第1章 建筑物空间元素重建与智能化室内制图方法
　　1.1 概述
　　感知和理解人类居住的室内和室外空间是广大地理信息研究人员和从业人员的核心任务之一。建筑物作为人类最重要的居住空间，受到了广泛关注。获取准确、详细和*新的建筑物元素信息是许多关键应用的前提条件[1-4] 。特别是在以移动物联网、大数据、云计算、人工智能、工业互联网为代表的新一代信息技术引领的今天，智慧城市、智能空间、智能制造等“智慧产业”“智慧经济”展现出迅猛的发展势头。例如，通过分析建模屋顶形状和建筑物高度对城市峡谷内风流和汽车尾气中气体污染物扩散的影响，可以监测城市中的气体污染问题[5] 。此外，基于建筑物的详细三维信息，可以更加准确地分析城市能源消耗，这也是智慧城市服务所必需的[6] 。再如，通过计算三维建筑物模型和其他建筑物物理特征（如体积、高度、建筑物类型），准确估算建筑物的动态供暖和制冷需求[7-8] 。地理空间信息正在步入从室外走进室内、从宏观走向微观的发展道路。这些发展趋势的交叉融合催生了许多新的技术概念，如建筑物信息模型（building information modeling，BIM）、城市信息模型（city information modeling，CIM ）和数字孪生（digital twins），孕育了一些新的技术创新机遇。现在和将来的智能产业以人和机器人的活动空间为物理空间，呈现出“物理信息融合”或“人-机-物融合”的形态。由于人类几乎 90%的时间都在室内活动，室内空间信息已成为支撑智能产业各种形态的基础信息。地理信息系统（geographic information system，GIS）自诞生以来，收集、管理和分析建筑物信息都是其必不可少的工作[9-10] 。从*早的加拿大地理信息系统（Canadian geographical information system ）到GIS 市场的引领者美国环境系统研究所（Environmental Systems Research Institute），再到**个开源GIS 地理资源分析支持系统（geographic resources analysis support system），乃至今天的商业地图服务（如谷歌地图、高德地图），对建筑物室内外结构和语义进行建模都是其重点任务，也是最具挑战性的任务之一。除GIS 外，表达建筑物详细信息的其他常见建筑物模型还有BIM 和城市地理标记语言（city geographic markup language，CityGML）[11] 。其中，CityGML 不仅可以表达城市的外观和拓扑特性，而且可以表达其语义特性、分类法和其他要素（如门和屋顶）。这些功能可进一步划分为5 个连续的细节层次（levels of detail，LoD），其中LoD0 定义的是一个粗略的区域模型，而详细的LoD4 则定义建筑物的内部空间，如房间、门和窗户。BIM 能够表达建筑物的几何信息和丰富的语义信息及它们之间的关系，并支持室内实体的三维几何的多模式表示。
　　简而言之，无论是今天成熟的GIS 平台和商业地图提供商，还是被广泛使用的建筑物模型，收集完整、准确和详细的建筑物元素信息始终至关重要。然而，该任务目前仍然存在一些挑战。*先，虽然研究人员针对这些挑战提出了许多解决方案，如通过地球观测卫星和激光探测及测距（light detection and ranging，LiDAR ）传感设备，或者利用基于群众智慧的志愿者地理信息（volunteered geographic information，VGI）[12]，自动地在全球范围内重建室内和室外二维和三维建筑物元素，但是由于传感设备的技术局限性和志愿者地理信息数据存在的质量问题，一些关键的建筑物元素（如建筑物类型、建筑物高度、屋顶形状、入口、室内结构和地标等）仍然无法被自动检测，或者在志愿者地理信息上是缺失的。此外，虽然BIM 作为建筑物、工程与建造产业发展中亮眼的领域，可有效服务于城市精细化管理与智慧城市已成为广泛共识，但现实中只有少量新建项目才会构建较完整的BIM ，已有的大多数楼宇、地铁站等地上、地下建构筑物只有CAD 或手绘图纸，且多为扫描的蓝图。现在国内外已有不少基于CAD 图纸进行自动化、半自动室内制图和建模（包括BIM）的研究工作，但大多研究缺乏大量有效数据驱动下的验证，方法技术对CAD 数据的适应性较差。通过大量数据训练生成机器/深度学习模型，应用建筑物规则+机器学习的智能化分析建模方法将成为一大趋势。
