بازسازی چیدمان سه بعدی چند ضلعی ی Voxel و پارتیشن فضایی

بازسازی چیدمان سه بعدی چند ضلعی یک محیط داخلی از طریق تقسیم بندی اتاق مبتنی بر Voxel و پارتیشن فضایی

چکیده

تعداد فزاینده ای از برنامه ها نیاز به بازسازی دقیق طرح سه بعدی محیط های داخلی دارند. دستگاه‌های مختلفی از جمله اسکنرهای لیزری و دوربین‌های رنگی و عمقی (RGB-D) را می‌توان برای این منظور مورد استفاده قرار داد و منابع داده‌ای فراوان و بسیار دقیق را ارائه کرد. با این حال، به دلیل پیچیدگی محیط داخلی، نویزهای موجود و انسدادهای ناشی از بهم ریختگی در داده های به دست آمده، مطالعات فعلی اغلب نیاز به ایده آل سازی فضای معماری یا اضافه کردن یک فرضیه ضمنی به داده های ورودی به عنوان پیشین دارند، که استفاده از این روش ها را برای اهداف کلی محدود می کند. . در این مطالعه، ما یک روش کلی بازسازی طرح‌بندی سه بعدی برای محیط‌های داخلی پیشنهاد می‌کنیم. این روش تقسیم بندی اتاق مبتنی بر وکسل و پارتیشن فضا را برای ساخت مدل های چند ضلعی بهینه ترکیب می کند. ایده‌آل‌سازی فضای معماری را در دنیایی غیر منهتن آزاد می‌کند و می‌تواند انواع مختلفی از منابع داده ورودی، از جمله ابرهای نقطه‌ای و مش‌ها را در خود جای دهد. در مجموع از چهار مجموعه داده ابر نقطه ای، چهار مجموعه داده مش و دو مجموعه داده از طبقه متقاطع در آزمایش ها استفاده شد. نتایج بیش از 80 درصد کامل بودن و درستی و همچنین دقت بالایی را نشان می‌دهند.

کلید واژه ها:

طرح سه بعدی ؛ فضای داخلی ؛ وکسل _ پارتیشن فضایی ; ابر نقطه ; مش

1. مقدمه

بازسازی طرح‌بندی سه‌بعدی (3D) محیط‌های داخلی برای بسیاری از زمینه‌ها، مانند بازی‌ها، فیلم‌ها، ساختمان‌های هوشمند، مدل اطلاعات ساختمان (BIM) و روباتیک اهمیت زیادی دارد [ 1 ، 2 ، 3 ، 4 ]. در صنعت بازی و فیلم، یک چیدمان 3 بعدی داخلی از محیط برای ادغام اطلاعات دنیای واقعی و مجازی و برای تحقق واقعیت افزوده (AR) و واقعیت ترکیبی (MR) مفید است [ 2 ]. در زمینه معماری، مهندسی و ساخت و ساز (AEC)، ساختار داخلی و چیدمان اجزای مهم BIM هستند [ 5 ]. نمایش های دیجیتالی معماری شهری به دلیل رشد روزافزون ساختمان های شهری اهمیت فزاینده ای پیدا می کنند [ 6 ]. آنها از فراجهان و شهرهای دوقلوی دیجیتال جدایی ناپذیر هستند.

بازسازی طرح‌بندی سه‌بعدی داخلی برای ساخت مدل‌های سه‌بعدی که نقاط، خطوط و سطوح را ادغام می‌کنند، استفاده می‌شود. چیدمان های فضایی سطح بالاتری از دانش فضای معماری را ارائه می دهند [ 7 ]. فن‌آوری فتوگرامتری مبتنی بر تصویر و فناوری اکتساب داده‌های ابری نقطه‌ای مبتنی بر اسکن لیزری، منابع داده مؤثری را برای اکتساب اطلاعات فضایی داخلی و استخراج اطلاعات طرح‌بندی فراهم می‌کنند [ 8 ]]. برای برآورده کردن نیازهای برنامه های مختلف، هم ابرهای نقطه لیزری و هم تصاویر منابع داده بسیار مهمی هستند و مزایای مربوطه آنها برای به حداکثر رساندن در دسترس بودن اطلاعات ترکیب می شوند. با این حال، ابرهای نقطه لیزری یا مش های به دست آمده معمولاً بدون ساختار هستند و فاقد اطلاعات معنایی هستند. داده‌های ابر نقطه تعمیم‌یافته به‌دست‌آمده حاوی نویز، انسداد و داده‌های ناقص به دلیل ساختار پیچیده داخلی و تعداد زیادی آیتم‌های انباشته شده در فضا هستند. بنابراین، ساخت یک مدل اطلاعات شهری هنوز زمان‌بر، پر زحمت و پرهزینه است.

با وجود تقاضای زیاد برای ساختمان‌های دیجیتال، کار برای ساخت مدل‌های ساختمانی دقیق، به‌روز و غنی از معنایی هنوز کار دشواری است. نقاط در امتداد خط دید اسکنر لیزری هنگام جمع آوری داده ها به دست می آیند. مدل مش تولید شده یا داده های ابر نقطه ای از نویز و از دست دادن داده ها به دلیل انسداد ناشی از اقلام داخلی و کیفیت های بازتابی مختلف انواع مختلف اشیاء رنج می برند. روش‌های موجود در ساخت مدل‌های سه بعدی داخلی با سازگاری معنایی و توپولوژیکی مشکل دارند. بسیاری از محققان این مشکل را از دیدگاه ساختار فضای معماری ساده می کنند و فضای ساختمان را به ایده آل سازی 2.5 بعدی (2.5D) محدود می کنند یا فرضیه دقیق تر جهان منهتن را اتخاذ می کنند. سایر محققان روش های ساخت سریع مدل های ساختمان را مطالعه کرده اند.9 ]. افزودن مصنوعی دانش قبلی به داده ها حجم کار دستی را افزایش می دهد و نمی تواند نیازهای نسل بعدی هوش ربات را برآورده کند. علاوه بر این، هیچ یک از روش های فعلی نمی تواند مشکل بازسازی فضای عرضی را حل کند. بنابراین، یک روش کلی بازسازی چیدمان داخلی هنوز وجود ندارد [ 1 ].

در این مطالعه، یک روش بازسازی طرح‌بندی سه بعدی کلی با ترکیب بخش‌بندی اتاق مبتنی بر وکسل و پارتیشن بندی فضا پیشنهاد شده‌است. سهم اصلی ایجاد توصیف‌های ساختاری چند ضلعی ساختمان‌ها از اسکنرهای لیزری و داده‌های تصویر دوربین برای غیر از هندسه ساده منهتن است. این روش اطلاعات معنایی اتاق را برای تقسیم فضاهای فرعی برای به دست آوردن مدل های چند ضلعی بهینه از محیط های داخلی مرتبط می کند. این بازسازی طرح‌بندی سه‌بعدی اتاق‌های متعدد، چندین طبقه و دنیایی غیر منهتن را به‌ویژه برای بازسازی فضای بین طبقاتی ارائه می‌کند. ورودی داده می‌تواند داده‌های ابری نقطه‌ای یا داده‌های مش، با یا بدون اطلاعات وضعیت/نقطه دید/مسیر باشد.

ساختار مقاله به شرح زیر است: تحقیقات مرتبط برای این مطالعه در بخش 2 معرفی شده است، روش بازسازی پیشنهادی در بخش 3 معرفی شده است ، آزمایش ها در بخش 4 توضیح داده شده اند ، بحث در بخش 5 ارائه شده است ، و نتیجه گیری ارائه شده است.

2. آثار مرتبط

علاقه روزافزون به بازسازی سه بعدی داخلی با پیشرفت فناوری اسکن لیزری و فتوگرامتری جرقه زده شده است. در زمینه بینایی کامپیوتر، بسیاری از مطالعات بر ساخت یک مدل سه بعدی تجسم سطح تمرکز دارند و تمام اشیاء در صحنه بازسازی شده توسط یک شبکه مثلثی نشان داده می شوند. روش‌های متداول بازسازی سطح صحنه شامل مثلث‌سازی Delaunay [ 10 ] و بازسازی پواسون [ 11 ] است. با این حال، مدل سطحی فاقد اطلاعات ساختاری و معنایی است و نمی تواند نیازهای تحلیل و محاسبه عمیق را برآورده کند.

چیدمان داخلی اطلاعات سطح بالایی را در مورد ساختار فضای داخلی ارائه می دهد که برای واقعیت مجازی، طراحی داخلی، برنامه ریزی مسیر ناوبری و محاسبه انرژی از اهمیت بالایی برخوردار است. بسیاری از محققان تخمین و بازسازی چیدمان های داخلی را مطالعه کرده اند [ 5 ]. با توجه به ورودی های مختلف داده، بازسازی را می توان به اسکن لیزری [ 7 ] و بازسازی مبتنی بر تصویر [ 12 ] تقسیم کرد و تصاویر شامل تصاویر تک چشمی [ 13 ]، تصاویر پانوراما [ 14 ] و تصاویر RGB-D [ 15 ] است. ]. با توجه به صحنه های مختلف، چیدمان داخلی را می توان به عنوان اتاق های یک نفره [ 14 ]، اتاق های متعدد [ 16 ] طبقه بندی کرد.] و فضاهای داخلی در مقیاس بزرگ [ 17 ]. ابعاد می تواند دو بعدی (2 بعدی) [ 7 ، 18 ] یا 3 بعدی [ 19 ] باشد. روندهای مهم این است که محدوده فضای تخمین چیدمان اتاق در حال افزایش است، ساختار داخلی به طور فزاینده ای پیچیده می شود و انواع داده های ورودی مورد استفاده به طور فزاینده ای متنوع می شوند.

روش‌های مبتنی بر قانون و روش‌های مبتنی بر داده، دو گروهی هستند که تکنیک‌های بازسازی طرح‌بندی سه‌بعدی را می‌توان به آنها تقسیم کرد. روش‌های مبتنی بر قواعد به صورت دستی از تعاریف قواعد گرامری، دستورات برنامه‌ها و پارامترها استفاده می‌کنند که به عنوان اطلاعات گرامری در فرآیند بازسازی سه‌بعدی نیز شناخته می‌شوند. یک دستور زبان دو قانون توسط Khoshelham و Diaz-Vilarino [ 20 ] برای بازسازی فضاهای داخلی سه بعدی ساختمان های جهان منهتن از ابرهای نقطه ای پیشنهاد شد. یکی از قوانین جهت گیری مطلق دیوارهای اصلی و کف/سقف است. مورد دیگر این است که مکعب های مجاور زمانی به هم متصل می شوند که با دیوار داخلی از هم جدا نشده باشند. بکر و همکاران [ 21] از یک روش مبتنی بر دستور زبان استفاده کرد که فرآیند بازسازی را در یک حلقه یادگیری و تأیید خودکار قرار می‌دهد تا طرح‌بندی سه‌بعدی فضای داخلی ساختمان را از ابرهای نقطه خام بازسازی کند. ایکهاتا و همکاران [ 22 ] قوانین دستور زبان را برای بازیابی نمودار ساختار همراه با هندسه ها و اتاق های تقسیم شده با یک الگوریتم اکتشافی به کار برد. مورالی و همکاران [ 23] به طور ضمنی از قوانینی استفاده می کند که در آن مکعب های تراز محور به هم متصل می شوند. این روش تقاطع صفحات شناسایی شده را بررسی می کند و یک نمودار دیواری متصل ایجاد می کند. مکعب ها پس از یافتن چرخه ها در نمودار دیوار ساخته می شوند. متعاقباً مکعب ها در کنار هم قرار می گیرند تا اتاق هایی را تشکیل دهند. با این حال، از آنجایی که استخراج گرامرهای شکل قابل استفاده برای ساختارهای نامنظم (به عنوان مثال، با دیوارهای شیبدار یا با دیوارهایی که در زوایای تصادفی متقاطع می شوند) بسیار دشوار است، این رویکردها عمدتاً برای ساختمان های معمولی در منهتن اتخاذ می شوند.

در مقایسه با روش‌های مبتنی بر قانون، روش‌های مبتنی بر داده برای بازسازی چیدمان داخلی بیشتر در معرض داده‌های ناقص هستند [ 24 ]. این روش ها معمولا برای بازسازی طرح های سه بعدی فضای داخلی ساختمان استفاده می شود. ساختمان ها دارای ساختارهای متنوع و پیچیده ای هستند و اشیاء زیادی مانند مبلمان در اتاق وجود دارد. در طول فرآیند دوربین بصری مبتنی بر تصویر و اسکن لیزری، به دلیل تفاوت در انسداد دید ناشی از اجسام داخلی و ویژگی‌های بازتابی انواع مختلف اشیاء، داده‌های ابری ناقص، نویز، انسداد و ناقص به‌دست‌آمده به‌دست می‌آیند. مشکلات زیادی برای تخمین چیدمان های سه بعدی داخلی. برای ساده کردن مشکل، بسیاری از مطالعات مفروضاتی را در مورد فضای معماری تحمیل کرده اند یا به صورت دستی اطلاعات مبتنی بر تجربه را به فرآیندهای جمع آوری داده ها برای بازسازی طرح داخلی ساختمان اضافه کرده اند. انتزاعات از 2 متفاوت است. فرض فضای 5 بعدی و فرض دقیق جهان منهتن به رویه های تک طبقه. از آنجایی که جهت گیری محور z اساسی است و در اکثر مطالعات پذیرفته شده است، ما به طور جداگانه آن را به عنوان یک فرض در نظر نمی گیریم. سپس چیدمان سه بعدی محیط داخلی با تقسیم فضای داخلی بر اساس ویژگی های سلولی فضا (مانند اتاق) حل می شود.

فرضیه دقیق جهان منهتن [ 21 ] فرض می کند که یک صفحه موازی با یکی از سه صفحه اصلی سیستم مختصات متعامد است. فقط دو رابطه ممکن بین دیوار و دیوار در این نقطه وجود دارد: موازی و متعامد. دیوار عمود بر کف است. ارمنی و همکاران [ 17] فرض کرد که اتاق‌ها مطابق با چارچوب منهتن منهتن هستند و ابرهای نقطه‌ای سه‌بعدی ساختمان‌ها را در اتاق‌ها تجزیه می‌کنند. اجزای ساختمان مانند دیوارها، درها و اشیاء بیشتر طبقه بندی شدند. برای غلبه بر محدودیت های فرضیه جهان منهتن، برخی از محققان فرضیه ضعیف جهان منهتن را پذیرفته اند. دنیای ضعیف منهتن فرض می‌کند که دیوار نسبت به کف عمودی است و صفحه عمودی می‌تواند به طور دلخواه در جهت عمودی جهت‌گیری شود، که می‌تواند در مورد دیوارهای غیرمتعامد به مدل‌سازی سه بعدی داخلی دست یابد [ 25 ].]. ابرهای نقطه سه بعدی به صفحه XOY پیش بینی می شوند تا تقسیم بندی اتاق دو بعدی را تحقق بخشند. فرض 2.5 بعدی شبیه به فرضیه ضعیف جهان منهتن است که برای مدل‌سازی محیط‌هایی با دیوارهای عمودی و کف و سقف افقی استفاده شد. با این حال، فرض 2.5 بعدی را نمی توان برای محیط داخلی فضای بین طبقه و اتاق های تو در تو (اتاق های داخل اتاق) اعمال کرد، که بازسازی اتاق را در جهان غیر منهتن محدود می کند.

مورا و همکاران [ 26 ] به طور خودکار تعداد خوشه های اتاق را با گروه بندی سلول های دیدگاه بر اساس همپوشانی دید آنها انتخاب می کند. این روش بر محدودیت‌های فرض 2.5 بعدی غلبه می‌کند و امکان مدل‌سازی سازه‌های دیوار کج و سقف شیبدار را فراهم می‌کند. با این حال، این توانایی با استفاده از یک پیشین مصنوعی در طول فرآیند جمع‌آوری داده‌ها به دست می‌آید، یعنی با فرض اینکه هر اتاق حداقل یک موقعیت اسکن دارد. آمبروس و همکاران [ 27 ] مجموعه‌ای از موقعیت‌ها/نقاط دیدگاه شبیه‌سازی شده حسگر را محاسبه کرد که منجر به برچسب‌گذاری اولیه ابر نقطه ورودی شد.

برخی از محققان اطلاعات مسیر را برای طبقه بندی معنایی فضای داخلی اعمال کرده اند [ 9 ، 28 ]. بر خلاف اسکنرهای لیزری زمینی (TLS)، هنگامی که یک اسکنر لیزری سیار (MLS) برای جمع آوری داده ها استفاده می شود، درک فضا پیوسته است و هیچ اسکن جداگانه ای برای هر اتاق انجام نمی شود [ 29 ].]. در این روش ها فرض می شود که دو مکان توسط در به هم متصل شده و فضای داخلی را به طبقات، پله ها، ایوان ها و اتاق ها تقسیم می کنند. با این حال، این روش بر یک استراتژی حلقه بسته در فرآیند اکتساب داده تکیه دارد تا یک خوشه مسیر و در نتیجه یک مسیر تعیین شده در اتاق را تشکیل دهد. هنگامی که یک اتاق بیش از یک در داشته باشد و فاصله بین نقاط ردیابی که از دو در عبور می کنند زیاد باشد، این روش ممکن است شکست بخورد.

کوی و همکاران [ 28 ] یک روش تقسیم‌بندی چند اتاقه مبتنی بر تحلیل دید را پیشنهاد کرد. تجزیه و تحلیل دید با استفاده از ردیابی پرتو در امتداد نقاط مسیر نمونه‌برداری شده و نقاط مرکزی سلول‌های هر پچ شناسایی شده به دست می‌آید. به طور مشابه، اوچمن و همکاران. [ 19 ] آزمایش‌های دید را بین نقاط نقطه روی سطوح با استفاده از ریخته‌گری پرتو انجام داد و یک نمودار دید ایجاد کرد. نواحی ابر نقطه ای با دید متقابل بالا، خوشه های مربوط به اتاق های ساختمان را تشکیل می دهند. با این حال، این روش چندان قابل اعتماد نیست، به خصوص برای بازسازی بین طبقه.

