CN107292949A - 场景的三维重建方法、装置及终端设备 - Google Patents
场景的三维重建方法、装置及终端设备 Download PDFInfo
- Publication number
- CN107292949A CN107292949A CN201710377951.4A CN201710377951A CN107292949A CN 107292949 A CN107292949 A CN 107292949A CN 201710377951 A CN201710377951 A CN 201710377951A CN 107292949 A CN107292949 A CN 107292949A
- Authority
- CN
- China
- Prior art keywords
- fisrt feature
- frame
- feature point
- plane
- present frame
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
场景的三维重建方法、装置及终端设备，包括：构建第一特征点集和第一特征平面集，第一特征点和第一特征平面组成地图的初始标志物；从当前帧的彩色图构建第二特征点集，从点云图中对应的点云构建第二特征平面集；确定第二特征点集与第一特征点集的匹配关系和第二特征平面集与第一特征平面集的匹配关系；根据确定的匹配关系以及当前帧与上一个关键帧的间隔帧数判断当前帧是否为关键帧；若是，判断当前帧的初始相机位姿是否有效；将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，得到新增的第一特征点和第一特征平面；根据地图的所有标志物创建地图，实现场景的三维重建。通过上述方法，使得重建的场景更准确。
Description
技术领域
本发明属于三维场景重建技术领域，尤其涉及场景的三维重建方法、装置及终端设备。
背景技术
由于场景的三维重建方法有助于很多实际应用，比如虚拟现实和增强现实，机器人的定位和路径规划，以及自动引导运输车的室内工作等等，因此受到研究人员越来越多的关注。利用RGB-D相机进行三维重建相比于双目相机具有独特的优势，因为RGB-D相机能够提供图像像素坐标对应的深度值，不用花费大量计算资源用于像素视差的计算。传统的基于RGB-D相机的三维重建方法主要是利用特征点进行特征的检测与匹配。
一般来说，基于RGB-D相机的三维重建主要是根据相机在多个角度观察到的场景，利用特征的空间位置关系计算相机的相机位姿从而恢复场景的三维信息。基于RGB-D相机的三维重建算法主要分为以下几个步骤：第一，从获取的图像中进行特征点的检测和提取，并且利用对应的深度图获取相应特征点的空间坐标。第二，获取的每帧都进行特征点的检测和提取，并将检测到的特征点与地图上的点进行特征的匹配，计算当前相机的相机位姿。第三，将当前的关键帧上的特征点投影到世界坐标系上，对重建的地图进行增量的扩充。最后，输出完整的重建地图。
广泛的研究表明大部分基于特征点进行特征检测和匹配的三维重建算法在低纹理和纹理重复性很强的场景内很难检测到足够准确的特征匹配关系，因而很难得到一个准确的相机位姿。
发明内容
有鉴于此，本发明实施例提供了场景的三维重建方法、装置及终端设备，以解决现有技术在低纹理和纹理重复性很强的场景内很难检测到足够准确的特征匹配关系，因而很难得到一个准确的相机位姿，从而导致场景难以准确重建的问题。
本发明实施例的第一方面提供了一种场景的三维重建方法，包括：
获取场景的彩色图和深度图；
根据第一帧的彩色图提取第一特征点，构建第一特征点集；
根据所述彩色图和所述深度图生成点云图，根据第一帧的点云图提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物；
从当前帧的彩色图提取第二特征点，构建第二特征点集，以及，从所述点云图中与所述当前帧的彩色图对应的点云提取第二特征平面，构建第二特征平面集；
将所述第二特征点与所述第一特征点匹配，确定所述第二特征点集与所述第一特征点集的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面集与所述第一特征平面集的匹配关系；
根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系、以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧；
在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效；
将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中；
在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。
本发明实施例的第二方面提供了一种场景的三维重建装置，包括：
彩色图和深度图获取单元，用于获取场景的彩色图和深度图；
第一特征提取单元，用于根据第一帧的彩色图提取第一特征点，构建第一特征点集；
点云图生成单元，用于根据所述彩色图和所述深度图生成点云图，根据第一帧的点云图提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物；
第二特征提取单元，用于从当前帧的彩色图提取第二特征点，构建第二特征点集，以及，从所述点云图中与所述当前帧的彩色图对应的点云提取第二特征平面，构建第二特征平面集；
匹配关系确定单元，用于将所述第二特征点与所述第一特征点匹配，确定所述第二特征点集与所述第一特征点集的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面集与所述第一特征平面集的匹配关系；
关键帧判断单元，用于根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系、以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧。
初始相机位姿有效性判断单元，用于在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效；
地图的标志新增单元，用于将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中；
场景重建单元，用于在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述场景的三维重建方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述场景的三维重建方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：由于只有在当前帧为潜在的关键帧时，才利用特征的匹配关系计算当前帧的位姿，因此，能够极大减少计算量和存储负载，仅利用关键帧的位姿和相关的标志物进行优化，显著地提高了场景重建的效率，也有利于将算法扩展到对大范围室内场景的重建。此外同时利用特征点和特征平面进行位姿估计，使得算法在低纹理和纹理重复性很强的区域，也能保证对相机位姿估计以及场景重建的准确性和高鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种场景的三维重建装置方法的流程图；
图2是本发明实施例提供的一种场景的三维重建装置的结构示意图；
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了一种场景的三维重建方法的流程图，详述如下：
步骤S11，获取场景的彩色图和深度图；
具体地，从RGB-D相机中获取需要三维重建的场景对应的彩色图和深度图。
步骤S12，根据第一帧的彩色图提取第一特征点，构建第一特征点集；
具体地，默认第一帧为关键帧且初始的相机位姿设为一个4*4的单位矩阵作为地图的参考坐标系，此时，从该第一帧中提取第一特征点作为地图的标志物的一个分量，提取的一个或多个第一特征点用于构建第一特征点集。具体地，可以利用OpenCV工具从彩色图中检测并提取ORB(Oriented FAST and Rotated BRIEF)描述符，该ORB描述符用于确定第一特征点，进而得到第一特征点集。
步骤S13，根据所述彩色图和所述深度图生成点云图，根据第一帧的点云图提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物；
需要指出的是，由彩色图和点云图的第一帧提取的第一特征点和第一特征平面只为最终用于创建地图的所有标志物的一部分。
步骤S14，从当前帧的彩色图提取第二特征点，构建第二特征点集，以及，从所述点云图中与所述当前帧的彩色图对应的点云提取第二特征平面，构建第二特征平面集；
具体地，从RGB-D相机的第一帧开始，根据读取规则读取的帧作为相机的当前帧，其中，读取规则可设为：读取的下一帧至少与读取的上一帧间隔K1帧(该K1与RGB-D相机的帧率以及移动的速度有关，本系统实验环节当RGB-D相机的帧率为30Hz时K1设置为10)。
步骤S15，将所述第二特征点与所述第一特征点匹配，确定所述第二特征点集与所述第一特征点集的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面集与所述第一特征平面集的匹配关系；
具体地，将第二特征点集中的第二特征点，与，第一特征点集中的第一特征点匹配，以确定第二特征点集与第一特征点集的匹配关系。
其中，这里的第二特征点集与所述第一特征点集的匹配关系，是指利用OpenCV库里面的最近邻算法特征描述符进行匹配得到对应的匹配关系，以判断第一特征点集是否存在与第二特征点匹配的第一特征点。第二特征平面集与所述第一特征平面集的匹配关系是通过暴力匹配的方向进行查找，因为RGB-D相机视角(<120°)和观测距离的有限(0.3m-5m)，所以相邻关键帧的特征平面数量有限，故采用暴力匹配的方法一次比较潜在的所有平面，确定所述第二特征平面集与所述第一特征平面集的匹配关系。
步骤S16，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系、以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧；
可选地，所述步骤S16具体包括：
A1、判断当前帧与上一个关键帧的间隔帧数是否大于预设的间隔帧数阈值。其中，预设的间隔帧数阈值与RGB-D相机的帧率以及移动的速度有关，例如，当RGB-D相机的帧率为30Hz时设置为10。其中，上一个关键帧为上一次插入的关键帧，是指上一次投影的第二特征点(或第二特征平面)作为新的地图标志物对应的帧。
A2、在当前帧与上一个关键帧的间隔帧数大于预设的间隔帧数阈值时，根据第一特征点集中与第二特征点匹配的第一特征点的个数，和，第一特征平面集中与第二特征平面匹配的第一特征平面的个数，判断所述当前帧是否为关键帧；
具体地，通过判断当前帧与地图标志物的匹配关系，如判断特征点和特征平面是否满足预设的条件来判断当前帧是否为关键帧，例如，首先计算以下公式得到的值：第一特征点集中与第二特征点匹配的第一特征点的个数+预设特征平面阈值*第一特征平面集中与第二特征平面匹配的第一特征平面的个数，再判断该值是否超过预设的条件阈值，若是，则判定当前帧为关键帧，否则，判定当前帧不为关键帧。当然，若当前帧为非关键帧，则插入下一帧，并执行步骤S11。
例如，预设的间隔帧数阈值可设为10，而预设特征平面阈值可设为10，预设的条件阈值可设为100等。
步骤S17，在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效；
可选地，所述步骤S17具体包括：
B1、在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系预估所述当前帧的初始相机位姿，所述当前帧的初始相机位姿包括旋转矩阵和平移向量；
B2、将所述当前帧的初始相机位姿与上一个关键帧的初始相机位姿比较，在所述当前帧的旋转矩阵与上一个关键帧的旋转矩阵的改变量小于预设的旋转矩阵阈值，且在所述当前帧的平移向量与上一个关键帧的平移向量的改变量小于预设的平移向量阈值时，判定所述当前帧的初始相机位姿有效，否则，判定所述当前帧的初始相机位姿无效。
可选地，所述B1具体包括：
假设其中，Po和Pl分别表示第一特征点集，第一特征平面集，Po'和Pl'分别表示当前帧上第二特征点集和第二特征平面集；
在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系确定下式：
其中，Rk表示旋转矩阵，tk表示平移向量，nj表示Pl中第j个第一特征平面的法向量，n'j表示Pl'中第j个第二特征平面的法向量，wj表示Pl中第j个平面的权重，“||||2”表示2-范数运算；对上式进行优化求解预估为关键帧的当前帧的初始相机位姿，如通过g2o进行优化求解，该g2o是一种开源的优化工具，主要用来解决一些优化问题的工具库，其中，g2o是指A general framework for graph optimization。
当然，若当前帧的相机位姿无效，则插入下一帧，并执行步骤S11。
由于只有在当前帧为潜在的关键帧时，才利用特征的匹配关系计算当前帧的位姿，因此，能够极大减少计算量和存储负载，仅利用关键帧的位姿和相关的标志物进行优化，显著地提高了场景重建的效率，也有利于将算法扩展到对大范围室内场景的重建。
步骤S18，将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中；
其中，将第一帧(默认为关键帧)且初始的相机位姿设为一个4*4的单位矩阵作为地图的参考坐标系。
该步骤中，当第一特征点集不存在与从当前关键帧提取的第二特征点相同的第一特征点时，将该第二特征点投影到世界坐标系上，以扩大第一特征点集的第一特征点的数量。
