智慧城市三维模型构建方法与流程

1.本公开涉及模型构建技术领域，尤其涉及智慧城市三维模型构建方法。


背景技术：

2.城市模型构建是指利用计算机技术和地理信息系统（gis）技术，通过对城市空间数据进行收集、处理、分析和可视化，创建一个虚拟的城市模型，这种模型可以用于城市规划、交通管理、环境评估、灾害预防等多个领域。
3.在城市模型构建过程中，经常使用到点云技术，它是一种用于采集、处理和分析三维空间数据的技术，通过激光扫描、摄影测量或其他传感器获取的数据，将真实世界中的物体表面几何形状转换为大量的离散点坐标，从而创建三维点云模型；点云技术获取的数据包括密集点云和稀疏点云，其中，密集点云能够提供更多的采样点，可以更准确地捕捉建筑物、道路、绿化区域等细节，以及它们之间的几何关系，这对于创建精确的三维模型以及进行规划、分析和可视化非常重要，但密集点云在处理和分析时通常需要强大的计算资源和算法，效率较低，且需要较大的存储空间；稀疏点云采样点较少，只在物体的主要特征或边界上有采样点，因此稀疏点云无法提供足够的细节，建模精度不够，但稀疏点云相对较少的数据点在计算和存储方面具有优势。
4.例如公开号为cn113963259a的专利公开的一种基于点云数据的街景地物多维度提取方法和系统，通过多个维度对激光雷达获取的点云数据进行处理，首先通过布料算法提取出地面点云和非地面点云，随后逐类、无差别地提取各种地物，以获取不同种类的地物识别。也即在该技术方案中，街景地物的模型的构建需要基于所有地面点云数据，也就是说所有采集的数据都会被计算和处理，以形成模型的构建单元，最终汇总形成需要的模型，但某些构建单元与模型数据库已存在，再次计算和处理必然增加构建时间，扩大所需的存储空间，降低了模型构建效率。
5.公开号为cn114332134a的专利公开了一种基于密集点云的建筑物立面提取方法和装置，其主要是获取待提取区域的密集匹配点云数据，并对待提取区域内的建筑物立面进行粗提取，得到待提取区域内的建筑物的初始立面，基于预设图像处理算法和初始立面，构建待提取区域内的建筑物立面，这种方法虽然能够提高图像处理效率，但基于其建筑物初始里面的提取是基于均匀网格中的候选点云数据，因此这种处理方式的适用于处理精度要求不高的场景。
6.因此，有必要提供智慧城市三维模型构建方法解决上述技术问题。


技术实现要素：

7.为解决上述技术问题，本公开提供智慧城市三维模型构建方法，在采集的密集点云中采样得到稀疏点云，通过密集点云和稀疏点云的结合构建城市三维模型可以在保持高精度的同时，提高处理效率和减少存储空间需求，对于相似或者相同的点云数据直接调用城市三维模型数据库的已知模型块，进一步提高处理效率和减少存储空间需求，能够更好
地满足城市建模的需求，并支持智慧城市规划、可视化和分析等方面的应用。
8.本公开提供的智慧城市三维模型构建方法，包括：密集点云采集：对城市区域进行密集点云采集；稀疏点云生成：从密集点云中进行采样，生成稀疏点云；稀疏点云补全：对稀疏点云进行补全；点云分类：对密集点云和补全后的稀疏点云进行分类处理，得到点云分类结果；块分类：基于城市三维模型数据库，对所述点云分类结果进行块分类，得到已知块和未知块；模型构建：基于已知块和未知块共同构建城市三维模型。
9.优选的，在所述密集点云采集步骤之后，所述稀疏点云生成步骤之前，还包括：对密集点云数据进行清理，得到清理后的密集点云数据：对清理后的密集点云数据进行配准，得到配准后的密集点云数据；对配准后的密集点云数据进行滤波，得到滤波后的密集点云数据；对滤波后的密集点云数据进行纠正，得到标准密集点云。
10.优选的，所述稀疏点云生成步骤，包括：为密集点云数据设立若干个规则的网格单元，同时标记所有网格单元｛k1，k2，
……
ki｝；将密集点云数据对应划分至网格单元内；基于采样权重从网格单元中采样，生成稀疏点云。
11.优选的，所述采样权重为对应于每个网格单元的密集点云数据中包含的采样点数量。
12.优选的，所述基于采样权重从网格单元中采样，生成稀疏点云，包括：设定网格单元内采样点数量阈值m；获取每个网格单元内对应的密集点云数据的采样点数量n；依次判断所有网格单元对应的所述采样点数量n与采样点数量阈值m大小，若采样点数量n≥采样点数量阈值m，则认定该采样点数量n对应的网格单元归属于密集点云，若采样点数量n《采样点数量阈值m，则认定该采样点数量n对应的网格单元归属于稀疏点云。
13.优选的，所述稀疏点云补全步骤，包括：确定稀疏点云中的缺失点；利用最近邻插值方法找到与缺失点最近的已知点；将所述最近的已知点的属性赋予所述缺失点。
14.优选的，所述点云分类步骤，包括：按照密集点云采集的时间顺序依次提取所有网格单元包含的密集点云的数据特征；基于提取的数据特征重新分类所有网格单元，以得到点云分类结果。
15.优选的，所述点云分类结果包括位于城市不同地理位置的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据。
16.优选的，所述块分类步骤，包括：将所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据输入基于机器学习构建块分类模型；提取所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据的特征向量；利用k近邻算法根据特征向量从城市三维模型数据库中寻找最接近的样本块；根据是否寻找到样本块，将所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据分为已知点云数据和未知点云数据，并将已知点云数据和未知点云数据分别定义为已知块和未知块。
17.优选的，所述模型构建步骤，包括：对于已知块，从所述城市三维模型数据库调用与已知块对应的已知模型构建初级城市三维模型；在初级城市三维模型的基础上，根据未知块补全初级城市三维模型，得到城市三维模型。
18.与相关技术相比较，本公开提供的智慧城市三维模型构建方法具有如下有益效果：本公开在采集的密集点云中采样得到稀疏点云，通过密集点云和稀疏点云的结合构建城市三维模型可以在保持高精度的同时，提高处理效率和减少存储空间需求，对于相似或者相同的点云数据直接调用城市三维模型数据库的已知模型块，进一步提高处理效率和减少存储空间需求，能够更好地满足城市建模的需求，并支持智慧城市规划、可视化和分析等方面的应用。
附图说明
19.图1为本公开提供的智慧城市三维模型构建方法的流程示意图；图2为本公开提供的智慧城市三维模型构建方法的密集点云数据处理流程示意图；图3为本公开提供的智慧城市三维模型构建方法的稀疏点云生成流程示意图；图4为本公开提供的智慧城市三维模型构建方法的稀疏点云采样流程示意图；图5为本公开提供的智慧城市三维模型构建方法的稀疏点云补全流程示意图；图6为本公开提供的智慧城市三维模型构建方法的点云分类流程示意图；图7为本公开提供的智慧城市三维模型构建方法的块分类流程示意图；图8为本公开提供的智慧城市三维模型构建方法的模型构建流程示意图。
具体实施方式
20.下面结合附图和实施方式对本公开做进一步说明。
21.在本实施例中，参考图1所示，智慧城市三维模型构建方法，主要通过以下步骤实现，具体步骤如下所述：步骤s100：密集点云采集：对城市区域进行密集点云采集；在本实施例中，具体的，密集点云的获取主要是使用激光扫描采集得到，在采集过
程中，使用激光器和接收器来测量城市区域的距离和位置信息，具体是将激光束被发射到城市区域上，然后通过计算反射回来的信号的时间差和角度，可以确定点云中每个点的位置，最终生成高密度的密集点云。
22.在完成对城市区域的密集点云采集后，还需要对密集点云进行数据处理，数据处理包括去除噪声、对齐数据、平滑点云以及修复可能存在的错误。
23.数据处理过程具体参考图2所示，包括：步骤s201：对密集点云数据进行清理，得到清理后的密集点云数据：具体的，数据清理主要包括去除孤立点、噪声过滤以及表面平滑化。
24.其中，去除孤立点是将超出设定的城市区域不同物体的边界的点云视为无效点进行去除，同时对于带有强度信息的密集点云数据，也可以根据设定的强度阈值范围进行过滤，以去除高于和低于强度阈值范围的无效点。
25.噪声过滤是通过计算每个点云周围邻域内点云的统计特征，如平均值和标准差，将远离邻域统计特征的点视为噪声点，并通过高斯滤波器进行滤除。
26.具体的，高斯滤波器进行滤除的步骤包括：确定高斯滤波器的参数；对于每个点云，在其周围选择一个邻域或窗口；对于选定的邻域内的每个点云，根据其与中心点的距离计算一个权重值，一般来说，距离越近的点权重越大，距离越远的点权重越小；将邻域内的每个点的数值乘以对应的权重，并将所有点的加权值进行平均，这样可以使得点云数据表明平滑化，并抑制住噪声。
27.此外，还可以使用迭代方式，多次进行滤波操作，以进一步减小噪声。
28.步骤s202：对清理后的密集点云数据进行配准，得到配准后的密集点云数据；具体的，点云配准主要包括初始对齐和迭代优化两个步骤，对于从多个位置采集的点云集合p
t
中目标点p
t
，需要将它们初始对齐，根据初始对齐结果，使用迭代优化算法最小化对应点之间的距离，以实现更准确的配准结果，该迭代优化算法例如icp算法，具体配准步骤如下：首先，寻找最近邻点：对于每个目标点p
t
∈p
t
，在源点云ps中找到与之最近的点ps：
29.其次，计算刚体变换，得到刚体变换矩阵t，具体公式如下：
30.其中，r为旋转矩阵，t为平移向量；||
·
||f表示矩阵的frobenius范数；接着，更新源点云，具体公式如下：
31.最后，重复上述步骤，直至收敛。
32.步骤s203：对配准后的密集点云数据进行滤波，得到滤波后的密集点云数据；具体的，点云滤波主要为降采样，通过减少点云数据中的采样点数量来降低数据量，可以在保持点云结构特征的同时减少数据量、提高计算效率，具体的，降采样具体步骤
包括：首先，输入点云集合p；其次，将点云集合p划分为体素网格；接着，初始化体素网格内的点云为空，遍历点云集合p中每个点，将其归类到所属的体素中，在体素网格中保留每个体素内的点集；然后，对每个体素的点集进行滤波；最后，合并滤波后的体素网格中的点集，返回滤波后的点云集合p
′
。
33.步骤s204：对滤波后的密集点云数据进行纠正，得到标准密集点云。
34.具体的，点云纠正主要包括法向量估计和点云去畸变两个步骤实现，其中，法向量估计步骤通过计算每个点的法向量，用于后续操作如光照计算、曲面重建等；点云去畸变可以纠正由于系统误差或畸变导致某些采集设备采集的点云数据存在的畸变问题，使其更准确和一致。
35.步骤s300：稀疏点云生成：从密集点云中进行采样，生成稀疏点云；参考图3所示，步骤s300具体包括：步骤s301：为密集点云数据设立若干个规则的网格单元，同时标记所有网格单元｛k1，k2，
……
ki｝；在本实施例中，通过规则网格划分密集点云，将整个空间区域均匀地划分为固定大小的正方形或长方形单元格，且每个单元格具有相同的大小和形状，通常在水平和垂直方向上具有相等的间隔，并对划分的网格单元做标记，例如｛k1，k2，
……
ki｝，以便后续处理过程中快速找到所需的网格单元，而后将密集点云数据关联至网格单元，匹配密集点云数据与网格单元的空间位置关系。
36.步骤s302：将密集点云数据对应划分至网格单元内。
37.在本实施例中，密集点云数据是按照时间顺序采集，因此按照密集点云采集的时间顺序以及每个网格单元能够存储的数据容量将密集点云数据对应划分至网格单元内，以易于后续的计算。
38.步骤s303：基于采样权重从网格单元中采样，生成稀疏点云。
39.在本实施例中，采样权重为每个网格单元内密集点云的采集密度，也即是每个网格单元内所包含的采样点的数量，依据包含的采样点的数量从包含密集点云的网格单元中采样，将其中部分密集点云转化成稀疏点云，因此在构建城市三维模型过程中，减少计算量以及所需的存储空间，以提高处理效率和减少存储空间需求，具体的，采样公式如下：
40.其中，q为采样点，wi为第i个点的采样权重，y为密集点云中的总点数。
41.在本实施例中，参考图4所示，步骤s303具体包括如下步骤：步骤s3031：设定网格单元内采样点数量阈值m；在本实施例中，采样点数量阈值m采用动态阈值，同时采用直方图表示网格单元内包含的密集点云数据，然后利用动态阈值设定方法otsu计算灰度级别的直方图，并根据直方图的形状找到使类间方差最大的阈值，从而得到能够自适应调节的阈值m。
42.步骤s3032：获取每个网格单元内对应的密集点云数据的采样点数量n；
在本实施例中，计算每个网格单元的点云密度（即点的数量与网格单元的比值），估计每个网格单元包含的密集点云的采样点数量n。
43.步骤s3033：依次判断所有网格单元对应的所述采样点数量n与采样点数量阈值m大小。
44.具体的判断过程如下，若采样点数量n≥采样点数量阈值m，则认定该采样点数量n对应的网格单元归属于密集点云。
45.若采样点数量n《采样点数量阈值m，则认定该采样点数量n对应的网格单元归属于稀疏点云。
46.此外，在判断过程中，需建立采样点数量n与采样点数量阈值m之间的非线性关系，可以采用非线性回归方式拟合二者之间的线性关系。
47.本技术的建模方法通过设定阈值条件，根据阈值条件在采集的密集点云中采样得到稀疏点云，通过结合密集点云和稀疏点云的方式来构建城市三维模型，可以在保持高精度的同时，提高处理效率和减少存储空间需求，兼顾了精度和效率。
48.步骤s400：稀疏点云补全：对稀疏点云进行补全。
49.由于稀疏点云的采样密度较低，可能会导致一些细节丢失，因此，需要对稀疏点云进行补全，以恢复一定程度上的几何细节。
50.具体的，参考图5所示，步骤s400具体包括如下操作步骤：步骤s401：确定稀疏点云中的缺失点；在本实施例中，通常，稀疏点云中的缺失点会导致周围点之间的距离较大或出现明显的断裂，因此，通过空间邻近性方法计算点与其邻近点之间的距离，若距离较大则可以认定其为缺失点。
51.步骤s402：利用最近邻插值方法找到与缺失点最近的已知点；在本实施例中，根据需要补全的缺失点的位置，确定待插值的点集，对于每个待插值点，搜索原始点云中与其距离最近的若干个点，距离的计算可以采样欧氏距离方法，基于找到的最近邻点，使用其属性值进行插值计算，得到最近邻点的属性值。
52.步骤s403：将所述最近的已知点的属性赋予所述缺失点。
53.在本实施例中，将计算得到的属性值赋予待插值点，补全稀疏点云数据，可以采用逐点方式进行赋值，也可以利用并行计算技术同时处理多个待插值点，在补全后对还可以对补全的稀疏点云进行平滑操作和去除异常值，以提高数据质量和完整性。
54.此外，对补全的稀疏点云数据还可以进行评估和验证，检查其与原始数据的一致性和准确性，具体的评估方式可以采用可视化工具来验证，具体是将补全的稀疏点云数据与原始完整点云数据进行比较，并通过可视化工具（如点云渲染引擎、三维可视化库等）显示它们，这样可以直观地观察补全结果是否与原始点云数据一致或接近。
55.步骤s500：点云分类：对密集点云和补全后的稀疏点云进行分类处理，得到点云分类结果；在本实施例中，参考图7所示，步骤s500具体包括如下步骤：步骤s501：按照密集点云采集的时间顺序依次提取所有网格单元包含的密集点云的数据特征；具体的，由于密集点云的采样是按照时间进行的，因此可以按照时间顺序提取网
格单元包含的密集点云的数据特征。
56.该数据特征包含密集点云的几何特征，例如法线、曲率、表面积、体积、高度、宽度和深度等，可以将获取的所有几何特征组合成描述整个密集点云的特征描述。
57.步骤s502：基于提取的数据特征重新分类所有网格单元，以得到点云分类结果。
58.其中，点云分类结果包括位于城市不同地理位置的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据。
59.根据提取的几何特征以及结合采集的时间顺序将归属于某一地形的所有网格单元划分为一子类数据，以此类推，建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据也是如此操作，同一建筑物、同一道路和交通、同一植被和同一绿化以及同一水体分为一子类，因此，每一子类中包含与之对应的点云数据。
60.例如，建筑物x、建筑物y和建筑物z等分别归为一子类，道路x、道路y和道路z等分别归为一子类，以便提高后续模型构建速度。
61.步骤s600：块分类：基于城市三维模型数据库，对所述点云分类结果进行块分类，得到已知块和未知块；参考图7所示，步骤s600具体包括如下步骤：步骤s601：将所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据输入基于机器学习的块分类模型；具体的，基于机器学习的块分类模型是通过获取已经构建的城市三维模型点云数据训练得到，其包含大量的已知的城市三维模型点云数据以及与之对应的模型块。
62.步骤s602：提取所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据的特征向量；本实施例中，点云数据的特征向量为几何特征，其描述了点云数据的形状、结构和空间关系。
63.步骤s603：利用k近邻算法根据特征向量从城市三维模型数据库中寻找最接近的样本块；选择k值，使用交叉验证技术来评估不同k值下块分类模型的性能，通过在训练集上训练和验证块分类模型，并比较不同k值下的准确率或其他性能指标，选择表现最佳的k值。
64.通过欧氏距离方法计算待预测的新样本（也即是每一子类中包含的点云数据），计算其与块分类模型的训练集中每个样本之间的距离。
65.根据距离度量选择与待预测样本最近的k个训练样本作为最近邻。
