本發(fā)明涉及城市三維建模，具體是一種城市場(chǎng)景三維建模方法和系統(tǒng)。

背景技術(shù)：

1、城市場(chǎng)景的三維建模對(duì)于城市規(guī)劃等諸多領(lǐng)域都具有至關(guān)重要的意義。通過構(gòu)建精確的城市場(chǎng)景三維模型，能夠提供直觀、全面的城市空間信息，輔助進(jìn)行科學(xué)合理的決策。因此，如何高效、精準(zhǔn)地構(gòu)建城市場(chǎng)景三維模型成為了當(dāng)前研究的熱點(diǎn)。

2、然而，在現(xiàn)有的城市場(chǎng)景三維建模技術(shù)中，普遍存在一個(gè)關(guān)鍵問題，即單純追求對(duì)盲區(qū)空間的有效覆蓋，卻忽視了數(shù)據(jù)質(zhì)量的重要性。在實(shí)際建模過程中，為了填補(bǔ)初始三維模型中的數(shù)據(jù)缺失區(qū)域，通常會(huì)規(guī)劃無人機(jī)補(bǔ)盲路徑，以實(shí)現(xiàn)對(duì)盲區(qū)的全面掃描。但這種做法往往導(dǎo)致采集到的數(shù)據(jù)雖然覆蓋了盲區(qū)空間，卻存在質(zhì)量缺陷。尤其在建筑角落等復(fù)雜場(chǎng)景下，由于反光材質(zhì)的存在，采集到的數(shù)據(jù)可能會(huì)出現(xiàn)偽影，這些偽影會(huì)嚴(yán)重影響數(shù)據(jù)的準(zhǔn)確性和可靠性，進(jìn)而導(dǎo)致建模結(jié)果存在不確定性。現(xiàn)有的技術(shù)雖然能夠生成無人機(jī)補(bǔ)盲路徑，但在面對(duì)這種復(fù)雜場(chǎng)景時(shí)，缺乏對(duì)數(shù)據(jù)質(zhì)量的動(dòng)態(tài)評(píng)估和優(yōu)化機(jī)制，無法有效解決“掃到并非掃好”的矛盾，使得最終構(gòu)建的三維模型無法滿足實(shí)際應(yīng)用的高精度要求。

3、因此，亟需一種城市場(chǎng)景三維建模方法，克服單純追求盲區(qū)空間覆蓋導(dǎo)致的數(shù)據(jù)質(zhì)量缺陷，有效消除了建模不確定性，構(gòu)建高質(zhì)量的城市場(chǎng)景三維模型。

技術(shù)實(shí)現(xiàn)思路

1、（1）要解決的技術(shù)問題

2、本發(fā)明的目的在于提供一種城市場(chǎng)景三維建模方法和系統(tǒng)，以解決城市場(chǎng)景三維建模中因單純追求盲區(qū)空間覆蓋以及建筑角落反光場(chǎng)景下出現(xiàn)偽影導(dǎo)致的數(shù)據(jù)質(zhì)量缺陷，進(jìn)而導(dǎo)致建模結(jié)果存在不確定性的問題。

3、（2）技術(shù)方案

4、為實(shí)現(xiàn)上述目的，一方面，本發(fā)明提供了一種城市場(chǎng)景三維建模方法，所述方法包括：

5、s1、獲取目標(biāo)城市場(chǎng)景的初始三維模型，并識(shí)別所述初始三維模型中的數(shù)據(jù)缺失區(qū)域；根據(jù)數(shù)據(jù)缺失區(qū)域的空間坐標(biāo)集合和無人機(jī)飛行約束條件，通過多目標(biāo)優(yōu)化算法生成初始無人機(jī)補(bǔ)盲路徑。

6、s2、控制無人機(jī)沿所述初始無人機(jī)補(bǔ)盲路徑飛行，通過搭載的傳感器實(shí)時(shí)采集所述數(shù)據(jù)缺失區(qū)域的補(bǔ)盲數(shù)據(jù)，并實(shí)時(shí)計(jì)算當(dāng)前采集的補(bǔ)盲數(shù)據(jù)的全局信息熵。

7、s3、判定所述全局信息熵達(dá)到預(yù)設(shè)的信息熵閾值時(shí)，則將當(dāng)前采集的補(bǔ)盲數(shù)據(jù)注入所述初始三維模型進(jìn)行增量更新；判定所述全局信息熵未達(dá)到預(yù)設(shè)的信息熵閾值時(shí)，則分析所述全局信息熵的突變性特征，根據(jù)所述突變性特征動(dòng)態(tài)調(diào)整后續(xù)的無人機(jī)補(bǔ)盲路徑和采集參數(shù)指令。

