本書面向智慧城市、智慧空間、智能制造等新興產(chǎn)業(yè)對室內(nèi)地圖和實體三維模型的迫切需求，結合機器學習、深度學習等人工智能新技術，利用可廣泛獲取的開放街道地圖（OSM）、CAD 等數(shù)據(jù)源，詳細介紹智能化室內(nèi)制圖和建模方法，包括建筑物空間元素重建與智能化室內(nèi)制圖方法、基于輪廓劃分的復雜建筑物屋頂形狀推薦方法、利用二元不平衡學習標記公共建筑物正門方法、基于幾何地圖文法推理房間語義方法、利用隨機森林和關系圖卷積網(wǎng)絡推理房間語義、基于遺傳規(guī)劃的室內(nèi)地標顯著性學習方法、基于智能圖像分析的室內(nèi)智能制圖與建模方法，以及自優(yōu)化建筑物平面圖圖像解析方法，并給出相應案例和實驗結果。本書提出的理論與方法不需要借助任何物理感知設備，可在多行業(yè)領域推廣和應用。
更多科學出版社服務，請掃碼獲取。
目錄
第1章建筑物空間元素重建與智能化室內(nèi)制圖方法 1
1.1 概述 1
1.2 建筑物空間元素重建方法概述 2
1.3 建筑物空間元素之間的關聯(lián)關系 3
1.4 建筑物空間元素的顯式和隱式規(guī)則 4
1.4.1 規(guī)則系統(tǒng)的定義 5
1.4.2 規(guī)則系統(tǒng)的應用 6
1.4.3 統(tǒng)計學習的定義 6
1.4.4 建筑物重建中的應用 7
1.4.5 規(guī)則與統(tǒng)計學習的融合 8
1.5 基于建筑物平面圖圖像解析的室內(nèi)制圖方法 8
1.5.1 傳統(tǒng)建筑物平面圖圖像解析方法 8
1.5.2 建筑物平面圖圖像解析學習方法 10
參考文獻 11
第2章基于輪廓劃分的建筑物屋頂形狀推薦方法 15
2.1 概述 15
2.2 研究進展 16
2.2.1 三維屋頂重建 16
2.2.2 對稱性檢測 17
2.2.3 屋頂輪廓分解 17
2.3 屋頂形狀推薦 17
2.3.1 輪廓分解算法 18
2.3.2 劃分對稱性檢測 21
2.3.3 選擇規(guī)則 24
2.3.4 組合規(guī)則 25
2.3.5 空間對稱規(guī)則 28
2.3.6 概率計算 28
2.4 實驗與分析 29
2.4.1 聯(lián)合事件概率比較 30
2.4.2 單一事件概率比較 34
2.5 總結與展望 36
2.5.1 理論局限性 36
2.5.2 經(jīng)驗閾值 36
2.5.3 方法應用 36
參考文獻 36
第3章利用二元不平衡學習標記公共建筑物正門方法 39
3.1 概述 39
3.2 研究進展 41
3.2.1 門檢測 41
3.2.2 入口檢測 42
3.3 研究方法 42
3.3.1 數(shù)據(jù)預處理 43
3.3.2 特征提取 44
3.3.3 不平衡分類 47
3.4 實驗與分析 47
3.4.1 實驗設置 47
3.4.2 標記精度 49
3.5 總結與展望 52
3.5.1 正門假設 52
3.5.2 多源數(shù)據(jù)融合 52
參考文獻 53
第4章基于幾何地圖文法的房間語義推理方法 55
4.1 概述 55
4.2 研究進展 56
4.2.1 室內(nèi)空間模型格式 56
4.2.2 基于數(shù)字化的室內(nèi)建模 57
4.2.3 基于圖像的室內(nèi)建模 57
4.2.4 基于軌跡的室內(nèi)建模 57
4.2.5 基于LiDAR 點云的室內(nèi)建模 58
4.2.6 基于規(guī)則的室內(nèi)建模 58
4.3 布局的形式化表達 59
4.3.1 建筑物類型定義 59
4.3.2 建筑物層次語義劃分 60
4.3.3 約束屬性文法 61
4.3.4 規(guī)則變量的斷言 61
4.3.5 規(guī)則的定義 62
4.4 房間類型推理算法 63
4.4.1 方法流程 63
4.4.2 貝葉斯推理 64
4.4.3 計算解析森林 65
4.4.4 計算概率 68
4.5 實驗與分析 68
4.5.1 訓練數(shù)據(jù) 68
4.5.2 測試過程 69
4.5.3 實驗結果 71
4.6 總結與展望 74
4.6.1 文法學習 74
4.6.2 深度學習 74
參考文獻 75
第5章基于隨機森林和關系圖卷積網(wǎng)絡的房間語義推理方法 79
5.1 概述 79
5.2 研究進展 81
5.2.1 基于數(shù)字化的室內(nèi)映射方法 81
5.2.2 基于測量的室內(nèi)映射方法 81
5.2.3 基于規(guī)則的室內(nèi)映射方法 82
5.3 研究方法 83
5.3.1 基于機器學習的房間類型標記 83
5.3.2 基于深度學習的房間類型標注 87
5.4 實驗與分析 90
5.4.1 標記準確性 92
5.4.2 時間消耗比較 95
5.5 總結與展望 96
參考文獻 97
第6章基于遺傳規(guī)劃的室內(nèi)地標顯著性學習方法 101
6.1 概述 101
6.2 研究進展 102
6.3 室內(nèi)地標顯著性屬性 103
6.3.1 視覺屬性 104
6.3.2 語義屬性 105
6.4 研究方法 107
6.4.1 方法流程 107
6.4.2 數(shù)據(jù)采集和處理 107
6.4.3 基于GP 算法的模型訓練 108
6.5 實驗與分析 110
6.5.1 實驗設置 111
6.5.2 實驗結果 112
6.5.3 基于GP 算法的模型訓練 114
6.6 總結與展望 116
參考文獻 117
第7章基于智能圖像分析的室內(nèi)制圖與建模方法 119
7.1 概述 119
7.2 建筑物要素矢量化 121
7.2.1 建筑物要素的實例分割 121
7.2.2 墻體和門窗簡化 123
7.3 一致性拓撲優(yōu)化 125
7.3.1 共邊檢測 125
7.3.2 拓撲優(yōu)化模型 127
7.3.3 房間提取與模型生成 129
7.4 實驗與分析 130
7.4.1 實驗設置 130
7.4.2 評價指標 131
7.4.3 實驗結果 132
7.4.4 消融實驗和參數(shù)設置討論 133
7.4.5 計算成本分析 135
7.5 總結與展望 136
參考文獻 137
第8章自優(yōu)化建筑物平面圖圖像解析方法 140
8.1 概述 140
8.2 研究方法 142
8.2.1 實例模型訓練 142
8.2.2 形態(tài)學模板優(yōu)化 143
8.2.3 自適應訓練策略 147
8.3 實驗與分析 149
8.3.1 數(shù)據(jù)集與實驗設置 149
8.3.2 實驗結果 149
8.4 總結與展望 153
參考文獻 154
附錄A 隨機森林實現(xiàn)的部分標記結果 156
附錄B 關系圖卷積網(wǎng)絡實現(xiàn)的部分標注結果 162
附錄C 排序預測結果 168
附錄D 測試場景示例 175
書單推薦
