CN106600686B - 一种基于多幅未标定图像的三维点云重建方法 - Google Patents
一种基于多幅未标定图像的三维点云重建方法 Download PDFInfo
- Publication number
- CN106600686B CN106600686B CN201611111611.9A CN201611111611A CN106600686B CN 106600686 B CN106600686 B CN 106600686B CN 201611111611 A CN201611111611 A CN 201611111611A CN 106600686 B CN106600686 B CN 106600686B
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- patch
- points
- dense
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Abstract
本发明公开了一种基于多幅未标定图像的三维点云重建方法,获取物体在不同角度拍摄的图像序列作为输入集合;通过特征提取和匹配得到图像的特征匹配点对,进行稠密扩散处理;选择候选图像的特征点作为种子点向其周围邻域进行匹配扩散并过滤,获得稠密匹配点对;对相机进行标定,结合匹配点对得到其内外参数;根据相机参数及匹配点对恢复出三维模型点;进行重建,选取种子模型点生成初始patch,并在其网格邻域内扩散得到稠密的patch;根据约束条件过滤误差patch,获得精确的稠密三维点云模型。本发明可以快速获得高精度的稠密点云模型,加快模型的生成速度,增加了匹配的稠密性的准确性,增加了三维点云的稠密性和准确性。
Description
技术领域
本发明属于计算机视觉技术领域,尤其涉及一种基于多幅未标定图像的三维点云重建方法。
背景技术
随着科学技术的迅猛发展,3D立体模型被广泛应用于各种领域。如虚拟现实,视频游戏,电影以动画制作,模式识别,场景理解,文物的保护与恢复,3D打印等。三维重建技术及其带来的技术创新正改变人们生活的方方面面,因此如何改进其过程的各种算法,使得重建过程更加简便可靠具有重大的研究意义。三维重建问题是计算机视觉领域中的重要研究方向之一,其目的是从多幅图像中恢复场景或物体的三维信息,以便后续使用。对于物体而言,进行3D打印之前需要先恢复物体的三维模型信息以便3D打印机进行打印。近几年基于图像序列的三维重建的算法主要分为以下几类:基于体素的重建算法、基于网格的重建算法、基于深度映射的重建算法以及基于面片的重建算法。基于体素的重建方法主要是基于体素颜色、空间雕刻、图切割等实现,一般需要初始化信息,不具有自适应性,重建的精度受到限制。基于网格的重建方法需要包围盒等先验条件得到初始网格,重建速度较慢。基于深度映射的方法以匹配信息为基础,通过多重映射获得三维模型,重建误差较大。基于面片的重建方法,通过面片集合表示物体表面,不需要初始信息,重建结果相对较好。正是由于这种优点,众多学者使用基于面片的方法进行重建。尽管如此,在实际应用中,基于面片的算法重建出的模型仍有很大漏洞容易丢失细节以及边缘信息,而且稠密重建耗时过长。因此,使得点云稠密且同时保证其精度,减少重建时间是一个重要的难题。
综上所述,传统算法过程繁琐、重建精度差、速度慢的问题。
发明内容
本发明的目的在于提供一种基于多幅未标定图像的三维点云重建方法,旨在解决传统算法过程繁琐、重建精度差、速度慢的问题。
本发明是这样实现的,一种基于多幅未标定图像的三维点云重建方法,所述基于多幅未标定图像的三维点云重建方法使用相机、手机等设备获取物体在不同角度拍摄的图像序列作为输入集合;通过特征提取和匹配得到图像的特征匹配点对,其对进行稠密扩散处理;根据稠密扩散方法,选择候选图像的特征点作为种子点向其周围邻域进行匹配扩散并过滤,获得更精确的稠密匹配点对;对相机进行标定,结合匹配点对得到其内外参数;根据相机参数及匹配点对恢复出三维模型点;采用基于patch的稠密扩散方法进行重建,选取种子模型点生成初始patch,并在其网格邻域内扩散得到稠密的patch;根据约束条件过滤误差patch,获得精确的稠密三维点云模型。
进一步,所述稠密扩散方法具体包括:
对参考图的每个特征点f,根据极线约束在候选图像中找到对应的候选匹配点f’。然后利用稠密扩散方法,选择零均值归一化互相关系数ZNCC作为目标函数,计算匹配点对的ZNCC值,并按其大小排序:
其中,x是图像特征点f在图像中对应的坐标信息,x’是图像特征点f’在图像中对应的坐标信息。I(x)和I(x′)表示x坐标和x’坐标的像素亮度。和表示以x为中心的图像窗口和以x’为中心的图像窗口W的平均像素亮度;
选取大于阈值μ1的特征点作为种子点进行邻域扩散,选取大于阈值μ2的特征点作为储备匹配点μ1>μ2;对于参考图像的所有匹配点,在候选图像中心固定窗口大小建立一对多的匹配;对于参考图像的点,匹配其他图像的点,建立窗口内所有点的混合匹配;在满足视差梯度约束和置信度约束的前提下,计算扩散匹配点对的ZNCC,筛选大于阈值μ3的扩散点作为种子点进行二次扩散,筛选大于阈值μ4的扩散点作为储备匹配点(μ3>μ4)。
假设u’和u是一对图像匹配点对,x’与x是相邻的另一图像匹配点对,视差梯度约束公式为:
||(u′-u)-(x′-x)||∞≤ε
其中,ε是视差梯度的阈值。视差梯度约束减少了图像匹配的模糊性。
置信度约束的公式为:
s(x)=max{|I(x+Δ)-I(x)|,Δ∈{(1,0),(-1,0),(0,1),(0,-1)}};
采用置信度约束可以提高匹配扩散的可靠性,获得稠密匹配点对。
进一步,对相机标进行标定的过程是根据相机成像原理计算相机内部参数;根据图像序列的特征点和匹配,选取两幅输入图像作为基准,计算基准图像点对的基础矩阵F,其中F满足方程x′Fx=0(x′和x是一对图像匹配点);估计基准图像对的内参矩阵初值K′和K,计算图像点对的本质矩阵并提取旋转和平移分量;已知相机的内外参数以及特征匹配点对,利用三角测量求出与特征点对应的三维模型点。
进一步,使用基于patch的稠密重建算法,以稠密扩散得到的三维模型点为候选种子点,生成初始化patch,用基于patch的稠密扩散方法重建三维模型点云;patch是以三维模型点为中心,以该点指向参考图像相机原点的向量为法向量的面片;以patch的法向量和光线夹角、以及patch到参考图像和候选图像投影之间的相关系数为约束条件,筛选满足条件的patch作为扩散的种子patch;对其在网格邻域内进行扩散,对于扩散的patch,使用几何一致性和图像灰度一致性约束进行筛选,生成稠密的三维点云模型。
本发明的另一目的在于提供一种利用所述基于多幅未标定图像的三维点云重建方法建立的3D立体模型。
本发明提供的基于多幅未标定图像的三维点云重建方法,与传统的基于二维图像的三维重建方法相比,针对未标定的多幅图像进行三维点云重建,可以快速获得高精度的稠密点云模型。本发明与传统从二维图像序列恢复三维重建算法相比具有以下优点:在匹配阶段和稠密重建阶段均进行图像序列筛选避免了大量的冗余计算,加快模型的生成速度。采用稠密扩散方法,以候选图像特征点作为种子点,以零均值归一化互相关系数作为匹配标准进行稠密扩散。在满足视差梯度约束和置信度约束的前提下,筛选扩散点作为种子点进行二次扩散,使得种子点数量增加,增加了匹配的稠密性以及准确性。采用基于patch的稠密扩散方法重建三维模型,通过生成初始patch,进行patch扩散和过滤,增加了三维点云的稠密性和准确性。通过结合稠密扩散方法和基于patch的稠密重建方法,获取稠密的匹配点对之后,在使用patch的稠密重建方法扩散时减少了计算三维模型点到二维扩散点对应的过程,减少大量的计算时间,使得速度提升10%。
附图说明
图1是本发明实施例提供的基于多幅未标定图像的三维点云重建方法流程图。
图2是本发明实施例提供的实施例的实施流程图。
图3是本发明实施例提供的稠密扩散示意图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于多幅未标定图像的三维点云重建方法包括以下步骤:
S101:使用相机、手机等设备获取物体在不同角度拍摄的图像序列作为输入集合;通过特征提取和匹配得到图像的特征匹配点对,其对进行稠密扩散处理;
S102:根据稠密扩散方法,选择候选图像的特征点作为种子点向其周围邻域进行匹配扩散并过滤,获得更精确的稠密匹配点对;对相机进行标定,结合匹配点对得到其内外参数;根据相机参数及匹配点对恢复出三维模型点;
S103:采用基于patch(面片)的稠密扩散方法进行重建,选取种子模型点生成初始patch,并在其网格邻域内扩散得到稠密的patch。根据约束条件过滤误差patch,获得精确的稠密三维点云模型。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,使用基于多幅未标定图像的三维点云重建方法,通过以下步骤获得真实场景的三维重建模型:
步骤一、以相机、手机等设备对目标进行多视角拍摄,获取二维图像序列并将其作为输入集合。
步骤二、稠密扩散方法。
使用Harris和DOG算法分别进行特征点提取。以参考图像为基准进行图像序列筛选,选出主光轴与参考图像之间夹角小于60度的图像作为候选图像。对参考图的每个特征点f,根据极线约束在候选图像中找到对应的候选匹配点f’。然后利用稠密扩散方法,选择零均值归一化互相关系数ZNCC作为目标函数,计算匹配点对的ZNCC值,并按其大小排序。
在扩散过程中,选取大于阈值μ1的特征点作为种子点进行邻域扩散,选取大于阈值μ2的特征点作为储备匹配点(μ1>μ2)。对于参考图像的所有匹配点,在候选图像中心固定窗口大小建立一对多的匹配。对于参考图像的点,匹配其他图像的点,建立窗口内所有点的混合匹配,如图3所示。假设a中像素点P22和b中的P11为一对匹配点,对其进行扩散。设定窗口大小为N*N,N=3,则a中窗口内像素点分别和b中窗口的点进行一一匹配,比如P11和P00、P01…进行匹配。在满足视差梯度约束和置信度约束的前提下,计算扩散匹配点对的ZNCC,筛选大于阈值μ3的扩散点作为种子点进行二次扩散,筛选大于阈值μ4的扩散点作为储备匹配点(μ3>μ4)。
假设u’和u是一对图像匹配点对,x’与x是相邻的另一图像匹配点对,视差梯度约束公式为:
||(u′-u)-(x′-x)||∞≤ε;
其中,ε是视差梯度的阈值。视差梯度约束减少了图像匹配的模糊性。
置信度约束的公式为:
s(x)=max{|I(x+Δ)-I(x)|,Δ∈{(1,0),(-1,0),(0,1),(0,-1)}};
采用置信度约束可以提高匹配扩散的可靠性,获得精确的稠密匹配点对。
步骤三、对相机进行标定,结合匹配点对得到其内外参数。根据相机参数和匹配点对,恢复出稠密的三维模型点。
对相机标进行标定的过程是根据相机成像原理计算相机内部参数的过程。根据图像序列的特征点和匹配,选取两幅输入图像作为基准,计算基准图像点对的基础矩阵F,其中F满足方程x′Fx=0(x′和x是一对图像匹配点)。估计基准图像对的内参矩阵初值K′和K,计算图像点对的本质矩阵并提取旋转和平移分量。已知相机的内外参数以及特征匹配点对,利用三角测量求出与特征点对应的三维模型点。
步骤四、使用基于patch的稠密重建算法重建稠密的三维点云模型。
使用基于patch的稠密重建算法,以稠密扩散得到的三维模型点为候选种子点,生成初始化patch,用基于patch的稠密扩散方法重建三维模型点云。patch是以三维模型点为中心,以该点指向参考图像相机原点的向量为法向量的面片。以patch的法向量和光线夹角、以及patch到参考图像和候选图像投影之间的相关系数为约束条件,筛选满足条件的patch作为扩散的种子patch。对其在网格邻域内进行扩散。扩散条件为邻域内不存在与种子patch相近的或平均相关系数较大的patch。新扩散的patch法向量和种子patch相同,新扩散patch的中心为邻域网格中心的光线和种子patch所在平面的交点。对每幅候选图像按以上所述过程进行扩散,当存在足够数目的候选图像符合扩散条件时,扩散成功。最后,对于扩散的patch,使用几何一致性和图像灰度一致性约束进行筛选,生成稠密的三维点云模型。采用基于patch的稠密重建时,稠密点云的获取需要对图像序列划分网格,网格大小可选,网格越小,获得的点云越稠密。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多幅未标定图像的三维点云重建方法,其特征在于,所述基于多幅未标定图像的三维点云重建方法使用相机、手机获取物体在不同角度拍摄的图像序列作为输入集合;通过特征提取和匹配得到图像的特征匹配点对,对其进行稠密扩散处理;根据稠密扩散方法,选择候选图像的特征点作为种子点向其周围邻域进行匹配扩散并过滤,获得稠密匹配点对;对相机进行标定,结合匹配点对得到其内外参数;根据相机参数及匹配点对恢复出三维模型点;采用基于patch的稠密扩散方法进行重建,选取种子模型点生成初始patch,并在其网格邻域内扩散得到稠密的patch;根据约束条件过滤误差patch,获得精确的稠密三维点云模型;
所述稠密扩散方法具体包括:
对参考图的每个特征点f,根据极线约束在候选图像中找到对应的候选匹配点f’;然后利用稠密扩散方法,选择零均值归一化互相关系数ZNCC作为目标函数,计算匹配点对的ZNCC值,并按其大小排序:
其中,x是图像特征点f在图像中对应的坐标信息,x’是图像特征点f’在图像中对应的坐标信息;I(x)和I(x′)表示x坐标和x’坐标的像素亮度;和表示以x为中心的图像窗口和以x’为中心的图像窗口W的平均像素亮度;
选取大于阈值μ1的特征点作为种子点进行邻域扩散,选取大于阈值μ2的特征点作为储备匹配点,μ1>μ2;对于参考图像的所有匹配点,在候选图像中心固定窗口大小建立一对多的匹配;对于参考图像的点,匹配其他图像的点,建立窗口内所有点的混合匹配;在满足视差梯度约束和置信度约束的前提下,计算扩散匹配点对的ZNCC,筛选大于阈值μ3的扩散点作为种子点进行二次扩散,筛选大于阈值μ4的扩散点作为储备匹配点,μ3>μ4;
假设u’和u是一对图像匹配点对,x’与x是相邻的另一图像匹配点对,视差梯度约束公式为:
||(u′-u)-(x′-x)||∞≤ε
其中,ε是视差梯度的阈值;视差梯度约束减少了图像匹配的模糊性;
置信度约束的公式为:
s(x)=max{|I(x+Δ)-I(x)|,Δ∈{(1,0),(-1,0),(0,1),(0,-1)}};
采用置信度约束可以提高匹配扩散的可靠性,获得稠密匹配点对。
2.如权利要求1所述的基于多幅未标定图像的三维点云重建方法,其特征在于,对相机标进行标定的过程是根据相机成像原理计算相机内部参数;根据图像序列的特征点和匹配,选取两幅输入图像作为基准,计算基准图像点对的基础矩阵F,其中F满足方程x′Fx=0,x′和x是一对图像匹配点;估计基准图像对的内参矩阵初值K′和K,计算图像点对的本质矩阵并提取旋转和平移分量;已知相机的内外参数以及特征匹配点对,利用三角测量求出与特征点对应的三维模型点。
3.如权利要求1所述的基于多幅未标定图像的三维点云重建方法,其特征在于,使用基于patch的稠密重建算法,以稠密扩散得到的三维模型点为候选种子点,生成初始化patch,用基于patch的稠密扩散方法重建三维模型点云;patch是以三维模型点为中心,以该点指向参考图像相机原点的向量为法向量的面片;以patch的法向量和光线夹角、以及patch到参考图像和候选图像投影之间的相关系数为约束条件,筛选满足条件的patch作为扩散的种子patch;对其在网格邻域内进行扩散,对于扩散的patch,使用几何一致性和图像灰度一致性约束进行筛选,生成稠密的三维点云模型。
4.一种基于多幅未标定图像的三维点云重建系统,用来执行如权利要求1~3任意一项所述的基于多幅未标定图像的三维点云重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611111611.9A CN106600686B (zh) | 2016-12-06 | 2016-12-06 | 一种基于多幅未标定图像的三维点云重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611111611.9A CN106600686B (zh) | 2016-12-06 | 2016-12-06 | 一种基于多幅未标定图像的三维点云重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600686A CN106600686A (zh) | 2017-04-26 |
CN106600686B true CN106600686B (zh) | 2020-05-22 |
Family
ID=58595982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611111611.9A Active CN106600686B (zh) | 2016-12-06 | 2016-12-06 | 一种基于多幅未标定图像的三维点云重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600686B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992588A (zh) * | 2017-05-02 | 2017-07-28 | 湖南工程学院 | 一种基于物联网的太阳能风能集成高智能控制系统 |
CN107248179A (zh) * | 2017-06-08 | 2017-10-13 | 爱佩仪中测(成都)精密仪器有限公司 | 用于视差计算的三维匹配建立方法 |
CN107240149A (zh) * | 2017-06-14 | 2017-10-10 | 广东工业大学 | 基于图像处理的物体三维模型构建方法 |
CN107610216B (zh) * | 2017-08-16 | 2021-08-31 | 西安电子科技大学 | 基于粒子群优化多视角立体点云生成方法及应用的摄像机 |
LU100465B1 (en) * | 2017-10-05 | 2019-04-09 | Applications Mobiles Overview Inc | System and method for object recognition |
CN108010075B (zh) * | 2017-11-03 | 2021-10-26 | 华南理工大学 | 一种基于多特征联合的局部立体匹配方法 |
CN108764024B (zh) * | 2018-04-09 | 2020-03-24 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
WO2019196475A1 (zh) * | 2018-04-09 | 2019-10-17 | 华为技术有限公司 | 全局匹配patch的获取方法及装置 |
CN108652740B (zh) * | 2018-04-26 | 2020-09-08 | 上海交通大学 | 一种游离骨块位置实时跟踪的标定装置 |
