CN113256808A - 空间关系计算方法、设备及存储介质 - Google Patents
空间关系计算方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113256808A CN113256808A CN202010086893.1A CN202010086893A CN113256808A CN 113256808 A CN113256808 A CN 113256808A CN 202010086893 A CN202010086893 A CN 202010086893A CN 113256808 A CN113256808 A CN 113256808A
- Authority
- CN
- China
- Prior art keywords
- space
- spatial
- image
- panoramic
- entrance
- 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
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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种空间关系计算方法、设备及存储介质。在本申请实施例中,预测多个单空间之间的连接关系时,基于多个单空间对应的多个空间全景图像以及连接多个单空间的多个空间连接处的全景图像,可初步预估多个单空间对应的多个入口的候选连接关系和连接权重。根据该候选连接关系和连接权重,可创建多个入口对应的无向加权图;基于无向加权图计算多个入口的连接关系,有效提升了空间关系计算方法的鲁棒性和计算结果的可靠性。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种空间关系计算方法、设备及存储介质。
背景技术
三维全景导览技术日益得到发展,为人们的生活提供了更多便利。例如,可基于三维室内导览图向用户提供沉浸感较强的远程看房服务,或者基于三维车站导览地图向用户提供更直观易懂的车站导览服务。
对空间场景进行三维建模是实现三维全景导览的重要环节。对空间场景进行三维建模的过程中,若空间场景包含多个单空间,则需要确定多个单空间的关联关系。
现有技术提供的空间关系计算方法的鲁棒性和可靠性较差。因此,有待提出一种新的解决方案。
发明内容
本申请的多个方面提供一种空间关系计算方法、设备及存储介质,用以提升空间关系计算方法的鲁棒性和可靠性。
本申请实施例还提供一种空间关系计算方法,包括:获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;基于所述多个图像数据,构建图模型,所述图模型以所述多个子空间对应的入口为节点;根据所述图模型,识别所述多个子空间之间的连接关系;展示所述连接关系。
本申请实施例还提供一种空间关系计算方法,包括:获取多个单空间对应的多个空间全景图像以及连接所述多个单空间的多个空间连接处的全景图像;根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口的候选连接关系和连接权重;根据所述候选连接关系和连接权重,创建所述多个入口对应的无向加权图;根据所述无向加权图,计算所述多个入口的连接关系,以根据所述多个入口的连接关系确定所述多个单空间的连接关系。
本申请实施例还提供一种数据处理方法,包括:获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;基于所述多个图像数据,对所述目标空间进行重建;对所述多个图像数据进行识别,以识别所述多个子空间各自包含的对象;展示所述目标空间对应的重建图像,并在所述重建图像上标注所述多个子空间各自包含的对象。
本申请实施例还提供一种数据处理方法,包括:获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;基于所述多个图像数据,对所述目标空间进行重建;展示所述目标空间对应的重建图像;响应对所述重建图像的调整操作,动态展示所述重建图像的调整效果。
本申请实施例还提供一种数据处理方法,包括;获取目标空间的多个图像数据,所述多个图像数据包括多个单空间对应的多个空间全景图像以及连接所述多个单空间的多个空间连接处的全景图像;根据所述多个空间全景图像和所述多个空间连接处的全景图像各自包含的特征点,从所述多个图像数据中确定存在重叠区域的第一空间全景图像和第一空间连接处的全景图像;根据所述重叠区域的像素分布特征,对所述第一空间全景图像和所述第一空间连接处的全景图像进行修正。
本申请实施例还提供一种电子设备,包括:存储器和处理器;所述存储器用于存储一条或多条计算机指令;所述处理器用于执行所述一条或多条计算机指令以用于:执行本申请实施例提供的空间关系计算方法中的步骤或者数据处理方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被处理器执行时能够实现本申请实施例提供的空间关系计算方法或者数据处理方法中的步骤。
在本申请实施例提供的空间关系计算方法中,预测多个单空间之间的连接关系时,基于多个单空间对应的多个空间全景图像以及连接多个单空间的多个空间连接处的全景图像,可初步预估多个单空间对应的多个入口的候选连接关系和连接权重;根据该候选连接关系和连接权重,可创建多个入口对应的无向加权图;基于无向加权图计算多个入口的连接关系,有效提升了空间关系计算方法的鲁棒性和计算结果的可靠性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的空间关系计算方法的流程示意图;
图2为本申请另一示例性实施例提供的空间关系计算方法的流程示意图;
图3a为本申请一示例性实施例提供的根据无向加权图获取初始最大生成树一种示意;
图3b为本申请一示例性实施例提供的对初始最大生成树中的边进行优化的一种示意;
图4a为本申请又一示例性实施例提供的空间关系计算方法的流程示意图;
图4b为本申请一示例性实施例提供的数据处理方法的流程示意图;
图4c为本申请一示例性实施例提供的数据处理方法的流程示意图;
图4d为本申请一示例性实施例提供的数据处理方法的流程示意图;
图5为本申请一示例性实施例提供的预测一套房屋内的多个房间之间连接关系的示意图;
图6为本申请一示例性实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
针对空间关系计算方法的鲁棒性和可靠性较差的技术问题,在本申请一些实施例中,提供了一种解决方案,以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的空间关系计算方法的流程示意图,如图1所示,该方法包括:
步骤101、获取多个单空间对应的多个空间全景图像以及连接该多个单空间的多个空间连接处的全景图像。
步骤102、根据该多个空间全景图像和该多个空间连接处的全景图像,预估该多个单空间对应的多个入口的候选连接关系和连接权重。
步骤103、根据该候选连接关系和连接权重,创建该多个入口对应的无向加权图。
步骤104、根据该无向加权图,计算该多个入口的连接关系,以根据该多个入口的连接关系确定该多个单空间的连接关系。
针对室内场景进行三维建模时,可将完整的室内场景定义为多个单空间的组合,不同的单空间之间由实体墙或者虚拟墙分隔,相邻的单空间在门口(或虚拟门框)处产生连接。其中,虚拟墙指的是为分割不同单空间而划定的虚拟障碍物。
例如,室内场景为一套房屋,该房屋中的厨房、客厅、餐厅、卫生间以及卧室等,可被定义为一套房屋内的多个单空间。其中,厨房与客厅之前通过实体墙分割,且客厅和厨房在厨房门处产生连接。餐厅与客厅通过虚拟墙分割,并在虚拟的餐厅门处产生连接。客厅与卫生间之间通过实体墙分割,且客厅与卫生间在卫生间门处产生连接。卧室与可客厅通过实体墙分割,且卧室与客厅在卧室门处产生连接。
在本实施例中,为便于描述,将连接相邻单空间的门口或者虚拟门框,描述为单空间的入口,每个单空间可包括一个或者多个入口。例如,承接上述一套房屋的例子,厨房可包括厨房门这一入口,卫生间可包括卫生间门这一入口,客厅可包括入户门、厨房门、虚拟的餐厅门、卫生间门、卧室门等多个入口。
在步骤101中,在获取用于重建室内场景的图像数据时,可数使用全景设备在每个单空间内均拍摄一张空间全景图像,得到多个空间全景图像,并在每个空间连接处均拍摄一张全景图像,得到多个空间连接处的全景图像。
空间连接处的全景图像包含与之相连接的单空间的部分图像特征,例如厨房门处的全景图像包含厨房内的部分图像特征。基于多个空间全景图像以及多个空间连接处的全景图像中重合的部分特征,可进一步提升空间连接关系预测的准确性。
其中,全景图,指的是一种广角图,其水平方向上的视角范围从-180°到180°,垂直方向上的视角范围从-90°到90°。针对任一单空间而言,根据该单空间对应的全景图,可重建该单空间对应的立方体,即上、下、前、后、左、右六个面形成的立方体。
在一些实施例中,拍摄到的全景图像呈现法式等距长方投影(equirectangular),全景照片的长宽比例固定为2:1,本实施例不做限制。
在步骤102中,获取到多个空间全景图像和多个空间连接处的全景图像后,可预估多个单空间对应的多个入口的候选连接关系和连接权重。
其中,多个单空间对应的多个入口,可从多个空间全景图像中获取。候选连接关系,指的是初步进行空间关系预测得到的连接关系,该候选连接关系需通过后续步骤进行修正。任意两个入口相连接,可认为这两个入口对应实际中的一个空间连接处。例如,卧室空间全景图中的一个门和客厅空间全景图中的门连接,则可认为卧室空间全景图像中的这个门和客厅空间全景图中的门对应实际空间中卧室和客厅的空间连接处,即卧室门。
其中,连接权重,可用于表征入口之间的候选连接关系的可靠性,或者入口之间存在连接关系的概率。空间连接处的全景图像是在单空间的入口处进行全景拍摄拍摄得到的图像,因此,若两个单空间连接,则这两个单空间中的特征点可出现在这两个单空间之间的空间连接处的全景图像中。因此,从多个空间全景图像中确定多个入口后,可根据多个空间全景图像和多个空间连接处的全景图像中相匹配的特征点,预估多个入口之间的连接关系的可靠性,后续将进行具体说明,此处不做赘述。
在步骤103中,确定多个入口的候选连接关系和连接权重后,可根据该候选连接关系和连接权重,创建多个入口对应的无向加权图。
无向加权图,是一种图模型,用于表示不同对象之间的关系。无向加权图由节点(或顶点)和连结这些节点的边(直线或曲线)组成。无向加权图中的连接边不区分方向,每条边对应一个值,该值称为边对应的权值。
基于此,在创建无向加权图时,可将多个单空间对应的多个入口作为节点,根据预测得到的多个入口之间的候选连接关系,确定多个节点之间的连接边,并根据多个入口对应的连接权重,确定多个节点之间的连接边上的权值。
在步骤104中,创建无向加权图后,计算多个入口的连接关系。
其中,可获取无向加权图包含的多个连通子图,作为生成树。生成树包含无向加权图中的所有节点,并且含有能够保持连通性的最少的边。生成树的权值,是生成树包含的所有连接边的权值之和。
无向加权图中的连接边上的权值,表征了连接边两端的节点存在连接关系的概率的大小,连接边上的权值越大,则可认为这两个节点之间存在连接关系的可能性越高。基于此,生成树的权越大,则该生成树表示的节点之间的连接关系也越可靠。
因此,本实施例中,可通过在无向加权图中,寻找权值满足设定条件的生成树,以获取具有较高可靠性的节点连接关系。在获取到多个入口的连接关系后,可根据多个入口的连接关系,确定多个单空间的连接关系。例如,空间1中的入口1与空间2中的入口2存在连接关系,则认为空间1和空间2相连,不再赘述。
在本实施例中,预测多个单空间之间的连接关系时,基于多个单空间对应的多个空间全景图像以及连接多个单空间的多个空间连接处的全景图像,可初步预估多个单空间对应的多个入口的候选连接关系和连接权重;根据该候选连接关系和连接权重,可创建多个入口对应的无向加权图;基于无向加权图计算多个入口的连接关系,有效提升了空间关系计算方法的鲁棒性和计算结果的可靠性。
需要说明的是,在本申请的上述以下述各实施例中,获取到的多个空间全景图像后,可对多个单空间进行重建。在重建单空间时,可对空间全景图像中的几何信息进行预处理。可选地,针对每张空间全景图像而言,可对空间全景图像中的墙线数据进行优化,例如,可通过曼哈顿算法对墙线数据进行优化,得到标准的四墙或六墙的单个房间。可选地,还在优化后的墙线的基础上,对每张空间全景图像中的门线数据进行优化,以使得门线与墙面贴合。
对空间全景图像中进行几何信息预处理后,可从预处理后的空间全景图像中提取空间连接处所在的区域,即,识别多个单空间对应的多个入口。接下来,可预测这多个入口之间的连接关系,以确定多个单空间之间的连接关系。
在本申请的上述以下下述各实施例中,根据多个空间全景图像以及多个空间连接处的全景图像,预估多个入口处的候选连接关系的可选方式包括:
实施方式1:基于图像采集设备的姿态数据,预估多个入口处的候选连接关系。
可选地,可从多个空间全景图像中,识别多个入口。即:针对任一张空间全景图像,识别该空间全景图像包含的所有入口,并确定每个入口在该空间全景图像中的位置。
接着,获取图像采集设备采集每张空间全景图像时的姿态数据,以确定多个入口的朝向信息。其中,图像采集设备上安装有IMU(Inertial measurement unit,惯性测量单元),可记录图像采集设备拍摄全景图像时的姿态数据,结合图像采集设备的姿态数据以及空间全景图像中的墙线和门线的走向,可确定每个入口的朝向。
其中,入口的朝向为绝对方向,例如,朝东、朝西、朝南、朝北等。在获取到多个入口中的每个入口的朝向信息后,可预估朝向相反的入口之间存在候选连接关系。例如,空间全景图像1中的入口1朝东,空间全景图像2中的入口2朝西,则可预估入口1和入口2存在连接关系。
实施方式2:基于拍摄时间信息,预估多个入口处的候选连接关系。
可选地,图像采集设备在采集每张空间全景图像和空间连接处的全景图像时,可将拍摄时间以一定格式保存在图像中,例如,以Exif格式将拍摄时间保存在拍摄到的全景图像中。这些时间信息记录了拍摄流程中各个采集点的时间顺序。通常,若两张空间全景图像的拍摄时间相近,则可认为这两张空间全景图像对应的单空间相邻的概率较大。
基于上述,可根据图像采集时间信息,确定多个空间全景图像和多个空间连接处的全景图像的采集顺序;接着,根据该采集顺序,从多个空间全景图像中,筛选采集顺序差在设定顺序差范围内的空间全景图像,并将采集顺序差在设定顺序差范围内的空间全景图像包含的入口,预估为存在候选连接关系的入口。
在拍摄时,可沿着单空间的相邻顺序设置拍摄路线,进而,可使得拍摄得到图像采集顺序在一定程度上反应单空间之间的相邻特性。其中,设定顺序差范围内,可包括:采集顺序差为1或2。
在一种场景下,拍摄顺序为:单空间1内拍摄、单空间2内拍摄、单空间1和单空间2的空间连接处拍摄。那么,单空间1对应的空间全景图像和单空间2对应的空间全景图像的采集顺序差为1。若入口1在的单空间1对应的空间全景图像上,入口2在单空间2对应的空间全景图像上,则可预估入口1和入口2存在连接关系。
在另一种场景下,拍摄顺序为:单空间1内拍摄、单空间1和单空间2的空间连接处拍摄、单空间内2拍摄。那么,单空间1对应的空间全景图像和单空间2对应的空间全景图像的采集顺序差为2。若入口1在的单空间1对应的空间全景图像上,入口2在单空间2对应的空间全景图像上,则可预估入口1和入口2存在连接关系。
在本申请的上述以及下述各实施例中,预估到多个入口之间的候选连接关系后,可根据该候选连接关系,在加权无向图中确定多个入口对应的多个节点之间的连接边。为便于描述和区分,可将根据候选连接关系确定的连接边,描述为第一类型的连接边。该第一类型的连接边是预估出的正常连接边(Normal Edge)。
进一步可选地,可从多个空间全景图像中,确定包含多个入口的空间全景图像,为便于描述和区分,将包含多个入口的空间全景图像描述为第三空间全景图像。接着,在无向加权图中,与第三空间包含的多个入口对应的节点之间添加第二类型的连接边。也就是说,若一个空间全景图像包含多个不同入口,则可在该多个不同入口对应的节点之间添加连接边。该第二类型的连接边,可以被称为固定边(Constant Edge)。
除上述两种类型的连接边之外,无向加权图中还包含第三类型的连接边。在根据无向加权图构建生成树的过程中,可能存在某些节点与生成树中的已有节点之间无连接的情况。为便于描述,将与生成树中的已有节点之间无连接的节点描述为候选节点。此时,可在候选节点与生成树中的任意已有节点之间添加一条第三类型的连接边,该第三类型的连接边为伪边(Fake Edge)。在伪边的辅助下,可确保生成树包含无向加权图中的所有节点,有利于后续通过迭代算法寻找合理的节点连接关系。
在上述实施例的基础上,在确定无向加权图中的节点之间的连接边后,可确定连接边上的权值。可选地,针对第二类型的连接边,可为其设置固定权值。该固定权值的大小可根据实际需求进行设置,本实施例不做限制。可选地,该固定权值可以为较大值,以确保在后续从无向加权图中创建初始最大生成树时,第二类型的连接边可以被加入到初始最大生成树中。
可选地,第二类型的连接边以及第三类型的连接边上的权值,可根据连接边两端的节点对应的入口之间的连接权重确定。以下将进行进一步说明。
在一些示例性实施例中,由于每个入口有各自归属的空间全景图像,因此每两个入口之间的权重,可由这两个入口所在的空间图像之间的权重确定。
根据多个空间全景图像和多个空间连接处的全景图像,预估多个入口的连接权重的可选实施方式,可基于特征检测与特征匹配操作实现。
可选地,可在获取到多个空间全景图像和多个空间连接处的全景图像后,可对每个空间全景图像和每个空间连接处的全景图像进行特征检测,并计算每个空间全景图像和每个空间连接处的全景图像之间的相匹配特征点的数量。
其中,特征检测指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征匹配的任务是找到不同图像中具有正确对应关系的特征点对。
可选地,特征检测操作可基于ASIFT(affine-Affine-Scale-invariant featuretransform,仿射尺度不变特征变换)算法实现。特征匹配操作可基于RANSAC(RandomSample Consensus,随机采样一致性)算法实现。可选地,为了提高计算效率,可将全景图像进行缩小处理,例如可缩小至300*600的尺寸。
以下部分将结合两个存在候选连接关系的入口为例,对计算这两个入口之间的连接权重的可选实施方式进行示例性说明。为方便描述和区分,将这两个存在候选连接关系的入口标记为:第一入口和第二入口。
针对第一入口和第二入口,可分别获取第一入口所在的第一空间全景图像以及第二入口所在的第二空间全景图像;接着,根据第一空间全景图像和第二空间全景图像的图像特征,预估第一入口和第二入口之间的连接权重。
可选地,可分别获取第一空间全景图像和多个空间连接处的全景图像之间相匹配的特征点,得到多个特征点匹配数量,标记为多个第一特征点匹配数量。以及,分别获取第二空间全景图像和多个空间连接处的全景图像之间相匹配的特征点,得到多个特征点匹配数量,标记为多个第二特征点匹配数量。
接着,选取多个第一特征点匹配数量中的最小值,作为第一最小值;以及,选取多个第二特征点匹配数量中的最小值,作为第二最小值,并选取第一最小值和第二最小值中的最大值,作为第一入口和第二入口之间的连接权重。
可选地,以下将以多个空间连接处中的第一空间连接处为例,进一步说明获取第一空间全景图像和多个空间连接处的全景图像之间相匹配的特征点的过程。其中,该第一空间连接处为多个空间连接处中的任一空间连接处。
以第一空间连接处为例,可获取第一空间全景图像和第一空间连接处的全景图像之间相匹配的特征点,得到匹配上的特征点的数量,为便于区分,描述为第三特征点匹配数量。若第三特征点匹配数量大于设定的特征点数量阈值,则将该第三特征点匹配数量作为第一特征点匹配数量。其中,特征点数量阈值可根据实际需求进行设置,本实施例不做限制。
反之,若第三特征点匹配数量小于或者等于该特征点数量阈值,则设置第一特征点匹配数量为设定值。其中,该设定值可以为极小值,或者可以为0,本实施例不做限制。
应当理解,上述“第一”、“第二”、“第三”仅用于方便描述和区分,并不对其限定的对象的顺序或者大小构成限制。
以下将结合第i个空间全景图像Ri和第j个空间全景图像Rj,对连接权重的计算过程进行进一步说明,其中,i和j为正整数,用于表示图像的编号,i≠j。以Dk表示第k张空间连接处的全景图像,k=[1,n],n表示空间连接处的全景图像的数量。
针对空间全景图像Ri,可遍历所有的空间连接处的全景图像D1-Dn,并对每张遍历到的空间连接处的全景图像进行特征匹配操作。以S()表示特征匹配操作,则可得到特征匹配操作结果S(Ri,D1)~S(Ri,Dn)。
与此同时,针对空间全景图像Rj,可遍历所有的空间连接处的全景图像D1-Dn,并对每张遍历到的空间连接处的全景图像进行特征匹配操作得到特征匹配操作结果S(Rj,D1)~S(Rj,Dn)。
第i个空间全景图像和第j个空间全景图像之间的权重C(Ri,Rj),可通过如下公式表示:
C(Ri,Rj)=max{min[S(Ri,D1),S(Rj,D1)]...min[S(Ri,Dk),S(Rj,Dk)]…min[S(Ri,Dn),S(Rj,Dn)]}
其中,min()表示求取最小值的函数,max()表示求取最大值的函数。
针对Ri,在遍历所有的空间连接处的全景图像D1-Dn的并进行特征匹配的过程中,判断每一个特征匹配操作匹配上的特征点的数量。以Dk为例,标记S(Ri,Dk)=Nik,若Nik大于设定特征点数量阈值N,则可认为Dk表示的入口在很大概率上为空间图像Ri中的某个入口。此时,可标记S(Ri,Dk)=Nik,否则标记S(Ri,Dk)=0,即:
基于上述方式,可计算任意两空间全景图像之间的权重,得到任意两个空间全景图像包含的入口之间的连接权重。基于任意两个空间全景图像包含的入口之间的连接权重,可获取无向加权图中第一类型的连接边和第二类型的连接边上的权值,不再赘述。
基于上述各实施例,确定了无向加权图中的节点、节点之间的连接边以及连接边上的权值。
在一些可选的实施方式中,可进一步对无向加权图进行“剪枝”操作,以去除无向加权图中不必要的连接边。基于“剪枝”操作,可减少无向加权图中的连接边,以降低无向加权图的复杂性,提升后续处理效率。
可选地,可根据多个空间全景图像和多个空间连接处的全景图像,从多个入口中,筛选不存在连接关系的多组入口,每组入口包含两个入口。以下将以一组入口为例进行示例性说明。为便于描述和区分,在接下来的实施例中,将不存在连接关系的任意一组入口包含的两个入口描述为第三入口和第四入口。筛选出第三入口和第四入口后,可在无向加权图中,删除第三入口和第四入口对应的节点之间的连接边,以实现图模型的剪枝操作。
以下将结合不同的实施方式,进一步详细说明如何对无向加权图执行“剪枝”操作:
实施方式A,可基于空间可见性特征,筛选不存在连接关系的第三入口和第四入口。
可选地,可根据第三入口所在的空间全景图像,获取第三入口的可视范围。例如,可根据第三入口所在的空间全景图像重建单空间,并从重建后的单空间中,获取第三入口的可视范围。
接着,可获取第三入口所在的空间全景图像和第二空间连接处的全景图之间相匹配的特征点;其中,第二空间连接处的全景图像与第四入口所在的空间全景图像的关联度大于设定关联度阈值;也就是说,第二空间连接处的全景图像,在较大概率上是在第四入口所在处进行全景拍摄得到的。若该相匹配的特征点不在第三入口的可视范围内,则确定第三入口和第四入口不存在候选连接关系。
例如,空间全景图像R1包含入口d1,空间全景图像R2包含入口d2。空间连接处的全景图像D1与空间全景图像R1进行特征点匹配后,得到相匹配的特征点M,特征点M在空间全景图像R1中的位置可以确定。若特征点M中的大部分特征点在不在入口d1的可视范围内,则可认为d1与D1的关联度较低,换言之,D1不是在d1处拍摄的概率较大。若D2与d2的关联度较高,则D2在d2处拍摄得到的概率较大。基于上述分析,可认为d1与d2之间不存在连接关系的概率较大。
实施方式B,可基于图像名称的语义关系,筛选不存在连接关系的第三入口和第四入口。
其中,图像名称是对采集到的全景图像进行命名得到的名称。例如,采集到的全景图像可被命名为房间的名称以及空间连接处的名称。例如,主卧门、主卧、客厅、入户门等名称。
若第三空间连接处的全景图像的名称包含第三入口所在全景图像的名称,且第三入口所在全景图像只包含第三入口,则确定第三空间连接处的全景图像与第三入口关联;若第四入口所在全景图像与第三空间连接处的全景图像的关联度小于或者等于设定关联度阈值,则确定第三入口与第四入口不存在候选连接关系。以下将结合具体例子进行说明。
若在空间连接处的全景图像D1的名称中,包含空间全景图像R1的名称,且全景图像R1只包含一个入口d1,那么可认为D1是在d1处进行拍摄得到的。例如,一图像的名称为“主卧门”,另一图像的名称为“主卧”,且名称为“主卧”图像中只包含一个门,那么,可认为名称为“主卧门”的图像是在名称“主卧”的图像中的门处拍摄的。
在此基础上,若空间全景图像R2与空间连接处的全景图像D1的关联度较低,则可认为d1不是在空间全景图像R2包含的入口d2处拍摄得到的。进而,可认为d1和d2不存在连接关系。
实施方式C,可基于空间合理性,筛选不存在连接关系的第三入口和第四入口。
若第三入口所在的空间全景图像只包含第三入口,且第四入口所在的空间全景图像只包含第四入口,则确定第三入口和第四入口不存在候选连接关系。也就是说,两个或者两个以上的单空间中,若每个单空间都仅有一个入口,则可确定这两个单空间不存在连接关系。
实施方式D,可根据入口的几何关系,筛选不存在连接关系的第三入口和第四入口。
若第三入口和第四入口的几何形状不匹配,则确定第三入口和第四入口不存在候选连接关系。例如,入口实现为单空间中的门时,两个门的几何形状不匹配可包括:门的高度差大于设定的高度差阈值和/或门的宽度差大于设定宽度差阈值。
需要说明的是,由于门线经过优化且标记存在误差,因此,高度差阈值和宽度差阈值可设置较大的范围,不再赘述。
除上述记载的多种实施方式之外,还可通过计算不同入口所在的空间全景图像的地板颜色,来进一步确定不同入口之间的连接关系,不再赘述。
在上述“剪枝”操作的基础上,进一步地,可对未被“剪枝”的连接边上的权值进行更新。以下将进行示例性说明。
在一些可选的实施例中,针对任意两个空间全景图像而言,可根据这两个空间全景图像之间的采集顺序,进一步更新这两个空间全景图像包含的入口对应的连接权重。以下将继续以第一空间全景图像和第二空间全景图像为例进行说明。
若第一空间全景图像和第二空间全景图像的采集顺序差在设定顺序差范围内,则可在预估得到的第一入口和第二入口的连接权重上添加附加权重。其中,该设定顺序差范围可参考前述实施例的记载,可以为1或者为2。其中,附加权重可根据实际需求进行设置,本实施例不做限制。
以空间全景图像Ri和第j个空间全景图像Rj为例,i、j表示采集顺序,若|i-j|<=2,且经过算法中其他减枝操作之后,空间全景图像Ri中的入口di和第j个空间全景图像Rj中的入口dj和存在连接关系,则更新di和dj对应的门节点之间的权重为:W`(di,dj)=W(di,dj)+Wtime,其中Wtime为一个固定的权重值,即附加权重值。W(di,dj)可基于前述实施例提供的特征匹配操作计算得到,此处不赘述。
图2是本申请另一示例性实施例提供的空间关系计算方法的流程示意图,如图2所示,该方法包括:
步骤201、获取多个单空间对应的多个空间全景图像以及连接该多个单空间的多个空间连接处的全景图像。
步骤202、从多个空间全景图像中识别多个单空间对应的多个入口,并将多个入口作为多个节点创建无向加权图。
步骤203、根据该多个空间全景图像和该多个空间连接处的全景图像,预估多个入口的候选连接关系和连接权重。
步骤204、根据候选连接关系确定一部分节点之间的第一类型的连接边,并确定位于同一空间全景图像上的另一部分节点之间添加第二类型的连接边。
步骤205、根据连接权重,确定第一类型的连接边上的权值,并为第二类型的连接边设置固定权值。
步骤206、对无向加权图进行剪枝,以更新无向加权图。
步骤207、从该无向加权图中,获取满足设定权值条件的多个生成树。
步骤208、据该多个生成树表示的节点连接关系,预估该多个单空间的建筑特征。
步骤209、根据该多个单空间的建筑特征,从该多个生成树中,选择目标生成树。
步骤210、根据该目标生成树表示的节点连接关系,确定该多个入口的连接关系。
其中,步骤201-步骤206的可选实施方式可参考前述实施例的记载,此处不赘述。
在步骤207中,可从无向加权图中,确定满足设定权值条件的多个生成树。
可选地,可根据所述无向加权图中的连接边上的权值,创建初始最大生成树。
其中,创建初始最大生成树可采用克鲁斯卡尔算法(Kruskal algorithm)算法实现。基于克鲁斯卡尔算法,可新建一图模型,新建的图模型包含无向加权图中所有的节点,但是没有连接边。接着,按照无向加权图中所有的连接边上的权值的权值从大到小的顺序,从权值最大的边开始依次选择连接边,并将连接边添加至新建的图模型中的相应节点之间。图3a对根据无向加权图创建初始最大生成树的过程进行了示意。
由于前序步骤对无向加权图模型执行了“剪枝”操作,因此,在创建初始最大生成树的过程中,会出现部分候选节点与初始最大生成树中的其他节点之间不存在连接关系。此时,可在候选节点与任意的其他节点之间添加伪边,即第三类型的连接边。或者,若创建初始最大生成树的过程中,生成了多个不连通的子树,则可通过伪边将多个子树进行合并,得到连通的初始最大生成树。
接下来,可基于初始最大生成树,寻找一棵不存在第三类型的连接边的新生成树。
可选地,可采用无向加权图中未包含在初始最大生成树中的第一类型的连接边和/或第二类型的连接边,替换初始最大生成树中的第三类型的连接边。即,若无向加权图中包含未出现在初始最大生成树中的正常边和/或固定边,则可在保证初始最大生成树仍具有连通性的前提下,采用正常边和/或固定边替换掉初始最大生成树中的伪边。
如图3b所示,假设初始最大生成树中,连接边f为伪边,则可删除连接边f。此时,节点7将变为孤立的节点,为确保生成树的连通性,可从无向加权图中确定未出现在初始最大生成树中的连接边e,若连接边e不为伪边,则可将连接边e添加到初始生成树中,以完成连接边的替换操作。
可选地,执行上述连接边的替换操作后,可检查更新后的初始最大生成树中是否包含环路,若包含环路,则从环路中选择适当的边进行删除。其中,该适当的边不包括第二类型的连接边,且不包括权值大于设定权值阈值的第一类型的连接边。也就是说,环路中可以被删除的边可包括伪边以及权值较小的第一类型的连接边。
上述替换伪边并处理环路中的连接边的操作,可重复多次执行,直至将初始最大生成树更新为不存在伪边的新生成树。接着,可对该新生成树边进行变换,得到多个不存在伪边的新生成树。可选地,若无向加权图中包含未出现在新生成树中的第一类型的连接边或者第二类型的连接边,可在保证新生成树仍具有连通性的前提下,采用第一类型的连接边或者第二类型的连接边替换掉新生成树的任意边,以得到与新生成树不同的其他生成树。
获取到多个生成树后,可从多个生成树中选择合理性较高的生成树。可选地,选择合理性较高的生成树的过程,可进一步结合单空间的信息实现。以下将结合步骤208、步骤209进行说明。
在步骤208中,可根据该多个生成树各自表示的节点连接关系,预估该多个单空间的建筑特征,并根据多个单空间重建后的建筑特征,从多个生成树中,选择目标生成树。
其中,该多个单空间指的是根据空间全景图重建后的单空间。以下将以该多个生成树中的第一生成树为例进行示例性说明。
可选地,针对第一生成树,可基于深度优先遍历算法和第一生成树表示的多个入口之间的连接关系,确定多个单空间的分布位置。接着,根据该多个单空间的分布位置,计算多个单空间的重叠面积,作为第一生成树对应的重叠面积。例如,可基于入口之间的连接关系计算多个单空间之间的相对变换矩阵,并计算得到多个单空间之间的绝对位置。接着,可以在多个单空间所在区域绘制掩膜(mask),以获取设定尺寸的矩阵作为待计算图像,并从待计算图像上计算出单空间之间的重叠面积。可选地,该设定尺寸可以为400x400。
应当理解,单空间之间的重叠面积越小,单空间的组合形成的区域的建筑设计合理性越高。基于此,在一些可选实施方式中,可根据多个生成树各自对应的重叠面积,从多个生成树中,选择重叠面积小于设定重叠面积阈值的生成树,作为目标生成树。
进一步可选地,考虑到空间利用率问题,还可根据多个单空间的分布位置,绘制多个单空间所在区域的包围盒,并计算包围盒的面积,作为第一生成树对应的包围盒面积。接下来,可根据第一生成树对应的重叠面积和包围盒面积,计算第一生成树对应的空间分布合理指数。可选地,可计算第一生成树对应的重叠面积和包围盒面积的加权求和值,得到第一生成树对应的空间分布合理指数,本实施例包含但不限于此。
基于上述方法,可计算每个生成树对应的空间分布合理指数。接着,可根据多个生成树各自对应的空间分布合理指数,从多个生成树中,选择空间分布合理指数大于设定指数阈值的生成树,作为目标生成树。或者,可选择空间分布合理指数的排序最高的一个生成树或者排序靠前的若干个生成树,作为目标生成树。
在步骤210中,确定目标生成树后,可根据该目标生成树表示的节点连接关系,确定该多个入口的连接关系。确定多个入口的连接关系之后,可将根据多个空间全景图重建得到的多个三维的单空间进行组合,从而得到完整场景的重建结果。
在本实施例中,通过利用稀疏点位上拍摄的全景图信息、基础的IMU朝向信息,并且结合场景中的几何和语义信息,建立各个单空间之间的关联关系权重图,最后利用统一的生成树算法在图中推断出最优的空间连接关系。其优势在于,降低了图像采集设备的成本、降低了对采集到图像数据时的要求、提升了全景图像采集过程的效率;与此同时,除了图像信息之外,进一步引入了IMU信息、几何形状约束和语义信息对连接关系进行预测,鲁棒性更高。
图4a为本申请又一示例性实施例提供的空间关系计算方法的流程示意图,如图4a所示,该方法包括:
步骤401a、获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间。
步骤402a、基于所述多个图像数据,构建图模型,所述图模型以所述多个子空间对应的入口为节点。
步骤403a、根据所述图模型,识别所述多个子空间之间的连接关系。
步骤404a、展示所述连接关系。
其中,目标空间可以是任意的室内空间,例如住宅房屋,办公场所、展览馆、商场等。目标空间包含多个子空间(例如前述实施例记载的单空间),例如,一套住宅房屋包含厨房、客厅、餐厅、卫生间以及卧室等多个子空间。办公场所包含会议室、办公区、打印室、茶水间等多个子空间。
其中,目标空间的多个图像数据,可包括在目标空间中拍摄得到的多张全景图像。例如,可包括在每个子空间内拍摄到的子空间的全景图像,以及在相邻子空间的空间连接处拍摄到的全景图像。
基于目标空间图像的多个图像数据,可构建图模型。可选地,图模型可实现为无向加权图。无向加权图包含多个节点,多个节点之间采用连接边相连,每条连接边对应一个权值。本实施例构建的图模型中,可将多个子空间对应的入口为节点。进而,可通过优化图模型中的节点之间的连接关系,预测多个入口之间存在的连接关系,基于预测得到的多个入口之间的连接关系,可识别多个子空间之间的连接关系。
其中,根据多个图像数据构建图模型的可选实施方式,可参考前述各实施例的记载,此处不做赘述。
在本实施例中,预测目标空间包含的多个子空间之间的连接关系时,可根据目标空间对应的多个图像数据,将空间关系的计算方法转化为图模型的优化方法,进而可降低空间关系计算所需的成本,且提升了空间关系计算方法的鲁棒性。
图4b为本申请一示例性实施例提供的数据处理方法的流程示意图,如图4b所示,该方法包括:
步骤401b、获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间。
步骤402b、基于所述多个图像数据,对所述目标空间进行重建。
步骤403b、对所述多个图像数据进行识别,以识别所述多个子空间各自包含的对象。
步骤404b、展示所述目标空间对应的重建图像,并在所述重建图像上标注所述多个子空间各自包含的对象。
其中,根据多个图像数据对目标空间进行重建的可选实施方式可参考前述各实施例的记载,此处不做赘述。在重建目标空间的基础上,基于本实施例提供的数据处理方法,可进一步对重建结果进行标注。以下将结合步骤403b和步骤404b进行说明。
在步骤403b中,对多个图像数据进行识别的方法可通过基于神经网络的图像主体识别的方法实现,本实施例不做限制。基于图像识别的步骤,可识别多个图像数据各自包含的对象,并可基于图像数据和子空间的对应关系,确定多个子空间包含的对象。
其中,子空间包含的对象,指的是子空间包含的物件、家具、设备、装饰品等等。例如,对一全景图像进行识别,得到“沙发”、“茶几”、“电视柜”、“落地灯”等对象;若该全景图像与客厅对应的子空间对应,则可确定客厅中摆放有:“沙发”、“茶几”、“电视柜”、“落地灯”等家具。
在步骤404b中,展示目标空间对应的重建图像。可选地,重建图像可以是二维或者三维的,本实施例不做限制。在展示重建图像时,可根据每个子空间各自包含的对象,在重建图像上标注每个子空间各自包含的对象,以便于用户查看。
在一些可选的实施例中,还可根据该多个图像数据包含的图像内容,识别该多个图像数据对应的拍摄点位。其中,该拍摄点位包括对多个子空间进行拍摄的拍摄点位以及在多个子空间对应的空间连接处的拍摄点位。
获取到拍摄点位后,可在在重建图像中标注该拍摄点位。例如,一套房屋的重建图中,可标注客厅中的拍摄点位、卧室内的拍摄点位、卧室门的拍摄点位、入户门的拍摄点位等等。可选地,标注拍摄点位方法可以采用文字标注的方法、高亮标注的方法或者星标标注的方法等等,本实施例不做限制。
在本实施例中,在对目标空间进行重建后,在重建图像上进行信息标注,可更直观地展示重建效果,便于用户查看。
图4c为本申请另一示例性实施例提供的数据处理方法的流程示意图,如图4c所示,该方法包括:
步骤401c、获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间。
步骤402c、基于所述多个图像数据,对所述目标空间进行重建。
步骤403c、展示所述目标空间对应的重建图像。
步骤404c、响应对所述重建图像的调整操作,动态展示所述重建图像的调整效果。
其中,根据多个图像数据对目标空间进行重建的可选实施方式可参考前述各实施例的记载,此处不做赘述。在重建目标空间的基础上,基于本实施例提供的数据处理方法,可进一步动态展示重建结果。
其中,对重建图像的调整操作可由用户发起。例如,该目标空间实现为一套房屋时,该用户可以是看房用户或者装修设计师用户等。用户可根据需求对重建图像进行调整。
可选地,对重建图像进行调整操作,包括:对重建图像中的对象的移动操作、对重建图像中的对象的删除操作以及在重建图像中新增至少一个对象的操作。
基于上述操作,可模拟对目标空间的布置操作,或者装修操作等等。例如,针对一套房屋的重建图像,用户可通过触控或者鼠标拖动方式移动房屋内的家具或者装饰物品,以模拟房间的布置操作;或者,可通过删除已有家具并新增其他家具的操作来模拟家具的替换操作,不再赘述。
本实施例中,在重建目标空间后,展示目标空间的重建图像,并可响应对重建图像的调整操作,动态展示重建图像的调整效果。进而,可基于重建图像,向用户提供针对目标空间的模拟调整操作。
图4d为本申请又一示例性实施例提供的数据处理方法的流程示意图,如图4d所示,该方法包括:
步骤401d、获取目标空间的多个图像数据,所述多个图像数据包括多个单空间对应的多个空间全景图像以及连接所述多个单空间的多个空间连接处的全景图像。
步骤402d、根据所述多个空间全景图像和所述多个空间连接处的全景图像各自包含的特征点,从所述多个图像数据中确定存在重叠区域的第一空间全景图像和第一空间连接处的全景图像。
步骤403d、根据所述重叠区域的像素分布特征,对所述第一空间全景图像和所述第一空间连接处的全景图像进行修正。
其中,根据多个空间全景图像和多个空间连接处的全景图像各自包含的特征点,从多个图像数据中确定存在重叠区域的第一空间全景图像和第一空间连接处的全景图像的操作,可通过特征点检测以及特征点匹配的方式实现,具体可参考前述实施例的记载,此处不赘述。
第一空间全景图像和第一空间连接处的全景图像存在重叠区域,指的是第一空间全景图像表征的空间区域和第一空间连接处的全景图像表征的空间区域存在重叠区域。例如,厨房对应的全景图像表征的空间区域为厨房,厨房门对应的全景图像表征的空间区域包括厨房的一部分区域以及餐厅的一部分区域,那么二者表征的空间区域存在一部分重叠的空间区域,即厨房的一部分区域。基于重叠区域的像素分布特征,对可第一空间全景图像和第一空间连接处的全景图像进行修正。其中,修正可包括对重叠区域中存在误差的像素点进行修正,对图像中的几何线条进行规范,或者对图像中的模糊区域进行清晰度补偿等等,本实施例包含但不限于此。
本实施例中,根据空间全景图像和空间连接处的全景图像之间的重叠区域,可对空间全景图像和空间连接处的全景图像进行修正,进而可获取到质量较高的图像,有利于为空间重建提供更稳定的数据支撑。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤201至步骤204的执行主体可以为设备A;又比如,步骤201和202的执行主体可以为设备A,步骤203的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如201、202等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。
另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图5示意了本申请实施例的一种典型的应用场景,在图5的示意中,可按照房间的相邻顺序,拍摄一套房屋内每个房间的全景图像以及房间门处的全景图像。每个房间的全景图像以及房间门处的全景图像输入计算机设备,通过计算机设备预测不同房间之间的连接关系,并基于连接关系和拍摄到的全景图像,重建这套房屋。
计算机设备在预测不同房间之间的连接关系时,可对每张房间全景图像进行几何信息预处理,以修正重建的单房间中的墙线和门线,并从房间全景图像中提取门区域,得到多个房间门。
接下来,计算机设备可基于图像采集设备的IMU数据,获取多个房间门的朝向信息,并基于房间门的朝向信息,预估房间门之间的连接关系。除此之外,计算机设备还可通过图像采集的时间顺序,进一步估计可能存在连接关系的房间门。
接下来,计算机设备可针对每张全景图像执行特征点检测操作,并确定房间全景图像和房间门处的全景图像上相匹配的特征点。基于房间全景图像和房间门处的全景图像上相匹配的特征点,可计算房间门之间的连接权重。进一步地,还可基于图像采集的时间顺序修正房间门之间的连接权重。
接下来,计算机设备可将多个房间门作为门节点,根据多个房间门之间的连接关系以及多个房间门之间的连接权重,构建图模型,即无向加权图。接着,可执行图模型剪枝操作,并基于剪枝后的图模型计算生成树。基于生成树,可预测出较为准确的房间之间的连接关系,并可基于房间之间的连接关系,将重建的多个单空间组合起来,得到重建的房屋。
图6是本申请一示例性实施例提供的电子设备的结构示意图,如图6所示,该电子设备包括:存储器601以及处理器602。
存储器601,用于存储计算机程序,并可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
其中,存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器602,与存储器601耦合,用于执行存储器601中的计算机程序,以用于:获取多个单空间对应的多个空间全景图像以及连接所述多个单空间的多个空间连接处的全景图像;根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口的候选连接关系和连接权重;根据所述候选连接关系和连接权重,创建所述多个入口对应的无向加权图;根据所述无向加权图,计算所述多个入口的连接关系,以根据所述多个入口的连接关系确定所述多个单空间的连接关系。
进一步可选地,处理器602在根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口处的候选连接关系时,具体用于:从所述多个空间全景图像中,识别所述多个单空间对应的所述多个入口;根据图像采集设备采集所述空间全景图像时的姿态数据,确定所述多个入口的朝向信息;根据所述多个入口的朝向信息,预估朝向相反的入口之间存在所述候选连接关系。
进一步可选地,处理器602在根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口处的候选连接关系时,具体用于:根据图像采集时间信息,确定所述多个空间全景图像和所述多个空间连接处的全景图像的采集顺序;根据所述采集顺序,从所述多个空间全景图像中,筛选采集顺序差在设定顺序差范围内的空间全景图像;将采集顺序差在设定顺序差范围内的空间全景图像包含的入口,预估为存在所述候选连接关系的入口。
进一步可选地,处理器602在根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口的连接权重时,具体用于:针对第一入口和第二入口,获取所述第一入口所在的第一空间全景图像以及所述第二入口所在的第二空间全景图像;根据所述第一空间全景图像和所述第二空间全景图像的图像特征,预估所述第一入口和所述第二入口之间的连接权重。
进一步可选地,处理器602在根据所述第一空间全景图像和所述第二空间全景图像的图像特征,预估所述第一入口和所述第二入口之间的连接权重时,具体用于:分别获取所述第一空间全景图像和所述多个空间连接处的全景图像之间相匹配的特征点,得到多个第一特征点匹配数量;以及分别获取所述第二空间全景图像和所述多个空间连接处的全景图像之间相匹配的特征点,得到多个第二特征点匹配数量;选取所述多个第一特征点匹配数量中的第一最小值以及所述多个第二特征点匹配数量中的第二最小值;选取所述第一最小值和所述第二最小值中的最大值,作为所述第一入口和所述第二入口之间的连接权重。
进一步可选地,处理器602在分别获取所述第一空间全景图像和所述多个空间连接处的全景图像之间相匹配的特征点,得到多个第一特征点匹配数量时,具体用于:针对所述多个空间连接处中的第一空间连接处,获取所述第一空间全景图像和所述第一空间连接处的全景图像之间相匹配的特征点,得到第三特征点数量;若所述第三特征点匹配数量大于设定的特征点数量阈值,则将所述第三特征点匹配数量作为所述第一特征点匹配数量;若所述第三特征点匹配数量小于或者等于所述特征点数量阈值,则设置所述第一特征点匹配数量为设定值。
进一步可选地,处理器602还用于:根据图像采集时间信息,确定所述多个空间全景图像和所述多个空间连接处的全景图像的采集顺序;若所述第一空间全景图像和所述第二空间全景图像的采集顺序差在设定顺序差范围内,则在预估得到的所述第一入口和所述第二入口的连接权重上添加附加权重。
进一步可选地,处理器602在根据所述候选连接关系和连接权重,创建所述多个入口对应的无向加权图时,具体用于:将所述多个入口作为多个节点,并根据所述候选连接关系确定所述多个节点之间的第一类型的连接边;根据所述连接权重,确定所述第一类型的连接边上的权值,得到所述无向加权图。
进一步可选地,处理器602还用于:从所述多个空间全景图像中,确定第三空间全景图像,所述第三空间全景图像包含多个入口;在所述无向加权图中,与所述第三空间包含的多个入口对应的节点之间添加第二类型的连接边,并为所述第二类型的连接边设置固定权值。
进一步可选地,处理器602还用于:根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口;在所述无向加权图中,删除所述第三入口和第四入口对应的节点之间的连接边。
进一步可选地,处理器602在根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口时,具体用于:根据所述第三入口所在的空间全景图像,获取所述第三入口的可视范围;获取所述第三入口所在的空间全景图像和第二空间连接处的全景图进之间相匹配的特征点;其中,所述第二空间连接处的全景图像与所述第四入口所在的空间全景图像的关联度大于设定关联度阈值;若所述相匹配的特征点不在所述第三入口的可视范围内,则确定所述第三入口和所述第四入口不存在所述候选连接关系。
进一步可选地,处理器602在根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口时,具体用于:若第三空间连接处的全景图像的名称包含所述第三入口所在全景图像的名称,且所述第三入口所在全景图像只包含所述第三入口,则确定所述第三空间连接处的全景图像与所述第三入口关联;若所述第四入口所在全景图像与所述第三空间连接处的全景图像的关联度小于或者等于设定关联度阈值,则确定所述第三入口与所述第四入口不存在所述候选连接关系。
进一步可选地,处理器602在根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口时,具体用于:若所述第三入口所在的空间全景图像只包含所述第三入口,且所述第四入口所在的空间全景图像只包含所述第四入口,则确定所述第三入口和所述第四入口不存在所述候选连接关系。
进一步可选地,处理器602在根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口时,具体用于:若所述第三入口和所述第四入口的几何形状不匹配,则确定所述第三入口和所述第四入口不存在所述候选连接关系。
进一步可选地,处理器602在根据所述无向加权图中,计算所述多个入口的连接关系时,具体用于:从所述无向加权图中,获取满足设定权值条件的多个生成树;根据所述多个生成树表示的节点连接关系,预估所述多个单空间的建筑特征;根据所述多个单空间的建筑特征,从所述多个生成树中,选择目标生成树;根据所述目标生成树表示的节点连接关系,确定所述多个入口的连接关系。
进一步可选地,处理器602在从所述无向加权图中,确定满足设定权值条件的多个生成树时,具体用于:根据所述无向加权图中的连接边上的权值,创建初始最大生成树;重复执行以下步骤,直至以将所述初始最大生成树更新为不包含第三类型的连接边的新生成树,并对所述新生成树中的边进行变换,得到所述多个生成树:采用所述无向加权图中未包含在所述初始最大生成树中的所述第一类型的连接边和/或所述第二类型的连接边,替换所述初始最大生成树中的第三类型的连接边;若执行所述替换操作后,所述新生成树中的连接边形成环路,则删除所述环路中的所述第三类型的连接边和/或权值小于设定权值阈值的所述第一类型的连接边。
进一步可选地,处理器602在根据所述多个生成树表示的节点连接关系,预估所述多个单空间重建后的建筑特征时,具体用于:针对所述多个生成树中的第一生成树,基于深度优先遍历算法和所述第一生成树表示的多个入口之间的连接关系,确定所述多个单空间的分布位置;根据所述多个单空间的分布位置,计算所述多个单空间的重叠面积,作为所述第一生成树对应的重叠面积;相应地,处理器602在根据所述多个单空间重建后的建筑特征,从所述多个生成树中,选择目标生成树时,具体用于:根据所述多个生成树各自对应的重叠面积,从所述多个生成树中,选择重叠面积小于设定重叠面积阈值的生成树,作为所述目标生成树。
进一步可选地,处理器602还用于:根据所述多个单空间的分布位置,绘制所述多个单空间所在区域的包围盒;计算所述包围盒的面积,作为所述第一生成树对应的包围盒面积;根据所述第一生成树对应的重叠面积和包围盒面积,计算所述第一生成树对应的空间分布合理指数;相应地,处理器602在根据所述多个单空间重建后的建筑特征,从所述多个生成树中,选择目标生成树时,具体用于:根据所述多个生成树各自对应的空间分布合理指数,从所述多个生成树中,选择空间分布合理指数大于设定指数阈值的生成树,作为所述目标生成树。
进一步,如图6所示,该电子设备还包括:通信组件603、显示组件604、电源组件605等其它组件。图6中仅示意性给出部分组件,并不意味着电子设备只包括图6所示组件。
其中,通信组件603被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G或5G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。
其中,显示组件604包括屏幕,其屏幕可以包括液晶显示组件(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
其中,电源组件605,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本实施例中,预测多个单空间之间的连接关系时,基于多个单空间对应的多个空间全景图像以及连接多个单空间的多个空间连接处的全景图像,可初步预估多个单空间对应的多个入口的候选连接关系和连接权重;根据该候选连接关系和连接权重,可创建多个入口对应的无向加权图;基于无向加权图计算多个入口的连接关系,有效提升了空间关系计算方法的鲁棒性和计算结果的可靠性。
除前述实施例记载的处理逻辑之外,图6示意的电子设备还可执行如下的处理逻辑:通过处理器602获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;基于所述多个图像数据,构建图模型,所述图模型以所述多个子空间对应的入口为节点;根据所述图模型,识别所述多个子空间之间的连接关系;展示所述连接关系。不再赘述。
除前述实施例记载的处理逻辑之外,图6示意的电子设备还可执行如下的处理逻辑:通过处理器602获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;基于所述多个图像数据,对所述目标空间进行重建;对所述多个图像数据进行识别,以识别所述多个子空间各自包含的对象;展示所述目标空间对应的重建图像,并在所述重建图像上标注所述多个子空间各自包含的对象。
进一步可选地,处理器602还用于:根据所述多个图像数据包含的图像内容,识别所述多个图像数据对应的拍摄点位;在所述重建图像中标注所述拍摄点位;其中,所述拍摄点位包括所述多个子空间中的拍摄点位以及在所述多个子空间对应的空间连接处的拍摄点位。
除前述实施例记载的处理逻辑之外,图6示意的电子设备还可执行如下的处理逻辑:通过处理器602获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;基于所述多个图像数据,对所述目标空间进行重建;展示所述目标空间对应的重建图像;响应对所述重建图像的调整操作,动态展示所述重建图像的调整效果。
进一步可选地,所述调整操作包括以下至少一种:对所述重建图像中的对象的移动操作;对所述重建图像中的对象的删除操作;在所述重建图像中新增至少一个对象的操作。
除前述实施例记载的处理逻辑之外,图6示意的电子设备还可执行如下的处理逻辑:通过处理器602获取目标空间的多个图像数据,所述多个图像数据包括多个单空间对应的多个空间全景图像以及连接所述多个单空间的多个空间连接处的全景图像;根据所述多个空间全景图像和所述多个空间连接处的全景图像各自包含的特征点,从所述多个图像数据中确定存在重叠区域的第一空间全景图像和第一空间连接处的全景图像;根据所述重叠区域的像素分布特征,对所述第一空间全景图像和所述第一空间连接处的全景图像进行修正。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由电子设备执行的各步骤。
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,本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (26)
1.一种空间关系计算方法,其特征在于,包括:
获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;
基于所述多个图像数据,构建图模型,所述图模型以所述多个子空间对应的入口为节点;
根据所述图模型,识别所述多个子空间之间的连接关系;
展示所述连接关系。
2.一种空间关系计算方法,其特征在于,包括:
获取多个单空间对应的多个空间全景图像以及连接所述多个单空间的多个空间连接处的全景图像;
根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口的候选连接关系和连接权重;
根据所述候选连接关系和连接权重,创建所述多个入口对应的无向加权图;
根据所述无向加权图,计算所述多个入口的连接关系,以根据所述多个入口的连接关系确定所述多个单空间的连接关系。
3.根据权利要求2所述的方法,其特征在于,根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口处的候选连接关系,包括:
从所述多个空间全景图像中,识别所述多个单空间对应的所述多个入口;
根据图像采集设备采集所述空间全景图像时的姿态数据,确定所述多个入口的朝向信息;
根据所述多个入口的朝向信息,预估朝向相反的入口之间存在所述候选连接关系。
4.根据权利要求2所述的方法,其特征在于,根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口处的候选连接关系,包括:
根据图像采集时间信息,确定所述多个空间全景图像和所述多个空间连接处的全景图像的采集顺序;
根据所述采集顺序,从所述多个空间全景图像中,筛选采集顺序差在设定顺序差范围内的空间全景图像;
将采集顺序差在设定顺序差范围内的空间全景图像包含的入口,预估为存在所述候选连接关系的入口。
5.根据权利要求2所述的方法,其特征在于,根据所述多个空间全景图像和所述多个空间连接处的全景图像,预估所述多个单空间对应的多个入口的连接权重,包括:
针对第一入口和第二入口,获取所述第一入口所在的第一空间全景图像以及所述第二入口所在的第二空间全景图像;
根据所述第一空间全景图像和所述第二空间全景图像的图像特征,预估所述第一入口和所述第二入口之间的连接权重。
6.根据权利要求5所述的方法,其特征在于,根据所述第一空间全景图像和所述第二空间全景图像的图像特征,预估所述第一入口和所述第二入口之间的连接权重,包括:
分别获取所述第一空间全景图像和所述多个空间连接处的全景图像之间相匹配的特征点,得到多个第一特征点匹配数量;以及
分别获取所述第二空间全景图像和所述多个空间连接处的全景图像之间相匹配的特征点,得到多个第二特征点匹配数量;
选取所述多个第一特征点匹配数量中的第一最小值以及所述多个第二特征点匹配数量中的第二最小值;
选取所述第一最小值和所述第二最小值中的最大值,作为所述第一入口和所述第二入口之间的连接权重。
7.根据权利要求6所述的方法,其特征在于,分别获取所述第一空间全景图像和所述多个空间连接处的全景图像之间相匹配的特征点,得到多个第一特征点匹配数量,包括:
针对所述多个空间连接处中的第一空间连接处,获取所述第一空间全景图像和所述第一空间连接处的全景图像之间相匹配的特征点,得到第三特征点数量;
若所述第三特征点匹配数量大于设定的特征点数量阈值,则将所述第三特征点匹配数量作为所述第一特征点匹配数量;
若所述第三特征点匹配数量小于或者等于所述特征点数量阈值,则设置所述第一特征点匹配数量为设定值。
8.根据权利要求5所述的方法,其特征在于,还包括:
根据图像采集时间信息,确定所述多个空间全景图像和所述多个空间连接处的全景图像的采集顺序;
若所述第一空间全景图像和所述第二空间全景图像的采集顺序差在设定顺序差范围内,则在预估得到的所述第一入口和所述第二入口的连接权重上添加附加权重。
9.根据权利要求2-8任一项所述的方法,其特征在于,根据所述候选连接关系和连接权重,创建所述多个入口对应的无向加权图,包括:
将所述多个入口作为多个节点,并根据所述候选连接关系确定所述多个节点之间的第一类型的连接边;
根据所述连接权重,确定所述第一类型的连接边上的权值,得到所述无向加权图。
10.根据权利要求9所述的方法,其特征在于,还包括:
从所述多个空间全景图像中,确定第三空间全景图像,所述第三空间全景图像包含多个入口;
在所述无向加权图中,与所述第三空间包含的多个入口对应的节点之间添加第二类型的连接边,并为所述第二类型的连接边设置固定权值。
11.根据权利要求9所述的方法,其特征在于,还包括:
根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口;
在所述无向加权图中,删除所述第三入口和第四入口对应的节点之间的连接边。
12.根据权利要求11所述的方法,其特征在于,根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口,包括:
根据所述第三入口所在的空间全景图像,获取所述第三入口的可视范围;
获取所述第三入口所在的空间全景图像和第二空间连接处的全景图进之间相匹配的特征点;其中,所述第二空间连接处的全景图像与所述第四入口所在的空间全景图像的关联度大于设定关联度阈值;
若所述相匹配的特征点不在所述第三入口的可视范围内,则确定所述第三入口和所述第四入口不存在所述候选连接关系。
13.根据权利要求11所述的方法,其特征在于,根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口,包括:
若第三空间连接处的全景图像的名称包含所述第三入口所在全景图像的名称,且所述第三入口所在全景图像只包含所述第三入口,则确定所述第三空间连接处的全景图像与所述第三入口关联;
若所述第四入口所在全景图像与所述第三空间连接处的全景图像的关联度小于或者等于设定关联度阈值,则确定所述第三入口与所述第四入口不存在所述候选连接关系。
14.根据权利要求11所述的方法,其特征在于,根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口,包括:
若所述第三入口所在的空间全景图像只包含所述第三入口,且所述第四入口所在的空间全景图像只包含所述第四入口,则确定所述第三入口和所述第四入口不存在所述候选连接关系。
15.根据权利要求11所述的方法,其特征在于,根据所述多个空间全景图像和所述多个空间连接处的全景图像,从所述多个入口中,筛选不存在连接关系的第三入口和第四入口,包括:
若所述第三入口和所述第四入口的几何形状不匹配,则确定所述第三入口和所述第四入口不存在所述候选连接关系。
16.根据权利要求10所述的方法,其特征在于,根据所述无向加权图中,计算所述多个入口的连接关系,包括:
从所述无向加权图中,获取满足设定权值条件的多个生成树;
根据所述多个生成树表示的节点连接关系,预估所述多个单空间的建筑特征;
根据所述多个单空间的建筑特征,从所述多个生成树中,选择目标生成树;
根据所述目标生成树表示的节点连接关系,确定所述多个入口的连接关系。
17.根据权利要求16所述的方法,其特征在于,从所述无向加权图中,确定满足设定权值条件的多个生成树,包括:
根据所述无向加权图中的连接边上的权值,创建初始最大生成树;
重复执行以下步骤,直至以将所述初始最大生成树更新为不包含第三类型的连接边的新生成树,并对所述新生成树中的边进行变换,得到所述多个生成树:
采用所述无向加权图中未包含在所述初始最大生成树中的所述第一类型的连接边和/或所述第二类型的连接边,替换所述初始最大生成树中的第三类型的连接边;
若执行所述替换操作后,所述新生成树中的连接边形成环路,则删除所述环路中的所述第三类型的连接边和/或权值小于设定权值阈值的所述第一类型的连接边。
18.根据权利要求16所述的方法,其特征在于,根据所述多个生成树表示的节点连接关系,预估所述多个单空间重建后的建筑特征,包括:
针对所述多个生成树中的第一生成树,基于深度优先遍历算法和所述第一生成树表示的多个入口之间的连接关系,确定所述多个单空间的分布位置;
根据所述多个单空间的分布位置,计算所述多个单空间的重叠面积,作为所述第一生成树对应的重叠面积;
根据所述多个单空间重建后的建筑特征,从所述多个生成树中,选择目标生成树,包括:
根据所述多个生成树各自对应的重叠面积,从所述多个生成树中,选择重叠面积小于设定重叠面积阈值的生成树,作为所述目标生成树。
19.根据权利要求18所述的方法,其特征在于,还包括:
根据所述多个单空间的分布位置,绘制所述多个单空间所在区域的包围盒;
计算所述包围盒的面积,作为所述第一生成树对应的包围盒面积;
根据所述第一生成树对应的重叠面积和包围盒面积,计算所述第一生成树对应的空间分布合理指数;
根据所述多个单空间重建后的建筑特征,从所述多个生成树中,选择目标生成树,包括:
根据所述多个生成树各自对应的空间分布合理指数,从所述多个生成树中,选择空间分布合理指数大于设定指数阈值的生成树,作为所述目标生成树。
20.一种数据处理方法,其特征在于,包括:
获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;
基于所述多个图像数据,对所述目标空间进行重建;
对所述多个图像数据进行识别,以识别所述多个子空间各自包含的对象;
展示所述目标空间对应的重建图像,并在所述重建图像上标注所述多个子空间各自包含的对象。
21.根据权利要求20所述的方法,其特征在于,还包括:
根据所述多个图像数据包含的图像内容,识别所述多个图像数据对应的拍摄点位;
在所述重建图像中标注所述拍摄点位;
其中,所述拍摄点位包括所述多个子空间中的拍摄点位以及在所述多个子空间对应的空间连接处的拍摄点位。
