CN109087388A - 基于深度传感器的物体三维建模方法 - Google Patents
基于深度传感器的物体三维建模方法 Download PDFInfo
- Publication number
- CN109087388A CN109087388A CN201810762485.6A CN201810762485A CN109087388A CN 109087388 A CN109087388 A CN 109087388A CN 201810762485 A CN201810762485 A CN 201810762485A CN 109087388 A CN109087388 A CN 109087388A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- depth
- point
- under
- depth transducer
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000007704 transition Effects 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000002203 pretreatment Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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
- G06T2207/10012—Stereo images
Abstract
本发明揭示了一种基于深度传感器的物体三维建模方法,包括:S1、数据采集步骤,从深度传感器中读取数据,获得三维点云数据;S2、预处理步骤,将物体的点云从整个场景中分割出来,再去除异常点、提取物体点云的边界,得到物体在各视角下的点云;S3、相邻视角下点云配准步骤,配准相邻视角下的物体点云,得到相邻视角下物体点云间的转换矩阵;S4、全局对齐步骤,利用转换矩阵,将各个视角下的点云融合进全局点云,得到三维点云模型;S5、网格化和纹理映射步骤,将三维点云模型转为网格模型,随后将色彩信息映射到网格模型的表面,得到三维纹理模型。本发明在保证建模精度的基础上,提升了建模速度,具有很高的使用及推广价值。
Description
技术领域
本发明涉及一种物体建模方法,具体而言,涉及一种基于深度传感器的物体三维建模方法,属于计算机视觉中的三维建模领域。
背景技术
随着计算机视觉技术的不断发展,作为计算机视觉技术中的一个重要分支,三维重建(3-dimension Reconstruction)技术开始广泛地应用于虚拟现实(VirtualReality)、文物保护等各个领域和行业中。可以预见的是,在未来,三维建模技术还将会应用于诸如电子商务等互联网项目中,以使消费者可以全方位地观看商品,带来更加真实的用户体验。但是由于专业的三维扫描设备价格昂贵而且扫描速度很慢,所以将物体三维建模大范围推广及应用于人们日常生活中,仍然存在着一定的困难。
与此同时,随着图像处理、机器视觉、人工智能等学科的不断进步,尤其是深度传感器(如Microsoft的Kinect等)出现后,通过使用深度传感器来获得物体的三维信息逐步成为了可能。由于深度传感器可以通过光线反射时间计算被检测物体的参数,而不需要额外的辅助设备,因而基于深度传感器进行三维建模是一种更加简单、也更加便捷的三维建模方式。现在运用深度传感器进行三维建模是机器视觉中最为前沿和热门的领域之一,基于深度传感器可以实现快速和较高精度的三维建模,使三维建模变得更加廉价和简单,以便于广泛应用于人们的日常生活中。
但截至目前,这类基于深度传感器的物体三维建模仍然存在着建模精度不足、建模过程缓慢等诸多问题,并没有达到技术人员预想中的使用效果。
综上所述,如何提出一种新的三维建模方法,在保证精度的基础上,快速地重建出物体的三维模型,也就成为了目前本领域内技术人员所亟待解决的问题。
发明内容
鉴于现有技术存在上述缺陷,本发明的目的是提出一种基于深度传感器的物体三维建模方法,包括如下步骤:
S1、数据采集步骤,从深度传感器中读取数据,数据包含深度信息和色彩信息,将深度信息和色彩信息融合后获得三维点云数据;
S2、预处理步骤,利用平面提取方法将物体的点云从整个场景中分割出来,再去除异常点、提取物体点云的边界、滤除不准确的边缘点,得到物体在每个视角下的点云;
S3、相邻视角下点云配准步骤,配准相邻视角下的物体点云,得到相邻视角下物体点云间的转换矩阵;
S4、全局对齐步骤,利用转换矩阵,将各个视角下的点云融合进一个全局点云,得到物体的三维点云模型;
S5、网格化和纹理映射步骤,将三维点云模型转换成网格模型,随后将色彩信息映射到网格模型的表面,得到三维纹理模型。
优选地,S1所述数据采集步骤,具体包括:
S11、硬件设置子步骤,将深度传感器与转盘固定设置于平台上,将物体放置于转盘上,使深度传感器俯视拍摄放置于转盘上、匀速旋转的物体;
S12、数据预存子步骤,转动转盘,使转盘以60S/圈的速度保持匀速旋转,每隔2s从深度传感器取一帧深度图像和一帧彩色图像;
S13、数据读取子步骤,从深度传感器中读取任一视角下的数据,数据包含深度信息和色彩信息;
S14、标定融合子步骤,通过对深度传感器的深度摄像头与彩色摄像头的标定,将色彩信息映射到深度信息坐标系中,再将深度坐标转化为XYZ三维相机坐标系中,最终得到三维点云数据。
优选地,S14中所述对深度信息和色彩信息进行标定,需要计算深度摄像头与彩色摄像头的内部参数与外部参数,所述内部参数为深度传感器的硬件参数,所述外部参数为深度摄像头与彩色摄像头的相对位置关系、即旋转平移矩阵,包括旋转矩阵R和平移矩阵T。
优选地,其特征在于,S2所述预处理步骤,具体包括:
S21、分割子步骤,使用随机采样一致算法检测直通滤波后点云中的地面,定义地面平面上的点为内点,其余的点为外点,从内点中分散地取3个点P1=(x1,y1,z1)、P2=(x2,y2,z2)、P3=(x3,y3,z3)用于计算平面方程,
设地面平面S方程为ax+by+cz+d=0,
其中,
使用如下公式计算点到面的距离D,
根据物体到地平面间的距离,将物体的点云从整个场景中分割出来;
S22、预处理子步骤,使用离群点滤波器滤除物体点云周围的噪声,再使用边界提取算法提取到物体点云的边界,滤除不准确的边缘点,得到每个视角下物体的点云。
优选地,S3所述相邻视角下点云配准步骤,具体包括:使用点到面的迭代最近点算法以及删除非重叠点策略对相邻视角下的点云进行两两配准。
优选地,所述删除非重叠点策略具体包括:使用ICP算法完成相邻视角下点云的初步配准,将初步配准准后的点云间不重叠的部分删除,随后再次使用ICP算法进行精确配准,两次配准的转换矩阵相乘即为相邻视角下物体点云间的转换矩阵。
优选地,S4所述全局对齐步骤,具体包括:
使用相邻帧转换矩阵Ti转化为第i帧转换到第1帧的转换矩阵Ti→1,
Ti→1=(T2*T3*T4*...*Ti)-1,
使用公式Pi→1=Ti→1*Pi,将每一帧的点云转换到第1帧点云的坐标系下,得到物体的三维点云模型。
优选地,S5所述网格化和纹理映射步骤,具体包括:使用贪婪投影三角化算法对三维点云模型进行三角网格化,形成网格模型,随后将物体的彩色图像分割为对应三角网格表面上的三角形图像,将对应的三角形图像贴在对应的网格模型的表面,最终得到物体的三维纹理模型。
优选地,所述深度传感器为Kinect。
与现有技术相比,本发明的优点主要体现在以下几个方面:
本发明所采用的预处理方法能够在不降低点云精度的前提下,将物体的点云从整个环境中分离出来,并能够消除点云中的各种噪声,得到物体的点云,从而有效地缩短了后续操作的时间。同时,本发明提出的删除非重叠点策略可以降低相邻视角点云配准的误差,并且减小了配准失败概率,确保了建模精度,使系统能够稳定和准确地重建出物体的三维点云模型。本发明提出的三角纹理映射算法可以在不损失物体表面纹理特征的前提下将物体各个视角下拍摄到的彩色图片贴到物体模型的表面上。从视觉上而言,使用本发明所得到的三维模型与现实中物体的相似度极高。此外,本发明也为同领域内的其他相关问题提供了参考,可以以此为依据进行拓展延伸,运用于领域内其他资源调度方法的技术方案中,具有十分广阔的应用前景。
综上所述,本发明通过借助点云配准和纹理映射等技术手段,在保证建模精度的基础上,提升了建模速度,具有很高的使用及推广价值。
以下便结合实施例附图,对本发明的具体实施方式作进一步的详述,以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的流程图;
图2为相邻视角点云配准原理示意图;
图3为网格化和纹理映射原理示意图。
具体实施方式
如图1~图3所示,本发明揭示了一种基于深度传感器的物体三维建模方法,包括如下步骤:
S1、数据采集步骤,从深度传感器中读取数据,数据包含深度信息和色彩信息,将深度信息和色彩信息融合后获得三维点云数据。
S1所述数据采集步骤,具体包括:
S11、硬件设置子步骤,将深度传感器与转盘固定设置于平台上,将物体放置于转盘上,使深度传感器俯视拍摄放置于转盘上、匀速旋转的物体。
S12、数据预存子步骤,转动转盘,使转盘以60S/圈的速度保持匀速旋转,每隔2s从深度传感器取一帧深度图像和一帧彩色图像;
S13、数据读取子步骤,从深度传感器中读取任一视角下的数据,数据包含深度信息和色彩信息;
S14、标定融合子步骤,通过对深度传感器的深度摄像头与彩色摄像头的标定,将色彩信息映射到深度信息坐标系中,再将深度坐标转化为XYZ三维相机坐标系中,最终得到三维点云数据。