CN108961151B (zh) * | 2018-05-08 | 2019-06-11 | 中德(珠海)人工智能研究院有限公司 | 一种将球幕相机得到的三维大场景转成剖面图的方法 |
CN109215118B (zh) * | 2018-09-18 | 2022-11-29 | 东北大学 | 一种基于图像序列的增量式运动结构恢复优化方法 |
CN110058211B (zh) * | 2019-03-21 | 2021-10-26 | 北京申信达成科技有限公司 | 一种车载LiDAR测量系统检校初值的获取方法及装置 |
CN110223383A (zh) * | 2019-06-17 | 2019-09-10 | 重庆大学 | 一种基于深度图修补的植物三维重建方法及系统 |
CN110517348B (zh) * | 2019-07-23 | 2023-01-06 | 西安电子科技大学 | 基于图像前景分割的目标物体三维点云重建方法 |
CN111127613B (zh) * | 2019-12-25 | 2023-06-16 | 华南理工大学 | 基于扫描电子显微镜的图像序列三维重构方法及系统 |
CN111242990B (zh) * | 2020-01-06 | 2024-01-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于连续相位稠密匹配的360°三维重建优化方法 |
CN111754560B (zh) * | 2020-06-10 | 2023-06-02 | 北京瓦特曼科技有限公司 | 基于稠密三维重建的高温冶炼容器侵蚀预警方法及系统 |
CN112465977B (zh) * | 2020-12-14 | 2022-05-10 | 埃洛克航空科技(北京)有限公司 | 基于稠密点云修补三维模型水面漏洞的方法 |
CN112734913B (zh) * | 2021-01-13 | 2022-10-04 | 北京航空航天大学 | 一种基于多阶段变形重构的三维模型球表达计算方法 |
CN112419417B (zh) * | 2021-01-25 | 2021-05-18 | 成都翼比特自动化设备有限公司 | 一种基于无人机的拍照点定位方法及相关装置 |
CN113066162B (zh) * | 2021-03-12 | 2022-04-29 | 武汉大学 | 一种用于电磁计算的城市环境快速建模方法 |
CN113066163A (zh) * | 2021-03-17 | 2021-07-02 | 内蒙古工业大学 | 一种基于二维图像的人体体型三维重建方法 |
CN113345072A (zh) * | 2021-06-01 | 2021-09-03 | 兰州交通大学 | 一种多视角遥感地形影像点云重建方法及系统 |
CN113284230B (zh) * | 2021-06-08 | 2023-12-19 | 东南大学 | 一种针对图像序列的三维重建方法 |
CN113628444A (zh) * | 2021-08-12 | 2021-11-09 | 智道网联科技(北京)有限公司 | 提示交通风险的方法、装置和计算机可读存储介质 |
CN115186600A (zh) * | 2022-06-09 | 2022-10-14 | 大连海事大学 | 一种船行波数值模拟的稠密重建方法 |
CN114913552B (zh) * | 2022-07-13 | 2022-09-23 | 南京理工大学 | 一种基于单视角点云序列的三维人体稠密对应估计方法 |
CN115294277B (zh) * | 2022-08-10 | 2023-04-18 | 广州沃佳科技有限公司 | 一种物体的三维重建方法、装置、电子设备及存储介质 |
CN117670961B (zh) * | 2024-02-01 | 2024-04-16 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 基于深度学习的低空遥感影像多视立体匹配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496183A (zh) * | 2011-11-03 | 2012-06-13 | 北京航空航天大学 | 基于互联网照片集的多视角立体重构方法 |
CN103021017A (zh) * | 2012-12-04 | 2013-04-03 | 上海交通大学 | 基于gpu加速的三维场景重建方法 |
CN104200517A (zh) * | 2014-08-06 | 2014-12-10 | 北京工业大学 | 一种三维重建方法 |
-
2016
- 2016-12-06 CN CN201611111611.9A patent/CN106600686B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496183A (zh) * | 2011-11-03 | 2012-06-13 | 北京航空航天大学 | 基于互联网照片集的多视角立体重构方法 |
CN103021017A (zh) * | 2012-12-04 | 2013-04-03 | 上海交通大学 | 基于gpu加速的三维场景重建方法 |
CN104200517A (zh) * | 2014-08-06 | 2014-12-10 | 北京工业大学 | 一种三维重建方法 |
Non-Patent Citations (3)
Title |
---|
Complementary geometric and optical information for match-propagation-based 3D reconstruction;Patricio A.Galindo等;《Asian Conference on Computer Vision 2014》;20150416;689-703 * |
基于准稠密匹配方法的PMVS算法改进;陈冉;《中国优秀硕士学位论文全文数据库信息科技辑》;20150315;4,7-14,17-29 * |
基于区域生长的稠密三维点云重建方法;秦红星等;《计算机工程与设计》;20160228;第37卷(第2期);466-468 * |
Also Published As
Publication number | Publication date |
---|---|
CN106600686A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600686B (zh) | 一种基于多幅未标定图像的三维点云重建方法 | |
CN107945267B (zh) | 一种用于人脸三维模型纹理融合的方法和设备 | |
EP2992508B1 (en) | Diminished and mediated reality effects from reconstruction | |
KR101923845B1 (ko) | 이미지 처리 방법 및 장치 | |
Papadhimitri et al. | Uncalibrated near-light photometric stereo | |
KR101310589B1 (ko) | 이미지들로부터의 빠른 스테레오 재구성을 위한 기술들 | |
CN110728671B (zh) | 基于视觉的无纹理场景的稠密重建方法 | |
CN108010123B (zh) | 一种保留拓扑信息的三维点云获取方法 | |
KR101885090B1 (ko) | 영상 처리 장치, 조명 처리 장치 및 그 방법 | |
CN106023307B (zh) | 基于现场环境的快速重建三维模型方法及系统 | |
JP2006053694A (ja) | 空間シミュレータ、空間シミュレート方法、空間シミュレートプログラム、記録媒体 | |
CN111127524A (zh) | 一种轨迹跟踪与三维重建方法、系统及装置 | |
CN104424640A (zh) | 对图像进行虚化处理的方法和装置 | |
WO2018133119A1 (zh) | 基于深度相机进行室内完整场景三维重建的方法及系统 | |
WO2021097843A1 (zh) | 三维重建方法、装置、系统和存储介质 | |
CN110517348B (zh) | 基于图像前景分割的目标物体三维点云重建方法 | |
CN116681839B (zh) | 一种基于改进NeRF的实景三维目标重建与单体化方法 | |
CN107610216B (zh) | 基于粒子群优化多视角立体点云生成方法及应用的摄像机 | |
CN112102504A (zh) | 一种基于混合现实的三维场景和二维图像混合方法 | |
Price et al. | Augmenting crowd-sourced 3d reconstructions using semantic detections | |
CN114935316B (zh) | 基于光学跟踪与单目视觉的标准深度图像生成方法 | |
CN114882106A (zh) | 位姿确定方法和装置、设备、介质 | |
KR102146839B1 (ko) | 실시간 가상현실 구축을 위한 시스템 및 방법 | |
CN109341530B (zh) | 一种双目立体视觉中物点定位方法及系统 | |
Takimoto et al. | Shape reconstruction from multiple RGB-D point cloud registration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |