一种从钢结构建筑点云中自动提取结构梁线和连接的方法

1.本发明涉及点云分割技术领域，具体地说，涉及一种从钢结构建筑点云中自动提取结构梁线和连接的方法。


背景技术：

2.现针对大型钢结构建筑的点云分割方法一般是直接处理3d点云数据，并将重点放在混凝土等大块结构上，这些不能较佳的概括更小、更复杂的钢构件几何形状，然而，工作人员建模时，使用现有的点云分割方法提取钢结构建筑点云中的结构梁线和连接时较为不便。


技术实现要素：

3.为了解决上述技术问题，本发明通过下述技术方案加以解决：
4.一种从钢结构建筑点云中自动提取结构梁线和连接的方法，其包括如下步骤；
5.步骤s1：点云到图像叠加；
6.步骤s2：构件质心提取；
7.步骤s3：质心轴的区域生长。
8.本发明中，通过步骤s1～s3，进而获取构件的质心轴，从而较佳地提取钢结构建筑的结构梁线以及连接，进而较佳地实现从点云数据集中获取给定结构的构件几何体，也即能够减少工作人员手动建模时的耗时。
9.作为优选，步骤s1中，包括如下步骤；
10.步骤s11：获取点云切片；
11.步骤s12：获取切片图像。
12.本发明中，通过步骤s11～s12，建立建筑的点云，进而获取建筑的点云切片，从而将获取的点云切片转换为切片图像。
13.作为优选，步骤s11中，包括如下步骤；
14.步骤s111：建立笛卡尔坐标系；将x轴和y轴点云的轴线与建筑的主轴线相对应，点沿切片轴按升序排序；
15.步骤s112：获取每个扫描点；将每个扫描点由四个元组表示为(x,y,z,i)，代表x-轴，y-轴，z-轴坐标及该扫描点的强度值；坐标以物理单位和强度值为单位i记录的反射率为1到255之间的点；
16.步骤s113：使用点云切片的数量n来定义点云切片厚度t
slice
，满足关系式为：
[0017][0018]zmax
表示为z-点云中的z轴坐标的最大值，z
min
表示为z-点云中的z轴坐标的最小值，n表示为所选点云切片的数量；
[0019]
步骤s114：将z
min
的数据归零处理，步骤s113中关系式可简化表示为：
[0020][0021]
步骤s115：点云切片中在z方向绑定所有点i；满足关系式：
[0022][0023]
i从0到n-1。
[0024]
本发明中，切片过程是通过python软件实现的。云比较软件用于实现数据可视化和预处理，通过纠正点云的方向x轴和y轴围绕轴旋转点云来创建z轴，进而手动将建筑物的边缘与x和y通过云计算比较坐标轴；这个变换相当于向量的乘积(x,y,z)的矩阵表示为：
[0025]
的3
×
3旋转矩阵，其中θ是数据应旋转的角度；
[0026]
其中，根据切片方向的坐标对点进行排序后，使用对分法查找最接近步骤 s115中定义的边界的两点的索引；这些索引可用于访问切片中的所有点i使用 python语法[x[li:ui]，y[li:ui]，z[li，ui]，i[li:ui]，其中x，y，z，i是对应于三维坐标和强度值；整数li和ui分别对应于通过对分获得的上下限指数。
[0027]
作为优选，步骤s12中，包括如下步骤；
[0028]
步骤s121：获取每个点云切片的像素坐标；将像素坐标与物理坐标的转换比率设为r，单位为每单位长度的像素；对于一个z-切片定义关系式表示为：
[0029][0030]
vox表示为体素化算子，p
x
和py分别表示为图像中的像素坐标，i
avg
表示为该点在图像中的平均强度值。
[0031]
步骤s122：将每个点云切片的像素转换为图像并保存。
[0032]
本发明中，点云中的一个子集位于给定切片i内，对于给定的切片方向x、 y或z；这些三维切片能够“展平”为二维，也即利用图像处理技术，将扁平切片转换为图像格式，这个过程称为体素化。体素化过程用于将数据映射到一个规则的像素网格上，即，通过本发明中步骤s121中的关系式，工作人员给定像素坐标与物理坐标的转换比率r，进而将z-切片展平变换，将所有点投影到x-y 平面上，按比例缩放坐标，使用楼层操作符为每个点指定一个整数值，进而获取每个扫描点对应在图像中的像素坐标；
