(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211150870.8 (22)申请日 2022.09.21 (71)申请人 南京国图信息产业有限公司 地址 210019 江苏省南京市 鼓楼区集慧路 18号联创科技大厦12、 13、 18层 (72)发明人 尹烁　阮婧　吉波　戚知晨　 (74)专利代理 机构 深圳峰诚志合知识产权代理 有限公司 4 4525 专利代理师 孙竹 (51)Int.Cl. G06T 17/20(2006.01) G06T 17/05(2011.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/54(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (54)发明名称 一种众源数据驱动的LOD2级城市建筑物模 型增强建模算法 (57)摘要 本发明公开一种众源数据驱动的LOD2级城 市建筑物模型增强建模算法， 主要步骤包括： 建 筑物轮廓及高度信息提取、 建筑景观聚类分析、 众源数据采集、 AI智能解译分析、 纹理信息空间 关联映射、 三维增强建模。 本发明针对现有三维 建模方法普遍存在的建模成本高、 速度慢、 还原 度低等问题， 设计了一种众源数据驱动的L OD2级 城市建筑物模型增强建模算法， 基于遥感影像、 街景图片、 OSM、 POI等众源数据驱动， 通过集成多 个深度学习模块， 自动化提取建筑物轮廓、 高度 与纹理信息， 通过构建建筑面与纹理信息的空间 映射关系， 有效丰富建筑物细节层次， 增强建筑 物模型真实度与还原度， 实现了LOD2级城市孪生 三维地理场景的快速、 自动化构建， 能够显著降 低城市级建筑模 型构建成本、 加快城市范围建筑 物模型构建速率、 兼顾L OD2级建筑物模型的纹理 基本真实性， 建筑物模型还原度精度可达85%。 该技术发明空间规划、 自然资源、 智慧城市等领域 的LOD2级城市建筑物模型展示中具有较好的应 用价值。 权利要求书3页 说明书6页 附图6页 CN 115482355 A 2022.12.16 CN 115482355 A 1.一种众源数据驱动的LOD2级城市建筑物模型增强建模算法， 其特征在于： 该算法利 用遥感影像提取建筑面和高度信息， 并综合多要素信息进行建筑面景观 聚类， 采集街景图 片数据， 训练建筑立面目标检测模型， 自动预测建筑纹理信息， 并构建建筑信息与建筑集群 间的空间映射关系， 实现城市范围LOD2级城市 建筑物模型构建， 满足模型多层次细节 2级。 本算法包括如下步骤： 步骤1、 建筑物轮廓与高度信息提取： 构建深度学习影像分割模型， 基于高分辨率遥感 影像， 自动提取建筑面及建筑阴影， 并根据相邻性、 方向一致性等原则匹配建筑面及其阴 影。 利用数学形态学表征建筑的空间结构特性， 通过一系 列形态学开操作和闭操作， 优化建 筑轮廓。 基于太阳高度角与卫星高度角的关系， 根据建筑阴影长度计算 其对应建筑高度。 步骤2、 建筑物景观聚类分析： 综合建筑面轮廓几何特征、 建筑空间关系和建筑真实纹 理信息， 通过基于道路和空间邻近性的建筑街区划分、 基于自组织映射(Self ‑ OrganizingMapping， 缩写： SOM)神经网络的建筑物特征聚类和基于兴趣点(Point  of  Interest， 缩写： POI)语义信息的建筑聚类， 实现相似建筑聚类， 得到建筑聚类面。 步骤3、 街景数据采集： 基于众源数据的公共交通路网数据， 按照固定间距提取道路点， 并基于道路点空间信息获取其邻近范围内的街景 数据。 步骤4、 建筑类别智能解译分析： 综合考虑不同区域特色、 建筑风格、 建筑用途、 建筑密 度等要素， 以建筑结构、 建筑涂料、 部件分布 等为具体特征， 构建建筑分类体系。 依据该体系 建设建筑样本库与 纹理库。 将建筑类型样本库数据输入深度学习 卷积神经网络， 训练建筑 类型AI识别检测模型并进 行精度评估。 将步骤2获取的建模区域街景数据输入该模 型， 可自 动预测图片中的建筑物及其类型。 步骤5、 纹理信息空间映射： 针对街景图片与建筑聚类面的空间位置， 将街景图片与建 筑聚类面进 行关联， 以建筑聚类面为单元， 统计其建筑类型标签并按 数量排序， 并依据最高 等级的建筑类型调 取对应纹理， 将纹理信息赋予对应建筑聚类面， 完成建筑面与 纹理信息 的空间映射。 步骤6、 三维增强建模： 基于GIS桌面平台， 根据建筑高度、 结构与纹理信息等， 自动生成 建筑物三维模型， 快速实现LOD2级城市三维增强建模。 