66.对最近邻进行加权，对最近邻的数值进行加权平均来预测待预测样本的输出。
67.根据加权计算的结果，找出与待预测样本最近邻的训练样本以及训练样本，并认定为样本块，同时获取样本块对应生成的模型块。
68.步骤s604：根据是否寻找到样本块，将所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据分为已知点云数据和未知点云数据，并将已知点云数据和未知点云数据分别定义为已知块和未知块。
69.在本实施例中，待预测样本可能不存在于训练样本中，也即是大多数子类是需要经过计算才能构建模型，本方法则是找出训练样本中与子类相同或者相似的训练样本，这
一部分子类则不需要经过计算，从而基于此将子类分成已知块和未知块。
70.步骤s700：模型构建：基于已知块和未知块共同构建城市三维模型。
71.在本实施例中，参考图8所示，步骤s700具体包括：步骤s701：对于已知块，从城市三维模型数据库调用与已知块对应的已知模型构建初级城市三维模型；具体的，由于城市三维模型数据库存在有与已知块相同或者相似的模型块，因此这一子类在构建城市三维模型中不需要经过计算，直接从构建城市三维模型调用即可，以减少模型构建过程中的计算量。
72.步骤s702：在初级城市三维模型的基础上，根据未知块补全初级城市三维模型，得到城市三维模型。
73.具体的，由于未知块的子类并不存在于城市三维模型数据库中，因此需要初级城市三维模型的基础上在，按照现有的构建方法去构建城市三维模型，最终得到完整的城市三维模型。
74.具体的，对于建筑物，可以使用几何参数来描述建筑物的形状，如楼层高度、平面布局、立面特征等；对于道路建模，也可以采用参数化建模方法，根据道路的几何参数（如宽度、曲率等）和规则，使用参数化建模工具生成道路模型；对于植被建模，可以利用体素化建模方法，将植被区域通过体素分配给每个点来表示，从而生成植被模型；对于水体建模，通过分析水体的点云数据，使用曲面重建算法生成水体的适当几何形状；对于地形建模，可使用随机生成算法根据地形特征和规则生成合理的地形模型。
75.此外，城市三维模型构建完成后，还需要为建筑物和地形模型添加适当的纹理贴图，使其更加真实，纹理贴图可以是从卫星图像中提取的材质或者人工创建适当的纹理；还可以为模型适当地添加光照和阴影效果，使其更加逼真，可以采用光线追踪算法或者渲染引擎实现。
76.本公开提供的智慧城市三维模型构建方法的工作原理如下：本公开在采集的密集点云中采样得到稀疏点云，通过密集点云和稀疏点云的结合构建城市三维模型可以在保持高精度的同时，提高处理效率和减少存储空间需求，对于相似或者相同的点云数据直接调用城市三维模型数据库的已知模型块，进一步提高处理效率和减少存储空间需求，能够更好地满足城市建模的需求，并支持智慧城市规划、可视化和分析等方面的应用。
77.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
78.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存
储介质包括只读存储器（rom）、随机存储器（ram）、可编程只读存储器（prom）、可擦除可编程只读存储器（eprom）、一次可编程只读存储器（otprom）、电子抹除式可复写只读存储器（eeprom）、只读光盘（cd-rom）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
79.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

技术特征：
1.智慧城市三维模型构建方法，其特征在于，包括：密集点云采集：对城市区域进行密集点云采集；稀疏点云生成：从密集点云中进行采样，生成稀疏点云；稀疏点云补全：对稀疏点云进行补全；点云分类：对密集点云和补全后的稀疏点云进行分类处理，得到点云分类结果；块分类：基于城市三维模型数据库，对所述点云分类结果进行块分类，得到已知块和未知块；模型构建：基于已知块和未知块共同构建城市三维模型。2.根据权利要求1所述的智慧城市三维模型构建方法，其特征在于，在所述密集点云采集步骤之后，所述稀疏点云生成步骤之前，还包括：去除密集点云数据进行清理，得到清理后的密集点云数据：对清理后的密集点云数据进行配准，得到配准后的密集点云数据；其中，配准步骤包括：1）寻找最近邻点：对于每个目标点p
t
∈p
t
，在源点云p
s
中找到与之最近的点p
s
：2）计算刚体变换，得到刚体变换矩阵t：r为旋转矩阵，t为平移向量；||
·
||f表示矩阵的frobenius范数；3）更新源点云，具体公式如下：4）重复上述步骤，直至收敛；对配准后的密集点云数据进行滤波，得到滤波后的密集点云数据；对滤波后的密集点云数据进行纠正，得到标准密集点云。3.根据权利要求1所述的智慧城市三维模型构建方法，其特征在于，所述稀疏点云生成步骤，包括：为密集点云数据设立若干个规则的网格单元，同时标记所有网格单元｛k1，k2，
……
ki｝；将密集点云数据对应划分至网格单元内；基于采样权重从网格单元中采样，生成稀疏点云，具体采样公式如下：其中，q为采样点，w
i
为第i个点的采样权重，y为密集点云中的总点数。4.根据权利要求3所述的智慧城市三维模型构建方法，其特征在于，所述采样权重为对应于每个网格单元的密集点云数据中包含的采样点数量。5.根据权利要求4所述的智慧城市三维模型构建方法，其特征在于，所述基于采样权重从网格单元中采样，生成稀疏点云，包括：
设定网格单元内采样点数量阈值m；获取每个网格单元内对应的密集点云数据的采样点数量n；依次判断所有网格单元对应的所述采样点数量n与采样点数量阈值m大小：若采样点数量n≥采样点数量阈值m，则认定该采样点数量n对应的网格单元归属于密集点云；若采样点数量n<采样点数量阈值m，则认定该采样点数量n对应的网格单元归属于稀疏点云。6.根据权利要求1所述的智慧城市三维模型构建方法，其特征在于，所述稀疏点云补全步骤，包括：确定稀疏点云中的缺失点；利用最近邻插值方法找到与缺失点最近的已知点；将所述最近的已知点的属性赋予所述缺失点。7.根据权利要求6所述的智慧城市三维模型构建方法，其特征在于，所述稀疏点云补充步骤还包括：对补充完成后的点云数据进行评估与验证以判断其与原始数据的一致性。8.根据权利要求3所述的智慧城市三维模型构建方法，其特征在于，所述点云分类步骤，包括：按照密集点云采集的时间顺序依次提取所有网格单元包含的密集点云的数据特征；基于提取的数据特征重新分类所有网格单元，以得到点云分类结果。9.根据权利要求8所述的智慧城市三维模型构建方法，其特征在于，所述点云分类结果包括位于城市不同地理位置的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据。10.根据权利要求9所述的智慧城市三维模型构建方法，其特征在于，所述块分类步骤，包括：将所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据输入基于机器学习构建块分类模型；提取所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据的特征向量；利用k近邻算法根据特征向量从城市三维模型数据库中寻找最接近的样本块；根据是否寻找到样本块，将所有的地形点云数据、建筑物点云数据、道路和交通点云数据、植被和绿化点云数据以及水体点云数据分为已知点云数据和未知点云数据，并将已知点云数据和未知点云数据分别定义为已知块和未知块。11.根据权利要求1-10任一项所述的智慧城市三维模型构建方法，其特征在于，所述模型构建步骤，包括：对于已知块，从所述城市三维模型数据库调用与已知块对应的已知模型块构建不完全城市三维模型；在不完全城市三维模型的基础上，根据未知块补全不完全城市三维模型，得到城市三维模型。

技术总结
本公开提供智慧城市三维模型构建方法，属于模型构建技术领域，该构建方法包括对城市区域进行密集点云采集，从密集点云中进行采样，生成稀疏点云，对稀疏点云进行补全，对密集点云和补全后的稀疏点云进行分类处理，得到点云分类结果，基于城市三维模型数据库，对所述点云分类结果进行块分类，得到已知块和未知块，基于已知块和未知块共同构建城市三维模型，本公开在采集的密集点云中采样得到稀疏点云，通过密集点云和稀疏点云的结合构建城市三维模型可以在保持高精度的同时，提高处理效率和减少存储空间需求，对于相似或者相同的点云数据直接调用城市三维模型数据库的已知模型块，进一步提高处理效率和减少存储空间需求。一步提高处理效率和减少存储空间需求。一步提高处理效率和减少存储空间需求。


技术研发人员：宫政 高阳 孙文浩 邓宝君
受保护的技术使用者：青岛星邦光电科技有限责任公司
技术研发日：2023.08.15
技术公布日：2023/9/14