CN111724481A - 对二维图像进行三维重构的方法、装置、设备及存储介质 - Google Patents

对二维图像进行三维重构的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111724481A
CN111724481A CN202010594453.7A CN202010594453A CN111724481A CN 111724481 A CN111724481 A CN 111724481A CN 202010594453 A CN202010594453 A CN 202010594453A CN 111724481 A CN111724481 A CN 111724481A
Authority
CN
China
Prior art keywords
picture
dimensional
coordinate system
position information
acquiring
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
Application number
CN202010594453.7A
Other languages
English (en)
Inventor
张豫
朱拥军
陈科尹
陈燕奎
陈志云
郝永河
熊永柱
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.)
Jiaying University
Original Assignee
Jiaying 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 Jiaying University filed Critical Jiaying University
Priority to CN202010594453.7A priority Critical patent/CN111724481A/zh
Publication of CN111724481A publication Critical patent/CN111724481A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration

Abstract

本申请实施例公开了一种对二维图像进行三维重构的方法、装置、设备及存储介质，属于图片处理技术领域，该方法包括:获取二维图片集；对二维图片集中单个图片进行特征点提取，获取特征点集；获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息；基于OpenCV相机标定方法，获取特征点在世界坐标系中的位置信息；基于LSD直线检测方法和特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；基于约束Delaunay算法，构建图片对应的三维网格图；对二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。本申请有助于更加快速准确的对二维图片进行三维模拟重构，减少三维重构时的人力物力消耗。

Description

对二维图像进行三维重构的方法、装置、设备及存储介质
技术领域
本申请涉及图片处理技术领域，尤其涉及一种对二维图像进行三维重构的方法、装置、设备及存储介质。
背景技术
三维重建是指对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。物体三维重建是计算机辅助几何设计 (CAGD)、计算机图形学(CG)、计算机动画、计算机视觉、医学图像处理、科学计算和虚拟现实、数字媒体创作等领域的共性科学问题和核心技术。在计算机内生成物体三维表示主要有两类方法。一类是使用几何建模软件通过人机交互生成人为控制下的物体三维几何模型,另一类是通过一定的手段获取真实物体的几何形状。
目前的三维重建方法主要使用使用建模软件生成物体的三维几何模型，比如常用的:3DMAX、Maya、Auto CAD、UG等。但该方法必须充分掌握场景信息，需要耗费大量的人力物力；通过仪器设备直接获取三维信息，比如深度扫描仪、CD机、激光器、三维相机等，该类方法测量精确，使用简单，但是由于这些设备价格都比较昂贵并且速度很慢，且不适合较大物体的重建，因此限制了其使用范围。由此可知，现有技术进行三维重构时，具有消耗人力物力过多的问题。
发明内容
本申请实施例的目的在于提出一种对二维图像进行三维重构的方法、装置、设备及存储介质，以解决现有技术进行三维重构时消耗人力物力过多的问题。
为了解决上述技术问题，本申请实施例提供一种对二维图像进行三维重构的方法，采用了如下所述的技术方案：
一种对二维图像进行三维重构的方法，包括：
获取同一物体在不同方向和不同角度拍摄的若干张二维图片集；
基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取，获取特征点集；
获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息，即以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值；
基于所述特征点的位置信息和OpenCV相机标定方法，获取所述特征点在世界坐标系中的位置信息；
基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；
获取所述水平线段，并基于约束Delaunay算法，构建所述图片对应的三维网格图；
对所述二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。
进一步的，所述同一物体在不同方向和不同角度拍摄的若干张二维图片集包括：
所述物体的正视图、后视图、仰视图、左视图、右视图。
进一步的，所述基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取包括步骤：
对所述二维图片集中单个图片获取图片尺寸大小，并基于预设的高斯模板对所述图片进行图像卷积，获得原始图像在不同高斯模糊系数下的高斯卷积图像，并获取所述不同高斯卷积图像的尺寸大小，其中，所述预设的高斯函数公式为：
Figure 100002_DEST_PATH_IMAGE001
所述高斯卷积图像尺寸大小的算法公式为：L(x,y,σ)＝G(x,y,σ)*I(x,y)，式中，所述的I(x,y)＝x×y，I为图片的像素尺寸，x为图片的长度，单位为像素，y为图片的宽度，单位为像素，σ为模糊系数，取值范围区间为[0.1，250]，κ为正整数，e为常数值，大小为2.71828；