8、進(jìn)一步地，所述根據(jù)數(shù)據(jù)缺失區(qū)域的空間坐標(biāo)集合和無人機(jī)飛行約束條件，通過多目標(biāo)優(yōu)化算法生成初始無人機(jī)補(bǔ)盲路徑的方法包括：

9、獲取無人機(jī)的初始候選路徑集合；根據(jù)所述數(shù)據(jù)缺失區(qū)域的空間坐標(biāo)集合計(jì)算候選路徑對(duì)數(shù)據(jù)缺失區(qū)域的空間覆蓋率；根據(jù)所述無人機(jī)飛行約束條件計(jì)算候選路徑對(duì)飛行約束條件的違反程度量化值。

10、通過優(yōu)化目標(biāo)函數(shù)同時(shí)優(yōu)化所述空間覆蓋率和所述違反程度量化值，生成同時(shí)優(yōu)化兩個(gè)目標(biāo)的優(yōu)化候選路徑集合；所述優(yōu)化目標(biāo)函數(shù)包括最大化數(shù)據(jù)缺失區(qū)域的空間覆蓋率以及最小化無人機(jī)飛行約束條件的違反程度量化值。

11、從所述優(yōu)化候選路徑集合中選取帕累托最優(yōu)解作為所述初始無人機(jī)補(bǔ)盲路徑。

12、進(jìn)一步地，所述通過搭載的傳感器實(shí)時(shí)采集所述數(shù)據(jù)缺失區(qū)域的補(bǔ)盲數(shù)據(jù)，并實(shí)時(shí)計(jì)算當(dāng)前采集的補(bǔ)盲數(shù)據(jù)的全局信息熵的方法包括：

13、將當(dāng)前采集的補(bǔ)盲數(shù)據(jù)劃分為多個(gè)局部數(shù)據(jù)單元；獲取每個(gè)所述局部數(shù)據(jù)單元的數(shù)據(jù)特征，根據(jù)所述數(shù)據(jù)特征計(jì)算局部信息熵；檢測(cè)每個(gè)所述局部數(shù)據(jù)單元中是否存在由反光材質(zhì)引起的偽影，并依據(jù)偽影的顯著程度計(jì)算對(duì)應(yīng)的干擾系數(shù)。

14、利用所述干擾系數(shù)修正對(duì)應(yīng)局部數(shù)據(jù)單元的局部信息熵得到修正后的局部信息熵；對(duì)所述多個(gè)局部數(shù)據(jù)單元的修正后的局部信息熵進(jìn)行加權(quán)融合，生成當(dāng)前采集的補(bǔ)盲數(shù)據(jù)的全局信息熵。

15、進(jìn)一步地，所述檢測(cè)每個(gè)所述局部數(shù)據(jù)單元中是否存在由反光材質(zhì)引起的偽影，并依據(jù)偽影的顯著程度計(jì)算對(duì)應(yīng)的干擾系數(shù)的方法包括：

16、提取所述局部數(shù)據(jù)單元的光學(xué)特征向量，所述光學(xué)特征向量包括像素強(qiáng)度分布特征、顏色空間異常值特征及邊緣銳度特征。

17、將所述光學(xué)特征向量輸入預(yù)訓(xùn)練的反光偽影識(shí)別模型，輸出所述局部數(shù)據(jù)單元內(nèi)偽影區(qū)域的邊界坐標(biāo)及對(duì)應(yīng)的偽影置信度。

18、根據(jù)所述偽影區(qū)域在所述局部數(shù)據(jù)單元中的面積占比以及所述偽影置信度，計(jì)算偽影的顯著程度評(píng)價(jià)值；將所述顯著程度評(píng)價(jià)值映射到預(yù)設(shè)的干擾系數(shù)區(qū)間，生成所述干擾系數(shù)。

19、進(jìn)一步地，所述將所述光學(xué)特征向量輸入預(yù)訓(xùn)練的反光偽影識(shí)別模型，輸出所述局部數(shù)據(jù)單元內(nèi)偽影區(qū)域的邊界坐標(biāo)及對(duì)應(yīng)的偽影置信度的方法包括：

20、利用所述預(yù)訓(xùn)練的反光偽影識(shí)別模型的編碼器對(duì)所述光學(xué)特征向量進(jìn)行深度特征編碼，生成包含空間上下文信息的特征圖。

21、根據(jù)所述特征圖，通過所述預(yù)訓(xùn)練的反光偽影識(shí)別模型的第一分支執(zhí)行像素級(jí)語(yǔ)義分割，預(yù)測(cè)每個(gè)像素屬于偽影類別的概率并生成偽影區(qū)域分割掩碼，根據(jù)所述偽影區(qū)域分割掩碼提取偽影區(qū)域的邊界坐標(biāo)；通過所述預(yù)訓(xùn)練的反光偽影識(shí)別模型的第二分支對(duì)所述特征圖進(jìn)行空間區(qū)域聚合分析，預(yù)測(cè)所述偽影區(qū)域分割掩碼對(duì)應(yīng)的整體區(qū)域置信度作為偽影置信度。

22、進(jìn)一步地，所述根據(jù)所述偽影區(qū)域在所述局部數(shù)據(jù)單元中的面積占比以及所述偽影置信度，計(jì)算偽影的顯著程度評(píng)價(jià)值的方法包括：

23、將所述面積占比和所述偽影置信度分別進(jìn)行歸一化處理，得到對(duì)應(yīng)的歸一化面積占比值和歸一化置信度值；通過預(yù)設(shè)的非線性映射函數(shù)對(duì)所述歸一化置信度值進(jìn)行轉(zhuǎn)換，生成置信度增強(qiáng)因子；根據(jù)所述歸一化面積值與所述置信度增強(qiáng)因子計(jì)算得到偽影的顯著程度評(píng)價(jià)值。

24、進(jìn)一步地，所述對(duì)所述多個(gè)局部數(shù)據(jù)單元的修正后的局部信息熵進(jìn)行加權(quán)融合，生成當(dāng)前采集的補(bǔ)盲數(shù)據(jù)的全局信息熵的方法包括：

25、提取每個(gè)局部數(shù)據(jù)單元的幾何特征向量，所述幾何特征向量包括表面曲率特征、深度突變特征及法向量變化特征。

26、根據(jù)所述幾何特征向量計(jì)算所述局部數(shù)據(jù)單元的幾何特征顯著度；根據(jù)所述幾何特征顯著度確定所述局部數(shù)據(jù)單元的融合權(quán)重系數(shù)，其中幾何特征顯著度越高的局部數(shù)據(jù)單元被賦予越大的融合權(quán)重系數(shù)；根據(jù)所述融合權(quán)重系數(shù)對(duì)所述多個(gè)局部數(shù)據(jù)單元的修正后的局部信息熵進(jìn)行加權(quán)計(jì)算得到全局信息熵。

27、進(jìn)一步地，所述分析所述全局信息熵的突變性特征，根據(jù)所述突變性特征動(dòng)態(tài)調(diào)整后續(xù)的無人機(jī)補(bǔ)盲路徑和無人機(jī)的采集參數(shù)的方法包括：

28、構(gòu)建所述全局信息熵在三維空間中的標(biāo)量場(chǎng)分布；根據(jù)所述標(biāo)量場(chǎng)分布在三維空間中各位置點(diǎn)的梯度向量計(jì)算得到三維梯度向量場(chǎng)；提取所述三維梯度向量場(chǎng)中各向量的模長(zhǎng)作為局部突變強(qiáng)度值，并提取各向量的方向作為局部突變方向。

29、根據(jù)所述局部突變強(qiáng)度值和局部突變方向的空間分布，生成表征全局信息熵突變性特征的突變強(qiáng)度分布圖和主方向分布圖；根據(jù)所述突變強(qiáng)度分布圖和主方向分布圖動(dòng)態(tài)調(diào)整后續(xù)無人機(jī)補(bǔ)盲路徑和采集參數(shù)指令。

30、進(jìn)一步地，所述根據(jù)所述突變強(qiáng)度分布圖和主方向分布圖動(dòng)態(tài)調(diào)整后續(xù)無人機(jī)補(bǔ)盲路徑和采集參數(shù)指令的方法包括：

31、根據(jù)所述突變強(qiáng)度分布圖提取突變強(qiáng)度值超過預(yù)設(shè)突變強(qiáng)度閾值的空間區(qū)域作為高優(yōu)先級(jí)航點(diǎn)區(qū)域；針對(duì)每個(gè)高優(yōu)先級(jí)航點(diǎn)區(qū)域，根據(jù)所述主方向分布圖提取對(duì)應(yīng)的局部主方向向量；根據(jù)所述局部主方向向量計(jì)算無人機(jī)傳感器的最優(yōu)俯仰角調(diào)整量；根據(jù)所述高優(yōu)先級(jí)航點(diǎn)區(qū)域及其對(duì)應(yīng)的最優(yōu)俯仰角調(diào)整量生成優(yōu)化后的無人機(jī)補(bǔ)盲路徑和采集參數(shù)指令。

