EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 9: 1022 - 1028

DOI: https://doi.org/10.3724/SP.J.1047.2015.01022

Orginal Article

Analysis of Methods for Building Components Information Extraction Based on Engineering Data

  • JIA Mingyuan , 1, 5 ,
  • ZHOU Liangchen 2, 3, 4 ,
  • LV Guonian 2, 3, 4 ,
  • WAN Qing , 1, 4, *
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. Key Laboratory of Virtual Geographic Environment (Nanjing Normal University), Ministry of Education, Nanjing 210023, China
  • 3. State Key Laboratory Cultivation Base of Geographical Environment Evolution (Jiangsu Province), Nanjing 210023, China
  • 4. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
  • 5. University of Chinese Academy of Sciences, Beijing 100049, China
*Corresponding author: WAN Qing, E-mail:

Received date: 2015-01-07

  Request revised date: 2015-03-25

  Online published: 2015-09-07

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Building is an important part of city. With the development of Smart City, 3D building model and its applications are going further from the external into the internal environment. Building engineering data contain rich information about building components throughout architecture design and construction process. They are good sources for building modeling and related applications. In this paper, building engineering data are divided into unstructured data, semi-structured data and structured data according to the data development status. The research status of information extraction from unstructured data and structured data are summarized from different aspects, including object recognition methods, extracted contents and application aims. Furthermore, the specification of layers and geometric primitive features for semi-structured data are studied based on the national and industry standards. In conclusion, the standardized layer information reduces the complexity of semi-structured data and assists the process of object recognition and information extraction. With its abundant sources and lower complexity, semi-structured data is becoming an important data source for the construction of building database in Smart City.

Key words： building components; building engineering data; object recognition; information extraction

Cite this article

JIA Mingyuan , ZHOU Liangchen , LV Guonian , WAN Qing . Analysis of Methods for Building Components Information Extraction Based on Engineering Data[J]. Journal of Geo-information Science, 2015 , 17(9) : 1022 -1028 . DOI: 10.3724/SP.J.1047.2015.01022

1 引言

近年来,建筑环境中的三维建模、空间定位和应用分析,是GIS的重要发展方向[1-2]。随着智慧城市建设的不断推进,建筑内部环境中的建模和分析有重要的现实意义。路径导航、采光分析、气流分析和建筑中的各种应急事件响应等,都离不开三维建筑信息的支持。智慧城市的发展促使GIS服务逐渐从室外走向室内,从二维走向三维。
当前激光扫描、摄影测量、平面地图拉伸或程序化建模方法,一般用于快速建立城市范围的建筑表面模型,但是获取建筑物内部的环境和建筑构件信息难度较大[3]。当今,灾害模拟、应急响应、三维地籍等应用分析,需更小粒度和更丰富的三维建筑信息[4]。建筑工程数据包含了构件语义、定位、几何、关系和属性等信息[5],可满足众多室内分析应用的需求,是三维建模和应用分析的重要数据源。
本文按照数据结构化程度对建筑工程数据中的非结构化数据、结构化数据的识别提取方法,以及半结构化数据的图层规范和几何图元的特征进行分析,指出半结构化数据在建筑工程数据信息提取中的优势。通过对比3类建筑工程数据,展望了建筑行业中大量保有的半结构化数据应用价值。

2 建筑工程数据及其分析

从建筑设计工具的发展历程来看,建筑行业中主要存在CAD数据、CAAD（Computer Aided Architecture Design）数据和BIM（Building Information Model）数据（图1）,它们都可作为建筑信息提取和三维建模应用的数据源。
Fig. 1 Building engineering data types

图1 建筑工程数据类型

早期CAD软件以基本图元为单位进行图形绘制。它生产的数据线条、符号、注记混合在一起,缺少数据结构和模型,主要依靠人工读图进行建筑对象识别,是一种非结构化数据。鉴此,信息提取需要复杂的建筑领域知识进行图纸理解,目前仍缺少有效通用的自动解释方法[6]。
当前,基于CAAD软件的二维绘图,是国内建筑设计单位的主要工作方式[7]。CAAD软件以自定义对象的方式对建筑构件进行封装,可提供建筑构件的语义、几何、定位和属性等结构化信息,是建筑信息提取的优良数据源。但是,在设计更新和图纸流通过程中,出于绘图灵活性、数据流通性和设计保密性等原因,原有数据结构往往被分解。这类分解后的CAAD数据构成目前建筑工程数据的主体。相比于原始的CAD数据,这类数据在绘制过程中按照国家标准和行业规范进行图纸分层,图层具有规律性和规范性[8],是一种半结构化的数据。
BIM覆盖了建筑全生命周期,包含丰富的建筑构件三维信息和语义信息,具有良好的互操作性,是一个内容丰富的建筑数据库。BIM中的建筑数据和信息通过统一数据模型管理和保存,是一种结构化数据。

3 建筑工程数据的识别提取方法

3.1 非结构化数据的信息提取

CAD生产的建筑工程图是由基本图元组合而成。其工程信息不是通过统一的数据结构来存储和描述,而是通过视觉效果进行表达,需结合建筑领域知识对图纸进行理解和解读。
二维建筑工程图一般具有平面图、立面图和剖面图3种视图。其中,建筑平面图是建筑工程图的基本样图,提供了建筑中重要构件类型（如墙、柱、门、窗、楼梯等）的尺寸、分布和属性等信息,是建筑构件信息提取的主要研究对象。由于现有的建筑工程图纸一般都是矢量格式[6],因此,本文主要讨论矢量CAD图纸信息的提取。
基于CAD图纸进行信息提取的核心是从图纸空间中识别建筑对象。根据不同几何特征可将建筑对象分为2类：（1）几何形状相对固定,可通过模板、规则等进行描述的符号（如门,窗等）;（2）几何形状依赖于图纸设计环境,难以通过明确的几何描述进行统一定义的对象（如墙体、楼梯等）（图2）。根据对象的不同特征,可采用不同的识别与提取方法。
Fig. 2 Building elements with different geometric features

图2 具有不同几何特征的建筑对象

（1）具有符号特征的建筑对象识别
符号识别在建筑、地图、电气工程等图纸自动识别和理解领域发挥着重要作用[9]。目前,针对矢量图形主要采用结构化识别方法,通过构成符号的几何图元及其关系来进行约束检测、子图匹配等过程,实现符号识别。
Ah-Soon等提出基于约束网络的符号识别算法,通过基本线条和约束关系构建约束网络,寻找满足一系列几何约束的符号,具有较好的扩展性[10-11]。Dosch等利用这一方法进行2D平面图纸到三维模型重建的研究[12-13]。该算法需人工编写约束规则文件,网络结构复杂,冗余较大,效率和容错性较低。杨若瑜等从关键特征出发,对约束网络进行了效率优化[14]。Horna等将几何约束拓展到拓扑和语义约束,通过子空间划分和语义约束进行识别重建[15]。该重建过程需结合人工纠错,整体上是半自动化的。Zhi等利用拓扑约束进行拓扑关系重建[16]。此外,还有一些基于规则约束的方法,针对钢筋、泵组、阀门等工程符号进行识别[17-19]。
为了提高符号识别过程中的容错性和对变形的支持,Lladós等人提出了一种容错子图匹配方法[20-21],将区域邻接图（Region Adjacency Graphs,RAG）进行容错比较。Rusiñol等通过图元与结构约束建立属性图,选取关键特征建立矢量签名,从而进行符号识别[22]。Zhang等分析了简单图元线和弧之间的关系,通过角度关系建立矢量签名,简化识别过程[23]。子图匹配的鲁棒性较好,但是计算复杂度高,算法过程复杂,一般需通过求解近似解来提高效率。
上述规则约束、子图匹配、模板匹配等方法,都需事先描述建筑工程对象的符号特征,并根据特征进行符号识别。由于工程符号的多样性,这种方式的扩展维护工作量大,适应性较差。为此陆显巍等在符号识别系统中引入了自学习的机制[24],通过样例学习使符号识别系统能不断优化和扩展。郭甜甜研究了符号关键特征和结构自动获取,以提高自动化程度和效率[25]。朱俊芳在此基础上实现了结构构件的提取和基于户型图的三维建模[26]。这些方法目前只适用于约束简单的符号,且分析效率和容错性有待提高。
（2）非符号建筑对象识别
在建筑工程图纸中有些建筑对象不具有显式的几何描述和约束,但是,它们在建筑环境中依然存在着一定的关联和约束关系。这些约束关系可辅助建筑对象的识别与信息提取。
在工程图纸中,大部分墙体的线条具有闭环特征,墙体线条之间具有一定的几何模式,并且轴网对墙体也有定位约束（图3）。利用其中的拓扑关系或者约束条件等规则可对建筑对象进行提取与建模工作[27-29]。Lu等分析了大量建筑图纸,以平行线对为基本单元将墙体分为X,L,T形3类,并建立约束条件进行判别,取得了较好的识别效果[30]。由于在建筑图纸中有大量的平行线对,该方法的搜索空间较大,需排除的情况较多,且无法处理弧形墙体。对于建筑图纸中的其他对象可结合视觉纹理特征[13]、建筑对象约束关系[31]进行识别。这些方法需针对特定的对象特征进行分析,缺少一致性和通用性。
Fig. 3 Geometric features of walls

图3 墙体几何特征

在非结构化的建筑工程图纸中,工程对象、符号注记、轴网引线等多种实体的几何图元交织在一起,形成了复杂的图纸空间。对非结构化平面图的建筑构件识别和三维重建工作实现难度较大,研究一般都针对建筑中的主要构件对象（门、窗、墙、柱、楼梯等）,从建筑对象的符号特征、几何关系和拓扑特征出发来设计识别方法,实现对象识别与信息提取（表1）。这类识别与提取方法的算法过程复杂,效率和鲁棒性有待进一步提高。
Tab. 1 Information extraction methods based on unstructured data

表1 非结构化数据的信息提取方法

研究团队 识别方法 识别范围 提取内容 应用目标
Ah-Soon等 约束网络 墙、门、窗等 语义、几何、定位 3D重建
Lladós等 图匹配 门、窗、家具等 语义 手绘图纸识别
朱俊芳等 样例驱动符号识别 墙、门、窗、柱 语义、几何、定位 3D重建
Zhi等 拓扑特征 门、窗、房间等 语义、关系 拓扑分析、疏散模拟
路通等 拓扑特征和层次推进 墙、门、窗、柱、梁等 语义、几何、定位 3D重建和工程算量

3.2 结构化数据的信息提取

目前,建筑行业中结构化数据是通过统一的数据模型对建筑构件进行描述,从数据模型中获得完整的建筑构件信息。
万小飞等从CAAD数据出发,研究了各种天正建筑构件的参数,提取出其中的组码组值[5]。根据其中的参数完整性和提取方法的不同,分别采用不同的方法进行信息抽取,从而实现建筑构件的抽取和三维重建。邱天在万小飞工作的基础上完成了构件三维建模和建筑空间关系提取[3]。由于CAAD数据没有统一的数据标准,这种方法依赖于特定数据生产工具。由于当前完整的CAAD数据较少,这种方法难以满足应用需求。
针对建筑行业中BIM的兴起,Isikdag等将BIM与地理环境结合进行了SWOT分析,阐述了其在设施选址、人群疏散、三维地籍等领域存在的机会和优势[4],并提出了一种IFC到CityGML的自动转换方法[32],主要解决生成不同LOD（Levels of Detail）的模型。El-Mekawy等研究了IFC与CityGML的语义映射,将BIM与3DGIS结合进行城市三维建模[33]。Rueppel等基于BIM研究了室内应急导航及火灾疏散模拟等应用[34]。这些结合BIM的研究工作为建筑三维建模和室内分析提供了新的思路。
结构化数据的信息提取方法可方便地从数据中提取建筑构件的语义、几何和属性等信息。因此,主要研究工作侧重于三维模型的构建方法、空间关系提取、不同数据模型的融合,以及空间应用分析和仿真模拟（表2）。
Tab. 2 Information extraction methods based on structured data

表2 结构化数据的信息提取方法

研究团队 数据源 识别范围 提取内容 应用目标
万小飞等 CAAD文件 主要建筑构件类型 语义、几何、定位、关系 3D重建
Isikdag等 IFC数据 BIM支持的建筑构件类型 语义、几何、定位、属性 生成LOD
El-Mekawy等 IFC数据 BIM支持的建筑构件类型 语义、几何、定位、属性 与CityGML转换
Rueppel等 IFC、gbXML BIM支持的建筑构件类型 语义、几何、定位、关系 室内导航、火灾模拟

3.3 半结构化数据特征分析

通过自定义实体技术,CAAD软件使得建筑制图有了新的发展。设计师可借助CAAD软件将设计快速的转化为图纸,提高设计效率。目前,在国内建筑设计中,天正、理正、AutoCAD Architecture等CAAD软件得到广泛应用。这些CAAD软件生产的工程图纸数据,在流通过程中经常会被分解,使原有的结构化数据遭到破坏,但图层信息仍然是保留下来。这种具有图层信息的建筑工程数据是一种半结构化的数据。一些学者在信息提取工作中,已开始利用这种半结构化的特性[35-36],但并未对这类建筑工程数据的特征进一步分析。
CAAD软件在制作图纸的过程中,将建筑构件直接绘制在预定义的图层,避免了人工分层带来的随意性和分层错误,为对象的语义识别与信息提取工作提供了辅助。国家标准和软件规范都对图层有规范性的规定。表3总结了“房屋建筑CAD制图统一规则”（GBT18112-2000）和天正建筑软件中对主要图层的命名规则与含义。
Tab. 3 Specification of architectural drawing’s layers

表3 建筑图纸分层规范

图层关键字 GBT18112-2000 天正建筑软件 注释
轴线 建筑-轴网 DOTE 平面轴线
阳台 建筑-阳台 BALCONY 阳台,雨篷
柱 建筑-柱子 COLUMN 柱子
门窗 建筑-门窗 WINDOW 门窗对象
轴标 建筑-轴标 AXIS 轴号与轴线尺寸标注
地面 建筑-地面 GROUND 地面与散水
墙线 建筑-墙体 WALL 墙体
屋顶 建筑-屋顶 ROOF 屋顶、老虎窗等
雨水管线 建筑-雨水管 PUB_STRM 雨水管线
楼梯 建筑-楼梯 STAIR 楼梯、坡道、台阶和休息平台等
电梯 建筑-电梯 EVTR 电梯轿厢和平衡块
扶手 建筑-楼梯-扶手 HANDRAIL 扶手
公标 公用-尺寸 PUB_DIM 尺寸标注
标高 公用-标高 DIM_ELEV 标高标注
符号 公用-符号 DIM_SYMB 其它各种符号标注
公文 公用-说明 PUB_TEXT 各种说明文字
窗名 建筑-门窗-编号 WINDOW_TEXT 门窗编号
公框 公用-图框 PUB_TITLE 图框线与标题栏、会签栏图块等
通过分层,建筑图纸的线条不再显得密集复杂（图4）。在每一层中,组成建筑对象的图元体现出非常好的空间聚集性和空间关联性。它们的几何特征更加清晰,具有更好的区分度。因此,在图纸分层的基础上进行特征匹配和对象识别,会对信息提取工作提供有益的帮助。
Fig. 4 Reducing the drawing’s complexity by using layers

图4 分层降低图纸复杂性

依据其特征,半结构化数据在建筑对象提取过程中具有以下优势：
（1）语义信息的预分类。由于半结构数据的图层具有标准化和规范化的特征,因此,可通过分层信息对几何图元进行语义预分类。例如,位于“建筑-柱子”或者“COLUMN”图层中的图元,可认为是组成柱构件的图元。这些图元构成的对象就是柱。图层的语义不仅有助于语义信息的识别与提取,而且降低了图纸复杂度,将原本需对整幅图纸进行的分析工作缩小到单独的图层上。
（2）几何图元的空间划分。在原始的图纸空间中,由于不同建筑对象的几何图元重叠在一起,很难将单独的对象区分出来。因此,需进行复杂的符号识别工作。但是通过分层以后,单一图层中的建筑对象可清晰地进行空间划分(图4)。组成同一个对象的几何图元大多通过连接关系联系在一起,不同对象之间在空间上分布比较分散,很少有线条相交的情况。通过这种空间划分可进一步缩小识别过程的搜索空间,降低识别难度,提高效率和准确率。
（3）数据源的丰富性。目前,CAAD软件仍然是国内建筑设计的主要工具。它所生产的建筑工程数据在更新和流通的过程中经常会被分解,失去原有的结构化信息,成为半结构化数据。由于CAAD软件应用的广泛性,这类半结构化的数据具有丰富的数据来源,覆盖大部分建筑市场,适用于大多数的应用场景,可满足当前的应用需求。

4 3类建筑工程数据的应用对比分析

非结构化、半结构化和结构化的建筑工程数据分别具有不同的数据特征（表4）,因此,针对不同数据的提取方法和应用范围也不相同。
Tab. 4 Comparison of different types of building engineering data

表4 不同类型建筑工程数据对比

数据类型 数据来源 数据组织方式 提取方法
非结构化数据 CAD历史数据/扫描矢量化数据 由基本图元组成 通过符号识别的方法进行对象识别与提取
半结构化数据 按照制图标准生产的数据/分解后的CAAD数据 在图元、文字等基础上,按照规范化的图层进行组织 结合图层信息进行对象识别与 提取
结构化数据 完整的CAAD数据/BIM数据 具有数据模型,按照结构化方式组织 通过数据模型进行对象信息理解与抽取
（1）非结构化建筑工程数据存在较为广泛,国内外学者对这类数据研究比较深入。但是非结构化数据图纸复杂,不同的建筑构件、建筑符号混合在一起,使得提取难度很大。目前,提取方法主要对常见的、相对固定的建筑构件进行几何特征识别,其准确性、鲁棒性和可扩展性有待进一步提高。针对实际工程中的复杂图纸,当前方法可提取信息对象仅占图纸内容的很少部分。对图纸中丰富的知识表示、属性信息等仍然缺少有效的提取方法。
（2）半结构化数据是CAD制图标准化和CAAD软件广泛使用的产物,是我国当前建筑工程数据的主体。在图层信息的辅助下,建筑工程数据的图纸复杂度降低。不同构件对象、文字注释等信息,可按图层进行识别和提取。鉴于半结构化数据的特征和数据源的丰富性,对半结构化数据的研究工作和利用还有更广阔的发展空间。
（3）结构化数据中建筑信息丰富,提取方法可靠性高,是建模和分析应用的理想数据源。但是,当前的CAAD数据属于厂商自定义格式,缺少标准规范。同时,由于缺少标准格式,流通过程中往往被分解,导致结构化信息丢失。作为建筑工程领域发展热点的BIM,其标准化和开放性较好。然而,目前BIM在国内属于起步阶段,数据来源少,难以满足当前对建筑三维信息的迫切需求。

5 结语

当前智慧城市的需求,推动三维GIS的建设不断走向室内。充分利用现有的建筑工程数据获取构件粒度的建筑信息,从而建立更精细化的建筑室内模型,是解决当前需求的一个重要发展方向。
在国内建筑市场,随着CAD技术和相关标准化工作的发展,建筑工程数据的规范化和标准化已经有了很大的提升。这类符合标准规范的半结构化数据,是当前我国建筑工程数据的主体。目前,工程数据的建筑构件信息提取,大多从结构化数据和非结构化数据入手。为了满足智慧城市建设中对建筑物数据库的需求,可对当前半结构化数据进行进一步深入研究,加大对这类数据利用程度,丰富建筑工程数据的信息提取,为建筑三维建模和室内分析应用提供更好的方法。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Li D, Zhu Q, Liu Q, et al.From 2D and 3D GIS for CyberCity[J]. Geo-Spatial Information Science, 2004,7(1):1-5.

[2]
Goodchild M.Geographic information systems and science: today and tomorrow[J]. Annals of GIS, 2009,15(1):3-9.

[3]
邱天. 基于CAAD 建筑施工图数据的建筑空间与关系三维建模方法研究 [D].南京:南京师范大学,2014.

[4]
Isikdag U, Zlatanova S.A SWOT analysis on the implementation of Building Information Models within the Geospatial Environment[C]. In: Urban and Regional Data Management. The Netherlands: CRC Press, 2009:15-30.

[5]
万小飞. 基于施工图的建筑物三维建模数据抽取方法研究[D].南京:南京师范大学,2013.

[6]
路通,蔡士杰.面向内容的工程图识别与理解综述[J].图学学报,2012,33(5):1-12.

[7]
曾旭东,赵昂.计算机辅助建筑设计(CAAD)的发展趋势——虚拟建筑(Virtual Building)设计将成为主流[J].重庆建筑大学学报,2006,28(1):21-24.

[8]
施平望,邓雪原.国内建筑CAD图层标准发展现状与研究[J].土木建筑工程信息技术,2014,6(1):20-24,28.

[9]
Lladós J, Valveny E, Sánchez G, et al.Symbol recognition: Current advances and perspectives[C]. In: Graphics Recognition Algorithms and Applications. Springer, 2002:104-128.

[10]
Ah-Soon C.A constraint network for symbol detection in architectural drawings[C]. In: Graphics Recognition Algorithms and Systems. Springer, 1998:80-90.

[11]
Ah-Soon C, Tombre K.Architectural symbol recognition using a network of constraints[J]. Pattern Recognition Letters, 2001,22(2):231-248.

[12]
Dosch P, Ah-Soon C, Masini G, et al.Design of an integrated environment for the automated analysis of architectural drawings[C]. In: Document Analysis Systems: Theory and Practice. Springer, 1999:295-309.

[13]
Dosch P, Tombre K, Ah-Soon C, et al.A complete system for the analysis of architectural drawings[J]. International Journal on Document Analysis and Recognition, 2000,3(2):102-116.

[14]
杨若瑜,曹阳.一种高效的基于约束网络的工程图符号识别方法[J].计算机辅助设计与图形学学报,2002,14(9):829-834.

[15]
Horna S, Meneveaux D, Damiand G, et al.Consistency constraints and 3D building reconstruction[J]. Computer-Aided Design, 2009,41(1):13-27.

[16]
Zhi G, Lo S, Fang Z.A graph-based algorithm for extracting units and loops from architectural floor plans for a building evacuation model[J]. Computer-Aided Design, 2003,35(1):1-14.

[17]
王姝华,曹阳,杨若瑜,等.基于规则的建筑结构图钢筋用量自动识别系统[J]. 软件学报,2002,13(4):574-579.

[18]
杨若瑜,胡笳,蔡士杰.工程图对象识别规则自动获取方法的研究[J].计算机学报,2004,26(10):1234-1240.

[19]
席晓鹏,糜宁芳,罗志伟,等.工程图中的模板识别和匹配方法[J].计算机应用研究,2004,20(12):61-64.

[20]
Lladós J, Sánchez G, Martí E.A string based method to recognize symbols and structural textures in architectural plans[C]. In: Graphics Recognition Algorithms and Systems. Springer, 1998:91-103.

[21]
Lladós J, Martí E, Villanueva, J.Symbol recognition by error-tolerant subgraph matching between region adjacency graphs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001,23(10):1137-1143.

[22]
Rusiñol M, Lladós J.Symbol spotting in technical drawings using vectorial signatures[C]. In: Graphics Recognition Ten Years Review and Future Perspectives. Springer, 2006:35-46.

[23]
Zhang W, Wenyin L.A new vectorial signature for quick symbol indexing, filtering and recognition[C]. Document Analysis and Recognition, 2007. ICDAR 2007. Ninth International Conference on. IEEE, 2007,1: 536-540.

[24]
陆显巍,杨若瑜,蔡士杰.建筑图符号识别系统中的自学习机制研究[J].计算机应用,2009,29(12):3437-3441.

[25]
郭甜甜. 基于关键特征的样例驱动矢量图纸符号识别算法研究[D].北京:清华大学,2012.

[26]
朱俊芳. 基于结构构件识别的户型图三维重建算法研究[D].北京:清华大学,2013.

[27]
Ah-Soon C, Tombre K.Variations on the analysis of architectural drawings[C]. Document Analysis and Recognition, 1997, Proceedings of the Fourth International Conference on. IEEE, 1997,1: 347-351.

[28]
Park J, Kwon Y.Main wall recognition of architectural drawings using dimension extension line[C]. In: Graphics Recognition Recent Advances and Perspectives. Springer, 2004:116-127.

[29]
Domínguez B, Garcí a,Feito F.Semiautomatic detection of floor topology from CAD architectural drawings[J]. Computer-Aided Design, 2012,44(5):367-378.

[30]
Lu T, Yang H, Yang R, et al.Automatic analysis and integration of architectural drawings[J]. International Journal of Document Analysis and Recognition (IJDAR), 2007,9(1):31-47.

[31]
路通,席晓鹏,芮明,等.建筑工程图识别与理解——模型与算法[J].计算机研究与发展,2005,42(1):144-152.

[32]
Isikdag U, Zlatanova S.Towards defining a framework for automatic generation of buildings in CityGML using building Information Models[C]. In: 3D Geo-Information Sciences. Springer, 2009:79-96.

[33]
El-Mekawy M, Östman A.Semantic mapping: An ontology engineering method for integrating building models in IFC and CITYGML[C]. Proceedings of the 3rd ISDE Digital Earth Summit, 2010:12-14.

[34]
Rüppel U, Stuebbe K.BIM-based indoor-emergency-navigation-system for complex buildings[J]. Tsinghua Science & Technology, 2008,13(8):362-367.

[35]
Lewis R, Séquin C.Generation of 3D building models from 2D architectural plans[J]. Computer-Aided Design, 1998,30(10):765-779.

[36]
曹家. 建筑图的三维重建系统[D].哈尔滨:哈尔滨工业大学,2010.

Options
Outlines

/

〈 〉