将所述原始图像在不同高斯模糊系数下的高斯卷积图像，按照卷积图片的尺寸大小，由小到大放入到有序集合中，组成卷积图像集；
将所述卷积图像集中下标相邻的卷积图像基于预设的高斯差分公式进行高斯差分图片获取，获取到高斯差分图片集，其中，所述高斯差分公式为： D(x,y,σ)＝L(x,y,κiσ)-L(x,y,κ(i-1)σ)，式中i为大于等于2的正整数；
将所述卷积图像集和高斯差分图片集中的图片，根据图片的尺寸大小，构成按照尺寸由小到大进行排列的图片金字塔；
基于预设的正方形高斯过滤器模板和预设的检测模型，对图片金字塔中不同图片进行检测，获取特征点。
进一步的，所述预设的检测模型具体步骤如下：
对图片金字塔中图片以1×1单元像素进行检测区域划分，划分为J个检测点,标记为An，其中，
Figure 100002_DEST_PATH_IMAGE002
式中，I为图片的像素尺寸，n的取值范围为[1,J]；
确定待检测点，并获取待检测点所在图片中所述待检测点周围B像素范围内的相邻检测点，进行区别标记，其中，
Figure 100002_DEST_PATH_IMAGE003
式中，r为高斯过滤器模板的边长，r为大于等于3的奇数；
获取所述待检测点所在图片在图片金字塔中的上B层图片和下B层图片，并基于空间尺度函数泰勒展开式：
Figure 100002_DEST_PATH_IMAGE004
D(X) 为零时进行求导，获取导数值
Figure 100002_DEST_PATH_IMAGE005
为极大值或者极小值时的位置，即为特征点的位置，其中，
Figure 100002_DEST_PATH_IMAGE006
Figure 100002_DEST_PATH_IMAGE007
Figure 100002_DEST_PATH_IMAGE008
式中
Figure 100002_DEST_PATH_IMAGE009
分别为二维高斯函数的一阶偏导函数，公式分别为：
Figure 100002_DEST_PATH_IMAGE010
分别为二维高斯函数的二阶偏导函数，公式分别为：
Figure 100002_DEST_PATH_IMAGE011
Figure 100002_DEST_PATH_IMAGE012
式中，
Figure 100002_DEST_PATH_IMAGE013
获取所述特征点，并使用有序数字进行标记，完成特征点获取，生成特征点集。
进一步的，所述以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值包括：
将图片作为二维坐标系，图片中任意位置取原点，以1像素为坐标单位，将图片中被标记的特征点，使用(x,y)的格式进行表示，式中，x,y为特征点在二维坐标系中的位置信息。
进一步的，所述基于所述特征点的位置信息和OpenCV相机标定方法，获取所述特征点在世界坐标系中的位置信息包括：
获取同一图片中不同特征点的位置信息，基于预设的OpenCV相机标定方法，获取所述不同特征点在世界坐标系对应的坐标点信息，公式如下x＝fu×u1+cu，y＝fv×v1+cv，
Figure 100002_DEST_PATH_IMAGE014
Figure 100002_DEST_PATH_IMAGE015
已知式中x,y的信息和相关参数信息，反推出所述特征点对应的世界坐标系中位置信息，其中，式中x,y为特征点在二维坐标系中的位置信息，u,v,z分别为所述特征点在世界坐标系中对应的位置信息，r为OpenCV相机旋转向量，fu和fz分别为OpenCV 相机的焦距，cu和cv分别为所述图片的中心点。
进一步的，所述基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段具体包括：
基于预设的LSD算法公式，对图片中的特征点进行梯度方向获取，将梯度方向相同且梯度值相同的特征点划分为一个特征集合；
基于预设的边缘检测方法对经过LSD算法获取的若干集合进行整合，获取到梯度值之差在预设阈值的集合，进行二次合并，获取二次合并后的集合；
将二次合并后的同一集合对应的特征点，进行模拟连接，将所述模拟连接后的线段，作为图片中处于同一水平的线段。
其中，所述预设的LSD算法公式中世界坐标系x轴方向的分量算法公式为：
Figure 100002_DEST_PATH_IMAGE016
世界坐标系y轴方向的分量算法公式为：
Figure 100002_DEST_PATH_IMAGE017
在世界坐标系中，所述特征点都处于外表面，则z轴对应的数值为0，因此，
Figure 100002_DEST_PATH_IMAGE018
Figure 100002_DEST_PATH_IMAGE019
所述的梯度方向为：
Figure 100002_DEST_PATH_IMAGE020
所述的梯度值为：
Figure 100002_DEST_PATH_IMAGE021
式中，x,y,z分别为待测特征点在世界坐标系中x轴，y轴和z轴的坐标值，z值为定值0，i为1像素单位。
为了解决上述技术问题，本申请实施例还提供了一种对二维图像进行三维重构的装置，采用了如下所述的技术方案：
一种对二维图像进行三维重构的装置，包括：
图片获取模块，用于获取同一物体在不同方向和不同角度拍摄的若干张二维图片集；
特征点提取模块，用于基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取，获取特征点集；
特征点第一位置信息模块，用于获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息，即以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值；
特征点第二位置信息模块，用于基于所述特征点的位置信息和OpenCV 相机标定方法，获取所述特征点在世界坐标系中的位置信息；
水平线段确定模块，用于基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；
三维网格构建模块，用于获取所述水平线段，并基于约束Delaunay算法，构建所述图片对应的三维网格图；
三维表面模型确定模块，用于对所述二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例中提出的一种对二维图像进行三维重构的方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种非易失性计算机可读存储介质，采用了如下所述的技术方案：
一种非易失性计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例中提出的一种对二维图像进行三维重构的方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例公开了对二维图像进行三维重构的方法、装置、设备及存储介质，通过获取二维图片集；对二维图片集中单个图片进行特征点提取，获取特征点集；获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息；基于OpenCV相机标定方法，获取特征点在世界坐标系中的位置信息；基于LSD直线检测方法和特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；基于约束Delaunay算法，构建图片对应的三维网格图；对二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。本申请有助于更加快速准确的对二维图片进行三维模拟重构，减少三维重构时的人力物力消耗。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例可以应用于其中的示例性系统架构图；
图2为本申请实施例中所述对二维图像进行三维重构的方法的一个实施例的流程图；
图3为本申请实施例中所述对二维图像进行三维重构的装置的一个实施例的结构示意图；
图4为本申请实施例中计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104 和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器 (Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、 103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的对二维图像进行三维重构的方法一般由服务器/终端设备执行，相应地，对二维图像进行三维重构的装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，图中示出了本申请的对二维图像进行三维重构的方法的一个实施例的流程图，所述的对二维图像进行三维重构的方法包括以下步骤：
步骤201，获取同一物体在不同方向和不同角度拍摄的若干张二维图片集。
在本实施例中，所述同一物体在不同方向和不同角度拍摄的若干张二维图片集包括：所述物体的正视图、后视图、仰视图、左视图、右视图。其实，不仅仅包括上述所述的正视图、后视图、仰视图、左视图、右视图，还可以包括其他不同角度拍摄的图片，能够完整构成同一物体的图片都可以，上述物体的正视图、后视图、仰视图、左视图、右视图目的是为了表现一个完整的物体表面图。
步骤202，基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取，获取特征点集。
在本实施例中，所述基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取包括步骤：对所述二维图片集中单个图片获取图片尺寸大小，并基于预设的高斯模板对所述图片进行图像卷积，获得原始图像在不同高斯模糊系数下的高斯卷积图像，并获取所述不同高斯卷积图像的尺寸大小，其中，所述预设的高斯函数公式为：
Figure 100002_DEST_PATH_IMAGE022
所述高斯卷积图像尺寸大小的算法公式为： L(x,y,σ)＝G(x,y,σ)*I(x,y)，式中，所述的I(x,y)＝x×y，I为图片的像素尺寸， x为图片的长度，单位为像素，y为图片的宽度，单位为像素，σ为模糊系数，取值范围区间为[0.1，250]，κ为正整数，e为常数值，大小为2.71828；将所述原始图像在不同高斯模糊系数下的高斯卷积图像，按照卷积图片的尺寸大小，由小到大放入到有序集合中，组成卷积图像集；将所述卷积图像集中下标相邻的卷积图像基于预设的高斯差分公式进行高斯差分图片获取，获取到高斯差分图片集，其中，所述高斯差分公式为： D(x,y,σ)＝L(x,y,κiσ)-L(x,y,κ(i-1)σ)，式中i为大于等于2的正整数；将所述卷积图像集和高斯差分图片集中的图片，根据图片的尺寸大小，构成按照尺寸由小到大进行排列的图片金字塔；基于预设的正方形高斯过滤器模板和预设的检测模型，对图片金字塔中不同图片进行检测，获取特征点。
在本申请的一些实施例中，所述步骤202中的所述预设的检测模型具体步骤如下：对图片金字塔中图片以1×1单元像素进行检测区域划分，划分为J 个检测点,标记为An，其中，
Figure 100002_DEST_PATH_IMAGE023
式中，I为图片的像素尺寸，n的取值范围为[1,J]；确定待检测点，并获取待检测点所在图片中所述待检测点周围B像素范围内的相邻检测点，进行区别标记，其中，
Figure DEST_PATH_IMAGE024
式中，r为高斯过滤器模板的边长，r为大于等于3的奇数；获取所述待检测点所在图片在图片金字塔中的上B层图片和下B层图片，并基于空间尺度函数泰勒展开式：
Figure DEST_PATH_IMAGE025
D(X)为零时进行求导，获取导数值
Figure DEST_PATH_IMAGE026
为极大值或者极小值时的位置，即为特征点的位置，其中，
Figure DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
式中
Figure DEST_PATH_IMAGE029
分别为二维高斯函数的一阶偏导函数，公式分别为：
Figure DEST_PATH_IMAGE030
分别为二维高斯函数的二阶偏导函数，公式分别为：
Figure DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE032
式中，
Figure DEST_PATH_IMAGE033
获取所述特征点，并使用有序数字进行标记，完成特征点获取，生成特征点集。
步骤203，获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息，即以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值。
在本申请的一些实施例中，所述步骤203中的所述以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值包括：将图片作为二维坐标系，图片中任意位置取原点，以1像素为坐标单位，将图片中被标记的特征点，使用(x,y)的格式进行表示，式中，x,y为特征点在二维坐标系中的位置信息。