　　1.2 建筑物空间元素重建方法概述
　　目前存在两种用于重建建筑物空间元素的主流解决方案。第一种解决方案是利用传感设备的传统方案，例如对地观测卫星和LiDAR ，自20 世纪80 年代初，研究人员已对其进行了深入研究。1982 年，SPOT Image 创建[13] ，这是发布覆盖全球的卫星图像的商业公司，然而从这些早期的卫星图像中只能提取出非常粗糙的信息。随着LiDAR 等新技术的发展，获取拥有更多细节的高程数据成为可能，为诸如大规模的地形分析和三维模型重建开辟了新的道路。然而，复杂结构的数字建筑物模型生成仍然是一个具有挑战性的问题。首先，目前仍然很难实现全自动的图像理解，通常还需要借助人员手动识别复杂的建筑物。其次，LiDAR 由于覆盖范围窄而受到限制，不适用于大规模的建筑物重建。最后，建筑物的某些物理和语义元素无法从图像和LiDAR 点云中识别出来，例如无法从空中或街道直接观察到隐藏的建筑物元素（如被遮挡的入口、内部设施和显著性地标）。
　　第二种解决方案是基于Goodchild[14] 于2007 年提出的利用群众智慧的志愿者地理信息。Haklay 等设想了一个由60 亿个组件组成的人类传感器网络[15] ，每个组件都是本地信息的智能合成器和解释器。志愿者地理信息*成功的案例之一是开放街道地图（open street map，OSM）①。OSM 创立于2004 年，最初只专注于英国的地理空间信息，后来成为供所有人自由编辑和访问的全球协作地图。现在，OSM 可以在许多地区（如欧洲和美国）提供与商业竞争对手（如谷歌地图）相当质量（如高覆盖率和准确性）的地理空间数据[16] 。每年全球有数百万开放街道地图志愿者提供地理空间数据。根据统计数据，截至2019 年11 月20 日，OSM 中的建筑物数量超过8000 万，在德国有将近900 万个以“建筑物”作为关键字的对象。此外，OSM 提供了比其同类商业地图更丰富的建筑物元素，包括屋顶形状、入口和室内结构。但是，由于开放街道地图具有完全开放的特性，志愿者可以自由地选择添加或忽略某些建筑物元素，这导致开放街道地图上经常缺失某些建筑物元素，例如建筑物的入口、屋顶类型和公共建筑物的内部布局。表1.1 列出了OSM 上德国4 个城市的建筑物数量，以及分别标有入口、建筑物类型、建筑物层高、屋顶类型的数量。可以看到只有一小部分（低于20%）的建筑物被标记了这些元素。
　　表1.1 OSM上德国4个城市的建筑物及建筑物元素数量
　　1.3 建筑物空间元素之间的关联关系
　　为了解决志愿者地理信息解决方案存在的问题，本书试图充分利用已有的空间数据，并根据空间元素之间的关联关系来推理缺失的建筑物元素（即屋顶类型、入口、房间类型和显著性地标）。实现该方案的前提条件是空间元素之间存在很强的关联。
　　建筑物是由人设计建造的结构。建筑师通常会遵循某些规范或规则，以确保建造的建筑物运转良好，因此，这些建筑物具有重要的社会经济意义[17] 。在建筑物架构领域，政府或专家针对建筑物的构建（如医院、机场、办公楼和实验室）提出了许多指南或设计规范[18]。这些指南或设计规范中有许多通用的原则或约束，建筑师在设计建筑物时通常会考虑或遵循这些原则或约束。其中一些原则和约束反映了一个空间元素如何影响或关联另一个空间元素。例如，特定类型的房间（如实验室）的几何属性（如面积和长度）被限制在特定数值范围，并且实验室通常位于外墙以便接收自然光。也就是说，房间的类型与其几何形状和空间上下文（如墙壁）相关。在通常情况下，屋顶的设计应避免形成峡谷空间以尽量减少降雨、积雪和树叶的积聚，这限制了建筑物轮廓划分中的两个相邻矩形可能的屋顶形状组合。也就是说，建筑物的屋顶形状与其轮廓形状相关[19] 。
　　关联关系的存在也解释了为什么世界范围内特定类型的建筑物看起来都相似。新加坡国立大学石墨烯研究中心的Antonio Castro Neto 表示：“实验室已经全球化或统一化，就像无论你去哪里，购物中心看起来都完全相同。”[20] 至少在化学领域，拥有实验室工作台、抽风罩和仪器空间似乎是一种常态。
