CN114067060A - 用于三维建模的稠密点云快速生成方法 - Google Patents

用于三维建模的稠密点云快速生成方法 Download PDF

Info

Publication number
CN114067060A
CN114067060A CN202111438495.2A CN202111438495A CN114067060A CN 114067060 A CN114067060 A CN 114067060A CN 202111438495 A CN202111438495 A CN 202111438495A CN 114067060 A CN114067060 A CN 114067060A
Authority
CN
China
Prior art keywords
image
point cloud
dense point
image data
modeling
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
Application number
CN202111438495.2A
Other languages
English (en)
Inventor
徐宏博
翟圆圆
张振文
张子毅
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.)
China Information Technology Designing and Consulting Institute Co Ltd
Original Assignee
China Information Technology Designing and Consulting 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 China Information Technology Designing and Consulting Institute Co Ltd filed Critical China Information Technology Designing and Consulting Institute Co Ltd
Publication of CN114067060A publication Critical patent/CN114067060A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Graphics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种用于三维建模的稠密点云快速生成方法，属于应急救援的技术领域，通过立体像对匹配算法由每张图像拍摄时的位置和姿态信息，生成稠密点云；所述稠密点云生成时通过预设的图像降采样系数对每张图像进行降采样，且指定多个点云采样密度等级，且仅在高密度等级时才对图像进行全像素深度图生成。本发明通过图像降采样系数和点云采样密度的设定，可有效减少稠密点云生成的计算量，减少稠密点云生成时间，也为三维建模后续的三角网模型生成节约了时间，更有利于在三维模型上实现定位及目标统计的后续操作，为应急管理快速辅助决策提供必要的支撑。

