CN109658515A - 点云网格化方法、装置、设备及计算机存储介质 - Google Patents
点云网格化方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109658515A CN109658515A CN201710941538.6A CN201710941538A CN109658515A CN 109658515 A CN109658515 A CN 109658515A CN 201710941538 A CN201710941538 A CN 201710941538A CN 109658515 A CN109658515 A CN 109658515A
- Authority
- CN
- China
- Prior art keywords
- target object
- reconstruction model
- master pattern
- reconstruction
- registration
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2215/00—Indexing scheme for image rendering
- G06T2215/06—Curved planar reformation of 3D line structures
Abstract
本发明实施例公开了一种点云网格化方法、装置、设备及计算机存储介质。该方法包括:对目标物体对应的点云数据进行网格化重建,得到表征目标物体表面轮廓的重建模型;对重建模型与目标物体对应的标准模型进行图像配准;确定配准后的重建模型中与标准模型不重叠的网格部分;将确定的网格部分从配准后的重建模型中去除,得到目标物体的结果重建模型。本发明实施例的点云网格化方法、装置、设备及计算机存储介质,无需人工后期编辑来修复物体表面的孔洞结构,能够提高修复物体表面的孔洞结构的效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种点云网格化方法、装置、设备及计算机存储介质。
背景技术
在虚拟现实(Virtual Reality,VR)领域和增强现实(Augmented Reality,AR)领域,需要对真实世界的对象物体进行建模。一般而言,建模操作是通过建模扫描设备采集到真实世界对象物体的三维点云数据,并进行网格化处理,将原始的离散三维数据转换为连续的面片集合。网格化处理是模型渲染和可视化的关键步骤。除此之外,网格化的面片模型比离散的点云模型能更好的表现物体真实的三维结构。其中,点云是指通过测量仪器或扫描仪器得到的物体外观表面的点数据集合。
目前的网格化处理算法都会在物体表面形成密封的结构。这样的好处是能够最大限度地保证物体表面的平滑特征,同时又能最大程度保留物体原本的结构特征。但是会填充物体表面的孔洞结构,导致物体失真。为了保留物体表面的孔洞结构,避免物体失真。现有的方法是对物体网格化处理后得到的重建模型进行人工后期编辑,修复物体表面的孔洞结构。
但是,利用人工后期编辑来修复物体表面的孔洞结构,效率较低。
发明内容
本发明实施例提供一种点云网格化方法、装置、设备及计算机存储介质,能够提高修复物体表面的孔洞结构的效率。
一方面,本发明实施例提供了一种点云网格化方法,方法包括:
对目标物体对应的点云数据进行网格化重建,得到表征目标物体表面轮廓的重建模型;
对重建模型与目标物体对应的标准模型进行图像配准;
确定配准后的重建模型中与标准模型不重叠的网格部分;
将确定的网格部分从配准后的重建模型中去除,得到目标物体的结果重建模型。
在本发明的一个实施例中,标准模型为目标物体所属类型的通用外观模型。
在本发明的一个实施例中,对目标物体对应的点云数据进行网格化重建,包括:
基于泊松重建算法,对目标物体对应的点云数据进行网格化重建。
在本发明的一个实施例中,对重建模型与目标物体对应的标准模型进行图像配准,包括:
通过目标物体表面的纹理特征,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,对重建模型与目标物体对应的标准模型进行图像配准,包括:
通过目标物体的结构特征,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,对重建模型与目标物体对应的标准模型进行图像配准,包括:
通过设置在目标物体表面的参考点,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,确定配准后的重建模型中与标准模型不重叠的网格部分,包括:
将配准后的重建模型与标准模型进行三维图形布尔运算得到的差集运算结果,确定为配准后的重建模型中与标准模型不重叠的网格部分。
另一方面,本发明实施例提供了一种点云网格化装置,装置包括:
重建模块,用于对目标物体对应的点云数据进行网格化重建,得到目标物体表面的重建模型;
配准模块,用于对重建模型与目标物体对应的标准模型进行图像配准;
确定模块,用于确定配准后的重建模型中与标准模型不重叠的网格部分;
去除模块,用于将确定模块确定的网格部分从配准后的重建模型中去除,得到目标物体的结果重建模型。
在本发明的一个实施例中,重建模块,具体用于:
基于泊松重建算法,对目标物体对应的点云数据进行网格化重建。
在本发明的一个实施例中,配准模块,具体用于:
通过目标物体表面的纹理特征,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,配准模块,具体用于:
通过目标物体的结构特征,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,配准模块,具体用于:
通过设置在目标物体表面的参考点,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,确定模块,具体用于:
将配准后的重建模型与标准模型进行三维图形布尔运算得到的差集运算结果,确定为配准后的重建模型中与标准模型不重叠的网格部分。
再一方面,本发明实施例提供了一种点云网格化设备,设备包括:存储器和处理器;
存储器用于存储可执行程序代码;
处理器用于读取存储器中存储的可执行程序代码以执行本发明实施例提供的点云网格化方法。
再一方面,本发明实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令;计算机程序指令被处理器执行时实现本发明实施例提供的点云网格化方法。
本发明实施例的点云网格化方法、装置、设备及计算机存储介质,无需人工后期编辑来修复物体表面的孔洞结构,能够提高修复物体表面的孔洞结构的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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示出了本发明实施例提供的点云网格化方法的流程示意图;
图2示出了本发明实施例提供的目标物体的示意图;
图3示出了本发明实施例提供的目标物体对应的点云数据的示意图;
图4示出了本发明实施例提供的网格化重建目标物体对应的点云数据得到的重建模型示意图;
图5示出了本发明实施例提供的目标物体对应的标准模型的示意图;
图6示出了本发明实施例提供的重建模型和标准模型配准过程的示意图;
图7示出了本发明实施例提供的重建模型和标准模型配准结果的示意图;
图8示出了本发明实施例提供的去除网格部分得到的结果重建模型的示意图;
图9示出了本发明实施例提供的点云网格化装置的结构示意图;
图10示出了本发明实施例提供的点云网格化设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现有对物体网格化处理后得到的重建模型需要人工后期编辑,修复物体表面的孔洞结构。但是,利用人工后期编辑来修复物体表面的孔洞结构,效率较低。基于此,本发明实施例提供点云网格化方法、装置、设备及计算机存储介质,来提高修复物体表面的孔洞结构的效率。
下面首先对本发明实施例提供的点云网格化方法进行详细说明。
本发明实施例提供的点云网格化方法的思想是,预先利用计算机辅助设计软件创建一类物体的标准模型。在得到目标物体的点云数据后,对点云数据进行网格化重建得到目标物体对应的密封重建模型,然后利用模型配准的方法对目标物体对应的密封重建模型和目标物体所属类型对应的标准模型进行配准,最后利用标准模型对密封重建模型进行过滤,重现物体的孔洞结构。
图1示出了本发明实施例提供的点云网格化方法的流程示意图。其可以包括:
S101:对目标物体对应的点云数据进行网格化重建,得到表征目标物体表面轮廓的重建模型。
根据重建过程中采用的具体方法可以将网格重建算法分为:基于德洛内(Delaunay)重建法、区域扩张重建法、基于隐式重建法和基于统计学重建法。
基于Delaunay重建方法,具有很强的数学基础,一般能精确地重建物体表面,但计算量比较大,对带有噪声的物体和尖锐特征的物体,采用该方法重建并不能取得比较理想的结果。
区域扩张重建法,一般都是从一个初始种子出发,不断向周边扩张直到所有数据点都被处理,其中初始种子可以是一个三角面片或者一条边。区域扩张重建法思想简单、实现容易、效率高,可以处理复杂拓扑模型的重建,但区域扩张重建法对于尖锐特征重建效果不是很理想。
基于隐式重建法,可以有效处理噪声数据,但不能有效地处理具有尖锐特征的模型,一般只用于计算机视觉和虚拟现实中。
基于统计学重建法,将统计学习和机器学习的方法运用于网格重建。
本发明实施例中对目标物体对应的点云数据进行网格化重建,可以采用上述网格重建算法。
为了描述的清楚起见,在此将以一个实施例进行示例性描述。在本实施例中,对目标物体对应的点云数据进行网格化重建,可以选择泊松重建算法,对目标物体对应的点云数据进行网格化重建。本领域技术人员都可以理解到,可以采用其他重建算法,且本实施例的内容不应被理解为对本方案之实质产生限制。
其中,基于泊松重建算法,对目标物体对应的点云数据进行网格化重建,可以利用泊松重建算法或其衍生算法,对目标物体对应的点云数据进行网格化重建。
由图像生成的三维空间点云,噪声大、稀疏、分布不均。即使经过扩散处理,纹理不丰富的场景也很难得到完整的稠密点云。由于这些问题的存在,重建算法需要推断表面的拓扑结构、过滤噪声数据、合理填充孔洞、调整采样数据、划分模型网络等,而泊松重建算法或其衍生算法可以有效解决以上问题。因此采用泊松重建算法或其衍生算法来实现对图像重建出的点云进行表面重建。
泊松重建算法属于隐函数方法,该算法将有向点集的表面重建转化为一个空间泊松问题。泊松重建算法采取隐性拟合的方式,根据采样点和模型的指示函数之间的积分关系,通过估计模型的指示函数得到模型的近似表示,然后提取等值面,最后对表面重建一个无缝的三角逼近。
S102:对重建模型与目标物体对应的标准模型进行图像配准。
其中,标准模型为目标物体所属类型的通用外观模型。在配准时,将标准模型作为配准的标准参考,将网格化重建后的重建模型与作为参考的标准模型进行配准。
其中,标准模型作为通用外观模型,一般用于代表同一类型的物体的共性形状,比如,“板鞋”标准模型用于代表板鞋这类鞋种的通用外观形状、“马克杯”标准模型用于代表杯柄较大的杯子类型的通用外观形状。
使用标准模型作为参考,可以借鉴某一类物体的通用外观形状,为之后进行配准,得到重建模型的轮廓提供参考。
当目标物体确定后,可以确定该目标物体所属类型,进而确定该类型对应的标准模型,利用标准模型进行图像配准。
在本发明的一个实施例中,可以利用计算机辅助设计软件,比如AutoCAD软件、3dMAX软件、MeshLab软件等预先创建标准模型。
图像配准是指通过在源模型和目标模型之间构造一个三维空间变换,使源模型在此变换作用下能够最大限度地和目标模型重合。
图像配准的主要过程为:首先对两幅图像进行特征提取得到特征点;通过进行相似性度量得到匹配的特征点对;然后通过匹配的特征点对得到图像空间坐标变换参数;最后依据图像空间坐标变换参数进行图像配准。其中,相似性度量即综合评定两个事物之间相近程度的一种度量。两个事物越接近,它们的相似性度量也就越大,而两个事物越疏远,它们的相似性度量也就越小。常用的相似性度量有:相关系数和相似系数;其中,相关系数用于衡量变量之间接近程度,相似系数用于衡量样品之间接近程度。图像空间坐标变换参数可以为两幅图像间的变换矩阵。
在本发明的一个实施例中,图像配准所采用方法的可以为:基于图像灰度的配准方法和基于图像特征的配准方法。
其中,基于图像灰度的配准方法,首先从参考图像中提取目标区域作为配准的模板,然后用模板在待配准图像中滑动,通过相似性度量(如相关系数法、差的平方和法、差的绝对值法、协方差法等)来寻找最佳匹配点。常用的基于图像灰度的配准方法主要有:互相关法(也称模板匹配法)、序贯相似度检测匹配法和交互信息法。