　　之前的一些研究工作已经利用空间元素的关联来重建建筑物元素。例如，Fan 等[17]利用建筑物类型与轮廓的形状和大小之间的关联性，通过城市形态分析来估算建筑物类型。Kang 等[21] 提出利用入口与窗户和墙壁之间的关联性从图像中识别入口位置。Yue 等[22] 建议借助一些观察结果（如轮廓和窗户的位置）来预测具有安妮女王（Queen Anne ）风格的住宅的室内布局。这些研究借助空间元素的关联获得了较好的推理结果。这也证明了空间元素存在关联关系，并揭示了在建筑物元素推理中应用关联关系的潜力。但是，这些研究并未回答不同情境下应采用何种推理机制（规则系统和统计学习），以及为什么采用某种推理机制的问题。此外，这些研究通常将传感器测量和关联关系结合在推理过程中，因此，目前尚不清楚空间要素之间的关联关系在*终结果中起到了多大的贡献。
　　1.4 建筑物空间元素的显式和隐式规则
　　由于建筑物空间元素之间存在关联关系，给定空间元素之间的关联关系，可以手动定义或通过学习获得规则以推断缺失的建筑物元素。在建筑物空间元素推理中，规则可以描述为一个或多个已知空间要素如何影响或确定目标要素的预测结果。空间元素可以分为数值型（如面积和距离）和类别型（如房间类型）两种类型。
　　根据获取规则的方式，规则可分为显式规则和隐式规则两类。显式规则是指人们可以根据目标领域的先验知识自主定义的且容易被理解的规则。也就是说，可以清晰地理解一个或多个空间元素如何共同影响目标要素的结果。显式规则可以用计算机能理解的形式语言来描述。例如，“卫生间通常不会位于两个办公室之间”的规则可描述为“如果房间a 和b 是办公室，而房间c 在a 和b 之间，则房间c 不太可能是卫生间”。
　　隐式规则是存在的，但由于缺少目标领域的先验知识或元素之间的关联关系过于复杂，人们无法清晰准确地理解和定义它们。因此，隐式规则通常从标记的训练数据中学习而来。隐式规则的复杂性是指存在大量可能的关联方式。例如，主入口靠近主干道和建筑物轮廓的重心，在道路上很容易观察到，位于轮廓的凸边缘或靠近自行车停车区域。然而，显式地定义规则以建模这些复杂的关联关系是非常困难的。
　　在建筑物重建任务中，目标空间元素通常与多个空间元素相关联。因此，可以以统一的方式来表示所有的关联关系，从而获得关联图。关联图描述了哪些空间元素是关联的，但不能准确地表达它们。关联图的示例如图1.1 所示。图中椭圆形和矩形分别表示数值型和类别型元素，虚线边框表示未知元素，而实线边框表示已知元素，深色背景的图形表示目标元素，实线表示关联关系。已知要素之间的关联称为内部关联。
　　图1.1 关联图的示例
　　在关联图中，目标元素是未知的，而其他元素通常是已知的。给定一个关联图，可以使用两种常用方法来推断目标元素：第一种方法是规则系统，它使用显式规则；另一种方法是统计学习，它利用学习到的隐式规则。在规则系统中，专家首先根据关联图和先验知识手动创建规则，以对空间元素之间的关联关系进行建模，然后，给定输入（已知的空间元素），规则系统将根据规则做出连续决策，最后输出目标元素的估计结果。在

目录
第1章建筑物空间元素重建与智能化室内制图方法 1
1.1 概述 1
1.2 建筑物空间元素重建方法概述 2
1.3 建筑物空间元素之间的关联关系 3
1.4 建筑物空间元素的显式和隐式规则 4
1.4.1 规则系统的定义 5
1.4.2 规则系统的应用 6
1.4.3 统计学习的定义 6
1.4.4 建筑物重建中的应用 7
1.4.5 规则与统计学习的融合 8
1.5 基于建筑物平面图图像解析的室内制图方法 8
1.5.1 传统建筑物平面图图像解析方法 8
1.5.2 建筑物平面图图像解析学习方法 10
参考文献 11
第2章基于轮廓划分的建筑物屋顶形状**方法 15
2.1 概述 15
2.2 研究进展 16
2.2.1 三维屋顶重建 16
2.2.2 对称性检测 17
2.2.3 屋顶轮廓分解 17
2.3 屋顶形状** 17
2.3.1 轮廓分解算法 18
2.3.2 划分对称性检测 21
2.3.3 选择规则 24
2.3.4 组合规则 25
2.3.5 空间对称规则 28
2.3.6 概率计算 28
