CN110766731A - 一种全景影像与点云自动配准的方法、装置及存储介质 - Google Patents
一种全景影像与点云自动配准的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110766731A CN110766731A CN201911002132.7A CN201911002132A CN110766731A CN 110766731 A CN110766731 A CN 110766731A CN 201911002132 A CN201911002132 A CN 201911002132A CN 110766731 A CN110766731 A CN 110766731A
- Authority
- CN
- China
- Prior art keywords
- straight line
- panoramic image
- image
- point cloud
- panoramic
- 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 36
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种全景影像与点云自动配准方法、装置及存储介质,属于信息技术领域。该方法包括:将全景影像转换为框幅式影像后,提取框幅式影像中的直线,并将直线的端点坐标转换到全景影像坐标系;根据全景影像拍摄位置,选取预定范围内的点云数据;将点云数据投影成框幅式影像,提取框幅式影像中的直线,并将所述直线端点坐标转换至点云坐标系;将同名直线对的端点坐标代入坐标转换方程中,求解坐标转换方程,对全景影像和点云数据配准。通过该方案可以提高配准效率,减少人为影响,保障配准结果准确可靠。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种全景影像与点云自动配准方法、装置及存储介质。
背景技术
在通过车载设备测绘过程中,得到的激光雷达点云具有高精度、高密度、高分辨率的三维空间信息,但缺乏物体纹理信息。而基于超广角车载相机采集的全景影像具有多样的图像语义,能提供丰富的物体信息,由于两种数据具有良好的互补特性,通过两种数据结合达到更好的测绘表达效果。
目前,对于全景影像数据与激光点云数据的融合配准,已公开的技术方案中对全景影像坐标转换,选取控制点,根据控制点分别在球面全景影像及点云数据中的坐标,进行球面全景影像与点云数据的配准,该方案中由于控制点的选取受人为影响,对于大范围的全景影像与点云配准,存在精度不一,难以保障结果的稳定性。
发明内容
有鉴于此,本发明实施例提供了一种全景影像与点云自动配准方法、装置及存储介质,可以对全景影像及点云准确进行配准,保障配准结果可靠。
在本发明实施例的第一方面,提供了一种全景影像与点云自动配准方法,包括:
获取车载全景影像,将所述全景影像转换为第一框幅式影像后,提取第一框幅式影像中的第一直线,并将所述第一直线的端点坐标转换到全景影像坐标系;
根据所述全景影像拍摄位置,选取预定范围内的点云数据;
将所述点云数据投影成第二框幅式影像,提取第二框幅式影像中的第二直线,并将所述第二直线的端点坐标转换至点云坐标系;
将第一直线与第二直线中同名直线对的端点坐标代入坐标转换方程中,基于对所述坐标转换方程的求解,对所述全景影像和所述点云数据配准。
在本发明实施例的第二方面,提供了一种全景影像与点云自动配准装置,包括:
第一提取模块,用于获取车载全景影像,将所述全景影像转换为第一框幅式影像后,提取第一框幅式影像中的第一直线,并将所述第一直线的端点坐标转换到全景影像坐标系;
选取模块,用于根据所述全景影像拍摄位置,选取预定范围内的点云数据;
第二提取模块,用于将所述点云数据投影成第二框幅式影像,提取第二框幅式影像中的第二直线,并将所述第二直线的端点坐标转换至点云坐标系;
配准模块,用于将第一直线与第二直线中同名直线对的端点坐标代入坐标转换方程中,基于对所述坐标转换方程的求解,对所述全景影像和所述点云数据配准。
在本发明实施例的第三方面,提供了一种装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,通过将全景影像转换为框幅式影像后,提取框幅式影像中直线,再在全景影像对应的点云数据投影成框幅式影像,提取直线,获取同名直线对,将分别将直线端点代入坐标转换方程,求解配准参数。分别将全景影像及点云数据转换成框幅式影像方便直线检测,通过直线检测并将线性特征作为配准模型,可以简单快速实现全景影像与点云的配准,既提高配准效率,减少传统人工配准的人力耗费,同时,减少人为影响,对大量的数据配准时,保障配准结果稳定可靠,精度统一。
附图说明
图1为本发明实施例提供的一种全景影像与点云自动配准方法的流程示意图;
图2为本发明实施例提供的一种全景影像与点云自动配准方法的另一流程示意图;
图3为本发明实施例提供的一种全景影像与点云自动配准装置的结构示意图。
具体实施方式
本发明实施例提供了一种全景影像与点云自动配准方法、装置及存储介质,用于高效准确的对全景影像与点云进行配准。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
请参阅图1,本发明实施例提供的全景影像与点云自动配准方法的流程示意图,包括:
S101、获取车载全景影像,将所述全景影像转换为第一框幅式影像后,提取第一框幅式影像中的第一直线,并将所述第一直线的端点坐标转换到全景影像坐标系;
可选的,通过车载全景相机拍摄全景影像,记录全景影像对应名称、拍摄时间、拍摄位置以及拍摄时姿态信息。记录拍摄信息可以方便对应点云获取及直线配对。
所述全景影像为通过车载全景相机拍摄的水平及垂直方向的影像数据,全景影像中可以为视频或图片形式的文件。根据相机成像原理,全景图像可以通过球体模拟全景影像,以球心为光点,对全景影像进行球坐标转换。
所述框幅式影像即影像中所有像点具有相同的摄影中心,或处于同一平面,一般将全景影像投影到同一平面可以得到框幅式影像。在本实施例中可以将全景影像转换为球坐标后,投影到平面坐标系获得框幅式影像。
可选的,通过RANSAC算法检测所述第一框幅式影像中的直线,计算直线方程,并获取直线首尾端点。在框幅式影像上进行边缘提取,得到包含边缘信息的二值影像在二值影像中:随机取两个非零点,计算直线方程;计算其余非零点到直线的距离,统计距离小于阈值D的点的个数,循环执行以上步骤,找到其中距离小于阈值D的点的个数最多的那个直线方程,并输出得到直线方程和直线首末端点。
所述第一直线的坐标转换可以基于对第一直线的首尾端点坐标转换实现。示例性的,首先,将直线首末端点坐标由框幅式坐标转换为球面坐标,转换公式为:
然后,将首末端点坐标由球面坐标转换为全景影像坐标,转换公式为:
S102、根据所述全景影像拍摄位置,选取预定范围内的点云数据;
每一幅全景影像都会存储其属性信息,一般包括名称、拍摄时间及拍摄位置,读取当前全景影像的拍摄信息,获取所述全景影像拍摄位置,拍摄位置可以通过绝对位置如GPS定位,或相对位置如二维平面坐标表示。
从点云数据中,选取以拍摄位置为中心,选取小于预设距离范围内的点云,即可得到预定范围内的点云数据。优选的,将所述预定范围内的点云数据的反射强度作为框幅式影像的像素值。
S103、将所述点云数据投影成第二框幅式影像,提取第二框幅式影像中的第二直线,并将所述第二直线的端点坐标转换至点云坐标系;
所述点云坐标一般为三维坐标系,可以是以地心为坐标原点的坐标系也可以是自定义的坐标系。所述提取第二框幅式影像中的第二直线,具体的,通过RANSAC算法检测所述第二框幅式影像中的直线,所述第二直线由方程式表示,并获取直线首尾端点,通过首尾端点(或首末端点)坐标转换,可以实现点云坐标系的转换。
S104、将第一直线与第二直线中同名直线对的端点代入坐标转换方程中,基于对所述坐标转换方程的求解,对全景影像和点云数据配准。
根据摄影中心点、像方点及物方点理论上处于同一条直线,满足共线方程,则存在共线方程公式:
若直线上存在两点PA(XA,YA,ZA)和PB(XB,YB,ZB),任一点P的坐标可以表示为:
基于P点坐标表示公式,代入共线方程式,得到以线特征作为配准基元的变换模型为:
其中,
公式(7)可以作为坐标转换方程,将同名直线对的端点代入,可以得到两个方程式。可选的,全景影像和点云数据的配准参数为6个时,至少需要4个同名直线对。
进一步的,对所述坐标转换方程按泰勒公式展开,获得误差方程,通过最小二乘法求取法方程,解法方程,获得全景影像和点云数据的配准参数。
对公式(7)按照泰勒公式展开,得到误差方程:
其中,
A16=+(y-y0),A26=-(x-x0)。
为简化计算,令:
则存在:
将方程组改写为矩阵形式:
可以简写为:V=AX-L;
根据最小二乘原理,列出法方程:ATAX=ATL;
求解法方程,可得待求解的配准参数:X=(ATA)-1ATL。
可以理解的是,通过一定数量的实测数据输入,即多对同名直线的输入,根据全景影像和点云转换模型,可以基于(8)和最小二乘法求解配准参数。
图2为全景影像与点云自动配准方法的另一流程示意图,结合图2,下面对全景影像与点云自动配准方法进行进一步描述,图2示出了配准参数计算过程:
所述全景影像201为任一由车载全景相机拍摄影像,一般存放在特定的文件夹,为同一类型或同种文件格式,所述全景影像201中还包含由全景影像的拍摄时间、拍摄位置及拍摄的姿态信息。
对全景影像201进行坐标转换,转换为第一框幅式影像202,进而通过直线检测算法获取第一框幅式影像202中的第一直线203,所述第一直线203中可以包含有多条直线,通过直线方程表示,并具有首尾端点。
在距全景影像201拍摄位置预定距离范围内,获取该范围的点云数据204,将点云数据204转换为第二框幅式影像205,检测第二框幅式影像205中的直线,得到第二直线206,所述第二直线206同样由直线方程表示,记录首尾端点坐标。
可以理解的是,所述第一直线203和所述第二直线206中均包含有多条直线,且属于同一区域范围。
将所述第一直线203和所述第二直线206中若干同名直线对的首尾端点代入坐标转换方程207中,求取配准参数208。代入的同名直线对数量可以根据求取的配准参数208数量确定。
本实施例提供的方法,基于直线检测求取全景影像与点云的配准参数,简单且结果准确可靠,针对大量的数据配准,可以提高处理效率,保障配准精度的准确统一。
实施例二:
图3为本发明实施例二提供的全景影像与点云自动配准装置的结构示意图,包括:
第一提取模块310,用于获取车载全景影像,将所述全景影像转换为第一框幅式影像后,提取第一框幅式影像中的第一直线,并将所述第一直线的端点坐标转换到全景影像坐标系;
可选的,所述获取车载全景影像前还包括:
通过车载全景相机拍摄全景影像,记录全景影像对应名称、拍摄时间、拍摄位置以及拍摄时姿态信息。
可选的,所述提取第一框幅式影像中的第一直线具体为:
通过RANSAC算法检测所述第一框幅式影像中的直线,计算直线方程,并获取直线首尾端点。
选取模块320,用于根据所述全景影像拍摄位置,选取预定范围内的点云数据;
第二提取模块330,用于将所述点云数据投影成第二框幅式影像,提取第二框幅式影像中的第二直线,并将所述第二直线的端点坐标转换至点云坐标系;
配准模块340,用于将第一直线与第二直线中同名直线对的端点坐标代入坐标转换方程中,基于对所述坐标转换方程的求解,对全景影像和点云数据配准。
可选的,所述基于对所述坐标转换方程的求解,对全景影像和点云数据配准具体为:
对所述坐标转换方程按泰勒公式展开,获得误差方程,通过最小二乘法求取法方程,解算所述法方程,获得全景影像和点云数据的配准参数。
通过本实施例的装置,可以实现全景影像和点云的配准,减少人工影响,提升配准效率的同时,使配准结果准确可靠。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101至S105,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种全景影像与点云自动配准方法,其特征在于,包括:
获取车载全景影像,将所述全景影像转换为第一框幅式影像后,提取第一框幅式影像中的第一直线,并将所述第一直线的端点坐标转换到全景影像坐标系;
根据所述全景影像拍摄位置,选取预定范围内的点云数据;
将所述点云数据投影成第二框幅式影像,提取第二框幅式影像中的第二直线,并将所述第二直线的端点坐标转换至点云坐标系;
将第一直线与第二直线中同名直线对的端点坐标代入坐标转换方程中,基于对所述坐标转换方程的求解,对所述全景影像和所述点云数据配准。
2.根据权利要求1所述的方法,其特征在于,所述获取车载全景影像前还包括:
通过车载全景相机拍摄全景影像,记录全景影像对应名称、拍摄时间、拍摄位置以及拍摄时姿态信息。
3.根据权利要求1所述的方法,其特征在于,所述提取第一框幅式影像中的第一直线具体为:
通过RANSAC算法检测所述第一框幅式影像中的直线,计算直线方程,并获取直线首尾端点。
4.根据权利要求1所述的方法,其特征在于,所述基于对所述坐标转换方程的求解,对全景影像和点云数据配准具体为:
对所述坐标转换方程按泰勒公式展开,获得误差方程,通过最小二乘法求取法方程,解算所述法方程,获得全景影像和点云数据的配准参数。
5.一种全景影像与点云自动配准装置,其特征在于,包括:
第一提取模块,用于获取车载全景影像,将所述全景影像转换为第一框幅式影像后,提取第一框幅式影像中的第一直线,并将所述第一直线的端点坐标转换到全景影像坐标系;
选取模块,用于根据所述全景影像拍摄位置,选取预定范围内的点云数据;
第二提取模块,用于将所述点云数据投影成第二框幅式影像,提取第二框幅式影像中的第二直线,并将所述第二直线的端点坐标转换至点云坐标系;
配准模块,用于将第一直线与第二直线中同名直线对的端点坐标代入坐标转换方程中,基于对所述坐标转换方程的求解,对所述全景影像和所述点云数据配准。
6.根据权利要求5所述的装置,其特征在于,所述第一提取模块还包括:
记录模块,用于通过车载全景相机拍摄全景影像,记录全景影像对应名称、拍摄时间、拍摄位置以及拍摄时姿态信息。
7.根据权利要求5所述的装置,其特征在于,所述提取第一框幅式影像中的第一直线具体为:
通过RANSAC算法检测所述第一框幅式影像中的直线,计算直线方程,并获取直线首尾端点。
8.根据权利要求5所述的装置,其特征在于,所述基于对所述坐标转换方程的求解,对全景影像和点云数据配准具体为:
对所述坐标转换方程按泰勒公式展开,获得误差方程,通过最小二乘法求取法方程,解算所述法方程,获得全景影像和点云数据的配准参数。
9.一种装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述一种全景影像与点云自动配准方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述一种全景影像与点云自动配准方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002132.7A CN110766731A (zh) | 2019-10-21 | 2019-10-21 | 一种全景影像与点云自动配准的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002132.7A CN110766731A (zh) | 2019-10-21 | 2019-10-21 | 一种全景影像与点云自动配准的方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766731A true CN110766731A (zh) | 2020-02-07 |
Family
ID=69332829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911002132.7A Pending CN110766731A (zh) | 2019-10-21 | 2019-10-21 | 一种全景影像与点云自动配准的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766731A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487746A (zh) * | 2021-05-25 | 2021-10-08 | 武汉海达数云技术有限公司 | 一种车载点云着色中最优关联影像选择方法及系统 |
CN114399550A (zh) * | 2022-01-18 | 2022-04-26 | 中冶赛迪重庆信息技术有限公司 | 一种基于三维激光扫描的汽车鞍座提取方法及系统 |
CN114485608A (zh) * | 2021-12-13 | 2022-05-13 | 武汉中海庭数据技术有限公司 | 一种用于高精度地图制作的局部点云快速配准方法 |
WO2022179549A1 (zh) * | 2021-02-26 | 2022-09-01 | 上海商汤智能科技有限公司 | 一种标定方法、装置、计算机设备和存储介质 |
CN116862777A (zh) * | 2023-06-13 | 2023-10-10 | 中铁第四勘察设计院集团有限公司 | 一种全景影像的位置转换方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017653A (zh) * | 2012-11-27 | 2013-04-03 | 武汉海达数云技术有限公司 | 一种球面全景影像与三维激光扫描点云的配准及测量方法 |
CN105825470A (zh) * | 2016-03-10 | 2016-08-03 | 广州欧科信息技术股份有限公司 | 基于点云影像的鱼眼影像纠正方法 |
CN107392944A (zh) * | 2017-08-07 | 2017-11-24 | 广东电网有限责任公司机巡作业中心 | 全景影像与点云的配准方法及装置 |
WO2018000892A1 (zh) * | 2016-06-27 | 2018-01-04 | 深圳市圆周率软件科技有限责任公司 | 一种全景立体影像的成像方法、装置及系统 |
CN109115186A (zh) * | 2018-09-03 | 2019-01-01 | 山东科技大学 | 一种针对车载移动测量系统的360°可量测全景影像生成方法 |
-
2019
- 2019-10-21 CN CN201911002132.7A patent/CN110766731A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017653A (zh) * | 2012-11-27 | 2013-04-03 | 武汉海达数云技术有限公司 | 一种球面全景影像与三维激光扫描点云的配准及测量方法 |
CN105825470A (zh) * | 2016-03-10 | 2016-08-03 | 广州欧科信息技术股份有限公司 | 基于点云影像的鱼眼影像纠正方法 |
WO2018000892A1 (zh) * | 2016-06-27 | 2018-01-04 | 深圳市圆周率软件科技有限责任公司 | 一种全景立体影像的成像方法、装置及系统 |
CN107392944A (zh) * | 2017-08-07 | 2017-11-24 | 广东电网有限责任公司机巡作业中心 | 全景影像与点云的配准方法及装置 |
CN109115186A (zh) * | 2018-09-03 | 2019-01-01 | 山东科技大学 | 一种针对车载移动测量系统的360°可量测全景影像生成方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022179549A1 (zh) * | 2021-02-26 | 2022-09-01 | 上海商汤智能科技有限公司 | 一种标定方法、装置、计算机设备和存储介质 |
CN113487746A (zh) * | 2021-05-25 | 2021-10-08 | 武汉海达数云技术有限公司 | 一种车载点云着色中最优关联影像选择方法及系统 |
CN113487746B (zh) * | 2021-05-25 | 2023-02-24 | 武汉海达数云技术有限公司 | 一种车载点云着色中最优关联影像选择方法及系统 |
CN114485608A (zh) * | 2021-12-13 | 2022-05-13 | 武汉中海庭数据技术有限公司 | 一种用于高精度地图制作的局部点云快速配准方法 |
CN114485608B (zh) * | 2021-12-13 | 2023-10-10 | 武汉中海庭数据技术有限公司 | 一种用于高精度地图制作的局部点云快速配准方法 |
CN114399550A (zh) * | 2022-01-18 | 2022-04-26 | 中冶赛迪重庆信息技术有限公司 | 一种基于三维激光扫描的汽车鞍座提取方法及系统 |
CN116862777A (zh) * | 2023-06-13 | 2023-10-10 | 中铁第四勘察设计院集团有限公司 | 一种全景影像的位置转换方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568447B (zh) | 视觉定位的方法、装置及计算机可读介质 | |
CN111179358B (zh) | 标定方法、装置、设备及存储介质 | |
CN110766731A (zh) | 一种全景影像与点云自动配准的方法、装置及存储介质 | |
CN110490916B (zh) | 三维对象建模方法与设备、图像处理装置及介质 | |
CN112444242B (zh) | 一种位姿优化方法及装置 | |
CN108288292A (zh) | 一种三维重建方法、装置及设备 | |
CN112686877B (zh) | 基于双目相机的三维房屋损伤模型构建测量方法及系统 | |
KR101759798B1 (ko) | 실내 2d 평면도의 생성 방법, 장치 및 시스템 | |
CN110567441B (zh) | 基于粒子滤波的定位方法、定位装置、建图及定位的方法 | |
CN110738703B (zh) | 定位方法及装置、终端、存储介质 | |
CN112862966B (zh) | 地表三维模型构建方法、装置、设备及存储介质 | |
CN116503566B (zh) | 一种三维建模方法、装置、电子设备及存储介质 | |
CN108801225B (zh) | 一种无人机倾斜影像定位方法、系统、介质及设备 | |
CN115423863B (zh) | 相机位姿估计方法、装置及计算机可读存储介质 | |
CN117635875B (zh) | 一种三维重建方法、装置及终端 | |
Tsaregorodtsev et al. | Extrinsic camera calibration with semantic segmentation | |
Marelli et al. | ENRICH: Multi-purposE dataset for beNchmaRking In Computer vision and pHotogrammetry | |
US11475629B2 (en) | Method for 3D reconstruction of an object | |
GB2569609A (en) | Method and device for digital 3D reconstruction | |
CN110148086B (zh) | 稀疏深度图的深度补齐方法、装置及三维重建方法、装置 | |
JP7195785B2 (ja) | 3次元形状データを生成する装置、方法、及びプログラム | |
CN112262411A (zh) | 图像关联方法、系统和装置 | |
CN113129422A (zh) | 一种三维模型构建方法、装置、存储介质和计算机设备 | |
JP7251631B2 (ja) | テンプレート作成装置、物体認識処理装置、テンプレート作成方法、物体認識処理方法及びプログラム | |
CN114387532A (zh) | 边界的识别方法及其装置、终端、电子设备和无人设备 |
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: 20200207 |