基于堆叠沙漏网络的建筑立面特征线结构提取研究.pdfVIP

摘要

三维（3D）城市建模是3D地球科学建模的重要组成部分，建筑立面的特征线结构检测

在3D城市建模中发挥着关键作用。建筑立面特征线可以作为结构先验辅助建筑的快速三维

重建。因此，探究如何高效准确地提取出建筑立面特征线具有重要的意义。传统方法大多借

助激光雷达等仪器设备，或者依赖于复杂的算法提取出特征线，具有成本较高、效率低下等

问题。随着深度学习技术的发展，神经网络具有强大的表征与学习能力，使得提取图像中的

不同层次特征成为可能，即使在复杂场景下，算法的便捷性与鲁棒性也能得到保证。因此，

本文将深度学习技术应用到建筑物特征线提取上，构建神经网络模型，实现了准确高效地提

取出特征线结构的目的。主要工作内容如下：

(1)本文构建了一个全新的真实世界建筑立面线框数据集，包括窗线数据集和轮廓线数据

集两部分，为了保证数据集的有效性和丰富性，该数据集综合考虑了天气、建筑风格、光照

等因素。基于这两部分数据分别进行了详细的实验，并可视化部分结果以展示模型的学习效

果，同时为了评估的客观性，还研究并应用了新颖的结构化评价指标(和)。实验结果

表明，与现有的线检测算法相比，本文提出的方法在建筑立面特征线结构提取方面具有更高

的效率、准确性和适用性。

(2)在本文中，提出了一种提取建筑立面特征线的框架。该框架包括两个部分：改进的堆

叠沙漏网络和点线提取验证模块。在沙漏网络模型上，本文应用跳跃连接的思路构建轻量级

堆叠沙漏模型，能够获得较高的网络性能。在点线提取验证模块，采取先提取点再连接线的

方法，兼顾了特征线之间连接性和参考性特征，提升线结构提取的精度。本文的方法是端到

端可训练的，该框架可以从建筑立面图像中直接输出矢量化的特征线线框，矢量化的特征线

线框由点线结构组成，点线结构包含丰富的语义和几何信息，这对于建筑的重建有着极为重

要的意义。

总之，本文的方法将深度学习技术与建筑立面特征线结构的提取相结合，实现了建筑物

特征线结构的端到端提取，是针对建筑立面主体线框结构提取的一种有效尝试，证实了深度

学习技术在建筑物特征提取过程中的的优越性，也为当前3D建筑物建模中深度学习的应用

提供了新的思路。

关键词:三维建筑物建模,沙漏网络,深度学习,建筑物立面,窗户线,轮廓线，矢量化

线框

Abstract

Three-dimensional(3D)citymodelingisanessentialcomponentof3Dgeosciencesmodeling,

andthedetectionoffeaturelinestructuresonbuildingfacadesplaysacrucialrolein3Dcity

modeling.Buildingfacades’featurelinescanserveasstructuralpriorstoassistintherapid

reconstructionofbuildings.Therefore,itisofgreatsignificancetoexplorehowtoextractfeature

linesofbuildingfacadesefficientlyandaccurately.Traditionalmethodsmostlyrelyoninstrument

equipmentsuchasLiDARorcomplexalgorithmstoextractfeaturelines,whichhaveproblems

suchashighcostandlowefficiency.Withthedevelopmentofdeeplearningtechnology,neural

networkshavepowerfulrepresentat