[0033]
其中，体素化算子vox为每个像素坐标着色并将所有点的平均强度值指定给该坐标i的平均值；
[0034]
步骤s122中，像素到图像的转换是使用python中的matplotlib库实现的， matplotlib允许用户在绘制图形时指定“每长度像素数”值；这些数据以散点图的形式绘制，其中每个点的大小为1个像素，故而较佳的获取切片图像；
[0035]
其中，由于空间分辨率增加，图像大小也会增加；对于稀疏点云来说，为保证空间和强度上的分辨率不会丢失，选择较高的转换比率r，进而实现将每个像素在一个点。
[0036]
作为优选，步骤s2中，包括如下步骤；
[0037]
步骤s21：对步骤s122中的图像进行图像处理；
[0038]
步骤s22：将步骤s21中处理后的图像与模板横截面进行卷积；
[0039]
步骤s23：将二维图像质心投影到三维空间。
[0040]
本发明中，将步骤s122中的图像进行图像处理，进而获取到较为清晰的构件图像，从而方便将过滤后的图像与所选择的二维卷积模板进行卷积，进而获取到图像中定位构件横截面的质心，将二维图像质心投影到三维空间，进而得出构件质心在三维空间内的位置。
[0041]
作为优选，步骤s21中，包括如下步骤；
[0042]
步骤s211：使用图像过滤器对步骤s122中的切片图像进行过滤处理；
[0043]
步骤s212：使用形态学算子对步骤s211过滤后的切片图像进行处理。
[0044]
本发明中，体素化二维切片依次通过颜色阈值过滤器、强度阈值过滤器、移动平均滤波器；颜色阈值过滤用于移除强度值超出包含结构元素的值范围的点、强度阈值过滤器用于去除非结构元素、移动平均滤波器对相邻图像切片进行平均，进而对得出的结果进行二值化，使所有非零强度值变为一；其中，二值化步骤应用形态学算子，先扩张，然后侵蚀，进而缓解横截面缺乏均匀性的问题，同时使得后续步骤中的卷积结果一致性较佳；通过上述步骤s211、步骤 s212，使得图像中非结构像素的数量被减少，同时还较佳地提高与结构组件相关的像素的清晰度。
[0045]
作为优选，步骤s22中，包括如下步骤；
[0046]
步骤s221：定义多个模板核；
[0047]
步骤s222：将每个模板核与相应切片方向的所有n个图像进行卷积；
[0048]
步骤s223：获取与模板核对应的横截面的质心并获取对应每个构件质心的像素坐标(p
x
，py)。
[0049]
本发明通过选取合适的模板核，模板核可以是从过滤图像集中手动选择代表性横截面，亦或者是创建用户定义的模板核，选择的每个模板核的横截面是唯一的，其目的在于，模板的缩放若不精确时，卷积运算依旧能够正常工作；将每个模板核与相应切片方向的所有n个图像进行卷积，进而获取生成一个三维相似图，选择超过设定阈值的峰值作为与模板对应的横截面的质心，进而获取每个构件的像素坐标(p
x
，py)。
[0050]
作为优选，步骤s23中，包括如下步骤；
[0051]
步骤s231：将步骤s223获取的质心的像素坐标(p
x
，py)投影回三维空间(x， y，z)中用于建立一个稀疏的质心点云；设定所有质心均位于原始切片的中心，对于z方向上的某个切片i，满足步骤s115中关系式：
[0052][0053]
故在该范围内提取点，该切片的中心满足关系式：
[0054][0055]
表示为两个边界的平均值；
[0056]
对于z轴切片i内的给定质心坐标(p
x
，py)，其在三维空间中的物理位置计算公式为：
[0057]
[0058]
本发明中，通过设定所有质心均位于原始切片的中心，进而将对应像素坐标除以转换比率r，进而根据关系式，将二维图像质心投影到三维空间，进而得出构件质心在三维空间内的位置。
[0059]
作为优选，步骤s3中，包括如下步骤；
[0060]
步骤s31：自定义线性区域生长用于获取构件的质心轴；
[0061]
步骤s32：使用结构设计的通用规则用于实现去除与真实构件质心轴不对应的伪线性区域；
[0062]
步骤s33：将交叉口转换为连接。
[0063]
本发明中，步骤s31中，自定义区域生长算法，首先，计算并定义每个点的残值r，通过点集的密度取给定点的k个最近邻，拟合通过该点及其相邻点的直线方程，并测量原点与该直线之间的距离，进而获取残值r；残值r是一个指标，表明该点位于一条线上的可能性，或者是噪声；其次，确定将所有点指定了残值r，将残值最低的点作为“种子点”，进而相应的限行区域从中“生长”；
[0064]
其中，计算种子点及其k近邻的直线拟合方程，计算出法向距离d从直线到每个点的距离，其计算公式如下：
[0065][0066]
其中，s＝(xs，ys，zs)表示为任一关注点的坐标，p和q表示为绘制直线的点的坐标，
“×”
表示(p-q)与(q-s)之间的叉积，“‖
·
‖”表示为向量范数；通过该计算公式获取所有点的距离d，设定距离阈值δ，提取距离d《阈值δ的点并添加到线性区域，进而将所提取的点重新拟合为一条新的直线，并重新计算距离值，重复上述步骤，进行连续迭代，直至没有新的直线生长，也即获取构件的质心轴，此时，将剩余的数据分配至一个“噪音”区域；
[0067]
步骤s32中，由于在噪声数据集中，一些提取的线性区域可能是与真实结构构件不对应的误报，故这些区域被称为伪线性区域。即建立一种识别算法，通过在成帧系统设计中执行通用规则来去除虚假区域；其中，通过设定给定切片方向上的所有中心线应大致平行，故设定约束放宽作为通用规则：即对于给定的切片方向，任何一对中心线的最近点应该在数据范围之外，将不满足通用规则的一对行被标记为冲突，故使用评分函数来确定两行中的哪一行要保留，哪一行要丢弃；评分函数由三个表示线性区域质量的特征定义，第一个特征f1是区域点的平均残值；如果平均残差很高，则该区域是有噪声的，并且是虚假的；第二个特征f2是区域中的点数，较少的点数通常对应于伪区域；第三个特征f3是区域的方向向量与切片集中其他直线的平均方向向量之间的差值，故给定行的分数score可定义为：
[0068][0069]
其中，分数score是分配给相关区域的结果得分值，标度系数a1、a2、a3可由用户选择，进而除以对应特征的最大值，进而获取每个特征值缩放为等式中的最大值，该识别算法在将通用规则应用于剩余的线性区域之前，从而从数据集中移除较高的评分线来顺序解决每个冲突，也即实现去除与真实构件质心轴不对应的伪线性区域；
[0070]
步骤s33中，对于来自不同切片方向的图元上的质心轴相互相交的交点，将该交点定义为“连接”，通过识别该“连接”进而识别出独特的结构元素。
[0071]
本发明的有益效果是：
[0072]
本发明通过步骤s1～s3，进而获取构件的质心轴，从而较佳地提取钢结构建筑的结构梁线以及连接，进而较佳地实现从点云数据集中获取给定结构的构件几何体，也即能够减少工作人员手动建模时的耗时。
附图说明
[0073]
图1为实施例1中的从钢结构建筑点云中自动提取结构梁线和连接的方法的流程示意图；
[0074]
图2为实施例1中的点云切片的示意图；
[0075]
图3为实施例1中的图像处理的示意图；
[0076]
图4为实施例1中的图像过滤的示意图；
[0077]
图5为实施例1中的强度值分布的示意图；
[0078]
图6为实施例1中的模板卷积的示意图。
具体实施方式
[0079]
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
[0080]
实施例1
[0081]
如图1所示，本发明实施例提供的从钢结构建筑点云中自动提取结构梁线和连接的方法，其包括如下步骤；步骤s1：点云到图像叠加；步骤s2：构件质心提取；步骤s3：质心轴的区域生长。
[0082]
步骤s1用于将原始点云转换为一组图像，其包括步骤s11：获取点云切片；步骤s12：获取切片图像；
[0083]
如图2所示，获取点云切片的具体步骤为，步骤s111：建立笛卡尔坐标系；将x轴和y轴点云的轴线与建筑的主轴线相对应，点沿切片轴按升序排序；步骤s112：获取每个扫描点；将每个扫描点由四个元组表示为(x,y,z,i)，代表 x-轴，y-轴，z-轴坐标及该扫描点的强度值；坐标以物理单位和强度值为单位i 记录的反射率为1到255之间的点；步骤s113：使用点云切片的数量n来定义点云切片厚度t
