畢業(yè)設計(論文)譯文姓名XXX學號XXX所屬學院XXX專業(yè)XXX指導教師XXX

高級信息工程學6.無ADBIM的竣工建模生成沒有ADBIM的設施的完整幾何模型是一個復雜的問題,主要是因為要處理的點云通常非常大，并且它包含大量需要識別的基礎架構元素(例如墻、地板、窗口)，可能存在雜亂。檢測和識別預定義的基礎架構元素是竣工模型。然而，同樣重要的是要素之間關系的建模，這有助于獲得連貫的全局幾何表示。根據(jù)用于定義這種全局一致性的標準，幾何建模中的現(xiàn)有方法可分為全局優(yōu)化方法和局部啟發(fā)式方法。前者通常是基于模型的，并且是關于整個場景的原因,試圖找到在最大后驗估計或能量最小化方面是最佳的全局幾何解釋。元素之間的關系可以用作全局模型的活性成分，允許注入關于場景布局的先前信息。例如，常見的關系是"相鄰的墻彼此垂直"、"墻和地板垂直"、"門包含在墻內"等。與這種整體的方法相反，這種方法是非常復雜的模型式的和昂貴的計算式的，局部啟發(fā)式方法使用自下而上的推理,其中場景的元素被獨立地處理并且可能關于元素之間的關系的先前信息被用作潛在錯誤的局部配置的拒絕標準。在這兩個類別中，很少有作品描述點云的完整建模過程，涉及計算機視覺、幾何處理或土木工程社區(qū)。但是其他的處理已建模型的特定部分或一般幾何模型問題的作品也值得關注，因此它們也將包括在我們的討論中。然而，我們關注的是在自動獲取BIM模型的過程中具有潛力的自動化方法或工作；我們不詳述依賴于某種形式的用戶交互的作品。6.1全局優(yōu)化法迪克等人通過一系列論文提出了一種建筑點云幾何建模的自動框架，其輸出為建筑的體積表示，對象標記為“墻”、“門”、“窗”、“柱”等。他們的方法使用貝葉斯模型，其總體先驗分布是通過建模由簡單參數(shù)形狀表示的每個建筑元素的先驗分布以及他們的關系來獲得的。在建模時，采用馬爾可夫鏈蒙特卡羅(MCMC)算法來尋找使后驗概率最大化的建筑要素參數(shù)。拉法基等人在城市建模中也使用了類似的整體推理。這些作品的主要優(yōu)勢在于它們直接挑明了場景對象的語義解釋，以及它們之間的關系。利用元素之間關系的先驗信息的一種自然可能性是使用經(jīng)過標記數(shù)據(jù)訓練的圖形模型，即使用標記為“墻”、“門”、“雜波”的元素的分段點云。在此基礎上，借鑒這一思想，構造了一個條件隨機場，對建筑物點狀云提取的平面斑塊之間的關系進行了建模。顯式地建模場景元素之間的關系，提高了模型的準確性。另一種基于圖形模型的公式被用于城市建模。作者首先從語義上將點云劃分為四個不同的類別(“建筑”、“植被”、“地面”和“雜波”)，并最小化能量函數(shù)，以找到最佳配置。結果是參數(shù)形狀(平面、圓柱體、球體或錐體)的組合來描述規(guī)則的屋頂截面，以及不規(guī)則屋頂?shù)木W(wǎng)格補丁。這種方法的緊湊性和表達能力使其在雜亂的情況下對建筑物建模很有吸引力。在類似的推理中，針對室內場景，作者首先將像素點語義分割為“地面”、“墻壁和天花板”、“家具”、“道具”，提取出粗略的場景結構，然后利用整數(shù)規(guī)劃得到場景的細化優(yōu)化配置，同時考慮場景元素之間的支持關系。同樣以室內場景為目標，鮑等人利用點云和圖像的線索，在一個試圖估算房間布局的成本函數(shù)最小化問題中，區(qū)分了屬于房間布局的(平面)表面和屬于房間內物體的表面。作者提出了一種將場景建模為一組由標簽、功能和描述符組成的相互關聯(lián)的網(wǎng)絡的集成框架。雖然它允許在一個非常高的語義層次上對場景進行推理，但是框架降低了可移植性，對網(wǎng)絡之間的相互作用進行建模;因此，這項工作的貢獻主要在理論層面。雖然沒有具體解決語義點云建模問題，但在中提出的關于地質多模型擬合的工作與竣工建模相關。在這兩種方法中，作者提出了一個全局能量最小問題，該問題考慮了多模型幾何擬合作為最優(yōu)標記問題，并利用圖割法求解。6.2局部試探法為了獲得更有效的算法，犧牲了統(tǒng)計最優(yōu)性的概念，大量與構建模型相關的工作考慮了局部啟發(fā)式方法。通常，這些方法利用建筑物的幾何模型可以被相當?shù)胤纸鉃楹唵蔚膮?shù)化曲面這一事實。典型的過程是從使用任意標準分割或聚類點云開始，然后在獲得的段上擬合不同的參數(shù)形狀。特定于體系結構場景(如正交性或對稱性)的強提示通常用于指導啟發(fā)式搜索，并丟棄異常配置。關于建筑物布局的先前信息用于將語義信息附加到檢測到的元素。更具體地說，作者假設墻與地面正交，并且應用空間掃描算法來檢測它們。相同的算法用于識別房間的平面結構。作者首先通過檢測與其主要方向相關聯(lián)的平面來自動推斷場景的粗略模型。此粗略模型可指導檢測更復雜的多面體對象(表示門窗)。在一系列的論文中，斯塔諾斯和艾倫試圖從距離掃描和未注冊的圖像中建立紋理幾何模型。并行處理的這兩個數(shù)據(jù)源以從范圍掃描中提取3D線和從圖像中提取2D線，然后通過匹配獲得圖像掃描數(shù)據(jù)，王和喬將邊界檢測為線段，并用它們來識別屋頂、窗戶、門和墻壁。該方法與上節(jié)課提到的基于模型的方法密切相關，被引入到城市建模中。使用圖形來編碼平面元素的連接性，并通過子圖匹配來識別預定義的配置。在《基于知識的地面激光掃描重建模型》中，作者提取了平面，并將其劃分為語義元素(“墻”、“門”、“窗”等)使用硬編碼的先驗知識。結果是建筑的多面體模型。在《遮擋與雜波作用下的內墻表面三維重建》中也使用了類似的方法，其中使用霍夫變換檢測參數(shù)基元，并通過它們的幾何特征(面積、相對比例尺、平面度分數(shù)等)，通過訓練SVM分類器來識別開口類型，并與雜波進行區(qū)分。