CN108389221A - 三维图像的扫描方法及系统 - Google Patents
三维图像的扫描方法及系统 Download PDFInfo
- Publication number
- CN108389221A CN108389221A CN201810087905.5A CN201810087905A CN108389221A CN 108389221 A CN108389221 A CN 108389221A CN 201810087905 A CN201810087905 A CN 201810087905A CN 108389221 A CN108389221 A CN 108389221A
- Authority
- CN
- China
- Prior art keywords
- image
- scan
- extraction
- module
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 100
- 230000009466 transformation Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 33
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 31
- 230000008901 benefit Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 7
- 238000010408 sweeping Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及三维测量技术领域，公开了一种三维图像的扫描方法及系统。所述三维图像的扫描方法，包括：实时获取扫描图像，并计算所有扫描图像的特征向量；当扫描中断而进行补扫时，计算当前图像的特征向量；将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数；提取匹配分数最低的N个特征向量对应的扫描图像；根据二维图像坐标判断提取的扫描图像是否匹配当前图像；以及当判断提取的扫描图像匹配当前图像时，根据提取的扫描图像位置进行补扫。本发明将三维图像匹配转换为二维图像匹配，可实时、高精度地匹配海量三维点云数据，提升了三维图像扫描的精确度、工作效率和用户体验。
Description
技术领域
本发明涉及三维测量技术领域，尤其涉及一种三维图像的扫描方法及系统。
背景技术
在三维测量技术领域中，经常需要通过反复补扫来进行三维图像云数据的数字化建模。现有的三维点云数据的匹配补扫需要计算和匹配海量的三维特征数据，由于数据量巨大导致计算匹配过程繁琐耗时，无法满足实时需求，且由于点云质量和噪声因素影响导致计算匹配精确度不高，影响三维图像扫描的精确度、工作效率和用户体验。
发明内容
鉴于此，本发明提供一种三维图像的扫描方法及系统，解决现有三维图像扫描的精确度、工作效率和用户体验不佳的技术问题。
根据本发明的一个实施例，提供一种三维图像的扫描方法，包括：实时获取扫描图像，并计算所有扫描图像的特征向量；当扫描中断而进行补扫时，计算当前图像的特征向量；将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数；提取匹配分数最低的N个特征向量对应的扫描图像；根据二维图像坐标判断提取的扫描图像是否匹配当前图像；以及当判断提取的扫描图像匹配当前图像时，根据提取的扫描图像位置进行补扫。
优选的，所述根据二维图像坐标判断提取的扫描图像是否匹配当前图像，包括：计算当前图像与提取的扫描图像的仿射变换矩阵；根据计算的仿射变换矩阵将当前图像的特征点坐标转换为提取的扫描图像坐标系下的特征点坐标；计算转换后当前图像的特征点坐标与提取的扫描图像的特征点坐标之间的欧氏距离；以及根据计算的欧氏距离判断提取的扫描图像是否匹配当前图像。
优选的，所述三维图像的扫描方法，还包括：根据提取的扫描图像位置、计算的仿射变换矩阵和所有的扫描图像生成三维图像数据。
优选的，在所述根据提取的扫描图像位置进行补扫之后，还包括：根据迭代最近点算法对补扫前和补扫后的扫描图像进行三维点云配准处理。
优选的，所述将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数，还包括：分配和调取GPU资源进行均方差匹配处理。
