连续性以及完整性。

2、本发明针对非结构化、未过滤的室内点云进行参数化、体积化重建，能够生成高精度的房屋户型图，相比使用深度学习进行室内重建，该方法能较高程度地还原室内结构，并且生成效率更高。

3、将马尔可夫聚类的方法融合进房间的处理中，在非结构化点云上执行完全自动的房间分割和异常点删除，从而输出更贴近模型的结果。

附图说明