2.4 实验与分析 29
2.4.1 联合事件概率比较 30
2.4.2 单一事件概率比较 34
2.5 总结与展望 36
2.5.1 理论局限性 36
2.5.2 经验阈值 36
2.5.3 方法应用 36
参考文献 36
第3章利用二元不平衡学习标记公共建筑物正门方法 39
3.1 概述 39
3.2 研究进展 41
3.2.1 门检测 41
3.2.2 入口检测 42
3.3 研究方法 42
3.3.1 数据预处理 43
3.3.2 特征提取 44
3.3.3 不平衡分类 47
3.4 实验与分析 47
3.4.1 实验设置 47
3.4.2 标记精度 49
3.5 总结与展望 52
3.5.1 正门假设 52
3.5.2 多源数据融合 52
参考文献 53
第4章基于几何地图文法的房间语义推理方法 55
4.1 概述 55
4.2 研究进展 56
4.2.1 室内空间模型格式 56
4.2.2 基于数字化的室内建模 57
4.2.3 基于图像的室内建模 57
4.2.4 基于轨迹的室内建模 57
4.2.5 基于LiDAR 点云的室内建模 58
4.2.6 基于规则的室内建模 58
4.3 布局的形式化表达 59
4.3.1 建筑物类型定义 59
4.3.2 建筑物层次语义划分 60
4.3.3 约束属性文法 61
4.3.4 规则变量的断言 61
4.3.5 规则的定义 62
4.4 房间类型推理算法 63
4.4.1 方法流程 63
4.4.2 贝叶斯推理 64
4.4.3 计算解析森林 65
4.4.4 计算概率 68
4.5 实验与分析 68
4.5.1 训练数据 68
4.5.2 测试过程 69
4.5.3 实验结果 71
4.6 总结与展望 74
4.6.1 文法学习 74
4.6.2 深度学习 74
参考文献 75
第5章基于随机森林和关系图卷积网络的房间语义推理方法 79
5.1 概述 79
5.2 研究进展 81
5.2.1 基于数字化的室内映射方法 81
5.2.2 基于测量的室内映射方法 81
5.2.3 基于规则的室内映射方法 82
5.3 研究方法 83
5.3.1 基于机器学习的房间类型标记 83
5.3.2 基于深度学习的房间类型标注 87
5.4 实验与分析 90
5.4.1 标记准确性 92
5.4.2 时间消耗比较 95
5.5 总结与展望 96
参考文献 97
第6章基于遗传规划的室内地标显著性学习方法 101
6.1 概述 101
6.2 研究进展 102
6.3 室内地标显著性属性 103
6.3.1 视觉属性 104
6.3.2 语义属性 105
6.4 研究方法 107
6.4.1 方法流程 107
6.4.2 数据采集和处理 107
6.4.3 基于GP 算法的模型训练 108
6.5 实验与分析 110
6.5.1 实验设置 111
6.5.2 实验结果 112
6.5.3 基于GP 算法的模型训练 114
6.6 总结与展望 116
参考文献 117
第7章基于智能图像分析的室内制图与建模方法 119
7.1 概述 119
7.2 建筑物要素矢量化 121
7.2.1 建筑物要素的实例分割 121
7.2.2 墙体和门窗简化 123
7.3 一致性拓扑优化 125
7.3.1 共边检测 125
7.3.2 拓扑优化模型 127
7.3.3 房间提取与模型生成 129
7.4 实验与分析 130
7.4.1 实验设置 130
7.4.2 评价指标 131
7.4.3 实验结果 132
7.4.4 消融实验和参数设置讨论 133
7.4.5 计算成本分析 135
7.5 总结与展望 136
参考文献 137
第8章自优化建筑物平面图图像解析方法 140
8.1 概述 140
8.2 研究方法 142
8.2.1 实例模型训练 142
8.2.2 形态学模板优化 143
8.2.3 自适应训练策略 147
8.3 实验与分析 149
8.3.1 数据集与实验设置 149
8.3.2 实验结果 149
8.4 总结与展望 153
参考文献 154
附录A 随机森林实现的部分标记结果 156
附录B 关系图卷积网络实现的部分标注结果 162
附录C 排序预测结果 168
附录D 测试场景示例 175