1.建筑点云数据高精度三维模型生成方法，其特征在于，包括以下步骤：步骤S1：多源建筑点云数据采集

利用架站式三维激光扫描仪、机载三维激光扫描仪扫描获取各部分的建筑物点云数据；

步骤S2：深度学习点云配准

使用改进的CoFi‑Net点云配准网络对步骤S1获取到的各部分点云数据进行配准，得到配准后的建筑物点云数据；将所有配准后的建筑物点云数据合并输出为一个整体建筑物点云数据；

步骤S3：深度学习点云补全

利用改进的PF‑Net点云补全网络对整体建筑物点云数据进补全，得到补全后的建筑物点云数据；

步骤S4：深度学习点云分割

对PointCNN点云分割网络进行训练，得到适应室内场景的分割网络，利用该分割网络从补全后的建筑物点云数据中分割出建筑主体、内部物体，裁剪去除周围环境和内部物体，得到纯净的建筑物点云模型；

步骤S5：建筑物参数提取

进行点云切片处理并提取建筑物参数；

步骤S6：建立BIM模型

利用步骤S5中提取到的建筑物参数，依据IFC标准化建模格式生成BIM粗模，再参考平立剖面图精化BIM模型，最后为模型贴图建立有纹理的建筑物BIM模型。

2.根据权利要求1所述的建筑点云数据高精度三维模型生成方法，其特征在于，在所述步骤S1中，具体处理过程如下：步骤S11：对建筑周围环境和内部现场踏勘，规划建筑物内、外架站式扫描站点，使用无人机倾斜摄影方法，建立建筑物倾斜摄影粗模；

步骤S12：使用架站式三维激光扫描仪对建筑物外立面进行扫描，获取建筑物外立面的点云数据，再对建筑物内部进行扫描，获取建筑物内部点云数据，两站扫描站点之间需要通视，扫描区域有30%以上的重叠区域；

步骤S13：在倾斜摄影粗模基础上利用航线规划软件规划立体扫描航线，将规划好的航线导入无人机遥控器后，无人机搭载三维激光扫描仪执行扫描，获取建筑物顶部和外立面点云数据。

3.根据权利要求1所述的建筑点云数据高精度三维模型生成方法，其特征在于，在所述步骤S2中，在所述步骤S2中，在原始CoFi‑Net点云配准网络粗略配准阶段中的上下文聚合过程中引入重叠注意力模块，得到改进的CoFi‑Net点云配准网络并对其进行训练，使用改进的CoFi‑Net点云配准网络进行配准的处理过程如下：步骤S21：输入步骤S1中采集的具备重叠区域的两部分点云 、 ，其中，n和m为点的数量，3表示为三维坐标；采用共享的KPConv网络提取局部几何特征，输出经过 后的超点 、 ，以及特征 、 ，其中，和 是下采样后的点的数量，b=256；

步骤S22：对 、 及其特征 、 依次使用自注意力机制、交叉注意力机制、自注意力机制扩大特征在自身点云上的感受野，然后在其后加入重叠注意力模块进行处理，提取两个点云的特征之间的上下文信息；接着确定重叠区域，即通过对分别来自两个点云的超点进行两两比较，从而确定其是否位于重叠区域，输出带有重叠信息的特征，重叠信息包括特征表示、重叠得分和匹配得分；

步骤S23：将带有重叠信息的特征输入到最优传输模块、对应点细化模块中，先得到粗略的超点级的匹配关系 ，再得到点级的匹配关系 ；

步骤S24：将点级的匹配关系 带入RANSAC算法中进行旋转平移变换，求解出位姿变换矩阵，实现点云精密配准。

4.根据权利要求3所述的建筑点云数据高精度三维模型生成方法，其特征在于，在所述步骤S3中，在原始PF‑Net点云补全网络特征提取阶段并行加入用于从RGB‑D数据中提取语义和几何特征的网络分支结构，得到改进的PF‑Net点云补全网络，并引入全局几何语义一致性损失和局部几何语义一致性损失对其进行训练，利用改进的PF‑Net点云补全网络进行补全的处理过程如下：步骤S31：输入整体建筑物点云数据，形状为 ，N为点数，3表示为三维坐标，经过两次IFPS ，获得三种尺度的点云输入数据；再经过CMLP全连接网络，获得不同下采样倍数点云的整体和局部特征，其中，整体建筑物点云数据为不完整点云数据；