بازسازی مدل‌های سه‌بعدی داخلی از ابرهای نقطه‌ای سه‌بعدی با نویز و داده‌های از دست رفته، مشکلی نامطلوب است و بهینه‌سازی بهترین راه‌حل برای این مشکل است. بر اساس فرضیات فوق، محققان مجتمع های سلولی را برای نمایش فضاهای داخلی ساخته اند. مجموعه سلولی با استفاده از اتحاد متمایز سلول های صفر بعدی، یک بعدی، دو بعدی و سه بعدی ساخته می شود که به ترتیب راس، یال، چند ضلعی و چند وجهی نامیده می شوند. رئوس، بخش ها و عناصر وجوه موجودیت سه بعدی تقسیم شده و توپولوژی فضایی آنها به طور منحصر به فرد تعیین می شوند [ 16 ]. مزیت مجموعه سلولی سازگاری توپولوژیکی را تضمین می کند. مدل سازی سه بعدی داخلی بر اساس مجموعه سلولی به یک مسئله بهینه سازی تبدیل می شود. با توجه به الگوریتم‌های مختلف بهینه‌سازی مورد استفاده، روش‌ها را می‌توان به دو دسته تقسیم کرد: یکی برنامه‌ریزی خطی اعداد صحیح است که زیرمجموعه‌های بهینه را از وجوه نامزد مجموعه سلولی برای تشکیل یک مدل سطح بسته چند ضلعی انتخاب می‌کند، اما این روش معنایی را نادیده می‌گیرد. اطلاعات فضای داخلی؛ دیگری بهینه‌سازی ترکیبی مبتنی بر نمودار است که مسئله مدل‌سازی فضای داخلی را به مسئله برچسب‌گذاری بهینه مجموعه سلولی تبدیل می‌کند که توسط مدل میدان تصادفی مارکوف (MRF) بیان می‌شود. این روش بر تقسیم بندی معنایی اتاق اولیه متکی است.

برخی از محققان چندین طبقه را تقسیم کرده اند و بازسازی مدل را با روش تک طبقه انجام داده اند [ 30 ]. روش دوبعدی به بازسازی چیدمان فضایی سه بعدی بدون در نظر گرفتن روابط هندسی و توپولوژیکی بین طبقات بسط داده شده است، که نمی تواند بازسازی فضای بین طبقات را برآورده کند. ویژگی های کلیدی روش پیشنهادی و روش های پیشرفته در جدول 1 مقایسه و خلاصه شده است.

3. روش ها

3.1. بررسی اجمالی

این بخش روش بازسازی طرح‌بندی سه بعدی چند ضلعی ما را برای محیط‌های داخلی معرفی می‌کند. ورودی ها شامل یک ابر نقطه یا یک مش هستند. اگر مدل ساختمان سه بعدی را به عنوان فضایی با سطح مرزی تعریف کنیم، ابر نقطه یا مش شامل دو جنبه اطلاعاتی است: یک جنبه اطلاعات هندسی نقاط نمونه بر روی سطح شی و دیگری اطلاعات مکانی است.

شکل 1 فلوچارت روش بازسازی چند ضلعی پیشنهادی را نشان می دهد. این روش به پنج مرحله اصلی تقسیم می شود.

3.2. شبکه احتمال اشغال سه بعدی

دو نوع ابر نقطه سه بعدی به عنوان ورودی استفاده می شود. یکی ابر نقطه ای است که توسط TLS گرفته شده است، پ={vτ،پτ}τ=1ن. هر فریم از ابر نقطه اسکن شده با یک دیدگاه مرتبط است vτ. سیستم مختصات جهان برای تعیین استفاده می شود {ایکسمن،yمن،zمن}مختصات نقطه پمن∈پτ. نوع دیگر ابر نقطه ای است که توسط MLS گرفته شده است. پ={پمن،φمن}من=1. هر نقطه اسکن شده با اطلاعات پوز مرتبط است. همانطور که در شکل 2c نشان داده شده است، جعبه مرزی به شبکه های m × n × h گسسته شده است و الگوریتم خط سه بعدی برزنهام (الگوریتم 1) برای محاسبه احتمال اشغال سه بعدی وکسل ها در شبکه استفاده می شود [ 25 ]. مقدار وکسل p با یکی از سه علامت مشخص می شود سپ={frهه=0،oججتوپمنهد=1،توnکnown=-1}. یک نقشه شبکه احتمال اشغال سه بعدی برای نشان دادن اطمینانی که یک وکسل توسط موانع اشغال شده است ایجاد می شود. مقدار احتمال در ساختار داده شبکه سه بعدی بر اساس VDB [ 32 ] ذخیره می شود که یک ساختار داده حجم کارآمد و کم است.

الگوریتم 1 . محاسبه احتمال اشغال سه بعدی برای یک ابر نقطه.

ورودی:

پτ//کلود نقطه ورودی

vمن//نظر

ببمآایکس، ببممنn//جعبه مرزی ابر نقطه

مقدار دهی اولیه:

مoجج←∅;// شبکه احتمال اشغال سه بعدی

(1) برای هر ( پمن∈پτ)

(2) //محاسبه مختصات وکسل های اشغال شده و آزاد در شبکه

(3) bresenham_in_3D( vمن،پمن،مoجج)

(4) پایان برای

(5) بازگشت مoجج;

سنسورهایی مانند دوربین های تک چشمی و حسگرهای RGB-D اکنون به طور گسترده برای بازسازی داخلی استفاده می شوند. خروجی اغلب یک شبکه سطحی است که می تواند هدف تجسم را برآورده کند. مجموعه داده های مش بدون ساختار هستند و حاوی اطلاعات معنایی نیستند. از آنجایی که این دستگاه‌ها اغلب ارزان‌تر از LiDAR هستند، بازسازی طرح‌بندی سه‌بعدی ساختمان‌ها از این مجموعه داده‌ها مهم است. هندسه چند نمای و الگوریتم بازسازی چند نمایه در فرآیند بازسازی استفاده می شود و اطلاعات پوز در استریو چند نمای (MVS) برای به دست آوردن مش جهت دار استفاده می شود. از آنجایی که اطلاعات دیدگاه در فرآیند بازسازی متراکم ترکیب می شود، اطلاعات دیدگاه را نمی توان مستقیماً در یک مدل مش برای محاسبه احتمال اشغال استفاده کرد. محیط های داخلی و خارجی را می توان با استفاده از اطلاعات عادی مثلث ها تشخیص داد. مقدار وکسل p با یکی از سه علامت مشخص می شود سپ={frهه=0،oججتوپمنهد=1،توnکnown=-1}. الگوریتم شامل سه مرحله اصلی است (الگوریتم 2). ابتدا، تمام وکسل های شبکه با مقادیر آزاد مقداردهی اولیه می شوند. دوم، وکسل واقع در مثلث با یک مقدار اشغال شده مشخص می شود. بردار نرمال به 26 جهت منظم طبقه بندی می شود و مقدار جهت کدگذاری شده وکسل از 1 تا 26 متغیر است (مقدار جهت اولیه 0 است). سوم، یک الگوریتم جبهه موج 26 وکسل مجاور اطراف وکسل فعلی را بررسی می کند و جهت وکسل فعلی را به روز می کند. اگر جهت 26 وکسل مجاور به سمت وکسل فعلی باشد، مقدار جهت وکسل فعلی پس از رشد جبهه موج روی 27 تنظیم می شود. اگر مقدار جهت یک وکسل برابر با صفر باشد، وکسل مربوطه در شبکه احتمال اشغال روی ناشناخته تنظیم می شود. . اگر مقدار جهت یک وکسل بزرگتر از صفر باشد،

الگوریتم 2 . محاسبه احتمال اشغال سه بعدی برای یک مش گرا.

ورودی:

پمترهسساعت(پ،تی);// مش با جهت عادی

ببمآایکس، ببممنn;//جعبه مرزی ابر نقطه

مقدار دهی اولیه:

مoجج←∅;//شبکه احتمال اشغال سه بعدی

مکارگردان←∅;// شبکه جهت D-26

(1) برای هر ( تیمن∈تی)

(2) جعبه = getBoundingBox( تیمن)//محاسبه مختصات نقاط اشغال شده و آزاد در نقشه متریک

(3) برای i = minx:maxx

(4) برای j = miny:maxy

(5) برای k = minz:maxz

(6) سپ= voxel(i,j,k);

(7) اگر ( سپ.داخل( تیمن))

(8) مoجج.setValue( سپ255)؛

(9) N = getNormal( تیمن)

(10) D = normalTo26Directoin(N);

(11) مکارگردان.تنظیم( سپ، د)؛

(12) پایان اگر

(13) پایان برای

(14) پایان برای

(15) پایان برای

(16) پایان برای

(17) مکارگردان= جبهه موج( مکارگردان)

(18) مoجج= به روز رسانی ناشناس( مoجج،مکارگردان)

(19) بازگشت مoجج;

با این حال، در کاربرد عملی، وجود سوراخ‌های ابر نقطه‌ای بر اثرات تمایز داخلی و خارجی مش جهت‌دار تأثیر می‌گذارد. در عین حال، به دلیل وجود گیاهان سبز سرپوشیده و سایر اشیاء، بردارهای عادی در برخی مناطق به هم ریخته هستند و نمی توانند نیاز به تمایز بین فضای آزاد و فضای ناشناخته را برآورده کنند. بنابراین، یک الگوریتم کلی‌تر پیشنهاد می‌شود که فرض می‌کند مدل مش جهت عمودی را برآورده می‌کند و سطح سقف کاملاً اسکن می‌شود، که برای اکثر دستگاه‌های جمع‌آوری داده آسان است (الگوریتم 3).