Description

用于三维建模的稠密点云快速生成方法
技术领域
本发明涉及应急救援的技术领域，更具体的说，本发明主要涉及一种用于三维建模的稠密点云快速生成方法。
背景技术
传统无人机影像三维建模主要应用于测绘等领域，重点强调建模的精度，在数据获取、数据处理等方面有较严格的规范要求。整个建模过程通常花费几个小时甚至于几十个小时，因此传统无人机影像三维建模在多个流程上需要花费较多的时间，具体表现在数据采集阶段与在建模阶段，场景构建速度慢，图像匹配精度高但速度慢。在生成稠密点云时生成的点云数据量大，同时冗余量也大。因此面向测绘应用的三维建模处理手段无法满足在应急救援中对建模速度的快速要求。在应急救援等场景中，建模的速度成为了主要关注的指标，而建模精度的要求则放在了第二位。因此发展面向应急管理的快速建模方法和流程成为了一种迫切需要，有必要针对该快速建模方法进行研究和改进。
发明内容
本发明的目的之一在于针对上述不足，提供用于三维建模的稠密点云快速生成方法，以期望解决现有技术测绘应用的三维建模方式以精度为目的导致建模速度较慢，不适于在应急救援的领域中应用等技术问题。
为解决上述的技术问题，本发明采用以下技术方案。
本发明一方面提供了一种用于三维建模的稠密点云快速生成方法，所述方法为通过立体像对匹配算法由每张图像拍摄时的位置和姿态信息，生成稠密点云；所述稠密点云生成时通过预设的图像降采样系数对每张图像进行降采样，且指定多个点云采样密度等级，且仅在高密度等级时才对图像进行全像素深度图生成。
作为优选，进一步的技术方案是：所述点云采样密度等级包括高密度等级、中密度等级与低密度等级；在中密度等级时对图像水平方向和垂直方向上，每隔一个像素进行深度图生成；在低密度等级时对图像水平方向和垂直方向上，每隔两个像素进行深度图生成。
更进一步的技术方案是：所述图像降采样系数默认为2。
更进一步的技术方案是：所述每张图像拍摄时的位置和姿态信息，为通过空三优化算法基于压缩后图像数据中的每张图像所确定。
更进一步的技术方案是：所述图像数据通过无人机从建模区域所采集，且无人机采集建模区域的图像数据的同时，在机载端对图像数据进行压缩处理，然后通过无线网络将压缩后的图像数据实时分批次传输至智能建模单元。
更进一步的技术方案是：所述图像数据通过无人机从建模区域所采集，且无人机采集建模区域的图像数据完成后，再对图像数据进行统一压缩处理，然后一并传输至智能建模单元。
本发明另一方面提供了一种计算机可读的存储介质，所述计算机可读的存储介质中存储有指令，当计算机执行所述指令时，使得计算机执行上述的方法。
与现有技术相比，本发明通过图像降采样系数和点云采样密度的设定，可有效减少稠密点云生成的计算量，减少稠密点云生成时间，也为三维建模后续的三角网模型生成节约了时间，更有利于在三维模型上实现定位及目标统计的后续操作，为应急管理快速辅助决策提供必要的支撑。
附图说明
图1为用于应急管理的智能建模系统的示意框图。
图2为用于应急管理的智能建模方法的流程图。
图3为用于说明本发明一个实施例中的稠密点云生成方法流程图。
图4为用于说明系统中无人机图像数据数据采集流程图。
具体实施方式
下面结合附图对本发明作进一步阐述。
本发明的用于三维建模的稠密点云快速生成方法是用于应急管理的智能建模方法中的一个关键单元，方法通过指定降采样系数和点云采样密度，可大大减少稠密点云生成数量和生成时间，也为后续的三维模型生成节约时间。
而上述用于应急管理的智能建模方法是基于一个系统来实现的，该系统从抽象上理解包括两个部分，具体为图像采集端与图像处理与三维模型生成端，如图1所示，图像采集采用无人机，图像处理与三维模型生成端采用在计算机上运行的智能建模单元，该智能建模单元可通过压缩后的图像数据，生成与实时图像相同或接近的三维模型，利用该三维模型即可为应急管理决策提供支撑，基于前述的系统功能，在系统中的设计为。
通过无人机在目标区域飞行，从而采集无人机影像，即采集建模区域的图像数据。在无人机进行图像数据采集前，首先需按照本发明的目的进行飞行参数设置，优选的参数设计为通过设置较低的无人机航向重叠度为60%，旁向重叠度30%，这样可以大大减少获取的图像数据，缩短无人机作业时间，并可提升建模速度。
基于上述的系统，如图2所示，用于应急管理的智能建模方法的步骤如下，在图2中，虚线框选的部分即为方法中本发明的技术方案。
步骤S1、采集建模区域的图像数据；图像数据采集采用无人机在空中拍摄采集。
步骤S2、将图像数据进行压缩。
可选的，在步骤S1与步骤S2中，采用两种图像采集的方式，其中一种为无人机采集建模区域的图像数据完成后，再对图像数据进行统一压缩处理，然后一并传输至智能建模单元，压缩可使用相应的计算机端图像压缩软件完成，压缩完成后再传输至智能建模单元。通过图像数据压缩可减少数据大小，缩短后期的建模时间。另一种为无人机采集建模区域的图像数据的同时，在机载端对当前的图像数据进行压缩处理，然后通过5G等高速传输的无线网络将压缩后的图像数据实时分批次传输至智能建模单元，利用高速传输的无线网络支持，可以节约后期统一压缩图像数据的时间，进一步缩短后期的建模时间。
步骤S3、通过压缩后的图像数据构建场景图；在构建场景图时，基于图像获取时的空间位置（经纬度），根据空间近邻原则，选取与每张图像最近的一定数量（例如50张）图像作为其邻近图像，从而快速构建场景图。
步骤S4、使用SIFT（尺度不变特征转换Scale-invariant feature transform）或类似的算法提取每张图像上的特征点，用来完成图像匹配，特征点为每张图像上的特征点按尺度由大到小排列后，排列靠前的部分特征点。可选的，即仅保留尺度最大的一定数量（例如2000-4000个）的特征点，而不是使用全部的特征点来进行特征点匹配，这样可以大大减少匹配时间。
步骤S5、通过空三优化算法确定每张图像拍摄时的位置和姿态信息；空三优化算法为图像处理中常用的算法，其为根据匹配好的特征点，寻找最优的相机位置和姿态信息以及特征点的三维坐标，从而最小化三维点的重投影误差的平方和。
在通过上述方式得到了每张图像拍摄时的位置和姿态信息后，下一步骤即为本发明的方法，该方法在用于应急管理的智能建模方法中标定为步骤S6，具体如图3所示。
步骤S6、通过立体像对匹配算法由每张图像拍摄时的位置和姿态信息，生成稠密点云；结合图3所示，稠密点云生成是通过预设的图像降采样系数对每张图像进行降采样，且指定多个点云采样密度等级，且仅在高密度等级时才对图像进行全像素深度图生成。
可选的，上述的图像降采样系数一般默认为2。并且上述立体像对匹配算法也是图像处理中常用的算法，其可根据每张图像与相邻图像的位置关系，确定每个像素与相邻图像上的同名像素，然后使用前方交会算法确定相应像素的位置，进而得到稠密点云。
进一步的可选的是，上述点云采样密度等级包括高密度等级、中密度等级与低密度等级；除了高密度等级时才对图像进行全像素深度图生成外，其他均采用间隔像素进行深度图生成，即在中密度等级时对图像水平方向和垂直方向上，每隔一个像素进行深度图生成；在低密度等级时对图像水平方向和垂直方向上，每隔两个像素进行深度图生成。正如上述所提到的，通过指定降采样系数和点云采样密度，可以大大减少稠密点云生成数量和生成时间，也为后续的三维模型生成节约了时间。
至此，本本发明的方法步骤完成，根据本发明中快速生成得到的稠密点云，继续执行用于应急管理的智能建模方法中的步骤S7。
步骤S7、根据已生成的稠密点云，生成三角网模型；然后将三角网模型与图像数据进行纹理映射，生成接近于所述建模区域实时图像的三维模型。其中三角网模型是通过Delaunay四面体剖分算法和图割方法基于已生成的稠密点云生成的。
具体的，首先基于生成的稠密点云，生成Delaunay四面体空间剖分，构建全局优化图，图的节点由空间剖分中的四面体构建成，图的边为相邻四面体的三角面，然后确定每个点到其所见相机的连线相交的Delaunay四面体剖分中的三角面，累加权重值1到全局优化图中相应的边，得到可见线约束的全局优化图，最后使用最大流最小割算法对全局优化图进行分割，确定每个四面体与模型表面的内外关系，提取位于表面内外的相邻的四面体的共享三角面构成最终的三角网模型。然后选择与每个三角面最近的可见相机作为其关联相机，然后把同一关联相机的空间上相连通的三角面分成同一组，获取其在关联相机上拍摄的图像块，最后把所有的图像块按照打包算法组合成一张纹理图，实现三角网络的纹理映射，得到上述与建模区域实时图像相同或接近的三维模型。
基于计算机软件类产品的一般形态，本发明的还一个实施例提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有指令，当计算机执行所述指令时，使得计算机执行上述实施例中的用于应急管理的智能建模方法及其包含的用于三维建模的稠密点云快速生成方法。
其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM(randomaccess memory，随机存取存储器)、ROM(read-only memory，只读存储器)、可擦式可编程只读存储器(erasable programmable read only memory，EPROM)、寄存器、硬盘、光纤、CD-ROM(compact disc read-only memory，只读光盘)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性地存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路（application specific integrated circuit，ASIC）中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
除上述以外还需要说明的是，在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (7)

1.一种用于三维建模的稠密点云快速生成方法，其特征在于：所述方法为通过立体像对匹配算法由每张图像拍摄时的位置和姿态信息，生成稠密点云；所述稠密点云生成时通过预设的图像降采样系数对每张图像进行降采样，且指定多个点云采样密度等级，且仅在高密度等级时才对图像进行全像素深度图生成。
2.根据权利要求1所述的用于三维建模的稠密点云快速生成方法，其特征在于：所述点云采样密度等级包括高密度等级、中密度等级与低密度等级；在中密度等级时对图像水平方向和垂直方向上，每隔一个像素进行深度图生成；在低密度等级时对图像水平方向和垂直方向上，每隔两个像素进行深度图生成。
3.根据权利要求1所述的用于三维建模的稠密点云快速生成方法，其特征在于：所述图像降采样系数默认为2。
4.根据权利要求1所述的用于三维建模的稠密点云快速生成方法，其特征在于：所述每张图像拍摄时的位置和姿态信息，为通过空三优化算法基于压缩后图像数据中的每张图像所确定。
5.根据权利要求4所述的用于三维建模的稠密点云快速生成方法，其特征在于：所述图像数据通过无人机从建模区域所采集，且无人机采集建模区域的图像数据的同时，在机载端对所述图像数据进行压缩处理，然后通过无线网络将压缩后的图像数据实时分批次传输至智能建模单元。
6.根据权利要求4所述的用于三维建模的稠密点云快速生成方法，其特征在于：所述图像数据通过无人机从建模区域所采集，且无人机采集建模区域的图像数据完成后，再对所述图像数据进行统一压缩处理，然后一并传输至智能建模单元。
7.一种计算机可读的存储介质，其特征在于：所述计算机可读的存储介质中存储有指令，当计算机执行所述指令时，使得计算机执行权利要求1至6任意一项所述的方法。
CN202111438495.2A 2021-09-29 2021-11-30 用于三维建模的稠密点云快速生成方法 Pending CN114067060A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021111514032 2021-09-29
CN202111151403 2021-09-29

Publications (1)

Publication Number Publication Date
CN114067060A true CN114067060A (zh) 2022-02-18

Family

ID=80277210

Family Applications (5)

Application Number Title Priority Date Filing Date
CN202111440449.6A Pending CN114066999A (zh) 2021-09-29 2021-11-30 基于三维建模的目标定位系统及方法
CN202111438495.2A Pending CN114067060A (zh) 2021-09-29 2021-11-30 用于三维建模的稠密点云快速生成方法
CN202111438187.XA Pending CN114092651A (zh) 2021-09-29 2021-11-30 用于应急管理的智能建模系统及方法
CN202210545528.1A Pending CN114782219A (zh) 2021-09-29 2022-05-19 一种人员流动数据分析方法及装置
CN202210554244.9A Pending CN114969153A (zh) 2021-09-29 2022-05-20 一种人员分布数据确定方法及装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111440449.6A Pending CN114066999A (zh) 2021-09-29 2021-11-30 基于三维建模的目标定位系统及方法

Family Applications After (3)

Application Number Title Priority Date Filing Date
CN202111438187.XA Pending CN114092651A (zh) 2021-09-29 2021-11-30 用于应急管理的智能建模系统及方法
CN202210545528.1A Pending CN114782219A (zh) 2021-09-29 2022-05-19 一种人员流动数据分析方法及装置
CN202210554244.9A Pending CN114969153A (zh) 2021-09-29 2022-05-20 一种人员分布数据确定方法及装置

Country Status (1)

Country Link
CN (5) CN114066999A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227929B (zh) * 2023-03-07 2024-03-19 广州爱浦路网络技术有限公司 通信数据的分析方法、装置、设备及存储介质
CN117314081A (zh) * 2023-09-26 2023-12-29 选房宝(珠海横琴)数字科技有限公司 一种拓客方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140033672A (ko) * 2012-09-10 2014-03-19 삼성전자주식회사 이벤트에 관련된 정보를 전송하는 방법 및 디바이스
CN104750895B (zh) * 2013-12-30 2018-01-16 深圳先进技术研究院 基于移动手机数据的实时城市应急疏散仿真方法及系统
CN108391223B (zh) * 2018-02-12 2020-08-11 中国联合网络通信集团有限公司 一种确定失联用户的方法及装置
CN109640355B (zh) * 2019-01-22 2022-02-11 中国联合网络通信集团有限公司 灾区人员人身安全的确定方法和装置

Also Published As

Publication number Publication date
CN114066999A (zh) 2022-02-18
CN114092651A (zh) 2022-02-25
CN114782219A (zh) 2022-07-22
CN114969153A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
JP7125512B2 (ja) オブジェクトのロード方法及び装置、記憶媒体、電子装置、並びにコンピュータプログラム
CN108537876B (zh) 三维重建方法、装置、设备及存储介质
CN110674829B (zh) 一种基于图卷积注意网络的三维目标检测方法
CN108701374B (zh) 用于三维点云重建的方法和装置
CN109389043B (zh) 一种无人机航拍图片的人群密度估计方法
CN109658445A (zh) 网络训练方法、增量建图方法、定位方法、装置及设备
CN109242862B (zh) 一种实时的数字表面模型生成方法
CN114067060A (zh) 用于三维建模的稠密点云快速生成方法
CN103606151A (zh) 基于影像点云的大范围虚拟地理场景自动构建方法
CN112270736B (zh) 增强现实处理方法及装置、存储介质和电子设备
WO2020181508A1 (zh) 一种数字地表模型的构建方法及处理设备、系统
CN115830234A (zh) 一种输电线路建模用点云处理方法及处理系统
CN117132737B (zh) 一种三维建筑模型构建方法、系统及设备
KR101079475B1 (ko) 포인트 클라우드 필터링을 이용한 3차원 도시공간정보 구축 시스템
WO2022041119A1 (zh) 三维点云处理方法及装置
CN113808269A (zh) 地图生成方法、定位方法、系统及计算机可读存储介质
CN116051980B (zh) 基于倾斜摄影的建筑识别方法、系统、电子设备及介质
KR101079531B1 (ko) 포인트 클라우드 데이터를 이용한 도로 레이어 생성 시스템
CN109118565B (zh) 一种顾及杆塔电力线遮挡的电力走廊三维模型纹理映射方法
CN113686600B (zh) 一种旋耕机、开沟机性能鉴定装置
CN115564924A (zh) 一种大城市场景下规则物体点云优化系统及方法
CN109947884B (zh) 一种全球ICESat/GLAS点云的高效组织查询方法
KR101114904B1 (ko) 도화원도와 항공 레이저 측량 데이터를 이용한 도시공간정보 구축 시스템 및 그 방법
CN118172507B (zh) 基于数字孪生的变电站场景融合三维重建方法及系统
CN114708384B (zh) 一种基于直线引导特征提取的视觉slam建图方法

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