CN112132971B - 三维人体建模方法、装置、电子设备和存储介质 - Google Patents

三维人体建模方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112132971B
CN112132971B CN202010935764.5A CN202010935764A CN112132971B CN 112132971 B CN112132971 B CN 112132971B CN 202010935764 A CN202010935764 A CN 202010935764A CN 112132971 B CN112132971 B CN 112132971B
Authority
CN
China
Prior art keywords
point cloud
cloud data
human body
view angle
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
CN202010935764.5A
Other languages
English (en)
Other versions
CN112132971A (zh
Inventor
雷超
张举勇
李廷照
保长存
户磊
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.)
Hefei Dilusense Technology Co Ltd
Original Assignee
Hefei Dilusense Technology Co Ltd
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 Hefei Dilusense Technology Co Ltd filed Critical Hefei Dilusense Technology Co Ltd
Priority to CN202010935764.5A priority Critical patent/CN112132971B/zh
Publication of CN112132971A publication Critical patent/CN112132971A/zh
Application granted granted Critical
Publication of CN112132971B publication Critical patent/CN112132971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明实施例提供一种三维人体建模方法、装置、电子设备和存储介质，其中方法包括：确定待建模的点云数据帧序列；确定待建模的点云数据帧序列；确定所述点云数据帧序列中每对相邻帧的点云数据之间的最近点对；以所述点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；基于所述配准点云数据建立三维人体模型。本发明实施例提供的方法、装置、电子设备和存储介质，对点云数据帧序列进行全局配准，减小了点云数据之间的累积误差，实现了点云数据初始帧和结束帧之间的紧密闭合，提高了三维人体模型的建模精度。

Description

三维人体建模方法、装置、电子设备和存储介质
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种三维人体建模方法、装置、电子设备和存储介质。
背景技术
三维人体建模是根据计算机视觉和图形学的方法实现人体三维信息的数字化。三维人体模型在在全息通讯、影视游戏制作、体育运动分析指导、人体测量和公共安全检测等领域有着广泛的应用。
现有技术中的三维人体建模方法，对于深度相机采集得到的点云数据进行配准时，无法实现点云数据初始帧和结束帧之间的紧密闭合，使得配准得到的点云数据之间的累积误差较大，三维人体模型的精度低。
发明内容
本发明实施例提供一种三维人体建模方法、装置、电子设备及存储介质，用以解决现有的三维人体建模方法无法实现点云数据初始帧和结束帧之间的紧密闭合，三维人体模型精度低的问题。
第一方面，本发明实施例提供一种三维人体建模方法，包括：
确定待建模的点云数据帧序列；
确定所述点云数据帧序列中每对相邻帧的点云数据之间的最近点对；
以所述点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；
基于所述配准点云数据建立三维人体模型。
可选地，所述确定待建模的点云数据帧序列，具体包括：
基于单台深度相机对待建模人体进行多个视角的图像采集，得到每一视角下所述待建模人体的深度图；
基于每一视角下所述待建模人体的深度图，构建所述点云数据帧序列。
可选地，所述基于所述配准点云数据建立三维人体模型，具体包括：
基于所述配准点云数据建立三维人体网格；
基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到所述三维人体网格，得到所述三维人体模型；所述每一视角下的彩色图是与对应视角下的深度图一并采集。
可选地，基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到所述三维人体网格，得到所述三维人体模型，具体包括：
基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到所述三维人体网格中对应的区域，得到带有初步纹理贴图的三维人体模型；
以减小同一纹理图片上颜色梯度变化和减小不同纹理图片边界处的颜色差异为目标，对所述带有初步纹理贴图的三维人体模型上的纹理图片颜色进行调整，得到带有最终纹理贴图的三维人体模型。
可选地，所述基于每一视角下所述待建模人体的深度图，构建所述点云数据帧序列，具体包括：
对所述每一视角下所述待建模人体的深度图进行预处理，得到所述每一视角下的掩膜图；
基于所述每一视角下的掩模图，获取每一视角下的深度图中的人体深度数据，转换每一视角下的人体深度数据，得到所述点云数据帧序列；
基于所述每一视角下的掩膜图，对所述每一视角下所述待建模人体的彩色图进行预处理。
可选地，所述点云数据帧序列中所有的最近点对的距离误差表示为：
式中，M为点云数据帧序列的数量，Nh为最近点对的数量，i为最近点对的序号，h和k为点云数据帧序列的标号，E(g1,…,gM)为点云数据帧序列(g1,…,gM)的距离误差函数，A(h,k)为1时表示第h帧点云数据与第k帧点云数据相邻，A(h,k)为0则表示第h帧点云数据与第k帧点云数据不相邻，(g1,…,gM)为每一视角的相机姿态，为第h帧点云数据上第i个目标点，/>为第k帧点云数据上第i个源点，/>为点云数据与点云数据/>之间的距离函数，l为距离权重系数。
可选地，所述基于所述配准点云数据建立三维人体模型，之前还包括：
基于所述配准点云数据所对应的采样节点图中每个节点的旋转变换和平移变换，对配准点云数据中相邻帧的点云数据进行配准。
第二方面，本发明实施例提供一种三维人体建模装置，包括：
点云确定单元，用于确定待建模的点云数据帧序列；
点对确定单元，用于确定所述点云数据帧序列中每对相邻帧的点云数据之间的最近点对；
全局配准单元，用于以所述点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；
模型建立单元，用于基于所述配准点云数据建立三维人体模型。
第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑命令，以执行如第一方面所提供的三维人体建模方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的三维人体建模方法的步骤。
本发明实施例提供的三维人体建模方法、装置、电子设备及存储介质，对待建模的点云数据帧序列中相邻帧的点云数据进行配准，确定相邻帧的点云数据之间的最近点对，以点云数据帧序列中所有的最近点对的距离误差之和最小为目标，对点云数据帧序列进行全局配准，减小了点云数据之间的累积误差，实现了点云数据初始帧和结束帧之间的紧密闭合，提高了三维人体模型的建模精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的三维人体建模方法的流程示意图；
图2为本发明实施例提供的一种基于单台深度相机的三维人体建模方法的流程示意图；
图3为本发明实施例提供的三维人体建模装置的结构示意图；
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，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作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。
图1为本发明实施例提供的三维人体建模方法的流程示意图，如图1所示，该方法包括：
步骤110，确定待建模的点云数据帧序列。
具体地，三维人体建模是指利用计算机视觉和图形学的方法对人体的三维信息进行数字化建模，得到人体三维模型的过程。在建模前，需要获取待建模人体的点云数据。此处，点云数据为以点的形式记录待建模人体三维信息的数据，三维信息可以用三维坐标表示。
对人体三维信息进行采集时，现有的点云数据采集仪器，例如深度相机、激光扫描仪等，只能相对于待建模人体以某一固定视角进行三维信息的采集。因此，采集完整的待建模人体的三维信息，需要按照一定的采集顺序对待建模人体进行多个视角的采集，得到的采集结果为一系列包含待建模人体三维信息的点云数据帧，即点云数据帧序列。
步骤120，确定点云数据帧序列中每对相邻帧的点云数据之间的最近点对。
具体地，点云数据帧序列中，每一帧点云数据包含了待建模人体某一侧面的三维信息。相邻帧为点云数据帧序列中采集顺序相邻的两个点云数据帧，特别地，点云数据序列的结束帧和初始帧构成其中一对相邻帧。
对于待建模人体的三维信息进行采集时，相邻两帧的点云数据中可能存在重复的点，即人体同一位置的三维信息可能同时记录在相邻帧的点云数据中。因此可以采用配准算法，以一对相邻帧中的任一帧作为目标点云数据，另一帧作为源点云数据，进行相邻帧的点云数据的配准，记录配准后相邻帧的点云数据之间的最近点对。
此处，点云数据的配准，是指对目标点云数据和源点云数据中表示人体同一位置的三维信息的点之间的空间距离进行最小化处理。最近点对是指执行点云数据的配准后，目标点云数据与源点云数据中空间距离最近的两个点。
在实际配准过程中，可以预设距离阈值，将目标点云数据和源点云数据中距离小于预设距离阈值的两个点作为一个最近点对。最近点对的数量可以根据实际需要进行设置，本发明实施例对最近点对的数量不作具体限定。
最近点对确定过程中的配准算法可以采用迭代最近点(Iterative ClosestPoint，ICP)配准算法，本发明实施例对配准算法的选择不作具体限定。
步骤130，以所述点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据。
具体地，由于步骤120中点云数据帧序列的配准过程是依次通过对相邻点云数据帧的配准进行的，使得点云数据帧之间的误差逐渐累积，使得点云数据初始帧和结束帧之间的累积误差较大，无法实现紧密闭合，产生回环检测的问题(Loop Closure)。例如，对某一人体进行采集后，得到4张点云数据帧，分别为点云数据帧A、点云数据帧B、点云数据帧C和点云数据帧D。进行图像配准时，仅考虑相邻帧之间的配准，即A与B，B与C，C与D，D与A，由此得到的最近点对，仅考虑两两之间的点云数据，只能实现局部最优，不能实现全局最优。
为了解决这一问题，本发明实施例在相邻帧配准之后，从整体出发寻找最优解，以点云数据帧序列中所有的最近点对的距离误差之和最小为目标，建立目标函数，对步骤120所得的所有最近点对进行进一步调整，即对点云数据帧序列进行全局配准，使得调整后的相邻帧的最近点对所反映的是全局最优，而不是多个局部最优，实现整体上的点云数据的误差最小，从而避免出现点云数据初始帧和结束帧之间累积误差较大的问题，实现点云数据初始帧和结束帧之间的紧密贴合。此后，将配准后的点云数据帧序列作为配准点云数据。
进一步地，还可以对所有的最近点对的距离进行求平方和或求平均数等方式建立全局配准的目标函数，本发明实施例对于目标函数的建立不作具体限定。
步骤140，基于配准点云数据建立三维人体模型。
具体地，将配准点云数据进行合并，得到三维人体模型。为了得到高精度的三维人体模型，可以对合并后的配准点云数据进行下采样、离群点移除和滑动最小二乘法(MovingLeast Squares,MLS)去噪，进行泊松重建后得到三维人体模型。
本发明实施例提供的三维人体建模方法，对待建模的点云数据帧序列中相邻帧的点云数据进行配准，确定相邻帧的点云数据之间的最近点对，以点云数据帧序列中所有的最近点对的距离误差之和最小为目标，对点云数据帧序列进行全局配准，减小了点云数据之间的累积误差，实现了点云数据初始帧和结束帧之间的紧密闭合，提高了三维人体模型的建模精度。
基于上述实施例，步骤110具体包括：
基于单台深度相机对待建模人体进行多个视角的图像采集，得到每一视角下待建模人体的深度图；
基于每一视角下待建模人体的深度图，构建点云数据帧序列。
具体地，可以使用单台深度相机对待建模的人体进行多个视角的图像采集，本发明实施例对于深度相机的选择不作具体限定。
将深度相机水平放置在固定的采集位置，例如距离地面约1.5m处。待建模人体处于深度相机采集范围内的固定位置，例如距离该深度相机约1.5m至2m处。在采集过程中，待建模人体保持固定的姿势，逐次旋转一定角度，直至旋转到初始位置。在此过程中，使用单台深度相机对待建模人体一直进行三维信息的采集，得到多个视角下待建模人体的深度图。
根据深度相机的相机参数，可以将每一视角下待建模人体的深度图进行坐标转换，得到点云数据帧序列。
本发明实施例提供的三维人体建模方法仅通过单台深度相机即可完成人体点云数据的获取，相比于使用多台深度相机系统，不需要根据多台深度相机的型号、参数和姿态等对采集的点云数据进行校正和配准，减少了三维人体建模的计算量，提高了建模效率，使得点云数据的采集过程更方便执行。
基于上述任一实施例，步骤140具体包括：
基于配准点云数据建立三维人体网格；
基于单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到三维人体网格，得到三维人体模型；每一视角下的彩色图是与对应视角下的深度图一并采集的。
具体地，将配准后的配准点云数据进行合并，得到包含待建模人体所有点云数据的三维人体网格。三维人体网格是由多个三角面构成的三维人体结构，每个三角面的顶点为三维人体网格的顶点。
使用单台深度相机对待建模人体一直进行三维信息的采集，还可以在采集三维信息的同时进行颜色信息的采集，即在每一视角下采集深度图的同时，采集对应视角下的彩色图。
单台深度相机在多个视角下对待建模人体进行图像采集时，深度图和彩色图是同时采集得到的，相机姿态和相机参数与采集得到的图像之间存在一一对应关系。根据对应关系，可以将每一视角下的彩色图投影到三维人体网格，得到具有纹理效果的三维人体模型。
本发明实施例提供的三维人体建模方法，通过对点云数据建立三维人体网格进行纹理贴图，所得到的三维人体模型具有逼真的视觉效果，能够真实地放映待建模人体的三维信息和颜色信息，具有广泛的适用性。
基于上述任一实施例，基于单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到三维人体网格，得到三维人体模型，具体包括：
基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到三维人体网格中对应的区域，得到带有初步纹理贴图的三维人体模型；
以减小同一纹理图片上颜色梯度变化和减小不同纹理图片边界处的颜色差异为目标，对带有初步纹理贴图的三维人体模型上的纹理图片颜色进行调整，得到带有最终纹理贴图的三维人体模型。
具体地，根据单台深度相机的成像原理，将单台深度相机采集得到的深度图进行坐标变换，就可以得到深度图对应的点云数据。坐标变换是根据深度相机的相机参数和由配准获得的每一视角下的相机姿态确定的。相机姿态为深度相机相对于待建模人体的位置姿态，包括旋转和平移等。相机参数为深度相机的相机焦距和主点坐标等。
由于包含待建模人体颜色信息的彩色图是与深度图同步采集的，彩色图与深度图具有一一对应的关系，将每一视角下的彩色图投影到三维人体网格中对应的区域，进而得到人体的纹理贴图。由于三维人体网格是立体的模型，每一投影区域均为曲面。根据投影区域的法线等信息为每一帧纹理图片选择最佳的视角，得到带有初步纹理贴图的三维人体模型。
带有初步纹理贴图的三维人体模型存在不同区域颜色不一致的问题，其产生原因为待建模人体的多帧彩色图存在色彩差异。对带有初步纹理贴图的三维人体模型进行纹理色彩校正，是指通过减小同一纹理图片上颜色梯度变化，以及减小不同纹理图片边界处的颜色差异，对带有初步纹理贴图的三维人体模型上的纹理图片颜色进行调整，得到带有最终纹理贴图的三维人体模型。
纹理色彩校正的优化函数可以表示为：
式中，Lwl为纹理色彩校正函数，Nseam为不同纹理图片边界处的相邻顶点对，Nadj为同一纹理图片上的相邻顶点对，为不同纹理图片边界处相邻顶点对中一个顶点vleft的原始像素值，/>为不同纹理图片边界处相邻顶点对中另一顶点vright的原始像素值，为不同纹理图片边界处相邻顶点对中一个顶点vleft的调整像素值，/>为不同纹理图片边界处相邻顶点对中另一顶点vright的调整像素值，/>为同一纹理图片上相邻顶点对中一个顶点vi的调整像素值，/>为同一纹理图片上相邻顶点对中另一顶点vj的调整像素值，λ为同一纹理图片上梯度变化的权重系数。
通过不断调整纹理片上顶点的像素值，使得纹理色彩校正函数值最小，从而实现减小同一纹理图片上颜色梯度变化，以及减小不同纹理图片边界处的颜色差异。
调整带有初步纹理贴图的三维人体模型上的纹理图片颜色可以采用SeamLeveling(缝隙调整)算法，本发明实施例对于纹理图片颜色的调整算法不作具体限定。
本发明实施例提供的三维人体建模方法，通过减小同一纹理图片上颜色梯度变化，减小不同纹理图片边界处的颜色差异，对三维人体网格上的纹理图片的色彩进行了校正，有效解决了三维人体模型不同区域颜色不一致的问题。
基于上述任一实施例，基于每一视角下待建模人体的深度图，构建点云数据帧序列，具体包括：
对每一视角下待建模人体的深度图进行预处理，得到每一视角下的掩膜图；
基于每一视角下的掩模图，获取每一视角下的深度图中的人体深度数据，转换每一视角下的人体深度数据，得到点云数据帧序列；
基于每一视角下的掩膜图，对每一视角下待建模人体的彩色图进行预处理。
具体地，对每一视角下待建模人体的深度图进行预处理，设置深度阈值，过滤深度图中与人体区域无关的点云数据，去除与建模无关的背景，得到每一视角下的掩膜(Mask)图。对得到的掩膜图进行图像腐蚀操作，去除掩膜图边缘质量较差的像素点。
利用每一视角下的掩膜图，对每一视角下待建模人体的深度图进行与运算，得到仅包含人体区域的深度图。根据深度相机的参数，如相机焦距和主点坐标等，对每一视角下仅包含人体区域的深度图进行坐标变换，得到点云数据帧序列。
可以在三个不同维度方向上设置阈值，对点云数据帧序列进行滤波处理，同时，还可以进行下采样等处理方式，以及自定义移除操作，对点云数据帧序列进行处理，得到噪声更小，精度更高的点云数据。
在多个视角采集得到的彩色图存在光照不均匀以及背景的影响，使用深度图预处理中得到的每一视角下的掩膜图，对该视角下的彩色图进行与运算，得到仅包含人体区域的彩色图。对于预处理后的彩色图中人体区域外的像素可以进行补全操作，使得补全后的彩色图中人体区域边缘更自然，为后续纹理优化提供支持。
在彩色图的预处理过程中，还可以对彩色图进行颜色校正，以减轻图像采集过程中光照不均匀的影响。颜色校正可以采用伽马(Gamma)校正，本发明实施例对于彩色图预处理中颜色校正的方法不作具体限定。
基于上述任一实施例，点云数据帧序列中所有的最近点对的距离误差表示为：
式中，M为点云数据帧序列的数量，Nh为最近点对的数量，i为最近点对的序号，h和k为点云数据帧序列的标号，E(g1,…,gM)为点云数据帧序列的距离误差函数，A(h,k)为1时表示第h帧点云数据与第k帧点云数据相邻，A(h,k)为0则表示第h帧点云数据与第k帧点云数据不相邻，(g1,…,gM)为每一视角的相机姿态，为第h帧点云数据上第i个目标点，/>为第k帧点云数据上第i个源点，/>为点云数据/>与点云数据/>之间的距离函数，l为距离权重系数。
具体地，以为第h帧点云数据上第i个目标点，/>为第k帧点云数据上第i个源点，由此得到此两点/>之间的距离表示为/>
对点云数据帧序列中所有的最近点对的距离进行加权求和，从而得到全局配准的目标函数E(g1,…,gM)，所得到的目标函数E(g1,…,gM)表示点云数据帧序列中所有的最近点对的距离，当该目标函数取得最小值时，即可以认为整个点云数据帧序列中的点云累积误差最小，点云数据中初始帧和结束帧实现了紧密闭合。
基于上述任一实施例，步骤140之前还包括：
基于配准点云数据所对应的采样节点图中每个节点的旋转变换和平移变换，对配准点云数据中相邻帧的点云数据进行配准。
具体地，配准点云数据实现了点云数据初始帧和结束帧之间的紧密闭合，但由于待建模人体在图像采集过程中存在微弱的动作变化，使得配准点云数据中存在细微的动作误差。
通过对配准点云数据进行采样，得到包括配准点云数据中顶点及其附近点云数据的采样节点图，图中每个节点对应有一个旋转矩阵R和平移向量t，通过每个节点的旋转矩阵和平移向量，对与节点相邻的顶点进行调节，进而得到点云中每个顶点的新位置，也就减小了因待建模人体的动作变化产生的误差。图中每个节点的旋转矩阵R是一个维度大小为3×3的矩阵，图中每个节点的平移向量t是一个维度大小为3×1的向量。
相邻帧的动作误差配准目标函数可以为：
式中，Lpz为动作误差配准目标函数，m为对点云数据构建的采样图的节点的数量，Ri为采样图中第i个节点对应的旋转变换，ti为采样图中第i个节点对应的平移变换，i∈m，Erot为旋转矩阵的能量项，用于约束旋转矩阵，wrot为旋转能量权重系数，Ereg为正则化误差，wreg为正则化误差权重系数，Econ为对应点约束误差，wcon为对应点约束误差权重系数。
其中，旋转能量Erot为对节点的旋转矩阵进行约束，可以表示为：
式中，m为对点云数据构建的采样图中节点的数量，Rot(Rj)为第j个节点的旋转能量项。
配准点云数据所对应的采样节点图中每个节点的旋转矩阵R的列向量分别为C1，C2和C3。节点的旋转能量Rot(R)为：
Rot(R)＝(C1*C2)2+(C1*C3)2+(C2*C3)2+(C1*C1-1)2+(C2*C2-1)2+(C3*C3-1)2
正则化误差Ereg为对由点云数据构建的采样图中的相邻节点的变化进行约束，用于确保相邻节点的变化一致，可以表示为：
式中，m为对点云数据构建的采样图中节点的数量，N(j)为采样图中与节点j相邻的节点的集合，k为采样图中与节点j相邻的节点的标号，Rj为采样图节点j对应的旋转变换，tj为采样图中节点j对应的平移变换，gj为节点j的位置，gk为与节点j相邻的节点k的位置，tk为采样图中节点k对应的平移变换，αjk为节点j与节点k之间的权重系数。
对应点约束Econ为点云数据帧中的顶点变换后偏离约束位置而产生的误差，可以表示为：
式中，l为源点云数据帧中的顶点序号，p为源点云数据帧中的对应顶点的数量，index(l)为源点云数据帧中对应顶点的实际索引，vindex(l)为源点云顶点l经所构建的采样图的旋转和平移变换后的新位置，ql为目标点云数据帧中对应源点云顶点l的位置。
此处，根据每一点云数据帧采样节点图中节点的旋转变换和平移变换，对配准点云数据中的相邻帧的点云数据进行配准，可以采用非刚性迭代最近点(Non-rigidIterative Closest Point，NICP)算法，本发明实施例对于配准算法的选择不作具体限定。由此，可以在步骤120和步骤130通过ICP算法得到点云数据帧序列中所有最近点对后，以所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据，并在此基础上，通过NICP算法对配准点云数据作进一步地调整。
本发明实施例，通过对每一点云数据帧构建采样节点图，通过采样节点的旋转矩阵和平移向量，对配准点云数据中的相邻帧的点云数据进行非刚性配准，减小了在采集数据过程中由于人体的非刚性变化而产生的误差，使得点云数据帧中相邻帧配准得更加精准，提高了三维人体网格模型的建模精度。
基于上述任一实施例，图2为本发明实施例提供的一种基于单台深度相机的三维人体建模方法的流程示意图，如图2所示，该方法包括：
步骤一、数据采集：
使用单台深度相机，对待建模人体进行多个视角的图像采集，得到每一视角下待建模人体的深度图和彩色图。
此步骤中，仅使用单台深度相机完成深度图和彩色图的采集，相比于使用多台深度相机系统，不需要根据多台深度相机的型号、参数和姿态等对采集的点云数据进行校正和配准，减少了三维人体建模的计算量，提高了建模效率，使得点云数据的采集过程更方便执行。
步骤二、数据预处理：
对待建模人体的多个视角的深度图进行预处理，去除背景后得到仅包含人体区域的点云数据帧序列；
对待建模人体的多个视角的彩色图进行预处理，去除背景和光照强度的影响，对人体区域外的像素进行图像补全，得到预处理后的彩色图。
步骤三、三维人体网格建立：
使用ICP配准算法，对点云数据帧序列中相邻帧点云进行配准，确定相邻帧之间的最近点对；
以点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；
使用NICP配准算法，对配准点云数据进行再次配准；
将最终配准后的点云数据进行合并后重建，得到不带纹理贴图的三维人体网格模型。
此步骤中，对待建模的点云数据帧序列中相邻帧的点云数据进行配准，确定相邻帧的点云数据之间的最近点对，以点云数据帧序列中所有的最近点对的距离误差之和最小为目标，对点云数据帧序列进行全局配准，得到配准点云数据，减小了点云数据之间的累积误差，实现了点云数据初始帧和结束帧之间的紧密闭合。
随即对配准点云数据中每一点云数据帧构建采样节点图，通过采样节点的旋转矩阵和平移向量，对配准点云数据中的相邻帧的点云数据进行非刚性配准，减小了在采集数据过程中由于人体的非刚性变化而产生的误差，使得点云数据帧中相邻帧配准得更加精准，提高了三维人体网格模型的建模精度。需要说明的是，在通过基于全局的ICP配准算法对点云数据帧序列进行全局配准之后，也可以不再执行NICP配准算法，直接将基于全局的ICP配准算法所得的点云数据用于合并建模，本发明实施例对此不作具体限定。
步骤四、纹理贴图
将每一视角下的彩色图投影到三维人体网格中对应的区域，得到带有初步纹理贴图的三维人体模型；
采用Seam Leveling算法，对带有初步纹理贴图的三维人体模型上的纹理图片颜色进行调整，得到带有最终纹理贴图的三维人体模型。
此步骤中，通过对点云数据建立三维人体网格进行纹理贴图，所得到的三维人体模型具有逼真的视觉效果，能够真实地放映待建模人体的三维信息和颜色信息，具有广泛的适用性。
步骤五、模型展示
将最后的三维人体网格模型保存为obj文件，纹理保存为mtl文件，输入网格处理软件，进行模型展示。
基于上述任一实施例，图3为本发明实施例提供的三维人体建模装置的结构示意图，如图3所示，该装置包括：
点云确定单元310，用于确定待建模的点云数据帧序列；
点对确定单元320，用于确定点云数据帧序列中每对相邻帧的点云数据之间的最近点对；
全局配准单元330，用于以点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；
模型建立单元340，用于基于配准点云数据建立三维人体模型。
具体地，点云确定单元310用于确定待建模人体的点云数据帧序列，点对确定单元320用于以相邻帧中的任一帧作为目标点云数据，另一帧作为源点云数据，进行相邻帧的点云数据的配准，记录配准后相邻帧的点云数据之间的最近点对。最近点对为目标点云数据与源点云数据中距离最近的点。全局配准单元330用于以点云数据帧序列中所有的最近点对的距离误差之和最小为目标，建立目标函数，对点云数据帧序列进行全局配准，即调整所有最近点对，使得配准后点云数据的误差最小，并将配准后的点云数据帧序列作为配准点云数据。模型建立单元340将配准点云数据进行合并，得到三维人体模型。
本发明实施例提供的三维人体建模装置，对待建模的点云数据帧序列中相邻帧的点云数据进行配准，确定相邻帧的点云数据之间的最近点对，以点云数据帧序列中所有的最近点对的距离误差之和最小为目标，对点云数据帧序列进行全局配准，减小了点云数据之间的累积误差，实现了点云数据初始帧和结束帧之间的紧密闭合，提高了三维人体模型的建模精度。
基于上述任一实施例，点云确定单元310，包括：
数据采集子单元，用于基于单台深度相机对待建模人体进行多个视角的图像采集，得到每一视角下待建模人体的深度图；
点云确定子单元，用于基于每一视角下待建模人体的深度图，构建点云数据帧序列。
基于上述任一实施例，模型建立单元340，具体包括：
网格确定子单元，用于基于配准点云数据建立三维人体网格；
纹理贴合子单元，用于基于单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到三维人体网格，得到三维人体模型；每一视角下的彩色图是与对应视角下的深度图一并采集的。
基于上述任一实施例，纹理贴合子单元，具体包括：
投影模块，用于基于单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到三维人体网格中对应的区域，得到带有初步纹理贴图的三维人体模型；
调整模块，用于以减小同一纹理图片上颜色梯度变化和减小不同纹理图片边界处的颜色差异为目标，对带有初步纹理贴图的三维人体模型上的纹理图片颜色进行调整，得到带有最终纹理贴图的三维人体模型。
基于上述任一实施例，点云确定子单元，具体包括：
掩膜确定模块，用于对每一视角下待建模人体的深度图进行预处理，得到每一视角下的掩膜图；
数据转换模块，用于基于每一视角下的掩模图，获取每一视角下的深度图中的人体深度数据，转换每一视角下的人体深度数据，得到点云数据帧序列；
彩色图处理模块，用于基于每一视角下的掩膜图，对每一视角下待建模人体的彩色图进行预处理。
基于上述任一实施例，点云数据帧序列中所有的最近点对的距离误差表示为：
式中，M为点云数据帧序列的数量，Nh为最近点对的数量，i为最近点对的序号，h和k为点云数据帧序列的标号，E(g1,…,gM)为点云数据帧序列的距离误差函数，A(h,k)为1时表示第h帧点云数据与第k帧点云数据相邻，A(h,k)为0则表示第h帧点云数据与第k帧点云数据不相邻，(g1,…,gM)为每一视角的相机姿态，为第h帧点云数据上第i个目标点，/>为第k帧点云数据上第i个源点，/>为点云数据/>与点云数据/>之间的距离函数，l为距离权重系数。/>
基于上述任一实施例，该装置还包括：
非刚性配准单元，用于基于配准点云数据所对应的采样节点图中每个节点的旋转变换和平移变换，对配准点云数据中相邻帧的点云数据进行配准。
图4为本发明实施例提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(Processor)410、通信接口(Communications Interface)420、存储器(Memory)430和通信总线(Communications Bus)440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑命令，以执行如下方法：
确定待建模的点云数据帧序列；确定待建模的点云数据帧序列；确定点云数据帧序列中每对相邻帧的点云数据之间的最近点对；以点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；基于配准点云数据建立三维人体模型。
此外，上述的存储器430中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干命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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
确定待建模的点云数据帧序列；确定待建模的点云数据帧序列；确定点云数据帧序列中每对相邻帧的点云数据之间的最近点对；以点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；基于配准点云数据建立三维人体模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干命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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (8)

1.一种三维人体建模方法，其特征在于，包括：
确定待建模的点云数据帧序列；
确定所述点云数据帧序列中每对相邻帧的点云数据之间的最近点对；
以所述点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；
基于所述配准点云数据建立三维人体模型；
所述确定待建模的点云数据帧序列，具体包括：
基于单台深度相机对待建模人体进行多个视角的图像采集，得到每一视角下所述待建模人体的深度图；
基于每一视角下所述待建模人体的深度图，构建所述点云数据帧序列；
所述基于所述配准点云数据建立三维人体模型，具体包括：
基于所述配准点云数据建立三维人体网格；
基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到所述三维人体网格，得到所述三维人体模型；所述每一视角下的彩色图是与对应视角下的深度图一并采集。
2.根据权利要求1所述的三维人体建模方法，其特征在于，所述基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到所述三维人体网格，得到所述三维人体模型，具体包括：
基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到所述三维人体网格中对应的区域，得到带有初步纹理贴图的三维人体模型；
以减小同一纹理图片上颜色梯度变化和减小不同纹理图片边界处的颜色差异为目标，对所述带有初步纹理贴图的三维人体模型上的纹理颜色进行调整，得到带有最终纹理贴图的三维人体模型。
3.根据权利要求1所述的三维人体建模方法，其特征在于，所述基于每一视角下所述待建模人体的深度图，构建所述点云数据帧序列，具体包括：
对所述每一视角下所述待建模人体的深度图进行预处理，得到所述每一视角下的掩膜图；
基于所述每一视角下的掩模图，获取每一视角下的深度图中的人体深度数据，转换每一视角下的人体深度数据，得到所述点云数据帧序列；
基于所述每一视角下的掩膜图，对所述每一视角下所述待建模人体的彩色图进行预处理。
4.根据权利要求1至3任一项所述的三维人体建模方法，其特征在于，所述点云数据帧序列中所有的最近点对的距离误差之和表示为：
式中，M为点云数据帧序列的数量，Nh为最近点对的数量，i为最近点对的序号，h和k为点云数据帧序列的标号，E(g1,…,gM)为点云数据帧序列的距离误差函数，A(h,k)为1时表示第h帧点云数据与第k帧点云数据相邻，A(h,k)为0则表示第h帧点云数据与第k帧点云数据不相邻，(g1,…,gM)为每一视角的相机姿态，为第h帧点云数据上第i个目标点，为第k帧点云数据上第i个源点，/>为点云数据/>与点云数据/>之间的距离函数，l为距离权重系数。
5.根据权利要求1至3任一项所述的三维人体建模方法，其特征在于，所述基于所述配准点云数据建立三维人体模型，之前还包括：
基于所述配准点云数据所对应的采样节点图中每个节点的旋转变换和平移变换，对配准点云数据中相邻帧的点云数据进行配准。
6.一种三维人体建模装置，其特征在于，包括：
点云确定单元，用于确定待建模的点云数据帧序列；
点对确定单元，用于确定所述点云数据帧序列中每对相邻帧的点云数据之间的最近点对；
全局配准单元，用于以所述点云数据帧序列中所有最近点对的距离误差之和最小为目标，调整所有最近点对，得到配准点云数据；
模型建立单元，用于基于所述配准点云数据建立三维人体模型；
所述点云确定单元包括：
数据采集子单元，用于基于单台深度相机对待建模人体进行多个视角的图像采集，得到每一视角下所述待建模人体的深度图；
点云确定子单元，用于基于每一视角下所述待建模人体的深度图，构建所述点云数据帧序列；
所述模型建立单元包括：
网格确定子单元，用于基于所述配准点云数据建立三维人体网格；
纹理贴合子单元，用于基于所述单台深度相机的相机参数和由配准获得的每一视角下的相机姿态，将每一视角下的彩色图投影到所述三维人体网格，得到所述三维人体模型；所述每一视角下的彩色图是与对应视角下的深度图一并采集。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在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5中任一项所述的三维人体建模方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，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5中任一项所述的三维人体建模方法的步骤。
CN202010935764.5A 2020-09-08 2020-09-08 三维人体建模方法、装置、电子设备和存储介质 Active CN112132971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010935764.5A CN112132971B (zh) 2020-09-08 2020-09-08 三维人体建模方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010935764.5A CN112132971B (zh) 2020-09-08 2020-09-08 三维人体建模方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112132971A CN112132971A (zh) 2020-12-25
CN112132971B true CN112132971B (zh) 2024-04-23

Family

ID=73845072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010935764.5A Active CN112132971B (zh) 2020-09-08 2020-09-08 三维人体建模方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112132971B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991524B (zh) * 2021-04-20 2022-03-25 北京的卢深视科技有限公司 三维重建的方法、电子设备及存储介质
CN113592884B (zh) * 2021-08-19 2022-08-09 遨博（北京）智能科技有限公司 一种人体遮罩生成方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779345A (zh) * 2012-07-03 2012-11-14 河海大学 一种基于重心欧氏距离的点云精确配准方法
CN104778688A (zh) * 2015-03-27 2015-07-15 华为技术有限公司 点云数据的配准方法及装置
CN105046746A (zh) * 2015-08-05 2015-11-11 西安新拓三维光测科技有限公司 一种数字散斑人体三维快速扫描方法
WO2015188684A1 (zh) * 2014-06-12 2015-12-17 深圳奥比中光科技有限公司 三维模型重建方法与系统
CN106709947A (zh) * 2016-12-20 2017-05-24 西安交通大学 一种基于rgbd相机的三维人体快速建模系统
CN107644433A (zh) * 2017-08-30 2018-01-30 北京控制工程研究所 改进的最近点迭代点云配准方法
CN108133458A (zh) * 2018-01-17 2018-06-08 视缘(上海)智能科技有限公司 一种基于目标物体空间点云特征的自动拼接方法
CN108629831A (zh) * 2018-04-10 2018-10-09 清华大学 基于参数化人体模板和惯性测量的三维人体重建方法及系统
CN108917753A (zh) * 2018-04-08 2018-11-30 中国人民解放军63920部队 基于从运动恢复结构的飞行器位置确定方法
CN109215110A (zh) * 2017-07-21 2019-01-15 湖南拓视觉信息技术有限公司 全场景扫描装置及三维扫描建模系统
CN109360267A (zh) * 2018-09-29 2019-02-19 杭州蓝芯科技有限公司 一种薄物体快速三维重建方法
CN109754459A (zh) * 2018-12-18 2019-05-14 湖南视觉伟业智能科技有限公司 一种用于构建人体三维模型的方法及系统
CN110288712A (zh) * 2019-03-30 2019-09-27 天津大学 室内场景的稀疏多视角三维重建方法
CN110942476A (zh) * 2019-10-17 2020-03-31 湖南大学 基于二维图像引导的改进三维点云配准方法、系统及可读存储介质
CN111243093A (zh) * 2020-01-07 2020-06-05 腾讯科技（深圳）有限公司 三维人脸网格的生成方法、装置、设备及存储介质
CN111462302A (zh) * 2020-03-05 2020-07-28 清华大学 基于深度编码网络的多视点人体动态三维重建方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013112749A1 (en) * 2012-01-24 2013-08-01 University Of Southern California 3d body modeling, from a single or multiple 3d cameras, in the presence of motion
GB201217179D0 (en) * 2012-09-26 2012-11-07 Materialise Dental Nv A method and system for registration/alignment of 3D digital models
US10832472B2 (en) * 2018-10-22 2020-11-10 The Hong Kong Polytechnic University Method and/or system for reconstructing from images a personalized 3D human body model and thereof

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779345A (zh) * 2012-07-03 2012-11-14 河海大学 一种基于重心欧氏距离的点云精确配准方法
WO2015188684A1 (zh) * 2014-06-12 2015-12-17 深圳奥比中光科技有限公司 三维模型重建方法与系统
CN104778688A (zh) * 2015-03-27 2015-07-15 华为技术有限公司 点云数据的配准方法及装置
CN105046746A (zh) * 2015-08-05 2015-11-11 西安新拓三维光测科技有限公司 一种数字散斑人体三维快速扫描方法
CN106709947A (zh) * 2016-12-20 2017-05-24 西安交通大学 一种基于rgbd相机的三维人体快速建模系统
CN109215110A (zh) * 2017-07-21 2019-01-15 湖南拓视觉信息技术有限公司 全场景扫描装置及三维扫描建模系统
CN107644433A (zh) * 2017-08-30 2018-01-30 北京控制工程研究所 改进的最近点迭代点云配准方法
CN108133458A (zh) * 2018-01-17 2018-06-08 视缘(上海)智能科技有限公司 一种基于目标物体空间点云特征的自动拼接方法
CN108917753A (zh) * 2018-04-08 2018-11-30 中国人民解放军63920部队 基于从运动恢复结构的飞行器位置确定方法
CN108629831A (zh) * 2018-04-10 2018-10-09 清华大学 基于参数化人体模板和惯性测量的三维人体重建方法及系统
CN109360267A (zh) * 2018-09-29 2019-02-19 杭州蓝芯科技有限公司 一种薄物体快速三维重建方法
CN109754459A (zh) * 2018-12-18 2019-05-14 湖南视觉伟业智能科技有限公司 一种用于构建人体三维模型的方法及系统
CN110288712A (zh) * 2019-03-30 2019-09-27 天津大学 室内场景的稀疏多视角三维重建方法
CN110942476A (zh) * 2019-10-17 2020-03-31 湖南大学 基于二维图像引导的改进三维点云配准方法、系统及可读存储介质
CN111243093A (zh) * 2020-01-07 2020-06-05 腾讯科技（深圳）有限公司 三维人脸网格的生成方法、装置、设备及存储介质
CN111462302A (zh) * 2020-03-05 2020-07-28 清华大学 基于深度编码网络的多视点人体动态三维重建方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
基于GEOMAGIC的三维人体建模技术;李燕;黄凯;纺织学报(第005期);全文 *
复杂型面约束的点云配准序列确定方法;林伟;孙殿柱;李延瑞;沈江华;;小型微型计算机系统(第09期);全文 *
多源点云数据融合的建筑物精细化建模;王树臻;郑国强;王光生;胡玉民;张德怀;亓伟;;测绘通报(第08期);全文 *
改进ICP算法的点云配准;邱世聪;罗意;;河南科技(第07期);全文 *
移动与定点扫描结合的室内点云数据获取方法;莫悠;钟若飞;张振鑫;;应用科学学报(第05期);全文 *
结合形变模型的人体姿态估计优化算法;李健;张皓若;何斌;;西安电子科技大学学报(第02期);全文 *

Also Published As

Publication number Publication date
CN112132971A (zh) 2020-12-25

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
CN110648398B (zh) 基于无人机航摄数据的正射影像实时生成方法及系统
CN109872397B (zh) 一种基于多目立体视觉的飞机零件的三维重建方法
US10217293B2 (en) Depth camera-based human-body model acquisition method and network virtual fitting system
US6819318B1 (en) Method and apparatus for modeling via a three-dimensional image mosaic system
CN107155341B (zh) 三维扫描系统和框架
EP2656309B1 (en) Method for determining a parameter set designed for determining the pose of a camera and for determining a three-dimensional structure of the at least one real object
Bonfort et al. General specular surface triangulation
US20050089213A1 (en) Method and apparatus for three-dimensional modeling via an image mosaic system
US20050271264A1 (en) Three-dimensional image measuring apparatus and method
CN112132971B (zh) 三维人体建模方法、装置、电子设备和存储介质
CN110599578A (zh) 一种真实感三维彩色纹理重建方法
CN111127613B (zh) 基于扫描电子显微镜的图像序列三维重构方法及系统
CN113744337A (zh) 一种融合视觉、imu与声纳的同步定位与建图方法
CN112465849B (zh) 一种无人机激光点云与序列影像的配准方法
CN117665841B (zh) 一种地理空间信息采集测绘方法及装置
CN114782628A (zh) 基于深度相机的室内实时三维重建方法
CN108986204B (zh) 一种基于双重校准的全自动快速室内场景三维重建装置
CN113989434A (zh) 一种人体三维重建方法及设备
CN112767459A (zh) 基于2d-3d转换的无人机激光点云与序列影像配准方法
CN111583388A (zh) 一种三维扫描系统的扫描方法及设备
CN116883590A (zh) 一种三维人脸点云优化方法、介质及系统
CN115719320A (zh) 基于遥感影像的倾斜校正稠密匹配方法
CN112284293B (zh) 一种空间非合作目标精细三维形貌测量方法
Detchev et al. Image matching and surface registration for 3D reconstruction of a scoliotic torso

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