基于图像特征的配准方法,该方法是以图像中某些显著特征(点、线、区域)为配准基元。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应匹配关系,从而实现两幅图像之间逐像素的配准。常用到的图像特征主要有:特征点(包括角点、高曲率点等)、直线段、边缘、轮廓、闭合区域、特征结构以及统计特征(如矩不变量、重心)。
由于在利用测量仪器拍摄目标物体,得到目标物体的点云数据时,拍摄会存在误差并且目标物体自身也会存在遮挡等情况。因此,本发明实施例可以采用基于图像特征的配准方法对重建模型与标准模型进行图像配准,比如迭代就近点法(Iterative ClosestPoint,ICP)。基于特征的图像配准方法在特征点的提取过程中可以减少噪声的影响,对灰度变化、图像形变以及遮挡等有较好的适应能力。
其中,利用ICP算法对重建模型与标准模型进行图像配准的主要过程为:从重建模型和标准模型中提取特征点,找出重建模型和标准模型中的特征点对,计算特征点对中两个特征点的距离,并计算一个变换矩阵T使重建模型和标准模型的间距最小,当间距小于预设距离时,利用当前间距对应的变换矩阵T,配准重建模型与标准模型,使重建模型和目标模型重叠。
在本发明的一个实施例中,对重建模型与目标物体对应的标准模型进行图像配准,可以包括:通过目标物体表面的纹理特征,对重建模型与目标物体对应的标准模型进行图像配准。其中,纹理是指存在于图像中某一范围内的形状很小的、半周期性或有规律地排列的图案。在图像判读中使用纹理表示图像的均匀、细致、粗糙等现象。纹理是图像处理和模式识别的主要特征之一。纹理特征是指图像灰度等级的变化,这种变化是与空间统计相关的。图像的纹理特征反应了图像本身的属性,有助于图像的区分。
在本发明的一个实施例中,对重建模型与目标物体对应的标准模型进行图像配准,可以包括:通过目标物体的结构特征,对重建模型与目标物体对应的标准模型进行图像配准。
物体的结构特征包括物体外观表面的离散点构成的面的朝向信息以及离散点的法向量信息。
在利用纹理特征或结构特征对重建模型和标准模型进行配准时,需要物体表面具有辨识度较高的纹理特征信息或者物体外观表面的离散点构成的面的朝向以及离散点的法向量信息等。通过计算机视觉的图像特征检测以及匹配方法来实现物体表面关键点的匹配,然后利用三维平面单应性原理或者基础矩阵原理获得重建模型和标准模型之间的相对变换关系,即图像空间坐标变换参数,然后依据获得的相对变换关系对重建模型和标准模型进行图像配准。
其中,实现物体表面关键点的匹配所采用的图像特征检测以及匹配方法主要有:尺度不变特征变换(Scale-invariant feature transform,SIFT)、加速特征点检测(Features From Accelerated Segment Test,FAST)、法线方向径向特征(Normal AlignedRadial Feature,NARF)、加速稳健特征(Speeded-Up Robust Features,SURF)、快速最近邻逼近搜索函数库基本匹配(Fast Approximate Nearest Neighbor Search Library BasedMatcher,FlannBasedMatcher)和暴力法匹配(BruteForceMatcher,BFMatcher)。
SIFT是一种检测局部特征的算法,该算法通过求一幅图中的特征点/关键点及其有关描述子得到特征并进行图像特征点匹配。SIFT特征匹配主要包括:SIFT特征的生成和SIFT特征向量的匹配两个阶段。其中,SIFT特征的生成,即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量。
SIFT特征的生成一般包括以下几个步骤:1.构建尺度空间,检测极值点,获得尺度不变性。2.特征点过滤并进行精确定位。3.为特征点分配方向值。4.生成特征描述子。
当两幅图像的SIFT特征向量生成以后,下一步就可以采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取第一幅图的某个关键点,通过遍历找到第二副图中的距离最近的两个关键点。在这两个关键点中,如果最近距离除以次近距离小于某个阈值,则判定为一对匹配点。
FAST特征点检测是速度较快的特征点检测方法,其基于点周围的图像灰度值,检测候选点周围一圈的像素值,如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大,则认为该候选点为一个特征点。
NARF是一种局部特征描述算法,从图像中提取关键点主要过程为:
1、遍历每个深度图像点,通过寻找在近邻区域有深度变化的位置进行边缘检测。2、遍历每个深度图像点,根据近邻区域的表面变化决定一测度表面变化的系数及变化的主方向。3、根据步骤2找到的主方向计算兴趣点,表征该方向和其他方向的不同,以及该处表面的变化情况,即该点有多稳定。4、对兴趣值进行平滑滤波。5、进行无最大值压缩找到的最终关键点,即为NARF关键点。
SURF算法在保持SIFT算法优良性能特点的基础上,同时解决了SIFT计算复杂度高、耗时长的缺点,对兴趣点提取及其特征向量描述方面进行了改进,且计算速度得到提高。
FlannBasedMatcher更快找到最近邻近似匹配,BFMatcher尝试所有可能的匹配,找到最佳匹配。
在计算机视觉中,平面的单应性被定义为一个平面到另一平面的投影映射。当利用单应性原理获得重建模型和标准模型之间的相对变换关系时,获得的相对变换关系为重建模型和标准模型之间的单应性矩阵。单应性矩阵把源图像平面上的点集位置与目标图像平面上的点集位置联系起来。
基础矩阵是同一三维场景在两个不同视点处得到的两幅二维图像之间的几何关系。同一世界坐标系下的同一物体的图像间存在一种几何上的对极约束关系。在立体视觉中,可以利用图像点的匹配来恢复这种几何关系。当获得重建模型和标准模型间的对应点,可以利用对应点的关系恢复出基本矩阵。恢复出的基本矩阵即为重建模型和标准模型之间的相对变换关系。
在本发明的一个实施例中,对重建模型与目标物体对应的标准模型进行图像配准,可以包括:通过设置在目标物体表面的参考点,对重建模型与目标物体对应的标准模型进行图像配准。
使用参考点进行物体匹配多采用计算机视觉领域中较容易进行检测配准的条码信息。在物体表面或者周围布置若干条码信息,获取重建模型和标准模型的条码图像中可用于配准的标志性位置;利用标志性位置确定重建模型和标准模型之间的映射系数,利用所确定的映射系数对重建模型和标准模型进行配准。
S103:确定配准后的重建模型中与标准模型不重叠的网格部分。