步骤204，基于所述特征点的位置信息和OpenCV相机标定方法，获取所述特征点在世界坐标系中的位置信息。
在本申请的一些实施例中，所述基于所述特征点的位置信息和OpenCV 相机标定方法，获取所述特征点在世界坐标系中的位置信息包括：获取同一图片中不同特征点的位置信息，基于预设的OpenCV相机标定方法，获取所述不同特征点在世界坐标系对应的坐标点信息，公式如下x＝fu×u1+cu， y＝fv×v1+cv，，
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
已知式中x,y的信息和相关参数信息，反推出所述特征点对应的世界坐标系中位置信息，其中，式中x,y为特征点在二维坐标系中的位置信息，u,v,z分别为所述特征点在世界坐标系中对应的位置信息，r为OpenCV相机旋转向量，fu和fz分别为OpenCV 相机的焦距，cu和cv分别为所述图片的中心点。
步骤205，基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段。
在本申请的一些实施例中，所述基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段具体包括：基于预设的LSD算法公式，对图片中的特征点进行梯度方向获取，将梯度方向相同且梯度值相同的特征点划分为一个特征集合；基于预设的边缘检测方法对经过 LSD算法获取的若干集合进行整合，获取到梯度值之差在预设阈值的集合，进行二次合并，获取二次合并后的集合；将二次合并后的同一集合对应的特征点，进行模拟连接，将所述模拟连接后的线段，作为图片中处于同一水平的线段。其中，所述预设的LSD算法公式中世界坐标系x轴方向的分量算法公式为：
Figure DEST_PATH_IMAGE036
世界坐标系y 轴方向的分量算法公式为：
Figure DEST_PATH_IMAGE037
在世界坐标系中，所述特征点都处于外表面，则z轴对应的数值为0，因此，
Figure DEST_PATH_IMAGE038
Figure DEST_PATH_IMAGE039
所述的梯度方向为：
Figure DEST_PATH_IMAGE040
所述的梯度值为：
Figure DEST_PATH_IMAGE041
式中，x,y,z分别为待测特征点在世界坐标系中x轴，y轴和z轴的坐标值，z值为定值0，i为1像素单位。
步骤206，获取所述水平线段，并基于约束Delaunay算法，构建所述图片对应的三维网格图。
在本申请的一些实施例中，所述基于约束Delaunay算法，构建所述图片对应的三维网格图包括：获取二次合并后的集合中所有同一水平线段上的两个端点，构成线段端点集，任意获取线段端点集中三个端点，进行连线获取三角形剖面；获取由多个三角形剖面构成的三维网格图。
步骤207，对所述二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。
在本申请的一些实施例中，所述对所述二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型包括：获取二维图片集中每个图片构建的三维网格图，将所述三维网格图，发送到三维建模组件中，进行三维建模，构成物体的三维表面模型，完成三维重构。
本申请实施例中所述的对二维图像进行三维重构的方法，可以通过获取二维图片集；对二维图片集中单个图片进行特征点提取，获取特征点集；获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息；基于OpenCV相机标定方法，获取特征点在世界坐标系中的位置信息；基于 LSD直线检测方法和特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；基于约束Delaunay算法，构建图片对应的三维网格图；对二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。本申请有助于更加快速准确的对二维图片进行三维模拟重构，减少三维重构时的人力物力消耗。
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流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体 (Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种对二维图像进行三维重构的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的对二维图像进行三维重构的装置3包括：图片获取模块301、特征点提取模块302、特征点第一位置信息模块303、特征点第二位置信息模块304、水平线段确定模块305、三维网格构建模块306 和三维表面模型确定模块307。其中：
图片获取模块301，用于获取同一物体在不同方向和不同角度拍摄的若干张二维图片集；
特征点提取模块302，用于基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取，获取特征点集；
特征点第一位置信息模块303，用于获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息，即以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值；
特征点第二位置信息模块304，用于基于所述特征点的位置信息和 OpenCV相机标定方法，获取所述特征点在世界坐标系中的位置信息；
水平线段确定模块305，用于基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；
三维网格构建模块306，用于获取所述水平线段，并基于约束Delaunay 算法，构建所述图片对应的三维网格图；
三维表面模型确定模块307，用于对所述二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。
在本申请实施例中，所述图片获取模块301中获取同一物体在不同方向和不同角度拍摄的若干张二维图片集，主要为使用拍摄装置进行图片获取。
在本申请实施例中，所述特征点提取模块302用于对二维图片集中不同图片获取图片尺寸大小，并基于预设的高斯模板对所述图片进行图像卷积，获得原始图像在不同高斯模糊系数下的高斯卷积图像，并获取所述不同高斯卷积图像的尺寸大小，其中，所述预设的高斯函数公式为：
Figure DEST_PATH_IMAGE042
所述高斯卷积图像尺寸大小的算法公式为： L(x,y,σ)＝G(x,y,σ)*I(x,y)，式中，所述的I(x,y)＝x×y，I为图片的像素尺寸，x为图片的长度，单位为像素，y为图片的宽度，单位为像素，σ为模糊系数，取值范围区间为[0.1，250]，κ为正整数，e为常数值，大小为2.71828；将所述原始图像在不同高斯模糊系数下的高斯卷积图像，按照卷积图片的尺寸大小，由小到大放入到有序集合中，组成卷积图像集；将所述卷积图像集中下标相邻的卷积图像基于预设的高斯差分公式进行高斯差分图片获取，获取到高斯差分图片集，其中，所述高斯差分公式为： D(x,y,σ)＝L(x,y,κiσ)-L(x,y,κ(i-1)σ)，式中i为大于等于2的正整数；将所述卷积图像集和高斯差分图片集中的图片，根据图片的尺寸大小，构成按照尺寸由小到大进行排列的图片金字塔；基于预设的正方形高斯过滤器模板和预设的检测模型，对图片金字塔中不同图片进行检测，获取特征点。
在本申请实施例中，所述特征点提取模块302还用于对图片金字塔中图片以1×1单元像素进行检测区域划分，划分为J个检测点,标记为An，其中，
Figure DEST_PATH_IMAGE043
式中，I为图片的像素尺寸，n的取值范围为[1,J]；确定待检测点，并获取待检测点所在图片中所述待检测点周围B像素范围内的相邻检测点，进行区别标记，其中，
Figure DEST_PATH_IMAGE044
式中，r为高斯过滤器模板的边长，r为大于等于3的奇数；获取所述待检测点所在图片在图片金字塔中的上B层图片和下B 层图片，并基于空间尺度函数泰勒展开式：
Figure DEST_PATH_IMAGE045
D(X)为零时进行求导，获取导数值
Figure DEST_PATH_IMAGE046
为极大值或者极小值时的位置，即为特征点的位置，其中，
Figure DEST_PATH_IMAGE047
Figure DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE049
式中
Figure DEST_PATH_IMAGE050
Figure DEST_PATH_IMAGE051
分别为二维高斯函数的一阶偏导函数，公式分别为：
Figure DEST_PATH_IMAGE052
Figure DEST_PATH_IMAGE053
分别为二维高斯函数的二阶偏导函数，公式分别为：
Figure DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE055
式中，
Figure DEST_PATH_IMAGE056
获取所述特征点，并使用有序数字进行标记，完成特征点获取，生成特征点集。
本申请实施例所述的对二维图像进行三维重构的装置，通过获取二维图片集；对二维图片集中单个图片进行特征点提取，获取特征点集；获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息；基于 OpenCV相机标定方法，获取特征点在世界坐标系中的位置信息；基于LSD 直线检测方法和特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；基于约束Delaunay算法，构建图片对应的三维网格图；对二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。本申请有助于更加快速准确的对二维图片进行三维模拟重构，减少三维重构时的人力物力消耗。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图 4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器4a、处理器4b、网络接口4c。需要指出的是，图中仅示出了具有组件4a-4c的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器4a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器4a可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器4a也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)等。当然，所述存储器4a还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器4a通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如对二维图像进行三维重构的方法的程序代码等。此外，所述存储器4a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器4b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器4b通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器4b用于运行所述存储器4a中存储的程序代码或者处理数据，例如运行所述对二维图像进行三维重构的方法的程序代码。
所述网络接口4c可包括无线网络接口或有线网络接口，该网络接口4c 通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有对二维图像进行三维重构的程序，所述对二维图像进行三维重构的程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的对二维图像进行三维重构的方法的步骤。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种对二维图像进行三维重构的方法，其特征在于，包括下述步骤：
获取同一物体在不同方向和不同角度拍摄的若干张二维图片集；
基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取，获取特征点集；
获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息，即以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值；
基于所述特征点的位置信息和OpenCV相机标定方法，获取所述特征点在世界坐标系中的位置信息；
基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；
获取所述水平线段，并基于约束Delaunay算法，构建所述图片对应的三维网格图；
对所述二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。
2.根据权利要求1所述的对二维图像进行三维重构的方法，其特征在于，所述同一物体在不同方向和不同角度拍摄的若干张二维图片集包括：
所述物体的正视图、后视图、仰视图、左视图、右视图。
3.根据权利要求2所述的对二维图像进行三维重构的方法，其特征在于，所述基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取包括步骤：
对所述二维图片集中单个图片获取图片尺寸大小，并基于预设的高斯模板对所述图片进行图像卷积，获得原始图像在不同高斯模糊系数下的高斯卷积图像，并获取所述不同高斯卷积图像的尺寸大小，其中，所述预设的高斯函数公式为：
Figure DEST_PATH_IMAGE001
所述高斯卷积图像尺寸大小的算法公式为：L(x,y,σ)＝G (x,y,σ)*I(x,y)，式中，所述的I(x,y)＝x×y，I为图片的像素尺寸，x为图片的长度，单位为像素，y为图片的宽度，单位为像素，σ为模糊系数，取值范围区间为[0.1，250]，κ为正整数，e为常数值，大小为2.71828；
将所述原始图像在不同高斯模糊系数下的高斯卷积图像，按照卷积图片的尺寸大小，由小到大放入到有序集合中，组成卷积图像集；
将所述卷积图像集中下标相邻的卷积图像基于预设的高斯差分公式进行高斯差分图片获取，获取到高斯差分图片集，其中，所述高斯差分公式为：D(x,y,σ)＝L(x,y,κiσ)-L(x, y,κ(i-1)σ)，式中i为大于等于2的正整数；
将所述卷积图像集和高斯差分图片集中的图片，根据图片的尺寸大小，构成按照尺寸由小到大进行排列的图片金字塔；
基于预设的正方形高斯过滤器模板和预设的检测模型，对图片金字塔中不同图片进行检测，获取特征点。
4.根据权利要求3所述的对二维图像进行三维重构的方法，其特征在于，所述预设的检测模型具体步骤如下：
对图片金字塔中图片以1×1单元像素进行检测区域划分，划分为J个检测点,标记为An ，其中，
Figure DEST_PATH_IMAGE002
式中，I为图片的像素尺寸，n的取值范围为[1,J]；
确定待检测点，并获取待检测点所在图片中所述待检测点周围B像素范围内的相邻检测点，进行区别标记，其中，
Figure DEST_PATH_IMAGE003
式中，r为高斯过滤器模板的边长，r为大于等于3的奇数；
获取所述待检测点所在图片在图片金字塔中的上B层图片和下B层图片，并基于空间尺度函数泰勒展开式：
Figure DEST_PATH_IMAGE004
D(X)为零时进行求导，获取导数值
Figure DEST_PATH_IMAGE005
为极大值或者极小值时的位置，即为特征点的位置，其中，
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
式中
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE010
分别为二维高斯函数的一阶偏导函数，公式分别为：
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE012
分别为二维高斯函数的二阶偏导函数，公式分别为：
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
式中，
Figure DEST_PATH_IMAGE015
获取所述特征点，并使用有序数字进行标记，完成特征点获取，生成特征点集。
5.根据权利要求1至4任一项所述的对二维图像进行三维重构的方法，其特征在于，所述以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值包括：
将图片作为二维坐标系，图片中任意位置取原点，以1像素为坐标单位，将图片中被标记的特征点，使用(x,y)的格式进行表示，式中，x,y为特征点在二维坐标系中的位置信息。
6.根据权利要求5所述的对二维图像进行三维重构的方法，其特征在于，所述基于所述特征点的位置信息和OpenCV相机标定方法，获取所述特征点在世界坐标系中的位置信息包括：
获取同一图片中不同特征点的位置信息，基于预设的OpenCV相机标定方法，获取所述不同特征点在世界坐标系对应的坐标点信息，公式如下x＝fu×u1+cu，y＝fv×v1+cv，
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
已知式中x,y的信息和相关参数信息，反推出所述特征点对应的世界坐标系中位置信息，其中，式中x,y为特征点在二维坐标系中的位置信息，u,v,z分别为所述特征点在世界坐标系中对应的位置信息，r为OpenCV相机旋转向量，fu和fz分别为OpenCV相机的焦距，cu和cv分别为所述图片的中心点。
7.根据权利要求1至4任一项所述的对二维图像进行三维重构的方法，其特征在于，所述基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段具体包括：
基于预设的LSD算法公式，对图片中的特征点进行梯度方向获取，将梯度方向相同且梯度值相同的特征点划分为一个特征集合；
基于预设的边缘检测方法对经过LSD算法获取的若干集合进行整合，获取到梯度值之差在预设阈值的集合，进行二次合并，获取二次合并后的集合；
将二次合并后的同一集合对应的特征点，进行模拟连接，将所述模拟连接后的线段，作为图片中处于同一水平的线段。
其中，所述预设的LSD算法公式中世界坐标系x轴方向的分量算法公式为：
Figure DEST_PATH_IMAGE018
世界坐标系y轴方向的分量算法公式为：
Figure DEST_PATH_IMAGE019
在世界坐标系中，所述特征点都处于外表面，则z轴对应的数值为0，因此，
Figure DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
所述的梯度方向为：
Figure DEST_PATH_IMAGE022
所述的梯度值为：
Figure DEST_PATH_IMAGE023
式中，x,y, z分别为待测特征点在世界坐标系中x轴，y轴和z轴的坐标值，z值为定值0，i为1像素单位。
8.一种对二维图像进行三维重构的装置，其特征在于，包括：
图片获取模块，用于获取同一物体在不同方向和不同角度拍摄的若干张二维图片集；
特征点提取模块，用于基于SIFT算法和预设的不同模糊系数的高斯过滤器模板分别对二维图片集中单个图片进行特征点提取，获取特征点集；
特征点第一位置信息模块，用于获取所述图片的尺寸大小和所述特征点集中特征点在对应图片中的位置信息，即以图片进行二维坐标系构建，获取所述特征点在所述二维坐标系中的坐标值；
特征点第二位置信息模块，用于基于所述特征点的位置信息和OpenCV相机标定方法，获取所述特征点在世界坐标系中的位置信息；
水平线段确定模块，用于基于LSD直线检测方法和所述特征点在世界坐标系中的位置信息，获取所述图片中的水平线段；
三维网格构建模块，用于获取所述水平线段，并基于约束Delaunay算法，构建所述图片对应的三维网格图；
三维表面模型确定模块，用于对所述二维图片集中每个图片构建的三维网格图进行合并，获得所述物体的三维表面模型，完成三维重构。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的对二维图像进行三维重构的方法的步骤。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的对二维图像进行三维重构的方法的步骤。
CN202010594453.7A 2020-06-24 2020-06-24 对二维图像进行三维重构的方法、装置、设备及存储介质 Pending CN111724481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010594453.7A CN111724481A (zh) 2020-06-24 2020-06-24 对二维图像进行三维重构的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010594453.7A CN111724481A (zh) 2020-06-24 2020-06-24 对二维图像进行三维重构的方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111724481A true CN111724481A (zh) 2020-09-29

Family

ID=72569125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010594453.7A Pending CN111724481A (zh) 2020-06-24 2020-06-24 对二维图像进行三维重构的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111724481A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530005A (zh) * 2020-12-11 2021-03-19 埃洛克航空科技（北京）有限公司 一种三维模型直线结构识别与自动修复方法
CN112699263A (zh) * 2021-01-08 2021-04-23 郑州科技学院 基于ai的二维美术图像动态展示方法及装置
CN112819928A (zh) * 2021-01-27 2021-05-18 成都数字天空科技有限公司 一种模型重建方法、装置、电子设备及存储介质
CN113240801A (zh) * 2021-06-08 2021-08-10 矿冶科技集团有限公司 一种物料堆三维重构方法、装置、电子设备及存储介质
CN114120703A (zh) * 2021-12-07 2022-03-01 中通服和信科技有限公司 一种基于3d可视化和物联网技术的智慧停车管理系统
CN115004949A (zh) * 2022-07-25 2022-09-06 嘉应学院 基于图像识别的高效水果采摘装置
CN115937470A (zh) * 2023-01-31 2023-04-07 南京砺算科技有限公司 图形处理单元及其细分点处理方法、存储介质
CN117036758A (zh) * 2023-10-10 2023-11-10 湖北星纪魅族集团有限公司 二维图像目标匹配方法、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101432776A (zh) * 2006-05-05 2009-05-13 汤姆森特许公司 用于从二维图像进行三维物体重建的系统和方法
US20160232705A1 (en) * 2015-02-10 2016-08-11 Mitsubishi Electric Research Laboratories, Inc. Method for 3D Scene Reconstruction with Cross-Constrained Line Matching
CN106251399A (zh) * 2016-08-30 2016-12-21 广州市绯影信息科技有限公司 一种基于lsd‑slam的实景三维重建方法
CN106327532A (zh) * 2016-08-31 2017-01-11 北京天睿空间科技股份有限公司 一种单幅图像的三维配准方法
CN106910241A (zh) * 2017-01-20 2017-06-30 徐迪 基于手机摄像和云服务器的三维人体头部的重建系统及方法
CN108510592A (zh) * 2017-02-27 2018-09-07 亮风台（上海）信息科技有限公司 真实物理模型的增强现实展示方法
CN108961410A (zh) * 2018-06-27 2018-12-07 中国科学院深圳先进技术研究院 一种基于图像的三维线框建模方法及装置
CN110390137A (zh) * 2019-06-24 2019-10-29 浙江大学 一种针对机械零件三维注册的链状特征提取匹配方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101432776A (zh) * 2006-05-05 2009-05-13 汤姆森特许公司 用于从二维图像进行三维物体重建的系统和方法
US20160232705A1 (en) * 2015-02-10 2016-08-11 Mitsubishi Electric Research Laboratories, Inc. Method for 3D Scene Reconstruction with Cross-Constrained Line Matching
CN106251399A (zh) * 2016-08-30 2016-12-21 广州市绯影信息科技有限公司 一种基于lsd‑slam的实景三维重建方法
CN106327532A (zh) * 2016-08-31 2017-01-11 北京天睿空间科技股份有限公司 一种单幅图像的三维配准方法