32、另一方面，基于同一發(fā)明構(gòu)思，本發(fā)明還提供了一種城市場(chǎng)景三維建模系統(tǒng)，所述系統(tǒng)包括：補(bǔ)盲路徑生成模塊、補(bǔ)盲數(shù)據(jù)采集與信息熵計(jì)算模塊、數(shù)據(jù)質(zhì)量判定與模型更新模塊，各模塊之間依次通信連接；

33、補(bǔ)盲路徑生成模塊，用于獲取目標(biāo)城市場(chǎng)景的初始三維模型，并識(shí)別所述初始三維模型中的數(shù)據(jù)缺失區(qū)域；根據(jù)數(shù)據(jù)缺失區(qū)域的空間坐標(biāo)集合和無人機(jī)飛行約束條件，通過多目標(biāo)優(yōu)化算法生成初始無人機(jī)補(bǔ)盲路徑。

34、補(bǔ)盲數(shù)據(jù)采集與信息熵計(jì)算模塊，用于控制無人機(jī)沿所述初始無人機(jī)補(bǔ)盲路徑飛行，通過搭載的傳感器實(shí)時(shí)采集所述數(shù)據(jù)缺失區(qū)域的補(bǔ)盲數(shù)據(jù)，并實(shí)時(shí)計(jì)算當(dāng)前采集的補(bǔ)盲數(shù)據(jù)的全局信息熵。

35、數(shù)據(jù)質(zhì)量判定與模型更新模塊，用于判定所述全局信息熵達(dá)到預(yù)設(shè)的信息熵閾值時(shí)，則將當(dāng)前采集的補(bǔ)盲數(shù)據(jù)注入所述初始三維模型進(jìn)行增量更新；判定所述全局信息熵未達(dá)到預(yù)設(shè)的信息熵閾值時(shí)，則分析所述全局信息熵的突變性特征，根據(jù)所述突變性特征動(dòng)態(tài)調(diào)整后續(xù)的無人機(jī)補(bǔ)盲路徑和采集參數(shù)指令。

36、（3）有益效果

37、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

38、1.通過實(shí)時(shí)計(jì)算補(bǔ)盲數(shù)據(jù)的全局信息熵，能夠精準(zhǔn)評(píng)估采集數(shù)據(jù)的質(zhì)量。當(dāng)全局信息熵達(dá)到預(yù)設(shè)的信息熵閾值時(shí)，及時(shí)將高質(zhì)量補(bǔ)盲數(shù)據(jù)注入初始三維模型進(jìn)行增量更新，從基礎(chǔ)層面確保了建模數(shù)據(jù)的高質(zhì)量，為構(gòu)建精確的三維模型奠定堅(jiān)實(shí)基礎(chǔ)，有效規(guī)避因數(shù)據(jù)質(zhì)量問題導(dǎo)致的建模偏差。

39、2.在基礎(chǔ)數(shù)據(jù)質(zhì)量保障的基礎(chǔ)上，進(jìn)一步根據(jù)全局信息熵的突變性特征，動(dòng)態(tài)分析數(shù)據(jù)質(zhì)量變化趨勢(shì)，并據(jù)此調(diào)整后續(xù)無人機(jī)補(bǔ)盲路徑和采集參數(shù)。使無人機(jī)能夠靈活應(yīng)對(duì)復(fù)雜場(chǎng)景下的數(shù)據(jù)采集需求，在保證數(shù)據(jù)質(zhì)量的同時(shí)，提高了數(shù)據(jù)采集效率，避免了無效采集和資源浪費(fèi)，顯著提升了三維建模過程的智能化水平。

40、3.針對(duì)建筑角落等反光嚴(yán)重、數(shù)據(jù)采集難度大的復(fù)雜場(chǎng)景，通過深入分析局部數(shù)據(jù)單元的光學(xué)特征，并利用預(yù)訓(xùn)練的反光偽影識(shí)別模型進(jìn)行偽影檢測(cè)與干擾系數(shù)計(jì)算，從而有效修正局部信息熵值，生成準(zhǔn)確的全局信息熵。顯著增強(qiáng)了在復(fù)雜場(chǎng)景下的適應(yīng)性，使得構(gòu)建的三維模型更加貼近真實(shí)場(chǎng)景。