三维图形布尔运算包括并集运算、交集运算和差集运算。在图像处理操作中,通过对两个物体或两个以上的物体进行布尔运算可以得到新的物体形态。基于此,在本发明的一个实施例中,确定配准后的重建模型中与标准模型不重叠的网格部分,可以包括:将配准后的重建模型与标准模型进行三维图形布尔运算得到的差集运算结果,确定为配准后的重建模型中与标准模型不重叠的网格部分。
S104:将所确定的网格部分从配准后的重建模型中去除,得到目标物体的结果重建模型。
下面结合具体的实例,对本发明实施例提供的点云网格化方法进行说明。
假设目标物体为如图2所示的鞋,图2示出了本发明实施例提供的目标物体的示意图。该鞋对应的点云数据如图3所示,图3示出了本发明实施例提供的目标物体对应的点云数据的示意图。对图3所示的点云数据进行网格化重建后,得到该鞋的重建模型如图4所示,图4示出了本发明实施例提供的网格化重建目标物体对应的点云数据得到的重建模型示意图。由于在利用测量仪器拍摄鞋,得到鞋的点云数据时,拍摄会存在误差并且鞋自身也会存在遮挡等情况,使得点云数据进行网格化重建得到图4所示的重建模型会存在重建误差,对于图4而言,可以看出鞋内侧以虚线框示出部分的建模结果存在形变和不正常的凹陷,不符合实际鞋类内侧底面的物理构造,存在建模误差。经过申请人的分析,在本实例内的这些建模误差是因为鞋类的开口部分影响了建模扫描设备的扫描操作(例如,不正常的遮挡了采集光,反射了错误的采集光,等)。以此推断,在其他物体的建模过程中,由于物体的外形原因,也会对建模过程产生误差,使得物体的建模模型无法真实表现物体的外形,出现了失真情况。
为了避免建模误差,准确重现对象物体的外观形状(例如,在本示例中,需要准确重现鞋的开孔结构),申请人创造性地提出,将重建模型和标准模型进行图像配准,可以去除重建模型中与标准模型不重叠的网格部分,由此消除误差。
图2所示的鞋属于平板鞋。其中,平板鞋对应的标准模型如图5所示,图5所示的标准模型也即为图2所示的鞋对应的标准模型,图5示出了本发明实施例提供的目标物体对应的标准模型的示意图。
利用ICP配准算法或者改进的ICP配准算法对图4所示的重建模型和图5所示的标准模型进行图像配准。其中,所谓配准是将重建模型中的结构部分,映射到标准模型上,以确定重建模型中的结构部分在真实的对象(标准模型)下的“部位”。例如,重建模型的鞋面部分映射到标准模型的鞋面部分,则确定这部分为“鞋面”;但重建模型的鞋内侧误差建模部分映射到标准模型的鞋口部分,确定这个误差建模部分不应存在,所以在后面步骤中去除这个不重叠即映射错误的部分。去除这部分不重叠的部分即可重现鞋的孔洞结构。
图6示出了本发明实施例提供的重建模型和标准模型配准过程的示意图;其中,图6中左侧为图2所示鞋所属平板鞋的通用外观模型即标准模型,图6中右侧为图2所示鞋的重建模型。配准后结果如图7所示,图7示出了本发明实施例提供的重建模型和标准模型配准结果的示意图。由图7可以看出重建模型附着在标准模型上。
再利用三维图形布尔运算计算配准后的重建模型与标准模型的差集结果,确定配准后的重建模型中与标准模型不重叠的网格部分。
将所确定出的网格部分从配准后的重建模型去除,得到如图8所示鞋的结果重建模型,图8示出了本发明实施例提供的去除网格部分得到的结果重建模型的示意图。图8所示的结果重建模型中保留的图2所示鞋的孔洞结构,避免了失真。
需要说明的是,上述以鞋为例进行说明,仅为本发明的一具体实例,并不构成对本发明的限定。
本发明实施例的点云网格化方法,无需人工后期编辑来修复物体表面的孔洞结构,能够提高修复物体表面的孔洞结构的效率。
与上述的方法实施例相对应,本发明实施例还提供一种点云网格化装置。
图9示出了本发明实施例提供的点云网格化装置的结构示意图。其可以包括:
重建模块201,用于对目标物体对应的点云数据进行网格化重建,得到表征目标物体表面轮廓的重建模型。
配准模块202,用于对重建模型与目标物体对应的标准模型进行图像配准。
确定模块203,用于确定配准后的重建模型中与标准模型不重叠的网格部分。
去除模块204,用于将确定模块203确定的网格部分从配准后的重建模型中去除,得到目标物体的结果重建模型。
在本发明的一个实施例中,标准模型为目标物体所属类型的通用外观模型。
在本发明的一个实施例中,本发明实施例的重建模块201,具体可以用于:
基于泊松重建算法,对目标物体对应的点云数据进行网格化重建。
在本发明的一个实施例中,本发明实施例的配准模块202,具体可以用于:
通过目标物体表面的纹理特征,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,本发明实施例的配准模块202,具体可以用于:
通过目标物体的结构特征,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,本发明实施例的配准模块202,具体可以用于:
通过设置在目标物体表面的参考点,对重建模型与目标物体对应的标准模型进行图像配准。
在本发明的一个实施例中,本发明实施例的确定模块203,具体可以用于:
将配准后的重建模型与标准模型进行三维图形布尔运算得到的差集运算结果,确定为配准后的重建模型中与标准模型不重叠的网格部分。
本发明实施例的点云网格化装置,无需人工后期编辑来修复物体表面的孔洞结构,能够提高修复物体表面的孔洞结构的效率。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图10示出了能够实现根据本发明实施例的点云网格化方法和装置的计算设备的示例性硬件架构的结构图。如图10所示,计算设备300包括输入设备301、输入接口302、中央处理器303、存储器304、输出接口305、以及输出设备306。其中,输入接口302、中央处理器303、存储器304、以及输出接口305通过总线310相互连接,输入设备301和输出设备306分别通过输入接口302和输出接口305与总线310连接,进而与计算设备300的其他组件连接。
具体地,输入设备301接收来自外部的输入信息,并通过输入接口302将输入信息传送到中央处理器303;中央处理器303基于存储器304中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器304中,然后通过输出接口305将输出信息传送到输出设备306;输出设备306将输出信息输出到计算设备300的外部供用户使用。
也就是说,图10所示的计算设备也可以被实现为点云网格化处理设备,该点云网格化处理设备可以包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图1至图9描述的点云网格化处理方法和装置。
本发明实施例还提供一种计算机存储介质,该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的点云网格化处理方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,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,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (15)
1.一种点云网格化方法,其特征在于,所述方法包括:
对目标物体对应的点云数据进行网格化重建,得到表征所述目标物体表面轮廓的重建模型;
对所述重建模型与所述目标物体对应的标准模型进行图像配准;
确定配准后的重建模型中与所述标准模型不重叠的网格部分;
将所述网格部分从所述配准后的重建模型中去除,得到所述目标物体的结果重建模型。
2.根据权利要求1所述的方法,其特征在于,所述标准模型为所述目标物体所属类型的通用外观模型。
3.根据权利要求1所述的方法,其特征在于,所述对所述重建模型与所述目标物体对应的标准模型进行图像配准,包括:
通过所述目标物体表面的纹理特征,对所述重建模型与所述目标物体对应的标准模型进行图像配准。
4.根据权利要求1所述的方法,其特征在于,所述对所述重建模型与所述目标物体对应的标准模型进行图像配准,包括:
通过所述目标物体的结构特征,对所述重建模型与所述目标物体对应的标准模型进行图像配准。
5.根据权利要求1所述的方法,其特征在于,所述对所述重建模型与所述目标物体对应的标准模型进行图像配准,包括:
通过设置在所述目标物体表面的参考点,对所述重建模型与所述目标物体对应的标准模型进行图像配准。
6.根据权利要求1所述的方法,其特征在于,所述确定配准后的重建模型中与所述标准模型不重叠的网格部分,包括:
将配准后的重建模型与所述标准模型进行三维图形布尔运算得到的差集运算结果,确定为配准后的重建模型中与所述标准模型不重叠的网格部分。
7.根据权利要求1所述的方法,其特征在于,所述对目标物体对应的点云数据进行网格化重建,包括:
基于泊松重建算法,对目标物体对应的点云数据进行网格化重建。
8.一种点云网格化装置,其特征在于,所述装置包括:
重建模块,用于对目标物体对应的点云数据进行网格化重建,得到表征所述目标物体表面轮廓的重建模型;
配准模块,用于对所述重建模型与所述目标物体对应的标准模型进行图像配准;
确定模块,用于确定配准后的重建模型中与所述标准模型不重叠的网格部分;
去除模块,用于将所述网格部分从所述配准后的重建模型中去除,得到所述目标物体的结果重建模型。
9.根据权利要求8所述的装置,其特征在于,所述重建模块,具体用于:
基于泊松重建算法,对目标物体对应的点云数据进行网格化重建。
10.根据权利要求8所述的装置,其特征在于,所述配准模块,具体用于:
通过所述目标物体表面的纹理特征,对所述重建模型与所述目标物体对应的标准模型进行图像配准。
11.根据权利要求8所述的装置,其特征在于,所述配准模块,具体用于:
通过所述目标物体的结构特征,对所述重建模型与所述目标物体对应的标准模型进行图像配准。
12.根据权利要求8所述的装置,其特征在于,所述配准模块,具体用于:
通过设置在所述目标物体表面的参考点,对所述重建模型与所述目标物体对应的标准模型进行图像配准。
13.根据权利要求8所述的装置,其特征在于,所述确定模块,具体用于:
将配准后的重建模型与所述标准模型进行三维图形布尔运算得到的差集运算结果,确定为配准后的重建模型中与所述标准模型不重叠的网格部分。
14.一种点云网格化设备,其特征在于,所述设备包括:存储器和处理器;
所述存储器用于存储可执行程序代码;
所述处理器用于读取所述存储器中存储的可执行程序代码以执行权利要求1-7任意一项所述的点云网格化方法。
15.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的点云网格化方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941538.6A CN109658515B (zh) | 2017-10-11 | 2017-10-11 | 点云网格化方法、装置、设备及计算机存储介质 |
TW107127802A TW201923713A (zh) | 2017-10-11 | 2018-08-09 | 點雲網格化方法、裝置、設備及電腦儲存介質 |
US16/157,038 US10706622B2 (en) | 2017-10-11 | 2018-10-10 | Point cloud meshing method, apparatus, device and computer storage media |
PCT/US2018/055301 WO2019075128A1 (en) | 2017-10-11 | 2018-10-10 | METHOD, APPARATUS, DEVICE AND COMPUTER STORAGE MEDIUM FOR SCORING POINT CLOUDING |
EP18865812.4A EP3695384B1 (en) | 2017-10-11 | 2018-10-10 | Point cloud meshing method, apparatus, device and computer storage media |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941538.6A CN109658515B (zh) | 2017-10-11 | 2017-10-11 | 点云网格化方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658515A true CN109658515A (zh) | 2019-04-19 |
CN109658515B CN109658515B (zh) | 2022-11-04 |
Family
ID=65993341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710941538.6A Active CN109658515B (zh) | 2017-10-11 | 2017-10-11 | 点云网格化方法、装置、设备及计算机存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10706622B2 (zh) |