步骤S32：并行输入RGB‑D影像数据，先利用深度图生成点云，再通过生成的点云使用KPConv网络提取不同层次下的点云几何特征；

步骤S33：并行使用deeplabv3+网络直接从RGB‑D影像数据中生成带有语义信息的特征，即获得语义特征；

步骤S34：通过拼接操作将步骤S31中的点云特征、步骤S32中的几何特征和步骤S33中的语义特征拼接在一起，作为输入特征输入至解码器中生成补全后的建筑物点云数据。

5.根据权利要求4所述的建筑点云数据高精度三维模型生成方法，其特征在于，在所述步骤S3中，对改进的PF‑Net点云补全网络进行训练时，设计如下的综合损失函数进行训练：；

其中， 为全局几何语义一致性损失， 为局部几何语义一致性损失， 和是对应的权重超参数；

的计算公式如下：

；

其中， 是几何加权系数，N是点的数量，KL表示Kullback‑Leibler散度的缩写， 是第i个样本的目标语义分布，是第i个样本的预测语义分布；

的计算公式如下：

；

其中， 是点i的邻域， 和 分别表示点i和点j的特征向量， 表示点i和点j的特征向量之间的欧几里得距离的平方。

6.根据权利要求1或5所述的建筑点云数据高精度三维模型生成方法，其特征在于，在所述步骤S5中，计算建筑物点云最小矩形包围盒，并对得到的建筑物点云模型调整点云姿态，使建筑点云最小矩形包围盒的长边与X轴平行，然后分别沿着X轴、Y轴、Z轴方向设置切片厚度对建筑物点云进行切片，然后提取切片点云中建筑结构的相关参数，将切片点云转换格式后导入CAD绘制建筑物平立剖面图，补全剩余复杂结构的形状尺寸，其中，建筑物参数包括建筑结构的相关参数以及剩余复杂结构的形状尺寸。

7.根据权利要求6所述的建筑点云数据高精度三维模型生成方法，其特征在于，在所述步骤S5中，具体处理过程如下：步骤S51：计算经过处理后的建筑物点云的最小矩形包围盒输入点云后进行主方向估计，使用主成分分析法计算点云的主方向向量，先进行点云中心化处理，再计算协方差矩阵，然后求解协方差矩阵的特征值和特征向量，主方向由最大特征值对应的特征向量确定，得到的三个特征向量表示建筑物点云的三个主轴方向：；

在建筑物点云的主方向上构造最小矩形包围盒：

；

其中，xmin、xmax、ymin、ymax、zmin、zmax是最小矩形包围盒的六个边界点的坐标，表示最小矩形包围盒在X、Y、Z轴上的最小值和最大值，用于计算包围盒的尺寸；

步骤S52：点云姿态调整

计算旋转矩阵 ，将主轴 对齐到指定的坐标轴，其中，旋转矩阵 通过点云主方向与目标方向的夹角计算得到，使用旋转矩阵 将点云旋转到目标方向：；

检查调整后的点云是否满足OBB的长边与目标坐标轴平行；

步骤S53：点云切片

切片方向沿调整后的主轴方向切片，根据指定的切片厚度 对点云数据分割：；

其中，zmin、zmax分别表示切片区域的最小高度和最大高度，用于指定切片的上下边界，p代表点云中的某个具体点，zp表示点p的Z轴坐标，即该点在Z轴上的位置， 表示第i个切片每个切片存储为点集 ，包括切片内点云的(x,y,z)坐标；

步骤S54：切片参数提取

使用最小二乘法对切片点云进行平面拟合，拟合结果用于提取倾角、偏移量；使用凸包算法提取切片点云的外部轮廓，计算平面轮廓面积、周长；通过α‑shape边缘检测算法提取直线边界，用于识别墙体或柱子的尺寸；从沿Z轴切片点云中提取每层的最高点和最低点，计算楼层高度，并计算相邻楼层切片之间的平均高度差作为层间距离；

步骤S55：剩余复杂结构补全

同时将切片点云通过Recap软件转换为.rcp或.rcs格式，导入CAD，使用步骤S54中提取出的相关参数绘制二维线划图，并基于点云补全剩余复杂结构的形状尺寸，得到建筑物多幅平立剖面图，剩余复杂结构包括楼梯、花窗、复杂屋脊。

8.根据权利要求7所述的建筑点云数据高精度三维模型生成方法，其特征在于，在所述步骤S51中，点云中心化处理公式如下：；

；

其中， 是点云的平均位置，N为点的数量，P表示点的三维位置；

协方差矩阵的计算公式如下：

。