slice
，满足关系式为：z
max
表示为z-点云中的 z轴坐标的最大值，z
min
表示为z-点云中的z轴坐标的最小值，n表示为所选点云切片的数量；步骤s114：将z
min
的数据归零处理，步骤s113中关系式可简化表示为：同理，该步骤在切片x和y方向也是如此；步骤s115：点云切片中在z方向绑定所有点i，满足关系式：i从0 到n-1，如果切片在x或y方向绑定所有点i，则用x
max
或y
max
分别表示为这组的点云切片；
[0084]
本实施例中，获取点云切片过程是通过python软件实现的。云比较软件用于实现数据可视化和预处理，通过纠正点云的方向x轴和y轴围绕轴旋转点云来创建z轴，由于处理算法通常对轻微倾斜的元素具有鲁棒性，因此该方向不需要精确，进而可以手动将建筑物的边缘与x和y通过云计算比较坐标轴；这个变换相当于向量的乘积(x,y,z)，用矩阵表示
为：的3
×
3旋转矩阵，其中，θ是数据应旋转的角度；这个角度θ是在云比较软件中通过视觉方式确定的，但可以使用更精确的方法，例如主成分分析。
[0085]
根据切片方向的坐标对点进行排序后，使用对分法查找最接近步骤s115中定义的边界的两点的索引；这些索引可用于访问切片中的所有点i使用python 语法[x[li:ui]，y[li:ui]，z[li，ui]，i[li:ui]，其中x，y，z，i是对应于三维坐标和强度值；整数li和ui分别对应于通过对分获得的上下限指数。
[0086]
步骤s12中，点云中的一个子集位于给定切片i内,对于给定的切片方向x、 y、z。这些三维切片现在可以通过忽略沿切片方向的尺寸来“展平”为二维图像，再利用图像处理技术，将扁平切片转换为图像格式，这个过程称为体素化。体素化过程是用于将数据映射到一个规则的像素网格上；
[0087]
故获取切片到图像具体步骤为，步骤s121：获取每个点云切片的像素坐标；将像素坐标与物理坐标的转换比率设为r，单位为每单位长度的像素；对于一个 z-切片定义关系式表示为： vox表示为体素化算子，p
x
和py分别表示为图像中的像素坐标，i
avg
表示为该点在图像中的平均强度值；该步骤中，将z-切片展平变换，将所有点投影到x-y 平面上，按比例缩放坐标，使用楼层操作符为每个点指定一个整数值，进而获取每个扫描点对应在图像中的像素坐标；
[0088]
其中，体素化算子vox为每个像素坐标着色并将所有点的平均强度值指定给该坐标i的平均值；
[0089]
由于空间分辨率增加，图像大小也会增加；对于稀疏点云来说，为保证空间和强度上的分辨率不会丢失，选择较高的转换比率r，使得每个像素大约在一个点。
[0090]
步骤s122：将每个点云切片的像素转换为图像并保存。从像素到图像的转换是使用python中的matplotlib库实现的，matplotlib允许用户在绘制图形时指定“每长度像素数”值，这些数据以散点图的形式绘制，其中每个点的大小为1 个像素，此绘图可以保存为图像，进而较佳的获取切片图像。
[0091]
如图3所示，步骤s2用于实现将步骤s1中的切片图像堆栈转换为构件质心点的稀疏点云，如图3中的a部分，使用颜色阈值和形态学算子清理图像，即步骤s21：对步骤s122中的图像进行图像处理；如图3中的b部分，与模板横截面卷积分离图像中的构件质心，即步骤s22：将步骤s21中处理后的图像与模板横截面进行卷积；如图3中的c部分，通过将二维图像上的质心映射到三维空间来创建稀疏的质心云，即步骤s23：将二维图像质心投影到三维空间。
[0092]
故对图像进行图像处理具体步骤为，如图4所示，步骤s21中，包括如下步骤；步骤s211：使用图像过滤器对步骤s122中的切片图像进行过滤处理；该步骤中，将体素化二维切片依次通过一系列的图像过滤器，即实现减少非结构像素的数量，同时还较佳地提高与结构组件相关的像素的清晰度。
