CN110163863A - 三维物体分割方法、设备和介质 - Google Patents
三维物体分割方法、设备和介质 Download PDFInfo
- Publication number
- CN110163863A CN110163863A CN201811315438.3A CN201811315438A CN110163863A CN 110163863 A CN110163863 A CN 110163863A CN 201811315438 A CN201811315438 A CN 201811315438A CN 110163863 A CN110163863 A CN 110163863A
- Authority
- CN
- China
- Prior art keywords
- cloud
- point
- dimension object
- point cloud
- scaling
- 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 53
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 30
- 238000000638 solvent extraction Methods 0.000 claims description 20
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000003892 spreading Methods 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
公开了三维物体分割方法、设备和介质。所述三维物体分割方法,包括:获取三维物体的点云;确定所述点云的三个缩放方向;分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及基于缩放后的点云,确定所述三维物体的分割结果。
Description
技术领域
本公开涉及三维仿真领域,更具体地说,涉及三维物体分割方法、设备和介质。
背景技术
基于模拟的物理仿真在影视、动漫、游戏以及机器人控制等方面都有广泛应用。为了高效准确地模拟现实物理环境中的碰撞,或者让用户能够实时地进行交互,在游戏以及影视制作中,开发者们常常使用凸的形状,比如圆柱体、椭圆体或凸多面体来近似虚拟世界里的物体。但是,在实际中存在大量凹的物体,如果使用简单的凸集近似,不但近似误差很大而且会产生虚假碰撞。
为了解决这个问题,需要对现实物理环境中的三维物体进行凸分割。即,将三维物体分割成若干个子物体,并且保证每个子物体都是凸集。
目前,存在精确的凸集分割算法。然而,这种算法的运算量是指数增长的。这种算法不但在计算上不实际,而且还会分割出过量的子物体,不利于在仿真环境中使用。为了克服这些缺点,在现有技术中,还提出了近似的凸集分割算法,其在允许局部的微小凹陷的前提下,实现了分割速度、数量以及模拟碰撞效果的均衡。
室内环境是一个经典的物理仿真对象。室内环境中三维物体的形状更加复杂,并且碰撞发生得更加频繁。这对三维物体分割提出了更高的要求。在室内环境中存在大量的薄壁型物体,如墙面、桌面以及各类板材等,其中很多还具有镂空结构,比如有门窗的墙面以及抽屉柜子等。这类物体的存在进一步加大了三维物体分割的难度。
上文中所述的近似凸集分割算法对于具有镂空结构的薄壁型物体的分割效果往往很差。直观上讲,这是因为传统的近似凸集分割算法难以有效地区分薄壁物体的镂空结构与小的结构凹陷。具体来说,现有的近似凸集算法在对三维物体进行分割时,对所有方向的处理是一致,并没有考虑到薄壁型物体的特殊结构,然而很多薄壁型物体的凹度对于方向是及其敏感的。
发明内容
鉴于以上情形,期望提供能够针对镂空薄壁型物体提高分割效果的三维物体分割方法和设备。
根据本发明的一个方面,提供了一种三维物体分割方法,包括:获取三维物体的点云;确定所述点云的三个缩放方向;分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及基于缩放后的点云,确定所述三维物体的分割结果。
另外,在根据本公开的实施例的三维物体分割方法中,确定所述点云数据的三个缩放方向的步骤进一步包括:对所述点云进行三维空间椭圆拟合;以所拟合的椭圆体的三个轴作为坐标轴建立第一坐标系;基于所述点云在所述第一坐标系下的投影,确定所述点云的最小外接平行六面体;以及以分别与所述平行六面体的三个相邻平面垂直的方向作为所述三个缩放方向。
另外,在根据本公开的实施例的三维物体分割方法中,基于所述点云在所述第一坐标系下的投影,确定所述点云的最小外接平行六面体的步骤进一步包括:通过对所述点云在各坐标轴平面下的投影进行旋转尺度卡取,获得所述点云的最小外接长方体;以及通过调整所述最小外接长方体的边,获得所述最小外接平行六面体,其中所述最小外接平行六面体的体积小于所述最小外接长方体的体积。
另外,在根据本公开的实施例的三维物体分割方法中,分别沿所述三个缩放方向缩放所述点云的位置的步骤进一步包括:以所述三个缩放方向为坐标轴建立第二坐标系;将所述点云中各点的坐标变换为所述第二坐标系下的坐标;分别确定点云中各点在所述第二坐标系中的各个坐标轴下的最大值和最小值;以及基于所述最大值和最小值,对点云中各点的坐标值进行归一化。
另外,在根据本公开的实施例的三维物体分割方法中,基于缩放后的点云数据,确定所述三维物体的分割结果的步骤进一步包括:基于缩放后的点云,确定重建所述三维物体的外表面的多个模型面片;基于面片之间的相似度关系,将所述多个模型面片聚类为多个面片组;以及确定邻接且为凸集的面片组的最大集合,并将所述面片组的最大集合作为所述三维物体的一个分割部分。
另外,在根据本公开的实施例的三维物体分割方法中,基于缩放后的点云数据,确定重建所述三维物体的外表面的多个模型面片的步骤进一步包括:以多个等大的第一立方体切割所述点云;以第一立方体的端点替换所述点云中的所有点,并获得更新点云;以多个等大的第二立方体切割所述更新点云,其中所述第二立方体的体积大于所述第一立方体的体积;基于所述第二立方体与所述更新点云的点交叉情况,确定对应的模型面片。
另外,在根据本公开的实施例的三维物体分割方法中,在确定重建所述三维物体的外表面的多个模型面片的步骤之后,进一步包括:在每个模型面片上,增加调整点;以及基于增加的调整点,生成新的模型面片。
根据本公开的另一方面,提供了一种三维物体分割设备,包括:获取单元,用于获取三维物体的点云;缩放方向确定单元,用于确定所述点云的三个缩放方向;缩放单元,用于分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及分割单元,用于基于缩放后的点云,确定所述三维物体的分割结果。