S14中所述对深度信息和色彩信息进行标定,需要计算深度摄像头与彩色摄像头的内部参数与外部参数,所述内部参数为深度传感器的硬件参数,所述外部参数为深度摄像头与彩色摄像头的相对位置关系、即旋转平移矩阵,包括旋转矩阵R和平移矩阵T。
S2、预处理步骤,利用平面提取方法将物体的点云从整个场景中分割出来,再去除异常点、提取物体点云的边界、滤除不准确的边缘点,得到物体在每个视角下的点云。
S2所述预处理步骤,具体包括:
S21、分割子步骤,使用随机采样一致算法检测直通滤波后点云中的地面,定义地面平面上的点为内点,其余的点为外点,从内点中分散地取3个点P1=(x1,y1,z1)、P2=(x2,y2,z2)、P3=(x3,y3,z3)用于计算平面方程,
设地面平面S方程为ax+by+cz+d=0,
其中,
使用如下公式计算点到面的距离D,
根据物体到地平面间的距离,将物体的点云从整个场景中分割出来。
S22、预处理子步骤,使用离群点滤波器滤除物体点云周围的噪声,再使用边界提取算法提取到物体点云的边界,滤除不准确的边缘点,得到每个视角下物体的点云
S3、相邻视角下点云配准步骤,配准相邻视角下的物体点云,得到相邻视角下物体点云间的转换矩阵。
S3所述相邻视角下点云配准步骤,具体包括:使用点到面的迭代最近点(ICP,Iterative Closest Point Algorithm)算法以及删除非重叠点策略对相邻视角下的点云进行两两配准。
由于物体某些相邻视角点云之间相差较大,配准误差较大是由于相邻点云之间重叠部分较少,有很多不重叠的对应点也参与了目标函数的计算,因此导致少数相邻视角下的点云之间配准误差较大。针对这个问题,此处设计了一种删除非重叠点的方法,以提高配准精度。
所述删除非重叠点策略具体包括:使用ICP算法完成相邻视角下点云的初步配准,将初步配准准后的点云间不重叠的部分删除,随后再次使用ICP算法进行精确配准,两次配准的转换矩阵相乘即为相邻视角下物体点云间的转换矩阵。
图2是相邻视角点云配准示意图,其中,(a)、(b)表示不同角度的点云,(c)表示第i和第(i+1)视角下的点云,(d)表示点云Pi和Pi+1。
S4、全局对齐步骤,利用转换矩阵,将各个视角下的点云融合进一个全局点云,得到物体的三维点云模型。
S4所述全局对齐步骤,具体包括:
使用相邻帧转换矩阵Ti转化为第i帧转换到第1帧的转换矩阵Ti→1,
Ti→1=(T2*T3*T4*...*Ti)-1,
使用公式Pi→1=Ti→1*Pi,将每一帧的点云转换到第1帧点云的坐标系下,得到物体的三维点云模型。
S5、网格化和纹理映射步骤,将三维点云模型转换成网格模型,随后将色彩信息映射到网格模型的表面,得到三维纹理模型。
S5所述网格化和纹理映射步骤,具体包括:使用贪婪投影三角化算法对三维点云模型进行三角网格化,形成网格模型然后对网格模型进行纹理映射。本发明提出了一种三角纹理映射算法用来将物体各个视角下的彩色图像映射到网格模型的表面上去。该算法将物体的彩色图像分割为对应三角网格表面上的三角形图像,然后将对应的三角形图像贴在对应网格模型的表面上,即可以得到物体的三维纹理模型。
图3是网格化和纹理映射的原理示意图,其中,(a)表示三维坐标系下的点云示意图,(b)表示三维坐标系下的网格化示意图,(c)表示二维坐标系下的彩色图,(d)表示三维坐标系下的纹理映射示意图。
在本实施例中,所述深度传感器优选为Kinect。
本发明所采用的预处理方法能够在不降低点云精度的前提下,将物体的点云从整个环境中分离出来,并能够消除点云中的各种噪声,得到物体的点云,从而有效地缩短了后续操作的时间。
同时,本发明提出的删除非重叠点策略可以降低相邻视角点云配准的误差,并且减小了配准失败概率,确保了建模精度,使系统能够稳定和准确地重建出物体的三维点云模型。本发明提出的三角纹理映射算法可以在不损失物体表面纹理特征的前提下将物体各个视角下拍摄到的彩色图片贴到物体模型的表面上。从视觉上而言,使用本发明所得到的三维模型与现实中物体的相似度极高。
此外,本发明也为同领域内的其他相关问题提供了参考,可以以此为依据进行拓展延伸,运用于领域内其他资源调度方法的技术方案中,具有十分广阔的应用前景。
综上所述,本发明通过借助点云配准和纹理映射等技术手段,在保证建模精度的基础上,提升了建模速度,具有很高的使用及推广价值。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神和基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种基于深度传感器的物体三维建模方法,其特征在于,包括如下步骤:
S1、数据采集步骤,从深度传感器中读取数据,数据包含深度信息和色彩信息,将深度信息和色彩信息融合后获得三维点云数据;
S2、预处理步骤,利用平面提取方法将物体的点云从整个场景中分割出来,再去除异常点、提取物体点云的边界、滤除不准确的边缘点,得到物体在每个视角下的点云;
S3、相邻视角下点云配准步骤,配准相邻视角下的物体点云,得到相邻视角下物体点云间的转换矩阵;
S4、全局对齐步骤,利用转换矩阵,将各个视角下的点云融合进一个全局点云,得到物体的三维点云模型;
S5、网格化和纹理映射步骤,将三维点云模型转换成网格模型,随后将色彩信息映射到网格模型的表面,得到三维纹理模型。
2.根据权利要求1所述的基于深度传感器的物体三维建模方法,其特征在于,S1所述数据采集步骤,具体包括:
S11、硬件设置子步骤,将深度传感器与转盘固定设置于平台上,将物体放置于转盘上,使深度传感器俯视拍摄放置于转盘上、匀速旋转的物体;
S12、数据预存子步骤,转动转盘,使转盘以60S/圈的速度保持匀速旋转,每隔2s从深度传感器取一帧深度图像和一帧彩色图像;
S13、数据读取子步骤,从深度传感器中读取任一视角下的数据,数据包含深度信息和色彩信息;
S14、标定融合子步骤,通过对深度传感器的深度摄像头与彩色摄像头的标定,将色彩信息映射到深度信息坐标系中,再将深度坐标转化为XYZ三维相机坐标系中,最终得到三维点云数据。
3.根据权利要求2所述的基于深度传感器的物体三维建模方法,其特征在于:S14中所述对深度信息和色彩信息进行标定,需要计算深度摄像头与彩色摄像头的内部参数与外部参数,所述内部参数为深度传感器的硬件参数,所述外部参数为深度摄像头与彩色摄像头的相对位置关系、即旋转平移矩阵,包括旋转矩阵R和平移矩阵T。
4.根据权利要求1所述的基于深度传感器的物体三维建模方法,其特征在于,S2所述预处理步骤,具体包括:
S21、分割子步骤,使用随机采样一致算法检测直通滤波后点云中的地面,定义地面平面上的点为内点,其余的点为外点,从内点中分散地取3个点P1=(x1,y1,z1)、P2=(x2,y2,z2)、P3=(x3,y3,z3)用于计算平面方程,
设地面平面S方程为ax+by+cz+d=0,
其中,
使用如下公式计算点到面的距离D,
根据物体到地平面间的距离,将物体的点云从整个场景中分割出来;
S22、预处理子步骤,使用离群点滤波器滤除物体点云周围的噪声,再使用边界提取算法提取到物体点云的边界,滤除不准确的边缘点,得到每个视角下物体的点云。
5.根据权利要求1所述的基于深度传感器的物体三维建模方法,其特征在于,S3所述相邻视角下点云配准步骤,具体包括:使用点到面的迭代最近点算法以及删除非重叠点策略对相邻视角下的点云进行两两配准。
6.根据权利要求5所述的基于深度传感器的物体三维建模方法,其特征在于,所述删除非重叠点策略具体包括:使用ICP算法完成相邻视角下点云的初步配准,将初步配准准后的点云间不重叠的部分删除,随后再次使用ICP算法进行精确配准,两次配准的转换矩阵相乘即为相邻视角下物体点云间的转换矩阵。
7.根据权利要求1所述的基于深度传感器的物体三维建模方法,其特征在于,S4所述全局对齐步骤,具体包括:
使用相邻帧转换矩阵Ti转化为第i帧转换到第1帧的转换矩阵Ti→1,
Ti→1=(T2*T3*T4*...*Ti)-1,
使用公式Pi→1=Ti→1*Pi,将每一帧的点云转换到第1帧点云的坐标系下,得到物体的三维点云模型。
8.根据权利要求1所述的基于深度传感器的物体三维建模方法,其特征在于,S5所述网格化和纹理映射步骤,具体包括:使用贪婪投影三角化算法对三维点云模型进行三角网格化,形成网格模型,随后将物体的彩色图像分割为对应三角网格表面上的三角形图像,将对应的三角形图像贴在对应的网格模型的表面,最终得到物体的三维纹理模型。
9.根据权利要求1所述的基于深度传感器的物体三维建模方法,其特征在于:所述深度传感器为Kinect。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762485.6A CN109087388A (zh) | 2018-07-12 | 2018-07-12 | 基于深度传感器的物体三维建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762485.6A CN109087388A (zh) | 2018-07-12 | 2018-07-12 | 基于深度传感器的物体三维建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109087388A true CN109087388A (zh) | 2018-12-25 |
Family
ID=64837573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810762485.6A Withdrawn CN109087388A (zh) | 2018-07-12 | 2018-07-12 | 基于深度传感器的物体三维建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087388A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685891A (zh) * | 2018-12-28 | 2019-04-26 | 鸿视线科技(北京)有限公司 | 基于深度图像的建筑物三维建模与虚拟场景生成系统 |
CN109801365A (zh) * | 2019-01-25 | 2019-05-24 | 上海小萌科技有限公司 | 一种三维建模数据采集装置及其三维建模方法 |
CN109839827A (zh) * | 2018-12-26 | 2019-06-04 | 哈尔滨拓博科技有限公司 | 一种基于全空间位置信息的手势识别智能家居控制系统 |
CN109902135A (zh) * | 2019-02-19 | 2019-06-18 | 武大吉奥信息技术有限公司 | 一种矢量瓦片预处理方法及装置 |
CN109949347A (zh) * | 2019-03-15 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 人体跟踪方法、装置、系统、电子设备和存储介质 |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
CN110288712A (zh) * | 2019-03-30 | 2019-09-27 | 天津大学 | 室内场景的稀疏多视角三维重建方法 |
CN110322544A (zh) * | 2019-05-14 | 2019-10-11 | 广东康云科技有限公司 | 一种可视化三维扫描建模方法、系统、设备及存储介质 |
CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
CN110363858A (zh) * | 2019-06-18 | 2019-10-22 | 新拓三维技术(深圳)有限公司 | 一种三维人脸重建方法及系统 |
CN110827408A (zh) * | 2019-10-31 | 2020-02-21 | 上海师范大学 | 一种基于深度传感器的实时三维重建方法 |
CN111047680A (zh) * | 2019-11-05 | 2020-04-21 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种移动设备端三维模型重建系统、方法及存储介质 |
CN111127625A (zh) * | 2019-10-08 | 2020-05-08 | 新拓三维技术(深圳)有限公司 | 一种足部扫描方法、系统及装置 |
CN111150175A (zh) * | 2019-12-05 | 2020-05-15 | 新拓三维技术(深圳)有限公司 | 一种双足三维扫描方法、装置及系统 |
CN111553977A (zh) * | 2020-04-27 | 2020-08-18 | 辽宁科技大学 | 一种用于三维矿山建模的数据处理方法 |
CN111583388A (zh) * | 2020-04-28 | 2020-08-25 | 光沦科技(深圳)有限公司 | 一种三维扫描系统的扫描方法及设备 |
CN111784770A (zh) * | 2020-06-28 | 2020-10-16 | 河北工业大学 | 基于shot和icp算法的无序抓取中的三维姿态估计方法 |
CN112422848A (zh) * | 2020-11-17 | 2021-02-26 | 深圳市歌华智能科技有限公司 | 一种基于深度图和彩色图的视频拼接方法 |
CN112669444A (zh) * | 2020-12-17 | 2021-04-16 | 国网山西省电力公司运城供电公司 | 配网线路无人机巡检典型场景的快速构建方法及系统 |
CN112783196A (zh) * | 2020-12-17 | 2021-05-11 | 国网山西省电力公司运城供电公司 | 配网线路无人机自主飞行路径规划方法及系统 |
CN112817324A (zh) * | 2020-12-17 | 2021-05-18 | 国网山西省电力公司运城供电公司 | 配网线路多无人机协同巡检任务分配方法和系统 |
CN112907455A (zh) * | 2019-12-04 | 2021-06-04 | 财团法人成大研究发展基金会 | 几何相机校正系统及方法 |
WO2021120846A1 (zh) * | 2019-12-20 | 2021-06-24 | 支付宝(杭州)信息技术有限公司 | 三维重建方法、设备以及计算机可读介质 |
CN113538547A (zh) * | 2021-06-03 | 2021-10-22 | 苏州小蜂视觉科技有限公司 | 一种3d线激光传感器的深度处理方法及点胶设备 |
CN113643436A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种深度数据拼接融合方法及装置 |
CN113781315A (zh) * | 2021-07-21 | 2021-12-10 | 武汉市异方体科技有限公司 | 一种基于多视角的同源传感器数据融合滤波方法 |
CN115439644A (zh) * | 2022-08-19 | 2022-12-06 | 广东领慧建筑科技有限公司 | 一种相似点云数据对齐方法 |
CN116543134A (zh) * | 2023-07-06 | 2023-08-04 | 金锐同创(北京)科技股份有限公司 | 数字孪生模型的构建方法、装置、计算机设备和介质 |
-
2018
- 2018-07-12 CN CN201810762485.6A patent/CN109087388A/zh not_active Withdrawn
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109839827A (zh) * | 2018-12-26 | 2019-06-04 | 哈尔滨拓博科技有限公司 | 一种基于全空间位置信息的手势识别智能家居控制系统 |
CN109839827B (zh) * | 2018-12-26 | 2021-11-30 | 哈尔滨拓博科技有限公司 | 一种基于全空间位置信息的手势识别智能家居控制系统 |
CN109685891B (zh) * | 2018-12-28 | 2023-09-01 | 鸿视线科技(北京)有限公司 | 一种基于深度图像的建筑物三维建模与虚拟场景生成方法及系统 |
CN109685891A (zh) * | 2018-12-28 | 2019-04-26 | 鸿视线科技(北京)有限公司 | 基于深度图像的建筑物三维建模与虚拟场景生成系统 |
CN109801365A (zh) * | 2019-01-25 | 2019-05-24 | 上海小萌科技有限公司 | 一种三维建模数据采集装置及其三维建模方法 |
CN109902135A (zh) * | 2019-02-19 | 2019-06-18 | 武大吉奥信息技术有限公司 | 一种矢量瓦片预处理方法及装置 |
CN109902135B (zh) * | 2019-02-19 | 2021-03-19 | 武大吉奥信息技术有限公司 | 一种矢量瓦片预处理方法及装置 |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
US11600008B2 (en) | 2019-03-15 | 2023-03-07 | Baidu Online Network Technology (Beijing) Co., Ltd. | Human-tracking methods, systems, and storage media |
CN109949347A (zh) * | 2019-03-15 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 人体跟踪方法、装置、系统、电子设备和存储介质 |
CN109949347B (zh) * | 2019-03-15 | 2021-09-17 | 百度在线网络技术(北京)有限公司 | 人体跟踪方法、装置、系统、电子设备和存储介质 |
CN110288712A (zh) * | 2019-03-30 | 2019-09-27 | 天津大学 | 室内场景的稀疏多视角三维重建方法 |
CN110322544A (zh) * | 2019-05-14 | 2019-10-11 | 广东康云科技有限公司 | 一种可视化三维扫描建模方法、系统、设备及存储介质 |
CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
CN110335295B (zh) * | 2019-06-06 | 2021-05-11 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
CN110363858A (zh) * | 2019-06-18 | 2019-10-22 | 新拓三维技术(深圳)有限公司 | 一种三维人脸重建方法及系统 |
CN110363858B (zh) * | 2019-06-18 | 2022-07-01 | 新拓三维技术(深圳)有限公司 | 一种三维人脸重建方法及系统 |
CN111127625B (zh) * | 2019-10-08 | 2024-01-12 | 新拓三维技术(深圳)有限公司 | 一种足部扫描方法、系统及装置 |
CN111127625A (zh) * | 2019-10-08 | 2020-05-08 | 新拓三维技术(深圳)有限公司 | 一种足部扫描方法、系统及装置 |
CN110827408A (zh) * | 2019-10-31 | 2020-02-21 | 上海师范大学 | 一种基于深度传感器的实时三维重建方法 |
CN110827408B (zh) * | 2019-10-31 | 2023-03-28 | 上海师范大学 | 一种基于深度传感器的实时三维重建方法 |
CN111047680B (zh) * | 2019-11-05 | 2023-02-17 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种移动设备端三维模型重建系统、方法及存储介质 |
CN111047680A (zh) * | 2019-11-05 | 2020-04-21 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种移动设备端三维模型重建系统、方法及存储介质 |
CN112907455A (zh) * | 2019-12-04 | 2021-06-04 | 财团法人成大研究发展基金会 | 几何相机校正系统及方法 |
CN111150175A (zh) * | 2019-12-05 | 2020-05-15 | 新拓三维技术(深圳)有限公司 | 一种双足三维扫描方法、装置及系统 |
WO2021120846A1 (zh) * | 2019-12-20 | 2021-06-24 | 支付宝(杭州)信息技术有限公司 | 三维重建方法、设备以及计算机可读介质 |
CN111553977B (zh) * | 2020-04-27 | 2023-05-09 | 辽宁科技大学 | 一种用于三维矿山建模的数据处理方法 |
CN111553977A (zh) * | 2020-04-27 | 2020-08-18 | 辽宁科技大学 | 一种用于三维矿山建模的数据处理方法 |
CN111583388B (zh) * | 2020-04-28 | 2023-12-08 | 光沦科技(深圳)有限公司 | 一种三维扫描系统的扫描方法及设备 |
CN111583388A (zh) * | 2020-04-28 | 2020-08-25 | 光沦科技(深圳)有限公司 | 一种三维扫描系统的扫描方法及设备 |
CN111784770B (zh) * | 2020-06-28 | 2022-04-01 | 河北工业大学 | 基于shot和icp算法的无序抓取中的三维姿态估计方法 |
CN111784770A (zh) * | 2020-06-28 | 2020-10-16 | 河北工业大学 | 基于shot和icp算法的无序抓取中的三维姿态估计方法 |
CN112422848A (zh) * | 2020-11-17 | 2021-02-26 | 深圳市歌华智能科技有限公司 | 一种基于深度图和彩色图的视频拼接方法 |
CN112422848B (zh) * | 2020-11-17 | 2024-03-29 | 深圳市歌华智能科技有限公司 | 一种基于深度图和彩色图的视频拼接方法 |
CN112817324A (zh) * | 2020-12-17 | 2021-05-18 | 国网山西省电力公司运城供电公司 | 配网线路多无人机协同巡检任务分配方法和系统 |
CN112669444A (zh) * | 2020-12-17 | 2021-04-16 | 国网山西省电力公司运城供电公司 | 配网线路无人机巡检典型场景的快速构建方法及系统 |
CN112783196A (zh) * | 2020-12-17 | 2021-05-11 | 国网山西省电力公司运城供电公司 | 配网线路无人机自主飞行路径规划方法及系统 |
CN113538547A (zh) * | 2021-06-03 | 2021-10-22 | 苏州小蜂视觉科技有限公司 | 一种3d线激光传感器的深度处理方法及点胶设备 |
CN113781315A (zh) * | 2021-07-21 | 2021-12-10 | 武汉市异方体科技有限公司 | 一种基于多视角的同源传感器数据融合滤波方法 |
CN113643436A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种深度数据拼接融合方法及装置 |
CN113643436B (zh) * | 2021-08-24 | 2024-04-05 | 凌云光技术股份有限公司 | 一种深度数据拼接融合方法及装置 |
CN115439644A (zh) * | 2022-08-19 | 2022-12-06 | 广东领慧建筑科技有限公司 | 一种相似点云数据对齐方法 |
CN115439644B (zh) * | 2022-08-19 | 2023-08-08 | 广东领慧数字空间科技有限公司 | 一种相似点云数据对齐方法 |
CN116543134B (zh) * | 2023-07-06 | 2023-09-15 | 金锐同创(北京)科技股份有限公司 | 数字孪生模型的构建方法、装置、计算机设备和介质 |
CN116543134A (zh) * | 2023-07-06 | 2023-08-04 | 金锐同创(北京)科技股份有限公司 | 数字孪生模型的构建方法、装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087388A (zh) | 基于深度传感器的物体三维建模方法 | |
CN103021017B (zh) | 基于gpu加速的三维场景重建方法 | |
CN107506714B (zh) | 一种人脸图像重光照的方法 | |
JP5094663B2 (ja) | 位置姿勢推定用モデル生成装置、位置姿勢算出装置、画像処理装置及びそれらの方法 | |
CN109118582A (zh) | 一种商品三维重建系统及重建方法 | |
CN105074776B (zh) | 平面自然特征目标的原位形成 | |
CN108734776A (zh) | 一种基于散斑的三维人脸重建方法及设备 | |
CN111127633A (zh) | 三维重建方法、设备以及计算机可读介质 | |
US8854362B1 (en) | Systems and methods for collecting data | |
JP2011521357A5 (zh) | ||
D'Apuzzo | Modeling human faces with multi-image photogrammetry | |
CN109636927B (zh) | 一种飞行器姿态测量算法训练与鉴定的系统及方法 | |
D'Apuzzo | Surface measurement and tracking of human body parts from multi-image video sequences | |
CN111292239A (zh) | 一种三维模型拼接设备及方法 | |
CN112562001B (zh) | 一种物体6d位姿估计方法、装置、设备及介质 | |
CN108663026A (zh) | 一种振动测量方法 | |
JP2003115042A (ja) | 3次元形状モデルの評価方法および生成方法並びに装置 | |
EP4036863A1 (en) | Human body model reconstruction method and reconstruction system, and storage medium | |
CN108073909A (zh) | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 | |
CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
Hilton et al. | From 3d shape capture to animated models | |
JP2000099760A (ja) | 3次元物体モデル生成方法及び3次元物体モデル生成プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
Meyer et al. | Real-time 3D face modeling with a commodity depth camera | |
CN117132737A (zh) | 一种三维建筑模型构建方法、系统及设备 | |
Nguyen et al. | High-definition texture reconstruction for 3D image-based modeling |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181225 |