根据本发明的另一个实施例，还提供一种三维图像的扫描系统，包括：图像获取计算模块，用于实时获取扫描图像，并计算所有扫描图像的特征向量；当前图像计算模块，用于当扫描中断而进行补扫时，计算当前图像的特征向量；匹配模块，用于将所述当前图像计算模块计算的当前图像的特征向量与所述图像获取计算模块计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数；提取模块，用于提取所述匹配模块匹配分数最低的N个特征向量对应的扫描图像；判断模块，用于根据二维图像坐标判断所述提取模块提取的扫描图像是否匹配当前图像；以及补扫模块，用于当所述判断模块判断所述提取模块提取的扫描图像匹配当前图像时，根据所述提取模块提取的扫描图像位置进行补扫。
优选的，所述判断模块包括：仿射变换矩阵计算单元，计算当前图像与提取的扫描图像的仿射变换矩阵；坐标转换单元，用于根据所述仿射变换矩阵计算单元计算的仿射变换矩阵将当前图像的特征点坐标转换为所述提取模块提取的扫描图像坐标系下的特征点坐标；欧氏距离计算单元，用于计算所述坐标转换单元转换后当前图像的特征点坐标与所述提取模块提取的扫描图像的特征点坐标之间的欧氏距离；以及匹配判断单元，用于根据所述欧氏距离计算单元计算的欧氏距离判断所述提取模块提取的扫描图像是否匹配当前图像。
优选的，所述三维图像的扫描系统还包括三维图像数据生成模块，用于根据所述提取模块提取的扫描图像位置、所述仿射变换矩阵计算单元计算的仿射变换矩阵和所有的扫描图像生成三维图像数据。
优选的，所述三维图像的扫描系统还包括三维点云配准处理模块，用于根据迭代最近点算法对所述补扫模块补扫前和补扫后的扫描图像进行三维点云配准处理。
优选的，所述三维图像的扫描系统还包括GPU分配调取模块，用于分配和调取GPU资源进行均方差匹配处理。
本发明提供的三维图像的扫描方法及系统，实时获取扫描图像并计算所有扫描图像的特征向量，当扫描中断而进行补扫时计算当前图像的特征向量，将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配以获取匹配分数，提取匹配分数最低的N个特征向量对应的扫描图像，根据二维图像坐标判断提取的扫描图像是否匹配当前图像，当判断提取的扫描图像匹配当前图像时，根据提取的扫描图像位置进行补扫，利用二维图像和三维图像间的映射关系，将三维图像匹配转换为二维图像匹配，相比传统通过三维点云的特征匹配方式，可实时、高精度地匹配海量三维点云数据，提升了三维图像扫描的精确度、工作效率和用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例中三维图像的扫描方法的流程示意图。
图2为本发明一个实施例中判断提取的扫描图像是否匹配当前图像的流程示意图。
图3为本发明另一个实施例中三维图像的扫描方法的流程示意图。
图4为本发明一个实施例中三维图像的扫描系统的结构示意图。
图5为本发明一个实施例中判断模块的结构示意图。
图6为本发明另一个实施例中三维图像的扫描系统的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以结合具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
图1为本发明一个实施例中三维图像的扫描方法的流程示意图。如图所示，所述三维图像的扫描方法，包括：
步骤S101：实时获取扫描图像，并计算所有扫描图像的特征向量。
在本实施例中，在进行三维图像扫描时，可通过CCD或CMOS图像传感器设备实时扫描采集对象的二维图像，进而从图像图传感器设备实时获取扫描图像，并通过预设的图像特征提取算法比如FAST、Harris、BRIEF等算法从扫描图像中提取特征点和描述算子，进而计算出所有扫描图像的特征向量。
步骤S102：当扫描中断而进行补扫时，计算当前图像的特征向量。
当单次扫描由于特殊原因中断时会留下当前图像，继续补扫就需要精确定位到先前扫描到的位置。在本实施例中，同样通过预设的图像特征提取算法比如FAST、Harris、BRIEF等算法从当前图像中提取特征点和描述算子，进而计算出当前图像的特征向量。
步骤S103：将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数。
在本实施例中，将计算的当前图像的特征向量与计算的所有扫描图像的特征向量的欧式距离进行均方差匹配，以获取匹配分数。匹配分数越低，表明对应的扫描图像与当前图像相似度越高；相反地，匹配分数越高，表明对应的扫描图像与当前图像相似度越低。即可通过两者的特征向量的均方差匹配分数，获知对应的扫描图像与当前图像相似度，以便后续提取相似度较高的扫描图像。在一些实施例中，还可根据匹配数据量和可用GPU资源，灵活地分配和调取GPU资源进行均方差匹配处理，提升匹配处理的工作效率。
步骤S104：提取匹配分数最低的N个特征向量对应的扫描图像。
在进行均方差匹配而获取匹配分数后，提取匹配分数最低的N个特征向量对应的扫描图像，即从众多的扫描图像中提取到与当前图像相似度较高的N个扫描图像，以便后续针对性地对提取的相似度较高的扫描图像进行分析判断，提升了三维图像扫描的工作效率。
步骤S105：根据二维图像坐标判断提取的扫描图像是否匹配当前图像。
在本实施例中，在针对性地提取到相似度较高的扫描图像后，根据二维图像坐标判断提取的扫描图像是否匹配当前图像。具体的，参见图2，所述根据二维图像坐标判断提取的扫描图像是否匹配当前图像，包括：
步骤S201：计算当前图像与提取的扫描图像的仿射变换矩阵。
步骤S202：根据计算的仿射变换矩阵将当前图像的特征点坐标转换为提取的扫描图像坐标系下的特征点坐标。
步骤S203：计算转换后当前图像的特征点坐标与提取的扫描图像的特征点坐标之间的欧氏距离。
步骤204：根据计算的欧氏距离判断提取的扫描图像是否匹配当前图像。
在本实施例中，首先根据图形处理算法计算当前图像与提取的扫描图像的仿射变换矩阵，根据计算的仿射变换矩阵将当前图像的特征点坐标转换为提取的扫描图像坐标系下的特征点坐标，然后计算转换后当前图像的特征点坐标与提取的扫描图像的特征点坐标之间的欧氏距离，最终根据计算的欧氏距离判断提取的扫描图像是否匹配当前图像，根据三维图像和二维图像的映射关系将当前图像特征点坐标转换为二维图像特征点坐标而进行图像匹配，当计算到两者间的欧式距离超过预设阈值时，判定提取的扫描图像匹配当前图像，进而获取提取的扫描图像的组数ID和仿射变换矩阵，即方便快捷地定位到先前扫描到的准确位置，相比传统通过三维点云的特征匹配方式，可实时、高精度地匹配海量三维点云数据，提升了三维图像扫描的工作效率和用户体验。
步骤S106：当判断提取的扫描图像匹配当前图像时，根据提取的扫描图像位置进行补扫。
在判断提取的扫描图像匹配当前图像时，根据获取的扫描图像的组数ID和仿射变换矩阵精确地定位到先前扫描到的准确位置而进行连续补扫，利用二维图像和三维图像间的映射关系，将三维图像匹配转换为二维图像匹配，相比传统通过三维点云的特征匹配方式，可实时、高精度地匹配海量三维点云数据，提升了图像匹配的精确度、工作效率和用户体验。
图3为本发明另一个实施例中三维图像的扫描方法的流程示意图。如图所示，所述三维图像的扫描方法，包括：
步骤S301：实时获取扫描图像，并计算所有扫描图像的特征向量。
步骤S302：当扫描中断而进行补扫时，计算当前图像的特征向量。
步骤S303：将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数。
步骤S304：提取匹配分数最低的N个特征向量对应的扫描图像。
步骤S305：根据二维图像坐标判断提取的扫描图像是否匹配当前图像。
步骤S306：当判断提取的扫描图像匹配当前图像时，根据提取的扫描图像位置进行补扫。
步骤S307：根据迭代最近点算法对补扫前和补扫后的扫描图像进行三维点云配准处理。
在本实施例中，在上述实施例精确地定位到先前扫描到的准确位置而进行连续补扫的基础上，进一步根据提取的扫描图像位置、计算的仿射变换矩阵和所有的扫描图像生成三维图像数据，然后根据Kd-Tree迭代最近点算法(ICP)对补扫前和补扫后的扫描图像进行三维点云配准处理，实现了三维图像的连续快速扫描，提升了三维图像扫描的精确度、工作效率和用户体验。
图4为本发明一个实施例中三维图像的扫描系统的结构示意图。如图所示，在上述方法实施例的基础上，本实施例提供的三维图像的扫描系统100包括图像获取计算模块10、当前图像计算模块20、匹配模块30、提取模块40、判断模块50和补扫模块60。
在本实施例中，在进行三维图像扫描时，可通过CCD或CMOS图像传感器设备实时扫描采集对象的二维图像，所述图像获取计算模块10可从图像图传感器设备实时获取扫描图像，并通过预设的图像特征提取算法比如FAST、Harris、BRIEF等算法从扫描图像中提取特征点和描述算子，进而计算出所有扫描图像的特征向量。
