CN113744408A - 网格生成方法、装置及存储介质 - Google Patents
网格生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113744408A CN113744408A CN202111013365.4A CN202111013365A CN113744408A CN 113744408 A CN113744408 A CN 113744408A CN 202111013365 A CN202111013365 A CN 202111013365A CN 113744408 A CN113744408 A CN 113744408A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- vertex
- weight
- directed
- 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 86
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Abstract
本申请提供一种网格生成方法、装置及存储介质。该方法包括:先获取点云以及点云和原始图像的对应关系;然后基于点云,构建点云对应的四面体;并以四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;根据点云和原始图像的对应关系,确定有向图包含的有向边的权重;根据有向边的权重,通过图割算法生成点云对应的目标网格。本申请中,由于有向边的权重值是根据点云和原始图像的对应关系确定的,相对于设置为常数的权重而言,根据该权重所生成的点云对应的目标网格更准确,因此,将通过该方法得到的目标网格用于重建大尺度场景时,重建得到的三维模型的精度越高,细节效果更好。
Description
技术领域
本申请涉及虚拟现实技术邻域,尤其涉及一种网格生成方法、装置及存储介质。
背景技术
虚拟现实技术被称为当前21世纪最关键的三大技术之一。虚拟现实技术不仅可以对环境和空间进行模拟,也可以无限跨越时间与地域,也正因为如此,虚拟现实技术有着空前广泛的应用前景。而三维重建技术在虚拟现实技术邻域是很重要的研究邻域之一。随着虚拟现实技术的兴起,三维重建技术也在很多邻域起着举足轻重的地位,有很多学者都在三维重建邻域进行了研究。
在三维重建技术中,从图像生成场景网格模型需要经过图像的特征提取与匹配、稀疏重建、稠密重建、网格生成、网格优化以及纹理映射等过程。在上述过程中,网格生成作为三维重建技术中重要的一环,其将三维空间离散的点云转换为三维模型的第一个步骤。但是现有的网格生成是针对普通小场景的研究成果,若将现有的网格生成用于重建大尺度场景,会存在重建后的三维模型细节较差的问题。
发明内容
为了解决上述问题,本申请提供了一种网格生成方法、装置及存储介质。
第一方面,本申请提供了一种网格生成方法,包括:
获取点云以及点云和原始图像的对应关系;
基于点云,构建点云对应的四面体;
以四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;
根据点云和原始图像的对应关系,确定有向图包含的有向边的权重;
根据有向边的权重,通过图割算法生成点云对应的目标网格。
一种可能的实施方式中,根据点云和原始图像的对应关系,确定有向图包含的有向边的权重,包括:设置一源端顶点和一汇端顶点;将有向图的顶点分别与源端顶点和汇端顶点连接;根据点云和原始图像的对应关系,任取一相机点对,其中,相机点对中一点为相机中心c,相机点对中另一点为点p,相机中心c与点p的连线为视线;确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重;确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重。
一种可能的实施方式中,确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重,包括:根据如下公式(1)确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重:
其中,αvis(p)为相邻顶点之间有向边的权重,Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
一种可能的实施方式中,确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重,包括:
根据如下公式确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重:
其中,是视线首先穿过的包含于有向图中的顶点的自由空间支持度,是视线最后穿过的包含于有向图中的顶点的自由空间支持度,δ和β是由使用者基于历史经验设置的参数,αvis(p)=∑x∈S(p)Nc(x),Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
一种可能的实施方式中,获取点云以及点云和原始图像的对应关系之后,还包括:根据所搭建计算机集群的节点数,将点云分割为包含重合区域的点云子块;将点云子块分别传输至计算机集群中对应节点,由对应节点针对点云子块执行基于点云,构建点云对应的四面体的步骤;相应地,根据有向边的权重,通过图割算法生成点云对应的目标网格之后,还包括:获取来自节点的目标网格,拼接各点云子块对应的目标网格,得到点云对应的网格。
一种可能的实施方式中,拼接各点云子块对应的目标网格,得到点云对应的网格,包括:拼接各点云子块对应的目标网格,得到拼接后的网格;对拼接后的网格的重合部分去除网格化,并对重合部分的顶点进行德劳内三角化,得到优化后的网格;对优化后的网格进行拉普拉斯顺滑处理,得到点云对应的网格。
第二方面,本申请提供一种网格生成装置,包括:
获取模块,用于获取点云以及点云和原始图像的对应关系;
构建模块,用于基于点云,构建点云对应的四面体;以及,以四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;
确定模块,用于根据点云和原始图像的对应关系,确定有向图包含的有向边的权重;
生成模块,根据有向边的权重,通过图割算法生成点云对应的目标网格。
一种可能的实施方式中,确定模块具体用于设置一源端顶点和一汇端顶点;将有向图的顶点分别与源端顶点和汇端顶点连接;根据点云和原始图像的对应关系,任取一相机点对,其中,相机点对中一点为相机中心c,相机点对中另一点为点p,相机中心c与点p的连线为视线;确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重;确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重。
一种可能的实施方式中,确定模块具体用于根据如下公式(1)确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重:
其中,αvis(p)为有向边的权重,Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
一种可能的实施方式中,确定模块具体用于:
根据如下公式确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重:
其中,是视线首先穿过的包含于有向图中的顶点的自由空间支持度,是视线最后穿过的包含于有向图中的顶点的自由空间支持度,δ和β是由使用者基于历史经验设置的参数,αvis(p)=∑x∈S(p)Nc(x),Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
一种可能的实施方式中,还包括分配模块,用于根据所搭建计算机集群的节点数,将点云分割为包含重合区域的点云子块;将点云子块分别传输至计算机集群中对应节点,由对应节点针对点云子块执行基于点云,构建点云对应的四面体的步骤;相应地,还包括拼接模块,用于获取来自节点的目标网格,拼接各点云子块对应的目标网格,得到点云对应的网格。
一种可能的实施方式中,拼接模块具体用于:拼接各点云子块对应的目标网格,得到拼接后的网格;对拼接后的网格的重合部分去除网格化,并对重合部分的顶点进行德劳内三角化,得到优化后的网格;对优化后的网格进行拉普拉斯顺滑处理,得到点云对应的网格。
第三方面,本申请提供一种电子设备,包括:
存储器和处理器;
存储器用于存储程序指令;
处理器用于调用所述存储器中的程序指令执行第一方面的网格生成方法。
第四方面,本申请一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序指令,计算机程序指令被执行时,实现第一方面的网格生成方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面的网格生成方法。
本申请提供一种网格生成方法、装置及存储介质,先获取点云以及点云和原始图像的对应关系;然后基于点云,构建点云对应的四面体;并以四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;根据点云和原始图像的对应关系,确定有向图包含的有向边的权重;根据有向边的权重,通过图割算法生成点云对应的目标网格。由于有向边的权重值是根据点云和原始图像的对应关系确定的,相对于设置为常数的权重而言,根据该权重所生成的点云对应的目标网格更准确,因此,将通过该方法得到的目标网格用于重建大尺度场景时,重建得到的三维模型的精度越高,细节效果更好。
附图说明
为了更清楚地说明本申请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做一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的应用场景示意图;
图2为本申请一实施例提供的网格生成方法的流程图;
图3为本申请一实施例提供的网格生成方法中德劳内三角剖分算法的流程图;
图4为本申请另一实施例提供的网格生成方法的流程图;
图5为本申请另一实施例提供的网格生成方法中的局部子网格图;
图6为本申请另一实施例提供的网格生成方法中的局部子网格图;
图7为本申请另一实施例提供的网格生成方法中的局部子网格图;
图8为本申请另一实施例提供的网格生成方法中的局部子网格图;
图9为本申请另一实施例提供的网格生成方法中的局部子网格图;
图10为本申请另一实施例提供的网格生成方法中的简单拼接后的网格图;
图11为本申请另一实施例提供的网格生成方法中的整体网格细节图;
图12为本申请一实施例提供的网格生成装置的结构示意图;
图13为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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。
首先,对本申请涉及的部分技术术语进行解释说明:
德劳内(Delaunay)四面体化:德劳内四面体化需要通过德劳内三角剖分算法实现。德劳内三角剖分算法是所有基于德劳内的表面重建方法的基础和核心。德劳内三角剖分算法又是三角剖分众多方法中的一种,由于算法自身的特性,用途十分广泛。德劳内三角网构建法归纳总结为三类方法:逐点插入法、三角网生成法和分治法。本申请采用逐点插入法实现三维空间点云的德劳内四面体化。
目前,已经有很多的科研人员对三维重建技术中的网格生成步骤进行了大量的研究,由于无人机采集图像集的方便,三维重建场景的区域越来越大,这些针对普通小场景的研究成果如果直接应用于大规模场景的重建就会产生许多问题:由于大规模场景生成的点云数量大,目前的网格生成方法在重建大尺度场景模型的时候细节较差,细节保留方面需要提升。
基于上述问题,本申请的实施例提供了一种网格生成方法、装置及存储介质。其提出了一种大尺度网格生成方法,该方法能够生成10平方公里以上的场景网格。具体地,通过根据点云和原始图像的对应关系来确定有向图中每个有向边的权重,再通过最小割算法确定点云对应的目标网格。这种方法由于有向边的权重值是根据点云和原始图像的对应关系确定的,相对于设置为常数的权重而言,其计算结果更准确。因此,通过该方法将三维重建技术应用于大场景时,其建模后的精度也越高,场景更精细。
示例地,本申请提供的网格生成方法可以用于三维重建、虚拟现实及测绘等领域。
图1为本申请一实施例提供的应用场景示意图。如图1所示,本应用场景中。包括:电子设备100和计算机集群110,其中,计算机集群110中包括多台计算机,这里以三台计算机为例进行说明,这三台计算机分别为:计算机111、计算机112和计算机113。
电子设备100获取到点云以及点云和原始图像的对应关系之后,可以独立对点云进行处理与建模,建模后得到网格表面,该网格即为对原始图像三维重建后的模型。
同时,对于大场景的情况,由于无人机拍摄的原始图像较大,电子设备100还可以将获取到的点云进行分配,分配后得到的点云子块发送至计算机集群110中的计算机111、计算机112以及计算机113,并由计算机111、计算机112以及计算机113进行处理和建模。
另外,本场景还可以包含多个计算机集群(图中未标出),电子设备100先将点云进行分配,并将分配后的点云子块发送至各个计算机集群,由各个计算机集群中的计算机对点云子块进行处理和建模,并将处理后的网格表面发送给电子设备100。由电子设备100将接收到的多个网格表面进行拼接,最终得到完整的网格,即三维模型。
需要说明的是,图1仅是本申请实施例提供的一种应用场景的示意图,本申请实施例不对图1中包括的设备进行限定,也不对图1中设备之间的位置关系进行限定。例如,在图1所示的应用场景中,电子设备100可以是计算机,也可以是计算机集群。本申请不对其加以限定。
接下来,通过具体实施例介绍网格生成方法。
图2为本申请一实施例提供网格生成方法的流程图。如图2所示:
S201、获取点云以及点云和原始图像的对应关系。
可选地,本申请实施例中,可以是由电子设备从其他电子设备获取点云以及点云和原始图像的对应关系,本申请不对其加以限定。
其中,点云是根据无人机拍摄的实物的原始图像生成的。示例地,在生成的过程中,首先会根据原始图像生成稀疏点云,再对稀疏点云进行进一步的稠密化,进而得到稠密化后的点云以及点云和原始图像的对应关系。该对应关系可以是一种映射关系。即点云中的点对应原始图像中的某个物体上的某个点。
S202、基于点云,构建点云对应的四面体。
示例地,可以采用德劳内三角剖分算法中的逐点插入法对点云进行德劳内四面体化,具体实施例方式如下:
使用最新的计算几何算法库(Computational Geometry Algorithms Library,简称CGAL)进行了德劳内三角剖分算法的计算和遍历。
接下来,由图3来介绍本申请实施例中德劳内三角剖分算法的具体流程。图3为本申请一实施例提供的网格生成方法中德劳内三角剖分算法的流程图。如图3所示,该德劳内三角剖分算法可以包括:
S301、读取点云中的所有点,并选取任意四个不共面的点构成第一个四面体。
例如,选取前四个不共面的点构成第一个四面体。
S302、根据点云中各个点的位置,构成新的四面体。
即在点云中取新的点,判断该点的空间位置,根据各点的位置构成新的四面体。
该步骤可以进一步具体为:
若该点在所有已有四面体的外部,则执行S3021;若该点在某一个四面体内部,则执行S3022;若该点落在某一个三角片上,则执行S3023;若该点落在某一条边上,则执行S3024;若和已有顶点重合,则丢掉该点,重新取新的点。
S3021、将位于已有四面体外部的点作为顶点,并以与其最近的三个点为底边三角形,构成四面体。
其中,所有位于已有四面体外部的点会与其距离最近的另外三个点共同构成一个新的四面体。
S3022、将位于已有四面体内部的点作为顶点,并分别以该已有四面体的四个面作为底边三角形,构成四面体。
具体地,该情况下,每个位于第一四面体内部的点,都会将该第一四面体分裂为四个新的四面体。
S3023、将位于已有四面体的面上的点作为顶点,并分别以与该已有四面体共用该面的四面体的另外三个面作为底边,构成四面体。
具体地,由于四面体有4个面,其每个四面体的每个面都会有一个与其共用该面的四面体。因此,每个四面体都有4个与其共用面的四面体。因此,对于其中一个面而言,该面上的点可以与另外一个共用面的四面体的三个边构成3个四面体(第4个面由于共用,无法构成四面体)。
S3024、将位于已有四面体的棱上的点作为顶点,并与该四面体上与该顶点不共面的其它顶点构成四面体。
具体地,对于顶点位于四面体的边上的情况,进行上述步骤后,会将该已有四面体分裂成两个新的四面体。
S303、判断是否有不符合“空球准则”的四面体的存在。
需要用罗森(Lawson)算法来检测四面体是否满足空球准则。所谓空球准则,是指当进行德劳内四面体化后,每个四面体的每个面(德劳内三角形)的外接球内不存在其他的德劳内四面体的顶点。
若没有不符合“空球准则”的四面体的存在,则执行步骤S305;若有不符合“空球准则”的四面体的存在,执行步骤S304,并返回步骤S303。
S304、对不符合“空球准则”的四面体进行调整。
S305、输出德劳内四面体化后的结果。
上述即为德劳内三角剖分算法的具体执行步骤。
S203、以四面体作为顶点,相邻四面体之间的重合的面作为有向边,构建有向图。
在四面体化的基础上,表面重建问题实际上就是一个四面体标记问题:每个四面体都被分配一个内部或外部标记。因此,重建的表面是一个有向的德劳内三角形的并集,并且该表面所限定的体积空间是水密并且不相交的。
我们创建一个有向图G<V,E>,四面体化后得到的每一个四面体为顶点,相邻四面体之间的有向三角形(即重合的面)作为顶点之间的有向边。
通过上述操作后,三维的四面体变可以转化为二维的有向图,具体地,有向图的顶点对应为三维的每个四面体;有向图的有向边则对应于三维的四面体之间的共用面。
S204、根据点云和原始图像的对应关系,确定有向图包含的有向边的权重。
该步骤通过后续实施例解释说明。
S205、根据有向边的权重,通过图割算法生成点云对应的目标网格。
示例地,当有向图的权重被确定后,可以通过最小割算法生成网格。具体地,可以通过图割算法(Graph-Cut)来确定最小割。
另外,由于最小割算法和最大流(Max Flow)算法是等价的,因此还可以通过最大流算法来确定最小割。
当确定了最小割之后,会将有向图中的有向边切割掉,生成目标网格。具体地,由于有向图中的有向边对应在三维上的四面体的共用面,因此,通过先筛选出这些共用的面,再将其拼接成网格,从而完成对原始图像进行三维技术的重建。
本申请实施例中,先获取点云以及点云和原始图像的对应关系;然后基于点云,构建点云对应的四面体;并以四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;根据点云和原始图像的对应关系,确定有向图包含的有向边的权重;根据有向边的权重,通过图割算法生成点云对应的目标网格。由于有向边的权重值是根据点云和原始图像的对应关系确定的,相对于设置为常数的权重而言,根据该权重所生成的点云对应的目标网格更准确,因此,将通过该方法得到的目标网格用于重建大尺度场景时,重建得到的三维模型的精度越高,细节效果更好。
在上述构建的有向图基础上,我们还可以增加了两个额外的顶点,分别是源端顶点和汇端顶点,所有的顶点分别和源端顶点以及汇端顶点相连。也就是说,在上述实施例的基础上,根据点云和原始图像的对应关系,确定有向图包含的有向边的权重,可以进一步包括:设置一源端顶点和一汇端顶点;将有向图的顶点分别与源端顶点和汇端顶点连接;根据点云和原始图像的对应关系,任取一相机点对,其中,相机点对中一点为相机中心c,相机点对中另一点为点p,相机中心c与点p的连线为视线;确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重;确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重。
从实际出发,由于本申请得到的原始图像是由无人机相机进行拍摄而得到的,因此,可以得出:本申请是通过设置多个相机点位,从各个角度去拍摄实物,并对原始图像处理后,进而得到三维重建后的模型。基于上述理论,本申请对于有向边的权重的确定,采用如下方法:
确定上述的相机点对的中心点,即相机中心。可以理解,存在有个相机中心。同时,由于一个相机可以拍摄到实物的多个部位。因此,一个相机可以对应点云中的多个点。又由于一个实物的部位可以被多个相机拍摄到,因此,点云中的一个点可以被多个相机拍摄到。
因此,有向边的确定方式为:我们任取一相机点对(或称为“传感器点对”),相机中心(或传感器中心)为c,点为p,相机中心c和点p的连线为视线。确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重;确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重。
进一步地,在上述实施例的基础上,确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重,可以包括:
根据如下公式确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重:
其中,αvis(p)为有向边的权重,Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
另外,确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,其为视线穿过的有向面对应的有向边的权重αvis(p)。
具体地,式中的S(p)为点云中任意一点周围的邻域。可以理解,上述式中是通过将点p周围的邻域中所有的点对应的相机个数(能拍到该点的相机个数)进行求和计算,进而得到有向边的权重。这种方法保证了准确性,由于点云中存在噪声点,若用单个点确定权重,会使得权重的计算结果不准确。
示例地,若点p邻域存在点v,点m。其中,点p对应的相机个数为4,点v对应的相机个数为2,点m对应的相机个数为1,则计算后的权重为7。若点云存在噪声点h,该点云对应的相机个数为0。若通过单点云计算权重,计算后的权重为0。通过本申请所述的方法,点h的邻域中还有点k和点l,其对应的相机个数分别为2和1,计算后的权重为3。保证了其权重整体的准确性,使得权重值的方差更小,不会使得噪声点的出现,得到整个权重变化值过大。
本申请实施例中,通过在点的周围设置一邻域,并将该邻域中所有点对应的相机的个数的和作为有向图中的有向边的权重。这种方法相比于设置权重为常数或者通过单点计算权重而言,权重计算结果更为准确,进一步地,三维重建后的效果更好,图像更加精细。
更进一步地,基于上述实施例,确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重,可以包括:
根据如下公式确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重:
其中,是视线首先穿过的包含于有向图中的顶点的自由空间支持度,是视线最后穿过的包含于有向图中的顶点的自由空间支持度,δ和β是由使用者基于历史经验设置的参数,αvis(p)=∑x∈S(p)Nc(x),Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
采用上式计算位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重,需要借助自由空间支持度。所谓自由空间支持度,可以理解为空间自由度,即处于内部实体中的点,其自由空间支持度低;处于外部空体中的点,其自由空间支持度高。δ和β是由使用者基于历史经验设置的参数,具体地,其与点云质量有关,根据实际情况,其设定的值不同。式中,可以发现,由于是视线首先穿过的包含于有向图中的顶点的自由空间支持度,是视线最后穿过的包含于有向图中的顶点的自由空间支持度。因此,大于进一步地,大于1。
可以发现,当外部的四面体的自由空间支持度和内部的四面体的自由空间支持度相差较大时,采用来确定权重。此时的权重的较大。之所以如此设置,是由于当外部四面体和内部四面体自由空间支持度相差较大时(应用于大场景时),说明其中间必定存在多个实体的四面体以及四面体之间的有向面(共用面)。此时需要将位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重设置的较大。相反地,当外部的四面体的自由空间支持度和内部的四面体的自由空间支持度相差较小时,采用之间的αvis(p)计算方式即可。
本申请实施例中,通过引入自由空间支持度来确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重。当采集的原始图像是大场景的图像时,由于外部的四面体和内部四面体自由空间支持度相差较大,会根据其差值来进一步确定具体的权重值,其根据自由空间支持度信息来保留弱支持表面。这种方法相较于直接用统一的方法计算所有的有向边的权重而言。其包含了分类讨论的情况,并引入了代表点云质量的参数δ和β,使得整体计算后的权重值更准确。进而保证了三维重建后网格的精细度。
另外,考虑到点云涉及的数据量较大的问题,可以基于计算机集群的方法对大规模场景进行分块网格生成,然后经过统一合并,得到高质量的整体网格。以下进行具体说明:
可选地,在获取点云以及点云和原始图像的对应关系之后,上述网格生成方法还可以包括:根据所搭建计算机集群的节点数,将点云分割为包含重合区域的点云子块;将点云子块分别传输至计算机集群中对应节点,由对应节点针对点云子块执行基于点云,构建点云对应的四面体的步骤。相应地,在根据有向边的权重,通过图割算法生成点云对应的目标网格之后,还可以包括:获取来自节点的目标网格,拼接各点云子块对应的目标网格,得到点云对应的网格。
对于大场景的原始图像,往往一个计算机无法完成独立运算。因此,需要借助计算机集群进行并行计算。具体地,输入稠密点云以及点云和原始图像的对应关系,根据所搭建计算机集群的节点数,将点云分成点云数量相等的子块,相邻子块具有一定的重合区域。
对于大部分的计算机集群,每个节点的机器配置大致相同。所以,为了充分的利用计算机集群资源,我们将根据计算机集群中节点的数量,来自定义点云每个分块的大小,以达到充分利用计算机集群资源的能力。
假设计算机集群拥有n个节点,且每个节点的计算能力大致相同,我们把点云数据平均分为x份,其中
x=an,a∈{a∈N|a>0}
可以发现,点云数据份数x和计算机集群n个节点存在整数倍数的关系。示例地,若x为30份,而计算机集群中有15个节点,则可以理解a为每个节点处理的点云份数,为2。
点云数据平均分配方法:首先将点云按照横坐标进行排序,根据均分的块数进行点云数据的均分,具体公式如下:
Start=(index-1)*num
End=(index-1)*num+num*add
其中,Start是子块的起始坐标索引,End是子块的结束坐标索引,index是子块的序号,num是整体点云平均分为x份的数量,add是重合比例。
本实施例中,通过先将点云分成多个点云子块后,依次下发至计算机集群,由计算机集群的节点来完成上述网格生成操作。
具体地,当每个节点确定了有向图中各个有向边的权重后,需要采用最小割算法来确定有向图中权重和最小的由有向边组成的有向路径:
当最小割确定了以后,将有向边对应的三维有向面切割,并将其拼接后,得到计算机集群中一个节点的目标网格。该网格仅代表了原始图像中某个部分对应的三维重建模型。
另外,由于每个节点都会生成一目标网格,电子设备会将所有的目标网格进行汇总,并将所有目标网格进行组合,最终得到原始图像对应的完整的三维重建模型。
本申请实施例中,通过一电子设备,先根据计算机集群中节点的数量分成点云数量相等的子块;再将点云子块分别部署到不同的节点上,并行地进行局部网格生成的工作。这种方式克服了单个计算机内存和计算能力的限制,通过计算机集群的方式进行了大尺度网格的生成,其能够生成10平方公里以上的场景网格;同时,并行处理减少了程序执行时间。
基于上述实施例,拼接各点云子块对应的目标网格,得到点云对应的网格,可以包括:拼接各点云子块对应的目标网格,得到拼接后的网格;对拼接后的网格的重合部分去除网格化,并对重合部分的顶点进行德劳内三角化,得到优化后的网格;对优化后的网格进行拉普拉斯顺滑处理,得到点云对应的网格。
该实施例中,第一步为电子设备将获取到的来自各个节点的目标网格进行合并,得到简单拼接后的网格。具体地,其方式为:以y坐标最小的子网格为基准,依次合并相邻子网格,生成初步整体网格,并记录边界处的y坐标。
生成整体网格后,由于点云子块之间具有重合部分,因此需要进一步地的优化。具体地,本实施例的第二步为:对简单拼接后的网格进行拼接处优化,根据记录的边界坐标,找到拼接处一定邻域内的共用面(有向面),并将其去除,只保留顶点,然后将保留的顶点重新进行德劳内三角化。所谓德劳内三角化,其与上述的德劳内四面体化不同,德劳内四面体化后得到的模型为多个相互拼接而成的封闭四面体;而德劳内三角化都得到的模型为三维的多个不同平面的三角形,这些三角形不构成封闭的四面体。
德劳内三角化后,本实施例的第三步为:将三角化后的网格进行拉普拉斯顺滑操作,生成最终的平滑网格。
所谓拉普拉斯平滑,其为一种平滑方式,其目的在于消除突出点以及噪声点。具体地,当样本点云中的点足够多时,通过拉普拉斯平滑,可以补偿一些点云中的噪声点。由于噪声点本身无法用于建模,该噪声点位置在建模时可以被看作为“空点”。因此,建模时会因为该“空点”的存在进而影响整个模型的精确性。通过拉普拉斯平滑,针对点云中所有的点进行对应的补充,在不影响点云中其他点的情况下,将噪声点进行补偿,进而保障了三维重建后的精准图像。
接下来,由图4来叙述本申请中借助于计算机集群来生成网格的具体步骤。图4为本申请另一实施例提供的网格生成方法的流程图,如图4所示:
S401、电子设备获取点云以及点云和原始图像的对应关系。
S402、电子设备对点云进行划分,分为多个点云子块。
示例地,划分方式可以是均等划分,本申请不对其加以限定。
S403、电子设备将各个点云子块分配至计算机集群中的各个节点。
S404、节点生成子网格。
其中,每个节点独立地,并行计算并生成子网格。每个节点生成的子网格如图5至图9所示例。
S405、节点将子网格发送至电子设备。
S406、电子设备将子网格进行合并,得到简单拼接后的网格。
例如,图10示出一种简单拼接后的网格的示例图。
S407、电子设备将简单拼接后的网格进行拼接处优化。
S408、电子设备将拼接处优化后的网格进行拉普拉斯平滑处理,得到最终的整体网格。
其中,图11示出一种整体网格细节的示例图。同时参考图10和图11可见,图11中细节更明显。
本申请实施例至少具有以下有益效果:
一、将输入的稠密点云以及点云和原始图像的对应关系,根据计算机集群中节点的数量分成点云数量相等的子块;将点云子块分别部署到不同的节点上,并行地进行局部网格(子网格)生成的工作;能够保证网格生成工作满足节点资源限制,能够生成10平方公里以上的场景网格,并行处理减少了程序执行时间。
二、将根据自由空间支持度信息来保留弱支持表面,能够生成更完整、更准确的网格,进而能够生成质量更佳的三维模型。
因此,本申请针对大规模场景三维重建任务中的网格生成工作极具研究意义和应用前景。
图12为本申请一实施例提供的网格生成装置的结构示意图,如图12所示,该网格生成装置1200包括:
获取模块1201,用于获取点云以及点云和原始图像的对应关系;
构建模块1202,用于基于点云,构建点云对应的四面体;以及,以四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;
确定模块1203,用于根据点云和原始图像的对应关系,确定有向图包含的有向边的权重;
生成模块1204,根据有向边的权重,通过图割算法生成点云对应的目标网格。
一些实施例中,确定模块1203具体用于设置一源端顶点和一汇端顶点;将有向图的顶点分别与源端顶点和汇端顶点连接;根据点云和原始图像的对应关系,任取一相机点对,其中,相机点对中一点为相机中心c,相机点对中另一点为点p,相机中心c与点p的连线为视线;确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重;确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重。
一些实施例中,确定模块1203具体用于根据如下公式(1)确定视线穿过的包含于有向图中的相邻顶点之间有向边的权重,以及顶点和源端顶点之间的有向边的权重:
其中,αvis(p)为有向边的权重,Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
一些实施例中,确定模块1203具体用于:
根据如下公式确定位于点p之后的包含于有向图中的顶点和汇端顶点之间的有向边的权重:
其中,是视线首先穿过的包含于有向图中的顶点的自由空间支持度,是视线最后穿过的包含于有向图中的顶点的自由空间支持度,δ和β是由使用者基于历史经验设置的参数,αvis(p)=∑x∈S(p)Nc(x),Nc(x)为x所相关的相机的数量,S(p)为点p周围r距离邻域内的所有点的集合。
一些实施例中,还包括分配模块(图中未标出),用于根据所搭建计算机集群的节点数,将点云分割为包含重合区域的点云子块;将点云子块分别传输至计算机集群中对应节点,由对应节点针对点云子块执行基于点云,构建点云对应的四面体的步骤;相应地,还包括拼接模块(图中未标出),用于获取来自节点的目标网格,拼接各点云子块对应的目标网格,得到点云对应的网格。
一些实施例中,拼接模块具体用于:拼接各点云子块对应的目标网格,得到拼接后的网格;对拼接后的网格的重合部分去除网格化,并对重合部分的顶点进行德劳内三角化,得到优化后的网格;对优化后的网格进行拉普拉斯顺滑处理,得到点云对应的网格。
本申请实施例提供的装置,可用于执行如前所述任一实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,处理模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(application specific integrated circuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(centralprocessing unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。
图13为本申请一实施例提供的电子设备的结构示意图。示例性地,电子设备可以被提供为一服务器或计算机。参照图13,电子设备1300包括处理组件1301,其进一步包括一个或多个处理器,以及由存储器1302所代表的存储器资源,用于存储可由处理组件1301的执行的指令,例如应用程序。存储器1302中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1301被配置为执行指令,以执行上述任一方法实施例。
电子设备1300还可以包括一个电源组件1303被配置为执行电子设备1300的电源管理,一个有线或无线网络接口1304被配置为将电子设备1300连接到网络,和一个输入输出(I/O)接口1305。电子设备1300可以操作基于存储在存储器1302的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上网格生成方法的方案。
本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上的网格生成方法的方案。
上述的计算机可读存储介质,上述可读存储介质可以是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。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于网格生成装置中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,
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申请各实施例技术方案的范围。
Claims (10)
1.一种网格生成方法,其特征在于,包括:
获取点云以及点云和原始图像的对应关系;
基于所述点云,构建所述点云对应的四面体;
以所述四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;
根据所述点云和原始图像的对应关系,确定所述有向图包含的有向边的权重;
根据所述有向边的权重,通过图割算法生成所述点云对应的目标网格。
2.根据权利要求1所述的网格生成方法,其特征在于,所述根据所述点云和原始图像的对应关系,确定所述有向图包含的有向边的权重,包括:
设置一源端顶点和一汇端顶点;
将所述有向图的顶点分别与所述源端顶点和汇端顶点连接;
根据所述点云和原始图像的对应关系,任取一相机点对,其中,所述相机点对中一点为相机中心c,所述相机点对中另一点为点p,所述相机中心c与所述点p的连线为视线;
确定所述视线穿过的包含于所述有向图中的相邻顶点之间有向边的权重,以及顶点和所述源端顶点之间的有向边的权重;
确定位于点p之后的包含于所述有向图中的顶点和所述汇端顶点之间的有向边的权重。
5.根据权利要求1至4中任一项所述的网格生成方法,其特征在于,所述获取点云以及点云和原始图像的对应关系之后,还包括:
根据所搭建计算机集群的节点数,将所述点云分割为包含重合区域的点云子块;
将所述点云子块分别传输至计算机集群中对应节点,由对应节点针对所述点云子块执行所述基于所述点云,构建所述点云对应的四面体的步骤;
相应地,所述根据所述有向边的权重,生成所述点云对应的目标网格之后,还包括:获取来自所述节点的目标网格,拼接各所述点云子块对应的目标网格,得到所述点云对应的网格。
6.根据权利要求5所述的网格生成方法,其特征在于,所述拼接各所述点云子块对应的目标网格,得到所述点云对应的网格,包括:
拼接各所述点云子块对应的目标网格,得到拼接后的网格;
对所述拼接后的网格的重合部分去除网格化,并对重合部分的顶点进行德劳内三角化,得到优化后的网格;
对所述优化后的网格进行拉普拉斯顺滑处理,得到所述点云对应的网格。
7.一种网格生成装置,其特征在于,包括:
获取模块,用于获取点云以及点云和原始图像的对应关系;
构建模块,用于基于所述点云,构建所述点云对应的四面体;以及,以所述四面体作为顶点,相邻四面体之间重合的面作为有向边,构建有向图;
确定模块,用于根据所述点云和原始图像的对应关系,确定所述有向图包含的有向边的权重;
生成模块,根据所述有向边的权重,通过图割算法生成所述点云对应的目标网格。
8.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用所述存储器中的程序指令执行如权利要求1至6中任一项所述的网格生成方法。
9.一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中存储有计算机程序指令,所述计算机程序指令被执行时,实现如权利要求1至6任一项所述的网格生成方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的网格生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013365.4A CN113744408B (zh) | 2021-08-31 | 2021-08-31 | 网格生成方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013365.4A CN113744408B (zh) | 2021-08-31 | 2021-08-31 | 网格生成方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744408A true CN113744408A (zh) | 2021-12-03 |
CN113744408B CN113744408B (zh) | 2023-10-27 |
Family
ID=78734395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111013365.4A Active CN113744408B (zh) | 2021-08-31 | 2021-08-31 | 网格生成方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744408B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115016947A (zh) * | 2022-08-05 | 2022-09-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 负载分配方法、装置、设备及介质 |
CN115018971A (zh) * | 2022-01-30 | 2022-09-06 | 青岛市勘察测绘研究院 | 一种空间网格模型构建方法 |
CN115971004A (zh) * | 2023-01-05 | 2023-04-18 | 深圳市泰达机器人有限公司 | 一种针对车厢的智能腻子喷涂方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150332501A1 (en) * | 2014-05-16 | 2015-11-19 | University Of South Florida | Analysis-suitable geometry from discrete point sets using a mesh-free method |
CN107247834A (zh) * | 2017-05-31 | 2017-10-13 | 华中科技大学 | 一种基于图像识别的三维环境模型重构方法、设备及系统 |
CN110533778A (zh) * | 2019-08-09 | 2019-12-03 | 中国科学院自动化研究所 | 大规模图像点云并行分布式网格化重建方法、系统、装置 |
CN112669463A (zh) * | 2020-12-25 | 2021-04-16 | 河南信大融通信息科技有限公司 | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 |
-
2021
- 2021-08-31 CN CN202111013365.4A patent/CN113744408B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150332501A1 (en) * | 2014-05-16 | 2015-11-19 | University Of South Florida | Analysis-suitable geometry from discrete point sets using a mesh-free method |
CN107247834A (zh) * | 2017-05-31 | 2017-10-13 | 华中科技大学 | 一种基于图像识别的三维环境模型重构方法、设备及系统 |
CN110533778A (zh) * | 2019-08-09 | 2019-12-03 | 中国科学院自动化研究所 | 大规模图像点云并行分布式网格化重建方法、系统、装置 |
CN112669463A (zh) * | 2020-12-25 | 2021-04-16 | 河南信大融通信息科技有限公司 | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
姜睿智;岳秀艳;史廷春;邱建辉;索海瑞;彭东亮;: "面向RP的CT图像处理技术综述", CT理论与应用研究, no. 01 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018971A (zh) * | 2022-01-30 | 2022-09-06 | 青岛市勘察测绘研究院 | 一种空间网格模型构建方法 |
CN115016947A (zh) * | 2022-08-05 | 2022-09-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 负载分配方法、装置、设备及介质 |
CN115971004A (zh) * | 2023-01-05 | 2023-04-18 | 深圳市泰达机器人有限公司 | 一种针对车厢的智能腻子喷涂方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113744408B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744408B (zh) | 网格生成方法、装置及存储介质 | |
US7499053B2 (en) | Real-time precision ray tracing | |
US20140324397A1 (en) | Site modeling using image data fusion | |
US10489977B2 (en) | Method for establishing a deformable 3D model of an element, and associated system | |
US8463024B1 (en) | Combining narrow-baseline and wide-baseline stereo for three-dimensional modeling | |
WO2018148924A1 (zh) | 用于三维点云重建的方法和装置 | |
WO2022041437A1 (zh) | 植物模型生成方法、装置、计算机设备和存储介质 | |
US9665978B2 (en) | Consistent tessellation via topology-aware surface tracking | |
US11263356B2 (en) | Scalable and precise fitting of NURBS surfaces to large-size mesh representations | |
WO2023124676A1 (zh) | 3d模型构建方法、装置和电子设备 | |
Meerits et al. | Real-time scene reconstruction and triangle mesh generation using multiple RGB-D cameras | |
EP4246452A1 (en) | Three-dimensional point cloud densification device, three-dimensional point cloud densification method, and program | |
CN112200906B (zh) | 一种面向倾斜三维模型的实体提取方法及其系统 | |
Ma et al. | Rapid reconstruction of a three-dimensional mesh model based on oblique images in the Internet of Things | |
CN116681857A (zh) | 一种空间碰撞检测方法、装置及电子设备 | |
CN114494641A (zh) | 一种三维模型轻量化方法及装置 | |
CN115690120B (zh) | 生成三维网格的方法、装置、设备、介质和程序产品 | |
García-Moreno | Dynamic Multi-Sensor Platform for Efficient Three-Dimensional-Digitalization of Cities | |
Bletterer et al. | Towards the reconstruction of wide historical sites: A local graph-based representation to resample gigantic acquisitions | |
US10984581B2 (en) | UV transfer | |
Luo et al. | Fast self-repairing region growing surface reconstruction algorithm for unorganised point cloud data | |
CN113724395B (zh) | 一种多楼层房屋模型的生成方法、装置、电子设备及介质 | |
Mijakovska et al. | Triangulation Method in Process of 3D Modelling from Video | |
CN117315197A (zh) | 模型处理方法、装置、计算设备及机器可读存储介质 | |
CN117422848A (zh) | 三维模型的分割方法及装置 |
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 |