NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割

在这篇文章中，我们描述了一个为阿姆斯特丹 3D 城市模型自动添加门窗的系统（可以在这里访问）。 计算机视觉用于从城市全景图像中提取有关门窗位置的信息。 由于这种类型的街道级图像广泛可用，因此该方法可用于较大的地理区域。

处于开发阶段的阿姆斯特丹 3D 城市模型可用于更轻松地向公众传达空间规划。 此外，公众可以更多地参与市政府的规划决策和宗旨。 城市模型由简化形状的建筑物组成； 在 CityGML1 术语中，它们处于细节级别 2 (LOD2)。 在建筑物上添加门窗可以实现许多新的用例，包括应急响应规划、城市可持续性和城市模拟（例如，“采光权”对新建筑潜在建设的影响）。

阿姆斯特丹3D城市模型

本文所提出的系统可以分为以下三个步骤：

1、从全景图像中提取立面纹理

第一步利用建筑物视频数据从街道全景图像中识别、校正和提取建筑物的纹理区域。下图为说明提议的处理管线第一阶段想法的示例。

（左）从阿姆斯特丹 Hartenstraat 拍摄的全景图像。 （中）全景图像的位置及其与建筑物足迹数据之间的关系。 （右）修正后的立面纹理。

2、从提取的纹理中检测门窗

第二步是使用 Mask R-CNN（一种深度卷积神经网络）从建筑物的纹理区域检测门窗。 我们生成了超过 980 张高质量的分割掩模图像来训练网络。

（左）修正后的立面纹理。 （中左）手动注释的分割掩模图像，地面实况。 （中右）边界框、分割掩模和相应的类标签。 （右）边界框表示检测到的门窗。

3、将检测到的门窗添加到 3D 模型中

在第三步（也是最后一步）中，将先前检测到的门窗与输入的 CityGML LOD2 模型对齐，以构建 CityGML LOD3 模型。

上图为使用所提出的系统在 LOD3 中生成虚拟街道场景。 使用 Azul CityGML 查看器  进行可视化。

这是该项目的演示视频 ，代码可以从github下载。

原文链接：A Deep Learning Approach to Enhance 3D City Models

BimAnt翻译整理，转载请标明出处