اولین قدم این است که شبکه احتمال اشغال را مقداردهی کنید و مقدار هر وکسل را آزاد تنظیم کنید. سپس وکسل واقع در مثلث با مقدار اشغال شده مشخص می شود. مرحله آخر ناحیه ناشناخته را مشخص می کند. ابتدا مرز (حداکثر مقدار محدوده ارتفاع ابر نقطه) را مقداردهی اولیه می کنیم، هر وکسل را ناشناخته قرار می دهیم و طبق جهت محور z لایه به لایه وکسل را طی می کنیم ( شکل 2 d). هنگامی که مقدار وکسل لایه فعلی در شبکه اشغال شده با لایه قبلی یکسان باشد، این مقدار به عنوان ناشناخته علامت گذاری می شود و اگر مقدار وکسل لایه فعلی با لایه قبلی متفاوت باشد، پیمایش متوقف می شود. در نهایت، تمام مناطق ناشناخته علامت گذاری می شوند. شبکه احتمال اشغال بازگشتی شامل سپ={frهه=0،oججتوپمنهد=1،توnکnown=-1}سه مقدار

الگوریتم 3. محاسبه احتمال اشغال سه بعدی برای یک مش کلی.

ورودی:

پمترهسساعت(پ،تی)// مش کلی

ببمآایکس، ببممنn// جعبه مرزی مش

مقدار دهی اولیه:

مoجج←∅;// شبکه احتمال اشغال سه بعدی

(1) setValue( مoجج،رایگان)؛

(2) برای هر ( تیمن∈تی)

(3) جعبه = getBoundingBox( تیمن)// محاسبه مختصات نقاط اشغال شده و آزاد در نقشه متریک

(4) برای i = minx:maxx

(5) برای j = miny:maxy

(6) برای k = minz:maxz

(7) سپ= voxel(i,j,k);

(8) اگر ( سپ.inside(ti))

(9) مoجج.setValue( سپ، مشغول)؛

(10) پایان اگر

(11) پایان برای

(12) پایان برای

(13) پایان برای

(14) پایان برای

(15) به روز رسانی ناشناخته( مoجج)

(16) بازگشت مoجج;

3.3. تقسیم بندی اتاق سه بعدی

یک تفاوت قابل توجه بین فضای داخلی و فضای باز، ماهیت سلولی فضای داخلی است. با در نظر گرفتن این واقعیت که ماکزیمم های محلی مقادیر تبدیل فاصله (DT) معمولاً در وسط یک اتاق قرار دارند و اتاق ها با گذرگاه های کوچک (درها و اتصالات) به هم متصل می شوند، روش تقسیم بندی اتاق سه بعدی [ 33 ]] از نمایش حجمی و بسته بندی کروی فضای داخلی برای جداسازی اتاق ها به عنوان اجزای متصل استفاده می کند. این روش شامل پنج مرحله اصلی است. ابتدا، این روش تبدیل فاصله اقلیدسی سه بعدی (EDT) را به شبکه احتمال اشغال اعمال می کند تا تعیین کند که هر وکسل چقدر از نزدیکترین نقطه اشغال فاصله دارد. دوم، نقشه مسافتی که پس از EDT به دست می آید، بر اساس آستانه فاصله مشخص شده به بخش هایی تقسیم می شود. سوم، مناطقی با مقادیر فاصله بزرگتر از آستانه مشخص شده با کره های داخلی پر می شوند. یک نمودار توپولوژیکی با توجه به رابطه مجاورت بین کره های داخلی پر شده ساخته می شود. چهارم، زیرگراف های متصل گراف توپولوژیکی قطعه بندی شده اند ( شکل 3). با افزودن فضای اشغال شده توسط هر توپ داخلی به زیرگراف متصل، ناحیه اولیه دانه اتاق به دست می آید. پنجم، الگوریتم رشد جبهه موج با یک وکسل بذر در هر ناحیه اتاق بذر شروع می شود و از الگوریتم رشد جبهه موج برای تعیین وکسل های بدون برچسب متعلق به همان اتاق استفاده می کند تا نتیجه تقسیم بندی اتاق سه بعدی نهایی را به دست آورد. فضای آزاد با اطلاعات اتاق پس از تقسیم بندی اتاق سه بعدی برچسب گذاری شده است ( شکل 4 ). در این مطالعه برای سرعت بخشیدن به سرعت پر شدن گوی داخلی، از ترکیب پرکردن تصادفی و پر کردن مرتب استفاده کردیم.

عملکرد بخش‌بندی اتاق را می‌توان به دو جنبه تقسیم کرد: یکی طبقه‌بندی صفحات شناسایی‌شده از ابر نقطه یا مش بر اساس هر اتاق برای کاهش پیچیدگی پارتیشن فضا. دیگری تولید اطلاعات معنایی و ارائه مقادیر اولیه معنایی برای بازسازی چیدمان اتاق است.

3.4. تشخیص و طبقه بندی هواپیما

روش تشخیص صفحه مبتنی بر کمینه سازی شیب جهانی L0 [ 34 ] برای ابر نقطه به تصویب رسید. این یک الگوریتم سریع برای مسائل برازش صفحه محدود با نظم (RCPF) است. رشد منطقه برای تشخیص صفحه از مش ها استفاده می شود ( شکل 5 ). به دلیل خطای اجتناب ناپذیر تجهیزات اندازه گیری، صفحات استخراج شده برای ساخت مدل های چند ضلعی ضد آب پیوسته نیستند. یک استراتژی تقویت معنایی و رد شده به کار گرفته شده است. برای بازسازی چیدمان اتاق، در مرحله بعدی پارتیشن فضایی فقط صفحات دیوار، سقف و کف در نظر گرفته می شود.

انحراف واحد نرمال nمناز هواپیما پمنبا توجه به محور عمودی nz=(0،0،1)تیبا ویژگی عمودی اندازه گیری می شود آساعت=|nمن·nz|. هواپیما به عنوان دیوار دسته بندی می شود اگر آساعت<ε. آستانه ϵ، مثلا، ϵ=cos(90درجه±10درجه)، برای شناسایی یک صفحه عمودی، متغیر مورد استفاده قرار می گیرد که مقدار کسینوس آستانه زاویه است. دیوارهایی با اختلاف ارتفاع کمتر از 1.5 متر در نظر گرفته نمی شوند. علاوه بر این، تکه های کوچک هواپیما، از جمله صفحات صاف و شیب با مساحت کمتر از 1 متر مربع ^نیز حذف می شوند. از آنجایی که نمی توان روش استخراج خودکار هواپیما را تضمین کرد که کاملاً صحیح است، لازم است که خطاها به صورت تعاملی اصلاح شوند.

3.5. منظم سازی

از آنجایی که تعداد صفحات استخراج شده زیاد است، تعداد زیادی هواپیما با تفاوت جزئی، پارتیشن فضایی را بسیار پیچیده می کند و بار محاسباتی را افزایش می دهد. زوایای نرمال صفحه و فواصل بین صفحات اغلب برای محاسبه تفاوت استفاده می شود. بنابراین، ما صفحات تقریبی را از طریق فرآیند منظم سازی خوشه بندی می کنیم. فرآیند منظم سازی شامل جهت گیری عمودی و خوشه بندی برداری عادی است.

ابتدا دیوارهای مسطح را جهت می دهیم تا دیوارها نسبت به کف متعامد شوند. از روش حداقل مربعات محدود برای تحقق دوباره برازش صفحه ابر نقطه دیوار استفاده می شود. دوم، ما نزدیکترین محله M _i را برای هر صفحه i می سازیم . اگر n _i نرمال صفحه i و n _j صفحه j راضی کننده باشد|nمن·nj|≥1-جoسβصفحه j به عنوان همسایه صفحه i در نظر گرفته می شود و به همسایگی M _i اضافه می شود. در نهایت، خوشه های صفحه موازی با استفاده از خوشه بندی نقشه گاوسی ایجاد می شوند. به هر صفحه وزنی برابر با تعداد نقاط مرتبط داده می شود و با نرمال خود بر روی کره واحد پیش بینی می شود. با در نظر گرفتن نقطه آینه ای روی کره، نرمال خوشه نیز جهت گیری می شود. الگوریتم میانگین تغییر [ 35 ] برای استخراج پیک ها استفاده می شود. تمام صفحات داخل یک قله موازی در نظر گرفته می شوند و نرمال خوشه به عنوان میانگین نرمال صفحات موازی، وزن با مساحت هر صفحه تعریف می شود. صفحات تنظیم شده در خوشه برای پارتیشن بندی فضا استفاده می شود.

3.6. پارتیشن فضایی

در این مرحله، مجموعه ای از صفحات را به عنوان ورودی می گیریم و پارتیشنی از فضای سه بعدی محدود را برمی گردانیم. هدف از پارتیشن فضایی تولید مجتمع سلولی است و ما یک پیاده سازی نسبتا ساده را اتخاذ می کنیم. این روش از ساختار داده مش چند ضلعی استفاده می کند [ 36] برای ذخیره فضای تقسیم شده. هواپیماهای شناسایی شده برای هر اتاق بر اساس نتایج تقسیم بندی اتاق طبقه بندی می شوند. پارتیشن بندی فضا در هر اتاق انجام می شود. یک پارتیشن فضای دودویی (BSP) برای حفظ رابطه سلسله مراتبی فضای تقسیم شده استفاده می شود. مش چند ضلعی گروهی از رئوس، لبه ها و وجوه است که نحوه شکل گیری یک جسم چند وجهی را تعیین می کند. یک شبکه چند ضلعی یک ساختار داده نیمه لبه است که به طور پیوسته در جهت خلاف جهت عقربه های ساعت در اطراف هر وجه و در امتداد هر مرز قرار گرفته است. توپولوژی 2 منیفولد در نظر گرفته می شود. ایده اصلی پارتیشن بندی فضای دودویی این است که هر صفحه ای می تواند فضا را به دو نیمه فضا تقسیم کند. برای یک فضای سه بعدی یا زیرفضاهای محدود، تمام نقاط یک طرف صفحه تقسیم نیم فضا و نقاط سمت دیگر صفحه تقسیم نیم فضای دیگر را تعریف می کنند. اگر به تعریف صفحه در هر نیم فضا ادامه دهیم، نیم فضا را بیشتر به دو فضای فرعی کوچکتر تقسیم می کنیم. با ادامه این فرآیند، زیرفضا به تدریج کوچکتر می شود و در نهایت یک درخت دوتایی فضایی تشکیل می شود. هر زیرفضا یک چندوجهی محدب می سازد. رابطه هندسی توپولوژیکی بین چند وجهی های مختلف را می توان به طور موثر با جستجوی درخت BSP بیان کرد.شکل 6 ). الگوریتم پارتیشن فضا در الگوریتم 4 مشخص شده است.

الگوریتم 4. پارتیشن فضایی.

ورودی:

اسپلآnه//صفحه های ورودی

ببمآایکس، ببممنn// جعبه مرزی سه بعدی ابر نقطه

مقدار دهی اولیه:

Polygon _mesh vol;//a polygon mesh

BSP_tree bsp;

(1) vol = buildBounding3DSpace( ببمآایکس، ببممنn)

(2) bsp.AddNode(vol);

(3) برای هر ( سمن∈اسپلآnه)

(4) vol_tmp = bsp.getBeginNode();

(5) while (vol_tmp)

(6) [vol1,vol2] = clip( سمن،جلد_tmp)

(7) bsp.update(vol_tmp, vol1,vol2);

(8) vol_tmp = bsp.getNextNode();

(9) پایان در حالی که

(10) bsp.getBeginNode();

(11) پایان برای

(12) بازگشت bsp;

3.7. برچسب‌گذاری و ادغام بهینه

پس از پارتیشن بندی فضا، فضای سه بعدی به مجموعه ای از سلول های چند وجهی تقسیم می شود. سلول های چند وجهی با برچسب یکسان در یک اتاق در نظر گرفته می شوند. یک نمودار بدون جهت جی=<v،ه>برای رمزگذاری مجموعه سلول های چند وجهی به مجموعه برچسب L. Node تعریف شده است vنشان دهنده سلول چند وجهی در مجموعه سلولی و لبه است هنشان دهنده رابطه توپولوژیکی بین سلول ها است. همسایگان گره v در N ذخیره می شوند. تابع انرژی برای مسئله برچسب گذاری به صورت زیر تعریف می شود:

U(ل)=∑من∈vDمن(لمن)+∑من،j∈نVij(لمن، لj)·تی(لمن≠لj)

(1)

انرژی واحد

انرژی واحد برای توصیف احتمال تعلق چند وجهی به یک برچسب طراحی شده است. مقدار به عنوان نسبت حجم وکسل های اشغال شده با برچسب l _i به حجم چند وجهی تقسیم شده محاسبه می شود. اینکه آیا یک وکسل در داخل یک چند وجهی قرار دارد یا خیر، با استفاده از عملکرد شبکه چند ضلعی آزمایش می شود.

Dمن∈v(لمن)=-لوگاریتم(شمردن(voxel=لمن و voxel∈سلول)∗سvoایکسهل3حجم(سلول))

(2)

انرژی جفتی

انرژی جفتی احتمال وجود دو سلول چند وجهی در یک اتاق را توصیف می کند. به عنوان نسبت بین وکسل های اشغال شده توسط وصله دیوار اصلی و وکسل ها در وجه پیچیده سلولی تعریف می شود. رابطه ضعیف تر بین دو سلول چند وجهی با احتمال بالاتر بین آنها نشان داده می شود. دیواری که دو سلول را از هم جدا می کند نشان می دهد که بعید است آنها در یک اتاق باشند.

Vمن،j∈ن(لمن،لj)={-لوگاریتم(1-شمردن(voxel = اشغال شده و voxel ∈ جنبهسلول)شمردن(voxel ∈ جنبهسلول))،اگر لمن≠لj0، اگر لمن = لj

(3)

رویکرد برش نمودار برای به حداقل رساندن تابع هدف برای به دست آوردن برچسب‌گذاری بهینه اعمال می‌شود. بازسازی چیدمان اتاق به حداقل انرژی تبدیل می شود و می تواند از طریق الگوریتم مبادله α-β حل شود [ 37 ]. سپس، اتاق ها با ادغام تمام سلول های چند وجهی با یک برچسب ایجاد می شوند.

4. نتایج

زبان برنامه ++C است. کتابخانه الگوریتم‌های هندسه محاسباتی (CGAL) [ 38 ] و مقایسه ابری [ 39 ] در پیاده‌سازی الگوریتم استفاده می‌شوند. تمام آزمایشات با پردازنده Intel Core i7-10750H (2.60 هرتز) و 16 گیگابایت رم انجام می شود. روش ارزیابی کمی برای ارزیابی نتایج بازسازی استفاده می شود [ 40 ، 41 ]. با مقایسه مدل مرجع R با مدل چند ضلعی بازسازی S به نام مدل منبع، کامل بودن، صحت و دقت به صورت کمی ارزیابی می شود. تعریف کامل بودن این است:

مComp=∑من=1n∑j=1متر|اسمن∩ ب(آرj)|∑j=1متر|آرj|

(4)

در میان آنها، مساحت تقاطع در تمام وجوه بین محاسبه می شود اسمنو آرj، و کامل بودن با اندازه بافر b تغییر می کند. تعریف صحت این است:

مCorr=∑من=1n∑j=1متر|اسمن∩ ب(آرj)|∑من=1n|اسj|

(5)

دقت به صورت زیر تعریف می شود:

مAcc=پزشکی”πjتیپمن”، اگر “πjتیپمن”≤r

(6)

جایی که “πjتیپمن”فاصله عمودی بین راس است پمندر مدل منبع و صفحه π در مدل مرجع و r آستانه برش برای جلوگیری از تأثیر یک مدل منبع ناقص یا نادرست است. نمرات کامل بودن نسبتاً بالا و صحت پایین به این معنی است که مدل های بازسازی شده حاوی اکثر عناصر موجود در مدل های مرجع مربوطه هستند اما تعداد قابل توجهی از جنبه های نادرست را نیز شامل می شوند.

4.1. Point Cloud Datasets

ما ابتدا روش خود را روی مجموعه داده های ابری چهار نقطه ای به نام های A1، A2، A3 و A4 آزمایش می کنیم. A1، A2 و A3 از مجموعه داده های تشخیص اتاق دانشگاه زوریخ (UZH) [ 26 ] مشتق شده اند. آنها با اسکنر لیزری فارو فوکوس سه بعدی اسکن می شوند. مجموعه داده A4 از معیار انجمن بین المللی فتوگرامتری و سنجش از دور (ISPRS) در مدل سازی داخلی [ 42 ] مشتق شده است. مجموعه داده ها توسط MLS (یعنی Zeb-Revo) گرفته می شوند. این مجموعه داده شامل ابرهای نقطه، اطلاعات مسیر مربوطه و مهرهای زمانی است. مجموعه داده با تراز کردن نقاط مختصات و مسیرها با مهرهای زمانی پیش پردازش می شود. سطح نویز ابر نقطه ای A4 کم است و دقت نسبی 2-3 سانتی متر است.

ابرهای نقطه اصلی در شکل 7 نشان داده شده است ، و توضیحات مجموعه داده در جدول 2 فهرست شده است. نتایج تقسیم بندی اتاق برای هر مجموعه داده در ستون دوم در شکل با رنگ های مختلف نشان داده شده است. طرح مجموعه داده ها بازسازی شده و به عنوان مدل های چند ضلعی در ستون سوم نمایش داده می شود. پارامترهای ورودی برای مجموعه داده های مختلف در جدول 3 فهرست شده است.

کامل بودن، صحت و دقت هر مدل بازسازی شده برای اندازه های بافر و فواصل برش از 1 سانتی متر تا 15 سانتی متر محاسبه می شود. برای کامل بودن و صحت، اعداد بزرگتر مدل های کامل تر و صحیح تر را نشان می دهند، در حالی که مقادیر کوچکتر برای دقت نشان دهنده دقت بهتر مدل های بازسازی شده است. زمان اجرا شامل سه بخش تقسیم بندی معنایی اتاق، تقسیم بندی صفحه و مدل سازی بهینه سازی است.

مجموعه داده A1 شامل ابرهای نقطه ای از فضای داخلی ساختمان تک طبقه با دیوارهای متعامد و مایل است. همانطور که در شکل 7 نشان داده شده است ، هفت اتاق شناسایی شده است. نتایج نشان می دهد که روش های بازسازی به بالاترین کامل و صحت می رسند. دقت 0.56 سانتی متر در اندازه بافر 10 سانتی متر است. A2 حاوی ابرهای نقطه ای از فضای داخلی ساختمان تک طبقه با دیوارهای متعامد و مایل است. همانطور که در شکل نشان داده شده است، چهار اتاق شناسایی شده است. A2 به کاملیت بالای 99.3% و صحت 99.0% در اندازه بافر 10 سانتی متر دست می یابد. زمان اجرای مدل‌سازی بهینه‌سازی طولانی‌ترین زمان از تمام مجموعه‌های داده است زیرا اتاق بسیار پیچیده است.

A3 حاوی ابرهای نقطه ای از فضای داخلی ساختمان در مقیاس بزرگ با دیوارهای غیر متعامد است. هفت اتاق بازسازی شده است. مجموعه داده A3 هنگام استفاده از بافر 10 سانتی متری به 83.6 درصد کامل و 81.3 درصد صحت رسید. آزمایش‌ها روی A1، A2 و A3 اثربخشی بخش‌بندی اتاق سه‌بعدی را برای محیط‌های داخلی چند طبقه که شامل سازه‌های دیواری با جهت‌گیری دلخواه هستند، ثابت می‌کند. A4 نمایانگر یک ساختمان اداری دو طبقه است. ابرهای نقطه ای شامل دیوارهای متعامد هستند و دو طبقه از طریق پلکان به هم متصل می شوند. A4 در اندازه بافر 10 سانتی متری به کاملیت 90.2 درصد و صحت 92.9 درصد دست می یابد، اما در اندازه های بافر کوچک کمترین مقدار کامل و صحت را دارد. دقت 3.0 سانتی متر است که بالاترین است و نشان دهنده کمترین دقت است.

شکل 8 کامل بودن، صحت و دقت مدل های چند ضلعی را با مدل مرجع مقایسه می کند. با توجه به مقایسه نتایج، مدل‌های ساخته شده برای مجموعه داده A1 عموماً دقیق‌تر و کامل‌تر از سایر مجموعه‌های داده هستند. این را می توان به پیچیدگی کمتر مجموعه داده و احتمالاً کیفیت داده بالاتر نسبت داد. کمترین دقت A4 به کیفیت بدتر داده نسبت داده می شود. نتایج ارائه شده در جدول نشان می دهد که روش پیشنهادی با موفقیت کل مجموعه داده را مدل می کند ( جدول 4 ).

الگوریتم فقط زمان اجرای برنامه را شامل تقسیم بندی اتاق، تشخیص هواپیما و مدل سازی بهینه سازی بدون در نظر گرفتن زمان تعامل انسانی می شمارد. هرچه ساختار اتاق پیچیده تر باشد، یعنی هواپیماهای بیشتری برای پارتیشن فضا استفاده شود، زمان اجرای برنامه طولانی تر است.

4.2. مجموعه داده های مش

به منظور تایید کارایی روش بر روی مش ها، چهار مجموعه داده مش صحنه های داخلی از مجموعه داده Matterport3D [ 41 ] و مجموعه داده معنایی 2D-3D Stanford [ 17 ] برای آزمایش روش پیشنهادی استفاده شد. مجموعه داده ها توسط دوربین های RGB-D در انواع ساختمان های داخلی گرفته شده است. توضیحات پارامترها در جدول 5 فهرست شده است.

اندازه وکسل شبکه احتمال اشغال سه بعدی همان مقدار 0.08 متر است که در جدول 6 نشان داده شده است. حد پایینی منطقه اتاق یکسان است. مش های اصلی، نتایج تقسیم بندی اتاق و طرح بازسازی شده هر مجموعه داده در شکل 9 نمایش داده شده است. با اندازه بافر 10 سانتی متر و فاصله قطع بین 1 تا 15 سانتی متر، شکل 10 کامل، صحت و دقت مدل های چند ضلعی را با مدل مرجع مقایسه می کند.

مجموعه داده B1 شامل مش هایی از فضای داخلی ساختمان تک طبقه با دیوارهای غیر متعامد است. شش اتاق شناسایی و بازسازی شده است. همانطور که در جدول 7 نشان داده شده است ، B1 به 85.1٪ کامل و 91.6٪ درستی در اندازه بافر 10 سانتی متر دست می یابد. مجموعه داده نشان دهنده محیط های نسبتا ساده است.

B2 شامل شبکه‌های داخلی ساختمان تک طبقه با دیوارهای غیر متعامد و سقف‌های شیبدار است. هشت اتاق شناسایی و بازسازی شده است. یافته‌ها نشان می‌دهد که روش‌های بازسازی زمانی بدتر عمل می‌کنند که اندازه بافر کوچک است اما به سرعت بهبود می‌یابد زیرا اندازه بافر تا 10 سانتی‌متر افزایش می‌یابد، جایی که عملکرد بهتری دارند، به ترتیب کامل و صحت به 92.2 درصد و 94.6 درصد می‌رسد. علیرغم کمترین دقت تمام مجموعه داده های مش در اندازه بافر 10 سانتی متر، دقت 1.5 سانتی متر است ( جدول 7 ). این با این واقعیت توضیح داده می شود که از بین این چهار مجموعه داده، مجموعه داده B2 کمترین پیچیدگی را دارد و همچنین ممکن است بدترین کیفیت داده را داشته باشد.

B3 شامل شبکه‌های داخلی ساختمان تک طبقه با دیوارهای غیر متعامد است که محیط پیچیده‌تری را در مقیاس بزرگ نشان می‌دهد. به دلیل پیچیدگی مجموعه داده، تقسیم بندی بیش از حد اتفاق می افتد. منطقه پله ها به دلیل ناقص بودن داده های اولیه تقسیم بندی نشده است. اتاق تقسیم شده بیشتر با استفاده از یک صفحه بسته مجازی تقسیم می شود. B3 در اندازه بافر 10 سانتی‌متر به کاملیت 86.8 درصد و صحت 86.0 درصد دست می‌یابد که کمترین میزان از هر چهار مجموعه داده است. دقت 0.85 سانتی متر با فاصله قطع 10 سانتی متر است ( جدول 7 ).

B4 شامل مش هایی از فضای داخلی ساختمان چند طبقه است. بنای مورد مطالعه شامل سه طبقه است و سه طبقه توسط راه پله و سالن به هم متصل شده اند. بیست اتاق شناسایی شده است. همانطور که در جدول 7 نشان داده شده است ، وقتی اندازه بافر 10 سانتی متر است، B4 به 88.1٪ کامل و صحت 87.2٪ دست می یابد. دقت 1.1 سانتی متر با فاصله قطع 10 سانتی متر است.

دقت کلی مدل‌سازی مش بالا است، که ارتباط نزدیکی با دقت بالای صفحات استخراج برای مجموعه داده‌های مش دارد. مدل مرجع به صورت دستی و بر اساس برش های مش ایجاد می شود و از این رو ممکن است از جهاتی با حقیقت زمین متفاوت باشد.

4.3. فضاهای متقابل

روش پیشنهادی همچنین بر روی مجموعه داده‌های فضاهای داخلی متقاطع مورد آزمایش قرار گرفت. شکل 11 داده های ابر نقطه اصلی ( شکل 11 الف)، نتایج تقسیم بندی اتاق ( شکل 11 ب) و نتایج مدل سازی چند ضلعی را نشان می دهد. از آنجایی که سه راهرو به فضای پله متصل هستند، این فضا بیشتر با استفاده از صفحه درب مجازی به سه راهرو و یک فضای پلکانی تقسیم می شود ( شکل 11 ج). فضای ساختمان با استفاده از صفحات تقسیم‌بندی شده و برچسب‌گذاری معنایی به یک مجموعه سلولی سه بعدی تقسیم می‌شود. در نهایت، مدل چند ضلعی سه بعدی به دست می آید ( شکل 11 e).

هنگامی که صفحات بیش از حد در تقسیم فضای 3 بعدی محدود وجود داشته باشد، این فرآیند قطعه کوچکی از فضاهای فرعی ایجاد می کند که منجر به نقص در مدل نتیجه می شود، اگرچه مدل هنوز یک چند وجهی ضد آب است ( شکل 12 ).

5. بحث

در این تحقیق از ابرهای نقطه ای و مش ها برای بازسازی چیدمان اتاق استفاده شده است. در مقایسه با ابرهای نقطه ای، مش ها دارای مزایای زیر هستند: در فرآیند ساخت مش از طریق تصویر یا تصویر و همجوشی ابر نقطه ای، سطح از طریق فرآیند همجوشی بهینه می شود و دقت سطح بهتر از نقطه خام است. ابرها علاوه بر این، فرآیند همجوشی اطلاعات پوز/نقطه دید را در نظر می گیرد و همسایه هر رأس مشخص است، بنابراین استخراج صفحه موازی از مش ها مشکلی ندارد.

در فرآیند مدل‌سازی، روش در این مطالعه به ساختن ناحیه متصل به یک اتاق تمایل دارد. زمانی که دهانه به اندازه کافی بزرگ باشد که بتوان آن را به عنوان یک در مجازی تلقی کرد، تقسیم بندی معنایی اتاق باعث کم‌تقسیم‌بندی می‌شود و فرآیند بازسازی اتاق، دو اتاقی را که توسط در مجازی به هم متصل شده‌اند را به یک کل بازسازی می‌کند. بنابراین، پارتیشن بندی فضای بیشتری با استفاده از صفحه بسته مجازی که درب مجازی در آن قرار دارد، مورد نیاز است. در مقایسه با روش های موجود، می توان دریافت که در مجموعه داده B4، این روش از کامل بودن، صحت و دقت بالایی برخوردار است.

6. نتیجه گیری

این مقاله یک روش کلی بازسازی چیدمان اتاق را برای فضای داخلی ساختمان ارائه می کند. این روش تقسیم‌بندی اتاق مبتنی بر وکسل و پارتیشن بندی فضا را ترکیب می‌کند و مدل‌های داخلی بهینه را با اطلاعات چیدمان اتاق ایجاد می‌کند. منابع داده های مختلف، از جمله ابرهای نقطه و مش، می توانند به عنوان ورودی استفاده شوند. این روش را می توان برای بازسازی چیدمان محیط های داخلی پیچیده، از جمله اتاق های متعدد، چند طبقه، هواپیماهای شیبدار، فضاهای متقاطع و غیره استفاده کرد. این یک راه حل کلی برای بازسازی طرح بندی سه بعدی در دنیای غیر منهتن ارائه می دهد.

با این حال، روش کاملاً خودکار نیست. در حال حاضر، تقسیم بندی اتاق و تشخیص هواپیما هنوز کاملاً دقیق نیست و برخی از تعاملات انسانی مورد نیاز است. کارایی الگوریتم تقسیم بندی اتاق سه بعدی و پارتیشن فضا باید بهبود یابد. کار برنامه ریزی شده آینده شامل توسعه یک الگوریتم تقسیم بندی اتاق سه بعدی کارآمدتر و الگوریتم پارتیشن فضا است.

منابع

بسیر، م. Vergauwen، M. بازسازی توپولوژی اشیاء دیوار BIM از داده های ابر نقطه ای. Remote Sens. 2020 , 12 , 1800. [ Google Scholar ] [ CrossRef ]
لی، اچ. بازسازی و چیدمان صحنه داخلی سه بعدی بر اساس فناوری واقعیت مجازی و یادگیری چند شات. محاسبه کنید. هوشمند نوروسک. 2022 ، 2022 ، 4134086. [ Google Scholar ] [ CrossRef ]
نیکوهمت، س. Diakité، AA; لهتولا، وی. زلاتانوا، اس. Vosselman, G. دستور زبان سازگاری برای بررسی مدل سه بعدی داخلی. ترانس. GIS 2021 ، 25 ، 189-212. [ Google Scholar ] [ CrossRef ]
کلاینر، ا. باراواله، آر. کولینگ، ا. پیلوتی، پی. مونیخ، M. راه حلی برای پوشش اتاق به اتاق برای ربات های تمیز کننده خودمختار. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ در مورد ربات ها و سیستم های هوشمند (IROS)، ونکوور، BC، کانادا، 24 تا 28 سپتامبر 2017. [ Google Scholar ]
کانگ، ز. یانگ، جی. یانگ، ز. چنگ، اس. مروری بر تکنیک‌های بازسازی سه‌بعدی محیط‌های داخلی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 330. [ Google Scholar ] [ CrossRef ]
زلاتانوا، اس. Isikdag، U. مدل های سه بعدی داخلی و کاربردهای آنها. در دایره المعارف GIS ; Shekhar, S., Xiong, H., Zhou, X., Eds. انتشارات بین المللی اسپرینگر: چم، سوئیس، 2017; ص 9-20. [ Google Scholar ]
نیش، اچ. لافارژ، اف. پان، سی. Huang, H. Floorplan نسل از ابرهای نقطه سه بعدی: رویکرد پارتیشن بندی فضا. ISPRS J. Photogramm. Remote Sens. 2021 ، 175 ، 44-55. [ Google Scholar ] [ CrossRef ]
چن، ک. لای، ی.-ک. هو، اس.-م. مدل سازی صحنه داخلی سه بعدی از داده های RGB-D: یک نظرسنجی محاسبه کنید. Vis. رسانه 2015 ، 1 ، 267-278. [ Google Scholar ] [ CrossRef ]
لیم، جی. Doh, N. بازسازی خودکار فضاهای داخلی چند سطحی از نقطه ابر و مسیر. Sensors 2021 , 21 , 3493. [ Google Scholar ] [ CrossRef ]
کلوری، ر. شوچوک، جی آر. O’Brien، JF بازسازی سطح طیفی از ابرهای نقطه پر سر و صدا. در مجموعه مقالات پردازش هندسه (Eurographics/ACM SIGGRAPH)، نیس، فرانسه، 8 ژوئیه 2004; صص 11-21. [ Google Scholar ]
کژدان، م. بولیتو، ام. Hoppe, H. Poisson سطح بازسازی. در مجموعه مقالات چهارمین سمپوزیوم یوروگرافیک در مورد پردازش هندسه، کالیاری، ساردینیا، ایتالیا، 26 ژوئن 2006; صص 61-70. [ Google Scholar ]
پارک، اس.-جی. هونگ، ک.-اس. بازیابی یک چیدمان سه بعدی داخلی با تقسیم بندی معنایی بالا به پایین از یک تصویر واحد. تشخیص الگو Lett. 2015 ، 68 ، 70-75. [ Google Scholar ] [ CrossRef ]
چنشی، ال. شوینگ، AG; کندو، ک. اورتاسون، ر. Fidler, S. Rent3D: مقدمات پلان طبقه برای تخمین چیدمان تک چشمی. در مجموعه مقالات کنفرانس IEEE 2015 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، بوستون، MA، ایالات متحده آمریکا، 7 تا 12 ژوئن 2015؛ صص 3413–3421. [ Google Scholar ]
زو، سی. کولبرن، ا. شان، Q. Hoiem, D. LayoutNet: بازسازی چیدمان اتاق سه بعدی از یک تصویر RGB. در مجموعه مقالات کنفرانس IEEE/CVF 2018 در مورد دید رایانه و تشخیص الگو، سالت لیک سیتی، UT، ایالات متحده آمریکا، 18 تا 23 ژوئن 2018؛ صفحات 2051–2059. [ Google Scholar ]
چانگ، آ. دای، ا. فانک هاسر، تی. هالبر، ام. نیبنر، ام. ساوا، م. آهنگ ها.؛ زنگ، ا. Zhang، Y. Matterport3D: یادگیری از داده‌های RGB-D در محیط‌های داخلی. در مجموعه مقالات کنفرانس بین المللی 2017 در 3D Vision (3DV)، چینگدائو، چین، 10-12 اکتبر 2017؛ صص 667-676. [ Google Scholar ]
مورا، سی. ماتاوش، او. ویلانووا، ای جی; گوبتی، ای. Pajarola, R. تشخیص و بازسازی خودکار اتاق در محیط های داخلی درهم و برهم با چیدمان اتاق های پیچیده. محاسبه کنید. نمودار 2014 ، 44 ، 20-32. [ Google Scholar ] [ CrossRef ]
ارمنی، من. سنر، او. ضمیر، ع. جیانگ، اچ. بریلاکیس، آی. فیشر، ام. Savarese, S. تجزیه معنایی سه بعدی فضاهای داخلی در مقیاس بزرگ. در مجموعه مقالات کنفرانس IEEE 2016 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده آمریکا، 27 تا 30 ژوئن 2016؛ صص 1534-1543. [ Google Scholar ]
لوپرتو، ام. آمیگونی، ف. بازسازی و پیش‌بینی چیدمان محیط‌های داخلی از روی نقشه‌های متریک دو بعدی. مهندس Appl. آرتیف. هوشمند 2022 ، 113 ، 104910. [ Google Scholar ] [ CrossRef ]
اوچمن، اس. ووک، آر. Klein, R. بازسازی خودکار مدل های ساختمانی سه بعدی کاملاً حجمی از ابرهای نقطه جهت دار. ISPRS J. Photogramm. Remote Sens. 2019 , 151 , 251–262. [ Google Scholar ] [ CrossRef ]
خوشلحم، ک. Díaz-Vilariño، L. مدلسازی سه بعدی فضاهای داخلی: یادگیری زبان معماری داخلی. ISPRS -Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2014 ، XL-5 ، 321-326. [ Google Scholar ] [ CrossRef ]
بکر، اس. پیتر، م. Fritsch, D. بازسازی 3 بعدی داخلی با پشتیبانی از گرامر از ابرهای نقطه ای برای BIM “As-Built”. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2015 ، II-3/W4 ، 17-24. [ Google Scholar ] [ CrossRef ]
ایکهاتا، اس. یانگ، اچ. Furukawa، Y. مدل سازی ساختار داخلی. در مجموعه مقالات کنفرانس بین المللی IEEE 2015 در بینایی کامپیوتر (ICCV)، واشنگتن، دی سی، ایالات متحده آمریکا، 7 تا 13 دسامبر 2015. ص 1323–1331. [ Google Scholar ]
مورالی، س. ویژه، پ. اسوالد، ام آر. Pollefeys, M. Indoor Scan2BIM: مدل های اطلاعاتی ساختمان از فضای داخلی خانه. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2017 در مورد ربات ها و سیستم های هوشمند (IROS)، ونکوور، BC، کانادا، 24-28 سپتامبر 2017؛ صص 6126–6133. [ Google Scholar ]
کای، ی. فن، L. یک رویکرد کارآمد برای ساخت خودکار هندسه سه بعدی آب بندی ساختمان ها با استفاده از ابرهای نقطه ای. Remote Sens. 2021 , 13 , 1947. [ Google Scholar ] [ CrossRef ]
یانگ، اف. ژو، جی. سو، اف. زو، ایکس. تانگ، ال. لیانگ، ی. زو، اچ. Li, L. بازسازی خودکار فضای داخلی از ابرهای نقطه ای در محیط های چند اتاق با دیوارهای منحنی. Sensors 2019 , 19 , 3798. [ Google Scholar ] [ CrossRef ]
مورا، سی. ماتاوش، او. پاجارولا، آر. محاسبه کنید. نمودار انجمن 2016 ، 35 ، 179-188. [ Google Scholar ] [ CrossRef ]
آمبروس، آر. کلائیسی، اس. Wendt، A. تقسیم‌بندی خودکار اتاق از داده‌های سه بعدی بدون ساختار محیط‌های داخلی. ربات IEEE. خودکار Lett. 2017 ، 2 ، 749-756. [ Google Scholar ] [ CrossRef ]
کوی، ی. لی، کیو. یانگ، بی. شیائو، دبلیو. چن، سی. Dong, Z. بازسازی خودکار سه بعدی محیط داخلی با ابرهای نقطه اسکن لیزری سیار. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 3117–3130. [ Google Scholar ] [ CrossRef ]
نیکوهمت، س. Diakité، AA; زلاتانوا، اس. Vosselman, G. بازسازی سه بعدی داخلی از ابرهای نقطه ای برای مسیریابی بهینه در ساختمان های پیچیده برای پشتیبانی از مدیریت بلایا. خودکار ساخت و ساز 2020 , 113 , 103109. [ Google Scholar ] [ CrossRef ]
اوسائو، اس. لافارژ، اف. Alliez, P. بازسازی صحنه داخلی با استفاده از استخراج اولیه حساس به ویژگی و برش نمودار. ISPRS J. Photogramm. Remote Sens. 2014 ، 90 ، 68-82. [ Google Scholar ] [ CrossRef ]
اوچمن، اس. ووک، آر. وسل، آر. Klein, R. بازسازی خودکار مدل های ساختمانی پارامتریک از ابرهای نقطه داخلی. محاسبه کنید. نمودار 2016 ، 54 ، 94-103. [ Google Scholar ] [ CrossRef ]
Museth، K. VDB: حجم های پراکنده با وضوح بالا با توپولوژی پویا. ACM Trans. نمودار 2013 ، 32 ، 1-22. [ Google Scholar ] [ CrossRef ]
یانگ، اف. چه، م. زو، ایکس. لی، ال. ژانگ، جی. ژانگ، سی. نمایش حجمی و بسته بندی کره فضای داخلی برای تقسیم بندی اتاق سه بعدی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 739. [ Google Scholar ] [ CrossRef ]
لین، ی. لی، جی. وانگ، سی. چن، ز. وانگ، ز. Li, J. اتصال سریع هواپیما با نظم محدود. ISPRS J. Photogramm. Remote Sens. 2020 , 161 , 208–217. [ Google Scholar ] [ CrossRef ]
اوسائو، اس. لافارژ، اف. Alliez، P. تشخیص شکل مسطح و منظم سازی در پشت سر هم. محاسبه کنید. نمودار انجمن 2015 ، 35 ، 203-215. [ Google Scholar ] [ CrossRef ]
بوچ، ام. کوبلت، ال. پالی، ام. آلیز، پی. Lévy، B. پردازش مش چند ضلعی ; CRC Press: Boca Raton، FL، USA، 2010. [ Google Scholar ]
بویکوف، ی. وکسلر، او. ذبیح، ر. به حداقل رساندن انرژی تقریبی سریع از طریق برش های نمودار. IEEE Trans. الگوی مقعدی ماخ هوشمند 2001 ، 23 ، 1222-1239. [ Google Scholar ] [ CrossRef ]
CGAL، کتابخانه الگوریتم‌های هندسه محاسباتی. 2022. در دسترس آنلاین: https://www.cgal.org (در 1 مه 2022 قابل دسترسی است).
مقایسه ابری پروژه متن باز نرم افزار 3D Point Cloud و Mesh Processing. 2022. در دسترس آنلاین: https://www.cloudcompare.org/ (در 1 مه 2022 قابل دسترسی است).
خوشلحم، ک. تران، اچ. آچاریا، دی. ویلارینو، LD; کانگ، ز. Dalyot, S. نتایج معیار ISPRS در مدلسازی داخلی. ISPRS Open J. Photogramm. Remote Sens. 2021 , 2 , 100008. [ Google Scholar ] [ CrossRef ]
تران، اچ. خوشلحم، ک. کیلی، الف. مقایسه هندسی و ارزیابی کیفیت مدل‌های سه بعدی محیط‌های داخلی. ISPRS J. Photogramm. Remote Sens. 2019 ، 149 ، 29–39. [ Google Scholar ] [ CrossRef ]
خوشلحم، ک. ویلارینو، LD; پیتر، م. کانگ، ز. آچاریا، دی. معیار ISPRS در مدلسازی داخلی. ISPRS-Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2017 ، XLII-2/W7 ، 367–372. [ Google Scholar ] [ CrossRef ]

شکل 1. نمودار جریان روش بازسازی چند ضلعی پیشنهادی.

شکل 2. مثالی از وکسل کردن فضای داخلی: ( الف ) دری که دو اتاق را از هم جدا می کند. ( ب ) مشخصات فضای داخلی؛ ( ج ) جمع‌آوری ابر نقطه‌ای با استفاده از اسکن لیزری، که در آن وکسل‌ها به‌عنوان فضاهای آزاد و فضاهای اشغال‌شده به رنگ زرد و آبی مشخص می‌شوند. ( د ) وکسل سازی برای مش بدون پوز/نقاط دید، از مرز برای علامت گذاری وکسل های ناشناخته استفاده می شود.

شکل 3. بسته بندی کره داخلی فضای داخلی و نمودار ساخته شده.

شکل 4. فضای اشغال شده و فضای آزاد با اطلاعات اتاق پس از تقسیم بندی اتاق سه بعدی برچسب گذاری شده است.

شکل 5. صفحات را از مش تشخیص داد و در رنگ های مختلف رنگ آمیزی کرد.

شکل 6. ( الف ) فضای 3 بعدی محدود با چهار صفحه تقسیم شده است. ( ب ) فضای 3 بعدی محدود به 9 زیرفضا تقسیم می شود که مربوط به گره برگ درخت BSP است. ( ج ) یک صفحه فضا را به دو نیم فضا تقسیم می کند و درخت BSP برای حفظ رابطه سلسله مراتبی فضای تقسیم شده استفاده می شود.

شکل 7. آزمایشات روی مجموعه داده های ابر نقطه ای. از چپ به راست: ابر نقطه اصلی، نتیجه تقسیم‌بندی اتاق، طرح‌بندی اتاق بازسازی‌شده.

شکل 8. کامل بودن، درستی و دقت هر مدل چند ضلعی بازسازی شده.

شکل 9. آزمایشات روی مجموعه داده های مش. از چپ به راست: ابر نقطه اصلی، نتیجه تقسیم بندی اتاق، طرح اتاق بازسازی شده برای مش های مختلف.

شکل 10. نتایج ارزیابی برای مدل چند ضلعی بازسازی شده در مورد کامل بودن، صحت و دقت.

شکل 11. ( الف ) ابر نقطه اصلی. ( ب ) نتیجه تقسیم بندی اولیه اتاق. ( ج ) تقسیم بیشتر به سه راهرو و یک فضای پلکانی با استفاده از یک صفحه بسته مجازی. ( د ) صفحات تقسیم شده؛ ( ه ) چیدمان اتاق بازسازی شده فضاهای متقابل.

شکل 12. ( الف ) ابر نقطه اصلی. ( ب ) چیدمان اتاق بازسازی شده فضای بین طبقاتی، که در آن تعداد زیادی قطعات کوچک زیرفضا منجر به نقص در مدل نتیجه می شود.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

بازسازی چیدمان سه بعدی چند ضلعی یک محیط داخلی از طریق تقسیم بندی اتاق مبتنی بر Voxel و پارتیشن فضایی

بازسازی چیدمان سه بعدی چند ضلعی یک محیط داخلی از طریق تقسیم بندی اتاق مبتنی بر Voxel و پارتیشن فضایی

چکیده

کلید واژه ها:

1. مقدمه

2. آثار مرتبط