另外,在根据本公开的实施例的三维物体分割设备中,所述缩放方向确定单元进一步包括:拟合部件,用于对所述点云进行三维空间椭圆拟合,并以所拟合的椭圆体的三个轴作为坐标轴建立第一坐标系;最小外接平行六面体搜索部件,用于基于所述点云在所述第一坐标系下的投影,确定所述点云的最小外接平行六面体;以及缩放方向确定部件,用于以分别与所述平行六面体的三个相邻平面垂直的方向作为所述三个缩放方向。
另外,在根据本公开的实施例的三维物体分割设备中,所述最小外接平行六面体搜索部件进一步被配置为:通过对所述点云在各坐标轴平面下的投影进行旋转尺度卡取,获得所述点云的最小外接长方体;以及通过调整所述最小外接长方体的边,获得所述最小外接平行六面体,其中所述最小外接平行六面体的体积小于所述最小外接长方体的体积。
另外,在根据本公开的实施例的三维物体分割设备中,所述缩放单元进一步被配置为:以所述三个缩放方向为坐标轴建立第二坐标系;将所述点云中各点的坐标变换为所述第二坐标系下的坐标;分别确定点云中各点在所述第二坐标系中的各个坐标轴下的最大值和最小值;以及基于所述最大值和最小值,对点云中各点的坐标值进行归一化。
另外,在根据本公开的实施例的三维物体分割设备中,所述分割单元进一步包括:面片重建部件,用于基于缩放后的点云,确定重建所述三维物体的外表面的多个模型面片;聚类部件,用于基于面片之间的相似度关系,将所述多个模型面片聚类为多个面片组;以及分割部件,用于确定邻接且为凸集的面片组的最大集合,并将所述面片组的最大集合作为所述三维物体的一个分割部分。
另外,在根据本公开的实施例的三维物体分割设备中,所述面片重建部件进一步被配置为:以多个等大的第一立方体切割所述点云;以第一立方体的端点替换所述点云中的所有点,并获得更新点云;以多个等大的第二立方体切割所述更新点云,其中所述第二立方体的体积大于所述第一立方体的体积;基于所述第二立方体与所述更新点云的点交叉情况,确定对应的模型面片。
另外,在根据本公开的实施例的三维物体分割设备中,所述分割单元进一步包括:调整部件,用于在每个模型面片上,增加调整点,并基于增加的调整点,生成新的模型面片。
根据本公开的再一方面,提供了一种三维物体分割设备,包括:存储单元,在其上存储计算机程序;处理单元,用于当执行所述计算机程序时,实现如下步骤:获取三维物体的点云;确定所述点云的三个缩放方向;分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及基于缩放后的点云,确定所述三维物体的分割结果。
根据本公开的又一方面,提供了一种计算机可读记录介质,其上存储计算机程序,当由处理单元执行所述计算机程序时,实现如下步骤:获取三维物体的点云;确定所述点云的三个缩放方向;分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及基于缩放后的点云,确定所述三维物体的分割结果。
在根据本公开的实施例的三维物体分割方法、设备和介质中,将表示三维物体的点云在各个方向上缩放至相同的尺度,因此在后续的分割处理中,将不再会把例如薄壁型物体的镂空结构识别为可近似的凹陷,从而与传统的三维物体分割算法相比,进一步提高了分割的准确度。
附图说明
图1是图示根据本公开的实施例的三维物体分割方法的流程图;
图2是图示作为待分割的三维物体的一种示例的示意图;
图3是用于说明二次误差测度简化算法的示意图;
图4是图示图1中所示的缩放方向确定步骤的一种可能的处理过程的流程图;
图5(A)和图5(B)是用于说明三维空间椭圆拟合的示意图;
图6是示出了在三维空间椭圆拟合之后得到的第一坐标系的示意图;
图7是示出了所述三维物体的点云在第一坐标系下沿各个坐标轴的投影的示意图;
图8是图示图1中所示的分割步骤的具体过程的流程图;
图9是示出了在图8所述的缩放处理之后获得的三维物体的示意图;
图10是示出了通过图1中所示的分割处理获得的三维物体分割结果的示意图;
图11是示出了通过将图10中所示的分割结果的坐标系反变换回原来的坐标系和尺度而得到最终的分割结果的示意图;
图12是示出了作为比较示例的、通过传统近似凸集分割算法获得的分割结果的示意图;
图13是示出了图1中的分割处理的具体过程的流程图;
图14示出了用于重建物体外表面轮廓的对照表;
图15是图示根据本公开的实施例的三维物体分割设备的具体配置的功能性框图;
图16示出了图15中的缩放方向确定单元的具体配置的一种示例;
图17示出了图15中的分割单元的具体配置的一种示例;
图18示出了根据本公开的三维物体分割设备作为硬件实体的一个示例;以及
图19示出了根据本公开的实施例的计算机可读记录介质的示意图。
具体实施方式
下面将参照附图对本发明的各个优选的实施方式进行描述。提供以下参照附图的描述,以帮助对由权利要求及其等价物所限定的本发明的示例实施方式的理解。其包括帮助理解的各种具体细节,但它们只能被看作是示例性的。因此,本领域技术人员将认识到,可对这里描述的实施方式进行各种改变和修改,而不脱离本发明的范围和精神。而且,为了使说明书更加清楚简洁,将省略对本领域熟知功能和构造的详细描述。
首先,将参照图1描述根据本公开的实施例的三维物体分割方法。如图1所示,所述三维物体分割方法包括以下步骤。
首先,在步骤S101,获取三维物体的点云。例如,图2示出了作为待分割的三维物体的一种示例。如图2所示,所述三维物体为室内场景下的具有窗户和门的墙面。可以通过激光扫描部件对三维物体进行扫描来生成点云。在实际场景中,所生成的点云通常具有相当高的复杂度。例如,可以使用三角形网格来描述三维模型(即,上文中所述的三维物体)。复杂的三角形网格模型常常由几十万甚至上亿个三角形面片组成。考虑到处理速度以及存储大小的要求,必须进行简化。简化网格模型要求在合并网格的顶点的同时尽可能保留模型形状的信息。因此,作为一种可能的实施方式,可以进一步通过诸如合并点、删除点之类的方式对原始获得的点云进行简化处理,以便降低后续算法的复杂度,以加速整个计算过程。例如,在点云简化处理的过程中,可以采用二次误差测度(Quadric Error Metrics,QEM)简化算法。由于QEM算法针对全局考虑了每个点的简化误差,因此通过QEM简化得到的点云能够保证在简化的同时极少地损失精确度。
例如,通过QEM算法简化点云的具体过程如下。给定相邻的一组顶点{v1,v2,...,vk},需要确定来替换它们。这里,通过最小化二次误差测度来确定将一个点v到平面f的距离的平方记为d2(v,f),F(vi)表示以vi为顶点的网格面的集合,且平面f为F(vi)中的平面,则合并后的二次误差测度为:
通过最小化来确定例如,在具体使用时,可以取k=2。假设顶点v1,v2为顶点的网格面共有三个。如图3所示,蓝色虚线是合并点分别到这三个平面的距离,因此三条蓝色虚线的长度的平方和就是合并点的二次误差测度。对所有相邻的两个点分别计算最小二次误差测度,并按照最小二次误差测度从小到大的顺序依次合并,直至达到预先指定的顶点个数。
如上文中所述,物体的凹度对于方向是敏感的。如果一个三维物体在某个维度(如,厚度方向)上的尺寸与其他两个维度上的尺寸相差很大(比如不是同一个量级),那么该三维物体在这个维度上的凹陷是不能被近似的。为了能够避免物体在这个维度上的凹陷被近似,在根据本公开的实施例的三维物体分割方法中,将表示三维物体的点云在空间中的三个维度上的尺寸缩放到相同的尺度(例如,相同的量级或相同的尺寸)。例如,对于薄壁型物体,点云的缩放是指将其在高度方向上的尺寸放大,并且将其在长度和宽度方向上的尺寸缩小。也就是说,在不改变其外表面凹凸结构的情况下将其形变为一个在长宽高三个方向上尺寸相同或大致相同的物体。
具体来说,在步骤S102,首先确定所述点云的三个缩放方向。由于物体所处的是三维空间,因此对物体的点云在三个维度上执行缩放。也就是说,在执行点云的缩放之前,需要首先确定在哪三个缩放方向上执行缩放。
例如,可以将在步骤S101中获得的点云所处的世界坐标系的三个坐标轴作为所述点云的三个缩放方向。然而,三维物体的点云可能不处于世界坐标系的中心,或者可能具有一定的旋转角度。因此,作为一种更优选的实施方式,希望将坐标系变换到以三维物体的点云的中心为原点的坐标系,并在该坐标系下进一步确定所述点云的缩放方向。
具体地,图4示出了步骤S102的一种可能的处理过程。如图4所示,确定所述点云数据的三个缩放方向的步骤可以进一步包括以下步骤。
首先,在步骤S1021,对所述点云进行三维空间椭圆拟合。例如,可以首先对所述点云进行空间均匀分布点采样,然后对这些采样点进行三维空间椭圆拟合。所谓三维空间椭圆拟合是指,在空间中寻找一个椭圆体,使得大部分采样点能够落在或者靠近所述椭圆体的表面。
具体来说,已经在上文中所述的步骤S101获得三维物体的点云数据。这些点云数据就是空间中三维点坐标的集合,将其记为可以这些点带入如下椭圆体方程:
Ax2+By2+Cz2+Dxy+Exz+Fyz+Gx+Hy+Kz+L=0,
并且满足参数要求D2<4AB,E2<4AC,以及F2<4BC。首先,使用最小二乘的方法确定这些参数的初始解。然后,使用高斯-牛顿迭代法,确定最终参数。一旦椭圆体方程中的各个参数被确定,椭圆体方程也就被确定。从而,能够确定拟合椭圆体。图5(A)示出了三维物体的点云的一种示例。如图所示,图5(A)中所示的点集可以通过图5(B)中所示的椭圆体来拟合。
然后,在得到能够拟合所述点云的椭圆体之后,在步骤S1022,以所拟合的椭圆体的三个轴(即,三个半径的方向)作为坐标轴建立第一坐标系。图6示出了通过步骤S1021获得的拟合椭圆体的三个半径方向,并且将其分别作为第一坐标系的x、y、z轴。如图6所示,通过三维空间椭圆拟合所确定的第一坐标系是以三维物体的点云的中心作为坐标原点的坐标系。
接下来,在步骤S1023,基于所述点云在所述第一坐标系下的投影,确定所述点云的最小外接平行六面体。
具体来说,首先,通过对所述点云在各坐标轴平面下的投影进行旋转尺度卡取,获得所述点云的最小外接长方体。例如,作为一种可能的实施方式,首先,对于点云在xy坐标平面内的投影,使用垂直于xy坐标平面的四个平面进行旋转尺度卡取,以选择能够包括点云在xy坐标平面内的投影的最小面积的四个平面,其中这四个平面包括两组平行平面,且这两组平行平面彼此正交。然后,对于点云在xz坐标平面或yz坐标平面的投影,使用垂直于xz坐标平面或yz坐标平面的两个平行平面进行旋转尺度卡取,以选择能够卡取点云在xz坐标平面或yz坐标平面内的投影的最小尺寸的两个平面。这样,通过以上方式确定出的六个平面就可以构成所述点云的最小外接长方体。图7示出了所述三维物体的点云在第一坐标系下沿各个坐标轴的投影。从图7可以看出,由于三维物体为一长方体薄板,因此其最小外接长方体就是其本身。
然而,当三维物体为其他形状的薄壁型物体时,还存在进一步缩小外接长方体的体积的可能性。可以通过调整所述最小外接长方体的边,例如,通过倾斜最小外接长方体的侧棱并减小最小外接长方体的高度的方式,进一步缩小能够包括点云中所有点的外接平行六面体的体积,直至所述体积不能再缩小为止。将此时获得的平行六面体作为所述点云的最小外接平行六面体。这里,所述最小外接平行六面体的体积小于所述最小外接长方体的体积。
最后,在步骤S1024,以分别与所述平行六面体的三个相邻平面垂直的方向作为所述三个缩放方向。图7中示出的x、y、z轴即为所述三个缩放方向。如上文中所述,当三维物体为一长方体薄板时,其最小外接长方体就是其本身。因此,通过比较图6和图7可以看出,图7中的作为缩放方向的各坐标轴与图6中的各坐标轴是相同的。然而,这里需要指出的是,当三维物体为其他形状的薄壁型物体时,还可以进一步将最小外接长方体调整为最小外接平行六面体以将其体积调整至最小。在这种情况下,调整后的作为缩放方向的各坐标轴与图6中的各坐标轴存在微小差异。
返回参照图1,在确定出点云的缩放方向之后,接下来,在步骤S103,分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同。这里,尺度相同是指缩放后的点云在所述三个缩放方向上的尺寸处于相同的量级(如,几厘米、几米等),或者尺寸相同或大致相同。
具体地,图8示出了步骤S103的一种可能的处理过程。如图8所示,分别沿所述三个缩放方向缩放所述点云的位置的步骤可以进一步包括以下步骤。
首先,在步骤S1031,以所述三个缩放方向为坐标轴建立第二坐标系。如果在图4中的步骤S1023确定出的所述点云的最小外接平行六面体为长方体,那么所述三个缩放方向是彼此垂直的。否则,所述三个缩放方向是不垂直的。也就是说,第二坐标系下的三个坐标轴可能是不垂直的。但这并不影响缩放后的点云的表面凹凸结构,而且如上下文中所述,在分割完成之后,还会将坐标系变换回最初的世界坐标系。
然后,在步骤S1032,将所述点云中各点的坐标变换为所述第二坐标系下的坐标。
接下来,在步骤S1033,分别确定点云中各点在所述第二坐标系中的各个坐标轴下的最大值和最小值。
最后,在步骤S1034,基于所述最大值和最小值,对点云中各点的坐标值进行归一化。从而,完成了点云中各点的位置的缩放,使得各点的位置均被归一化至(-1,1)之间的数值。
图9示出了在图8所述的缩放处理之后获得的三维物体的示意图。如图9所示,将原始的薄板型物体调整为在空间的三个维度上尺度相同的物体。
返回参照图1,最后,在步骤S104,基于缩放后的点云,确定所述三维物体的分割结果,如图10所示。
当然,由于在之前执行了坐标系变换和缩放的步骤,因此,对于在步骤S104得到的三维物体的分割结果,还需要将坐标系反变换回原来的坐标系和尺度,以得到最终的分割结果,如图11所示。
根据本公开的实施例的三维物体分割算法属于近似凸集分割算法。在根据本公开的实施例的三维物体分割方法中,将表示三维物体的点云在各个方向上缩放至相同的尺度,因此在后续的分割处理中,将不再会把例如薄壁型物体的镂空结构识别为可近似的凹陷,从而与传统的近似凸集分割算法相比,进一步提高了分割的准确度。图12示出了作为比较示例的、通过传统近似凸集分割算法获得的分割结果。从图12中可以清楚地看出,传统的三维物体分割算法将整个墙面识别成一个整体而不进行任何分割,而本公开的三维物体分割算法能够准确地对于具有镂空结构的墙面进行凸集分割。
图13示出了图1中的分割处理的具体过程。如图13所示,确定所述三维物体的分割结果的步骤可以进一步包括以下步骤。
首先,在步骤S1041,基于缩放后的点云,确定重建所述三维物体的外表面的多个模型面片。
例如,作为一种可能的实施方式,可以通过如下方式来重建所述三维物体的外表面的多个模型面片。
首先,以多个等大的第一立方体切割所述点云。对于每一个第一立方体,判断其是否包括点云中的一个或多个点。如果是,则以该第一立方体的八个端点替换落入其内的该一个或多个点。重复相同的判断和处理,直至遍历所有的第一立方体。通过这样的处理,可以获得更新点云。在该更新点云中,所有的点都是立方体的端点。从而,在该更新点云中的各点分布更加均匀。
然后,以多个等大的第二立方体切割所述更新点云,其中所述第二立方体的体积大于所述第一立方体的体积。例如,所述第二立方体可以包括多个第一立方体。
最后,基于所述第二立方体与所述更新点云的点交叉情况,确定对应的模型面片。具体来说,对于每一个第二立方体的八个端点,判断其是否位于所述更新点云中。基于位于所述更新点云中的端点的数量和位置,查找预先建立的对照表以确定使用哪种面片来重建三维物体外表面的轮廓。
图14示出了作为所述对照表的、第二立方体的八个端点与更新点云中的点的重合情况以及所对应的模型面片。在图14中,箭头所指的实心点表示的是第二立方体上与更新点云中的点重合的端点,第二立方体内部以深色填充的多个面片表示的是与之对应的模型面片。
以图14中第二行第一列的情况为例进行说明。如果第二立方体中位于下表面的四个端点与更新点云中的点重合,那么以该立方体中所示的面片来替换这四个端点。也就是说,对于当前关注的一个第二立方体来说,首先确定其端点与更新点云中的点的重合情况,即:第二立方体中的哪些点与更新点云中的点重合,然后将其对应至图14中所示的15个立方体中的一个,并以该立方体中所示的面片来替换这些点。
对于每一个第二立方体重复相同的处理,直至遍历所有的第二立方体。在完成上述处理之后,将更新点云变成了能够重建三维物体外表面的多个模型面片的组合。另外,还可以进一步对所得到的外表面轮廓搜索四周的邻接面片,依次进行法向量均值调整,以消除物体外表面的粗糙颗粒。
如图14所示,采用三角形面片作为重建物体轮廓的模型面片。因此,在重建的物体轮廓中,不可避免地出现较多不规则的图形边缘。也就是说,在执行分割时可能会出现诸如锯齿状的边界。因此,作为一种可能的实施方式,在重建轮廓表面之后,还可以进一步增加额外的调整点,以便增强后续分割图形的规整性。
具体来说,在确定重建所述三维物体的外表面的多个模型面片的步骤之后,根据本公开的方法还可以进一步包括:在每个模型面片上,增加调整点;以及基于增加的调整点,生成新的模型面片。
例如,可以对每一个三角形面片依次计算各个顶点的平均值,并在该三角形面片上插入平均值点。并且,以每个平均值点作为起点向所述三维物体内部以垂直于所在模型面片的法向量方向出射的射线与其他模型面片(例如,物体另一端的模型面片)的交点,作为与所述平均值点的几何对称点。最后,基于所述平均值点和所述几何对称点,分别生成新的模型面片。例如,通过将平均值点或几何对称点与所在三角形面片的顶点分别连接,就可以生成三个新的面片,并将新生成的三角形面片添加至三维物体中。
然后,在步骤S1042,基于面片之间的相似度关系,将所述多个模型面片聚类为多个面片组。例如,对于在步骤S1041重建的所有面片,可以通过确定两个相邻面片之间的凹度代价函数来判断其相似度关系。如果两个相邻面片之间的凹度代价函数小于一阈值,则认为二者的相似度高,并将二者聚类到一个面片组中。对于所有面片重复执行这样的处理。最终将所有的模型面片聚类为多个面片组。
最后,在步骤S1043,确定邻接且为凸集的面片组的最大集合,并将所述面片组的最大集合作为所述三维物体的一个分割部分。例如,可以将多个面片组以模型面片连接图的方式进行关系表示,应用最大生成树算法查找模型面片连接图内的独立子图,该独立子图即表示邻接且为凸集的面片组的最大集合。此外,对于这样生成的分割部分,可能还存在局部的微小凹陷,因此可以进一步对于这样的微小凹陷进行填补。例如,可以通过对得到的面片组的最大集合内的点依次使用增量顶点进行凸包计算。所谓凸包,是指能够包住所有点的最小凸多面体。然后,再对所生成的凸包进行重采样并进行模型轮廓调整。
对所有的面片组重复以上的处理,直至找到所述三维物体的全部分割部分。至此,三维物体的分割完成。
此外,由于如上文中所述,在执行点云位置的缩放时进行了坐标轴的变换,因此在得到三维物体的分割结果之后,还需要将重建后的三维物体反变换回原来的坐标系和尺度,以便于保持三维物体原有的形状。
具体来说,基于上文中描述的步骤S1022和S1031中建立的第一坐标系和第二坐标系以及步骤S1034中的归一化操作,可以得到坐标系旋转矩阵以及坐标轴的尺度变换系数。然后,通过对坐标系旋转矩阵和尺度变换系数求得逆变换,可以得到变换回原有世界坐标系和原有尺度的转换关系。根据所得到的转换关系以及在步骤S1043得到的各个邻接且为凸集的面片组的最大集合,依次对集合内的每个面片进行坐标转换和尺度变换,以重新映射回初始位置。最后,可以整理得出三维物体的分割结果。
接下来,将参照图15描述根据本公开的实施例的三维物体分割设备。如图15所示,三维物体分割设备1500包括:获取单元1501、缩放方向确定单元1502、缩放单元1503和分割单元1504。
获取单元1501用于获取三维物体的点云。
缩放方向确定单元1502用于确定所述点云的三个缩放方向。
缩放单元1503用于分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同。
分割单元1504用于基于缩放后的点云,确定所述三维物体的分割结果。
由于物体所处的是三维空间,因此对物体的点云在三个维度上执行缩放。也就是说,在执行点云的缩放之前,需要首先确定在哪三个缩放方向上执行缩放。
例如,可以将在获取单元1501所获得的点云所处的世界坐标系的三个坐标轴作为所述点云的三个缩放方向。然而,三维物体的点云可能不处于世界坐标系的中心,或者可能具有一定的旋转角度。因此,作为一种更优选的实施方式,希望将坐标系变换到以三维物体的点云的中心为原点的坐标系,并在该坐标系下进一步确定所述点云的缩放方向。
具体地,图16示出了图15中的缩放方向确定单元的具体配置的一种示例。如图16所示,所述缩放方向确定单元1502可以进一步包括:拟合部件15021、最小外接平行六面体搜索部件15022和缩放方向确定部件15023。
拟合部件15021用于对所述点云进行三维空间椭圆拟合,并以所拟合的椭圆体的三个轴作为坐标轴建立第一坐标系。
最小外接平行六面体搜索部件15022用于基于所述点云在所述第一坐标系下的投影,确定所述点云的最小外接平行六面体。
具体来说,最小外接平行六面体搜索部件15022进一步被配置为:首先,通过对所述点云在各坐标轴平面下的投影进行旋转尺度卡取,获得所述点云的最小外接长方体。例如,作为一种可能的实施方式,首先,对于点云在xy坐标平面内的投影,使用垂直于xy坐标平面的四个平面进行旋转尺度卡取,以选择能够包括点云在xy坐标平面内的投影的最小面积的四个平面,其中这四个平面包括两组平行平面,且这两组平行平面彼此正交。然后,对于点云在xz坐标平面或yz坐标平面的投影,使用垂直于xz坐标平面或yz坐标平面的两个平行平面进行旋转尺度卡取,以选择能够卡取点云在xz坐标平面或yz坐标平面内的投影的最小尺寸的两个平面。这样,通过以上方式确定出的六个平面就可以构成所述点云的最小外接长方体。例如,当三维物体为一长方体薄板时,其最小外接长方体就是其本身。然而,当三维物体为其他形状的薄壁型物体时,还存在进一步缩小外接长方体的体积的可能性。可以通过调整所述最小外接长方体的边,例如,通过倾斜最小外接长方体的侧棱并减小最小外接长方体的高度的方式,进一步缩小能够包括点云中所有点的外接平行六面体的体积,直至所述体积不能再缩小为止。将此时获得的平行六面体作为所述点云的最小外接平行六面体。这里,所述最小外接平行六面体的体积小于所述最小外接长方体的体积。
缩放方向确定部件15023以分别与所述平行六面体的三个相邻平面垂直的方向作为所述三个缩放方向。
具体地,作为一种可能的实施方式,所述缩放单元1503可以进一步被配置为:以所述三个缩放方向为坐标轴建立第二坐标系;将所述点云中各点的坐标变换为所述第二坐标系下的坐标;分别确定点云中各点在所述第二坐标系中的各个坐标轴下的最大值和最小值;以及基于所述最大值和最小值,对点云中各点的坐标值进行归一化。
可见,在根据本公开的实施例的三维物体分割设备中,将表示三维物体的点云在各个方向上缩放至相同的尺度,因此在后续的分割处理中,将不再会把例如薄壁型物体的镂空结构识别为可近似的凹陷,从而与传统的三维物体分割算法相比,进一步提高了分割的准确度。
此外,图17示出了图15中的分割单元的具体配置的一种示例。如图17所示,所述分割单元1504进一步包括:面片重建部件15041、聚类部件15042和分割部件15043。
面片重建部件15041用于基于缩放后的点云,确定重建所述三维物体的外表面的多个模型面片。具体来说,所述面片重建单元15041进一步被配置为:以多个等大的第一立方体切割所述点云;以第一立方体的端点替换所述点云中的所有点,并获得更新点云;以多个等大的第二立方体切割所述更新点云,其中所述第二立方体的体积大于所述第一立方体的体积;基于所述第二立方体与所述更新点云的点交叉情况,确定对应的模型面片。
聚类部件15042用于基于面片之间的相似度关系,将所述多个模型面片聚类为多个面片组。
分割部件15043用于确定邻接且为凸集的面片组的最大集合,并将所述面片组的最大集合作为所述三维物体的一个分割部分。
如上文中所述,在重建的物体轮廓中,不可避免地出现较多不规则的图形边缘。也就是说,在执行分割时可能会出现诸如锯齿状的边界。因此,作为一种可能的实施方式,在重建轮廓表面之后,还可以进一步增加额外的调整点,以便增强后续分割图形的规整性。
具体来说,所述分割单元1504可以进一步包括:调整部件(图中未示出),用于在每个模型面片上,增加调整点,并基于增加的调整点,生成新的模型面片。
此外,由于如上文中所述,在执行点云位置的缩放时进行了坐标轴的变换,因此所述三维体分割设备1500还可以进一步包括:反变换单元(图中未示出),用于在得到三维物体的分割结果之后,将重建后的三维物体反变换回原来的坐标系和尺度,以便于保持三维物体原有的形状。
由于根据本公开的实施例的三维物体分割设备中各单元或部件的具体操作与上文中所述的三维物体分割方法中的流程步骤完全对应,因此为了避免冗余起见,这里未对其细节展开描述。
根据本公开的用于计算设备的综合信用分的装置作为硬件实体的一个示例如图18所示。所述装置包括处理器1801、存储器1802以及至少一个外部通信接口1803。所述处理器1801、存储器1802以及外部通信接口1803均通过总线1804连接。
对于用于数据处理的处理器1801而言,在执行处理时,可以采用微处理器、中央处理器(CPU,Central Processing Unit)、数字信号处理器(DSP,Digital SingnalProcessor)或可编程逻辑阵列(FPGA,Field-Programmable Gate Array)实现;对于存储器1802来说,包含操作指令,该操作指令可以为计算机可执行代码,通过所述操作指令来实现上述本公开的各个实施例的方法流程中的各个步骤。
图19示出了根据本发明的实施例的计算机可读记录介质的示意图。如图19所示,根据本发明实施例的计算机可读记录介质1900其上存储有计算机程序指令1901。当所述计算机程序指令1901由处理器运行时,执行参照以上附图描述的根据本发明实施例的三维物体分割方法。
迄今为止,已经参照图1至图19详细描述了根据本公开的实施例的三维物体分割方法、设备和介质。在根据本公开的实施例的三维物体分割方法、设备和介质中,将表示三维物体的点云在各个方向上缩放至相同的尺度,因此在后续的分割处理中,将不再会把例如薄壁型物体的镂空结构识别为可近似的凹陷,从而与传统的三维物体分割算法相比,进一步提高了分割的准确度。
需要说明的是,在本说明书中,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。
最后,还需要说明的是,上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理,而且包括并行或分别地、而不是按时间顺序执行的处理。
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本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过软件来实施。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者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)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种三维物体分割方法,包括:
获取三维物体的点云;
确定所述点云的三个缩放方向;
分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及
基于缩放后的点云,确定所述三维物体的分割结果。
2.根据权利要求1所述的方法,其中确定所述点云数据的三个缩放方向的步骤进一步包括:
对所述点云进行三维空间椭圆拟合;
以所拟合的椭圆体的三个轴作为坐标轴建立第一坐标系;
基于所述点云在所述第一坐标系下的投影,确定所述点云的最小外接平行六面体;以及
以分别与所述平行六面体的三个相邻平面垂直的方向作为所述三个缩放方向。
3.根据权利要求2所述的方法,其中基于所述点云在所述第一坐标系下的投影,确定所述点云的最小外接平行六面体的步骤进一步包括:
通过对所述点云在各坐标轴平面下的投影进行旋转尺度卡取,获得所述点云的最小外接长方体;以及
通过调整所述最小外接长方体的边,获得所述最小外接平行六面体,
其中所述最小外接平行六面体的体积小于所述最小外接长方体的体积。
4.根据权利要求2所述的方法,其中分别沿所述三个缩放方向缩放所述点云的位置的步骤进一步包括:
以所述三个缩放方向为坐标轴建立第二坐标系;
将所述点云中各点的坐标变换为所述第二坐标系下的坐标;
分别确定点云中各点在所述第二坐标系中的各个坐标轴下的最大值和最小值;以及
基于所述最大值和最小值,对点云中各点的坐标值进行归一化。
5.根据权利要求1所述的方法,其中基于缩放后的点云数据,确定所述三维物体的分割结果的步骤进一步包括:
基于缩放后的点云,确定重建所述三维物体的外表面的多个模型面片;
基于面片之间的相似度关系,将所述多个模型面片聚类为多个面片组;以及
确定邻接且为凸集的面片组的最大集合,并将所述面片组的最大集合作为所述三维物体的一个分割部分。
6.根据权利要求5所述的方法,其中基于缩放后的点云数据,确定重建所述三维物体的外表面的多个模型面片的步骤进一步包括:
以多个等大的第一立方体切割所述点云;
以第一立方体的端点替换所述点云中的所有点,并获得更新点云;
以多个等大的第二立方体切割所述更新点云,其中所述第二立方体的体积大于所述第一立方体的体积;
基于所述第二立方体与所述更新点云的点交叉情况,确定对应的模型面片。
7.根据权利要求5所述的方法,其中在确定重建所述三维物体的外表面的多个模型面片的步骤之后,进一步包括:
在每个模型面片上,增加调整点;以及
基于增加的调整点,生成新的模型面片。
8.一种三维物体分割设备,包括:
获取单元,用于获取三维物体的点云;
缩放方向确定单元,用于确定所述点云的三个缩放方向;
缩放单元,用于分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及
分割单元,用于基于缩放后的点云,确定所述三维物体的分割结果。
9.一种三维物体分割设备,包括:
存储单元,在其上存储计算机程序;
处理单元,用于当执行所述计算机程序时,实现如下步骤:
获取三维物体的点云;
确定所述点云的三个缩放方向;
分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及
基于缩放后的点云,确定所述三维物体的分割结果。
10.一种计算机可读记录介质,其上存储计算机程序,当由处理单元执行所述计算机程序时,实现如下步骤:
获取三维物体的点云;
确定所述点云的三个缩放方向;
分别沿所述三个缩放方向缩放所述点云中各点的位置,使得缩放后的点云在所述三个缩放方向上的尺度相同;以及
基于缩放后的点云,确定所述三维物体的分割结果。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811315438.3A CN110163863B (zh) | 2018-11-06 | 2018-11-06 | 三维物体分割方法、设备和介质 |
EP19882110.0A EP3879488A4 (en) | 2019-11-01 | Three-dimensional object segmentation method and device and medium | |
PCT/CN2019/115095 WO2020093950A1 (zh) | 2018-11-06 | 2019-11-01 | 三维物体分割方法、设备和介质 |
US17/079,707 US11481973B2 (en) | 2018-11-06 | 2020-10-26 | Method, device, and storage medium for segmenting three-dimensional object |
US17/879,896 US11645815B2 (en) | 2018-11-06 | 2022-08-03 | Method, device, and storage medium for segmenting three-dimensional object |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811315438.3A CN110163863B (zh) | 2018-11-06 | 2018-11-06 | 三维物体分割方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163863A true CN110163863A (zh) | 2019-08-23 |
CN110163863B CN110163863B (zh) | 2022-11-04 |
Family
ID=67645286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811315438.3A Active CN110163863B (zh) | 2018-11-06 | 2018-11-06 | 三维物体分割方法、设备和介质 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11481973B2 (zh) |
CN (1) | CN110163863B (zh) |
WO (1) | WO2020093950A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020093950A1 (zh) * | 2018-11-06 | 2020-05-14 | 腾讯科技(深圳)有限公司 | 三维物体分割方法、设备和介质 |
CN113011511A (zh) * | 2021-03-29 | 2021-06-22 | 江苏思玛特科技有限公司 | 一种基于深度学习多光谱LiDAR数据分类的样本生成方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744298B (zh) * | 2021-01-05 | 2024-07-19 | 北京京东乾石科技有限公司 | 数据处理方法、装置及存储介质 |
CN113011113B (zh) * | 2021-03-23 | 2022-04-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种离散点云重复点快速查找方法 |
CN113516776B (zh) * | 2021-04-19 | 2024-09-06 | 深圳市晨北科技有限公司 | 增强现实同步方法、装置、终端设备及存储介质 |
CN113820682B (zh) * | 2021-09-26 | 2023-08-18 | 华南农业大学 | 一种基于毫米波雷达的目标检测方法及装置 |
CN114782438B (zh) * | 2022-06-20 | 2022-09-16 | 深圳市信润富联数字科技有限公司 | 物体点云修正方法、装置、电子设备和存储介质 |
CN115457219B (zh) * | 2022-10-25 | 2023-08-15 | 内蒙古工业大学 | 一种建筑文化遗产中的古建筑木结构的保护方法 |
CN117315049B (zh) * | 2023-11-28 | 2024-03-08 | 浙江托普云农科技股份有限公司 | 三维全貌测量的比例尺标定方法、系统及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103035A (zh) * | 2013-04-15 | 2014-10-15 | 深圳先进技术研究院 | 三维模型的缩放方法 |
CN104240251A (zh) * | 2014-09-17 | 2014-12-24 | 中国测绘科学研究院 | 一种基于密度分析的多尺度点云噪声检测方法 |
US20150003723A1 (en) * | 2013-06-27 | 2015-01-01 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
CN106529573A (zh) * | 2016-10-14 | 2017-03-22 | 北京联合大学 | 一种结合三维点云分割和局部特征匹配的实时物体检测方法 |
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MXPA06012485A (es) * | 2004-04-29 | 2007-06-19 | Landmark Graphics Corp | Sistema y metodo para aproximar una superficie editable. |
US8233716B2 (en) * | 2008-06-27 | 2012-07-31 | Palo Alto Research Center Incorporated | System and method for finding stable keypoints in a picture image using localized scale space properties |
US8665267B2 (en) * | 2010-09-24 | 2014-03-04 | Adobe Systems Incorporated | System and method for generating 3D surface patches from unconstrained 3D curves |
CN103942824B (zh) | 2014-05-15 | 2017-01-11 | 厦门大学 | 一种三维点云直线特征提取方法 |
KR101865655B1 (ko) * | 2014-06-26 | 2018-06-11 | 한국과학기술원 | 증강현실 상호 작용 서비스 제공 장치 및 방법 |
GB2529671B (en) | 2014-08-28 | 2017-03-08 | Canon Kk | Transformation of 3-D object for object segmentation in 3-D medical image |
CN108537868A (zh) * | 2017-03-03 | 2018-09-14 | 索尼公司 | 信息处理设备和信息处理方法 |
US11290758B2 (en) * | 2017-08-30 | 2022-03-29 | Samsung Electronics Co., Ltd. | Method and apparatus of point-cloud streaming |
US10909725B2 (en) * | 2017-09-18 | 2021-02-02 | Apple Inc. | Point cloud compression |
US10535161B2 (en) * | 2017-11-09 | 2020-01-14 | Samsung Electronics Co., Ltd. | Point cloud compression using non-orthogonal projection |
CN110163863B (zh) * | 2018-11-06 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 三维物体分割方法、设备和介质 |
US10915793B2 (en) * | 2018-11-08 | 2021-02-09 | Huawei Technologies Co., Ltd. | Method and system for converting point cloud data for use with 2D convolutional neural networks |
-
2018
- 2018-11-06 CN CN201811315438.3A patent/CN110163863B/zh active Active
-
2019
- 2019-11-01 WO PCT/CN2019/115095 patent/WO2020093950A1/zh unknown
-
2020
- 2020-10-26 US US17/079,707 patent/US11481973B2/en active Active
-
2022
- 2022-08-03 US US17/879,896 patent/US11645815B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103035A (zh) * | 2013-04-15 | 2014-10-15 | 深圳先进技术研究院 | 三维模型的缩放方法 |
US20150003723A1 (en) * | 2013-06-27 | 2015-01-01 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
CN104240251A (zh) * | 2014-09-17 | 2014-12-24 | 中国测绘科学研究院 | 一种基于密度分析的多尺度点云噪声检测方法 |
CN106529573A (zh) * | 2016-10-14 | 2017-03-22 | 北京联合大学 | 一种结合三维点云分割和局部特征匹配的实时物体检测方法 |
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
Non-Patent Citations (2)
Title |
---|
VLADISLAV KRAEVOY 等: "Non-homogeneous Resizing of Complex Models", 《ACM TRANSACTIONS ON GRAPHICS》 * |
朱建 等: "显著性特征保持的点云模型缩放", 《计算机辅助设计与图形学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020093950A1 (zh) * | 2018-11-06 | 2020-05-14 | 腾讯科技(深圳)有限公司 | 三维物体分割方法、设备和介质 |
US11481973B2 (en) | 2018-11-06 | 2022-10-25 | Tencent Technology (Shenzhen) Company Limited | Method, device, and storage medium for segmenting three-dimensional object |
CN113011511A (zh) * | 2021-03-29 | 2021-06-22 | 江苏思玛特科技有限公司 | 一种基于深度学习多光谱LiDAR数据分类的样本生成方法 |
CN113011511B (zh) * | 2021-03-29 | 2024-01-19 | 江苏思玛特科技有限公司 | 基于深度学习多光谱LiDAR数据分类的样本生成方法 |
Also Published As
Publication number | Publication date |
---|---|
US11645815B2 (en) | 2023-05-09 |
EP3879488A1 (en) | 2021-09-15 |
CN110163863B (zh) | 2022-11-04 |
US20210042999A1 (en) | 2021-02-11 |
US20220375165A1 (en) | 2022-11-24 |
WO2020093950A1 (zh) | 2020-05-14 |
US11481973B2 (en) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163863A (zh) | 三维物体分割方法、设备和介质 | |
US11455759B2 (en) | Systems and methods for high dimensional 3D data visualization | |
CN103914868B (zh) | 虚拟现实下的海量模型数据动态调度与实时异步加载方法 | |
US6791549B2 (en) | Systems and methods for simulating frames of complex virtual environments | |
US6809738B2 (en) | Performing memory management operations to provide displays of complex virtual environments | |
US5448686A (en) | Multi-resolution graphic representation employing at least one simplified model for interactive visualization applications | |
CN110738721A (zh) | 基于视频几何分析的三维场景渲染加速方法及系统 | |
US20030117397A1 (en) | Systems and methods for generating virtual reality (VR) file(s) for complex virtual environments | |
US6734853B2 (en) | Method of using view frustrum culling for scaleable collision detection | |
US20030164864A1 (en) | Collision detection method for deformable objects in a scene | |
WO2014200914A1 (en) | Scalable volumetric 3d reconstruction | |
WO2024138878A1 (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
Hastings et al. | Optimization of large-scale, real-time simulations by spatial hashing | |
US20030117398A1 (en) | Systems and methods for rendering frames of complex virtual environments | |
CN111859489A (zh) | 支撑结构生成方法、装置、电子设备以及存储介质 | |
Manak et al. | Interactive analysis of Connolly surfaces for various probes | |
CN115798654A (zh) | 一种模型材料处理方法、装置、设备及介质 | |
Zhang | The D-FCM partitioned D-BSP tree for massive point cloud data access and rendering | |
Schmitz et al. | Efficient and quality contouring algorithms on the GPU | |
JP6482193B2 (ja) | 映像処理装置及び方法 | |
US7050053B2 (en) | Geometric folding for cone-tree data compression | |
Scholz et al. | Level of Detail for Real-Time Volumetric Terrain Rendering. | |
US20220203231A1 (en) | Methods and Systems for Determining Decal Projections Intersecting Spacial Units in a Frame of a Game Space | |
Nagy | Efficiently parallelised algorithm to find isoptic surface of polyhedral meshes | |
Tsiapkolis et al. | Patch Decomposition for Efficient Mesh Contours Extraction |
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 |