2.根据权利要求1所述的一种众源数据驱动的LOD2级城市建筑物模型增强建模算法， 其特征在于： 所述步骤1中， 基于高分遥感影像数据的建筑物轮廓与高度信息提取具体步骤 如下： 步骤2.1、 语义分割方法提取建筑及阴影信息： 通过人工矢量化高分辨率影像 中的建筑 及阴影构建样本库， 然后利用深度学习卷积神经网络， 训练影像语义分割模型， 自动提取高 分辨率的建筑轮廓和阴影信息， 并利用二次交叉熵作为损失函数对 模型求解和评估。 步骤2.2、 建筑面优化： 通过一系列形态学开操作和闭操作构建一个形态学剖面， 对建 筑对象内像素的开剖面(OP)和闭剖面(CP)进行取平均得到建筑对象的形态学开剖面均值 和形态学闭剖面均值， 提取建筑物形态学 特征。 步骤2.3、 高度特征提取： 遵循相邻、 方向一致以及至少有一个阴影的原则进行建筑面 和阴影匹配。 根据太阳方位角方向生成若干平行直线， 通过阴影切割平行线并计算线段长 度均值作为建筑阴影长度。 并依据太阳高度角和卫星高度角与建筑的空间关系计算建筑高 度， 具体方法如下：权　利　要　求　书 1/3 页 2 CN 115482355 A 2当太阳和卫星在建筑同侧时， 建筑高度计算可 见公式(1)， 当太阳和卫星在建筑异侧时， 建筑高度计算可 见公式(2)， H＝L_B×tanω＝L_S×tanω        公式(2) 其中， L_S为影像上阴影的长度， L_B为建筑实际阴影长度， σ 为太阳高度角， ω为卫星高 度角。 3.根据权利要求1所述的一种众源数据驱动的LOD2级城市三维增强建模算法， 其特征 在于： 所述的步骤2中， 综合建筑面轮廓几何特征、 建筑空间关系和建筑真实纹理信息， 通过 基于道路和空间邻近性的建筑街区划分、 基于SOM神经网络的建筑物特征聚类和基于POI语 义信息的建筑聚类， 实现相似建筑聚类， 得到建筑聚类面。 具体步骤为： 步骤3.1、 基于道路和空间邻近性的建筑街区划分： 通过构 建Delaunay三角网描述建筑 物邻近关系， 以建筑物间最小距离为度量构建最小生成树及道路网， 识别空间邻近的建筑 物聚类， 构筑建筑街区空间关系。 步骤3.2、 基于SOM神经网络的建筑物特征 聚类： 选取建筑物高度、 方向、 形状、 面积等12 个因子对建筑物的几何特征进 行描述， 输入SOM神经网络提取地图建筑物的特点。 通过不同 因子的表达， 生成建筑物空间特 征关系的几何特 征图， 对街区建筑物进行分类。 步骤3.3、 基于POI语义信息的建筑聚合： 基于步骤2.1和步骤2.2的结果， 通过建立POI、 建筑物纹理与建筑物的匹配关系， 将POI的语义信息和建筑物纹理特征与建筑物进 行关联， 实现建筑物基于语义和纹 理特征的聚合。 4.根据权利要求1所述的一种众源数据驱动的LOD2级城市三维增强建模算法， 其特征 在于： 所述的步骤3中， 为了便于构建街景图片与建筑聚类面的空间关系， 在采集街景数据 时模拟车辆行进， 依据预设 的前进方向， 将每个点的街景数据划分为左侧街景pic_1、 右侧 街景pic_2。 5.根据权利要求1所述的一种众源数据驱动的LOD2级城市三维增强建模算法， 其特征 在于： 所述的步骤4中， 建筑类别 智能解译分析的具体步骤如下： 步骤5.1、 构建建筑分类体系与纹理库： 综合考虑不同区域特色、 建筑风格、 建筑用途、 建筑密度等要 素， 以建筑结构、 建筑涂料、 部件分布等为具体特征， 构建建筑分类体系， 并分 别制作纹 理， 构建建筑纹理库。 步骤5.2、 构建建筑分类样本库： 从全国范围内获取海量街景图， 剔除建筑过远、 建筑过 小、 被遮挡等无效图片， 并以建筑分类体系为依据， 对有效街景数据进行人工标记， 构建建 筑分类样本集， 并对样本数据集进行 数据增强， 丰富样本类型， 提高模型鲁棒 性。 步骤5.3、 建筑类型AI识别检测模型训练与精度评价： 使用开源框架进行目标检测模型 的构建与训练。 衡量基于深度学习的目标检测模型精度， 从测试集和实际检验效果等多方 面对模型检测结果进行精度评价。 步骤5.4、 建筑类型智能检测： 将图片输入训练好的目标检测模型， 自动预测建筑物及 其类型。 6.根据权利要求1所述的一种众源数据驱动的LOD2级城市三维增强建模算法， 其特征 在于： 所述的步骤5中， 在构建街景图片与建筑聚类面的空间位置时， 需以道路轴线为中心， 以街景识别范围n为半径向两侧辐射， 计算道路任一点Pc(xc,yc)的辐射边界点Pl(xl,yl)、 Pr权　利　要　求　书 2/3 页 3 CN 115482355 A 3