CN112991504A - 一种改进的基于tof相机三维重建的补空洞方法 - Google Patents
一种改进的基于tof相机三维重建的补空洞方法 Download PDFInfo
- Publication number
- CN112991504A CN112991504A CN202110383146.9A CN202110383146A CN112991504A CN 112991504 A CN112991504 A CN 112991504A CN 202110383146 A CN202110383146 A CN 202110383146A CN 112991504 A CN112991504 A CN 112991504A
- Authority
- CN
- China
- Prior art keywords
- depth
- tof camera
- reconstruction
- pixels
- point cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种改进的基于TOF相机三维重建的补空洞方法,涉及三维成像领域,包括以下步骤:S1、首先对TOF相机进行标定,固定相机进行采集,TOF相机提供红外数据和深度数据,得到含有噪声的初始深度图;S2、利用最小化二次能量函数对得到的初始深度图进行滤波、去噪、补空洞处理,从深度数据和红外数据之间的强相关性出发,定义滤波项和重建项的组合为能量函数,并将其最小化来恢复深度数据;S3、将处理后的深度图转换为点云图;S4、对得到的点云图进行去噪、补空洞处理。本发明的一种改进的基于TOF相机三维重建的补空洞方法,可以提高深度图和点云图的质量,改善三维重建物体的效果。
Description
技术领域
本发明涉及三维成像领域,尤其涉及一种改进的基于TOF相机三维重建的补空洞方法。
背景技术
在计算机视觉中,三维重建是指根据单视图或者多视图的图像重建三维信息的过程。三维重建技术在三维人脸识别、虚拟现实、三维建模、电影动画的制作等方面有广泛的应用。主要的三维重建技术有基于结构光的三维重建、基于光度立体技术的三维重建以及基于双目视觉的三维重建,但是TOF相机直接获得的深度图数据无组织的、无序的和有噪声的,含有空白空洞区域,传统补空洞算法具有局限性,有噪声深度图,滤波后有伪影,边缘变得模糊,有噪声点云图,修补效果不理想,过渡生硬。
发明内容
为解决上述技术问题,本发明提供一种改进的基于TOF相机三维重建的补空洞方法,目的是提高深度图和点云图的质量,改善三维重建物体的效果。
本发明采用如下技术方案:
一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,包括以下步骤:
S1、首先对TOF相机进行标定,固定相机进行采集,TOF相机提供红外数据和深度数据,得到含有噪声的初始深度图;
S2、利用最小化二次能量函数对得到的初始深度图进行滤波、去噪、补空洞处理,从深度数据和红外数据之间的强相关性出发,定义滤波项和重建项的组合为能量函数,并将其最小化来恢复深度数据;
S3、将处理后的深度图转换为点云图;
S4、对得到的点云图进行去噪、补空洞处理。
进一步的,所述步骤S2中滤波项的算法过程为:
为了去除高斯白噪声,通过最小化加权误差平方和得到加权平均滤波器:
为了去除ToF深度数据中的噪声,将有效深度像素的多边过滤器权重定义为:
w(xi,xj)=KS(||xi-xj||)·(KD(||D(xi)-D(xj)||)+ε)·(KR(||R(xi)-R(xi)||)+ε)
其中,KS、KD和KR分别是空间权重、深度权重和红外权重的高斯核,Sigma值分别为hS、hD和hR,引入的一个较小的ε值,它可以增强滤波脉冲噪声,如果中心像素具有无效的深度值,则将过滤器权重定义为:
w(xi,xj)=KS(||xi-xj||)·(KR(||R(xi)-R(xj)||)+ε)
通过聚合所有像素并以二次矩阵的形式表示,将滤波项定义为:
其中,W是N×N多边权重矩阵,每个行值的总和归一化为1,D是深度值的N×1向量,其中N是深度图像中的像素数。
进一步的,所述步骤S2中重建项的算法过程为:
采用一种结构引导的深度重建方法,具有Dirichlet边界条件的泊松方程为:
其中Gx和Gy分别是引导向量场的x和y分量,采用了上述方程的离散化形式的解用于重建项,给定深度梯度作为引导向量场,可以通过求解基于4个相邻像素的离散化形式来获得深度值:
通过将非孔像素处的深度值移到右侧在上式中加入边界条件,如果所有像素都在非空洞区域中,则重建项的作用类似于典型的数据项,通过聚合所有像素,方程式可以写成:
其中L表示N×N拉普拉斯矩阵,G表示深度梯度的散度的N×1向量,因此将二次矩阵形式的重构项定义为:
使用移动最小二乘(MLS)插值方法来获得孔洞区域内像素的梯度,MLS通过最小化每个像素的加权最小二乘来求解:
p和pi分别表示目标像素和相邻像素的数据矢量,并且fi是测量的深度梯度Dx(x,y)或Dy(x,y),θ(p;pi)是与pi相关联的权重,并且p是通过使用对空洞区域附近的非空洞像素的k最近邻搜索而获得的像素索引集合,引入红外数据作为额外的结构信息,以防止不必要的内绘深度梯度平滑。
f(x,y,r)=c0+c1x+c2y+c3r+c4x2+c5xy+c6y2+c7xr+c8yr+c9r2
其中x和y是像素坐标,r是红外数据的梯度,为Rx(x,y)或Ry(x,y),多项式函数可以写成:
f(pi)=b(pi)Tc(p)
其中b(P)=[1,x,y,r,x2,xy,y2,xr,r,r2]T是多项式基向量,c(P)=[c0,...,c9]T是系数向量,将双边加权函数定义为:
求解系数得到:
c(p)=(BΘ(p)BT)-1BΘ(p)f
其中,B=[b(p1),...,b(pk)],Θ(p)=[θ(p;p1),...,θ(p;pk)],f=[f1,...,fK],K为Π中的像素数。
进一步的,所述步骤2中最小化的算法过程为:
提出的二次能量函数可以写为:
当
时,能量函数得到最小化。
进一步的,所述步骤3的具体过程为,利用相机的内参将深度图投影变换
成相机空间坐标的3D点云:
其中:(u,v)是点在深度图中的坐标,d是该点对应的深度值,fx,fy,cx,cy是相机的内部参数,(x,y,z)是(u,v)对应的点云的空间坐标。
进一步的,所述步骤S4中具体的过程为:
1)首先对得到的点云图进行预处理,去除孤立点、均质化原始点、组织无序点和校正点法线;
2)对孔洞的边缘进行检测;
3)对点云中检测到的孔洞进行填充,并进行拓扑重建。
进一步的,其中步骤2中检测的具体方法为,采用基于网格的孔洞边缘检测方法。
进一步的,所述方法具体为,输入由顶点集和三角形集组成的网格,一条边由两个三角形共享。
进一步的,所述两个三角形称为边的相邻三角形,边界边被定义为仅与单个三角形相邻的边,因此,边界边环即为闭孔边界,一旦找到边界,就可以通过跟踪其相邻边在输入网格中自动提取该边界。
进一步的,采用一种改进的MeshFix算法,其流程为:
定义输入的点云集合为F
定义单个的组合流形M
a.将点云集合F中的所有面进行三角化;
b.使用得到的三角形集合初始化M;
c.计算三角形与三角形之间的连接关系;
d.删除奇点;
e.通过学习各面表面法线的曲率和方向的变化,确定除最大组件外的其他组件是否应该删除;
f.调整网格方向;
g.如果需要切割,则
h.警告用户并终止;
i.否则
j.使用新的三角形进行孔洞修补。
本发明具有以下有益效果:本发明的改进的基于TOF相机三维重建的补空洞方法,通过该改进的算法,对原始的点云进行了滤波、去噪与修补空洞处理,可修补孤岛、狭缝等复杂的孔洞,没有引入纹理复制和模糊伪影,最后输出了较好地保持了模型的原始拓扑和纹理的三维模型。
附图说明
下面结合附图对本发明作优选的说明:
图1为本发明的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种改进的基于TOF相机三维重建的补空洞方法,目的是提高深度图和点云图的质量,改善三维重建物体的效果。
本发明采取的技术方案主要包括以下步骤:
(一)、利用最小化二次能量函数对滤波、去噪后的深度图进行补空洞处理,解决深度图的噪声孔洞问题,改善深度图的质量;
(二)利用基于网格的曲面补空洞填补方法,对由深度图转换得到的点云图进行补空洞处理,改善点云图的质量;
步骤:
1、首先对TOF相机进行标定,固定相机进行采集,TOF深度可以通过测量发射和接收的红外光之间的相位延迟来测量光的传播时间来获得。ToF深度相机提供红外数据和深度数据,得到含有噪声的初始深度图。
2、利用最小化二次能量函数对得到的初始深度图进行滤波、去噪、补空洞处理。本算法从深度数据和红外数据之间的强相关性出发,定义滤波项和重建项的组合为能量函数,并将其最小化来恢复深度数据。
E=EF+λEH
1)滤波项
为了去除高斯白噪声,通过最小化加权误差平方和得到加权平均滤波器:
为了去除ToF深度数据中的噪声,将有效深度像素的多边过滤器权重定义为:
w(xi,xj)=KS(||xi-xj||)·(KD(||D(xi)-D(xj)||)+ε)·(KR(||R(xi)-R(xj)||)+ε)
其中,KS、KD和KR分别是空间权重、深度权重和红外权重的高斯核,Sigma值分别为hS、hD和hR。引入的一个较小的ε值,它可以增强滤波脉冲噪声。如果中心像素具有无效的深度值,则将过滤器权重定义为:
w(xi,xj)=KS(||xi-xi||)·(KR(||R(xi)-R(xj)||)+ε)
通过聚合所有像素并以二次矩阵的形式表示,将滤波项定义为:
其中,W是N×N多边权重矩阵,每个行值的总和归一化为1,D是深度值的N×1向量,其中N是深度图像中的像素数。
2)重建项
采用一种结构引导的深度重建方法,由文献可得,具有Dirichlet边界条件的泊松方程为:
其中Gx和Gy分别是引导向量场的x和y分量。采用了上述方程的离散化形式的解用于重建项。给定深度梯度作为引导向量场,可以通过求解基于4个相邻像素的离散化形式来获得深度值:
通过将非孔像素处的深度值移到右侧在上式中加入边界条件。如果所有像素都在非空洞区域中,则重建项的作用类似于典型的数据项。通过聚合所有像素,方程式可以写成:
其中L表示N×N拉普拉斯矩阵,G表示深度梯度的散度的N×1向量。因此将二次矩阵形式的重构项定义为:
使用移动最小二乘(MLS)插值方法来获得孔洞区域内像素的梯度。MLS通过最小化每个像素的加权最小二乘来求解:
这里,p和pi分别表示目标像素和相邻像素的数据矢量,并且fi是测量的深度梯度Dx(x,y)或Dy(x,y)。θ(p;pi)是与pi相关联的权重,并且p是通过使用对空洞区域附近的非空洞像素的k最近邻搜索而获得的像素索引集合。引入红外数据作为额外的结构信息,以防止不必要的内绘深度梯度平滑。
f(x,y,r)=c0+c1x+c2y+c3r+c4x2+c5xy+c6y2+c7xr+c8yr+c9r2
其中x和y是像素坐标,r是红外数据的梯度,为Rx(x,y)或Ry(x,y)。多项式函数可以写成:
f(pi)=b(pi)Tc(p)
其中b(P)=[1,x,y,r,x2,xy,y2,xr,r,r2]T是多项式基向量,c(P)=[c0,...,c9]T是系数向量。将双边加权函数定义为:
求解系数得到:
c(p)=(BΘ(p)BT)-1BΘ(p)f
其中,B=[b(p1),...,b(pk)],Θ(p)=[θ(p;p1),...,θ(p;pk)],f=[f1,...,fK]。K为Π中的像素数。
3)最优化
提出的二次能量函数可以写为:
当
时,能量函数得到最小化。因此求解下面的稀疏线性系统可得到去噪、滤波、补空洞后的深度图像D。
3、将处理后的深度图转换为点云图。利用相机的内参将深度图投影变换成相机空间坐标的3D点云:
其中:(u,v)是点在深度图中的坐标,d是该点对应的深度值,fx,fy,cx,cy是相机的内部参数,(x,y,z)是(u,v)对应的点云的空间坐标。
4、对得到的点云图进行去噪、补空洞处理。
1)首先对得到的点云图进行预处理,去除孤立点、均质化原始点、组织无序点和校正点法线,为后续的工作创造基础。
2)对孔洞的边缘进行检测。采用基于网格的孔洞边缘检测方法,输入由顶点集和三角形集组成的网格,通常,一条边由两个三角形共享,这两个三角形称为边的相邻三角形。边界边被定义为仅与单个三角形相邻的边。因此,边界边环即为闭孔边界,一旦找到边界,就可以通过跟踪其相邻边在输入网格中自动提取该边界。
3)对点云中检测到的孔洞进行填充,并进行拓扑重建。采用一种改进的MeshFix算法,增加了一个学习连通部件之间关系的步骤,其流程大致为:
定义输入的点云集合为F
定义单个的组合流形M
a.将点云集合F中的所有面进行三角化;
b.使用得到的三角形集合初始化M;
c.计算三角形与三角形之间的连接关系;
d.删除奇点;
e.通过学习各面表面法线的曲率和方向的变化,确定除最大组件外的其他组件是否应该删除;
f.调整网格方向;
g.如果需要切割,则
h.警告用户并终止;
i.否则
j.使用新的三角形进行孔洞修补。
通过该改进的算法,对原始的点云进行了滤波、去噪与修补空洞处理,可修补孤岛、狭缝等复杂的孔洞,没有引入纹理复制和模糊伪影,最后输出了较好地保持了模型的原始拓扑和纹理的三维模型。
以上仅为本发明的具体实施例,但本发明的技术特征并不局限于此。任何以本发明为基础,为解决基本相同的技术问题,实现基本相同的技术效果,所作出的简单变化、等同替换或者修饰等,皆涵盖于本发明的保护范围之中。
Claims (10)
1.一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,包括以下步骤:
S1、首先对TOF相机进行标定,固定相机进行采集,TOF相机提供红外数据和深度数据,得到含有噪声的初始深度图;
S2、利用最小化二次能量函数对得到的初始深度图进行滤波、去噪、补空洞处理,从深度数据和红外数据之间的强相关性出发,定义滤波项和重建项的组合为能量函数,并将其最小化来恢复深度数据;
S3、将处理后的深度图转换为点云图;
S4、对得到的点云图进行去噪、补空洞处理。
2.根据权利要求1所述的一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,所述步骤S2中滤波项的算法过程为:
为了去除高斯白噪声,通过最小化加权误差平方和得到加权平均滤波器:
为了去除ToF深度数据中的噪声,将有效深度像素的多边过滤器权重定义为:
其中,KS、KD和KR分别是空间权重、深度权重和红外权重的高斯核,Sigma值分别为hS、hD和hR,引入的一个较小的ε值,它可以增强滤波脉冲噪声,如果中心像素具有无效的深度值,则将过滤器权重定义为:
通过聚合所有像素并以二次矩阵的形式表示,将滤波项定义为:
其中,W是N×N多边权重矩阵,每个行值的总和归一化为1,D是深度值的N×1向量,其中N是深度图像中的像素数。
3.根据权利要求1所述的一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,所述步骤S2中重建项的算法过程为:
采用一种结构引导的深度重建方法,具有Dirichlet边界条件的泊松方程为:
其中Gx和Gy分别是引导向量场的x和y分量,采用了上述方程的离散化形式的解用于重建项,给定深度梯度作为引导向量场,可以通过求解基于4个相邻像素的离散化形式来获得深度值:
通过将非孔像素处的深度值移到右侧在上式中加入边界条件,如果所有像素都在非空洞区域中,则重建项的作用类似于典型的数据项,通过聚合所有像素,方程式可以写成:
其中L表示N×N拉普拉斯矩阵,G表示深度梯度的散度的N×1向量,因此将二次矩阵形式的重构项定义为:
使用移动最小二乘(MLS)插值方法来获得孔洞区域内像素的梯度,MLS通过最小化每个像素的加权最小二乘来求解:
p和pi分别表示目标像素和相邻像素的数据矢量,并且fi是测量的深度梯度Dx(x,y)或Dy(x,y),θ(p;pi)是与pi相关联的权重,并且p是通过使用对空洞区域附近的非空洞像素的k最近邻搜索而获得的像素索引集合,引入红外数据作为额外的结构信息,以防止不必要的内绘深度梯度平滑。
f(xyr)=c0+c1x+c2y+c3r+c4x2+c5xy+c6y2+c7xr+c8yr+c9r2
其中x和y是像素坐标,r是红外数据的梯度,为Rx(x,y)或Ry(x,y),多项式函数可以写成:
f(pi)=b(pi)Tc(p)
其中b(P)=[1,x,y,r,x2,xy,y2,xr,r,r2]T是多项式基向量,c(P)=[c0,...,c9]T是系数向量,将双边加权函数定义为:
求解系数得到:
c(p)=(BΘ(p)BT)-1BΘ(p)f
其中,B=[b(p1),...,b(pk)],Θ(p)=[θ(p;p1),...,θ(p;pk)],f=[f1,...,fK],K为Π中的像素数。
6.根据权利要求1所述的一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,所述步骤S4中具体的过程为:
1)首先对得到的点云图进行预处理,去除孤立点、均质化原始点、组织无序点和校正点法线;
2)对孔洞的边缘进行检测;
3)对点云中检测到的孔洞进行填充,并进行拓扑重建。
7.根据权利要求6所述的一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,其中步骤2中检测的具体方法为,采用基于网格的孔洞边缘检测方法。
8.根据权利要求7所述的一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,所述方法具体为,输入由顶点集和三角形集组成的网格,一条边由两个三角形共享。
9.根据权利要求8所述的一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,所述两个三角形称为边的相邻三角形,边界边被定义为仅与单个三角形相邻的边,因此,边界边环即为闭孔边界,一旦找到边界,就可以通过跟踪其相邻边在输入网格中自动提取该边界。
10.根据权利要求6所述的一种改进的基于TOF相机三维重建的补空洞方法,其特征在于,采用一种改进的MeshFix算法,其流程为:
定义输入的点云集合为F
定义单个的组合流形M
a.将点云集合F中的所有面进行三角化;
b.使用得到的三角形集合初始化M;
c.计算三角形与三角形之间的连接关系;
d.删除奇点;
e.通过学习各面表面法线的曲率和方向的变化,确定除最大组件外的其他组件是否应该删除;
f.调整网格方向;
g.如果需要切割,则
h.警告用户并终止;
i.否则
j.使用新的三角形进行孔洞修补。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110383146.9A CN112991504B (zh) | 2021-04-09 | 2021-04-09 | 一种改进的基于tof相机三维重建的补空洞方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110383146.9A CN112991504B (zh) | 2021-04-09 | 2021-04-09 | 一种改进的基于tof相机三维重建的补空洞方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991504A true CN112991504A (zh) | 2021-06-18 |
CN112991504B CN112991504B (zh) | 2023-01-10 |
Family
ID=76339635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110383146.9A Active CN112991504B (zh) | 2021-04-09 | 2021-04-09 | 一种改进的基于tof相机三维重建的补空洞方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991504B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331915A (zh) * | 2022-03-07 | 2022-04-12 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
CN117041983A (zh) * | 2023-10-08 | 2023-11-10 | 中邮消费金融有限公司 | 一种动态调整参数的移动终端设备指纹生成方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3131060A1 (en) * | 2015-08-14 | 2017-02-15 | Samsung Electronics Co., Ltd. | Method and apparatus for constructing three dimensional model of object |
CN106780751A (zh) * | 2017-01-19 | 2017-05-31 | 桂林电子科技大学 | 基于改进的屏蔽泊松算法的三维点云重建方法 |
CN107204000A (zh) * | 2017-04-24 | 2017-09-26 | 天津大学 | 基于Kinect深度相机的人体分割方法 |
CN110675346A (zh) * | 2019-09-26 | 2020-01-10 | 武汉科技大学 | 适用于Kinect的图像采集与深度图增强方法及装置 |
CN111223059A (zh) * | 2020-01-04 | 2020-06-02 | 西安交通大学 | 一种基于引导滤波器的鲁棒深度图结构重建和去噪方法 |
CN111968238A (zh) * | 2020-08-22 | 2020-11-20 | 晋江市博感电子科技有限公司 | 基于动态融合算法的人体彩色三维重建方法 |
-
2021
- 2021-04-09 CN CN202110383146.9A patent/CN112991504B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3131060A1 (en) * | 2015-08-14 | 2017-02-15 | Samsung Electronics Co., Ltd. | Method and apparatus for constructing three dimensional model of object |
CN106780751A (zh) * | 2017-01-19 | 2017-05-31 | 桂林电子科技大学 | 基于改进的屏蔽泊松算法的三维点云重建方法 |
CN107204000A (zh) * | 2017-04-24 | 2017-09-26 | 天津大学 | 基于Kinect深度相机的人体分割方法 |
CN110675346A (zh) * | 2019-09-26 | 2020-01-10 | 武汉科技大学 | 适用于Kinect的图像采集与深度图增强方法及装置 |
CN111223059A (zh) * | 2020-01-04 | 2020-06-02 | 西安交通大学 | 一种基于引导滤波器的鲁棒深度图结构重建和去噪方法 |
CN111968238A (zh) * | 2020-08-22 | 2020-11-20 | 晋江市博感电子科技有限公司 | 基于动态融合算法的人体彩色三维重建方法 |
Non-Patent Citations (2)
Title |
---|
牟琦等: "采用曲率扩散和边缘重建的深度图像空洞修复", 《西安科技大学学报》 * |
贾佳璐等: "基于ToF相机的三维重建技术", 《计算机应用与软件》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331915A (zh) * | 2022-03-07 | 2022-04-12 | 荣耀终端有限公司 | 图像处理方法及电子设备 |
CN117041983A (zh) * | 2023-10-08 | 2023-11-10 | 中邮消费金融有限公司 | 一种动态调整参数的移动终端设备指纹生成方法及系统 |
CN117041983B (zh) * | 2023-10-08 | 2024-02-06 | 中邮消费金融有限公司 | 一种动态调整参数的移动终端设备指纹生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112991504B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bradley et al. | Accurate multi-view reconstruction using robust binocular stereo and surface meshing | |
CN111063021B (zh) | 一种空间运动目标的三维重建模型建立方法及装置 | |
CN105701857B (zh) | 3d建模的对象的纹理化 | |
Furukawa et al. | Accurate, dense, and robust multiview stereopsis | |
CN111882668B (zh) | 一种多视角立体对象重建方法与系统 | |
CN112991504B (zh) | 一种改进的基于tof相机三维重建的补空洞方法 | |
Ben-Ari et al. | Stereo matching with Mumford-Shah regularization and occlusion handling | |
Zhang et al. | Critical regularizations for neural surface reconstruction in the wild | |
CN111223059B (zh) | 一种基于引导滤波器的鲁棒深度图结构重建和去噪方法 | |
CN111462030A (zh) | 多图像融合的立体布景视觉新角度构建绘制方法 | |
CN112862736B (zh) | 一种基于点的实时三维重建与优化方法 | |
CN112288788A (zh) | 单目图像深度估计方法 | |
CN115423978A (zh) | 用于建筑物重建的基于深度学习的图像激光数据融合方法 | |
CN110827408B (zh) | 一种基于深度传感器的实时三维重建方法 | |
CN114549669B (zh) | 一种基于图像融合技术的彩色三维点云获取方法 | |
CN115222889A (zh) | 基于多视图图像的3d重建方法、装置及相关设备 | |
CN115761178A (zh) | 基于隐式神经表示的多视图三维重建方法 | |
CN109816781B (zh) | 一种基于图像细节和结构增强的多视图立体几何方法 | |
CN111179333A (zh) | 一种基于双目立体视觉的散焦模糊核估计方法 | |
Kubota et al. | All-focused light field rendering. | |
CN116704123A (zh) | 一种结合图像主体提取技术的三维重建方法 | |
CN116486015A (zh) | 一种格子柜的三维尺寸自动检测和cad数模重建方法 | |
Zhao et al. | NormalNet: Learning-based normal filtering for mesh denoising | |
CN113902847B (zh) | 基于三维特征约束的单目深度图像位姿优化方法 | |
CN114494576A (zh) | 一种基于隐函数的快速高精度多视点人脸三维重建方法 |
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 |