CN102945567A - 室内场景的分类与重建方法及系统 - Google Patents
室内场景的分类与重建方法及系统 Download PDFInfo
- Publication number
- CN102945567A CN102945567A CN2012104012742A CN201210401274A CN102945567A CN 102945567 A CN102945567 A CN 102945567A CN 2012104012742 A CN2012104012742 A CN 2012104012742A CN 201210401274 A CN201210401274 A CN 201210401274A CN 102945567 A CN102945567 A CN 102945567A
- Authority
- CN
- China
- Prior art keywords
- patch
- indoor scene
- elementary
- significant object
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种室内场景的分类与重建方法及系统。该方法先将三维点云进行分割处理而得到很多个曲面片,然后在分割得到的曲面片上利用室内场景分类器不断添加与其相邻的曲面片以得到一个有意义的物体,最后将得到的有意义的物体与模型库中的模板进行拟合与处理得到重建好的室内场景。由于重建的室内场景是由有意义的物体组成,所以重建好的室内场景就具有语义信息,这样该室内场景也就可以为后续的编辑与使用带来方便。
Description
技术领域
本发明涉及一种三维点云分类与重建方法,特别是涉及一种室内场景的分类与重建方法及系统。
背景技术
构建室内外场景的三维模型是现实世界三维数字化的主要内容。在城市建设规划、决策与应急指挥、虚拟现实、影视制作及电脑游戏等方面具有重要的意义。例如三维模型可以应用于高层建筑火灾的应急救援和人群疏散、气体污染物泄露扩散、“数字噪声地图”的城市噪音仿真模拟等。传统的二维城市管理系统是无法解决这些实际应用问题的,而这些应用正是提高城市中人们安全保障和生活质量的有效途径。在这些需求的推动下,美、欧、日、韩等国家已经投入巨资开始有关城市场景建模和感知的研究。现有的大部分研究工作主要针对室外场景,研究对象主要包括建筑物、树木、道路等,而鲜有针对室内场景的研究。然而在现实中,室内场景作为人类生活的主要场所,与室外场景相比有更重要的地位,在城市生活的方方面面也发挥着重要的作用。对室内场景的研究能够极大地推动城市管理和相关服务(例如公共安全、室内定位、导航等)向智能化、智慧化的方向发展。
传统常用的室内场景三维重建方法是基于图像和扫描数据的混合三维重建方法。该室内场景三维重建方法结合图像和扫描数据,利用图像数据补充激光扫描仪未能获取的信息,同时扫描数据保证几何精度并为立体图像的匹配提供场景结构信息。该室内场景三维重建方法的主要流程如下:首先将三维扫描数据分割为一系列点集,并平面拟合所得点集;然后将属于每一个空间平面的三维点分别投影到两幅图像上,拟合对应于该空间平面的视差层;然后通过立体匹配找出主图像中各个像素点所属的空间平面;再在扫描数据缺失区域添加三维顶点,最后生成网格模型。
传统的室内场景三维重建方法的主要目标是重建场景的三维几何模型,重建结果并不包含室内场景语义的描述。这给后续重建好的三维模型的使用、编辑等操作带来不便,降低了操作效率。
发明内容
基于此,有必要提供一种室内场景的分类与重建方法及系统,使用该室内场景的分类与重建方法所重建好的室内场景进行了分割与识别,被分割与识别的物体具有确定的语义信息,从而方便后续对重建好的室内场景进行编辑与使用,以提高操作效率。
一种室内场景的分类与重建方法,包括以下步骤:对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片;将相邻的N个初级曲面片组成次级曲面片,其中N为自然数;选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体;利用预先建立的模型库中的模板拟合有意义的物体得到有意义的物体的三维模型。
在其中一个实施例中,所述对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片的步骤之前还包括对三维点云的形状特征进行提取与训练得到所述室内场景分类器的步骤。
在其中一个实施例中,所述通过对三维点云的形状特征进行人工提取与训练得到室内场景分类器的步骤之后还包括对需要重建的三维点云进行增强处理的步骤。
在其中一个实施例中,所述利用预先建立的模型库中的模板拟合有意义的物体得到有意义的物体的三维模型的步骤之后还包括:删除被错误分割出来的初级曲面片及合并相互重合的初级曲面片的步骤。
在其中一个实施例中,所述选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体的步骤包括:选取多个次级曲面片作为种子;向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片;利用室内场景分类器检测每加入一个相邻的初级曲面片后形成的次级曲面片的置信度;选择置信度最高的一个次级曲面片作为新的次级曲面片;利用室内场景分类器比较新的次级曲面片与上一次形成的次级曲面片的置信度,当新的次级曲面片的置信度小于上一次形成的次级曲面片的置信度时,结束操作,以最后形成的次级曲面片作为有意义的物体,否则返回向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片的步骤。
在其中一个实施例中,所述选取多个次级曲面片作为种子的步骤中所选取的多个次级曲面片是表面面积较大的次级曲面片。
在其中一个实施例中,所述将形成的有意义的物体与模型库中的模板进行拟合得到有意义的物体的三维模型的步骤包括:根据得到的每一个有意义的物体在模型库中分别选出对应于每一个有意义的物体的全部模板;将每一个有意义的物体的全部模板分别进行非刚性变形,以使有意义的物体到变形后的模板的单向平均距离最小;选取变形后的模板到有意义的物体的单向平均距离最小的一个模板替代三维点云中的有意义的物体。
在其中一个实施例中,所述室内场景分类器是由随机决策森林分类器生成的。
在其中一个实施例中,所述相邻的N个初级曲面片中任何两个相邻的初级曲面片之间的距离小于15厘米。
一种室内场景的分类与重建系统,包括:过分割模块,用于对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片;组合模块,用于将相邻的N个初级曲面片组成次级曲面片,其中N为自然数;生长模块,用于选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体;拟合模块,用于利用预先建立的模型库中的模板拟合有意义的物体得到有意义的物体的三维模型。
在其中一个实施例中,所述室内场景的分类与重建系统还包括:分类器生成模块,用于对三维点云的形状特征进行提取与训练得到所述室内场景分类器。
在其中一个实施例中,所述室内场景的分类与重建系统还包括:调整模块,用于删除被错误分割出来的初级曲面片及合并相互重合的初级曲面片。
在其中一个实施例中,所述生长模块包括:曲面片选取模块,用于选取多个次级曲面片作为种子;添加模块,用于向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片;检测模块,用于利用室内场景分类器检测每加入一个相邻的初级曲面片后形成的次级曲面片的置信度;筛选模块,用于选择置信度最高的一个次级曲面片作为新的次级曲面片;判断模块,用于利用室内场景分类器比较新的次级曲面片与上一次形成的次级曲面片的置信度,当新的次级曲面片的置信度小于上一次形成的次级曲面片的置信度时,结束操作,以最后形成的次级曲面片作为有意义的物体,否则继续向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片的。
在其中一个实施例中,所述拟合模块包括:模板选择模块,用于根据得到的每一个有意义的物体在模型库中分别选出对应于每一个有意义的物体的全部模板;变形模块,用于将每一个有意义的物体的全部模板分别进行非刚性变形,以使有意义的物体到变形后的模板的单向平均距离最小;替换模块,用于选取变形后的模板到有意义的物体的单向平均距离最小的一个模板替代三维点云中的有意义的物体。
上述室内场景的分类与重建方法及系统先将三维点云进行分割处理而得到很多个曲面片,然后将分割得到的曲面片通过室内场景分类器不断添加与其相邻的曲面片以得到一个有意义的物体,最后将得到的有意义的物体与模型库中的模板进行拟合与处理就可实现室内场景的重建。由于重建的室内场景是由有意义的物体组成,所以重建好的室内场景就具有语义信息,这样该室内场景也就可以为后续的编辑与使用带来方便,以提高操作效率。
附图说明
图1为一个实施例的室内场景的分类与重建方法流程图;
图2为选取多个次级曲面片作为种子,根据室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体的方法的流程图;
图3为将形成的有意义的物体与模型库中的模板进行拟合的方法的流程图;
图4为一个实施例的室内场景的分类与重建系统的内部结构示意图。
具体实施方式
请参考图1,本发明的一个实施例提供一种较为详细的室内场景的分类与重建方法。该室内场景的分类与重建方法包括以下步骤:
步骤S120,对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片。
步骤S130,将相邻的N个初级曲面片组成次级曲面片,其中N为自然数。
步骤S140,选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体。
步骤S150,利用预先建立的模型库中的模板拟合有意义的物体得到有意义的物体的三维模型。
步骤S160,删除被错误分割出来的初级曲面片及合并相互重合的初级曲面片。
其中,有意义的物体是指具有确定意义,现实中存在的物体,而不只是一个物体的一部分。例如可以是椅子、桌子、花瓶等,而不是椅子、桌子、花瓶等的没有具体名字的一部分。模型库是由许多模板组成的,模板是一个个具体物体的三维模型,例如模板是椅子、桌子、花瓶等的三维模型。模型库中一类物体一般有多个模板,例如桌子这类物体在模型库中可以有多个模板与其相对应,且各个模板的形状不同,即为不同的桌子。
具体的,在该实施例中,该室内场景的分类与重建方法首先执行步骤S110,通过对三维点云的形状特征进行人工提取与训练得到室内场景分类器。
该步骤S110主要是通过对大量手工标注场景进行训练得到室内场景分类器。在该步骤S110中,首先利用扫描仪获取足够多的室内场景的物体数据,一般要求每类物体至少100个;然后人工对每个物体进行分割与标注,这些标注好的场景将作为训练分类器的数据集;最后训练得到所需要的室内场景分类器。
为了对原始扫描的物体数据(此处的数据为点云数据)进行分割,需要针对室内场景中扫描得到的物体定义一套具有良好区分度和差异性的描述特征。此处,首先,通过对物体数据中主要水平面进行提取,获得地面信息(也可以手工辅助完成)。然后,将物体沿水平方向均匀地分割为三个部分,分别为底部、中部、顶部。此处为了描述这个物体我们采用了一些几何特征,其中所用的几何特征定义如下:
该物体顶部、中部、底部三部分中各部分质心(Center of Mass,简称COM)在竖直方向位置的变化用连接各部分质心的向量间夹角表示。
对于特征向量中的每一维分量,我们将其归一化到[0,1]。当物体数据(或者点云数据)中定义向量中某个维度数值所需的数据缺失时,我们使用越界值200来填充该维度。
利用如上定义的特征,我们采用随机决策森林(Random Decision Forest简称RDF)作为分类器来生成室内场景分类器。
当然,此处也可以用其它方法来生成室内场景分类器,或者利用一些已知的室内场景分类器。此处不以此为限。
在执行步骤S110之后,将开始对需要重建的三维点云(即室内场景的三维点云)进行重建。此时,可以先对需要重建的三维点云进行增强处理。例如,去掉三维点云中的噪声,以利于后续的处理。
接着,执行步骤S120,对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片。这样该三维点云就被分割成多个独立的子图(即初级曲面片),这些初级曲面片将作为生长成有意义物体的种子。此处需要重建的三维点云是通过对场景进行扫描得到的。过分割处理可以把需要重建的三维点云分割成分许多初级曲面片,这些初级曲面片是组成有意义的物体的原料。过分割处理可以避免出现一个初级曲面片可能是多个有意义的物体的情况,保证一个初级曲面片是一个有意义的物体的一部分。
然后,执行步骤S130,将相邻的N个初级曲面片组成次级曲面片,其中N为自然数。此处的N可以根据实际的设计需要旋转不同的值,在该实施例中,N为3。也就是说,此处是将三个相邻的初级曲面片组成一个次级曲面片。这个次级曲面片将作为新的种子来生长有意义的物体。
此处,相邻的N个初级曲面片中任何两个相邻的初级曲面片之间的距离小于一定的阈值。在该实施例中,这个阈值为15厘米。这样可以节约处理时间,节省电脑资源。
然后执行步骤S140,选取多个次级曲面片作为种子,根据室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体。此处形成有意义的物体即是对该室内场景进行了分类,因为这些有意义的物体已经有了实际的意义。
请参考图2,该步骤S140,选取多个次级曲面片作为种子,根据室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体的步骤包括以下步骤:
步骤S 141,选取多个次级曲面片作为种子。在该步骤S141中,所选取的多个次级曲面片是表面面积较大的次级曲面片。此处选取表面面积较大的次级曲面片是因为表面面积较大的次级曲面片更接近有意义的物体,置信度更高。
步骤S142,向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片。该步骤S142是以每个次级面片作为种子来生长新的次级面片,在生长过程中,会从与次级曲面片相邻的初级曲面片中进行选择。
步骤S143,利用室内场景分类器检测每加入一个相邻的初级曲面片后形成的次级曲面片的置信度。其中,所形成的次级曲面片与室内场景中的有意义的物体形状越接近,其置信度越高。
步骤S144,选择置信度最高的一个次级曲面片作为新的次级曲面片。
步骤S145,利用室内场景分类器比较新的次级曲面片与上一次形成的次级曲面片的置信度,当新的次级曲面片的置信度小于上一次形成的次级曲面片的置信度时,结束操作,以最后形成的次级曲面片作为有意义的物体,否则返回步骤S142,向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片。
在该实施例中,该步骤S140主要是采用遍历与曲面片(初级曲面片或者次级曲面片)相邻的初级曲面片加入到曲面片中来筛选出与有意义的物体形状最接近的曲面片,从而生长出越来越接近有意义物体的曲面片,然后将这个与有意义的物体最接近的曲面片作为新的种子继续遍历与其相邻的初级曲面片继续生长,直至在曲面片附近找不到合适的初级曲面片加入到曲面片中。这时就得到了最接近有意义物体的曲面片。此处的每个最接近有意义物体的曲面片都是采用这种方法生长成的,实际操作中可以先形成一个最接近有意义物体的曲面片再生长下一个最接近有意义物体的曲面片,也可以将全部最接近有意义物体的曲面片同时进行生长。此处不以此为限。
接着执行步骤S150,利用预先建立的模型库中的模板拟合有意义的物体得到这些有意义的物体的三维模型。
请参考图3,该步骤S150,利用预先建立的模型库中的模板拟合有意义的物体得到这些有意义的物体的三维模型的步骤包括以下步骤:
步骤S151,根据得到的每一个有意义的物体在模型库中分别选出对应于这些每一个有意义的物体的全部模板。因为每一个有意义的物体在模型库中有多个模板与其相相对应,此处将全部模板都挑选出来,可以方便后续找到一个最合适的模板。
步骤S152,将每一个有意义的物体的全部模板分别进行非刚性变形,使有意义的物体到变形后的模板的单向平均距离最小。在将模板进行非刚性变形前,调整模板的正方向朝向使其与有意义的物体的正方向朝向保持一致。由于有意义的物体是用点云进行表达的,此处的单向平均距离即是指点云中的点到模板上与其对应的点的距离的平均。
步骤S153,选取变形后的模板到有意义的物体的单向平均距离最小的一个模板替代三维点云中的有意义的物体。此处我们认为单向平均距离越小,模板与有意义的物体拟合的越好。
最后执行步骤S160,删除被错误分割出来的初级曲面片及合并相互重合的初级曲面片。由于在分割与生长过程后可能出现有些曲面片不属于任何一个有意义的物体,有些曲面片同时属于两个或多个有意义的物体,此时需要把误分割出来的多余的曲面片删除,把相互重合的进行合并。当然,此时删除与合并曲面片时,需要将所涉及到的有意义的物体需要经过场景分类器的再次检验,以使得到的重建的三维模型更真实。
经过上述步骤即可得到重建好的三维模型。
在其他实施例中,步骤S110和步骤S160可省略。
本发明的一个实施例还提供一种室内场景的分类与重建系统。如图4所示,该室内场景的分类与重建系统包括:过分割模块120、组合模块130、生长模块140及拟合模块150。
其中,过分割模块120对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片。
组合模块130将相邻的N个初级曲面片组成次级曲面片,其中N为自然数。
生长模块140选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体。
拟合模块150利用预先建立的模型库中的模板拟合有意义的物体得到有意义的物体的三维模型。
该室内场景的分类与重建系统还包括对三维点云的形状特征进行提取与训练得到室内场景分类器的分类器生成模块110。
该室内场景的分类与重建系统还包括删除被错误分割出来的初级曲面片及合并相互重合的初级曲面片的调整模块160。
该室内场景的分类与重建系统的生长模块140包括:曲面片选取模块141、添加模块142、检测模块143、筛选模块144及判断模块145。
其中,曲面片选取模块141用于选取多个次级曲面片作为种子。
添加模块142用于向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片。
检测模块143用于利用室内场景分类器检测每加入一个相邻的初级曲面片后形成的次级曲面片的置信度。
筛选模块144用于选择置信度最高的一个次级曲面片作为新的次级曲面片。
判断模块145于利用室内场景分类器比较新的次级曲面片与上一次形成的次级曲面片的置信度,当新的次级曲面片的置信度小于上一次形成的次级曲面片的置信度时,结束操作,以最后形成的次级曲面片作为有意义的物体,否则继续向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片。
该室内场景的分类与重建系统的拟合模块150包括:模板选择模块151、变形模块152及替换模块153。
其中,模板选择模块151用于根据得到的每一个有意义的物体在模型库中分别选出对应于每一个有意义的物体的全部模板。
变形模块152用于将每一个有意义的物体的全部模板分别进行非刚性变形,以使有意义的物体到变形后的模板的单向平均距离最小。
替换模块153用于选取变形后的模板到有意义的物体的单向平均距离最小的一个模板替代三维点云中的有意义的物体。
该室内场景的分类与重建方法与系统经过上述步骤,就能得到重建好的室内场景的三维模型。由于重建好的室内场景的模型中各个物体可以被分割出来,且经过场景分类器的分类后具有确切的语义(每个物体是有意义的,每个物体对应于一个确切的种类),这样得到的室内场景模型就是可以被计算机感知与理解的,后续对该室内场景模型进行使用与编辑时就会方便很多,提高了操作效率,且能够推动城市管理、室内定位与导航等向智能化方向发展。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种室内场景的分类与重建方法,包括以下步骤:
对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片;
将相邻的N个初级曲面片组成次级曲面片,其中N为自然数;
选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体;
利用预先建立的模型库中的模板拟合有意义的物体得到有意义的物体的三维模型。
2.根据权利要求1所述的室内场景的分类与重建方法,其特征在于,所述对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片的步骤之前还包括对三维点云的形状特征进行提取与训练得到所述室内场景分类器的步骤。
3.根据权利要求2所述的室内场景的分类与重建方法,其特征在于,所述通过对三维点云的形状特征进行人工提取与训练得到室内场景分类器的步骤之后还包括对需要重建的三维点云进行增强处理的步骤。
4.根据权利要求1所述的室内场景的分类与重建方法,其特征在于,所述利用预先建立的模型库中的模板拟合有意义的物体得到所述有意义的物体的三维模型的步骤之后还包括:删除被错误分割出来的初级曲面片及合并相互重合的初级曲面片的步骤。
5.根据权利要求1所述的室内场景的分类与重建方法,其特征在于,所述选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体的步骤包括:
选取多个次级曲面片作为种子;
向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片;
利用室内场景分类器检测每加入一个相邻的初级曲面片后形成的次级曲面片的置信度;
选择置信度最高的一个次级曲面片作为新的次级曲面片;
利用室内场景分类器比较新的次级曲面片与上一次形成的次级曲面片的置信度,当新的次级曲面片的置信度小于上一次形成的次级曲面片的置信度时,结束操作,以最后形成的次级曲面片作为有意义的物体,否则返回向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片的步骤。
6.根据权利要求5所述的室内场景的分类与重建方法,其特征在于,所述选取多个次级曲面片作为种子的步骤中所选取的多个次级曲面片是表面面积较大的次级曲面片。
7.根据权利要求1至6中任一权利要求所述的室内场景的分类与重建方法,其特征在于,所述将形成的有意义的物体与模型库中的模板进行拟合得到有意义的物体的三维模型的步骤包括:
根据得到的每一个有意义的物体在模型库中分别选出对应于每一个有意义的物体的全部模板;
将每一个有意义的物体的全部模板分别进行非刚性变形,以使有意义的物体到变形后的模板的单向平均距离最小;
选取变形后的模板到有意义的物体的单向平均距离最小的一个模板替代三维点云中的有意义的物体。
8.根据权利要求1至6中任一权利要求所述的室内场景的分类与重建方法,其特征在于,所述室内场景分类器是由随机决策森林分类器生成的。
9.根据权利要求1至6中任一权利要求所述的室内场景的分类与重建方法,其特征在于,所述相邻的N个初级曲面片中任何两个相邻的初级曲面片之间的距离小于15厘米。
10.一种室内场景的分类与重建系统,其特征在于,包括:
过分割模块,用于对需要重建的三维点云进行过分割处理,得到多个光滑的初级曲面片;
组合模块,用于将相邻的N个初级曲面片组成次级曲面片,其中N为自然数;
生长模块,用于选取多个次级曲面片作为种子,根据预先构建的室内场景分类器筛选初级曲面片加入次级曲面片形成有意义的物体;
拟合模块,用于利用预先建立的模型库中的模板拟合有意义的物体得到所述有意义的物体的三维模型。
11.根据权利要求10所述的室内场景的分类与重建系统,其特征在于,所述室内场景的分类与重建系统还包括:分类器生成模块,用于对三维点云的形状特征进行提取与训练得到所述室内场景分类器。
12.根据权利要求10所述的室内场景的分类与重建系统,其特征在于,所述室内场景的分类与重建系统还包括:调整模块,用于删除被错误分割出来的初级曲面片及合并相互重合的初级曲面片。
13.根据权利要求10所述的室内场景的分类与重建系统,其特征在于,所述生长模块包括:
曲面片选取模块,用于选取多个次级曲面片作为种子;
添加模块,用于向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片;
检测模块,用于利用室内场景分类器检测每加入一个相邻的初级曲面片后形成的次级曲面片的置信度;
筛选模块,用于选择置信度最高的一个次级曲面片作为新的次级曲面片;
判断模块,用于利用室内场景分类器比较新的次级曲面片与上一次形成的次级曲面片的置信度,当新的次级曲面片的置信度小于上一次形成的次级曲面片的置信度时,结束操作,以最后形成的次级曲面片作为有意义的物体,否则继续向每个次级曲面片中加入与每个次级曲面片相邻的所有初级曲面片的。
14.根据权利要求10所述的室内场景的分类与重建系统,其特征在于,所述拟合模块包括:
模板选择模块,用于根据得到的每一个有意义的物体在模型库中分别选出对应于每一个有意义的物体的全部模板;
变形模块,用于将每一个有意义的物体的全部模板分别进行非刚性变形,以使有意义的物体到变形后的模板的单向平均距离最小;
替换模块,用于选取变形后的模板到有意义的物体的单向平均距离最小的一个模板替代三维点云中的有意义的物体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210401274.2A CN102945567B (zh) | 2012-10-19 | 2012-10-19 | 室内场景的分类与重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210401274.2A CN102945567B (zh) | 2012-10-19 | 2012-10-19 | 室内场景的分类与重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102945567A true CN102945567A (zh) | 2013-02-27 |
CN102945567B CN102945567B (zh) | 2016-06-15 |
Family
ID=47728505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210401274.2A Active CN102945567B (zh) | 2012-10-19 | 2012-10-19 | 室内场景的分类与重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102945567B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914875A (zh) * | 2014-04-17 | 2014-07-09 | 中国科学院深圳先进技术研究院 | 室内场景的功能性建模方法 |
CN104346343A (zh) * | 2013-07-24 | 2015-02-11 | 清华大学 | 基于分离度的三维模型交互式浏览方法 |
CN104504709A (zh) * | 2014-12-28 | 2015-04-08 | 大连理工大学 | 一种基于特征球的室外场景三维点云数据的分类方法 |
CN105427293A (zh) * | 2015-11-11 | 2016-03-23 | 中国科学院深圳先进技术研究院 | 室内场景扫描重建的方法及装置 |
CN105469103A (zh) * | 2014-09-11 | 2016-04-06 | 清华大学 | 基于低质量grb-d数据的场景恢复方法及装置 |
CN107358189A (zh) * | 2017-07-07 | 2017-11-17 | 北京大学深圳研究生院 | 一种基于多视目标提取的室内环境下物体检测方法 |
CN107832795A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 物品识别方法、系统以及电子设备 |
CN110414577A (zh) * | 2019-07-16 | 2019-11-05 | 电子科技大学 | 一种基于深度学习的激光雷达点云多目标地物识别方法 |
CN110595446A (zh) * | 2019-08-19 | 2019-12-20 | 广东领盛装配式建筑科技有限公司 | 一种基于虚拟靠尺的建筑实测实量方法及装置 |
CN111829579A (zh) * | 2020-06-02 | 2020-10-27 | 深圳全景空间工业有限公司 | 一种室内空间重建的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329773A (zh) * | 2007-12-06 | 2008-12-24 | 上海大学 | 光刻机抗蚀剂成像仿真三维交互显示方法 |
US20100061622A1 (en) * | 2008-09-08 | 2010-03-11 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. | Method for aligning objects |
-
2012
- 2012-10-19 CN CN201210401274.2A patent/CN102945567B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329773A (zh) * | 2007-12-06 | 2008-12-24 | 上海大学 | 光刻机抗蚀剂成像仿真三维交互显示方法 |
US20100061622A1 (en) * | 2008-09-08 | 2010-03-11 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. | Method for aligning objects |
Non-Patent Citations (2)
Title |
---|
QUATTONI,A. ET AL.: "Recognizing indoor scenes", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION,2009》, 25 June 2009 (2009-06-25), pages 413 - 420 * |
张峰 等: "一种基于图像的室内大场景自动三维重建系统", 《自动化学报》, vol. 36, no. 5, 31 May 2010 (2010-05-31), pages 625 - 633 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346343A (zh) * | 2013-07-24 | 2015-02-11 | 清华大学 | 基于分离度的三维模型交互式浏览方法 |
CN103914875A (zh) * | 2014-04-17 | 2014-07-09 | 中国科学院深圳先进技术研究院 | 室内场景的功能性建模方法 |
CN105469103B (zh) * | 2014-09-11 | 2018-10-16 | 清华大学 | 基于低质量rgb-d数据的场景恢复方法及装置 |
CN105469103A (zh) * | 2014-09-11 | 2016-04-06 | 清华大学 | 基于低质量grb-d数据的场景恢复方法及装置 |
CN104504709A (zh) * | 2014-12-28 | 2015-04-08 | 大连理工大学 | 一种基于特征球的室外场景三维点云数据的分类方法 |
CN104504709B (zh) * | 2014-12-28 | 2017-05-03 | 大连理工大学 | 一种基于特征球的室外场景三维点云数据的分类方法 |
CN105427293A (zh) * | 2015-11-11 | 2016-03-23 | 中国科学院深圳先进技术研究院 | 室内场景扫描重建的方法及装置 |
CN107358189A (zh) * | 2017-07-07 | 2017-11-17 | 北京大学深圳研究生院 | 一种基于多视目标提取的室内环境下物体检测方法 |
CN107832795A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 物品识别方法、系统以及电子设备 |
CN107832795B (zh) * | 2017-11-14 | 2021-07-27 | 深圳码隆科技有限公司 | 物品识别方法、系统以及电子设备 |
CN110414577A (zh) * | 2019-07-16 | 2019-11-05 | 电子科技大学 | 一种基于深度学习的激光雷达点云多目标地物识别方法 |
CN110595446A (zh) * | 2019-08-19 | 2019-12-20 | 广东领盛装配式建筑科技有限公司 | 一种基于虚拟靠尺的建筑实测实量方法及装置 |
CN110595446B (zh) * | 2019-08-19 | 2021-12-24 | 广东领盛装配式建筑科技有限公司 | 一种基于虚拟靠尺的建筑实测实量方法及装置 |
CN111829579A (zh) * | 2020-06-02 | 2020-10-27 | 深圳全景空间工业有限公司 | 一种室内空间重建的方法 |
CN111829579B (zh) * | 2020-06-02 | 2022-05-20 | 深圳全景空间工业有限公司 | 一种室内空间重建的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102945567B (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945567A (zh) | 室内场景的分类与重建方法及系统 | |
CN106815847B (zh) | 基于激光雷达点云的树木分割方法及单棵树提取方法 | |
CN104299263B (zh) | 一种基于单幅图像建模云场景的方法 | |
CN104134234A (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
CN105354883A (zh) | 基于点云的3ds Max快速精细三维建模方法及系统 | |
CN109598290A (zh) | 一种基于两级检测相结合的图像小目标检测方法 | |
CN105139445A (zh) | 场景重建方法及装置 | |
CN111832655A (zh) | 一种基于特征金字塔网络的多尺度三维目标检测方法 | |
CN103971338B (zh) | 一种基于显著图的可变块图像修复方法 | |
CN103413133A (zh) | 无序激光点云数据中自动提取电力线方法 | |
GB2457215A (en) | Automatic 3D Modelling | |
CN104050682A (zh) | 一种融合颜色和深度信息的图像分割方法 | |
CN102663800A (zh) | 一种顾及城市意象的城市建筑综合与渲染的方法 | |
CN104616286A (zh) | 快速的半自动多视图深度修复方法 | |
CN107358636A (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
CN103871072B (zh) | 基于投影数字高程模型的正射影像镶嵌线自动提取方法 | |
CN102129576B (zh) | 全天空极光图像占空比参数的提取方法 | |
CN115600307B (zh) | 一种从城市场景的Mesh模型中生成单体化建筑的方法 | |
CN116342783B (zh) | 一种实景三维模型数据渲染优化方法及系统 | |
CN102609950A (zh) | 一种二维视频深度图的生成方法 | |
CN105931180A (zh) | 利用显著信息引导的图像不规则马赛克拼接方法 | |
CN103514598A (zh) | 一种建筑sfm点云的自动分割方法 | |
CN116229003A (zh) | 一种基于多源数据的三维模型单体化快速构建方法 | |
CN102957936A (zh) | 从视频单视点到多视点的虚拟视点生成方法 | |
CN103745019A (zh) | 一种海量数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |