CN108447116A - 基于视觉slam的三维场景重建方法和装置 - Google Patents

基于视觉slam的三维场景重建方法和装置 Download PDF

Info

Publication number
CN108447116A
CN108447116A CN201810150119.5A CN201810150119A CN108447116A CN 108447116 A CN108447116 A CN 108447116A CN 201810150119 A CN201810150119 A CN 201810150119A CN 108447116 A CN108447116 A CN 108447116A
Authority
CN
China
Prior art keywords
module
reconstruction
algorithms
point cloud
cloud
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.)
Pending
Application number
CN201810150119.5A
Other languages
English (en)
Inventor
叶龙
王孟迪
钟微
方力
张勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Communication University of China
Original Assignee
Communication University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Communication University of China filed Critical Communication University of China
Priority to CN201810150119.5A priority Critical patent/CN108447116A/zh
Publication of CN108447116A publication Critical patent/CN108447116A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Manipulator (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视觉SLAM的三维场景重建方法和装置，其中所述方法包括如下步骤：视觉信息获取：使得移动机器人在三维场景中自由移动以采集图像，并利用SLAM算法来估计所述移动机器人的位姿信息；点云重建：利用SIFT算法提取采集到的图像中的特征点并进行匹配，并将匹配后的特征点和对应的所述移动机器人的位姿信息利用SFM算法进行稀疏点云重建，然后对重建的所述稀疏点云进行稠密点云重建；以及表面重建：对重建的稠密点云进行表面重建，从而完成对所述三维场景的重建。本发明运行速度高、对于硬件要求较低并且具有良好的尺度不变性。并且，本发明进一步重建出物体表面信息，从而使得重建的三维场景精度较高。

Description

基于视觉SLAM的三维场景重建方法和装置
技术领域
本发明涉及三维场景重建的技术领域，具体地，涉及一种基于视觉SLAM 的三维场景重建方法和装置。
背景技术
计算机视觉已经成为机器人领域的一个重大话题，实时定位和地图构建 (SLAM)方法在过去十几年吸引了大量的研究人员。在基于摄像传感装置 Kinect实现的单目视觉SLAM系统研究方面，尼古拉斯(Nikolas)等人利用 Kinect实现了一个实时SLAM系统，并将这一系统集成到只读存储器(ROS) 中。亨利(Henry)等人利用Kinect实现了一个交互的实时三维重建系统，即深度图像映射(RGB-D Mapping)，该系统根据用户需要，选取不同的关键帧进行最近点迭代算法(ICP)配准，其重建出的点云能很好的与建筑俯视图相吻合，但该系统实际运行速度不高，未进行ICP配准运行帧率为5每秒帧数(fps)，而进行ICP配准后单帧处理时间至少需要500毫秒。微软研究院的推出的 KinectFusion是一种基于图形处理单元(GPU)计算的实时定位与重建系统，实现了动态场景的增强显示。该系统利用GPU实现了实时ICP配准，并同步地生成三维环境地图。由于ICP算法计算复杂度高，而利用GPU加速的ICP 算法对于硬件要求较高，制约了其使用范围。
然而，现有技术中基于视觉SLAM的三维场景重建方法仅利用SLAM系统通过特征点匹配重建出点云，对于硬件要求较高，运行速度不高，SLAM 算法的尺度不变性较差，并且对于物体表面信息也没有进行重建，从而重建的三维场景精度较差。
发明内容
鉴于以上问题，本发明结合了SLAM算法和运动恢复结构(SFM)算法，将图片信息用SLAM算法估计移动机器人的位姿信息，并用SFM算法进行特征点提取与匹配并重建出点云。此外，还通过泊松算法对物体表面信息进行重建。
为了实现上述目的，本发明采用以下技术方案：
本发明公开了一种基于视觉SLAM的三维场景重建方法，包括如下步骤：步骤S1：视觉信息获取：使得移动机器人在三维场景中自由移动以采集图像，并利用SLAM算法来估计所述移动机器人的位姿信息；步骤S2：点云重建：利用SIFT算法提取采集到的图像中的特征点并进行匹配，并将匹配后的特征点和对应的所述移动机器人的位姿信息利用SFM算法进行稀疏点云重建，然后进行稠密点云重建；以及步骤S3：表面重建：对重建的稠密点云进行表面重建，从而完成对所述三维场景的重建。
优选地，在步骤S1中，利用机器人传感器Kinect相机来采集图像，采集的图像为彩色图像和深度图像。
优选地，在步骤S1中，利用所述SLAM算法的后端非线性优化算法来估计所述移动机器人的位姿信息。
优选地，在步骤S2中，利用所述SFM算法中的RANSAC算法进行稀疏点云重建，利用CMVS或PMVS算法进行稠密点云重建。
优选地，在步骤S3中，利用泊松算法进行表面重建。
优选地，在步骤S3中，对重建的稠密点云进行表面重建之前，先利用k-d 树算法对重建的稠密点云进行双边滤波。
本发明还公开了一种基于视觉SLAM的三维场景重建装置，包括如下模块：视觉信息获取模块，包括采集模块和估计模块，其中所述采集模块采集移动机器人在三维场景中自由移动所拍摄的图像，所述估计模块利用SLAM 算法来估计所述移动机器人的位姿信息；点云重建模块，包括特征匹配模块、稀疏点云重建模块和稠密点云重建模块，其中所述特征匹配模块利用SIFT算法提取采集到的图像中的特征点并进行匹配，所述稀疏点云重建模块将匹配后的特征点和对应的移动机器人的位姿信息利用SFM算法进行稀疏点云重建，所述稠密点云重建模块对稀疏点云进行稠密点云重建；以及表面重建模块，包括后重建模块，所述后重建模块对重建的所述稠密点云进行表面重建，从而完成对所述三维场景的重建。
优选地，所述采集模块包括机器人传感器Kinect相机模块，采集的图像为彩色图像和深度图像，所述估计模块利用所述SLAM算法的后端非线性优化算法来估计所述移动机器人的位姿信息。
优选地，所述稀疏点云重建模块利用所述SFM算法中的RANSAC算法进行稀疏点云重建，所述稠密点云重建模块利用CMVS或PMVS算法进行稠密点云重建。
优选地，所述后重建模块利用泊松算法进行表面重建，并且所述表面重建模块还包括滤波模块，所述滤波模块在对重建的稠密点云进行表面重建之前，先利用k-d树算法对重建的稠密点云进行双边滤波。
与现有技术相比，本发明具有以下优点和有益效果：
将SLAM算法与SFM算法应用到机器人中，从而运行速度高、对于硬件要求较低并且具有良好的尺度不变性。并且，本发明进一步重建出物体表面信息，从而使得重建的三维场景精度较高。
附图说明
图1是基于视觉SLAM的三维场景重建方法的流程图；
图2是基于视觉SLAM的三维场景重建装置的结构图。
具体实施方式
下面将参考附图，对本发明做进一步详细的说明，以便于本发明更加清楚和易于理解。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
参照图1，本发明公开了一种基于视觉SLAM的三维场景重建方法，包括如下步骤：
步骤S1：视觉信息获取：使得移动机器人在三维场景中自由移动以采集图像，并利用SLAM算法来估计移动机器人的位姿信息；
步骤S2：点云重建：利用尺度不变特征变换(SIFT)算法提取采集到的图像中的特征点并进行匹配，并将匹配后的特征点和对应的移动机器人的位姿信息利用SFM算法进行稀疏点云重建，然后对重建的稀疏点云进行稠密点云重建；
步骤S3：表面重建：对重建的稠密点云进行表面重建，从而完成对三维场景的重建。
在步骤S1中，优选地，利用机器人传感器Kinect相机来采集图像，采集的图像为彩色图像和深度图像。
在步骤S1中，优选地，利用SLAM算法的后端非线性优化算法来估计移动机器人的位姿信息。
在步骤S2中，优选地，利用SFM算法中的随机抽样一致性算法 (RANSAC)进行稀疏点云重建，利用多视角密集匹配(CMVS或PMVS) 进行稠密点云重建。
在步骤S3中，优选地，利用泊松算法进行表面重建。泊松表面重建把所有的点都考虑在内，对噪声点有很好的弹性。它允许的层次结构支持局部的基函数，因此对稀疏线性系统的情况有很好的支持。
在步骤S3中，优选地，对重建的稠密点云进行表面重建之前，先利用k 维树(k-d树)算法对重建的稠密点云进行双边滤波。
此外，本发明还公开了一种基于视觉SLAM的三维场景重建装置，包括如下模块：
视觉信息获取模块，包括采集模块和估计模块，其中采集模块采集移动机器人在三维场景中自由移动所拍摄的图像，估计模块利用SLAM算法来估计移动机器人的位姿信息；
点云重建模块，包括特征匹配模块、稀疏点云重建模块和稠密点云重建模块，其中特征匹配模块利用SIFT算法提取采集到的图像中的特征点并进行匹配，稀疏点云重建模块将匹配后的特征点和对应的移动机器人的位姿信息利用SFM算法进行稀疏点云重建，稠密点云重建模块对稀疏点云进行稠密点云重建；
表面重建模块，包括后重建模块，对重建的稠密点云进行表面重建，从而完成对三维场景的重建。
优选地，采集模块包括机器人传感器Kinect相机模块，采集的图像为彩色图像和/或深度图像。
优选地，估计模块利用SLAM算法的后端非线性优化算法来估计移动机器人的位姿信息。
优选地，稀疏点云重建模块利用SFM算法中的RANSAC算法进行稀疏点云重建，稠密点云重建模块利用CMVS或PMVS算法进行稠密点云重建。
优选地，后重建模块利用泊松算法进行表面重建。
优选地，表面重建模块还包括滤波模块，滤波模块在对重建的稠密点云进行表面重建之前，先利用k-d树算法对重建的稠密点云进行双边滤波。
根据本发明的上述方法和装置，SLAM算法对位姿估计是实时的，有较精确数据，所以采用SLAM算法对机器人进行及时定位。本发明使用SIFT算法来提取并匹配特征点，从而具有良好的尺度不变性。使用SFM算法代替 SLAM算法进行点云重建，从而运行速度高、对于硬件要求较低。此外，本发明进一步重建出带有表面信息的三维模型，从而使得重建的三维场景精度较高。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于视觉SLAM的三维场景重建方法，包括如下步骤：
步骤S1：视觉信息获取：使得移动机器人在三维场景中自由移动以采集图像，并利用SLAM算法来估计所述移动机器人的位姿信息；
步骤S2：点云重建：利用SIFT算法提取采集到的图像中的特征点并进行匹配，并将匹配后的特征点和对应的所述移动机器人的位姿信息利用SFM算法进行稀疏点云重建，然后对重建的所述稀疏点云进行稠密点云重建；以及
步骤S3：表面重建：对重建的稠密点云进行表面重建，从而完成对所述三维场景的重建。
2.根据权利要求1所述的三维场景重建方法，在步骤S1中，利用机器人传感器Kinect相机来采集图像，采集的图像为彩色图像和深度图像。
3.根据权利要求1所述的三维场景重建方法，在步骤S1中，利用所述SLAM算法的后端非线性优化算法来估计所述移动机器人的位姿信息。
4.根据权利要求1所述的三维场景重建方法，在步骤S2中，利用所述SFM算法中的RANSAC算法进行稀疏点云重建，利用CMVS或PMVS算法进行稠密点云重建。
5.根据权利要求1所述的三维场景重建方法，在步骤S3中，利用泊松算法进行表面重建。
6.根据权利要求1所述的三维场景重建方法，在步骤S3中，对重建的稠密点云进行表面重建之前，先利用k-d树算法对重建的稠密点云进行双边滤波。
7.一种基于视觉SLAM的三维场景重建装置，包括如下模块：
视觉信息获取模块，包括采集模块和估计模块，其中所述采集模块采集移动机器人在三维场景中自由移动所拍摄的图像，所述估计模块利用SLAM算法来估计所述移动机器人的位姿信息；
点云重建模块，包括特征匹配模块、稀疏点云重建模块和稠密点云重建模块，其中所述特征匹配模块利用SIFT算法提取采集到的图像中的特征点并进行匹配，所述稀疏点云重建模块将匹配后的特征点和对应的移动机器人的位姿信息利用SFM算法进行稀疏点云重建，所述稠密点云重建模块对稀疏点云进行稠密点云重建；以及
表面重建模块，包括后重建模块，所述后重建模块对重建的所述稠密点云进行表面重建，从而完成对所述三维场景的重建。
8.根据权利要求7所述的三维场景重建装置，其中，所述采集模块包括机器人传感器Kinect相机模块，采集的图像为彩色图像和深度图像，所述估计模块利用所述SLAM算法的后端非线性优化算法来估计所述移动机器人的位姿信息。
9.根据权利要求7所述的三维场景重建装置，所述稀疏点云重建模块利用所述SFM算法中的RANSAC算法进行稀疏点云重建，所述稠密点云重建模块利用CMVS或PMVS算法进行稠密点云重建。
10.根据权利要求7所述的三维场景重建装置，所述后重建模块利用泊松算法进行表面重建，并且所述表面重建模块还包括滤波模块，所述滤波模块在对重建的稠密点云进行表面重建之前，先利用k-d树算法对重建的稠密点云进行双边滤波。
CN201810150119.5A 2018-02-13 2018-02-13 基于视觉slam的三维场景重建方法和装置 Pending CN108447116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810150119.5A CN108447116A (zh) 2018-02-13 2018-02-13 基于视觉slam的三维场景重建方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810150119.5A CN108447116A (zh) 2018-02-13 2018-02-13 基于视觉slam的三维场景重建方法和装置

Publications (1)

Publication Number Publication Date
CN108447116A true CN108447116A (zh) 2018-08-24

Family

ID=63192344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810150119.5A Pending CN108447116A (zh) 2018-02-13 2018-02-13 基于视觉slam的三维场景重建方法和装置

Country Status (1)

Country Link
CN (1) CN108447116A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109357617A (zh) * 2018-10-25 2019-02-19 东北大学 一种基于无人机的高陡岩质边坡位移变形监测方法
CN109389633A (zh) * 2018-08-31 2019-02-26 南京邮电大学 基于lsd-slam和激光雷达的深度信息估计方法
CN110363806A (zh) * 2019-05-29 2019-10-22 中德（珠海）人工智能研究院有限公司 一种利用不可见光投射特征进行三维空间建模的方法
CN110706280A (zh) * 2018-09-28 2020-01-17 成都家有为力机器人技术有限公司 基于2d-slam的轻量级语义驱动的稀疏重建方法
CN110782521A (zh) * 2019-09-06 2020-02-11 重庆东渝中能实业有限公司 移动端三维重建与模型修复方法及系统
CN111784754A (zh) * 2020-07-06 2020-10-16 浙江得图网络有限公司 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质
CN111882668A (zh) * 2020-07-30 2020-11-03 清华大学 一种多视角立体对象重建方法与系统
CN111882590A (zh) * 2020-06-24 2020-11-03 广州万维创新科技有限公司 一种基于单张图片定位的ar场景应用方法
CN112902953A (zh) * 2021-01-26 2021-06-04 中国科学院国家空间科学中心 一种基于slam技术的自主位姿测量方法
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
WO2021189783A1 (zh) * 2020-03-23 2021-09-30 南京科沃斯机器人技术有限公司 一种场景建立方法、系统、装置及自移动机器人
CN113625288A (zh) * 2021-06-15 2021-11-09 中国科学院自动化研究所 基于点云配准的相机与激光雷达位姿标定方法和装置
CN113643431A (zh) * 2021-08-06 2021-11-12 舵敏智能科技(苏州)有限公司 一种用于视觉算法迭代优化的系统及方法
CN113793414A (zh) * 2021-08-17 2021-12-14 中科云谷科技有限公司 建立工业现场环境三维视图的方法、处理器及装置
WO2022134415A1 (zh) * 2020-12-24 2022-06-30 中建科技集团有限公司 室内机器人定位方法、装置、终端设备及存储介质
CN115115847A (zh) * 2022-08-31 2022-09-27 海纳云物联科技有限公司 三维稀疏重建方法、装置及电子装置
CN115861546A (zh) * 2022-12-23 2023-03-28 四川农业大学 一种基于神经体渲染的作物几何感知与三维表型重建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101001485A (zh) * 2006-10-23 2007-07-18 中国传媒大学 一种有限声源多通道声场系统及声场模拟方法
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
CN103279987A (zh) * 2013-06-18 2013-09-04 厦门理工学院 基于Kinect的物体快速三维建模方法
US20150356788A1 (en) * 2013-02-01 2015-12-10 Sony Corporation Information processing device, client device, information processing method, and program
US20160005234A1 (en) * 2012-05-09 2016-01-07 Ncam Technologies Limited System for mixing or compositing in real-time, computer generated 3d objects and a video feed from a film camera
CN105528082A (zh) * 2016-01-08 2016-04-27 北京暴风魔镜科技有限公司 三维空间及手势识别追踪交互方法、装置和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101001485A (zh) * 2006-10-23 2007-07-18 中国传媒大学 一种有限声源多通道声场系统及声场模拟方法
US20160005234A1 (en) * 2012-05-09 2016-01-07 Ncam Technologies Limited System for mixing or compositing in real-time, computer generated 3d objects and a video feed from a film camera
US20150356788A1 (en) * 2013-02-01 2015-12-10 Sony Corporation Information processing device, client device, information processing method, and program
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
CN103279987A (zh) * 2013-06-18 2013-09-04 厦门理工学院 基于Kinect的物体快速三维建模方法
CN105528082A (zh) * 2016-01-08 2016-04-27 北京暴风魔镜科技有限公司 三维空间及手势识别追踪交互方法、装置和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NEVER-GUESS: "SFM算法流程", 《百度在线公开HTTPS://BLOG.CSDN.NET/QQ_20791919/ARTICLE/DETAILS/74936438》 *
夏文玲: "基于Kinect与单目视觉SLAM的实时三维重建算法的实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
张平等: "基于 SFM 和 CMVS/PMVS 的建筑物点云重构方法研究", 《苏州科技学院学报（自然科学版）》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389633A (zh) * 2018-08-31 2019-02-26 南京邮电大学 基于lsd-slam和激光雷达的深度信息估计方法
CN109389633B (zh) * 2018-08-31 2022-02-11 南京邮电大学 基于lsd-slam和激光雷达的深度信息估计方法
CN110706280A (zh) * 2018-09-28 2020-01-17 成都家有为力机器人技术有限公司 基于2d-slam的轻量级语义驱动的稀疏重建方法
CN109357617A (zh) * 2018-10-25 2019-02-19 东北大学 一种基于无人机的高陡岩质边坡位移变形监测方法
CN109357617B (zh) * 2018-10-25 2021-11-05 东北大学 一种基于无人机的高陡岩质边坡位移变形监测方法
CN110363806B (zh) * 2019-05-29 2021-12-31 中德（珠海）人工智能研究院有限公司 一种利用不可见光投射特征进行三维空间建模的方法
CN110363806A (zh) * 2019-05-29 2019-10-22 中德（珠海）人工智能研究院有限公司 一种利用不可见光投射特征进行三维空间建模的方法
CN110782521A (zh) * 2019-09-06 2020-02-11 重庆东渝中能实业有限公司 移动端三维重建与模型修复方法及系统
WO2021189783A1 (zh) * 2020-03-23 2021-09-30 南京科沃斯机器人技术有限公司 一种场景建立方法、系统、装置及自移动机器人
CN111882590A (zh) * 2020-06-24 2020-11-03 广州万维创新科技有限公司 一种基于单张图片定位的ar场景应用方法
CN111784754A (zh) * 2020-07-06 2020-10-16 浙江得图网络有限公司 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质
CN111784754B (zh) * 2020-07-06 2024-01-12 浙江得图网络有限公司 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质
CN111882668A (zh) * 2020-07-30 2020-11-03 清华大学 一种多视角立体对象重建方法与系统
CN111882668B (zh) * 2020-07-30 2022-06-24 清华大学 一种多视角立体对象重建方法与系统
WO2022134415A1 (zh) * 2020-12-24 2022-06-30 中建科技集团有限公司 室内机器人定位方法、装置、终端设备及存储介质
CN112902953A (zh) * 2021-01-26 2021-06-04 中国科学院国家空间科学中心 一种基于slam技术的自主位姿测量方法
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
CN113625288A (zh) * 2021-06-15 2021-11-09 中国科学院自动化研究所 基于点云配准的相机与激光雷达位姿标定方法和装置
CN113643431A (zh) * 2021-08-06 2021-11-12 舵敏智能科技(苏州)有限公司 一种用于视觉算法迭代优化的系统及方法
CN113793414A (zh) * 2021-08-17 2021-12-14 中科云谷科技有限公司 建立工业现场环境三维视图的方法、处理器及装置
CN115115847A (zh) * 2022-08-31 2022-09-27 海纳云物联科技有限公司 三维稀疏重建方法、装置及电子装置
CN115115847B (zh) * 2022-08-31 2022-12-16 海纳云物联科技有限公司 三维稀疏重建方法、装置及电子装置
CN115861546A (zh) * 2022-12-23 2023-03-28 四川农业大学 一种基于神经体渲染的作物几何感知与三维表型重建方法
CN115861546B (zh) * 2022-12-23 2023-08-08 四川农业大学 一种基于神经体渲染的作物几何感知与三维表型重建方法

Similar Documents

Publication Publication Date Title
CN108447116A (zh) 基于视觉slam的三维场景重建方法和装置
US10855936B2 (en) Skeleton-based effects and background replacement
JP2020087440A5 (zh)
CN113436136A (zh) 以对象为中心的扫描
CN109145788A (zh) 基于视频的姿态数据捕捉方法和系统
US20080204453A1 (en) Method and apparatus for generating three-dimensional model information
Delamarre et al. Finding pose of hand in video images: a stereo-based approach
Wilson et al. Walking in place using the Microsoft Kinect to explore a large VE
CN113034652A (zh) 虚拟形象驱动方法、装置、设备及存储介质
CN104915978A (zh) 基于体感相机Kinect的真实感动画生成方法
CN109035415B (zh) 虚拟模型的处理方法、装置、设备和计算机可读存储介质
Demirdjian et al. Avoiding the" streetlight effect": tracking by exploring likelihood modes
CN110660076A (zh) 一种人脸交换方法
CN116778368A (zh) 使用语义分割的平面检测
CN110720215A (zh) 提供内容的设备和方法
CN112905014A (zh) Ar场景下的交互方法、装置、电子设备及存储介质
CN116612256B (zh) 一种基于NeRF的实时远程三维实景模型浏览方法
CN110008873B (zh) 面部表情捕捉方法、系统及设备
CN109074658A (zh) 通过特征跟踪和模型配准进行3d多视图重建的方法
Cha et al. Immersive learning experiences for surgical procedures
KR102660740B1 (ko) 도메인 전이학습을 통한 적외선 카메라 기반의 손 자세 추정 방법 및 시스템
Blažević et al. Towards reversible de-identification in video sequences using 3d avatars and steganography
CN114742982A (zh) Ar虚实叠加引擎
CN109658326A (zh) 一种图像显示方法及装置、计算机可读存储介质
CN115953516B (zh) 一种基于动作捕捉技术的交互动画制作平台

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180824