22.一种数据处理方法,其特征在于,包括:
获取目标空间的多个图像数据,其中,所述目标空间包括多个子空间;
基于所述多个图像数据,对所述目标空间进行重建;
展示所述目标空间对应的重建图像;
响应对所述重建图像的调整操作,动态展示所述重建图像的调整效果。
23.根据权利要求22所述的方法,其特征在于,所述调整操作包括以下至少一种:
对所述重建图像中的对象的移动操作;
对所述重建图像中的对象的删除操作;
在所述重建图像中新增至少一个对象的操作。
24.一种数据处理方法,其特征在于,包括;
获取目标空间的多个图像数据,所述多个图像数据包括多个单空间对应的多个空间全景图像以及连接所述多个单空间的多个空间连接处的全景图像;
根据所述多个空间全景图像和所述多个空间连接处的全景图像各自包含的特征点,从所述多个图像数据中确定存在重叠区域的第一空间全景图像和第一空间连接处的全景图像;
根据所述重叠区域的像素分布特征,对所述第一空间全景图像和所述第一空间连接处的全景图像进行修正。
25.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器用于存储一条或多条计算机指令;
所述处理器用于执行所述一条或多条计算机指令以用于:执行权利要求1-19任一项所述的空间关系计算方法中的步骤或者权利要求20-24任一项所述的数据处理方法。
26.一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被处理器执行时能够实现权利要求1-19任一项所述的空间关系计算方法或者权利要求20-24任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086893.1A CN113256808A (zh) | 2020-02-11 | 2020-02-11 | 空间关系计算方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086893.1A CN113256808A (zh) | 2020-02-11 | 2020-02-11 | 空间关系计算方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256808A true CN113256808A (zh) | 2021-08-13 |
Family
ID=77219569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010086893.1A Pending CN113256808A (zh) | 2020-02-11 | 2020-02-11 | 空间关系计算方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256808A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330942A (zh) * | 2022-08-11 | 2022-11-11 | 北京城市网邻信息技术有限公司 | 多层空间三维建模方法、装置和计算机可读存储介质 |
-
2020
- 2020-02-11 CN CN202010086893.1A patent/CN113256808A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330942A (zh) * | 2022-08-11 | 2022-11-11 | 北京城市网邻信息技术有限公司 | 多层空间三维建模方法、装置和计算机可读存储介质 |
CN115330942B (zh) * | 2022-08-11 | 2023-03-28 | 北京城市网邻信息技术有限公司 | 多层空间三维建模方法、装置和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10809066B2 (en) | Automated mapping information generation from inter-connected images | |
US11494973B2 (en) | Generating floor maps for buildings from automated analysis of visual data of the buildings' interiors | |
US10297070B1 (en) | 3D scene synthesis techniques using neural network architectures | |
US11480433B2 (en) | Use of automated mapping information from inter-connected images | |
US11645781B2 (en) | Automated determination of acquisition locations of acquired building images based on determined surrounding room data | |
KR102272650B1 (ko) | 가상현실 기반 3차원 공간 재구성을 이용한 인테리어 서비스 제공 시스템 | |
US20200092473A1 (en) | Connecting And Using Building Data Acquired From Mobile Devices | |
WO2019006189A1 (en) | AUTOMATED SPACE INDEXING OF IMAGES BASED ON MASS PLAN CHARACTERISTICS | |
CA3145605C (en) | Automated exchange and use of attribute information between building images of multiple types | |
US20230138762A1 (en) | Automated Building Floor Plan Generation Using Visual Data Of Multiple Building Images | |
US11734861B2 (en) | 2D and 3D floor plan generation | |
Pintore et al. | Effective mobile mapping of multi-room indoor structures | |
Howard-Jenkins et al. | Thinking outside the box: Generation of unconstrained 3d room layouts | |
AU2022200471B2 (en) | Automated mapping information generation from analysis of building photos | |
CN110657760B (zh) | 基于人工智能的测量空间面积的方法、装置及存储介质 | |
Pintore et al. | Mobile mapping and visualization of indoor structures to simplify scene understanding and location awareness | |
CN113256808A (zh) | 空间关系计算方法、设备及存储介质 | |
WO2019014620A1 (en) | CAPTURE, CONNECTION AND USE OF BUILDING INTERIOR DATA FROM MOBILE DEVICES | |
CN113256822B (zh) | 空间关系预测、数据处理方法、设备及存储介质 | |
EP4358026A1 (en) | Automated determination of acquisition locations of acquired building images based on identified surrounding objects | |
US20240161348A1 (en) | Automated Inter-Image Analysis Of Multiple Building Images For Building Information Determination | |
Zhang | Automatic extraction and quantitative analysis of building facade information at large scale using street-level images and deep learning | |
Barazzetti et al. | Recognizing landscapes: can we change the point of view of geographic data | |
Rambat et al. | Indoor Mapping by using Smartphone Device |
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 |