以前使用區(qū)域生長算法提取的平面，使用堆疊學習方法和上下文特征進行分類。與其相似，使用SVM分類器將開口與壁面上的閉塞區(qū)域區(qū)分開來。在《根據(jù)點云數(shù)據(jù)自動生成竣工幾何民用基礎設施模型》中，作者首先對平面和四邊形進行檢測，然后使用多類決策樹對其進行分類。針對僅包含平面的場景，肖和富魯卡瓦通過處理2D水平層來生成點云的紋理用構造實體幾何表示，以獲得房間布局假設，然后將其合并以獲得使用建筑結構的規(guī)律性約束的3D模型。作者采用一種穩(wěn)健的方法：基于隨機存取算法的魯棒方法，將墻檢測為由三維線包圍的平面片，然后識別墻體內部的開口。在最近的一項工作中，普利斯為城市點云的自動建模提供了一個完整的自下而上的框架。對元素類型或其關系的任何先前約束。通過貪婪區(qū)域增長的層次聚類允許將點云分割成表面，其邊界使用圖切割能量最小化來確定。在非常大的點云上的結果是令人印象深刻的，證明即使是簡單的局部統(tǒng)計推理也能導致用于點云分割和參數(shù)基元提取的魯棒技術。6.3輔助試探法本節(jié)描述了啟發(fā)式幾何建模工作,這些工作不提供場景的語義解釋,但可以用作構建建模過程的構建塊。一些作者解決了獲得更緊湊的點云表示的問題，而忽略了語義建模。在這一行中，作者檢測替代網(wǎng)格規(guī)則部分的參數(shù)圖元(平面、圓柱體、球體)，而網(wǎng)格高度詳細的部分保持原樣。此策略減少了內存需求，同時保留了建筑物的獨特特性。在民用基礎設施中,原始檢測被用作不同框架的基礎,用于操作和維修。針對平面斑塊的提取問題,采用稀疏子空間學習的方法,將點聚類成線性子空間，然后對檢測到的每一段進行穩(wěn)健擬合。在同樣的工作中，已經(jīng)提出了許多版本的區(qū)域增長算法來從點云中提取平面塊，首先使用一些局部測量結果對點進行聚類，然后在得到的聚類上對平面進行融合。為了將高階參數(shù)圖元擬合到點云數(shù)據(jù)，存在代數(shù)和迭代方法。代數(shù)方法接受封閉形式的解是有效的，但對不完全數(shù)據(jù)會有很大的偏差。為了獲得更準確的估計，使用迭代方法來最小化幾何誤差或它的近似值。所提出的方法將NURBS擬合到預先分割的點云部分，提供了形狀自由度，并對丟失的數(shù)據(jù)進行核算。如前面所描述的，可以使用區(qū)域增長算法的僅基于幾何屬性的無上下文分割方法來獲得點云段。針對多個不同幾何模型對點云數(shù)據(jù)進行魯棒擬合的問題，施納貝爾等人提出了一種基于新的采樣策略的RANSAC版本，并提出了一種提前終止方案，該方案提供了顯著加速的效果。針對光照一致的非結構化點云平面曲面，提出了多重魯棒擬合的另一種方法：J-連桿模型，每個點由其偏好集表示，該偏好集定義為一個公差范圍內的點所滿足的模型集。通過對具有相似偏好集的點進行聚類，對點云進行分割，檢索底層模型。在同一系列作品中，努倫納比等人提出了診斷魯棒來局部擬合曲面，與其他方法相比，獲得了更好性能：它能在有異常值存在的情況下準確地擬合平面，并計算出局部表面法線。

AdvancedEngineeringInformatics6.As-builtmodellingwithoutADBIMGeneratingthefullgeometricmodelofafacilitywithoutanADBIMisanintricateproblem,mainlybecausethepointcloudtobeprocessedisgenerallyverylargeanditcontainsahighnumberofinfrastructureelementsthatneedtobeidentified(e.g.walls,floors,windows),possiblyinthepresenceofclutter.Detectingandrecognisingpredefinedinfrastructureelementsisthecoreofas-builtmodelling.However,ofequalimportanceisthemodellingoftherelationshipsbetweenelements,whichcancontributeinobtainingacoherentglobalgeometricrepresentation.Dependingonthecriterionusedtodefinethisglobalcoherency,existingapproachesingeometricmodellingcanbeclassifiedintoglobaloptimisationapproachesandlocalheuristics.Theformeraregenerallymodel-based,andreasonaboutthesceneasawhole,tryingtofindaglobalgeometricinterpretationthatisoptimalintermsofmaximumaposterioriestimationorenergyminimisation.Therelationshipsbetweentheelementscanbeusedasanactiveingredientoftheglobalmodel,allowingtoinjectpriorinformationaboutthescenelayout,e.g.commonrelationshipsare"adjacentwallsareperpendiculartoeachother","wallsandfloorsareperpendicular","doorsarecontainedwithinwalls”,etc.Opposedtothisholisticapproach,whichcanbequitecomplexmodel-wiseandexpensivecomputation-wise,thelocalheuristicapproachesusebottom-upreasonings,inwhichtheelementsofthescenearetreatedindependentlyandpossiblythepriorinformationabouttherelationshipsbetweentheelementsisusedasarejectioncriterionforpotentiallyerroneouslocalconfigurations.Inbothcategories,thereexistfewworksthatdescribefullmodellingproceduresforpointclouds,pertainingtoComputerVision,GeometryProcessing,orCivilEngineeringcommunities.Butotherworksthataddresseitherparticularpartsoftheas-builtmodelling,orthegeometricmodellingproblemingeneral,arealsoofinterest,hencetheywillbeincludedaswellinourdiscussion.However,wefocusonautomaticmethodsorworksthathavepotentialintheprocessofautomaticallyobtainingBIMmodels;wedonotdetailworksthatdependonsomeformofuserinteraction;seee.g.forapresentationoftheseworks.6.1GlobaloptimisationapproachesDicketal.proposed,throughaseriesofpapers,anautomaticframeworkforthegeometricmodellingofpointcloudsofbuildings,whoseoutputisavolumetricrepresentationofthebuilding,withobjectslabelledas"wall","door","window","column"etc.TheirapproachusesaBayesianmodel,whoseoverallpriordistributionisobtainedbymodellingthepriordistributionofeachbuildingelementrepresentedthroughsimpleparametricshapes,togetherwiththeirrelationships.Atmodellingtime,aMarkovChainMonteCarlo(MCMC)algorithmisusedtofindtheparametersofthebuildingelementsthatmaximisetheaposteriorilikelihood.AsimilaroverallreasoningisusedbyLafargeetal.forurbanmodelling.Themainstrengthoftheseworksresidesinthefactthattheyleaddirectlytoasemanticinterpretationofthesceneobjects,togetherwiththeirrelationships.Anaturalpossibilitytoexploitthepriorinformationonrelationshipsbetweenelementsistousegraphicalmodelstrainedusinglabelleddata,i.e.asegmentedpointcloudwithelementslabelledas"wall","door","clutter".Basedonthisideaandinspired,theauthorsoftrainaConditionalRandomFieldtomodeltherelationshipsbetweenplanarpatchesextractedfrompointcloudsofbuildings.Explicitlymodellingtherelationshipsbetweentheelementsofthesceneimprovestheaccuracyoftheoverallgeometricmodellingprocess.Adifferentformulationbasedongraphicalmodelsisusedinforurbanmodelling.Theauthorsstartbysemanticallysegmentingthepointcloudintofourdifferentclasses("building","vegetation","ground",and"clutter")andminimiseanenergyfunctionaltofindanoptimalconfiguration.Theoutcomeisacombinationofparametricshapes(planes,cylinders,spheresorcones)todescriberegularroofsections,andmeshpatchesforirregularroofs.Thecompactnessandtherepresentationpowerofthisapproahmakeitappealingformodellingbuildingsinthepresenceofclutter.Inasimilarreasoning,buttargetingindoorscenes,theauthorsoffirstextractacoarsescenestructurebysemanticsegmentationofpixelsinto"ground","walls&ceiling","furniture","props",thenuseintegerprogrammingtoobtainarefinedoptimalconfigurationofthescene,whileconsideringsupportrelationshipsbetweentheelementsofthescene.Againtargetingindoorscenes,Baoetal.distinguishbetween(planar)surfacesthatbelongtotheroomlayoutandthosethatbelongtoobjectsintheroom,byusingcuesfromboththepointcloudandtheimages,inacostfunctionminimisationproblemthatseekstoestimatetheroom'slayout.Anintegratedframeworktomodelasceneasasetofinterrelatednetworksoflabels,functionalities,anddescriptors,isproposedin.Althoughitallowstoreasonaboutasceneataveryhighsemanticlevel,theframeworkhasreducedfexibilityinmodellingtheinteractionsbetweenthenetworks;hencethecontributionofthisworkismostlyatatheoreticallevel.Althoughnotspecicallyaddressingtheproblemofsemanticpointcloudmodelling,theworksongeomericmulti-modelfittingproposedinarerelevantforas-builtmodelling.Inbothapproaches,theauthorsformulateaglobalenergyminimisatonproblem,thatconsidersthemulti-modelgeometricfittingasanoptimallabellingproblem,solvedusinggraphcuts.6.2LocalheuristicsSacrifcingthenotionofstatisticaloptimality,alargenumberofworksrelatedtoas-builtmodellingconsiderlocalheuristicsapproaches,inordertoobtainmoreefficientalgorithms.Generally,thesemethodstakeadvantageofthefactthatthegeometricmodelofabuildingcanbefairlydecomposedintosimpleparametricsurfaces.Thetypicalprocessstartsbysegmentingorclusteringthepointcloudusingarbitrarycriteria,andthenfitsdifferentparametricshapesonthesegmentsobtained.Strongcuesspecifctoarchitecturesceneslikeorthogonalityorsymmetry,aretypicallyusedtoguidetheheuristicsearch,anddiscardabnormalconfigurations.Priorinformationaboutthelayoutofthebuildingsareusedtoattachsemanticinformationtothedetectedelements.Morespecifically,theauthorsofassumethatwallsareorthogonaltotheground,andapplyspacesweepalgorithmtodetectthem.Thesamealgorithmisusedintorecognisetheplanarstructuresofaroom.Theauthorsfirstautomaticallyinferacoarsemodelofthescene,bydetectingtheplanesassociatedtoitsprincipaldirections.Thiscoarsemodelguidesthedetectionofmorecomplexpolyhedralobjects,representingdoorsandwindows.Inaseriesofpapers,StamosandAllenseektobuildtexturedgeometricmodelsfromrangescansandunregisteredimages.Thetwodatasourcesareprocessedinparalleltoextract3Dlinesfromrangescansand2Dlinesfromimages,whicharethenmatchedtoobtainimages-scansdata,WangandChodetectboundariesaslinesegmentsandusethemtoidentifyroofs,windows,doorsandwalls.Targetingscenescontainingonlyplanarsurfaces,XiaoandFurukawagenerateatexturedCSGrepresentationofapointcloudbyprocessing2Dhorizontallayerstogetroomlayouthypotheses,whicharethenmergedtoobtainthe3Dmodelusingregularityconstraintsaboutthestructureofthebuilding.TheauthorsofadoptarobustapproachbasedonRANSACtodetectwallsasplanarpatchesboundedby3Dlines,andthenidentifyopeningswithinwalls.Inamorerecentwork,Poullispresentsafullbottom-upframeworkforautomaticmodellingofurbanpointclouds,withoutanypriorconstraintontheelementstypesortheirrelationships.Ahierarchicalclusteringthroughgreedyregiongrowingallowstosegmentthepointcloudintosurfaces,whoseboundariesaredeterminedusingagraph-cutenergyminimisation.Theresultsonverylargepointcloudsareimpressive,provingthatevensimplelocalstatisticalreasoningcanleadtorobusttechniquesforpointcloudsegmentationandextractionofparametricprimitives.6.3AuxiliaryheuristicsThissectiondescribesheuristicgeometricmodellingworksthatdonotprovideasemanticinterpretationofthescene,butwhichcouldbeusedasbuildingblocksoftheas-builtmodellingprocess.Someauthorsaddressedtheproblemofobtainingmorecompactrepresentationsofpointclouds,whileignoringthesemanticmodelling.Inthislineofworks,theauthorsdetectparametricprimitives(planes,cylinders,spheres)thatreplacetheregularpartsofthemesh,whereasthehighlydetailedpartsofthemesharekeptasis.Thisstrategyreducesthememoryrequirements,whilepreservingthedistinctivefeaturesofthebuilding.Incivilinfrastructure,primitivedetectionwasusedasthebasisofdifferentframeworksfortasksinvolvedwithoperationandmaintenance.Theauthorsaddresstheplanarpatchextractionproblem,andapplysparsesubspacelearningtoclusterthepointsintolinearsubspaces,andthenrobustlyfitplanestoeachdetectedsegment.Inthesamelineofworks,manyversionsofregiongrowingalgorithmshavebeenproposedtoextractplanarpatchesfrompointclouds,byfirstclusteringthepointsusingsomelocalmeasurements,andthenfittingplanesontheresultedclusters.Tofithigher-orderparametricprimitivestopointclouddata,algebraicanditerativemethodsexist.Admitting