CN111986246A - 基于图像处理的三维模型重建方法、装置和存储介质 - Google Patents
基于图像处理的三维模型重建方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111986246A CN111986246A CN201910439476.8A CN201910439476A CN111986246A CN 111986246 A CN111986246 A CN 111986246A CN 201910439476 A CN201910439476 A CN 201910439476A CN 111986246 A CN111986246 A CN 111986246A
- Authority
- CN
- China
- Prior art keywords
- image
- feature point
- camera
- dimensional
- feature
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 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
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像处理的三维模型重建方法、装置和存储介质,该方法包括:获取第一拍摄装置和第二拍摄装置在同一时刻拍摄同一对象的图像,分别为第一图像和第二图像;根据所述第一图像,获取多个第一特征点;根据每个所述第一特征点的图像坐标,以及,与每个所述第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个所述第一特征点的相机三维坐标;根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建所述第一图像中的所述对象的三维模型。本发明根据图像中特征点的匹配,以及特征点的图像信息可以构建对象的三维模型,提高了构建对象的三维模型的效率。
Description
技术领域
本发明涉及图像处理应用技术领域,尤其涉及一种基于图像处理的三维模型重建方法、装置和存储介质。
背景技术
三维重建技术应用领域广泛。例如,在医学领域,通过获取用户的肢体图像,对用户的肢体进行三维重建,进而可以制造假肢等;在自动驾驶领域,通过车辆获取的周围环境的图像,构建车辆在自动驾驶过程中的三维环境,便于实现自动驾驶;在娱乐游戏领域,根据获取的室内或者室外图像,可以室内或者室外三维环境,增加趣味性。
现有技术中,通常需要根据对象的点云数据,采用迭代最近点(IterativeClosest Point,ICP)算法对点云进行拼接重建对象的三维模型。但该算法的计算复杂度高,导致重建三维模型的时间长、效率低。
发明内容
本发明提供一种基于图像处理的三维模型重建方法、装置和存储介质,提高了构建对象的三维模型的效率。
本发明的第一方面提供一种基于图像处理的三维模型重建方法,包括:
获取第一拍摄装置和第二拍摄装置在同一时刻拍摄同一对象的图像,分别为第一图像和第二图像,所述第一拍摄装置和所述第二拍摄装置为双目相机中的两个拍摄装置;
根据所述第一图像,获取多个第一特征点,每个所述第一特征点的灰度梯度值大于灰度梯度阈值,所述多个第一特征点的数量大于或等于数量阈值;
根据所述第二图像,获取与每个所述第一特征点的相似度大于相似度阈值的第二特征点,并根据每个所述第一特征点的图像坐标,以及,与每个所述第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个所述第一特征点的相机三维坐标,所述相机三维坐标为在所述第一拍摄装置坐标系下的三维坐标;
根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建所述第一图像中的所述对象的三维模型。
本发明的第二方面提供一种基于图像处理的三维模型重建装置,包括:
图像处理模块,用于获取第一拍摄装置和第二拍摄装置在同一时刻拍摄同一对象的图像,分别为第一图像和第二图像,所述第一拍摄装置和所述第二拍摄装置为双目相机中的两个拍摄装置;根据所述第一图像,获取多个第一特征点,每个所述第一特征点的灰度梯度值大于灰度梯度阈值,所述多个第一特征点的数量大于或等于数量阈值;根据所述第二图像,获取与每个所述第一特征点的相似度大于相似度阈值的第二特征点,并根据每个所述第一特征点的图像坐标,以及,与每个所述第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个所述第一特征点的相机三维坐标,所述相机三维坐标为在所述第一拍摄装置坐标系下的三维坐标;
三维模型构建模块,用于根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建所述第一图像中的所述对象的三维模型。
本发明的第三方面提供一种基于图像处理的三维模型重建装置,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述基于图像处理的三维模型重建装置执行上述基于图像处理的三维模型重建方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机执行指令,当所述计算机执行指令被处理器执行时,实现上述基于图像处理的三维模型重建方法。
本发明提供一种基于图像处理的三维模型重建方法、装置和存储介质,该方法根据在同一时刻获取的对象的第一图像和第二图像,并根据第一图像和第二图像中匹配的特征点的图像坐标信息,确定特征点的三维坐标,并根据多个连续时刻的特征点的三维坐标,对对象的三维模型进行重建。本发明提供的基于图像处理的三维模型重建方法,避免了采用复杂度高的算法造成的构建对象的三维模型的时间长、效率低的问题。
附图说明
图1为本发明提供的基于图像处理的三维模型重建方法的流程示意图;
图2为本发明提供的获取第一特征点的方法的流程示意图;
图3为本发明提供的对第一图像进行第一区域和第二区域划分的示意图;
图4为本发明提供的获取对象的三维模型的方法的流程示意图;
图5为本发明提供的基于图像处理的三维模型重建装置的结构示意图一;
图6为本发明提供的基于图像处理的三维模型重建装置的结构示意图二。
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,下面将结合本发明的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明中的专业术语释义:
特征点:可以被称为兴趣点、显著点、关键点等。特征点既是一个点的位置标识,同时它的局部邻域具有一定的特征。特征点的狭义定义为:点的位置本身具有常规的属性意义,比如角点、交叉点等。特征点的广义定义为:基于区域定义的,它本身的位置不具备特征意义,代表满足一定特征条件的特征区域的位置。广义特征点可以是某特征的任一相对位置。这种特征可以不是物理意义上的特征,可以为满足一定的数学描述的特征。应理解,本发明中的特征点可以包括至少一个像素块。
描述子:包括多种算法的描述子,但均是对特征点邻域进行特征描述的表述。如SIFI描述子是对特征点附近邻域内高斯图像梯度统计结果的一种表示,它是一个三维的阵列;BRIEF描述子是一种二进制编码描述子,需要事先得到特征点的位置,利用各种特征点检测算法检测特征点的位置,建立特征描述符,示例性的,如在特征点附近随机的提取若干点对,将这些点对的灰度值大小组合成一个长为256的二进制字串,并将这个二进制字串作为该特征点的BRIEF描述子。
三维模型:对象的三维立体显示,其中可以包括对象的形状、实际尺寸等信息。
灰度值:图像中像素块的颜色的深度,灰度值的范围一般从0-255,白色为255,黑色为0。
灰度梯度值:图像中像素块与周围的像素块之间的灰度值的差值的均值。
图1为本发明提供的基于图像处理的三维模型重建方法的流程示意图一。图1所示方法流程的执行主体可以为基于图像处理的三维模型重建装置,以下简称为三维模型重建装置,该三维模型重建装置可由任意的软件和/或硬件实现。如图1所示,本实施例提供的基于图像处理的三维模型重建方法可以包括:
S101,获取第一拍摄装置和第二拍摄装置在同一时刻拍摄同一对象的图像,分别为第一图像和第二图像。
本实施例中的第一拍摄装置和第二拍摄装置分别为双目相机中的两个拍摄装置。其中,双目相机中通常以左相机作为主相机,下述实施例中以第一拍摄装置作为左相机,即双目相机中的主相机进行说明。
第一拍摄装置和第二拍摄装置可以在同一时刻对对象进行拍摄。本实施例中的对象可以为人脸、肢体、楼宇,也可以是实时获取的环境对象,如车辆在泊车区域获取的停车场的环境等。本实施例中为了对对象进行三维模型的重建,采用第一拍摄装置和第二拍摄装置在同一时刻对同一对象进行拍摄,拍摄的图像分别为第一图像和第二图像。
可选的,本实施例中,第一拍摄装置的为第一图像,第二拍摄装置获取德威第二图像。第一拍摄装置和第二拍摄装置可以分别将第一图像和第二图像发送给三维模型重建装置,三维模型重建装置也可以实时获取第一图像和第二图像,本实施例中对三维模型重建装置获取第一图像和第二图像的方式不做限制。
S102,根据第一图像,获取多个第一特征点,每个第一特征点的灰度梯度值大于灰度梯度阈值,多个第一特征点的数量大于或等于数量阈值。
三维模型重建装置中预先存储有灰度梯度阈值。
本实施例中获取第一特征点的一种可能的方式为:根据第一图像中的每个像素块的灰度值,获取每个像素块的灰度梯度值。其中,每个像素块的灰度梯度值为每个像素块的灰度值与周围的像素块的灰度值的差值的均值。在该种情况下,可以将灰度梯度值大于灰度梯度阈值的像素块作为第一特征点。
为了减少像素块的灰度梯度值与灰度梯度阈值的比较次数,本实施例中获取第一特征点的另一种可能的方式为:将第一图像划分为多个区域,获取每个区域的灰度梯度值。由于每个区域中包括至少一个像素块,区域的灰度梯度值可以为该区域中的多个像素块的灰度值均值与该区域周围的多个像素块的灰度值差值的均值。在该种情况下,可以将灰度梯度值大于灰度梯度阈值的区域中的像素块作为第一特征点。
可选的,本实施例中可以在第一图像中提取多个第一特征点。若在第一图像中提取的多个第一特征点的数量大于或等于数量阈值,则第一图像中提取的多个第一特征点即为根据第一图像获取的多个第一特征点。
可选的,若在第一图像中提取的多个第一特征点的数量小于数量阈值,则可以将第一图像进行处理,在处理后的第一图像中继续获取特征点,直至在第一图像中提取的第一特征点和在处理后的第一图像中提取第一特征点的数量之和大于或等于数量阈值。对应的,将第一图像中提取的第一特征点和在处理后的第一图像中提取第一特征点作为本实施例中根据第一图像获取的多个第一特征点。可选的,本实施例中的对第一图像的处理可以为对第一图像进行缩小、放大、改变分辨率等处理。值得注意的是,本实施例中的第一图像和第二图像可以为彩色图像或黑白图像。当为黑白图像时,可以根据黑白图像中每个像素块的颜色深度,获取像素块的灰度值;当为彩色图像时,可以先将彩色图像依据现有技术中的二值化处理方式,获取彩色图像对应的黑白图像,在处理后的黑白图像中获取像素块的灰度值。
应理解,第一特征点是本实施例中三维模型重建的基础。三维模型重建装置中预先存储有数量阈值,本实施例中获取的第一特征点的数量大于该数量阈值。
S103,根据第二图像,获取与每个第一特征点的相似度大于相似度阈值的第二特征点,并根据每个第一特征点的图像坐标,以及,与每个第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个第一特征点的相机三维坐标。
本实施例中,可以根据对第一图像进行处理的相同的方式对第二图像进行处理,以在第二图像中获取与第一特征点对应的第二特征点。即在与第一图像对应的第二图像中,和/或,在与处理后的第一图像对应的处理后的第二图像中获取多个第二特征点。本实施例中以在第二图像中获取第二特征点的方式进行示例说明。
可选的,本实施例中可以将在第二图像中提取的特征点与第一图像中的每个第一特征点进行匹配,如采用归一化互相关(Normalized Cross Correlation method,NCC)匹配算法对第二图像中的每个区域与第一图像中的每个第一特征点进行匹配,获取第二图像中的特征点与第一图像中的每个第一特征点的相似度,进而将相似度大于相似度阈值的特征点作为与每个第一特征点匹配的第二特征点。例如,第一图像中的第一特征点为a、b,且在第二图像中提取了两个特征点c和d,则分别获取特征点c、d与a的相似度,以及特征点c、d与b的相似度。若特征点c与a的相似度大于相似度阈值,则将c作为a的匹配的第二特征点;若特征点c、d与a的相似度均大于相似度阈值,则将其中较大的相似度对应的特征点作为与a匹配的第二特征点;若特征点c、d与b的相似度均小于相似度阈值,则确定第二图像中不存在与b匹配的第二特征点。