CN106910241A (zh) * 2017-01-20 2017-06-30 徐迪 基于手机摄像和云服务器的三维人体头部的重建系统及方法
CN108510592A (zh) * 2017-02-27 2018-09-07 亮风台（上海）信息科技有限公司 真实物理模型的增强现实展示方法
CN108961410A (zh) * 2018-06-27 2018-12-07 中国科学院深圳先进技术研究院 一种基于图像的三维线框建模方法及装置
CN110390137A (zh) * 2019-06-24 2019-10-29 浙江大学 一种针对机械零件三维注册的链状特征提取匹配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MB5FED440247FB5: ""SIFT算法详解"", 《HTTPS://BLOG.51CTO.COM/U_15072780/4669409?ARTICLEABTEST=1》, pages 2 - 5 *
XUE FENG BUPT: ""LSD(Line Segment Detector)直线提取算法"", 《HTTPS://BLOG.CSDN.NET/CHISHUIDEYU/ARTICLE/DETAILS/78081643》, pages 1 - 6 *
竺吴辉: ""三维重构中的特征匹配和基础矩阵估计"", 《 CNKI优秀硕士学位论文全文库》 *
高妍: ""基于摄像机旋转的双目立体视觉在接触线覆冰监测中的应用"", 《CNKI优秀硕士学位论文全文库》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530005B (zh) * 2020-12-11 2022-10-18 埃洛克航空科技（北京）有限公司 一种三维模型直线结构识别与自动修复方法
CN112530005A (zh) * 2020-12-11 2021-03-19 埃洛克航空科技（北京）有限公司 一种三维模型直线结构识别与自动修复方法
CN112699263B (zh) * 2021-01-08 2023-05-23 郑州科技学院 基于ai的二维美术图像动态展示方法及装置
CN112699263A (zh) * 2021-01-08 2021-04-23 郑州科技学院 基于ai的二维美术图像动态展示方法及装置
CN112819928A (zh) * 2021-01-27 2021-05-18 成都数字天空科技有限公司 一种模型重建方法、装置、电子设备及存储介质
CN112819928B (zh) * 2021-01-27 2022-10-28 成都数字天空科技有限公司 一种模型重建方法、装置、电子设备及存储介质
CN113240801A (zh) * 2021-06-08 2021-08-10 矿冶科技集团有限公司 一种物料堆三维重构方法、装置、电子设备及存储介质
CN113240801B (zh) * 2021-06-08 2023-09-19 矿冶科技集团有限公司 一种物料堆三维重构方法、装置、电子设备及存储介质
CN114120703A (zh) * 2021-12-07 2022-03-01 中通服和信科技有限公司 一种基于3d可视化和物联网技术的智慧停车管理系统
CN115004949A (zh) * 2022-07-25 2022-09-06 嘉应学院 基于图像识别的高效水果采摘装置
CN115004949B (zh) * 2022-07-25 2023-08-29 嘉应学院 基于图像识别的高效水果采摘装置
CN115937470A (zh) * 2023-01-31 2023-04-07 南京砺算科技有限公司 图形处理单元及其细分点处理方法、存储介质
CN117036758A (zh) * 2023-10-10 2023-11-10 湖北星纪魅族集团有限公司 二维图像目标匹配方法、电子设备和存储介质
CN117036758B (zh) * 2023-10-10 2024-01-12 湖北星纪魅族集团有限公司 二维图像目标匹配方法、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111724481A (zh) 对二维图像进行三维重构的方法、装置、设备及存储介质
CN109840881B (zh) 一种3d特效图像生成方法、装置及设备
CN110163831B (zh) 三维虚拟沙盘的物体动态展示方法、装置及终端设备
CN107944420B (zh) 人脸图像的光照处理方法和装置
CN110378947B (zh) 3d模型重建方法、装置及电子设备
CN109906600B (zh) 模拟景深
CN111583381B (zh) 游戏资源图的渲染方法、装置及电子设备
CN115439607A (zh) 一种三维重建方法、装置、电子设备及存储介质
TW200907854A (en) Universal rasterization of graphic primitives
CN109754464B (zh) 用于生成信息的方法和装置
CN112581632B (zh) 一种房源数据的处理方法和装置
CN116310076A (zh) 基于神经辐射场的三维重建方法、装置、设备及存储介质
CN112241565A (zh) 建模方法及相关装置
CN113436338A (zh) 火灾现场的三维重建方法、装置、服务器及可读存储介质
CN107203962B (zh) 一种利用2d图片制作伪3d图像的方法及电子设备
CN111583398B (zh) 图像显示的方法、装置、电子设备及计算机可读存储介质
CN108010122B (zh) 一种人体三维模型重建与测量的方法及系统
CN112733641A (zh) 物体尺寸测量方法、装置、设备及存储介质
CN112184815A (zh) 全景图像在三维模型中的位置和姿态确定方法及装置
CN107203961B (zh) 一种表情迁移的方法及电子设备
CN110378948B (zh) 3d模型重建方法、装置及电子设备
Deepu et al. 3D Reconstruction from Single 2D Image
KR20180117499A (ko) 3차원 메쉬 데이터 간소화 방법 및 장치
Oh et al. Efficient 3D design drawing visualization based on mobile augmented reality
CN113781653A (zh) 对象模型生成方法、装置、电子设备及存储介质

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