当单次扫描由于特殊原因中断时会留下当前图像，继续补扫就需要精确定位到先前扫描到的位置。在本实施例中，所述当前图像计算模块20同样通过预设的图像特征提取算法比如FAST、Harris、BRIEF等算法从当前图像中提取特征点和描述算子，进而计算出当前图像的特征向量。
在本实施例中，所述匹配模块30将所述当前图像计算模块20计算的当前图像的特征向量与所述图像获取计算模块10计算的所有扫描图像的特征向量的欧式距离进行均方差匹配，以获取匹配分数。所述匹配模块30匹配分数越低，表明对应的扫描图像与当前图像相似度越高；相反地，所述匹配模块30匹配分数越高，表明对应的扫描图像与当前图像相似度越低。所述匹配模块30即可通过两者的特征向量的均方差匹配分数，获知对应的扫描图像与当前图像相似度，以便后续提取相似度较高的扫描图像。在一些实施例中，所述三维图像的扫描系统100还进一步设置有GPU分配调取模块，可根据匹配数据量和可用GPU资源，灵活地分配和调取GPU资源进行均方差匹配处理，提升匹配处理的工作效率。
在所述匹配模块30进行均方差匹配而获取匹配分数后，所述提取模块40提取所述匹配模块30匹配分数最低的N个特征向量对应的扫描图像，即从众多的扫描图像中提取到与当前图像相似度较高的N个扫描图像，以便后续所述判断模块50针对性地对提取的相似度较高的扫描图像进行分析判断，提升了三维图像扫描的工作效率。
在本实施例中，在所述提取模块40针对性地提取到相似度较高的扫描图像后，所述判断模块50根据二维图像坐标判断提取的扫描图像是否匹配当前图像。具体的，参见图5，所述判断模块50包括仿射变换矩阵计算单元501、坐标转换单元502、欧氏距离计算单元503和匹配判断单元504。
在本实施例中，所述仿射变换矩阵计算单元501根据图形处理算法计算当前图像与所述提取模块40提取的扫描图像的仿射变换矩阵，所述坐标转换单元502根据所述仿射变换矩阵计算单元501计算的仿射变换矩阵将当前图像的特征点坐标转换为所述提取模块40提取的扫描图像坐标系下的特征点坐标，然后所述欧氏距离计算单元503计算所述坐标转换单元502转换后当前图像的特征点坐标与所述提取模块40提取的扫描图像的特征点坐标之间的欧氏距离，最终所述匹配判断单元504根据所述欧氏距离计算单元503计算的欧氏距离判断所述提取模块40提取的扫描图像是否匹配当前图像，根据三维图像和二维图像的映射关系将当前图像特征点坐标转换为二维图像特征点坐标而进行图像匹配，当所述欧氏距离计算单元503计算到两者间的欧式距离超过预设阈值时，所述匹配判断单元504判定所述提取模块40提取的扫描图像匹配当前图像，进而获取提取的扫描图像的组数ID和仿射变换矩阵，即方便快捷地定位到先前扫描到的准确位置，相比传统通过三维点云的特征匹配方式，可实时、高精度地匹配海量三维点云数据，提升了三维图像扫描的工作效率和用户体验。
在所述判断模块50判断所述提取模块40提取的扫描图像匹配当前图像时，所述补扫模块60根据获取的扫描图像的组数ID和仿射变换矩阵精确地定位到先前扫描到的准确位置而进行连续补扫，利用二维图像和三维图像间的映射关系，将三维图像匹配转换为二维图像匹配，相比传统通过三维点云的特征匹配方式，可实时、高精度地匹配海量三维点云数据，提升了图像匹配的精确度、工作效率和用户体验。
图6为本发明另一个实施例中三维图像的扫描系统的结构示意图。如图所示，所述三维图像的扫描系统100包括图像获取计算模块10、当前图像计算模块20、匹配模块30、提取模块40、判断模块50、补扫模块60和三维点云配准处理模块70。
在本实施例中，在上述实施例的补扫模块60精确地定位到先前扫描到的准确位置而进行连续补扫的基础上，三维图像数据生成模块进一步根据所述补扫模块60提取的扫描图像位置、所述判断模块50计算的仿射变换矩阵和所有的扫描图像生成三维图像数据，所述三维点云配准处理模块70根据Kd-Tree迭代最近点算法(ICP)对所述补扫模块60补扫前和补扫后的扫描图像进行三维点云配准处理，实现了三维图像的连续快速扫描，提升了三维图像扫描的精确度、工作效率和用户体验。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种三维图像的扫描方法，其特征在于，包括：
实时获取扫描图像，并计算所有扫描图像的特征向量；
当扫描中断而进行补扫时，计算当前图像的特征向量；
将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数；
提取匹配分数最低的N个特征向量对应的扫描图像；
根据二维图像坐标判断提取的扫描图像是否匹配当前图像；以及
当判断提取的扫描图像匹配当前图像时，根据提取的扫描图像位置进行补扫。
2.根据权利要求1所述的三维图像的扫描方法，其特征在于，所述根据二维图像坐标判断提取的扫描图像是否匹配当前图像，包括：
计算当前图像与提取的扫描图像的仿射变换矩阵；
根据计算的仿射变换矩阵将当前图像的特征点坐标转换为提取的扫描图像坐标系下的特征点坐标；
计算转换后当前图像的特征点坐标与提取的扫描图像的特征点坐标之间的欧氏距离；以及
根据计算的欧氏距离判断提取的扫描图像是否匹配当前图像。
3.根据权利要求2所述的三维图像的扫描方法，其特征在于，还包括：
根据提取的扫描图像位置、计算的仿射变换矩阵和所有的扫描图像生成三维图像数据。
4.根据权利要求1所述的三维图像的扫描方法，其特征在于，在所述根据提取的扫描图像位置进行补扫之后，还包括：
根据迭代最近点算法对补扫前和补扫后的扫描图像进行三维点云配准处理。
5.根据权利要求1所述的三维图像的扫描方法，其特征在于，所述将计算的当前图像的特征向量与计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数，还包括：
分配和调取GPU资源进行均方差匹配处理。
6.一种三维图像的扫描系统，其特征在于，包括：
图像获取计算模块，用于实时获取扫描图像，并计算所有扫描图像的特征向量；
当前图像计算模块，用于当扫描中断而进行补扫时，计算当前图像的特征向量；
匹配模块，用于将所述当前图像计算模块计算的当前图像的特征向量与所述图像获取计算模块计算的所有扫描图像的特征向量进行均方差匹配，以获取匹配分数；
提取模块，用于提取所述匹配模块匹配分数最低的N个特征向量对应的扫描图像；
判断模块，用于根据二维图像坐标判断所述提取模块提取的扫描图像是否匹配当前图像；以及
补扫模块，用于当所述判断模块判断所述提取模块提取的扫描图像匹配当前图像时，根据所述提取模块提取的扫描图像位置进行补扫。
7.根据权利要求6所述的三维图像的扫描系统，其特征在于，所述判断模块包括：
仿射变换矩阵计算单元，计算当前图像与提取的扫描图像的仿射变换矩阵；
坐标转换单元，用于根据所述仿射变换矩阵计算单元计算的仿射变换矩阵将当前图像的特征点坐标转换为所述提取模块提取的扫描图像坐标系下的特征点坐标；
欧氏距离计算单元，用于计算所述坐标转换单元转换后当前图像的特征点坐标与所述提取模块提取的扫描图像的特征点坐标之间的欧氏距离；以及
匹配判断单元，用于根据所述欧氏距离计算单元计算的欧氏距离判断所述提取模块提取的扫描图像是否匹配当前图像。
8.根据权利要求7所述的三维图像的扫描系统，其特征在于，还包括三维图像数据生成模块，用于根据所述提取模块提取的扫描图像位置、所述仿射变换矩阵计算单元计算的仿射变换矩阵和所有的扫描图像生成三维图像数据。
9.根据权利要求6所述的三维图像的扫描系统，其特征在于，还包括三维点云配准处理模块，用于根据迭代最近点算法对所述补扫模块补扫前和补扫后的扫描图像进行三维点云配准处理。
10.根据权利要求6所述的三维图像的扫描系统，其特征在于，还包括GPU分配调取模块，用于分配和调取GPU资源进行均方差匹配处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810087905.5A CN108389221B (zh) | 2018-01-30 | 2018-01-30 | 三维图像的扫描方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810087905.5A CN108389221B (zh) | 2018-01-30 | 2018-01-30 | 三维图像的扫描方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108389221A true CN108389221A (zh) | 2018-08-10 |
| CN108389221B CN108389221B (zh) | 2021-10-01 |
Family
ID=63074083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810087905.5A Active CN108389221B (zh) | 2018-01-30 | 2018-01-30 | 三维图像的扫描方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108389221B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113140031A (zh) * | 2020-01-20 | 2021-07-20 | 苏州佳世达光电有限公司 | 三维影像建模系统、方法及应用其的口腔扫描设备 |
| CN115272493A (zh) * | 2022-09-20 | 2022-11-01 | 之江实验室 | 一种基于连续时序点云叠加的异常目标检测方法及装置 |
| CN117644085A (zh) * | 2024-01-29 | 2024-03-05 | 山东乾通重工科技有限公司 | 一种电动车生产后喷气清洁装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040001620A1 (en) * | 2002-06-26 | 2004-01-01 | Moore Ronald W. | Apparatus and method for point cloud assembly |
| CN101401725A (zh) * | 2007-09-27 | 2009-04-08 | 西门子公司 | 使用混合成像系统的患者治疗 |
| CN105302874A (zh) * | 2015-10-09 | 2016-02-03 | 苏州盛景信息科技股份有限公司 | 基于地理云数据的空间匹配方法 |
| CN107392845A (zh) * | 2017-07-31 | 2017-11-24 | 芜湖微云机器人有限公司 | 一种3d点云成像及定位的方法 |
-
2018
- 2018-01-30 CN CN201810087905.5A patent/CN108389221B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040001620A1 (en) * | 2002-06-26 | 2004-01-01 | Moore Ronald W. | Apparatus and method for point cloud assembly |
| CN101401725A (zh) * | 2007-09-27 | 2009-04-08 | 西门子公司 | 使用混合成像系统的患者治疗 |
| CN105302874A (zh) * | 2015-10-09 | 2016-02-03 | 苏州盛景信息科技股份有限公司 | 基于地理云数据的空间匹配方法 |
| CN107392845A (zh) * | 2017-07-31 | 2017-11-24 | 芜湖微云机器人有限公司 | 一种3d点云成像及定位的方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHANG YI，ET AL: "《Research on error propagation of point cloud registration》", 《2012 CSAE》 * |
| 张佰春: "《条纹投影三维测量的若干关键技术的研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 苏霁清: "《CBCT在鼻咽癌调强放疗不同配准部位获得的摆位误差差异研究》", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113140031A (zh) * | 2020-01-20 | 2021-07-20 | 苏州佳世达光电有限公司 | 三维影像建模系统、方法及应用其的口腔扫描设备 |
| CN113140031B (zh) * | 2020-01-20 | 2024-04-19 | 苏州佳世达光电有限公司 | 三维影像建模系统、方法及应用其的口腔扫描设备 |
| CN115272493A (zh) * | 2022-09-20 | 2022-11-01 | 之江实验室 | 一种基于连续时序点云叠加的异常目标检测方法及装置 |
| CN115272493B (zh) * | 2022-09-20 | 2022-12-27 | 之江实验室 | 一种基于连续时序点云叠加的异常目标检测方法及装置 |
| CN117644085A (zh) * | 2024-01-29 | 2024-03-05 | 山东乾通重工科技有限公司 | 一种电动车生产后喷气清洁装置 |
| CN117644085B (zh) * | 2024-01-29 | 2024-04-09 | 山东乾通重工科技有限公司 | 一种电动车生产后喷气清洁装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108389221B (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179324B (zh) | 基于颜色和深度信息融合的物体六自由度位姿估计方法 | |
| JP5548482B2 (ja) | 位置姿勢計測装置、位置姿勢計測方法、プログラム及び記憶媒体 | |
| CN107440810B (zh) | 牙齿类型判断程序、牙齿类型位置判断装置及其方法 | |
| US8792726B2 (en) | Geometric feature extracting device, geometric feature extracting method, storage medium, three-dimensional measurement apparatus, and object recognition apparatus | |
| US11017210B2 (en) | Image processing apparatus and method | |
| US20110235897A1 (en) | Device and process for three-dimensional localization and pose estimation using stereo image, and computer-readable storage medium storing the program thereof | |
| CN108389221A (zh) | 三维图像的扫描方法及系统 | |
| JP2016128810A (ja) | 奥行きカメラを校正する方法 | |
| JP2015041381A (ja) | 移動物体検出方法及びシステム | |
| JP2011179907A (ja) | 位置姿勢計測装置、位置姿勢計測方法およびプログラム | |
| JP2010121999A (ja) | ３次元モデルの作成方法および物体認識装置 | |
| CN109740659B (zh) | 一种图像匹配方法及装置、电子设备、存储介质 | |
| JP2012123667A (ja) | 姿勢推定装置および姿勢推定方法 | |
| JP2011134012A (ja) | 画像処理装置、その画像処理方法及びプログラム | |
| JP2019057227A (ja) | テンプレート作成装置、物体認識処理装置、テンプレート作成方法及びプログラム | |
| CN111696130A (zh) | 目标跟踪方法、目标跟踪装置及计算机可读存储介质 | |
| CN109711321A (zh) | 一种结构自适应的宽基线影像视角不变直线特征匹配方法 | |
| CN103577792A (zh) | 用于估计人体姿势的设备和方法 | |
| JP5704909B2 (ja) | 注目領域検出方法、注目領域検出装置、及びプログラム | |
| Möls et al. | Highly parallelizable plane extraction for organized point clouds using spherical convex hulls | |
| JP7186821B2 (ja) | 配筋検査装置、配筋検査方法およびプログラム | |
| Kawashima et al. | Automatic recognition of piping system from laser scanned point clouds using normal-based region growing | |
| CN114694263A (zh) | 动作识别方法、装置、设备及存储介质 | |
| KR101126415B1 (ko) | 모바일 기기에서의 증강공간 제공 가속 장치 | |
| Niu et al. | Clustering analysis for secondary breaking using a low-cost time-of-flight camera |
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 |