古建筑论文提纲

论文题目：基于深度学习的古建筑构件自动分类

摘要：中国文化源远流长,各朝各代遗留大量的文化瑰宝,其中,古建筑是中华文化的重要宝藏,是传承中华文化的核心。早期的古建筑信息主要以文字、绘图、拍照等方式进行存储,随着三维重建技术的成熟,大量的古建筑表面信息以三维点云等形式进行留存。中国古建筑的大木结构极具特色,各个构件是组成古建筑主体的基本单位,如何从三维点云中对古建筑构件进行分类是实现大木结构高效率建模的关键步骤。点云数据分类主要有传统的分类算法和机器学习分类算法,算法主要包括最邻近分类、基于聚类、支持向量机、随机森林等。传统分类算法虽然在不断改进,提升分类效果,但这些算法多数是针对于小场景任务,对于古建筑海量点云的分类捉襟见肘,且大多数算法需要人为设定特征描述子、大量阈值及参数,步骤繁琐,不够智能化。近些年来,深度学习的快速发展为古建筑点云构件分类提供了新的研究思路。鉴于上述分析,本文利用经典的、直接以点云为输入的深度神经网络PointNet,对故宫古建筑的立柱和额枋两类构件进行分类提取。基于深度学习的点云分类降低了人工干预程度,使构件分类的过程更加智能化。在分类的基础上,本文应用基于统计信息的方法对深度学习提取的立柱、额枋进行更精细的分类,提高了分类结果的精度。在基于深度学习的古建筑点云分类方面,本文对PointNet网络进行改进,提升分类效果。改进主要内容如下:（1）分析点云输入神经网络的特性,在自建古建筑数据集中加入颜色特征、反射强度等特征（2）提升局部特征提取能力,在输入数据中选出种子点,以种子点为中心划分尺度区域,区域内的点作为种子点邻域点,提取区域内局部特征,再将局部特征与全局特征连接。通过上述改进提高整个网络学习特征的能力。在基于统计信息的构建精细分类方面,考虑到古建筑标准构件的几何特性及不同构件之间尺寸的差异性,以立柱、额枋构件的标准模型为参考,应用基于信息统计的D1形状分布函数,将深度学习方法提取的构件与标准模型进行匹配判定构件的具体类别,达到精细分类。由于简单的形状分布函数仅考虑到距离特征,得到的特征值不能充分表征模型,本文使用以面积作为权重因子的方法对模型进行重采样和计算特征值,得到更稳定的相似值,提高匹配精准度。针对上述研究成果,本文基于visual studio2013+QT5+OSG开发了三维实验平台,实现模型展示、采样可视化、匹配等功能,快速实现构件细分类。本文的研究成果提高了古建筑点云分类的精度,为研究古建筑大木结构构件的分类、重建、健康监测等提供参考数据,对古建筑的科技保护具有一定的现实意义。

关键词：古建筑;大木结构;构件分类;PointNet;形状分布函数;匹配

学科专业：测绘工程（专业学位）

摘要

ABSTRACT

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 古代建筑数字化

1.2.2 点云分类算法

1.2.3 模型匹配特征

1.3 研究内容与技术路线

1.4 论文的组织安排

第2章 理论基础与应用

2.1 三维激光扫描技术

2.1.1 三维激光扫描仪

2.1.2 三维激光扫描在古建筑保护中的应用

2.1.3 三维点云重建步骤

2.2 卷积神经网络

2.3 深度学习框架

2.3.1 主流框架介绍

2.3.2 框架核心

2.4 本章小结

第3章 基于PointNet的古建筑构件分类

3.1 PointNet网络

3.2 改进PointNet网络

3.2.1 输入特征

3.2.2 网络结构

3.3 实验与分析

3.3.1 实验环境搭建

3.3.2 数据集

3.3.3 网络参数设置

3.3.4 评价指标

3.3.5 结果分析

3.4 本章小结

第4章 基于统计信息的构件分类

4.1 古建筑构件参数化建模

4.2 形状分布函数

4.3 形状加权的形状分布函数

4.3.1 平台搭建

4.3.2 实验结果分析

4.4 本章小结

第5章 总结与展望

5.1 论文总结

5.2 论文展望

参考文献

致谢