CN110648388A - 一种场景几何建模的方法、装置及设备 - Google Patents
一种场景几何建模的方法、装置及设备 Download PDFInfo
- Publication number
- CN110648388A CN110648388A CN201910764493.9A CN201910764493A CN110648388A CN 110648388 A CN110648388 A CN 110648388A CN 201910764493 A CN201910764493 A CN 201910764493A CN 110648388 A CN110648388 A CN 110648388A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- scene
- original video
- dense point
- geometric modeling
- 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 43
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000011084 recovery Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004891 communication Methods 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
- 238000010304 firing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种场景几何建模的方法、装置及设备,该方法包括:对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云;通过对所述稠密点云进行点云分割与分类获取所述原始视频的具体信息;依据所述原始视频的具体信息进行单目视频的场景几何建模。本发明可以进行单目视频的场景几何建模技术,从而解决行业痛点与难点,释放劳动力,提高生产效率。
Description
技术领域
本发明实施例涉及计算机视觉技术领域,具体涉及一种场景几何建模的方法、装置及设备。
背景技术
随着计算机视觉技术的发展,传统计算机视觉与基于深度学习技术正逐渐应用于各个领域,解决了一些行业痛点与难点问题。
传统建模技术需要建模师利用专业软件进行手动建模,工作量巨大,费时费力,效率低下,产能较低。近期出现的利用计算机技术进行建模的技术数据来源也以激光扫描仪或者RGB-D相机为主,激光扫描仪价格昂贵,RGB-D相机也存在普适性不强等问题。
发明内容
本发明实施例的目的在于提供一种场景几何建模的方法、装置及设备,用以解决现有手动建模,工作量巨大,费时费力,效率低下,产能较低的问题。
为实现上述目的,本发明实施例主要提供如下技术方案:
第一方面,本发明实施例提供了一种场景几何建模的方法,包括:对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云;通过对所述稠密点云进行点云分割与分类得到所述原始视频的具体信息;依据所述原始视频的具体信息进行单目视频的场景几何建模。
进一步地,所述对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云,具体包括:将所述原始视频分割为图像序列;对所述图像序列进行特征检测得到N为特征向量,N为大于零的正整数;将所述图像序列中进行图片两两特征匹配获得多个图像匹配对;对每个图像匹配对计算对极几何,估计基本矩阵,并通过随机抽取一致性算法优化改善图像匹配对;利用最小化重投影误差描述摄像机的外参数和内参数得到所述稠密点云。
进一步地,所述通过对所述稠密点云进行点云分割与分类获取所述原始视频的具体信息,具体包括:对所述稠密点云进行格式对齐和规范化处理;对所述格式对齐和所述规范化处理后的点云进行分割分类得到所述原始视频的具体信息。
进一步地,所述对所述稠密点云进行格式对齐和规范化处理,具体包括:采用最大池Max Pooling解决所述稠密点云的无序性问题,使用共享网络参数的方式来处理输入维度的变化。
进一步地,所述对所述稠密点云进行格式对齐和规范化处理,还包括:采用空间变化网络(Spacial Transform Netw,STN)解决所述稠密点云的旋转,以使网络都能正确的识别出。
第二方面,本发明实施例还提供一种场景几何建模的装置,包括:稠密点云获取模块,用于对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云;点云处理模块,用于通过对所述稠密点云进行点云分割与分类得到所述原始视频的具体信息;场景几何建模模块,用于依据所述原始视频的具体信息进行单目视频的场景几何建模。
进一步地,所述稠密点云获取模块具体用于将所述原始视频分割为图像序列,对所述图像序列进行特征检测得到N为特征向量,将所述图像序列中进行图片两两特征匹配获得多个图像匹配对,对每个图像匹配对计算对极几何,估计基本矩阵,并通过随机抽取一致性算法优化改善图像匹配对,利用最小化重投影误差描述摄像机的外参数和内参数得到所述稠密点云;其中,N为大于零的正整数。
进一步地,所述点云处理模块具体用于对所述稠密点云进行格式对齐和规范化处理,对所述格式对齐和所述规范化处理后的点云进行分割分类得到所述原始视频的具体信息。
进一步地,所述点云处理模块具体用于采用最大池Max Pooling解决所述稠密点云的无序性问题,使用共享网络参数的方式来处理输入维度的变化。
进一步地,所述点云处理模块还用于采用空间变化网络STN解决所述稠密点云的旋转,以使网络都能正确的识别出。
第三方面,本发明实施例还提供一种电子设备,包括:至少一个处理器和至少一个存储器;所述存储器用于存储一个或多个程序指令;所述处理器,用于运行一个或多个程序指令,用以执行如第一方面所述的场景几何建模的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,包含一个或多个程序指令,所述一个或多个程序指令用于执行如第一方面所述的场景几何建模的方法。
本发明实施例提供的技术方案至少具有如下优点:
本发明实施例提供的场景几何建模的方法、装置及设备,利用SFM技术与深度学习技术相结合的办法来进行单目视频的场景几何建模技术,从而解决行业痛点与难点,释放劳动力,提高生产效率。
附图说明
图1为本发明实施例的场景几何建模的方法的流程图;
图2为本发明实施例的场景几何建模的方法中投影误差的示意图;
图3为本发明实施例的场景几何建模的方法中点云在空间中坐标发生变化的示意图;
图4为本发明实施例的场景几何建模的方法中进行分类的示意图;
图5为本发明实施例的场景几何建模的方法中进行分割的示意图;
图6为本发明实施例的场景几何建模的装置的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本发明。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
图1为本发明实施例的场景几何建模的方法的流程图。如图1所示,本发明实施例的场景几何建模的方法,包括:
S1:对原始视频提取帧间信息,利用运动恢复结构(Structure From Motion,SFM)进行三维重建,获取稠密点云。
在本发明的一个实施例中,步骤S1包括:
S1-1:将原始视频分割为图像序列。
具体地,首先将原始视频利用FFmpeg程序分割为图像序列。FFmpeg是一套可以用来记录、转换数字音频、视频,并能将其转化为流的开源计算机程序。FFmpeg程序可以将视频分解成图片序列,支持的图片格式有:PGM、PPM、PAM、PGMYUV、JPEG、GIF、PNG、TIFF和SGI。
S1-2:对图像序列进行特征检测得到N为特征向量,N为大于零的正整数。
具体地,对获取的图像序列进行特征检测。对于特征检测这一步,使用的是具有尺度和旋转不变性的SIFT描述子,其鲁棒性较强,适合用来提取尺度变换和旋转角度的各种图片特征点信息,其准确性强,SIFT算法通过不同尺寸的高斯滤波器(DOG)计算得到特征点的位置信息(x,y),同时还提供一个描述子descriptor信息,在一个特征点周围4*4的方格直方图中,每一个直方图包含8个bin的梯度方向,即得到一个4*4*8=128维的特征向量。
S1-3:将图像序列中进行图片两两特征匹配获得多个图像匹配对。
具体地,对提取的特征进行匹配:一旦每个图片的特征点被提出来以后,就需要进行图片两两之间的特征点匹配,算法中用到一个kd-tree的数据结构去计算最近邻匹配。然后令最近邻的距离为d1,再找到第二近的匹配对点之间距离为d2,如果两个距离d1和d2之比小于一个阈值如0.6,就可以判定为可接受的匹配对。这样,图像I中的特征点在图像J中至多一个匹配特征点,但是图像J中可能匹配图像I中多个特征点,就会出现多对一的情况,实际上特征点之间应该一一对应。所以还需要一个去除重复特征点匹配对的算法去解决这种多对一的情况。
S1-4:对每个图像匹配对计算对极几何,估计基本矩阵,并通过随机抽取一致性算法优化改善图像匹配对。这样,如果有特征点可以在这样的匹配对中链式地传递下去,一直被检测到,那么就可以形成轨迹。然后利用宽度优先搜索(Breadth First Search,BFS)找到每个特征点在所有图像对中的完整轨迹。
S1-5:利用最小化重投影误差描述摄像机的外参数和内参数得到稠密点云。
具体地,利用最小化重投影误差(Bundle Adjustment,BA),描述摄像机的外参数用到3*3的旋转矩阵R和1*3的平移向量(或者摄像机中心坐标向量),摄像机的内参数用一个焦距f和两个径向畸变参数k1和k2描述。几何场景提供轨迹中的每个3D点Xj,通过投影方程,一个3D点Xj被投影到摄像机的2D图像平面上。
图2为本发明实施例的场景几何建模的方法中投影误差的示意图。如图2所示,投影误差就是投影点和图像上真实点之间的距离。
对于n个视角和m个轨迹,投影误差的目标优化方程可以写为:
wij为摄影机i观察轨迹j的参数,当摄像机i观察到轨迹j的时候wij取1,反之取0,||qij-P(Ci,Xj)||就是摄像机i中的轨迹j的投影误差累积和。SFM算法的目标就是找到合适的相机和场景参数去优化这个目标函数,g是采用一个非线性最小二乘的优化方法求解,即BA。
通过S1-1至S1-5获取了稠密点云。
S2:通过对稠密点云进行点云分割与分类得到原始视频的具体信息。
在本发明的一个实施例中,步骤S2具体包括:
S2-1:对稠密点云进行格式对齐和规范化处理。
在本发明的一个实施例中,利用最大池Max Pooling来解决无序性问题,使用共享网络参数的方式来处理输入维度的变化。
在本发明的一个实施例中,采用空间变化网络(Spacial Transform Netw,STN)解决稠密点云的旋转,以使网络都能正确的识别出。
图3为本发明实施例的场景几何建模的方法中点云在空间中坐标发生变化的示意图。如图3所示,相同的点云在空间中经过一定的刚性变化(旋转或平移),坐标发生变化。
在本发明的实施例中,不论点云在怎样的坐标系下呈现,网络都能正确的识别出。这个问题可以通过STN来解决,通过学习一个矩阵来达到对目标最有效的变换。
S2-2:对格式对齐和规范化处理后的点云进行分割分类得到原始视频的具体信息。
图4为本发明实施例的场景几何建模的方法中进行分类的示意图,图5为本发明实施例的场景几何建模的方法中进行分割的示意图。对点云进行分割分类,结果如如图4和图5所示。
S3:依据原始视频的具体信息进行单目视频的场景几何建模。
本发明实施例提供的场景几何建模的方法,利用SFM技术与深度学习技术相结合的办法来进行单目视频的场景几何建模技术,从而解决行业痛点与难点,释放劳动力,提高生产效率。
图6为本发明实施例的场景几何建模的装置的结构框图。如图6所示,本发明实施例的场景几何建模的装置,包括:稠密点云获取模块100、点云处理模块200和场景几何建模模块300。
其中,稠密点云获取模块100用于对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云。点云处理模块200用于通过对稠密点云进行点云分割与分类得到原始视频的具体信息。场景几何建模模块300用于依据原始视频的具体信息进行单目视频的场景几何建模。
在本发明的一个实施例中,稠密点云获取模块100具体用于将原始视频分割为图像序列,对图像序列进行特征检测得到N为特征向量,将图像序列中进行图片两两特征匹配获得多个图像匹配对,对每个图像匹配对计算对极几何,估计基本矩阵,并通过随机抽取一致性算法优化改善图像匹配对,利用最小化重投影误差描述摄像机的外参数和内参数得到稠密点云。其中,N为大于零的正整数。
在本发明的一个实施例中,点云处理模块200具体用于对稠密点云进行格式对齐和规范化处理,对格式对齐和规范化处理后的点云进行分割分类得到原始视频的具体信息。
在本发明的一个实施例中,点云处理模块200具体用于采用最大池Max Pooling解决稠密点云的无序性问题,使用共享网络参数的方式来处理输入维度的变化。
在本发明的一个实施例中,点云处理模块200还用于采用空间变化网络STN解决稠密点云的旋转,以使网络都能正确的识别出。
需要说明的是,本发明实施例的场景几何建模的装置的具体实施方式与本发明实施例的场景几何建模的方法的具体实施方式类似,具体参见场景几何建模的方法部分的描述,为了减少冗余,不做赘述。
本发明的实施例公开一种电子设备,该电子设备包括:至少一个处理器和至少一个存储器;存储器用于存储一个或多个程序指令;处理器,用于运行一个或多个程序指令,用以执行如上述的场景几何建模的方法。
本发明的实施例公开一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序指令,当所述计算机程序指令在计算机上运行时,使得计算机执行上述的场景几何建模的方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,简称ESDRAM)、同步链接动态随机存取存储器(Synchronous Link DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种场景几何建模的方法,其特征在于,包括:
对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云;
通过对所述稠密点云进行点云分割与分类得到所述原始视频的具体信息;
依据所述原始视频的具体信息进行单目视频的场景几何建模。
2.根据权利要求1所述的场景几何建模的方法,其特征在于,所述对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云,具体包括:
将所述原始视频分割为图像序列;
对所述图像序列进行特征检测得到N为特征向量,N为大于零的正整数;
将所述图像序列中进行图片两两特征匹配获得多个图像匹配对;
对每个图像匹配对计算对极几何,估计基本矩阵,并通过随机抽取一致性算法优化改善图像匹配对;
利用最小化重投影误差描述摄像机的外参数和内参数得到所述稠密点云。
3.根据权利要求1所述的场景几何建模的方法,其特征在于,所述通过对所述稠密点云进行点云分割与分类获取所述原始视频的具体信息,具体包括:
对所述稠密点云进行格式对齐和规范化处理;
对所述格式对齐和所述规范化处理后的点云进行分割分类得到所述原始视频的具体信息。
4.根据权利要求3所述的场景几何建模的方法,其特征在于,所述对所述稠密点云进行格式对齐和规范化处理,具体包括:
采用最大池Max Pooling解决所述稠密点云的无序性问题,使用共享网络参数的方式来处理输入维度的变化。
5.根据权利要求4所述的场景几何建模的方法,其特征在于,所述对所述稠密点云进行格式对齐和规范化处理,还包括:
采用空间变化网络STN解决所述稠密点云的旋转,以使网络都能正确的识别出。
6.一种场景几何建模的装置,其特征在于,包括:
稠密点云获取模块,用于对原始视频提取帧间信息,利用运动恢复结构SFM进行三维重建,获取稠密点云;
点云处理模块,用于通过对所述稠密点云进行点云分割与分类得到所述原始视频的具体信息;
场景几何建模模块,用于依据所述原始视频的具体信息进行单目视频的场景几何建模。
7.根据权利要求6所述的场景几何建模的装置,其特征在于,所述稠密点云获取模块具体用于将所述原始视频分割为图像序列,对所述图像序列进行特征检测得到N为特征向量,将所述图像序列中进行图片两两特征匹配获得多个图像匹配对,对每个图像匹配对计算对极几何,估计基本矩阵,并通过随机抽取一致性算法优化改善图像匹配对,利用最小化重投影误差描述摄像机的外参数和内参数得到所述稠密点云;其中,N为大于零的正整数。
8.根据权利要求6所述的场景几何建模的装置,其特征在于,所述点云处理模块具体用于对所述稠密点云进行格式对齐和规范化处理,对所述格式对齐和所述规范化处理后的点云进行分割分类得到所述原始视频的具体信息。
9.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器和至少一个存储器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1-5任一项所述的场景几何建模的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如权利要求1-5任一项所述的场景几何建模的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764493.9A CN110648388A (zh) | 2019-08-19 | 2019-08-19 | 一种场景几何建模的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764493.9A CN110648388A (zh) | 2019-08-19 | 2019-08-19 | 一种场景几何建模的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110648388A true CN110648388A (zh) | 2020-01-03 |
Family
ID=68990170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764493.9A Pending CN110648388A (zh) | 2019-08-19 | 2019-08-19 | 一种场景几何建模的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648388A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200868A (zh) * | 2020-09-30 | 2021-01-08 | 深兰人工智能(深圳)有限公司 | 定位方法、装置和车辆 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719286A (zh) * | 2009-12-09 | 2010-06-02 | 北京大学 | 融合单视点场景分析的多视点三维场景重建方法及其系统 |
CN103969656A (zh) * | 2014-05-08 | 2014-08-06 | 北京数字绿土科技有限公司 | 基于机载激光雷达的建筑物建模方法和装置 |
CN107146277A (zh) * | 2017-03-21 | 2017-09-08 | 国网湖北省电力公司检修公司 | 基于点云数据对变电站进行建模的方法 |
CN108061901A (zh) * | 2017-12-01 | 2018-05-22 | 国家电网公司 | 基于机载激光雷达点云数据重建3d电力线模型的方法 |
CN109584355A (zh) * | 2018-11-07 | 2019-04-05 | 南京邮电大学 | 基于手机gpu的三维模型快速重建方法 |
CN109636911A (zh) * | 2018-11-06 | 2019-04-16 | 深圳华侨城文化旅游科技股份有限公司 | 一种基于体感设备的扫描方法及系统 |
-
2019
- 2019-08-19 CN CN201910764493.9A patent/CN110648388A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719286A (zh) * | 2009-12-09 | 2010-06-02 | 北京大学 | 融合单视点场景分析的多视点三维场景重建方法及其系统 |
CN103969656A (zh) * | 2014-05-08 | 2014-08-06 | 北京数字绿土科技有限公司 | 基于机载激光雷达的建筑物建模方法和装置 |
CN107146277A (zh) * | 2017-03-21 | 2017-09-08 | 国网湖北省电力公司检修公司 | 基于点云数据对变电站进行建模的方法 |
CN108061901A (zh) * | 2017-12-01 | 2018-05-22 | 国家电网公司 | 基于机载激光雷达点云数据重建3d电力线模型的方法 |
CN109636911A (zh) * | 2018-11-06 | 2019-04-16 | 深圳华侨城文化旅游科技股份有限公司 | 一种基于体感设备的扫描方法及系统 |
CN109584355A (zh) * | 2018-11-07 | 2019-04-05 | 南京邮电大学 | 基于手机gpu的三维模型快速重建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200868A (zh) * | 2020-09-30 | 2021-01-08 | 深兰人工智能(深圳)有限公司 | 定位方法、装置和车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Melekhov et al. | Dgc-net: Dense geometric correspondence network | |
Tareen et al. | A comparative analysis of sift, surf, kaze, akaze, orb, and brisk | |
CN107292949B (zh) | 场景的三维重建方法、装置及终端设备 | |
WO2022170844A1 (zh) | 一种视频标注方法、装置、设备及计算机可读存储介质 | |
US9418313B2 (en) | Method for searching for a similar image in an image database based on a reference image | |
CN109479082B (zh) | 图象处理方法及装置 | |
Hao et al. | Efficient 2D-to-3D correspondence filtering for scalable 3D object recognition | |
CN113140036A (zh) | 一种三维建模方法、装置、设备及存储介质 | |
CN115526892B (zh) | 基于三维重建的图像缺陷去重检测方法和装置 | |
Stamatopoulos et al. | Automated Target-Free Network Orienation and Camera Calibration | |
Ling et al. | A feedback-based robust video stabilization method for traffic videos | |
Fu et al. | Learning to reduce scale differences for large-scale invariant image matching | |
CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN111127353A (zh) | 一种基于块配准和匹配的高动态图像去鬼影方法 | |
CN108447084B (zh) | 基于orb特征的立体匹配补偿方法 | |
KR102421604B1 (ko) | 이미지 처리 방법, 장치 및 전자 기기 | |
CN110648388A (zh) | 一种场景几何建模的方法、装置及设备 | |
KR101673144B1 (ko) | 부분 선형화 기반의 3차원 영상 정합 방법 | |
CN110728296A (zh) | 一种加速特征点匹配的两步随机抽样一致性方法及系统 | |
Vidal et al. | Automatic video to point cloud registration in a structure-from-motion framework | |
Kim et al. | Multi-modal big-data management for film production | |
CN112967398B (zh) | 一种三维数据重建方法、装置及电子设备 | |
Kim et al. | Geo-registration of wide-baseline panoramic image sequences using a digital map reference | |
Ng | Image Stitching Of Aerial Footage | |
Patil et al. | A Robust Image Mosaicing Using Improved SIFT Technique |
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: 20200103 |