CN108734773A - 一种用于混合图片的三维重建方法及系统 - Google Patents
一种用于混合图片的三维重建方法及系统 Download PDFInfo
- Publication number
- CN108734773A CN108734773A CN201810480761.XA CN201810480761A CN108734773A CN 108734773 A CN108734773 A CN 108734773A CN 201810480761 A CN201810480761 A CN 201810480761A CN 108734773 A CN108734773 A CN 108734773A
- Authority
- CN
- China
- Prior art keywords
- target
- dimensional reconstruction
- picture set
- trained
- pictures
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002156 mixing Methods 0.000 title claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例提供一种用于混合图片的三维重建方法及系统，该方法包括：通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片，且所述混合图片集包含多个目标场景的特征点；根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。本发明实施例由于混合图片中一般都包含有多个目标，所以现需要对混合图片进行分类，得到每一目标对应的图片集，再根据每一目标对应的图片集对该目标进行三维重建，从而获得待建模场景的三维重建图像，本发明实施例有助于目标三维重建的准确性和可扩展性。
Description
技术领域
本发明实施例涉及三维建模技术领域，尤其涉及一种用于混合图片的三维重建方法及系统。
背景技术
三维重建在计算机视觉中是指由多幅二维图像恢复出物体三维结构的信息，实现物体的外部特征如形状、纹理等三维重建，是透视成像的逆过程。
目前基于计算机视觉的三维重建方法大致可以分为两类：立体视觉方法和运动恢复方法。无论是哪种方法，其本质上都是获得物体的第三个维度上面的信息，即为深度信息。平面信息能给出二维信息，通过一定的方式获取第三个维度的信息即可恢复物体的三维模型。
为了获得深度信息，一种方法是估测二维图像中每个像素点相对于相机的距离，即为深度图，然后基于得到的深度图对图像进行处理来创建第二视角。
另外一种方法则是通过多张图片直接合成。将多张图片中的特征点加以提取，并对其进行匹配；匹配之后就可以把图片中属于同一来源的点目标提取出来，实现图像的拼接和三维重建。其中将会涉及到模式识别等相关方面的问题，并且还需要根据这些特征反推算其空间位置信息，需要有效的算法支撑。但是它不需要其余的背景信息，因此需要的输入较为理想，但是实现过程较为复杂。
在以上两种方式中对图片集的要求较高，但是在实际中，很多图片集都是混合图片集，也就是说一个图片集中并不仅仅只有一个目标物的各角度照片，会混合着多种目标的不同角度图片。
因此，亟需一种针对混合图片的三维建模方法。
发明内容
本发明实施例提供一种用于混合图片的三维重建方法，该方法包括：
S1，通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片，且所述混合图片集包含多个目标场景的特征点；
S2，根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。
本发明实施例提供一种用于混合图片的三维重建系统，该系统包括：
分类模块，用于通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片；
重建模块，用于根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。
本发明实施例提供一种用于混合图片的三维重建设备，该设备包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行一种用于混合图片的三维重建方法。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行一种用于混合图片的三维重建方法。
本发明实施例提供一种用于混合图片的三维重建方法及系统，当对待建模场景进行360度拍照得到混合图片时，由于混合图片中一般都包含有多个目标，所以现需要对混合图片进行分类，得到每一目标对应的图片集，再根据每一目标对应的图片集对该目标进行三维重建，从而获得待建模场景的三维重建图像，本发明实施例有助于目标三维重建的准确性和可扩展性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例一种用于混合图片的三维重建方法的流程图；
图2为本发明实施例一种用于混合图片的三维重建系统的结构示意图；
图3为本发明实施例一种用于混合图片的三维重建设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一种用于混合图片的三维重建方法的流程图，如图1所示，该方法包括：
S1，通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片，且所述混合图片集包含多个目标场景的特征点；
S2，根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。
在上述实施例的基础上，优选地，步骤S1之前还包括：
通过迁移学习，修正待训练神经网络模型的网络层参数，所述待训练神经网络模型包括网络层和全连接层，所述全连接层连接在所述网络层之后；
对修正后的待训练神经网络模型进行训练，获得训练后的神经网络模型。
在针对一个待建模场景进行三维重建时，一般地，需要先拍摄这待建模场景360度各个方向的照片，这些照片构成混合图片集，由于是对待建模场景360度进行拍照，这些图片中会包括许多个目标，并且某些图片中会包含不止一个目标场景的特征点，需要把混合图片中关于一个目标的各个角度的所有图片分为一个类，在进行分类时，通过深度学习来对图片进行分类。
本发明实施例深度学习中采用的神经网络为Inception-v3模型，在利用Inception-v3模型对待建模混合图片集进行分类之前，还需要先对Inception-v3模型进行训练，训练好了之后，利用训练后的Inception-v3模型再对待建模混合图片集中的图片进行分类。
与一般不同的是，考虑到大部分数据或任务是存在相关性的，所以通过迁移学习，本发明实施例中Inception-v3模型不是向大多数网络那样从零开始训练，而是利用ImageNet数据集上训练好的一个Inception-v3模型的迁移学习框架，将Inception-v3模型的迁移学习框架中的模型参数通过某种方式分享给新的Inception-v3模型，从而加快并优化模型的学习效率。
迁移学习(Transfer learning)顾名思义就是就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。
具体地，所述通过迁移学习，修正待训练神经网络模型的网络层参数，具体为：
通过ImageNet数据集，获取训练后的Inception-v3模型；
将训练后的Inception-v3模型中网络层参数作为所述待训练神经网络模型的网络层参数。
需要说明的是，ImageNet是一个计算机视觉系统识别项目名称，是目前世界上图像识别最大的数据库。是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。
在ImageNet数据集上，对Inception-v3模型进行训练，将训练后的Inception-v3模型作为本发明实施例的迁移学习框架。
在实际操作过程中，将Inception-v3模型的迁移学习框架中所有卷积层的参数赋予到一个新的Inception-v3模型中，然后在对这个新的Inception-v3模型进行训练，将待建模混合图片集中的图片通过训练后的Inception-v3模型中的网络层，可以看做是对待建模混合图片集中的图片进行特征提取的过程。
在Inception-v3模型的网络层之后连接全连接层，全连接层(FullyConnectedLayers，简称FC)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。
因此，将全连接层连接到训练后的Inception-v3模型的网络层之后，实现对待建模混合图片集中的图片分类。
需要说明的是，Inception-v3模型是一种神经网络模型，本发明实施例中使用的神经网络模型包括但不限于Inception-v3模型，也可以是其它可以进行图像识别的神经网络模型。
在上述实施例的基础上，具体地，步骤S2中，所述根据每一目标对应的图片集，对每一目标进行三维重建，具体包括：
对于任一目标对应的图片集，获取所述任一目标对应的图片集中每一图片的尺度不变特征变换SIFT特征；
根据每一图片的SIFT特征，通过运动恢复结构SFM算法获取所述任一目标的稀疏点云；
根据所述任一目标的稀疏点云，通过多视角密集匹配CMVS/PMVS算法获取所述任一目标的密集点云；
根据所述任一目标的密集点云，获取所述任一目标的三维重建图像。
首先利用尺度不变特征变换来提取和匹配图像上的特征点，并计算多视图之间的几何关系，然后由运动恢复结构分析相机运动进而寻找三维点云结构，利用CMVS对图像进行聚簇，最后，采用基于面片模型的PMVS通过匹配、扩展、过滤三个阶段来完成密集匹配，同时生成稠密的三维点云。
需要说明的是，尺度不变特征变换(Scale-invariant featuretransform，简称SIFT)，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。
运动恢复结构(Structure from Motion，简称SFM)，是通过相机的移动来确定目标的空间和几何关系，是三维重建的一种常见方法。首先由尺度不变特征变换SIFT算法来提取匹配图像上的特征点，一系列匹配点从每两幅图像上搜索到后，便被纳入轨迹中，而轨迹为多视图间匹配点的连通集，用多于两个特征点一致的轨迹进行重建来恢复每幅图像的相机参数和匹配每个轨迹的位置信息。
配合CMVS/PMVS算法进行多视角密集匹配，多视图聚簇(clusteringmulti-viewstereo，简称CMVS)对图像聚簇分类可以优化SFM输入，减少密集匹配时间和空间代价；基于面片模型的密集匹配(patch-basedmulti-view stereo software，简称PMVS)用于匹配扩展过滤。
优选地，对所述待建模场景的三维重建图像进行滤波，并通过三维图形编辑软件显示滤波后所述待建模场景的三维重建图像。
具体地，所述三维图形编辑软件为MeshLab。
MeshLab是一个开源、可移植和可扩展的三维几何处理系统，主要用于交互处理和非结构化编辑三维三角形网格。该系统发布于2005年年底，旨在提供一整套三维扫描、编辑、清洗、拼合、检查、呈现和转换网格数据的工具。
本发明实施例提供的一种用于混合图片的三维重建方法，当对待建模场景进行360度拍照得到混合图片时，由于混合图片中一般都包含有多个目标，所以现需要对混合图片进行分类，得到每一目标对应的图片集，再根据每一目标对应的图片集对该目标进行三维重建，从而获得待建模场景的三维重建图像，本发明实施例有助于目标三维重建的准确性和可扩展性。
图2为本发明实施例一种用于混合图片的三维重建系统的结构示意图，如图2所示，该系统包括分类模块201和重建模块202，其中，分类模块201，用于通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片；重建模块202，用于根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。
本系统实施例的执行过程与上述方法实施例的执行过程相同，具体请参考上述方法实施例，本系统实施例在此不再赘述。
图3为本发明实施例一种用于混合图片的三维重建设备的结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与智能电视之间的信息传输。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：S1，通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片；S2，根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。
此外，上述的存储器330中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。
Claims (10)
1.一种用于混合图片的三维重建方法，其特征在于，包括：
S1，通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片，且所述混合图片集包含多个目标场景的特征点；
S2，根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。
2.根据权利要求1所述方法，其特征在于，步骤S1之前还包括：
通过迁移学习，修正待训练神经网络模型的网络层参数，所述待训练神经网络模型包括网络层和全连接层，所述全连接层连接在所述网络层之后；
对修正后的待训练神经网络模型进行训练，获得训练后的神经网络模型。
3.根据权利要求1所述方法，其特征在于，步骤S2中，所述根据每一目标对应的图片集，对每一目标进行三维重建，具体包括：
对于任一目标对应的图片集，获取所述任一目标对应的图片集中每一图片的尺度不变特征变换SIFT特征；
根据每一图片的SIFT特征，通过运动恢复结构SFM算法获取所述任一目标的稀疏点云；
根据所述任一目标的稀疏点云，通过多视角密集匹配CMVS/PMVS算法获取所述任一目标的密集点云；
根据所述任一目标的密集点云，获取所述任一目标的三维重建图像。
4.根据权利要求1所述方法，其特征在于，步骤S2之后还包括：
对所述待建模场景的三维重建图像进行滤波，并通过三维图形编辑软件显示滤波后所述待建模场景的三维重建图像。
5.根据权利要求2所述方法，其特征在于，所述待训练神经网络模型为Inception-v3模型。
6.根据权利要求5所述方法，其特征在于，所述通过迁移学习，修正待训练神经网络模型的网络层参数，具体为：
通过ImageNet数据集，获取训练后的Inception-v3模型；
将训练后的Inception-v3模型中网络层参数作为所述待训练神经网络模型的网络层参数。
7.根据权利要求4所述方法，其特征在于，所述三维图形编辑软件为MeshLab。
8.一种用于混合图片的三维重建系统，其特征在于，包括：
分类模块，用于通过训练后的神经网络模型对混合图片集中所有图片进行分类，获取待建模场景中每一目标对应的图片集，所述混合图片集中包括所述待建模场景不同角度的图片；
重建模块，用于根据每一目标对应的图片集，对每一目标进行三维重建，以获得所述待建模场景的三维重建图像。
9.一种用于混合图片的三维重建设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810480761.XA CN108734773A (zh) | 2018-05-18 | 2018-05-18 | 一种用于混合图片的三维重建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810480761.XA CN108734773A (zh) | 2018-05-18 | 2018-05-18 | 一种用于混合图片的三维重建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108734773A true CN108734773A (zh) | 2018-11-02 |
Family
ID=63938475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810480761.XA Pending CN108734773A (zh) | 2018-05-18 | 2018-05-18 | 一种用于混合图片的三维重建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108734773A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410330A (zh) * | 2018-11-12 | 2019-03-01 | 中国十七冶集团有限公司 | 一种基于bim技术无人机航拍建模方法 |
| CN109918184A (zh) * | 2019-03-01 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 图片处理系统、方法及相关装置和设备 |
| CN110148084A (zh) * | 2019-05-21 | 2019-08-20 | 智慧芽信息科技(苏州)有限公司 | 由2d图像重建3d模型的方法、装置、设备及存储介质 |
| CN110349253A (zh) * | 2019-07-01 | 2019-10-18 | 深圳前海达闼云端智能科技有限公司 | 一种场景的三维重建方法、终端和可读存储介质 |
| CN115049783A (zh) * | 2022-05-20 | 2022-09-13 | 支付宝(杭州)信息技术有限公司 | 模型的确定方法、场景重建模型、介质、设备及产品 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101398937A (zh) * | 2008-10-29 | 2009-04-01 | 北京航空航天大学 | 基于同一场景散乱照片集的三维重构方法 |
| CN102147812A (zh) * | 2011-03-31 | 2011-08-10 | 中国科学院自动化研究所 | 基于三维点云模型的地标建筑图像分类方法 |
| 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 |
| CN105023291A (zh) * | 2015-05-22 | 2015-11-04 | 燕山大学 | 一种基于立体视觉的犯罪现场重构装置及方法 |
| CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
| WO2017079529A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Universal correspondence network |
| CN106845515A (zh) * | 2016-12-06 | 2017-06-13 | 上海交通大学 | 基于虚拟样本深度学习的机器人目标识别和位姿重构方法 |
| CN107194985A (zh) * | 2017-04-11 | 2017-09-22 | 中国农业大学 | 一种面向大场景的三维可视化方法及装置 |
-
2018
- 2018-05-18 CN CN201810480761.XA patent/CN108734773A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101398937A (zh) * | 2008-10-29 | 2009-04-01 | 北京航空航天大学 | 基于同一场景散乱照片集的三维重构方法 |
| CN102147812A (zh) * | 2011-03-31 | 2011-08-10 | 中国科学院自动化研究所 | 基于三维点云模型的地标建筑图像分类方法 |
| 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 |
| CN105023291A (zh) * | 2015-05-22 | 2015-11-04 | 燕山大学 | 一种基于立体视觉的犯罪现场重构装置及方法 |
| CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
| WO2017079529A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Universal correspondence network |
| CN106845515A (zh) * | 2016-12-06 | 2017-06-13 | 上海交通大学 | 基于虚拟样本深度学习的机器人目标识别和位姿重构方法 |
| CN107194985A (zh) * | 2017-04-11 | 2017-09-22 | 中国农业大学 | 一种面向大场景的三维可视化方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| DEXTERLEI: "TensorFlow学习笔记：使用Inception v3进行图像分类", 《简书》 * |
| LADD7: "VisualSFM+MeshLab 三维重建全过程记录", 《CSDN》 * |
| LHANCHAO: "使用visualSFM和meshlab进行三维重建", 《CSDN》 * |
| 请叫我滚去背单词: "Windows下使用VisualSFM+CMVS/PMVS+MeshLab进行三维重建", 《CSDN》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410330A (zh) * | 2018-11-12 | 2019-03-01 | 中国十七冶集团有限公司 | 一种基于bim技术无人机航拍建模方法 |
| CN109918184A (zh) * | 2019-03-01 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 图片处理系统、方法及相关装置和设备 |
| CN109918184B (zh) * | 2019-03-01 | 2023-09-26 | 腾讯科技（深圳）有限公司 | 图片处理系统、方法及相关装置和设备 |
| CN110148084A (zh) * | 2019-05-21 | 2019-08-20 | 智慧芽信息科技(苏州)有限公司 | 由2d图像重建3d模型的方法、装置、设备及存储介质 |
| CN110148084B (zh) * | 2019-05-21 | 2023-09-19 | 智慧芽信息科技(苏州)有限公司 | 由2d图像重建3d模型的方法、装置、设备及存储介质 |
| CN110349253A (zh) * | 2019-07-01 | 2019-10-18 | 深圳前海达闼云端智能科技有限公司 | 一种场景的三维重建方法、终端和可读存储介质 |
| CN110349253B (zh) * | 2019-07-01 | 2023-12-01 | 达闼机器人股份有限公司 | 一种场景的三维重建方法、终端和可读存储介质 |
| CN115049783A (zh) * | 2022-05-20 | 2022-09-13 | 支付宝(杭州)信息技术有限公司 | 模型的确定方法、场景重建模型、介质、设备及产品 |
| CN115049783B (zh) * | 2022-05-20 | 2024-04-02 | 支付宝(杭州)信息技术有限公司 | 模型的确定方法、场景重建模型、介质、设备及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734773A (zh) | 一种用于混合图片的三维重建方法及系统 | |
| WO2022165809A1 (zh) | 一种训练深度学习模型的方法和装置 | |
| US20220383649A1 (en) | System and method for facilitating graphic-recognition training of a recognition model | |
| US9286539B2 (en) | Constructing contours from imagery | |
| GB2585396A (en) | Utilizing a critical edge detection neural network and a geometric model to determine camera parameters from a single digital image | |
| US20200057778A1 (en) | Depth image pose search with a bootstrapped-created database | |
| CN112651881B (zh) | 图像合成方法、装置、设备、存储介质以及程序产品 | |
| CN111753698A (zh) | 一种多模态三维点云分割系统和方法 | |
| CN115439607A (zh) | 一种三维重建方法、装置、电子设备及存储介质 | |
| CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
| CN108597034B (zh) | 用于生成信息的方法和装置 | |
| Ozbay et al. | A hybrid method for skeleton extraction on Kinect sensor data: Combination of L1-Median and Laplacian shrinking algorithms | |
| EP3474185B1 (en) | Classification of 2d images according to types of 3d arrangement | |
| Byrne et al. | Maximizing feature detection in aerial unmanned aerial vehicle datasets | |
| Yan et al. | Deep learning on image stitching with multi-viewpoint images: A survey | |
| CN115861515A (zh) | 一种三维人脸重建方法、计算机程序产品及电子设备 | |
| CN116051736A (zh) | 一种三维重建方法、装置、边缘设备和存储介质 | |
| Nóbrega et al. | Interactive 3D content insertion in images for multimedia applications | |
| CN113763419B (zh) | 一种目标跟踪方法、设备及计算机可读存储介质 | |
| Li et al. | Spatiotemporal road scene reconstruction using superpixel-based Markov random field | |
| CN116468796A (zh) | 生成来自鸟瞰视角的表示的方法、车辆对象识别系统及存储介质 | |
| CN112652056B (zh) | 一种3d信息展示方法及装置 | |
| CN115115699A (zh) | 姿态估计方法、装置、相关设备和计算机产品 | |
| Bochkovskii et al. | Depth Pro: Sharp Monocular Metric Depth in Less Than a Second | |
| CN110008967A (zh) | 一种融合结构和语义模态的行为表征方法和系统 |
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: 20181102 |