CN112308962B - 以实体目标为最小单元的实景模型构建方法及装置 - Google Patents

以实体目标为最小单元的实景模型构建方法及装置 Download PDF

Info

Publication number
CN112308962B
CN112308962B CN202011224036.XA CN202011224036A CN112308962B CN 112308962 B CN112308962 B CN 112308962B CN 202011224036 A CN202011224036 A CN 202011224036A CN 112308962 B CN112308962 B CN 112308962B
Authority
CN
China
Prior art keywords
model
target
entity
scene
target entity
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
CN202011224036.XA
Other languages
English (en)
Other versions
CN112308962A (zh
Inventor
陈小忠
高桢
王聪
袁晓颖
王薇薇
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.)
Shandong Industry Research Information And Artificial Intelligence Integration Research Institute Co ltd
Original Assignee
Shandong Industry Research Information And Artificial Intelligence Integration Research Institute 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 Shandong Industry Research Information And Artificial Intelligence Integration Research Institute Co ltd filed Critical Shandong Industry Research Information And Artificial Intelligence Integration Research Institute Co ltd
Priority to CN202011224036.XA priority Critical patent/CN112308962B/zh
Publication of CN112308962A publication Critical patent/CN112308962A/zh
Application granted granted Critical
Publication of CN112308962B publication Critical patent/CN112308962B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-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
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明属于实景建模领域，提供了一种以实体目标为最小单元的实景模型构建方法及装置。其中，以实体目标为最小单元的实景模型构建方法包括获取场景中目标实体的图像，对场景中的目标实体进行实例分割；识别出目标实体的类别并从实体目标数据库中调取该目标实体的模型；提取目标实体模型的关键点并将关键点的像素坐标转化为三维空间坐标；基于关键点的三维空间坐标，计算目标实体的位置及空间占据；基于位置及空间占据，将目标实体模型嵌入到场景模型中，实现实景模型的快速构建与更新。

Description

以实体目标为最小单元的实景模型构建方法及装置
技术领域
本发明属于实景建模领域，尤其涉及一种以实体目标为最小单元的实景模型构建方法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
当前，实景模型构建已经广泛应用于各个领域包括数字城市、智慧城市、消防救护、应急安防、防震减灾、国土资源、环境保护、工程与施工、制造业、文物保护等各方面。实景模型构建可以清晰的展现当前场景中各个实体目标的三维状态，相对于二维图像能够提供更加准确丰富的场景信息，为用户提供更加快速便利的场景分析效果。
在实景模型构建上，现有的一些建模方法，如倾斜摄影、激光扫描、基于图像的三维重建等，其原理大多是借助不同的传感器通过获取实际场景目标的三维点云来实现模型构建。尽管这些方法也能够取得良好的建模效果，但发明人发现，在点云计算过程中需要消耗大量的时间，而且以上所述的实景模型构建方法需要用到激光扫描仪、激光雷达、五目相机、深度相机等设备，模型构建成本较高。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种以实体目标为最小单元的实景模型构建方法及装置，其以目标实体为最小单位，借助目标实体的模型，无需对实体目标进行耗时的点云模型构建，能够实现快速建模且成本较低的实景模型构建。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种以实体目标为最小单元的实景模型构建方法，其包括：
获取场景中目标实体的图像，对场景中的目标实体进行实例分割；
识别出目标实体的类别并从实体目标数据库中调取该目标实体的模型；
提取目标实体模型的关键点并将关键点的像素坐标转化为三维空间坐标；
基于关键点的三维空间坐标，计算目标实体的位置及空间占据；
基于位置及空间占据，将目标实体模型嵌入到场景模型中，实现实景模型的快速构建与更新。
本发明的第二个方面提供一种以实体目标为最小单元的实景模型构建装置，其包括：
实例分割模块，其用于获取场景中目标实体的图像，对场景中的目标实体进行实例分割；
模型调取模块，其用于识别出目标实体的类别并从实体目标数据库中调取该目标实体的模型；
坐标转化模块，其用于提取目标实体模型的关键点并将关键点的像素坐标转化为三维空间坐标；
空间占据计算模块，其用于基于关键点的三维空间坐标，计算目标实体的位置及空间占据；
模型嵌入模块，其用于基于位置及空间占据，将目标实体模型嵌入到场景模型中，实现实景模型的快速构建与更新。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的以实体目标为最小单元的实景模型构建方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，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，所述处理器执行所述程序时实现如上述所述的以实体目标为最小单元的实景模型构建方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提出了一种以实体目标为最小单元的实景模型构建方法及装置，主要针对实体目标模型可知的场景中，通过计算目标实体在场景模型中的位置和空间占据信息，实现快速地实景模型构建；该方法直接利用了实体目标的模型，省去了三维点云重建的时间消耗和计算复杂度，能够提高实景模型构建的效率；同时，该方法仅需要采集场景的二维图像，不需要其他的设备，成本低且部署容易。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的以实体目标为最小单元的实景模型构建方法流程图；
图2是本发明实施例的场景图像实例分割示意图；
图3是本发明实施例的立方体模型及特征关键点；
图4是本发明实施例的目标实体模型的空间占据变换；
图5是本发明实施例的目标实体模型的嵌入。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1，本实施例的以实体目标为最小单元的实景模型构建方法，其包括：
S101：获取场景中目标实体的图像，对场景中的目标实体进行实例分割。
在具体实施中，获取场景的二维彩色图像，并利用基于深度学习的实例分割算法实现对目标实体的分割。
可以理解的是，用以实现实例分割的常用深度学习模型有Mask R-CNN、MaskScoring R-CNN、TensorMask、SOLO、BlendMask、YOLACT等。其中，YOLACT能够取得33FPS的分割速度，可以达到实时的效果。
在本实施例中，采用YOLACT深度学习模型对场景中的目标实体进行实例分割。这样实例分割的结果能够得到二维场景图像中每一个目标实体的类别及在图像中的像素级位置。
如图2所示，在该场景图像中，不同的行人和车辆被分割出来，用不同的颜色表示。
需要说明的是，无论采用哪种神经网络模型实现场景图像的实例分割，都不影响本方案的实质。
S102：识别出目标实体的类别并从实体目标数据库中调取该目标实体的模型。
具体地，实体目标数据库中存储有不同目标实体的模型及其对应的关键点。
实体的模型是指实体的三维模型，包括实体的尺寸结构信息。在实际应用中，需要收集不同类别的实体的三维模型。尽管这是一个宏大的工程，但在单一的研究应用领域中是可以实现的。
例如，若建立汽车的实体模型数据库，从不同的汽车厂商处便可收集到不同车型的车身结构信息。同样，在工业管理中，工业生产的各个产品都是有固定的尺寸形状的，也可以得到产品的结构模型信息。
实体的特征关键点是指在目标实体上预先选定的一组标记点，用于确定实体空间姿态。例如，对于图3所示的一个立方体产品，只需要获得立方体的三个角点A、B、C即可确定立方体产品的空间姿态，则A、B、C可作为该目标实体的一组特征关键点。
因此，根据实体模型的结构信息及一组特征点的空间位置，即可确定实体模型在指定空间中的姿态和空间占据。
S103：提取目标实体模型的关键点并将关键点的像素坐标转化为三维空间坐标。
在具体实施中，通过对目标实体的实例分割，得到目标的类别后，通过实体模型数据库查询该类别目标实体的模型及关键点。例如，若检测到的目标实体为立方体箱子，需要提取立方体箱子的三个关键点来确定其空间姿态。在实施中从分割结果中提取到立方体目标的三个关键点，得到其三个关键点的像素坐标。
在一些实施例中，基于图像与图像采集装置的坐标转换关系，将关键点的像素坐标转化为三维空间坐标。
例如：实现目标实体关键点的空间坐标变换，可通过求解3D-2D点对运动的方法，通过多组3D-2D点的匹配，在相机内参已知或者未知的情况下，利用最小化重投影误差来求解相机位姿的算法；进而得到相机位姿之后，结合目标的2D信息，反算目标3D位置信息，实现对目标的定位。
其中，实现3D-2D点对解算的方法有很多，常用的有用3对点估计位姿的P3P、直接线性变换(DLT)、EPnP(Efficient PnP)等。
在本实施例中，采用EPnP实现相机姿态的求解，进而实现关键点的像素坐标向空间坐标的变换。
得到目标实体关键点的空间坐标后，得到的是实际的世界坐标，需将其转化为场景模型坐标。对于场景模型的坐标转化，可预先采集至少4个点，根据其实际的空间坐标和场景模型坐标，求解出两个坐标系之间的转换关系。在此基础上，将关键点的实际空间坐标转换为场景模型坐标。
S104：基于关键点的三维空间坐标，计算目标实体的位置及空间占据。
得到目标实体的关键点场景模型坐标后，计算目标实体在场景模型中对应的空间占据情况。如图4所示，以立方体箱子为例，数据库的模型尺寸和在当前的场景模型中的尺寸可能是不用的，但是模型内各个点的相对关系不会改变，至是存在一个比例的缩放关系。
因此，根据实体目标在场景模型中的缩放系数确定目标实体在当前场景中的空间占据。
在具体实施中，实体目标在场景模型中的缩放系数的计算过程为：
首先计算两两关键点之间的相对距离，然后计算目标实体模型上对应关键点之间的距离，计算各组距离之间的比例，并将各组比例的平均值作为实体目标在场景模型中的缩放系数。
S105：基于位置及空间占据，将目标实体模型嵌入到场景模型中，实现实景模型的快速构建与更新，如图5所示。
其中，场景模型由固定背景模型和已知位置及空间占据的目标实体模型构成。
根据目标实体各个关键点的场景模型坐标，可以确定目标实体在场景模型中的位置及姿态。在位置及空间占据的基础上，将实体模型嵌入到场景模型中，即可得到目标实体与场景融合的实景模型。对于固定的背景，即只有目标实体的运动发生变化时，固定背景的建模可通过线下建模实现，只需要从场景图像中分割出目标实体并计算目标实体的空间占据和关键点位置，即可快速更新实景构建的模型。
本实施例针对实体目标模型可知的场景中，通过计算目标实体在场景模型中的位置和空间占据信息，实现快速地实景模型构建；直接利用了实体目标的模型，省去了三维点云重建的时间消耗和计算复杂度，能够提高实景模型构建的效率；同时，仅需要采集场景的二维图像，不需要其他的设备，成本低且部署容易。
实施例二
本实施例提供了一种以实体目标为最小单元的实景模型构建装置，其包括：
实例分割模块，其用于获取场景中目标实体的图像，对场景中的目标实体进行实例分割；
模型调取模块，其用于识别出目标实体的类别并从实体目标数据库中调取该目标实体的模型；
坐标转化模块，其用于提取目标实体模型的关键点并将关键点的像素坐标转化为三维空间坐标；
空间占据计算模块，其用于基于关键点的三维空间坐标，计算目标实体的位置及空间占据；
模型嵌入模块，其用于基于位置及空间占据，将目标实体模型嵌入到场景模型中，实现实景模型的快速构建与更新。
本实施例的以实体目标为最小单元的实景模型构建装置中的各个模块，与实施例一中的以实体目标为最小单元的实景模型构建方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
在具体实施中，场景中目标实体的图像的采集设备包括但不限于彩色相机、深度相机等能够直接或间接获得场景的图像信息的设备。
在以实体目标为最小单元的实景模型构建装置的实际硬件实现中，除了场景中目标实体的图像的采集设备之外，还包括图像传输设备、数据处理设备、数据存储设备、模型显示设备等。
其中，图像传输设备可以是USB连接线、网线等有线传输设备，也可以是Wifi、蓝牙、4G、5G等无线传输设备。
数据处理设备指有一定计算能力的处理器，包括但不限于ARM、FPGA、GPU等处理单元，能够完成本发明中涉及到的计算和命令执行。
数据存储设备可以是RAM、ROM、硬盘、优盘等能够存储采集的场景信息及计算过程中需保存的数据及结果。
模位置显示设备包括但不限于液晶显示屏、LCD显示器、LED显示器等用于显示实景模型的设备。
本实施例针对实体目标模型可知的场景中，通过计算目标实体在场景模型中的位置和空间占据信息，实现快速地实景模型构建；直接利用了实体目标的模型，省去了三维点云重建的时间消耗和计算复杂度，能够提高实景模型构建的效率；同时，仅需要采集场景的二维图像，不需要其他的设备，成本低且部署容易。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的以实体目标为最小单元的实景模型构建方法中的步骤。
本实施例针对实体目标模型可知的场景中，通过计算目标实体在场景模型中的位置和空间占据信息，实现快速地实景模型构建；直接利用了实体目标的模型，省去了三维点云重建的时间消耗和计算复杂度，能够提高实景模型构建的效率；同时，仅需要采集场景的二维图像，不需要其他的设备，成本低且部署容易。
实施例四
本实施例提供了一种计算机设备，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，所述处理器执行所述程序时实现如上述实施例一所述的以实体目标为最小单元的实景模型构建方法中的步骤。
本实施例针对实体目标模型可知的场景中，通过计算目标实体在场景模型中的位置和空间占据信息，实现快速地实景模型构建；直接利用了实体目标的模型，省去了三维点云重建的时间消耗和计算复杂度，能够提高实景模型构建的效率；同时，仅需要采集场景的二维图像，不需要其他的设备，成本低且部署容易。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种以实体目标为最小单元的实景模型构建方法，其特征在于，包括：
获取场景中目标实体的图像，对场景中的目标实体进行实例分割；
识别出目标实体的类别并从实体目标数据库中调取该目标实体的模型；
提取目标实体模型的关键点并将关键点的像素坐标转化为三维空间坐标；
基于图像与图像采集装置的坐标转换关系，将关键点的像素坐标转化为三维空间坐标；
基于关键点的三维空间坐标，计算目标实体的位置及空间占据；
根据实体目标在场景模型中的缩放系数确定目标实体在当前场景中的空间占据；
基于位置及空间占据，将目标实体模型嵌入到场景模型中，实现实景模型的快速构建与更新。
2.如权利要求1所述的以实体目标为最小单元的实景模型构建方法，其特征在于，实体目标在场景模型中的缩放系数的计算过程为：
首先计算两两关键点之间的相对距离，然后计算目标实体模型上对应关键点之间的距离，计算各组距离之间的比例，并将各组比例的平均值作为实体目标在场景模型中的缩放系数。
3.如权利要求1所述的以实体目标为最小单元的实景模型构建方法，其特征在于，场景模型由固定背景模型和已知位置及空间占据的目标实体模型构成。
4.如权利要求1所述的以实体目标为最小单元的实景模型构建方法，其特征在于，采用YOLACT深度学习模型对场景中的目标实体进行实例分割。
5.如权利要求1所述的以实体目标为最小单元的实景模型构建方法，其特征在于，实体目标数据库中存储有不同目标实体的模型及其对应的关键点。
6.一种以实体目标为最小单元的实景模型构建装置，其特征在于，包括：
实例分割模块，其用于获取场景中目标实体的图像，对场景中的目标实体进行实例分割；
模型调取模块，其用于识别出目标实体的类别并从实体目标数据库中调取该目标实体的模型；
坐标转化模块，其用于提取目标实体模型的关键点并将关键点的像素坐标转化为三维空间坐标；
基于图像与图像采集装置的坐标转换关系，将关键点的像素坐标转化为三维空间坐标；
空间占据计算模块，其用于基于关键点的三维空间坐标，计算目标实体的位置及空间占据；
根据实体目标在场景模型中的缩放系数确定目标实体在当前场景中的空间占据；
模型嵌入模块，其用于基于位置及空间占据，将目标实体模型嵌入到场景模型中，实现实景模型的快速构建与更新。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的以实体目标为最小单元的实景模型构建方法中的步骤。
8.一种计算机设备，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程序时实现如权利要求1-5中任一项所述的以实体目标为最小单元的实景模型构建方法中的步骤。
CN202011224036.XA 2020-11-05 2020-11-05 以实体目标为最小单元的实景模型构建方法及装置 Active CN112308962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011224036.XA CN112308962B (zh) 2020-11-05 2020-11-05 以实体目标为最小单元的实景模型构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011224036.XA CN112308962B (zh) 2020-11-05 2020-11-05 以实体目标为最小单元的实景模型构建方法及装置

Publications (2)

Publication Number Publication Date
CN112308962A CN112308962A (zh) 2021-02-02
CN112308962B true CN112308962B (zh) 2023-10-17

Family

ID=74326342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011224036.XA Active CN112308962B (zh) 2020-11-05 2020-11-05 以实体目标为最小单元的实景模型构建方法及装置

Country Status (1)

Country Link
CN (1) CN112308962B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339669A (zh) * 2008-07-29 2009-01-07 上海师范大学 基于正侧面影像的三维人脸建模方法
CN103226838A (zh) * 2013-04-10 2013-07-31 福州林景行信息技术有限公司 地理场景中移动监控目标的实时空间定位方法
CN104637090A (zh) * 2015-02-06 2015-05-20 南京大学 一种基于单张图片的室内场景建模方法
CN109754471A (zh) * 2019-01-10 2019-05-14 网易（杭州）网络有限公司 增强现实中的图像处理方法及装置、存储介质、电子设备
CN109886246A (zh) * 2019-03-04 2019-06-14 上海像我信息科技有限公司 一种人物注意力判断方法、装置、系统、设备和存储介质
CN110111413A (zh) * 2019-04-08 2019-08-09 西安电子科技大学 一种基于水陆共存场景的稀疏点云三维模型建立方法
DE102019106123A1 (de) * 2018-03-12 2019-09-12 Nvidia Corporation Dreidimensionale (3D) Posenschätzung von Seiten einer monokularen Kamera
WO2019169941A1 (zh) * 2018-03-05 2019-09-12 华为技术有限公司 一种测距方法及装置
CN111182350A (zh) * 2019-12-31 2020-05-19 广州华多网络科技有限公司 图像处理方法、装置、终端设备及存储介质
CN111476798A (zh) * 2020-03-20 2020-07-31 长安大学 一种基于轮廓约束的车辆空间形态识别方法及系统
CN111815759A (zh) * 2020-06-18 2020-10-23 广州建通测绘地理信息技术股份有限公司 一种可量测实景图片的生成方法、装置、计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101876533B (zh) * 2010-06-23 2011-11-30 北京航空航天大学 一种显微立体视觉校准方法
JP7143225B2 (ja) * 2017-01-19 2022-09-28 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 三次元再構成方法及び三次元再構成装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339669A (zh) * 2008-07-29 2009-01-07 上海师范大学 基于正侧面影像的三维人脸建模方法
CN103226838A (zh) * 2013-04-10 2013-07-31 福州林景行信息技术有限公司 地理场景中移动监控目标的实时空间定位方法
CN104637090A (zh) * 2015-02-06 2015-05-20 南京大学 一种基于单张图片的室内场景建模方法
WO2019169941A1 (zh) * 2018-03-05 2019-09-12 华为技术有限公司 一种测距方法及装置
DE102019106123A1 (de) * 2018-03-12 2019-09-12 Nvidia Corporation Dreidimensionale (3D) Posenschätzung von Seiten einer monokularen Kamera
CN109754471A (zh) * 2019-01-10 2019-05-14 网易（杭州）网络有限公司 增强现实中的图像处理方法及装置、存储介质、电子设备
CN109886246A (zh) * 2019-03-04 2019-06-14 上海像我信息科技有限公司 一种人物注意力判断方法、装置、系统、设备和存储介质
CN110111413A (zh) * 2019-04-08 2019-08-09 西安电子科技大学 一种基于水陆共存场景的稀疏点云三维模型建立方法
CN111182350A (zh) * 2019-12-31 2020-05-19 广州华多网络科技有限公司 图像处理方法、装置、终端设备及存储介质
CN111476798A (zh) * 2020-03-20 2020-07-31 长安大学 一种基于轮廓约束的车辆空间形态识别方法及系统
CN111815759A (zh) * 2020-06-18 2020-10-23 广州建通测绘地理信息技术股份有限公司 一种可量测实景图片的生成方法、装置、计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
任靖娟 ; 王玖炜 ; 曹莉 ; .VR全景视频制作软件目标可视化三维虚拟仿真.计算机仿真.2020,(第09期),第304-307+316页. *
张一帆 ; 赵红蕊 ; .线形三维模型加载方法研究.计算机工程与应用.2013,(第06期),第179-183页. *

Also Published As

Publication number Publication date
CN112308962A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN108986161B (zh) 一种三维空间坐标估计方法、装置、终端和存储介质
CN111220993B (zh) 目标场景定位方法、装置、计算机设备和存储介质
CN111665842B (zh) 一种基于语义信息融合的室内slam建图方法及系统
CN113819890B (zh) 测距方法、装置、电子设备及存储介质
CN106908052B (zh) 用于智能机器人的路径规划方法及装置
CN107833273B (zh) 基于三维仿真模型的倾斜摄影三维模型对象化应用方法
CN103984037A (zh) 基于视觉的移动机器人障碍物检测方法和装置
CN111221933A (zh) 海量地图数据与建筑信息模型融合的三维瓦片构建方法
CN113095184B (zh) 定位方法、行驶控制方法、装置、计算机设备及存储介质
CN108133496A (zh) 一种基于g2o与随机蕨类的稠密地图创建方法
CN112907625B (zh) 应用于四足仿生机器人的目标跟随方法及系统
CN111914615A (zh) 基于立体视觉的消防区域可通过性分析系统
CN115375868A (zh) 地图显示和遥感地图显示方法、计算设备以及存储介质
CN114299230B (zh) 一种数据生成方法、装置、电子设备及存储介质
CN112308962B (zh) 以实体目标为最小单元的实景模型构建方法及装置
CN117539970A (zh) 车道数据压缩方法、装置、计算机设备和存储介质
CN108898679A (zh) 一种零部件序号自动标注的方法
CN112215205A (zh) 目标识别方法、装置、计算机设备和存储介质
CN117745969A (zh) 建筑物的单体化方法、装置、及相关设备
CN113487741A (zh) 稠密三维地图更新方法及装置
CN115544189A (zh) 语义地图更新方法、装置和计算机存储介质
Dai et al. Connecting the dots for real-time LiDAR-based object detection with YOLO
Zhao et al. The construction method of the digital operation environment for bridge cranes
Menzel et al. City Reconstruction and Visualization from Public Data Sources.
CN115187743B (zh) 一种地铁站内部环境布置预测和白模采集方法及系统

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