需要指出的是，当初始相机位姿没有预估出来时，表明特征点(或特征平面)的匹配不准确或者不够造成追踪丢失，此时，需要进行重定位，重新提取特征点(或特征平面)，以实现特征点(或特征平面)的重定位。其中，循环检测(Loopclosure)主要用于检测当前的场景是否在地图上被描述过。循环闭合的重要性体现在能够有效的消除累计的漂移，形成一个全局一致的重建地图。重定位是指当相机遭遇阻塞或者纯旋转问题发生特征追踪丢失的情况下，进行自我的定位从而恢复运动状态的过程。本发明提出的室内场景三维重建的方法，内部嵌入了一个词袋模型的模块，具体的实现过程可以参考：Gálvez-López D,Tardos J D.Bags of binary words for fast place recognition in image sequences[J].IEEE Transactions on Robotics,2012,28(5):1188-1197。词袋模型主要用于准确的回环检测和重定位。系统在插入每个关键帧的时候对其进行回环的检测，如果被检测到一个回环，则对当前帧和回环的帧之间计算一个相对的相机位姿估计，依次消除回环上出现的所有关键帧的相机位姿估计产生的累计误差，对齐回环的两端，并融合回环两端的地图点。
步骤S19，在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。
可选地，在所述步骤S19，包括：
B1、在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，将所有关键帧的初始相机位姿进行全局光速法平差，以减少所述所有关键帧的初始相机位姿的累计误差。具体地，由于噪声和错误的对应关系的影响，每一帧估计的有效初始相机位姿都会存在一定的误差，当误差累计下去，整个地图就会发生严重的误差漂移，因此，需要对得到的所有关键帧的有效初始相机位姿进行优化。
在本发明实施例中，提出一种新颖的相机位姿优化的方法，即同时利用纹理(特征点)与几何特征(特征平面)进行相机位姿的全局光束法平差。构造优化问题：和分别表示地图上所有标志物的点集和平面集：
其中：pi＝(xi,yi,zi)T以及πj＝(nj,dj,Nj)分别表示地图上的特征点和特征平面。xi,yi,zi分别表示地图上第一特征点的坐标。nj,dj,Nj分别表示第一特征平面的法向量、第一特征平面与世界坐标系的距离，以及第一特征平面有效阈值范围内的特征点的个数。需要指出的是，由于代码实现的过程中并不是严格的将某些特征点的坐标代入到平面表达式之后的值等于0才作为平面上的点，而是只要这个值低于某个阈值就认为是平面上的点，因此，将符合要求的范围称为第一特征平面有效阈值范围。{(R1,t1),(R2,t2),...,(Rs,ts)}分别表示所有关键帧的相机位姿的初始估计，构造全局的光束法平差的优化问题如下：
其中：用于优化的变量包括所有的地图标志物(所有第一特征点和第一特征面)，以及所有的关键帧的相机位姿。表示与第k个关键帧的第二特征点集中的第i个第二特征点，而pi表示地图上与其对应的第一特征点。
B2、将消除累计误差的所有关键帧的初始相机位姿的第二特征点和第二特征平面投影到世界坐标系上，得到所有彩色图中所有关键帧的新的第一特征点集和新的第一特征平面集，根据所述新的第一特征点集和所述新的第一特征平面集创建地图，实现场景的三维重建。
由于在场景重建之后还对重建的场景进行全局优化，进而得到优化后的场景，因此，使得在低纹理和纹理重复性很强的区域，也能保证对相机位姿的估计以及场景的创建更加准确，且鲁棒性更强。
本发明实施例中，获取场景的彩色图和深度图，根据所述彩色图的第一帧提取第一特征点，构建第一特征点集，根据所述彩色图和所述深度图生成点云图，根据所述点云图的第一帧提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物，从所述的当前帧提取第二特征点，构建第二特征点集，以及，从所述当前帧的点云图中提取第二特征平面，构建第二特征平面集，将所述第二特征点与所述第一特征点匹配，确定所述第二特征点与所述第一特征点的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面与所述第一特征平面的匹配关系，根据所述第二特征点与所述第一特征点的匹配关系、所述第二特征平面与所述第二特征平面的匹配关系以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧，在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效，将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中，在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。由于只有在当前帧为关键帧时，才利用特征的匹配关系计算当前帧的位姿，因此，能够极大减少计算量和存储负载，从而提高场景重建的效率，也有利于扩展到对大范围室内场景的重建，并且，在场景重建之后还对重建的场景进行全局优化，进而得到优化后的场景，因此，使得在低纹理和纹理重复性很强的区域，也能保证对相机位姿的估计以及场景重建建更加准确和鲁棒。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2示出了本发明实施例提供的一种场景的三维重建装置的结构示意图，为了便于说明，仅示出了与本实施例相关的部分。
该场景的三维重建装置包括：彩色图和深度图获取单元21、第一特征提取单元22、点云图生成单元23、第二特征提取单元24、匹配关系确定单元25、关键帧判断单元26、初始相机位姿有效性判断单元27、地图的标志新增单元28、场景重建单元29。其中：
彩色图和深度图获取单元21，用于获取场景的彩色图和深度图。
第一特征提取单元22，用于根据第一帧的彩色图提取第一特征点，构建第一特征点集。
具体地，默认彩色图中的第一帧为该彩色图的关键帧。
点云图生成单元23，用于根据所述彩色图和所述深度图生成点云图，根据第一帧的点云图提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物。
第二特征提取单元24，用于从当前帧的彩色图提取第二特征点，构建第二特征点集，以及，从所述点云图中与所述当前帧的彩色图对应的点云提取第二特征平面，构建第二特征平面集。
具体地，从相机的第一帧开始，根据读取规则读取当前帧，其中，读取规则可设为：读取的下一帧至少与读取的上一帧间隔K1帧(该K1与RGB-D相机的帧率以及移动的速度有关，当RGB-D相机的帧率为30Hz时K1设置为10)。
匹配关系确定单元25，用于将所述第二特征点与所述第一特征点匹配，确定所述第二特征点集与所述第一特征点集的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面集与所述第一特征平面集的匹配关系。
其中，这里的第二特征点集与所述第一特征点集的匹配关系是指利用OpenCV库里面的最近邻算法特征描述符进行匹配得到对应的匹配关系，以判断第一特征点集是否存在与第二特征点匹配的第一特征点。第二特征平面与所述第一特征平面的匹配关系是通过暴力匹配的方向进行查找，因为RGB-D相机视角(<120°)和观测距离的有限(0.3m-5m),所以相邻关键帧的特征平面数量有限，故采用暴力匹配的方法一次比较潜在的所有平面，确定所述第二特征平面与所述第一特征平面的匹配关系。
关键帧判断单元26，用于根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系、以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧。
可选地，所述关键帧判断单元26包括：
间隔帧数判断模块，用于判断当前帧与上一个关键帧的间隔帧数是否大于预设的间隔帧数阈值。
其中，预设的间隔帧数阈值与RGB-D相机的帧率以及移动的速度有关。
特征点个数判断模块，用于在当前帧与上一个关键帧的间隔帧数大于预设的间隔帧数阈值时，根据第一特征点集中与第二特征点匹配的第一特征点的个数，和，第一特征平面集中与第二特征平面匹配的第一特征平面的个数，判断所述当前帧是否为关键帧。
具体地，通过判断当前帧与地图标志物的匹配关系中特征点和特征平面是否满足预设的条件来判断当前帧是否为关键帧，例如，判断第一特征点集中与第二特征点匹配的第一特征点的个数+预设特征平面阈值*第一特征平面集中与第二特征平面匹配的第一特征平面的个数是否超过预设的条件阈值，若是，则判定当前帧为关键帧，否则，判定当前帧不为关键帧。
初始相机位姿有效性判断单元27，用于在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效。
可选地，所述初始相机位姿有效性判断单元27，包括：
初始相机位姿预估模块，用于在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系预估所述当前帧的初始相机位姿，所述当前帧的初始相机位姿包括旋转矩阵和平移向量。具体地，假设其中，Po和Pl分别表示第一特征点集，第一特征平面集，Po'和Pl'分别表示当前帧上第二特征点集和第二特征平面集；
在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系确定下式：
其中，Rk表示旋转矩阵，tk表示平移向量，nj表示Pl中第j个第一特征平面的法向量，n'j表示Pl'中第j个第二特征平面的法向量，wj表示Pl中第j个平面的权重，“||||2”表示2-范数运算；对上式进行优化求解预估为关键帧的当前帧的初始相机位姿。
初始相机位姿比较模块，用于将所述当前帧的初始相机位姿与上一个关键帧的初始相机位姿比较，在所述当前帧的旋转矩阵与上一个关键帧的旋转矩阵的改变量小于预设的旋转矩阵阈值，且在所述当前帧的平移向量与上一个关键帧的平移向量的改变量小于预设的平移向量阈值时，判定所述当前帧的初始相机位姿有效，否则，判定所述当前帧的初始相机位姿无效。
地图的标志新增单元28，用于将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中。
其中，可将第一帧(RGB-D相机的每一帧就包括一张彩色图和对应的深度图)的相机位姿作为世界坐标系。
需要指出的是，当初始相机位姿没有预估出来时，表明特征点(或特征平面)追踪丢失，此时，需要重新提取特征点(或特征平面)，以实现特征点(或特征平面)的重定位。
场景重建单元29，用于在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。
可选地，所述场景重建单元29，包括：
优化模块，用于在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，将所有关键帧的有效初始相机位姿进行全局光速法平差，以减少所述所有关键帧的初始相机位姿的累计误差；
三维重建模块，用于将消除累计误差的所有关键帧的第二特征点和第二特征平面投影到世界坐标系上，得到所有关键帧的优化后的第一特征点集和新的第一特征平面集，根据所述优化后的第一特征点集和所述优化后的第一特征平面集创建地图，实现场景的三维重建。
其中，优化模块和三维重建模块的具体实现过程在上面已描述，此处不再赘述。
图3是本发明一实施例提供的一种终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个场景的三维重建方法实施例中的步骤，例如图1所示的步骤S11至S19。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至29功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割为彩色图和深度图获取单元、第一特征提取单元、点云图生成单元、第二特征提取单元、匹配关系确定单元、关键帧判断单元、初始相机位姿有效性判断单元、地图的标志新增单元、场景重建单元，各模块具体功能如下：
彩色图和深度图获取单元，用于获取场景的彩色图和深度图；
第一特征提取单元，用于根据第一帧的彩色图提取第一特征点，构建第一特征点集；
点云图生成单元，用于根据所述彩色图和所述深度图生成点云图，根据第一帧的点云图提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物；
第二特征提取单元，用于从当前帧的彩色图提取第二特征点，构建第二特征点集，以及，从所述点云图中与所述当前帧的彩色图对应的点云提取第二特征平面，构建第二特征平面集；
匹配关系确定单元，用于将所述第二特征点与所述第一特征点匹配，确定所述第二特征点集与所述第一特征点集的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面集与所述第一特征平面集的匹配关系；
关键帧判断单元，用于根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系、以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧。
初始相机位姿有效性判断单元，用于在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效；
地图的标志新增单元，用于将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中；
场景重建单元，用于在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备3可包括但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备3所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种场景的三维重建方法，其特征在于，包括：
获取场景的彩色图和深度图；
根据第一帧的彩色图提取第一特征点，构建第一特征点集；
根据所述彩色图和所述深度图生成点云图，根据第一帧的点云图提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物；
从当前帧的彩色图提取第二特征点，构建第二特征点集，以及，从所述点云图中与所述当前帧的彩色图对应的点云提取第二特征平面，构建第二特征平面集；
将所述第二特征点与所述第一特征点匹配，确定所述第二特征点集与所述第一特征点集的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面集与所述第一特征平面集的匹配关系；
根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系、以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧；
在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效；
将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中；
在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。
2.如权利要求1所述的场景的三维重建方法，其特征在于，所述根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧，具体包括：
判断当前帧与上一个关键帧的间隔帧数是否大于预设的间隔帧数阈值；
在当前帧与上一个关键帧的间隔帧数大于预设的间隔帧数阈值时，根据第一特征点集中与第二特征点匹配的第一特征点的个数，和，第一特征平面集中与第二特征平面匹配的第一特征平面的个数，判断所述当前帧是否为关键帧。
3.如权利要求1所述的场景的三维重建方法，其特征在于，所述在所述当前帧为关键帧时，判断为关键帧的当前帧的初始相机位姿是否有效，具体包括：
在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系预估所述当前帧的初始相机位姿，所述当前帧的初始相机位姿包括旋转矩阵和平移向量；
将所述当前帧的初始相机位姿与上一个关键帧的初始相机位姿比较，在所述当前帧的旋转矩阵与上一个关键帧的旋转矩阵的改变量小于预设的旋转矩阵阈值，且在所述当前帧的平移向量与上一个关键帧的平移向量的改变量小于预设的平移向量阈值时，判定所述当前帧的初始相机位姿有效，否则，判定所述当前帧的初始相机位姿无效。
4.如权利要求3所述的场景的三维重建方法，其特征在于，在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系预估所述当前帧的初始相机位姿，具体包括：
其中，Po和Pl分别表示第一特征点集，第一特征平面集，Po'和Pl'分别表示当前帧上第二特征点集和第二特征平面集；
在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系确定下式：
<mrow>
<mi>J</mi>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mrow>
<mo>{</mo>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>}</mo>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>p</mi>
<mo>&prime;</mo>
</msup>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中，Rk表示旋转矩阵，tk表示平移向量，nj表示Pl中第j个第一特征平面的法向量，n'j表示Pl'中第j个第二特征平面的法向量，wj表示Pl中第j个平面的权重，“||||2”表示2-范数运算；对上式进行优化求解预估为关键帧的当前帧的初始相机位姿。
5.如权利要求1至4任一项所述的场景的三维重建方法，其特征在于，所述在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建包括：
在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，将所有关键帧的有效初始相机位姿进行全局光速法平差，以减少所述所有关键帧的初始相机位姿的累计误差；
将消除累计误差的所有关键帧的第二特征点和第二特征平面投影到世界坐标系上，得到所有关键帧的优化后的第一特征点集和新的第一特征平面集，根据所述优化后的第一特征点集和所述优化后的第一特征平面集创建地图，实现场景的三维重建。
6.一种场景的三维重建装置，其特征在于，包括：
彩色图和深度图获取单元，用于获取场景的彩色图和深度图；
第一特征提取单元，用于根据第一帧的彩色图提取第一特征点，构建第一特征点集；
点云图生成单元，用于根据所述彩色图和所述深度图生成点云图，根据第一帧的点云图提取第一特征平面，构建第一特征平面集，所述第一特征点和第一特征平面组成地图的初始标志物；
第二特征提取单元，用于从当前帧的彩色图提取第二特征点，构建第二特征点集，以及，从所述点云图中与所述当前帧的彩色图对应的点云提取第二特征平面，构建第二特征平面集；
匹配关系确定单元，用于将所述第二特征点与所述第一特征点匹配，确定所述第二特征点集与所述第一特征点集的匹配关系，将第二特征平面与第一特征平面匹配，确定所述第二特征平面集与所述第一特征平面集的匹配关系；
关键帧判断单元，用于根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系、以及当前帧与上一个关键帧的间隔帧数判断所述当前帧是否为关键帧。
初始相机位姿有效性判断单元，用于在所述当前帧为关键帧时，判断所述当前帧的初始相机位姿是否有效；
地图的标志新增单元，用于将有效初始相机位姿的关键帧的第二特征点和第二特征平面投影到世界坐标系上，投影后的第二特征点作为新增的第一特征点加入到所述第一特征点集中，投影后的第二特征平面作为新增的第一特征平面加入到所述第一特征平面集中；
场景重建单元，用于在得到所述彩色图中所有关键帧的第一特征点和第一特征平面后，根据包括所有第一特征点和所有第一特征平面的地图的所有标志物创建地图，实现场景的三维重建。
7.如权利要求6所述的场景的三维重建装置，其特征在于，所述关键帧判断单元包括：
间隔帧数判断模块，用于判断当前帧与上一个关键帧的间隔帧数是否大于预设的间隔帧数阈值；
特征点个数判断模块，用于在当前帧与上一个关键帧的间隔帧数大于预设的间隔帧数阈值时，根据第一特征点集中与第二特征点匹配的第一特征点的个数，和，第一特征平面集中与第二特征平面匹配的第一特征平面的个数，判断所述当前帧是否为关键帧。
8.如权利要求6所述的场景的三维重建装置，其特征在于，所述初始相机位姿有效性判断单元，包括：
初始相机位姿预估模块，用于在所述当前帧为关键帧时，根据所述第二特征点集与所述第一特征点集的匹配关系、所述第二特征平面集与所述第一特征平面集的匹配关系预估所述当前帧的初始相机位姿，所述当前帧的初始相机位姿包括旋转矩阵和平移向量；
初始相机位姿比较模块，用于将所述当前帧的初始相机位姿与上一个关键帧的初始相机位姿比较，在所述当前帧的旋转矩阵与上一个关键帧的旋转矩阵的改变量小于预设的旋转矩阵阈值，且在所述当前帧的平移向量与上一个关键帧的平移向量的改变量小于预设的平移向量阈值时，判定所述当前帧的初始相机位姿有效，否则，判定所述当前帧的初始相机位姿无效。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710377951.4A CN107292949B (zh) | 2017-05-25 | 2017-05-25 | 场景的三维重建方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710377951.4A CN107292949B (zh) | 2017-05-25 | 2017-05-25 | 场景的三维重建方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292949A true CN107292949A (zh) | 2017-10-24 |
| CN107292949B CN107292949B (zh) | 2020-06-16 |
Family
ID=60095143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710377951.4A Active CN107292949B (zh) | 2017-05-25 | 2017-05-25 | 场景的三维重建方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292949B (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108124489A (zh) * | 2017-12-27 | 2018-06-05 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、装置、云处理设备以及计算机程序产品 |
| CN108564647A (zh) * | 2018-03-30 | 2018-09-21 | 王乐陶 | 一种建立虚拟三维地图的方法 |
| CN108805979A (zh) * | 2018-02-05 | 2018-11-13 | 清华-伯克利深圳学院筹备办公室 | 一种动态模型三维重建方法、装置、设备和存储介质 |
| CN108898661A (zh) * | 2018-05-31 | 2018-11-27 | 深圳先进技术研究院 | 三维图像构建的方法、装置及具有存储功能的装置 |
| CN108921895A (zh) * | 2018-06-12 | 2018-11-30 | 中国人民解放军军事科学院国防科技创新研究院 | 一种传感器相对位姿估计方法 |
| CN109410316A (zh) * | 2018-09-21 | 2019-03-01 | 深圳前海达闼云端智能科技有限公司 | 物体的三维重建的方法、跟踪方法、相关装置及存储介质 |
| CN109816769A (zh) * | 2017-11-21 | 2019-05-28 | 深圳市优必选科技有限公司 | 基于深度相机的场景地图生成方法、装置及设备 |
| CN109961505A (zh) * | 2019-03-13 | 2019-07-02 | 武汉零点视觉数字科技有限公司 | 一种古代墓室结构数字化重建系统 |
| CN110044353A (zh) * | 2019-03-14 | 2019-07-23 | 深圳先进技术研究院 | 一种飞行机构室内定位方法及定位系统 |
| CN110148167A (zh) * | 2019-04-17 | 2019-08-20 | 维沃移动通信有限公司 | 一种距离测量方法及终端设备 |
| CN110163095A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 回环检测方法、回环检测装置及终端设备 |
| CN110264818A (zh) * | 2019-06-18 | 2019-09-20 | 国家电网有限公司 | 一种基于增强现实的机组进水阀拆装训练方法 |
| CN110288710A (zh) * | 2019-06-26 | 2019-09-27 | Oppo广东移动通信有限公司 | 一种三维地图的处理方法、处理装置及终端设备 |
| CN110727265A (zh) * | 2018-06-28 | 2020-01-24 | 深圳市优必选科技有限公司 | 机器人重定位的方法、装置以及存储装置 |
| CN110910493A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
| CN110910483A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
| CN111105435A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 标志物匹配方法、装置及终端设备 |
| CN111098850A (zh) * | 2018-10-25 | 2020-05-05 | 北京初速度科技有限公司 | 一种自动停车辅助系统及自动泊车方法 |
| CN111311654A (zh) * | 2020-02-13 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种相机位置的配准方法、装置、电子设备及存储介质 |
| CN111351497A (zh) * | 2018-12-20 | 2020-06-30 | 北京初速度科技有限公司 | 一种车辆的定位方法、装置、地图的构建方法和装置 |
| CN111709973A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103247075A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于变分机制的室内环境三维重建方法 |
| CN103413322A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 序列视频关键帧提取方法 |
| US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
| CN105678842A (zh) * | 2016-01-11 | 2016-06-15 | 湖南拓视觉信息技术有限公司 | 室内环境三维地图制作方法及装置 |
| CN105809681A (zh) * | 2016-03-04 | 2016-07-27 | 清华大学 | 基于单相机的人体rgb-d数据恢复与三维重建方法 |
| CN105913489A (zh) * | 2016-04-19 | 2016-08-31 | 东北大学 | 一种利用平面特征的室内三维场景重构方法 |
| CN106384383A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 一种基于fast和freak特征匹配算法的rgb‑d和slam场景重建方法 |
-
2017
- 2017-05-25 CN CN201710377951.4A patent/CN107292949B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103247075A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于变分机制的室内环境三维重建方法 |
| CN103413322A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 序列视频关键帧提取方法 |
| US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
| CN105678842A (zh) * | 2016-01-11 | 2016-06-15 | 湖南拓视觉信息技术有限公司 | 室内环境三维地图制作方法及装置 |
| CN105809681A (zh) * | 2016-03-04 | 2016-07-27 | 清华大学 | 基于单相机的人体rgb-d数据恢复与三维重建方法 |
| CN105913489A (zh) * | 2016-04-19 | 2016-08-31 | 东北大学 | 一种利用平面特征的室内三维场景重构方法 |
| CN106384383A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 一种基于fast和freak特征匹配算法的rgb‑d和slam场景重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| ANKUR HANDA等: "《A benchmark for RGB-D visual odometry, 3D reconstruction and SLAM》", 《2014 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
| KAICHANG DI等: "《RGB-D SLAM Based on Extended Bundle Adjustment with 2D and 3D Information》", 《SENSORS》 * |
| 权美香等: "《视觉SLAM综述》", 《智能系统学报》 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816769A (zh) * | 2017-11-21 | 2019-05-28 | 深圳市优必选科技有限公司 | 基于深度相机的场景地图生成方法、装置及设备 |
| CN108124489A (zh) * | 2017-12-27 | 2018-06-05 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、装置、云处理设备以及计算机程序产品 |
| CN108805979B (zh) * | 2018-02-05 | 2021-06-29 | 清华-伯克利深圳学院筹备办公室 | 一种动态模型三维重建方法、装置、设备和存储介质 |
| CN108805979A (zh) * | 2018-02-05 | 2018-11-13 | 清华-伯克利深圳学院筹备办公室 | 一种动态模型三维重建方法、装置、设备和存储介质 |
| CN108564647B (zh) * | 2018-03-30 | 2019-08-30 | 王乐陶 | 一种建立虚拟三维地图的方法 |
| CN108564647A (zh) * | 2018-03-30 | 2018-09-21 | 王乐陶 | 一种建立虚拟三维地图的方法 |
| CN108898661A (zh) * | 2018-05-31 | 2018-11-27 | 深圳先进技术研究院 | 三维图像构建的方法、装置及具有存储功能的装置 |
| CN108921895A (zh) * | 2018-06-12 | 2018-11-30 | 中国人民解放军军事科学院国防科技创新研究院 | 一种传感器相对位姿估计方法 |
| CN108921895B (zh) * | 2018-06-12 | 2021-03-02 | 中国人民解放军军事科学院国防科技创新研究院 | 一种传感器相对位姿估计方法 |
| CN110727265A (zh) * | 2018-06-28 | 2020-01-24 | 深圳市优必选科技有限公司 | 机器人重定位的方法、装置以及存储装置 |
| CN109410316A (zh) * | 2018-09-21 | 2019-03-01 | 深圳前海达闼云端智能科技有限公司 | 物体的三维重建的方法、跟踪方法、相关装置及存储介质 |
| CN111105435B (zh) * | 2018-10-25 | 2023-09-29 | 北京嘀嘀无限科技发展有限公司 | 标志物匹配方法、装置及终端设备 |
| CN111105435A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 标志物匹配方法、装置及终端设备 |
| CN111098850A (zh) * | 2018-10-25 | 2020-05-05 | 北京初速度科技有限公司 | 一种自动停车辅助系统及自动泊车方法 |
| CN111351497B (zh) * | 2018-12-20 | 2022-06-03 | 北京魔门塔科技有限公司 | 一种车辆的定位方法、装置、地图的构建方法和装置 |
| CN111351497A (zh) * | 2018-12-20 | 2020-06-30 | 北京初速度科技有限公司 | 一种车辆的定位方法、装置、地图的构建方法和装置 |
| CN109961505A (zh) * | 2019-03-13 | 2019-07-02 | 武汉零点视觉数字科技有限公司 | 一种古代墓室结构数字化重建系统 |
| CN110044353A (zh) * | 2019-03-14 | 2019-07-23 | 深圳先进技术研究院 | 一种飞行机构室内定位方法及定位系统 |
| CN110044353B (zh) * | 2019-03-14 | 2022-12-20 | 深圳先进技术研究院 | 一种飞行机构室内定位方法及定位系统 |
| CN110163095A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 回环检测方法、回环检测装置及终端设备 |
| CN110148167A (zh) * | 2019-04-17 | 2019-08-20 | 维沃移动通信有限公司 | 一种距离测量方法及终端设备 |
| CN110264818A (zh) * | 2019-06-18 | 2019-09-20 | 国家电网有限公司 | 一种基于增强现实的机组进水阀拆装训练方法 |
| CN110264818B (zh) * | 2019-06-18 | 2021-08-24 | 国家电网有限公司 | 一种基于增强现实的机组进水阀拆装训练方法 |
| CN110288710A (zh) * | 2019-06-26 | 2019-09-27 | Oppo广东移动通信有限公司 | 一种三维地图的处理方法、处理装置及终端设备 |
| CN110288710B (zh) * | 2019-06-26 | 2023-04-07 | Oppo广东移动通信有限公司 | 一种三维地图的处理方法、处理装置及终端设备 |
| CN110910483B (zh) * | 2019-11-29 | 2021-05-14 | 广州极飞科技股份有限公司 | 三维重建方法、装置及电子设备 |
| CN110910483A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
| CN110910493A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
| CN111311654A (zh) * | 2020-02-13 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种相机位置的配准方法、装置、电子设备及存储介质 |
| CN111311654B (zh) * | 2020-02-13 | 2023-11-24 | 北京百度网讯科技有限公司 | 一种相机位置的配准方法、装置、电子设备及存储介质 |
| CN111709973A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、设备及存储介质 |
| CN111709973B (zh) * | 2020-06-16 | 2024-02-20 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292949B (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292949A (zh) | 场景的三维重建方法、装置及终端设备 | |
| Concha et al. | Using superpixels in monocular SLAM | |
| Yang et al. | Multi-camera visual SLAM for off-road navigation | |
| Luo et al. | Real-time dense monocular SLAM with online adapted depth prediction network | |
| WO2018214086A1 (zh) | 场景的三维重建方法、装置及终端设备 | |
| WO2022150904A1 (en) | System and method of hybrid scene representation for visual simultaneous localization and mapping | |
| CN104167000B (zh) | 一种仿射不变的宽基线图像密集匹配方法 | |
| Chen et al. | SAANet: Spatial adaptive alignment network for object detection in automatic driving | |
| Cao et al. | Parallel K nearest neighbor matching for 3D reconstruction | |
| Mehralian et al. | EKFPnP: extended Kalman filter for camera pose estimation in a sequence of images | |
| Li et al. | A SLAM system based on RGBD image and point-line feature | |
| Guo et al. | Line-based 3d building abstraction and polygonal surface reconstruction from images | |
| Wu et al. | Direct sparse odometry with planes | |
| Goldman et al. | Robust epipolar geometry estimation using noisy pose priors | |
| Samadi et al. | A new fast and robust stereo matching algorithm for robotic systems | |
| Bhayani et al. | Partially calibrated semi-generalized pose from hybrid point correspondences | |
| Steffen et al. | Relative bundle adjustment based on trifocal constraints | |
| Mu et al. | Visual navigation features selection algorithm based on instance segmentation in dynamic environment | |
| Cui et al. | MCSfM: Multi-Camera-Based Incremental Structure-From-Motion | |
| Diao et al. | Orb-slam2s: A fast orb-slam2 system with sparse optical flow tracking | |
| Ershov et al. | Stereovision algorithms applicability investigation for motion parallax of monocular camera case | |
| Bignoli et al. | Multi-view stereo 3D edge reconstruction | |
| Ming et al. | A real-time monocular visual SLAM based on the bundle adjustment with adaptive robust kernel | |
| Li et al. | Monocular SLAM using probabilistic combination of point and line features | |
| Liu et al. | Online object-level SLAM with dual bundle adjustment |
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 |