可选的,本实施例中,为了减少特征点之间的相似度的计算量,本实施例中可以对第一图像和第二图像进行处理,使得第一图像和第二图像的水平极线对齐。进而可以在第二图像中获取与第一特征点所在的水平极线对齐的水平极线,并获取该水平极线上的特征点与第一特征点的相似度,进而大幅度降低相似度的计算量。应理解,对齐的水平极线上的特征点的相似度的计算方式与上述特征点的相似度的计算方式相同。
可选的,本实施例中可以在获取第一图像和第二图像之前,可以对第一拍摄装置和第二拍摄装置进行处理,以使第一拍摄装置和第二拍摄装置的水平极线对齐,进而使得获取的第一图像和第二图像的水平极线对齐。
其中,该处理过程可以为:对第一拍摄装置和第二拍摄装置进行标定,获取第一拍摄装置的第一内参、第二拍摄装置的第二内参,以及第一拍摄装置和第二拍摄装置之间的旋转参数和平移参数。
本实施例中,可以获取第一拍摄装置和第二拍摄装置在同一时刻拍摄的标定板的两个图像,根据标定板上多个同一位置在两个图像中的图像坐标,获取第一拍摄装置的第一内参、第二拍摄装置的第二内参,以及第一拍摄装置和第二拍摄装置之间的旋转参数和平移参数。其中,第一内参包括第一拍摄装置的焦距、成像原点和畸变系数,第二内参包括第二拍摄装置的焦距、成像原点和畸变系数;第一拍摄装置和第二拍摄装置之间的旋转参数和平移参数可以分别为旋转矩阵和平移矩阵。
进一步的,根据第一内参、第二内参分别对第一拍摄装置和第二拍摄装置的视图进行畸变消除和行对准,使得二者视图的成像原点坐标一致。根据旋转参数和平移参数,调整第一拍摄装置和第二拍摄装置,使得第一拍摄装置和第二拍摄装置的光轴平行,成像平面共面,使得第一拍摄装置和第二拍摄装置的水平极线行对齐。
本实施例中,在获取与第一图像中的第一特征点匹配的第二特征点后,可以根据每个第一特征点的图像坐标和与每个第一特征点匹配的第二特征点的图像坐标,获取每个第一特征点的相机三维坐标,即也是与每个第一特征点匹配的第二特征点的相机三维坐标。本实施例中的相机三维坐标为在第一拍摄装置坐标系下的三维坐标。其中,匹配的第一特征点和第二特征点表征的是对象的同一位置。
其中,获取一个第一特征点的相机三维坐标的方式为:可以在第一拍摄装置的坐标系中,获取第一拍摄装置的位置和第一图像中该第一特征点的连线,以及,第二拍摄装置的位置和第二图像中的与该第一特征点匹配的第二特征点的连线,将两个连线的交点在第一拍摄装置的坐标系下的三维坐标作为该第一特征点的相机三维坐标。按照相同的方式,可以获取每个第一特征点的相机三维坐标。
S104,根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建第一图像中的对象的三维模型。
本实施例中,可以将第一拍摄装置的第一拍摄装置的光心为原点构建世界坐标系,将每个第一特征点的相机三维坐标转化至该世界坐标系下,进而根据多个连续时刻的第一图像中的第一特征点的世界三维坐标,构建第一图像中的对象的三维模型。其中,第一特征点的世界三维坐标为第一特征点在世界坐标系中的三维坐标。
对应的,可以对每个时刻的每个第一特征点的世界三维坐标对第一特征点进行排布,将世界三维坐标相同的第一特征点作为相同的特征点,对多个连续时刻的第一特征点完全按照世界三维坐标排布后,即可获取第一图像中的对象的三维模型。
本实施例提供的基于图像处理的三维模型重建方法包括:获取第一拍摄装置和第二拍摄装置在同一时刻拍摄同一对象的图像,分别为第一图像和第二图像;根据第一图像,获取多个第一特征点;根据每个第一特征点的图像坐标,以及,与每个第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个第一特征点的相机三维坐标;根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建第一图像中的对象的三维模型。本发明中根据图像中特征点的匹配,以及特征点的图像信息可以构建对象的三维模型,提高了构建对象的三维模型的效率。
下述首先对上述实施例获取多个第一特征点的方法,以及根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建第一图像中的对象的三维模型的方法进行详细说明。
下面结合图2对获取第一特征点的方法进行说明。图2为本发明提供的获取第一特征点的方法的流程示意图。对应的,上述S102可以包括:
S1021,在第一图像中提取第一特征点。
本实施例中,为了提高提取第一特征点的效率。可以将第一图像划分为N个第一区域,且获取每个第一区域中的最大灰度梯度值,其中,第一区域中的最大灰度梯度值为其中包括的像素块的最大灰度梯度值,N为大于1的整数。
可选的,本实施例中可以预先对每个第一区域设置灰度梯度阈值,即每个第一区域中的每个第一特征点对应的灰度梯度阈值为:其对应的第一区域的灰度梯度阈值。若第一区域的最大灰度梯度值大于第一区域的灰度梯度阈值,则将第一区域的最大灰度梯度值对应的像素块作为第一特征点。
可选的,本实施例中,三维模型重建装置还可以根据不同时刻获取的第一图像,获取每个第一区域不同的灰度梯度阈值,进而可以避免预设的灰度梯度阈值不适用于每个第一图像的问题。示例性的,在获取每个第一区域的最大灰度梯度值之前,可以将第一图像划分为M个第二区域,获取每个第二区域的灰度梯度值均值,且将每个第二区域的灰度梯度值均值作为每个第二区域包括的至少两个第一区域的灰度梯度阈值。其中,N为M的整数倍,且N大于M。
对应的,将每个第一区域的最大灰度梯度值与该第一区域的第二区域的灰度梯度值均值(即该第一区域的灰度梯度阈值)进行比较,若第一区域的最大灰度梯度值大于该灰度梯度阈值,则将该第一区域中最大灰度梯度值对应的像素块作为第一特征点。
示例性的,图3为本发明提供的对第一图像进行第一区域和第二区域划分的示意图。图3中示例性的将第一图像划分为4个第二区域,获取每个第二区域的灰度梯度均值,该灰度梯度均值为第二区域包括的第一区域的灰度梯度阈值。例如,可以将第一图像划分为16个第一区域,阴影部分的第二区域包括4个第一区域,该阴影部分的第二区域的灰度梯度均值为该4个第一区域的灰度梯度阈值。本实施例中,在获取这4个第一区域中每个第一区域的最大灰度梯度值后,与该灰度梯度阈值进行比较,获取大于该灰度梯度阈值的第一区域,该第一区域中最大灰度梯度值对应的像素块作为第一特征点。图3中的区域的个数仅为示例,由于图像中包含的像素块的个数很多,本实施例在图像实际划分的过程中,可以根据实际情况对图像进行区域的划分。
S1022,对第一图像进行缩小处理,继续在处理后的第一图像中提取第一特征点,直至在第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点的数量之和大于或等于数量阈值。
本实施例中,在第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点的数量之和大于或等于数量阈值时,其中“根据第一图像获取的多个第一特征点”为:在第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点。
应理解,本实施例中对第一图像进行缩小处理,在处理后的第一图像中提取第一特征点的过程为不断循环的过程。可以包括:
A、在迭代周期i,将迭代周期i-1所使用的第一图像Qi-1进行缩小,得到迭代周期i对应的第一图像Qi,i为大于1的整数。
本实施例中,将迭代周期i-1所使用的第一图像Qi-1进行缩小,具体是将迭代周期i-1所使用的第一图像Qi-1进行缩小至迭代周期i-1所使用的第一图像Qi-1的1/x。可选的,可以将迭代周期i-1所使用的第一图像Qi-1中的每一行中每x个相邻的像素块Pi-1合并成1个新的像素块Pi,将每一列中每x个相邻的像素块合并成1个新的像素块Pi,得到第i个第一图像Qi,x为大于或等于2的整数。具体的,新的像素块Pi的灰度值为:生成Pi的x个Pi-1的灰度值的均值;其中,迭代周期i用于指示获取多个第一特征点的第i个迭代周期,i为大于等于1的正整数。
B、从第一图像Qi中提取至少一个特征点ti,每个ti的灰度梯度值大于灰度梯度阈值。
本实施例中在每个迭代周期的所使用的第一图像中提取第一特征点的方式具体可参照上述实施例中在第一图像中提取第一特征点的相关描述。
C、计算至少一个特征点ti与从第i个图像之前的i-1个图像中提取的特征点的数量之和若大于或等于数量阈值,则将至少一个特征点ti与从第i个图像之前的i-1个图像中提取的特征点作为多个第一特征点;若小于数量阈值,则将i加1,并进入下一迭代周期,返回执行A,其中,a的取值为1、2、3……i。
示例性的,本实施例中将第一图像分为4个第二区域,将每个第二区域中的灰度梯度均值作为该第二区域的灰度梯度阈值。在获取第一特征点的过程中,将第一图像划分为32个区域,一个第二区域中包括8个第一区域,这8个第一区域的灰度梯度阈值为对应的第二区域的灰度梯度均值,在每个区域中获取第一特征点,第一特征点的灰度梯度值大于或者等于灰度梯度阈值。
进一步的,将第一图像缩小为第一图像的1/2,即将第一图像中的每一行中每2个相邻的像素块合并成1个新的像素块,将每一列中每2个相邻的像素块合并成1个新的像素块,得到第2个第一图像。具体的,新的像素块的灰度值为:生成该新的像素块的2个像素块的灰度值均值。
将第2个第一图像划分为16个第三区域,获取第一特征点。具体的,第三区域的灰度梯度阈值为:第三区域中的新的像素块对应的第一图像中的像素块所属区域的灰度梯度阈值。根据与上述实施例中相同的方式,在第2个第一图像中获取第一特征点。
进一步的,将第2个第一图像缩小为第2个第一图像的1/2,即将第2个第一图像中的每一行中每2个相邻的像素块合并成1个新的像素块,将每一列中每2个相邻的像素块合并成1个新的像素块,得到第3个第一图像。具体的,第3个第一图像中新的像素块的灰度值为:生成该新的像素块的2个像素块的灰度值均值。
将第3个第一图像划分为8个第四区域,获取第一特征点。同理的,第四区域的灰度梯度阈值为:第四区域中的新的像素块对应的第2个第一图像中的像素块所属区域的灰度梯度阈值。
如此循环迭代,直至第一图像、第2个第一图像、第3个第一图像……和第i个第一图像中的提取的第一特征点的数量之和大于或等于数量阈值。
值得注意的是,本实施例中,为了使得在缩小后的第一图像中获取的第一特征点更为准确,可以将第i个第一图像中的每个区域的灰度梯度阈值更新为第i-1个第一图像中该每个区域对应的区域的灰度梯度阈值的0.75倍。
示例性的,第一图像中的A区域的灰度梯度阈值为100,则在第2个第一图像中该A区域中的像素块生成的新的像素块对应的B区域的灰度梯度阈值为75,在第3个第一图像中该B区域中的像素块生成的新的像素块对应的C区域的灰度梯度阈值为56.3。
对应的,本实施例中,在迭代周期i,从第一图像Qi中提取至少一个特征点ti之后,可以对第二图像进行与第一图像进行相同的处理。即将迭代周期i-1所使用的第二图像Q′i-1进行缩小,得到迭代周期i对应的第二图像Q′i,迭代周期i-1所使用的第一图像Qi-1与迭代周期i-1所使用的第一图像Q′i-1缩小的倍数相同。
在迭代周期i对应的第二图像Q′i中,获取与至少一个特征点ti的相似度大于相似度阈值的第二特征点。其中,在第二图像中获取与第一图像中的每个第一特征点匹配的第二特征点的方式与上述实施例中的方式相同。
当第一图像缩小为第二图像的1/2,且在第2个第一图像中获取第一特征点后,将第二图像缩小为第二图像的1/2,获取第2个第二图像,具体的缩小方式可以参照上述实施例中的第一图像的缩小方式。在第2个第二图像中获取与第2个第一图像中的每个第一特征点匹配的第二特征点;由于第2个第二图像中和第2个第一图像是按照相同的缩小方式获取的图像,第2个第二图像中和第2个第一图像的水平极线对齐;具体的,将第2个第二图像划分为与第2个第一图像相同的区域,则在第2个第二图像中与第2个第一图像中的第一特征点同一水平极线的区域中获取第二特征点。
其中,在每个迭代周期i,获取第二特征点的方式具体可以参照上述实施例中的相关描述。
本实施例中,可以在第一图像中提取第一特征点,若提取的第一特征点的数量小于数量阈值时,可以对第一图像进行循环缩小处理,并在处理后的第一图像中获取第一特征点,直至第一图像以及处理后的第一图像中的第一特征点的数量大于数量阈值。本实施例中的第一特征点的数量大于数量阈值,对应的,与第一特征点匹配的第二特征点的数量也大于数量阈值,进而使得根据第一特征点和第二特征点的图像坐标,获取的每个第一特征点的相机三维坐标也更为准确,为提高构建的对象的三维模型的准确性奠定了基础。
下面结合图4对获取对象的三维模型的方法进行说明。图4为本发明提供的获取对象的三维模型的方法的流程示意图。对应的,上述S104可以包括:
S1041,以第一时刻拍摄第一个第一图像的第一拍摄装置的光心为原点构建世界坐标系。
本实施例中,可以以多个连续时刻的第一时刻拍摄第一个第一图像的第一拍摄装置的光心为原点构建世界坐标系。其中,在该世界坐标系下,第一个第一图像的每个第一特征点的世界三维坐标与第一个第一图像的每个第一特征点的相机三维坐标相同。其中,世界三维坐标为:在世界坐标系中的三维坐标。
S1042,将每个时刻的第一图像中的第一特征点的相机三维坐标转化至世界坐标系下,构建第一图像中的对象的三维模型。
下面先对本实施例中获取第一图像中的第一特征点的相机三维坐标进行介绍。本实施例中,在提取第一特征点后,可以根据每个第一特征点的图像坐标,以及与每个第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个第一特征点和与每个第一特征点的相似度大于相似度阈值的第二特征点的图像横坐标的差值。
本实施例中,由于第一图像和第二图像的水平极线在对齐,与每个第一特征点匹配的第二特征点的图像坐标与第一特征点的图像坐标的纵坐标相同,横坐标不同。据此,可以根据每个第一特征点和与之匹配的第二特征点的图像横坐标,获取图像横坐标的差值。
根据每个图像横坐标的差值、双目相机的基线、双目相机的焦距,获取每个第一特征点的深度值。
其中,获取第一特征点的深度值可如下公式一所示:
d=f·b/(xl-xr) 公式一
其中,d为第一特征点的深度;xl为第一特征点的图像横坐标,xr为与第一特征点匹配的第二特征点的图像横坐标,(xl-xr)为第一特征点和第二特征点的图像横坐标的差值;f为第一拍摄装置的焦距;b为第一拍摄装置和第二拍摄装置的基线。
根据每个第一特征点的深度值、第一拍摄装置的内参、第二拍摄装置的内参,获取每个第一特征点的相机三维坐标。
其中,本实施例中获取第一特征点的三维坐标(X,Y,Z)可具体如下公式二所示:
其中,Cl、Fl为第一拍摄装置的内参,Cr、Fr为第二拍摄装置的内参,U为第一特征点的图像横坐标,V为第一特征点的图像纵坐标。据此,根据公式一和公式二可以获取所有的第一特征点的相机三维坐标。
对应的,本实施例中每个时刻的第一图像中的第一特征点的相机三维坐标转化至世界坐标系下的过程也是一个循环过程。
示例性的,A、在第p时刻对应的第一图像中,获取与第p-1时刻对应的第一图像中的第一特征点匹配的第三特征点,匹配的第一特征点和第三特征点具有相同的世界三维坐标,p为大于1的整数。
其中,p为大于1的整数。本实施例中,连续的多个时刻的每个时刻对应有第一图像,其中第一图像均为第一拍摄装置获取的图像,只是获取时刻不同。例如,当p为2时,在第2时刻对应第一图像中,获取与第一个第一图像中的第一特征点匹配的第三特征点。其中,由于本实施例中按照上述获取第一特征点的相机三维坐标,因此本实施例中可以根据第2时刻对应第一图像中的特征点的相机三维坐标和第一个第一图像中的第一特征点的相机三维坐标进行匹配,在第2时刻对应第一图像中,将与第一个图像中的第一特征点的相机三维坐标相同的特征点,作为与该第一特征点匹配的第三特征点。其中,可以将第一个图像中的匹配的第一特征点的世界三维坐标,作为第2时刻对应第一图像中与其匹配的第三特征点的世界三维坐标。
例如,第一个第一图像中的第一特征点a与第2时刻对应第一图像中的特征点b匹配,则b为与第一特征点a匹配第三特征点,将第一特征点a的世界三维坐标作为特征点b的世界三维坐标。
B、根据第p时刻对应的第一图像中的第三特征点的相机三维坐标和第三特征点的世界三维坐标,获取转换矩阵。
在获取第p时刻对应的第一图像中的第三特征点的相机三维坐标和世界三维坐标后,可以获取相机三维坐标和世界三维坐标的转换矩阵。
其中,可以根据下述公式三获取相机三维坐标和世界三维坐标的转换矩阵L:
M=L·M′ 公式三
其中,M为第三特征点的相机三维坐标,M′为第三特征点的世界三维坐标。实质上,转换矩阵L为从相机坐标系到世界坐标系的内参数矩阵。
C、根据转换矩阵,将第p时刻对应的第一图像中第一特征点的相机三维坐标转化至世界坐标系中;将p加1,继续执行步骤A,直至多个连续时刻的最后一个时刻。
获取第p时刻的转换矩阵后,可以第p时刻对应的第一图像中第一特征点的相机三维坐标以及转换矩,获取第p时刻对应的第一图像中第一特征点的世界三维坐标。在循环处理过程中,获取第p时刻对应的第一图像中第一特征点的世界三维坐标,可以继续获取第p+1时刻对应的第一图像中第一特征点的世界三维坐标,直至多个连续时刻的最后一个时刻。据此,能够获取每个时刻的第一图像中的第一特征点的世界三维坐标,进而按照世界三维坐标对特征点在空间上进行排布,即可获取构建第一图像中的对象的三维模型。
本实施例中,可以根据连读多个时刻的第一图像中的相机三维坐标确定匹配的第三特征点,进而根据该第三特征点的相机三维坐标和世界三维坐标,确定每个时刻的相机三维坐标和世界三维坐标的转换矩阵,进而该转换矩阵将每个时刻对应的第一图像中的第一特征点的相机三维坐标转化为世界三维坐标,进而构建第一图像中的对象的三维模型。本实施例中提高了构建对象的三维模型的效率。
图5为本发明提供的基于图像处理的三维模型重建装置的结构示意图一。如图5所示,该基于图像处理的三维模型重建装置500包括:图像处理模块501和三维模型构建模块502。
图像处理模块501,用于获取第一拍摄装置和第二拍摄装置在同一时刻拍摄同一对象的图像,分别为第一图像和第二图像,第一拍摄装置和第二拍摄装置为双目相机中的两个拍摄装置;根据第一图像,获取多个第一特征点,每个第一特征点的灰度梯度值大于灰度梯度阈值,多个第一特征点的数量大于或等于数量阈值;根据第二图像,获取与每个第一特征点的相似度大于相似度阈值的第二特征点,并根据每个第一特征点的图像坐标,以及,与每个第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个第一特征点的相机三维坐标,相机三维坐标为在第一拍摄装置坐标系下的三维坐标;
三维模型构建模块502,用于根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建第一图像中的对象的三维模型。
可选的,三维模型构建模块502,具体用于以第一时刻拍摄第一个第一图像的第一拍摄装置的光心为原点构建世界坐标系,第一个第一图像的每个第一特征点的世界三维坐标与第一个第一图像的每个第一特征点的相机三维坐标相同,世界三维坐标为:在世界坐标系中的三维坐标;
将每个时刻的第一图像中的第一特征点的相机三维坐标转化至世界坐标系下,构建第一图像中的对象的三维模型。
可选的,三维模型构建模块502,具体用于:
A、在第p时刻对应的第一图像中,获取与第p-1时刻对应的第一图像中的第一特征点匹配的第三特征点,匹配的第一特征点和第三特征点具有相同的世界三维坐标,p为大于1的整数;
B、根据第p时刻对应的第一图像中的第三特征点的相机三维坐标和第三特征点的世界三维坐标,获取转换矩阵;
C、根据转换矩阵,将第p时刻对应的第一图像中第一特征点的相机三维坐标转化至世界坐标系中;将p加1,继续执行步骤A,直至多个连续时刻的最后一个时刻。
可选的,图像处理模块501,具体用于根据每个第一特征点的图像坐标,以及与每个第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个第一特征点和与每个第一特征点的相似度大于相似度阈值的第二特征点的图像横坐标的差值;根据每个图像横坐标的差值、双目相机的基线、双目相机的焦距,获取每个第一特征点的深度值;根据每个第一特征点的深度值、第一拍摄装置的内参、第二拍摄装置的内参,获取每个第一特征点的相机三维坐标。
可选的,图像处理模块501,具体用于在第一图像中提取第一特征点;对第一图像进行缩小处理,继续在处理后的第一图像中提取第一特征点,直至在第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点的数量之和大于或等于数量阈值,多个第一特征点为:在第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点。
可选的,图像处理模块501,具体用于:
A、在迭代周期i,将迭代周期i-1所使用的第一图像Qi-1进行缩小,得到迭代周期i对应的第一图像Qi,i为大于1的整数;
B、从第一图像Qi中提取至少一个特征点ti,每个ti的灰度梯度值大于灰度梯度阈值;
C、计算至少一个特征点ti与从第i个图像之前的i-1个图像中提取的特征点的数量之和若大于或等于数量阈值,则将至少一个特征点ti与从第i个图像之前的i-1个图像中提取的特征点作为多个第一特征点;若小于数量阈值,则将i加1,并进入下一迭代周期,返回执行A,其中,a的取值为1、2、3……i。
可选的,图像处理模块501,还用于将第一图像划分为N个第一区域,获取每个第一区域中的最大灰度梯度值,N为大于1的整数;若第一区域的最大灰度梯度值大于第一区域的灰度梯度阈值,则将第一区域的最大灰度梯度值对应的点作为第一特征点。
可选的,图像处理模块501,还用于将第一图像划分为M个第二区域,获取每个第二区域的灰度梯度值均值,N为M的整数倍,且N大于M;将每个第二区域的灰度梯度值均值作为每个第二区域包括的至少两个第一区域的灰度梯度阈值。
本实施例提供的基于图像处理的三维模型重建装置与上述基于图像处理的三维模型重建方法实现的原理和技术效果类似,在此不作赘述。
图6为本发明提供的基于图像处理的三维模型重建装置的结构示意图二。该基于图像处理的三维模型重建装置例如可以是终端设备,比如智能手机、平板电脑、计算机等。如图6所示,该基于图像处理的三维模型重建装置600包括:存储器601和至少一个处理器602。
存储器601,用于存储程序指令。
处理器602,用于在程序指令被执行时实现本实施例中的基于图像处理的三维模型重建方法,具体实现原理可参见上述实施例,本实施例此处不再赘述。
该基于图像处理的三维模型重建装置600还可以包括及输入/输出接口603。
输入/输出接口603可以包括独立的输出接口和输入接口,也可以为集成输入和输出的集成接口。其中,输出接口用于输出数据,输入接口用于获取输入的数据。
本发明还提供一种可读存储介质,可读存储介质中存储有执行指令,当基于图像处理的三维模型重建装置的至少一个处理器执行该执行指令时,当计算机执行指令被处理器执行时,实现上述实施例中的基于图像处理的三维模型重建方法。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。基于图像处理的三维模型重建装置的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得基于图像处理的三维模型重建装置实施上述的各种实施方式提供的基于图像处理的三维模型重建方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述网络设备或者终端设备的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)等。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。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种基于图像处理的三维模型重建方法,其特征在于,包括:
获取第一拍摄装置和第二拍摄装置在同一时刻拍摄同一对象的图像,分别为第一图像和第二图像,所述第一拍摄装置和所述第二拍摄装置为双目相机中的两个拍摄装置;
根据所述第一图像,获取多个第一特征点,每个所述第一特征点的灰度梯度值大于灰度梯度阈值,所述多个第一特征点的数量大于或等于数量阈值;
根据所述第二图像,获取与每个所述第一特征点的相似度大于相似度阈值的第二特征点,并根据每个所述第一特征点的图像坐标,以及,与每个所述第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个所述第一特征点的相机三维坐标,所述相机三维坐标为在所述第一拍摄装置坐标系下的三维坐标;
根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建所述第一图像中的所述对象的三维模型。
2.根据权利要求1所述的方法,其特征在于,所述根据多个连续时刻的第一图像中的第一特征点的相机三维坐标,构建所述第一图像中的所述对象的三维模型,包括:
以第一时刻拍摄第一个第一图像的所述第一拍摄装置的光心为原点构建世界坐标系,所述第一个第一图像的每个第一特征点的世界三维坐标与所述第一个第一图像的每个第一特征点的相机三维坐标相同,所述世界三维坐标为:在世界坐标系中的三维坐标;
将每个时刻的第一图像中的第一特征点的相机三维坐标转化至所述世界坐标系下,构建所述第一图像中的所述对象的三维模型。
3.根据权利要求2所述的方法,其特征在于,所述将每个时刻的第一图像中的第一特征点的相机三维坐标转化至所述世界坐标系下,包括:
A、在第p时刻对应的第一图像中,获取与第p-1时刻对应的第一图像中的第一特征点匹配的第三特征点,匹配的第一特征点和第三特征点具有相同的世界三维坐标,p为大于1的整数;
B、根据所述第p时刻对应的第一图像中的第三特征点的相机三维坐标和所述第三特征点的世界三维坐标,获取转换矩阵;
C、根据所述转换矩阵,将所述第p时刻对应的第一图像中第一特征点的相机三维坐标转化至所述世界坐标系中;将p加1,继续执行步骤A,直至所述多个连续时刻的最后一个时刻。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述获取每个所述第一特征点的相机三维坐标,包括:
根据每个所述第一特征点的图像坐标,以及与每个所述第一特征点的相似度大于相似度阈值的第二特征点的图像坐标,获取每个所述第一特征点和与每个所述第一特征点的相似度大于相似度阈值的第二特征点的图像横坐标的差值;
根据每个图像横坐标的差值、所述双目相机的基线、所述双目相机的焦距,获取每个所述第一特征点的深度值;
根据每个所述第一特征点的深度值、所述第一拍摄装置的内参、所述第二拍摄装置的内参,获取每个所述第一特征点的相机三维坐标。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一图像,获取多个第一特征点,包括:
在所述第一图像中提取第一特征点;
对所述第一图像进行缩小处理,继续在处理后的第一图像中提取第一特征点,直至在所述第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点的数量之和大于或等于数量阈值,所述多个第一特征点为:在所述第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点。
6.根据权利要求5所述的方法,其特征在于,所述对所述第一图像进行缩小处理,继续在处理后的第一图像中提取第一特征点,直至在所述第一图像中提取的至少一个第一特征点和在处理后的第一图像中提取第一特征点的数量之和大于或等于数量阈值,包括:
A、在迭代周期i,将所述迭代周期i-1所使用的第一图像Qi-1进行缩小,得到所述迭代周期i对应的第一图像Qi,i为大于1的整数;
B、从第一图像Qi中提取至少一个特征点ti,每个所述ti的灰度梯度值大于灰度梯度阈值;
7.根据权利要求5所述的方法,其特征在于,所述在所述第一图像中提取第一特征点,包括:
将所述第一图像划分为N个第一区域,获取每个所述第一区域中的最大灰度梯度值,N为大于1的整数;若所述第一区域的最大灰度梯度值大于所述第一区域的灰度梯度阈值,则将所述第一区域的最大灰度梯度值对应的点作为第一特征点。
8.根据权利要求7所述的方法,其特征在于,所述将所述第一图像划分为N个第一区域,获取每个所述第一区域中的最大灰度梯度值之前,还包括:
将所述第一图像划分为M个第二区域,获取每个所述第二区域的灰度梯度值均值,N为M的整数倍,且N大于M;
所述将所述第一图像划分为N个第一区域之后,还包括:
将每个所述第二区域的灰度梯度值均值作为每个所述第二区域包括的至少两个第一区域的灰度梯度阈值。
9.一种基于图像处理的三维模型重建装置,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述基于图像处理的三维模型重建装置执行权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机执行指令,当所述计算机执行指令被处理器执行时,实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439476.8A CN111986246B (zh) | 2019-05-24 | 2019-05-24 | 基于图像处理的三维模型重建方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439476.8A CN111986246B (zh) | 2019-05-24 | 2019-05-24 | 基于图像处理的三维模型重建方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986246A true CN111986246A (zh) | 2020-11-24 |
CN111986246B CN111986246B (zh) | 2024-04-30 |
Family
ID=73436664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439476.8A Active CN111986246B (zh) | 2019-05-24 | 2019-05-24 | 基于图像处理的三维模型重建方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986246B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023093120A1 (zh) * | 2021-11-23 | 2023-06-01 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685541A (zh) * | 2008-09-25 | 2010-03-31 | 佳能株式会社 | 图像处理装置及图像处理方法 |
WO2014044126A1 (zh) * | 2012-09-21 | 2014-03-27 | Wei Yiqun | 坐标获取装置、实时三维重建系统和方法、立体交互设备 |
US20160267661A1 (en) * | 2015-03-10 | 2016-09-15 | Fujitsu Limited | Coordinate-conversion-parameter determination apparatus, coordinate-conversion-parameter determination method, and non-transitory computer readable recording medium having therein program for coordinate-conversion-parameter determination |
US20160350904A1 (en) * | 2014-03-18 | 2016-12-01 | Huawei Technologies Co., Ltd. | Static Object Reconstruction Method and System |
CN106920276A (zh) * | 2017-02-23 | 2017-07-04 | 华中科技大学 | 一种三维重建方法和系统 |
CN108765496A (zh) * | 2018-05-24 | 2018-11-06 | 河海大学常州校区 | 一种多视点汽车环视辅助驾驶系统及方法 |
CN108764024A (zh) * | 2018-04-09 | 2018-11-06 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
CN109087382A (zh) * | 2018-08-01 | 2018-12-25 | 宁波发睿泰科智能科技有限公司 | 一种三维重构方法及三维成像系统 |
-
2019
- 2019-05-24 CN CN201910439476.8A patent/CN111986246B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685541A (zh) * | 2008-09-25 | 2010-03-31 | 佳能株式会社 | 图像处理装置及图像处理方法 |
WO2014044126A1 (zh) * | 2012-09-21 | 2014-03-27 | Wei Yiqun | 坐标获取装置、实时三维重建系统和方法、立体交互设备 |
US20160350904A1 (en) * | 2014-03-18 | 2016-12-01 | Huawei Technologies Co., Ltd. | Static Object Reconstruction Method and System |
US20160267661A1 (en) * | 2015-03-10 | 2016-09-15 | Fujitsu Limited | Coordinate-conversion-parameter determination apparatus, coordinate-conversion-parameter determination method, and non-transitory computer readable recording medium having therein program for coordinate-conversion-parameter determination |
CN106920276A (zh) * | 2017-02-23 | 2017-07-04 | 华中科技大学 | 一种三维重建方法和系统 |
CN108764024A (zh) * | 2018-04-09 | 2018-11-06 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
CN108765496A (zh) * | 2018-05-24 | 2018-11-06 | 河海大学常州校区 | 一种多视点汽车环视辅助驾驶系统及方法 |
CN109087382A (zh) * | 2018-08-01 | 2018-12-25 | 宁波发睿泰科智能科技有限公司 | 一种三维重构方法及三维成像系统 |
Non-Patent Citations (2)
Title |
---|
张梁;徐锦法;夏青元;于永军;: "无人飞行器双目视觉位姿估计算法改进与验证", 上海交通大学学报, no. 09, 28 September 2015 (2015-09-28), pages 1387 - 1393 * |
张梁;徐锦法;夏青元;于永军;: "无人飞行器双目视觉位姿估计算法改进与验证", 上海交通大学学报, no. 09, pages 1387 - 1393 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023093120A1 (zh) * | 2021-11-23 | 2023-06-01 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111986246B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145238B (zh) | 单目内窥镜图像的三维重建方法、装置及终端设备 | |
CN111598993B (zh) | 基于多视角成像技术的三维数据重建方法、装置 | |
CN109840881B (zh) | 一种3d特效图像生成方法、装置及设备 | |
US20220148297A1 (en) | Image fusion method based on fourier spectrum extraction | |
CN110264573B (zh) | 基于结构光的三维重建方法、装置、终端设备及存储介质 | |
CN111080776B (zh) | 人体动作三维数据采集和复现的处理方法及系统 | |
CN112767294B (zh) | 深度图像的增强方法、装置、电子设备以及存储介质 | |
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 | |
WO2022088572A1 (zh) | 模型训练方法、图像处理及配准方法、装置、设备、介质 | |
CN116310105B (zh) | 基于多视图的物体三维重建方法、装置、设备及存储介质 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN115205383A (zh) | 相机位姿的确定方法、装置、电子设备及存储介质 | |
CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
CN113379815A (zh) | 基于rgb相机与激光传感器的三维重建方法、装置及服务器 | |
CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN114463408A (zh) | 自由视点图生成方法、装置、设备及存储介质 | |
CN111986246B (zh) | 基于图像处理的三维模型重建方法、装置和存储介质 | |
CN116091871B (zh) | 一种针对目标检测模型的物理对抗样本生成方法及装置 | |
CN117197405A (zh) | 三维物体的增强现实方法、系统及存储介质 | |
CN112446926A (zh) | 一种激光雷达与多目鱼眼相机的相对位置标定方法及装置 | |
CN111630569B (zh) | 双目匹配的方法、视觉成像装置及具有存储功能的装置 | |
CN111369425B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN114118203A (zh) | 图像特征提取匹配的方法、装置和电子设备 | |
CN103077396B (zh) | 一种彩色图像的向量空间特征点提取方法及装置 | |
CN112967398B (zh) | 一种三维数据重建方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |