CN111127622B - 基于图像分割的三维点云离群点剔除方法 - Google Patents
基于图像分割的三维点云离群点剔除方法 Download PDFInfo
- Publication number
- CN111127622B CN111127622B CN201911165781.9A CN201911165781A CN111127622B CN 111127622 B CN111127622 B CN 111127622B CN 201911165781 A CN201911165781 A CN 201911165781A CN 111127622 B CN111127622 B CN 111127622B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- dimensional
- image segmentation
- axis
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003709 image segmentation Methods 0.000 title claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 21
- 230000011218 segmentation Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T15/30—Clipping
-
- 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
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像分割的三维点云离群点剔除方法，属于计算机图形学领域，包括：设定采样间隔，在单位球参数空间均匀采样生成投影方向；根据生成的投影方向与三维点云所在世界坐标系Z轴之间的“313”旋转关系求解变换矩阵，并利用变换矩阵对点云进行姿态变换；计算姿态变换后的三维点云投影到透视投影虚拟视图中的图像分辨率；获取三维点云在所有投影方向上的透视投影虚拟视图；利用基于图像分割的主体提取算法分割出获得的透视投影虚拟视图中图像的主体部分；根据可见外壳技术，利用透视投影虚拟视图中主体部分的侧影轮廓线形成三维点云的凸包，将三维点云凸包以外的三维点作为离群点进行剔除。
Description
技术领域
本发明涉及计算机图形学领域，具体地说，涉及一种基于图像分割的三维点云离群点剔除方法。
背景技术
从激光扫描仪或照相机获得的三维点云，由于光照、计算误差、设备误差等因素通常包含大量离群点，而这些离群点的存在将极大地影响后续三维点云处理的精度。因此在进行后续三维点云处理之前，需要首先对三维点云中的离群点进行剔除。
在计算机图形学领域，三维点云的预处理一直受到广泛的关注。三维点云的预处理步骤中主要涉及的问题有离群点的剔除、噪声的去除以及点云特征的保留等。然而在三维点云处理领域并没有关于离群点、噪声以及特征的统一定义。
为了更清楚地描述三维点云中的滤波问题，本发明专利参照调研结果对离群点、噪声以及特征进行了明确的定义。相关定义如下：三维点云中的离群点是远离真实表面错误的或不需要的点，并且根据离群点的密集程度将三维点云中的离群点分为以下两种类型：稀疏型离群点和稠密型离群点。三维点云中的噪声是随机分布在真实表面附近的点。三维点云中的特征是在表面附近按照一定规律分布的点。当前三维点云的离群点剔除方法主要分为基于几何与统计的方法和基于深度图的方法。然而这些方法存在如下的缺陷：(1)基于几何与统计的方法一般是对点与其局部邻域内点之间的距离进行统计，从而获得统计量如均值和方差等，并且根据这些统计量设定一个阈值，一旦点与其邻域内点之间的距离大于该阈值则将其剔除，由于稠密型离群点之间距离较近无法利用统计信息将稠密型离群点和有效的三维点云进行区分，因此基于几何与统计的方法无法处理稠密型离群点；(2)基于深度图的方法是将相机获取的一系列多视图的高分辨率图像作为输入，估算出各个视图的深度图，并且利用多个视图中的几何一致性、可见性、颜色一致性、光照一致性等约束来剔除异常的数据点，然而这种方法需要获得目标物体在多个视图下的真实图像并且存在计算量大的问题。
近二十年来，视点选择问题在计算机图形学、计算机视觉和可视化领域受到广泛的关注，视点选择技术被广泛用于场景理解、基于图像的渲染等。视点选择问题的核心和难点主要体现在视点好坏的判定问题，按照不同的评判标准产生了几类视点选择的方法：(1)基于信息熵的方法将拥有最大信息熵的视点定义为最好的视点；(2)基于特征的方法将拥有最多数量特征的视点作为最好视点；(3)基于学习的方法将训练数据中人为选择的视点作为好的视点。基于信息熵的方法没有考虑特征的语义信息，因此该方法无法针对语义特征生成最优的视点位置；基于特征的方法有多种特征可供选择，然而不同的特征所适用的场合不同，这就导致特征的选择依赖于应用的场景；基于学习的方法需要大量的标定数据进行训练，而这些标定数据需要大量的人工交互。
发明内容
本发明的目的为提供一种基于图像分割的三维点云离群点剔除方法，采用单位球参数空间均匀采样的方案代替视点选择的方案，有效减少了计算量，便于实现。
为了实现上述目的，本发明提供的基于图像分割的三维点云离群点剔除方法包括以下步骤：
步骤(1)，设定采样间隔，在以三维点云重心为球心的单位球参数空间中均匀采样生成投影方向；
步骤(2)，根据步骤(1)生成的投影方向与三维点云所在世界坐标系Z轴之间的“313”旋转关系求解变换矩阵，并利用变换矩阵对点云进行姿态变换；
步骤(3)，计算姿态变换后的三维点云投影到透视投影虚拟视图中的图像分辨率；
步骤(4)，获取三维点云在所有投影方向上的透视投影虚拟视图；
步骤(5)，利用基于图像分割的主体提取算法分割出步骤(4)获得的透视投影虚拟视图的主体部分；
步骤(6)，根据可见外壳技术，利用透视投影虚拟视图中主体部分的侧影轮廓线形成三维点云的凸包，将三维点云凸包以外的三维点作为离群点进行剔除。
图像分割技术是一种将数字图像分割为多个部分的技术，从而将一幅图像转化为一种更有意义和便于分析的表现形式。图像分割是计算机视觉领域的一个重要分支，它被广泛应用于图像目标定位和边缘检测等方面。图像分割算法从原理上可以被划分为基于图论的分割方法、基于聚类的分割方法和基于语义的分割方法这三大类。基于图论的分割方法是将图像映射为带权无向图，从而利用图论领域的理论和方法求解问题；基于聚类的分割方法是利用机器学习中聚类方法，将颜色、亮度、纹理等特征相似的像素点利用迭代的方式聚类到同一超像素，从而得到最终的图像分割结果；基于语义的分割方法是近几年的研究热点，借助深度学习技术挖掘出图像中的高级语义信息，从而很大程度上解决了传统方法中语义缺失的问题。本发明中借助图论的知识，利用基于图像分割的主体提取算法提取出虚拟视图中主体部分的轮廓，并且将非主体部分作为离群点进行剔除。
可见外壳(Visual Hull)是指三维空间中的对象在多个不同视图中二维分割的交集，从八十年代以来有许多技术被提出用来形成鲁棒的可见外壳，所有这些方法都假定物体在不同视图图像中的二维分割是手工生成的或者能够通过背景剪切或颜色先验信息获取。本发明利用基于图像分割的主体提取算法生成的分割结果作为不同视图中的二维分割结果，最终利用可见外壳的技术对三维点云中的离群点进行剔除。
与现有技术相比，本发明的有益效果为：
本发明的基于图像分割的三维点云离群点剔除方法，通过采用在单位球参数空间均匀采样的方法进行采样，减少了计算量，更易实现；利用基于图像分割的主体提取算法将图像的主体部分进行分割，从而剔除离群点，解决了传统方法中语义缺失的问题；另外，根据可见外壳技术，利用透视投影虚拟视图中主体部分的侧影轮廓线形成三维点云的凸包，将三维点云凸包以外的三维点作为离群点进行剔除。
附图说明
图1为本发明实施例中基于图像分割的三维点云离群点剔除方法的整体流程说明示意图；
图2为本发明实施例中在单位球参数空间均匀采样获取的采样点示意图，其中(a)为本发明实施例中使用的球面参数方程的坐标示意图，(b)为对单位球面参数空间进行均匀采样得到的采样点示意图；
图3为本发明实施例中提及的“313”旋转示意图，其中(a)为绕Z轴顺时针旋转α角示意图，(b)为绕X轴顺时针旋转β角示意图，(c)为绕Z轴顺时针旋转γ角示意图；
图4为本发明实施例中利用基于图像分割的主体提取算法获取图像中主体轮廓的原理示意图；
图5为本发明实施例中使用的可见外壳技术获得三维点云的凸包原理示意图；
图6为本发明实施例中由公开数据集获得的两组效果图，其中(a)、(d)为原始带有离群点的三维点云，(b)、(e)为利用基于几何与统计的离群点剔除方法得到的结果图，(c)、(f)为本发明实施例中采用的方法得到的结果图；
图7为本发明实施例中对一组多目重建结果处理的效果图，其中(a)为原始带有离群点的三维点云，(b)为利用基于几何与统计的离群点剔除方法得到的结果图，(c)为本发明实施例中采用的方法得到的结果图；
图8为本发明实施例中基于图像分割的三维点云离群点剔除方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合实施例及其附图对本发明作进一步说明。
实施例
参见图1和图8，本实施例中基于图像分割的三维点云离群点剔除方法，包括以下步骤：
S1，通过在单位球参数空间均匀采样生成投影方向。本发明中用到的球面参数方程如下所示：
图2(a)中是本发明中使用的球面参数坐标示意图，其中θ为X轴正方向与数据点位置矢量方向形成的顺时针方向的夹角，而
为Z轴负方向与数据点位置矢量形成的夹角。图2(b)为选择采样间隔为Δθ＝π/5，
得到的采样点分布图，这些采样点对应的位置矢量则可以作为透视投影的投影方向。
S2，根据投影方向和Z轴的“313”旋转变换关系求解变换矩阵。“313”旋转关系为首先绕Z轴顺时针旋转α角，然后绕X轴顺时针旋转β角，最后绕Z轴顺时针旋转γ角所得到的旋转变换关系，如附图3所示是“313”旋转的示意图，其中(a)为绕Z轴顺时针旋转α角示意图，(b)为绕X轴顺时针旋转β角示意图，(c)为绕Z轴顺时针旋转γ角示意图。假设三维点云所在世界坐标系为O-XYZ，三维点云中任意一点pi的位置矢量为Pi＝[xi，yi，zi]T，则该点的位置矢量绕Z轴与YOZ平面顺时针方向的夹角α为：
令位置矢量Pi绕着Z轴顺时针旋转α角之后得到的新的位置矢量为Pi'，则该位置矢量绕X轴与XOZ平面顺时针方向的夹角β为：
再令位置矢量Pi'绕X轴顺时针方向旋转β角得到的位置矢量为Pi”，由于位置矢量Pi”与Z轴共线，因此“313”旋转的γ＝0。
假设投影方向为χ，三维点云为S，为了获取三维点云S在投影方向χ上的透视投影，首先需要求取投影方向χ到Z轴的旋转变换ψ313。令投影方向χ绕Z轴顺时针旋转α角到YOZ平面，得到的新投影方向为χ'；再令投影方向χ'绕X轴顺时针旋转β角到XOZ平面，得到的新投影方向为χ”，由于此时新的投影方向χ”已经与Z轴共线，因此进一步旋转角γ＝0。令RX(θ)，RY(θ)，RZ(θ)分别代表绕X，Y，Z轴顺时针旋转θ的旋转矩阵，三维点云S经过旋转变换ψ313得到的新的三维点云为S',根据上述描述则有如下等式：根据上述公式(2)和(3)求得旋转角度α和β，令RX(θ)，RY(θ)，RZ(θ)分别代表绕X，Y，Z轴顺时针旋转θ的旋转矩阵，三维点云S经过旋转变换ψ313得到的新的三维点云为S',根据上述描述则有如下等式：
χ'＝RZ(α)χ (4)
χ”＝RX(β)χ' (5)
S'＝RZ(0)RX(β)RZ(α)S＝ψ313S (6)
其中ψ313为：
S3，由于本实施例中采用了基于图像分割的主体提取算法，因此投影图像分辨率设置会改变投影图像所形成的无向图的连通性，从而极大影响后续基于图像分割的主体提取结果的准确性。如果投影图像分辨率设置的过高，会导致三维点云形成的投影图像像素点较为分散，无法保证图像对应的无向图中主体部分内部的连通性，从而导致错误的分割结果，除此之外，过大的分辨率会使得无向图中的顶点数目增多，使得图像分割算法的耗时急剧增加；如果投影图像的分辨率设置过低，则会导致由三维点云形成的投影图像像素点之间出现粘连现象，从而无法从无向图中提取出主体部分。因此本实施例中给出了一种自适应的确定图像分辨率的方法。假设三维点云的包围盒长度为L、宽度为W、高度为H，g为一个像素宽度所代表的欧氏距离，投影图像的宽度为Pw，投影图像的高度为Ph，则有如下公式：
其中像素宽度g可以根据下面公式得到：
其中n为三维点云中数据点的数目，λ是一个比例因子，该比例因子的物理含义是三维点云在包围盒中所占空间的比例，根据实验结果，λ∈[0，0.5]较为合适。
S4，透视投影的目的是将三维点云S'投影到透视投影虚拟视图中从而生成投影图像。在本实施中，将三维点云S'中的每个点与投影图像之间建立映射关系，当后续处理过程判定某像素点为非主体部分，则根据像素点中存储的点云索引将点云中的非主体部分进行剔除。
S5，基于图像分割的主体提取算法的目的是通过图像分割提取出图像中的主体部分，其提取的主体轮廓结果的质量将直接影响到后期处理结果的正确性。本实施例中将无向图中包含顶点数最多的部分作为其对应图像的主体部分。本实施例参考了漫水填充法的思想，将二值化图像的主体提取问题转化为图的遍历问题，将给定图像转化为无向图并用邻接链表进行存储。在无向图中将每个像素视为一个顶点，像素上下左右邻接关系则可以用无向图的边来表示。图4中空心圈代表了值为255的像素，阴影圈代表了值为0的像素。值为0的像素代表了不包含任何点云数据的顶点，因此该顶点的度为0，而值为255的像素则包含了点云数据的顶点。通过建立的无向图，利用满水填充法的思想从种子节点向上下左右四个方向遍历，则能够将无向图中的所有子图的最大连通子图寻找出来并且给定一个ID号来区分每个子图。
S6，如附图5(a)所示是从不同视角方向得到的视锥示意图，附图5(b)所示是将多个视锥的侧影轮廓线合并形成的三维点云的凸包。根据可见外壳的原理，S5中基于图像分割的主体提取结果可以作为该视锥形成的侧影轮廓线，则基于多个视角下主体提取的结果就可以得到三维点云的凸包，最终将该凸包之外的三维点作为离群点进行剔除。
图6为本实施例由公开数据集获得的两组效果图，(a)、(d)为原始带有离群点的三维点云，(b)、(e)为利用基于几何与统计的离群点剔除方法得到的结果图，(c)、(f)为采用本实施例中基于图像分割的三维点云离群点剔除方法得到的结果图。
图7为对一组多目重建结果处理的效果图，(a)为原始带有离群点的三维点云，(b)为利用基于几何与统计的离群点剔除方法得到的结果图，(c)为采用本实施例中基于图像分割的三维点云离群点剔除方法得到的结果图。
以上所述仅是本发明的基于图像分割的三维点云离群点剔除方法，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以做出若干改进，这些改进也应视为本发明的保护范围。
Claims (7)
1.一种基于图像分割的三维点云离群点剔除方法，其特征在于，包括以下步骤：
步骤(1)，设定采样间隔，在以三维点云重心为球心的单位球参数空间中均匀采样生成投影方向；
步骤(2)，根据步骤(1)生成的投影方向与三维点云所在世界坐标系Z轴之间的“313”旋转关系求解变换矩阵，并利用变换矩阵对点云进行姿态变换；
步骤(3)，计算姿态变换后的三维点云投影到透视投影虚拟视图中的图像分辨率；
步骤(4)，获取点云在所有投影方向上的透视投影虚拟视图；
步骤(5)，利用基于图像分割的主体提取算法分割出步骤(4)获得的透视投影虚拟视图的主体部分；具体包括：
建立无向图，在无向图中将每个像素视为一个顶点，像素上下左右邻接关系用无向图的边表示；空心圈代表值为255的像素，代表包含了三维点云的顶点；阴影圈代表值为0的像素，代表不包含任何三维点云的顶点；
通过建立的无向图，利用满水填充法的思想从种子节点向上下左右四个方向遍历，将无向图中的所有子图的最大连通子图寻找出来，并给定一个ID号区分每个子图；
以得到的多个子图中包含节点数目最多的子图作为该视图中的主体部分；
步骤(6)，根据可见外壳技术，利用透视投影虚拟视图中主体部分的侧影轮廓线形成三维点云的凸包，将三维点云凸包以外的三维点作为离群点进行剔除。
2.根据权利要求1所述的基于图像分割的三维点云离群点剔除方法，其特征在于，步骤(2)中，定义“313”旋转关系为首先绕Z轴顺时针旋转α角，然后绕X轴顺时针旋转β角，最后绕Z轴顺时针旋转γ角所得到的旋转变换关系，则所述变换矩阵的求解方法为：
假设三维点云所在世界坐标系为O-XYZ，三维点云中任意一点pi的位置矢量为Pi＝[xi，yi，zi]T，则该点的位置矢量绕Z轴与YOZ平面顺时针方向的夹角α为：
令位置矢量Pi绕着Z轴顺时针旋转α角之后得到的新的位置矢量为Pi'，则该位置矢量绕X轴与XOZ平面顺时针方向的夹角β为：
再令位置矢量Pi'绕X轴顺时针方向旋转β角得到的位置矢量为Pi”，由于位置矢量Pi”与Z轴共线，因此“313”旋转的γ＝0。
3.根据权利要求2所述的基于图像分割的三维点云离群点剔除方法，其特征在于，步骤(2)中，利用变换矩阵对点云进行位姿变换的方法为：
求得旋转角度α和β，令RX(θ)，RY(θ)，RZ(θ)分别代表绕X，Y，Z轴顺时针旋转θ的旋转矩阵，点云数据S经过旋转变换ψ313得到的新的点云数据为S',则有如下等式：
则新点云S'为：
S'＝ψ313S。
4.根据权利要求1所述的基于图像分割的三维点云离群点剔除方法，其特征在于，步骤(3)中，计算图像分辨率的方法包括：
假设三维点云的包围盒长度为L、宽度为W、高度为H，g为一个像素宽度所代表的欧氏距离，透视投影虚拟视图的宽度为Pw、高度为Ph，则有如下公式：
其中像素宽度所代表的欧氏距离g根据下面公式得到：
其中n为三维点云中数据点的数目，λ是一个比例因子，该比例因子的物理含义是三维点云在包围盒中所占空间的比例。
5.根据权利要求4所述的基于图像分割的三维点云离群点剔除方法，其特征在于，比例因子λ∈[0，0.5]。
6.根据权利要求1所述的基于图像分割的三维点云离群点剔除方法，其特征在于，步骤(4)中，将点云S'中的每个数据点与虚拟视图之间建立透视投影映射关系，当后续处理过程判定某像素点为非主体部分，由于像素点和三维点云之间存在一对多的映射关系，则根据像素点所对应的三维点云索引将三维点云中的非主体部分进行剔除。
7.根据权利要求1所述的基于图像分割的三维点云离群点剔除方法，其特征在于，步骤(6)中，将步骤(5)中以得到的多个子图中包含节点数目最多的子图作为该视图中的主体部分，根据可见外壳技术，利用主体部分的侧影轮廓线形成三维点云的凸包，将凸包外的三维点视为离群点进行剔除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911165781.9A CN111127622B (zh) | 2019-11-25 | 2019-11-25 | 基于图像分割的三维点云离群点剔除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911165781.9A CN111127622B (zh) | 2019-11-25 | 2019-11-25 | 基于图像分割的三维点云离群点剔除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111127622A CN111127622A (zh) | 2020-05-08 |
| CN111127622B true CN111127622B (zh) | 2021-09-07 |
Family
ID=70496607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911165781.9A Active CN111127622B (zh) | 2019-11-25 | 2019-11-25 | 基于图像分割的三维点云离群点剔除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127622B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112161568A (zh) * | 2020-09-28 | 2021-01-01 | 山东大学 | 基于多目普通摄像机的大型煤堆体积测量方法 |
| CN113470049B (zh) * | 2021-07-06 | 2022-05-20 | 吉林省田车科技有限公司 | 一种基于结构化彩色点云分割的完整目标提取方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103559689B (zh) * | 2013-11-01 | 2016-05-11 | 浙江工业大学 | 一种点云噪声点去除方法 |
| EP3192057A4 (en) * | 2014-09-10 | 2018-03-21 | Vangogh Imaging Inc. | Real-time dynamic three-dimensional adaptive object recognition and model reconstruction |
| EP3016076A1 (en) * | 2014-10-31 | 2016-05-04 | Thomson Licensing | Method and apparatus for removing outliers from a main view of a scene during 3D scene reconstruction |
| US10074160B2 (en) * | 2016-09-30 | 2018-09-11 | Disney Enterprises, Inc. | Point cloud noise and outlier removal for image-based 3D reconstruction |
| CN108256529A (zh) * | 2017-11-29 | 2018-07-06 | 深圳慎始科技有限公司 | 基于点云投影轮廓签名和分布矩阵的全局点云描述方法 |
| CN110111414B (zh) * | 2019-04-10 | 2023-01-06 | 北京建筑大学 | 一种基于三维激光点云的正射影像生成方法 |
-
2019
- 2019-11-25 CN CN201911165781.9A patent/CN111127622B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111127622A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109872397B (zh) | 一种基于多目立体视觉的飞机零件的三维重建方法 | |
| CN110264567B (zh) | 一种基于标记点的实时三维建模方法 | |
| CN111243093B (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
| Zach | Fast and high quality fusion of depth maps | |
| Jalba et al. | Surface and curve skeletonization of large 3D models on the GPU | |
| CN104574432B (zh) | 一种自动多视角人脸自拍图像的三维人脸重建方法及系统 | |
| CN111524168B (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
| CN107369204B (zh) | 一种从单幅照片恢复出场景基本三维结构的方法 | |
| CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
| CN103854301A (zh) | 基于复杂背景下可见外壳的三维重建方法 | |
| CN109087323A (zh) | 一种基于精细cad模型的图像车辆三维姿态估计方法 | |
| CN111524233A (zh) | 一种静态场景动态目标的三维重建方法 | |
| CN111951197B (zh) | 一种基于结构光的点云分割方法 | |
| CN111127622B (zh) | 基于图像分割的三维点云离群点剔除方法 | |
| CN113192179A (zh) | 一种基于双目立体视觉的三维重建方法 | |
| CN112307553A (zh) | 一种对三维道路模型进行提取与简化的方法 | |
| CN111161267A (zh) | 一种三维点云模型的分割方法 | |
| CN116402976A (zh) | 三维目标检测模型训练方法及装置 | |
| Zhang et al. | GigaMVS: a benchmark for ultra-large-scale gigapixel-level 3D reconstruction | |
| CN117501313A (zh) | 基于深度神经网络的毛发渲染系统 | |
| Jisen | A study on target recognition algorithm based on 3D point cloud and feature fusion | |
| Szeliski et al. | Stereo correspondence | |
| Wolf et al. | Surface Reconstruction from Gaussian Splatting via Novel Stereo Views | |
| Cushen et al. | Markerless real-time garment retexturing from monocular 3d reconstruction | |
| CN109191483A (zh) | 一种直升机桨叶图像中圆形标识的快速分水岭检测方法 |
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 |