[0093]
强度值i是材料在红外光下反射率的函数。通常，结构和非结构构件的强度值位于
不同的强度范围内，具体取决于钢保护涂层和存在的非结构构件类型。图5中的直方图显示了两种情况，图5中a部分为结构点强度和整体点强度之间的最小重叠，即为理想情况，图5中b部分为结构点强度和整体点强度之间的大量重叠，即为非理想情况。在此基础上，结构像素至少部分地与对应于墙或其他非结构元素的不需要的像素分离。我们利用这一事实，如图4中a部分到b部分过滤过程，应用颜色阈值过滤器移除强度值超出包含结构元素的值范围的点，所用数值的准确范围因情况而异，因为钢材类型和保护涂层类型会影响该数值。该范围通常与图5中的强度直方图中的可见峰值相关，但也可以通过检查手动裁剪的横截面的强度分布来确定。
[0094]
通过使用强度阈值滤色器去除非结构元素；对于结构构件和非结构构件的强度分布存在明显差异的情况，它只是提高了结果的准确性。所有受试病例在结构强度范围内都有一定程度的非结构元素重叠。使用这种强度阈值滤色器通常也会产生负面的副作用，即去除了一些结构点。如图4中b部分到c部分的过滤过程，通过应用移动平均滤波器可以缓解这一问题，移动平均滤波器对相邻图像切片进行平均。
[0095]
步骤s212：使用形态学算子对步骤s211过滤后的切片图像进行处理；如图 4中的d部分，对结果进行二值化，使所有非零强度值变为一，通过应用形态学算子，从而缓解横截面缺乏均匀性的问题。从图4中的d部分可以看出，由于固有噪声，像素之间存在小间隙。此外，由于视线有限，底部法兰上方有一个很大的间隙。这两个问题都可以用两个形态学算子来纠正：先扩张，然后侵蚀。这些形态学算子采用用户指定大小和形状二元核，并将其扫过图像。
[0096]
如图4中的e部分，本实施例中使用了大小为5
×
5至10
×
10的籽粒。膨胀算子会导致人为地膨胀图像中像素的大小，这往往会缩小像素之间的间隙，并使形状更加均匀。如图4中的f部分，侵蚀操作符的工作原理类似，但会导致形状边缘“侵蚀”，导致形状尺寸缩小。当膨胀之后发生侵蚀时，膨胀会被抵消，同时保持闭合的间隙。使用的膨胀内核比侵蚀内核大，导致最终结果保留了部分膨胀。
[0097]
本实施例中，经步骤s1获取的切片图像经步骤s21获取到较为清晰的构件图像，从而方便将过滤后的图像与所选择的二维卷积模板进行卷积，
[0098]
步骤s22中，为获取到图像中定位构件横截面的质心以及对应的质心坐标，包括如下步骤，步骤s221：选择多个模板核；步骤s222：将每个模板核与相应切片方向的所有n个图像进行卷积；步骤s223：获取与模板核对应的横截面的质心并获取对应每个构件质心的像素坐标(p
x
，py)。
[0099]
如图6所示，对于卷积核或对应的模板，从过滤图像集中手动选择代表性横截面，亦或者，可以创建用户定义的模板。每个模板的横截面必须是唯一的，也因此，模板的缩放若不精确时，卷积运算依旧能够正常工作；
[0100]
要定义这些模板核，最简单的方法是手动裁剪每个模板的代表性横截面。该方法考虑了激光扫描仪的自然变形，如图6中b部分的“z”形顶部的轻微凸起。以及图6中b部分的底部法兰的宽度小于顶部法兰的事实。“i”形合成模板不会捕捉这些类型的失真，通常表现会更差，尽管它仍然可用。对于包含多个横截面的图像，将分别应用和处理每个模板内核，直到提取出质心轴。如下文所提及，由于这种分离而产生的误报均被视为伪线处理，也即“z”匹配大小类似的“i”形。每个选择的模板与相应切片方向的所有n个图像进行卷积。
[0101]
如图6中的c部分，以这种方式进行卷积将生成一个三维“相似图”，其中大z值表示为像素坐标(p
x
，py)，其周围几何结构与模板相似。该图中位于某个阈值以上的峰值被视为与模板对应的横截面的质心。如图6中的d部分，获取每个构件质心的像素坐标(p
x
，py)。
[0102]
步骤s23中，包括如下步骤；
[0103]
步骤s231：将步骤s223获取的质心的像素坐标(p
x
，py)投影回对应三维空间的空间坐标(x，y，z)中来用于建立一个稀疏的质心点云；设定所有质心均位于原始切片的中心，对于z方向上的某个切片i，满足步骤s115中关系式：故在该范围内提取点，该切片的中心满足关系式：该关系式表示为两个边界的平均值；
[0104]
对于z轴切片i内的给定质心坐标(p
x
，py)，其在三维空间中的物理位置计算公式为：同理，沿x轴和y 轴的切片的质心能够求出对应三维空间中的物理位置。
[0105]
本实施例中，步骤s3中用于实现提取稀疏构件质心云中提取构件质心轴，包括如下步骤；步骤s31：自定义线性区域生长用于获取构件的质心轴；步骤 s32：使用结构设计的通用规则用于实现去除与真实构件质心轴不对应的伪线性区域步骤s33：将交叉口转换为连接。
[0106]
本实施例中，步骤s31中，自定义区域生长算法，首先，计算并定义每个点的残值r，通过点集的密度取给定点的k个最近邻，拟合通过该点及其相邻点的直线方程，并测量原点与该直线之间的距离，进而获取残值r；残值r是一个指标，表明该点位于一条线上的可能性，或者是噪声；其次，确定将所有点指定了残值r，将残值最低的点作为“种子点”，进而相应的限行区域从中“生长”；
[0107]
其中，计算种子点及其k近邻的直线拟合方程，计算出法向距离d从直线到每个点的距离，其计算公式如下：
[0108][0109]
其中，s＝(xs，ys，zs)表示为任一关注点的坐标，p和q表示为绘制直线的点的坐标，
“×”
表示(p-q)与(q-s)之间的叉积，“‖
·
‖”表示为向量范数；通过该计算公式获取所有点的距离d，设定距离阈值δ，提取距离d《阈值δ的点并添加到线性区域，进而将所提取的点重新拟合为一条新的直线，并重新计算距离值，重复上述步骤，进行连续迭代，直至没有新的直线生长，也即获取构件的质心轴，此时，将剩余的数据分配至一个“噪音”区域；
[0110]
步骤s32中，由于在噪声数据集中，一些提取的线性区域可能是与真实结构构件不对应的误报，故这些区域被称为伪线性区域。即建立一种识别算法，通过在成帧系统设计中执行通用规则来去除虚假区域；其中，通过设定给定切片方向上的所有中心线应大致平行，故设定约束放宽作为通用规则：即对于给定的切片方向，任何一对中心线的最近点应该在数据范围之外，将不满足通用规则的一对行被标记为冲突，故使用评分函数来确定两行中的哪一行要保留，哪一行要丢弃；评分函数由三个表示线性区域质量的特征定义，第一个特征f1是区域点的平均残值；如果平均残差很高，则该区域是有噪声的，并且是虚假的；第二
个特征f2是区域中的点数，较少的点数通常对应于伪区域；第三个特征f3是区域的方向向量与切片集中其他直线的平均方向向量之间的差值，故给定行的分数score可定义为：其中，分数score是分配给相关区域的结果得分值，标度系数a1、a2、a3可由用户选择，进而除以对应特征的最大值，进而获取每个特征值缩放为等式中的最大值，该识别算法在将通用规则应用于剩余的线性区域之前，从而从数据集中移除较高的评分线来顺序解决每个冲突，也即实现去除与真实构件质心轴不对应的伪线性区域；
[0111]
步骤s33中，对于来自不同切片方向的图元上的质心轴相互相交的交点，将该交点定义为“连接”，通过识别该“连接”进而识别出独特的结构元素。
[0112]
本实施例的一种从钢结构建筑点云中自动提取结构梁线和连接的方法，首先获取点云切片，进而获取切片图像，再对所获取的图像进行处理，使其能使用二维卷积作为模板匹配操作，进而从卷积后的切片中提取目标结构的质心，进而获取该质心在三维空间内的位置，通过自定义线性区域生长，获取质心轴，进而较佳地提取钢结构建筑的结构梁线以及连接。
[0113]
本发明上述实施例，通过步骤s1～s3，进而获取构件的质心轴，从而较佳地提取钢结构建筑的结构梁线以及连接，进而较佳地实现从点云数据集中获取给定结构的构件几何体，也即能够减少工作人员手动建模时的耗时。
[0114]
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。