CN111583098B - 一种基于序列图像的线段聚类及拟合方法和系统 - Google Patents

一种基于序列图像的线段聚类及拟合方法和系统 Download PDF

Info

Publication number
CN111583098B
CN111583098B CN202010107372.XA CN202010107372A CN111583098B CN 111583098 B CN111583098 B CN 111583098B CN 202010107372 A CN202010107372 A CN 202010107372A CN 111583098 B CN111583098 B CN 111583098B
Authority
CN
China
Prior art keywords
plane
cluster
line segment
line segments
dimensional
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
Application number
CN202010107372.XA
Other languages
English (en)
Other versions
CN111583098A (zh
Inventor
王慧青
吴煜豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010107372.XA priority Critical patent/CN111583098B/zh
Publication of CN111583098A publication Critical patent/CN111583098A/zh
Application granted granted Critical
Publication of CN111583098B publication Critical patent/CN111583098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/001—Model-based coding, e.g. wire frame

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于序列图像的线段聚类及拟合方法和系统，通过生成线段‑线段聚类‑计算平面角度‑最终平面估计步骤，实现了一种以序列图像作为数据源的聚类平面估计方法。本发明利用原始序列图像所生成的三维线段模型，对其进行聚类和拟合，有效提高了对数据的利用效率，可以为基于同源序列图像所生成的点云提供一个精确可靠的聚类信息，与传统的点云精简方法相比，本发明可以为后续的点云精简步骤提供更多存在于原始序列图像的有效信息，奠定有力基础。

Description

一种基于序列图像的线段聚类及拟合方法和系统
技术领域
本发明涉及计算机图像领域，尤其涉及一种基于序列图像的线段聚类及拟合 方法。
背景技术
城市三维模型是城市地理景观的三维表达，它高度集成了城市的几何、属性、 纹理等丰富的信息，有着模拟现实的高度真实感。
在三维模型的建立过程中，经常需要利用现有的序列图像生成点云数据，而 点云数据的质量直接性地影响到最终模型建立的质量。在通常的生产过程中，在 生成点云数据之后，还需要通过对点云数据进行精简操作，在尽可能的保存模型 信息的同时，缩减数据文件的大小，减小计算开销、存储开销以及提高用户体验。
现有技术中，常用的聚类算法有直接采样法、基于曲面拟合的精简算法和基 于网格的简化算法等、这些聚类算法的共同特点是均单纯的以点云数据为出发点， 但没有考虑计算机渲染的能力，且对于原始的点云数据的质量有较高要求。若在 点云数据中存在较多的噪声数据，将会对精简的结果造成很大的影响。
在实际生产工作中所用到的点云数据，经常掺杂着大量的噪音数据和无效数 据，或是由于采集过程的因素，导致部分点云数据过于稀疏，因此很难生成一个 较为理想的点云结果。
发明内容
针对上述技术问题，本发明提出了一种基于序列图像的线段聚类及拟合方法。 通过生成线段-线段聚类-计算平面角度-最终平面估计步骤，实现了一种以序列 图像作为数据源的聚类平面估计方法。本发明作为现有技术不足的一种补充，可 以对序列图像所生成的三维线段数据中的信息进行高效、精确的提取，提高了对 数据的有效利用，可以为基于同源序列图像所生成的点云提供一个精确可靠的聚 类及拟合信息，为点云的精简步骤奠定基础。
为了实现上述技术目的，本发明采用的技术方案是：
一种基于序列图像的线段聚类及拟合方法，包括以下几个步骤:
S1.对原始序列图像进行特征线段匹配，生成三维线段模型；
S2.通过角度和距离关系对三维线段模型进行聚类处理，具体包括：
S21.输入已生成的三维线段模型，设定长度阈值，根据线段的端点，遍历 计算每一条线段的长度，若线段长度低于设定的长度阈值，则直接剔除该线段； 在遍历所有线段并剔除不合格的线段之后，将剩余的线段模型作为最终三维线段 模型供后续步骤使用；
S22.对第i条线段li，设当前已生成了n个线段聚类，则在第1～n个线段聚 类中检索遍历，设当前检索的线段聚类为Ci，若线段li与属于聚类Ci之中的所有 线段的角度均小于预设角度阈值，同时，线段li与聚类Ci之间的线段的平均质点 距离小于预设长度阈值，则认为线段li属于聚类Ci；
S23.对第i条线段li，若线段li在当前已生成的1～n个线段聚类中检索遍历 到聚类Cn之后，仍未发现存在一个聚类Ci，在聚类Ci中，线段li与属于聚类Ci之 中的所有线段的角度关系均小于预设角度阈值，同时，li与聚类Ci之间的线段的 平均质点距离小于预设长度阈值,则认为线段li属于一个新的聚类，将其归入新 的编号为n+1的聚类；
S24，重复上述操作流程，直至所有线段都已经归入到各个聚类之中，统计 各聚类中的线段数量，若有些聚类的线段数量过少，低于事先设定的最小线段数 量阈值，则认为该聚类为边缘噪音扰动，剔除该聚类以及聚类内的线段；
S3.根据位姿关系，确定三维线段所估计的平面模型。
所述步骤S3包括以下两个子步骤，
S31.根据线段之间的位姿关系，确定各聚类中三维线段所对应的无界平面Pi, 具体是：
S311.假设一个完全水平的平面Pe，求出聚类C1内每一条线段对应的单位向 量
Figure BDA0002388826150000021
与该水平平面Pe的法向量角度，其中，水平平面的法向量
Figure BDA0002388826150000022
的值固定为 (1,0,0)，通过公式
Figure BDA0002388826150000023
求得单位向量与水平平面法向量的角度 αi，其中α的取值范围在[-90°,90°]之间，如聚类C1，其角度
Figure BDA0002388826150000031
S312.在每一个聚类,如聚类C1中，根据
Figure BDA0002388826150000032
得出有界平面Pl所在的无界平面 Pi与水平平面Pe的角度关系，通过加以约束关系，确定唯一一个无界平面Pi；
S313.从边缘线段开始，按照
Figure BDA0002388826150000033
给定的角度，以等距离d开始移动，并记录 交点的个数，直至没有交点为止，选取与直线交点最多的平面，作为最终的无界 平面Pi；
S32.根据线段之间的位姿关系，且在无界平面Pi的基础上，确定各聚类中三 维线段所对应的有界平面Pl，具体是：
S321.将聚类C1中的三维线段，在无界平面Pi上做投影，在投影中,分别选择 两侧最远的线段，作为有界平面Pl的长lli1与lli2；
S322.将聚类中的三维线段，在无界平面Pi上投影，选取一侧的lli1，在无界 平面Pi作其长lli1以及长lli1延长线的垂线，其垂线有无数条，以等距离d′令垂线 在无界平面Pi上沿着长lli1以及长lli1延长线平移，选取其中最先和最后所遍历到的， 与三维线段的投影有交集，且交集最少的垂线，截取这两条垂线在长lli1与lli2内 的交集线段，作为有界平面Pi的宽lldi1与lldi2；
S323.根据得出的两条平面所对应长lli1与lli2，以及两条平面对应的宽lldi1与lldi2，确定一个四边形，即为聚类Ci所对应的有界平面Pl；
S33.记录所述四边形的四个端点值，将数据存入文件中。
本发明还公开了一种基于序列图像的线段聚类及拟合系统，包括：
三维线段模型生成模块，用于对原始序列图像进行特征线段匹配，生成三维 线段模型；
聚类模块，用于通过角度和距离关系对三维线段模型进行聚类处理；
无界平面Pi确定模块，根据线段之间的位姿关系，确定各聚类中三维线段所 对应的无界平面Pi,具体是：
假设一个完全水平的平面Pe，求出聚类C1内每一条线段对应的单位向量
Figure BDA0002388826150000041
与该水平平面Pe的法向量角度，其中，水平平面的法向量
Figure BDA0002388826150000042
的值固定为 (1,0,0)，通过公式
Figure BDA0002388826150000043
求得单位向量与水平平面法向量的角度 αi，其中α的取值范围在[-90°,90°]之间，如聚类C1，其角度
Figure BDA0002388826150000044
在每一个聚类,如聚类C1中，根据
Figure BDA0002388826150000045
得出有界平面Pl所在的无界平面Pi与水 平平面Pe的角度关系，通过加以约束关系，确定唯一一个无界平面Pi；
S23.从边缘线段开始，按照
Figure BDA0002388826150000046
给定的角度，以等距离d开始移动，并记录交点 的个数，直至没有交点为止，选取与直线交点最多的平面，作为最终的无界平面 Pi；
有界平面Pl确定模块，根据线段之间的位姿关系，且在无界平面Pi的基础上， 确定各聚类中三维线段所对应的有界平面Pl，具体是：
将聚类C1中的三维线段，在无界平面Pi上做投影，在投影中,分别选择两侧 最远的线段，作为有界平面Pl的长lli1与lli2；
将聚类中的三维线段，在无界平面Pi上投影，选取一侧的lli1，在无界平面Pi作其长lli1以及长lli1延长线的垂线，其垂线有无数条，以等距离d′令垂线在无界 平面Pi上沿着长lli1以及长lli1延长线平移，选取其中最先和最后所遍历到的，与三 维线段的投影有交集，且交集最少的垂线，截取这两条垂线在长lli1与lli2内的交 集线段，作为有界平面Pi的宽lldi1与lldi2；根据得出的两条平面所对应长lli1与lli2， 以及两条平面对应的宽lldi1与lldi2，确定一个四边形，即为聚类Ci所对应的有界平 面Pl；
记录存储模块，用于记录所述四边形的四个端点值，将数据存入文件中。
与现有技术相比，本发明的有益效果是：
本发明与传统的单纯根据序列图像作为数据源生成点云数据并精简的方法 不同，本发明利用原始序列图像所生成的三维线段模型，对其进行聚类和拟合， 可以为基于同源序列图像所生成的点云数据提供一个精确可靠的聚类信息，有效 提高了对数据的利用效率。
与传统的点云精简方法相比，本发明可以为后续的点云精简步骤提供更多存 在于原始序列图像的有效信息，奠定有力基础。
附图说明
图1为本发明实施例提供的一种基于序列图像的线段聚类及拟合方法的流 程图；
图2为本发明实施例提供的三维线段模型聚类过程的流程图；
图3为本发明实施例提供的聚类的示意图；
图4为本发明实施例中lli1与lli2的位置示意图；
在图4中，L1～L7表示一个示例聚类中的7条三维线段在无界平面Pi上所对 应的投影。
图5为本发明实施例中lldi1与lldi2以及四个顶点的示意图；
其中，J1、J2、J3、J4分别为有界平面Pl的四个顶点。
具体实施方式
以下将结合附图和实施例，对本发明进行较为详细的说明。
一种基于序列图像的线段聚类及拟合方法，如图1所示，包括如下步骤：
步骤一，系统运行在高性能的电脑上，从一组事先通过相机所拍摄的序列图 像文件(通常后缀为jpg)中，读取数据，进行SfM稀疏重建，对其中的二维线 段建立潜在的匹配关系，为每一个二维线段选择最置信的匹配的位置，作为其三 维假设位置，并据此确定线段的三维所在位置，保存并输出。
首先通过长度阈值设置，过滤掉一批线段，再基于各线段夹角，对三维线段 进行聚类处理。
读取输出的三维线段数据，需要在读取的时候预设一个参数，同时计算三维 线段的长度，若该三维线段长度大于或等于最小值，则将该三维线段存入三维线 段缓存数据库，若长度小于最小值，则忽略该三维线段。在判断完毕后，读取下 一条三维线段数据，直至所有三维线段读取完毕。
值得一提的是，由于三维线段的长度，受到模型的大小、拍摄场景、远近距 离、精细程度影响，因此不能将线段长度的阈值直接设置为一个固定值，也不能 直接对三维线段数量进行限制。可以对三维线段缓存数据库进行可视化处理，利 用经验人工观察线段的数量是否符合应用的需求，通过调节线段长度的阈值将线 段数量控制在一个合理范围内。
读取三维线段缓存数据库。若当前三维线段尚未建立聚类，则新建一个聚类，并将读取的 下一条三维线段数据存入该聚类。若已经存在聚类，则通过公式
Figure RE-GDA0002489456530000051
求三维线段与其 他线段之间的方向向量的余弦值，并据此求出角度α，其中α的取值范围在(0，π)之间。
若该条三维线段与属于其他聚类之间的其他线段的角度小于预设角度值，则 说明该三维线段与其他线段处于一个接近平行的状态，且判定与该聚类之间的质 心的距离是否小于预设长度，以防本是两个相距较远的平行平面被聚类到一起， 影响下一步骤。判定通过后则可以认为该条三维线段属于这一聚类，将该三维线 段加入该聚类；
不属于该聚类则主要有两种情况：
1、该条三维线段与属于其他聚类之间的其他线段的角度大于预设角度值， 则说明该三维线段与其他线段处于一个相对不平行的状态，难以在一个平面拟合。
2、判定该聚类之间的线段距离是否大于预设长度，若大于则说明有可能是 本是两个相距较远的平行平面被聚类到一起。
因此，若满足条件1或条件2则可以认为该条三维线段不属于这一聚类，接 着检测该三维线段是否属于下一聚类，若遍历完毕后仍未匹配到属于当前三维线 段的聚类，则说明此三维线段不属于当前所遍历的任何线段聚类，新建一个新的 线段聚类，并将当前三维线段置入新建的线段聚类；步骤如图2流程图所示。
重复步骤以上步骤，直到三维线段缓存数据库中的所有线段均有属于自己的 聚类，若线段聚类中的线段数量小于预设值，则说明该聚类中的线段太少，参考 价值低，则可以把该线段聚类连同聚类内的三维线段一起剔除。至此，三维线段 聚类过程结束。如图3所示，图3中框选部分就是一个单独的聚类。
步骤二，根据线段之间的位姿关系，确定三维线段所构成的平面模型。并将 平面模型输出，作为其他操作步骤的输入文件。
计算该聚类中的每一条三维线段所对应的法平面所对应的平面的角度，只需 求得当前三维线段的方向向量相对水平平面的角度，再通过加减90°即为其对 应的法法平面的角度，取值范围在[-90°,90°]。
对所得到的法平面的角度取平均值，将法平面的角度的平均值的作为无界法 平面的角度。在1～n个聚类中，依次处理聚类，以第一个聚类C1为例，首先假 设一个完全水平的平面，求出聚类C1内每一条线段对应的单位向量
Figure BDA0002388826150000071
与该水平 平面的法向量角度，其中，水平平面的法向量
Figure BDA0002388826150000072
的值固定为(1,0,0)，通过公 式
Figure BDA0002388826150000073
求得单位向量与水平平面法向量的角度，其中α的取值范 围在[-90°,90°]之间，如聚类C1，其角度
Figure BDA0002388826150000074
在法平面所垂直的平面中，选取聚类中所有三维线段与其相交最多平面，作 为最终的无界平面Pi。在每一个聚类(如聚类C1)中，可以根据
Figure BDA0002388826150000075
得出有界平 面Pl所在的无界平面Pi与水平平面Pe的角度关系，通过加以约束关系，确定唯一 的一个无界平面Pi。
与平面Pi相交的线段数量越多，说明平面Pi与线段的拟合效果越好，因此从 边缘线段开始，按照
Figure BDA0002388826150000076
给定的角度，以等距离d开始移动，并记录交点的个数， 直至没有交点为止。选取与直线交点最多的平面，作为最终的无界平面Pi。
由于在实际的使用中，无法以一个无限大的形式存储平面，因此实际存储的 是一个占满该空间的平面的四个顶点的坐标。
将聚类中的三维线段，在无界平面Pi上做投影，在投影中,分别选择两侧最 远的线段，作为有界平面Pl的长lli1与lli2。记录三维线段在平面上的投影的端点 值，如图4所示，在该次对线段l1至线段l7之间的遍历中，线段l1与线段l7为选 中线段lli1与lli2。
将聚类中的三维线段，在无界平面Pi上投影，选取一侧的lli1，在无界平面Pi作其长lli1以及长lli1延长线的垂线，其垂线有无数条，以等距离d′令垂线在无界 平面Pi上沿着长lli1以及长lli1延长线平移，选取其中最先和最后所遍历到的，与三 维线段的投影有交集，且交集最少的垂线，截取这两条垂线在长lli1与lli2内的交 集线段，作为有界平面Pi的宽lldi1与lldi2，位置如图5所示。
根据所确立的平面长lli以及平面宽lldi，记录线段两两之间的交点，顶点位置 为图5中的黑色圆圈所圈选J1、J2、J3、J4，根据四个顶点J1、J2、J3、J4的值， 确立聚类Ci所对应的有界平面Pl。
记录lli1、lli2、lldi1、lldi2的端点值J1、J2、J3、J4，将数据存入文件中。
上述实施例中，通过生成线段-线段聚类-计算平面角度-最终平面估计步骤， 实现了一种以序列图像作为数据源的聚类平面估计方法。
本发明利用原始序列图像所生成的三维线段模型，对其进行聚类和拟合，有 效提高了对数据的利用效率，可以为基于同源序列图像所生成的点云提供一个精 确可靠的聚类信息，为点云的精简步骤提供更多的有效信息，奠定基础。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的 技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只 是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变 化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范 围由所附的权利要求书及其等同物界定。

Claims (3)

1.一种基于序列图像的线段聚类及拟合方法，其特征在于，包括以下几个步骤:
S1.对原始序列图像进行特征线段匹配，生成三维线段模型；
S2.通过角度和距离关系对三维线段模型进行聚类处理，具体包括：
S21.输入已生成的三维线段模型，设定长度阈值，根据线段的端点，遍历计算每一条线段的长度，若线段长度低于设定的长度阈值，则直接剔除该线段模型；在遍历所有线段并剔除不合格的线段之后，将剩余的线段模型作为最终三维线段模型供后续步骤使用；
S22.对第i条线段li，设当前已生成了n个线段聚类，则在第1～n个线段聚类中检索遍历，设当前检索的线段聚类为Ci，若线段li与属于聚类Ci之中的所有线段的夹角均小于预设角度阈值，同时，线段li与聚类Ci之间的线段的平均质点距离小于预设长度阈值，则认为线段li属于聚类Ci；
S23.对第i条线段li，若线段li在当前已生成的1～n个线段聚类中检索遍历到聚类Cn之后，仍未发现存在一个聚类Ci，在聚类Ci中，线段li与属于聚类Ci之中的所有线段的夹角关系均小于预设角度阈值，同时，li与聚类Ci之间的线段的平均质点距离小于预设长度阈值,则认为线段li属于一个新的聚类，将其归入新的编号为n+1的聚类；
S24，重复上述操作流程，直至所有线段都已经归入到各个聚类之中，统计各聚类中的线段数量，若有些聚类的线段数量过少，低于事先设定的最小线段数量阈值，则认为该聚类为边缘噪音扰动，剔除该聚类以及聚类内的线段；
S3.根据位姿关系，确定三维线段所估计的平面模型。
2.根据权利要求1所述的一种基于序列图像的线段聚类及拟合方法，其特征在于，所述步骤S3包括以下两个子步骤，
S31.根据线段之间的位姿关系，确定各聚类中三维线段所对应的无界平面Pi,具体是：
S311.假设一个完全水平的平面Pe，求出聚类C1内每一条线段对应的单位向量
Figure FDA0002388826140000021
与该水平平面Pe的法向量的夹角，其中，水平平面的法向量
Figure FDA0002388826140000022
的值固定为(1,0,0)，通过公式
Figure FDA0002388826140000023
求得单位向量与水平平面法向量的夹角αi，其中α的取值范围在[-90°,90°]之间，如聚类C1，其夹角角度
Figure FDA0002388826140000024
S312.在每一个聚类,如聚类C1中，根据
Figure FDA0002388826140000025
得出有界平面Pl所在的无界平面Pi与水平平面Pe的角度关系，通过加以约束关系，确定唯一一个无界平面Pi；
S313.从边缘线段开始，按照
Figure FDA0002388826140000026
给定的角度，以等距离d开始移动，并记录交点的个数，直至没有交点为止，选取与直线交点最多的平面，作为最终的无界平面Pi；
S32.根据线段之间的位姿关系，且在无界平面Pi的基础上，确定各聚类中三维线段所对应的有界平面Pl，具体是：
S321.将聚类C1中的三维线段，在无界平面Pi上做投影，在投影中,分别选择彼此距离最远的线段，作为有界平面Pl的长lli1与lli2；
S322.将聚类中的三维线段，在无界平面Pi上投影，选取一侧的lli1，在无界平面Pi作其长lli1以及长lli1延长线的垂线，其垂线有无数条，以等距离d′令垂线在无界平面Pi上沿着长lli1以及长lli1延长线平移，选取其中最先和最后所遍历到的，与三维线段的投影有交集，且交集最少的垂线，截取这两条垂线在长lli1与lli2内的交集线段，作为有界平面Pi的宽lldi1与lldi2；
S323.根据得出的两条平面所对应长lli1与lli2，以及两条平面对应的宽lldi1与lldi2，确定一个四边形，即为聚类Ci所对应的有界平面Pl；
S33.记录所述四边形的四个端点值，将数据存入文件中。
3.一种基于序列图像的线段聚类及拟合系统，其特征在于，包括：
三维线段模型生成模块，用于对原始序列图像进行特征线段匹配，生成三维线段模型；
聚类模块，用于通过角度和距离关系对三维线段模型进行聚类处理；
无界平面Pi确定模块，根据线段之间的位姿关系，确定各聚类中三维线段所对应的无界平面Pi,具体是：
假设一个完全水平的平面Pe，求出聚类C1内每一条线段对应的单位向量
Figure FDA0002388826140000031
与该水平平面Pe的法向量角度，其中，水平平面的法向量
Figure FDA0002388826140000032
的值固定为(1,0,0)，通过公式
Figure FDA0002388826140000033
求得单位向量与水平平面法向量的角度αi，其中α的取值范围在[-90°,90°]之间，如聚类C1，其角度
Figure FDA0002388826140000034
n为聚类中的线段数量；
在每一个聚类,如聚类C1中，根据
Figure FDA0002388826140000035
得出有界平面Pl所在的无界平面Pi与水平平面Pe的角度关系，通过加以约束关系，确定唯一一个无界平面Pi；
S23.从边缘线段开始，按照
Figure FDA0002388826140000036
给定的角度，以等距离d开始移动，并记录交点的个数，直至没有交点为止，选取与直线交点最多的平面，作为最终的无界平面Pi；
有界平面Pl确定模块，根据线段之间的位姿关系，且在无界平面Pi的基础上，确定各聚类中三维线段所对应的有界平面Pl，具体是：
将聚类C1中的三维线段，在无界平面Pi上做投影，在投影中,分别选择两侧最远的线段，作为有界平面Pl的长lli1与lli2；
将聚类中的三维线段，在无界平面Pi上投影，选取一侧的lli1，在无界平面Pi作其长lli1以及长lli1延长线的垂线，其垂线有无数条，以等距离d′令垂线在无界平面Pi上沿着长lli1以及长lli1延长线平移，选取其中最先和最后所遍历到的，与三维线段的投影有交集，且交集最少的垂线，截取这两条垂线在长lli1与lli2内的交集线段，作为有界平面Pi的宽lldi1与lldi2；
根据得出的两条平面所对应长lli1与lli2，以及两条平面对应的宽lldi1与lldi2，确定一个四边形，即为聚类Ci所对应的有界平面Pl；
记录存储模块，用于记录所述四边形的四个端点值，将数据存入文件中。
CN202010107372.XA 2020-02-21 2020-02-21 一种基于序列图像的线段聚类及拟合方法和系统 Active CN111583098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010107372.XA CN111583098B (zh) 2020-02-21 2020-02-21 一种基于序列图像的线段聚类及拟合方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010107372.XA CN111583098B (zh) 2020-02-21 2020-02-21 一种基于序列图像的线段聚类及拟合方法和系统

Publications (2)

Publication Number Publication Date
CN111583098A CN111583098A (zh) 2020-08-25
CN111583098B true CN111583098B (zh) 2022-11-04

Family

ID=72111483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010107372.XA Active CN111583098B (zh) 2020-02-21 2020-02-21 一种基于序列图像的线段聚类及拟合方法和系统

Country Status (1)

Country Link
CN (1) CN111583098B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705524A (zh) * 2021-09-06 2021-11-26 上海景吾智能科技有限公司 图像中垂直线检测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9197891B1 (en) * 2012-01-02 2015-11-24 Marvell International Ltd. Systems and methods for periodic structure handling for motion compensation
US9996638B1 (en) * 2013-10-31 2018-06-12 Leap Motion, Inc. Predictive information for free space gesture control and communication
CN108510516A (zh) * 2018-03-30 2018-09-07 深圳积木易搭科技技术有限公司 一种散乱点云的三维线段提取方法及系统
CN108920765B (zh) * 2018-06-06 2021-11-30 东南大学 一种基于建筑物三维线段模型的假设平面拟合方法
CN109472871A (zh) * 2018-09-21 2019-03-15 中国科学院深圳先进技术研究院 一种三维模型重建方法、系统及电子设备

Also Published As

Publication number Publication date
CN111583098A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111932688B (zh) 一种基于三维点云的室内平面要素提取方法、系统及设备
CN107123164B (zh) 保持锐利特征的三维重建方法及系统
CN107093205B (zh) 一种基于无人机图像的三维空间建筑物窗户检测重建方法
CN108509848B (zh) 三维物体的实时检测方法及系统
CN107886529B (zh) 一种用于三维重建的点云配准方法
CN108335352B (zh) 一种面向多视图大规模三维重建场景的纹理映射方法
CN108053432B (zh) 基于局部icp的室内稀疏点云场景的配准方法
CN100559398C (zh) 自动的深度图像配准方法
Chen et al. Robust dense reconstruction by range merging based on confidence estimation
CN109544677A (zh) 基于深度图像关键帧的室内场景主结构重建方法及系统
WO2015139574A1 (zh) 一种静态物体重建方法和系统
CN113298833A (zh) 目标物点云特征线面提取方法及系统
CN106327532A (zh) 一种单幅图像的三维配准方法
CN112164145B (zh) 基于点云数据快速提取室内三维线段结构的方法
CN108305278B (zh) 一种orb-slam算法中图像匹配相关性改进方法
Pound et al. A patch-based approach to 3D plant shoot phenotyping
CN110889901B (zh) 基于分布式系统的大场景稀疏点云ba优化方法
CN108961385B (zh) 一种slam构图方法及装置
CN109584355A (zh) 基于手机gpu的三维模型快速重建方法
CN111583098B (zh) 一种基于序列图像的线段聚类及拟合方法和系统
Zhang et al. Dense 3d mapping for indoor environment based on feature-point slam method
CN117726747A (zh) 补全弱纹理场景的三维重建方法、装置、存储介质和设备
Yang et al. Research and application of 3D face modeling algorithm based on ICP accurate alignment
Chen et al. A novel approach to the extraction of key points from 3-D rigid point cloud using 2-D images transformation
CN115063485A (zh) 三维重建方法、装置及计算机可读存储介质

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