EP (1) | EP3695384B1 (zh) |
CN (1) | CN109658515B (zh) |
TW (1) | TW201923713A (zh) |
WO (1) | WO2019075128A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110169820A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种关节置换手术位姿标定方法及装置 |
CN110992483A (zh) * | 2019-11-19 | 2020-04-10 | 中国石油大学(华东) | 基于逆向建模打印真实三维缝洞型油藏物理模型的方法 |
CN111210521A (zh) * | 2020-01-06 | 2020-05-29 | 江南造船(集团)有限责任公司 | 面向vr的船舶巨数据模型轻量化方法、系统、终端以及介质 |
CN111814774A (zh) * | 2020-09-10 | 2020-10-23 | 熵智科技(深圳)有限公司 | 一种5d纹理网格数据结构 |
CN112669460A (zh) * | 2020-12-31 | 2021-04-16 | 新拓三维技术(深圳)有限公司 | 一种工件缺陷检测方法、系统及计算机可读存储介质 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200202622A1 (en) * | 2018-12-19 | 2020-06-25 | Nvidia Corporation | Mesh reconstruction using data-driven priors |
WO2020235979A1 (ko) | 2019-05-23 | 2020-11-26 | 삼성전자 주식회사 | 포인트 클라우드 기반 데이터를 렌더링하는 방법 및 장치 |
CN110415331B (zh) * | 2019-06-14 | 2022-08-19 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于点云数据的轮廓或孔洞快速检测判别和孔洞修补方法 |
CN110415337B (zh) * | 2019-07-12 | 2021-03-23 | 广州大学 | 一种基于影像直线特征的建筑物屋顶面重建方法和装置 |
CN110930443B (zh) * | 2019-11-27 | 2023-04-07 | 中国科学院深圳先进技术研究院 | 图像配准方法、装置及终端设备 |
CN112950706B (zh) * | 2019-12-11 | 2023-11-03 | 京东科技信息技术有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
US11164369B2 (en) | 2019-12-20 | 2021-11-02 | Argo AI, LLC | Methods and systems for constructing map data using poisson surface reconstruction |
CN111401249B (zh) * | 2020-03-17 | 2023-08-08 | 中科(厦门)数据智能研究院 | 一种基于不同粒度特征匹配一致性的物体重识别方法 |
US11869152B2 (en) * | 2020-05-13 | 2024-01-09 | Bodygram, Inc. | Generation of product mesh and product dimensions from user image data using deep learning networks |
CN111833451B (zh) * | 2020-07-13 | 2023-01-17 | 林嘉恒 | 一种区块化的可见光数据重组立体扫描重构的方法 |
US20220156972A1 (en) * | 2020-11-16 | 2022-05-19 | Waymo Llc | Long range distance estimation using reference objects |
CN116824059A (zh) * | 2021-03-02 | 2023-09-29 | 武汉联影智融医疗科技有限公司 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN113128095B (zh) * | 2021-04-27 | 2022-04-22 | 中国科学院武汉岩土力学研究所 | 一种三维网格模型的构建方法及装置 |
CN113596432B (zh) * | 2021-07-30 | 2024-04-30 | 成都市谛视科技有限公司 | 可变视角的3d视频制作方法、装置、设备及存储介质 |
CN116071274A (zh) * | 2023-03-23 | 2023-05-05 | 成都工业学院 | 一种基于点云区域生长的跨面孔洞修补方法及系统 |
CN116758205B (zh) * | 2023-08-24 | 2024-01-26 | 先临三维科技股份有限公司 | 数据处理方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030067461A1 (en) * | 2001-09-24 | 2003-04-10 | Fletcher G. Yates | Methods, apparatus and computer program products that reconstruct surfaces from data point sets |
CN104299260A (zh) * | 2014-09-10 | 2015-01-21 | 西南交通大学 | 一种基于sift和lbp的点云配准的接触网三维重建方法 |
CN107067469A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军装甲兵工程学院 | 获取损伤零件缺损部位模型的系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7065242B2 (en) * | 2000-03-28 | 2006-06-20 | Viewpoint Corporation | System and method of three-dimensional image capture and modeling |
US6904394B2 (en) * | 2001-09-07 | 2005-06-07 | Delta Search Labs, Inc. | Nurbs based CNC machine process using boolean substraction |
US8666128B2 (en) * | 2007-10-18 | 2014-03-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for mapping regions in a model of an object comprising an anatomical structure from one image data set to images used in a diagnostic or therapeutic intervention |
WO2012037157A2 (en) * | 2010-09-13 | 2012-03-22 | Alt Software (Us) Llc | System and method for displaying data having spatial coordinates |
US9940727B2 (en) * | 2014-06-19 | 2018-04-10 | University Of Southern California | Three-dimensional modeling from wide baseline range scans |
CN105336005B (zh) * | 2014-06-27 | 2018-12-14 | 华为技术有限公司 | 一种获取目标物体体征数据的方法、装置及终端 |
US10076389B2 (en) * | 2015-02-13 | 2018-09-18 | Align Technology, Inc. | Three-dimensional tooth modeling using a two-dimensional x-ray image |
US20160314616A1 (en) * | 2015-04-23 | 2016-10-27 | Sungwook Su | 3d identification system with facial forecast |
ES2563098B1 (es) * | 2015-06-15 | 2016-11-29 | Davantis Technologies Sl | Procedimiento de mejora de imagen IR basado en información de escena para videoanálisis |
WO2017027638A1 (en) * | 2015-08-10 | 2017-02-16 | The Board Of Trustees Of The Leland Stanford Junior University | 3d reconstruction and registration of endoscopic data |
EP3188033B1 (en) | 2015-12-31 | 2024-02-14 | Dassault Systèmes | Reconstructing a 3d modeled object |
US10841486B2 (en) * | 2017-07-20 | 2020-11-17 | Eclo, Inc. | Augmented reality for three-dimensional model reconstruction |
US20190096135A1 (en) * | 2017-09-26 | 2019-03-28 | Aquifi, Inc. | Systems and methods for visual inspection based on augmented reality |
-
2017
- 2017-10-11 CN CN201710941538.6A patent/CN109658515B/zh active Active
-
2018
- 2018-08-09 TW TW107127802A patent/TW201923713A/zh unknown
- 2018-10-10 WO PCT/US2018/055301 patent/WO2019075128A1/en unknown
- 2018-10-10 US US16/157,038 patent/US10706622B2/en active Active
- 2018-10-10 EP EP18865812.4A patent/EP3695384B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030067461A1 (en) * | 2001-09-24 | 2003-04-10 | Fletcher G. Yates | Methods, apparatus and computer program products that reconstruct surfaces from data point sets |
CN104299260A (zh) * | 2014-09-10 | 2015-01-21 | 西南交通大学 | 一种基于sift和lbp的点云配准的接触网三维重建方法 |
CN107067469A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军装甲兵工程学院 | 获取损伤零件缺损部位模型的系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110169820A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种关节置换手术位姿标定方法及装置 |
CN110992483A (zh) * | 2019-11-19 | 2020-04-10 | 中国石油大学(华东) | 基于逆向建模打印真实三维缝洞型油藏物理模型的方法 |
CN110992483B (zh) * | 2019-11-19 | 2024-04-09 | 中国石油大学(华东) | 基于逆向建模打印真实三维缝洞型油藏物理模型的方法 |
CN111210521A (zh) * | 2020-01-06 | 2020-05-29 | 江南造船(集团)有限责任公司 | 面向vr的船舶巨数据模型轻量化方法、系统、终端以及介质 |
CN111210521B (zh) * | 2020-01-06 | 2022-09-16 | 江南造船(集团)有限责任公司 | 面向vr的船舶巨数据模型轻量化方法、系统、终端以及介质 |
CN111814774A (zh) * | 2020-09-10 | 2020-10-23 | 熵智科技(深圳)有限公司 | 一种5d纹理网格数据结构 |
CN111814774B (zh) * | 2020-09-10 | 2020-12-18 | 熵智科技(深圳)有限公司 | 一种5d纹理网格数据结构 |
WO2022052893A1 (zh) * | 2020-09-10 | 2022-03-17 | 熵智科技(深圳)有限公司 | 一种5d纹理网格数据结构 |
CN112669460A (zh) * | 2020-12-31 | 2021-04-16 | 新拓三维技术(深圳)有限公司 | 一种工件缺陷检测方法、系统及计算机可读存储介质 |
CN112669460B (zh) * | 2020-12-31 | 2023-07-25 | 新拓三维技术(深圳)有限公司 | 一种工件缺陷检测方法、系统及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3695384A4 (en) | 2021-06-30 |
EP3695384B1 (en) | 2023-09-20 |
CN109658515B (zh) | 2022-11-04 |
US10706622B2 (en) | 2020-07-07 |
WO2019075128A1 (en) | 2019-04-18 |
TW201923713A (zh) | 2019-06-16 |
US20190108679A1 (en) | 2019-04-11 |
EP3695384A1 (en) | 2020-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658515A (zh) | 点云网格化方法、装置、设备及计算机存储介质 | |
CN111063021B (zh) | 一种空间运动目标的三维重建模型建立方法及装置 | |
EP3382644B1 (en) | Method for 3d modelling based on structure from motion processing of sparse 2d images | |
CN106910242B (zh) | 基于深度相机进行室内完整场景三维重建的方法及系统 | |
US8385630B2 (en) | System and method of processing stereo images | |
JP6216508B2 (ja) | 3dシーンにおける3d物体の認識および姿勢決定のための方法 | |
CN106780751A (zh) | 基于改进的屏蔽泊松算法的三维点云重建方法 | |
CN108921895B (zh) | 一种传感器相对位姿估计方法 | |
CN107657644B (zh) | 一种移动环境下稀疏场景流检测方法和装置 | |
Li et al. | Coordinating multiple disparity proposals for stereo computation | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN116935013B (zh) | 基于三维重建的电路板点云大范围拼接方法及系统 | |
Pingi et al. | Exploiting the scanning sequence for automatic registration of large sets of range maps | |
JP2005165969A (ja) | 画像処理装置、及び方法 | |
CN103679764A (zh) | 一种图像生成方法及装置 | |
Muresan et al. | Improving local stereo algorithms using binary shifted windows, fusion and smoothness constraint | |
Cheng et al. | Tree skeleton extraction from a single range image | |
CN113111741A (zh) | 一种基于三维特征点的装配状态识别方法 | |
Liang et al. | Robust recovery of shapes with unknown topology from the dual space | |
He et al. | 3D reconstruction of Chinese hickory trees for mechanical harvest | |
Murayama et al. | Depth Image Noise Reduction and Super-Resolution by Pixel-Wise Multi-Frame Fusion | |
Yao et al. | Robust range image registration using 3D lines | |
CN117710603B (zh) | 一种直线几何结构约束下无人机图像三维建筑物建模方法 | |
CN117853656A (zh) | 激光点云与单镜头影像融合构建三维模型的方法和系统 | |
West et al. | Using symmetry, ellipses, and perceptual groups for detecting generic surfaces of revolution in 2D images |
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 |