CN114494389B - 基于特征点识别连接的多段扫描的空间物体三维构建系统 - Google Patents

基于特征点识别连接的多段扫描的空间物体三维构建系统 Download PDF

Info

Publication number
CN114494389B
CN114494389B CN202210335694.9A CN202210335694A CN114494389B CN 114494389 B CN114494389 B CN 114494389B CN 202210335694 A CN202210335694 A CN 202210335694A CN 114494389 B CN114494389 B CN 114494389B
Authority
CN
China
Prior art keywords
image data
feature
characteristic
scanning
object image
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
CN202210335694.9A
Other languages
English (en)
Other versions
CN114494389A (zh
Inventor
陈海峰
陈美霞
宋婕
汪靖
刘纹薪
王红军
黄国平
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.)
Zhejiang Digital Vision Technology Co.,Ltd.
Original Assignee
Shenzhen Digital Vision Technology 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 Shenzhen Digital Vision Technology Co ltd filed Critical Shenzhen Digital Vision Technology Co ltd
Priority to CN202210335694.9A priority Critical patent/CN114494389B/zh
Publication of CN114494389A publication Critical patent/CN114494389A/zh
Application granted granted Critical
Publication of CN114494389B publication Critical patent/CN114494389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及三维建模技术领域，具体地说，涉及基于特征点识别连接的多段扫描的空间物体三维构建系统。其包括空间扫描模块、多次扫描提取模块、图像数据特征输出模块、多次特征对比模块和特征点识别连接模块，其中：所述空间扫描模块利用扫描设备对空间上的物体进行扫描，得到物体图像数据。本发明中多次特征对比模块通过两次特征对比得到分区之间的拟合点线，特征点识别连接模块根据不同分区的拟合点线构建三维模型，并利用同一分区内物体图像数据的特征点对构建的三维模型进行优化，从而实现三维建模和建模后的优化都是基于分区来实现，以提高整个三维建模的效率。

Description

基于特征点识别连接的多段扫描的空间物体三维构建系统
技术领域
本发明涉及三维建模技术领域，具体地说，涉及基于特征点识别连接的多段扫描的空间物体三维构建系统。
背景技术
在对物体进行三维重建的方案中，现有的三维建模的方法可分为以下几类：(1)单视角三维建模、(2)双视角三维建模和(3)多视角三维建模。由于根据单幅或者两幅图像去获取图像的深度信息对算法的要求高，因此基于单视角和双视角的三维建模方法在精准度上达不到精准三维建模的效果。在已有的多视角三维建模方案中，通常是将摄像设备环绕物体运行进行动态拍摄，获取所需三维建模物体的360度的图像，再将图像传输至计算机进行三维建模，但此方法在一定程度上对环绕的拍摄角度及拍摄速度要求比较高，且由于光照的不均匀分布，会导致三维建模的误差较大，不能满足现有的影视行业中的高精度三维建模的需求。
针对上述问题，中国发明专利公开号CN109242898A公开了基于图像序列的三维建模方法，包括：图像采集、拍照装置标定、图像预处理、特征点提取、立体匹配和三维重建等步骤，通过图像采集、拍照装置标定、图像预处理、特征点提取、立体匹配建立图像序列步骤的各图像的深度图像，通过三维重建步骤利用深度图像，确定不同视角下相同三维特征点的加权平均距离，得到所述建模对象的各三维特征点的三维空间坐标，完成对所述建模对象的三维建模。
可是在实际过程中，一个视角上的图像采集量是巨大的，这样图像预处理和特征点的提取量负担也就增大了，现有技术中通常利用视角进行分区筛选，可是筛选的目的只是减少一个视角上图像预处理和特征点提取的量，无法将分区内的物体图像数据与后期三维建模以及优化进行结合。
发明内容
本发明的目的在于提供基于特征点识别连接的多段扫描的空间物体三维构建系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了基于特征点识别连接的多段扫描的空间物体三维构建系统，其包括空间扫描模块、多次扫描提取模块、图像数据特征输出模块、多次特征对比模块和特征点识别连接模块，其中：
所述空间扫描模块利用扫描设备对空间上的物体进行扫描，得到物体图像数据；
所述多次扫描提取模块用于对同一物体的物体图像数据进行提取，并将提取的物体图像数据按照物体的不同视角范围进行分区存储；
所述图像数据特征输出模块用于分析物体图像数据，并得到物体图像数据中的特征点；
所述多次特征对比模块将分区内物体图像数据的特征点进行对比，得到分区的代表图像，再将代表图像中的特征点进行对比，得到分区之间的拟合点线；
所述特征点识别连接模块根据不同分区的拟合点线构建三维模型，并利用同一分区内物体图像数据的特征点对构建的三维模型进行优化。
作为本技术方案的进一步改进，所述扫描设备包括双目相机、光场相机和TOF相机。
作为本技术方案的进一步改进，所述多次扫描提取模块包括扫描提取单元、图像特征接收单元、特征点占比分析单元和分区存储单元；所述扫描提取单元用于对空间扫描模块得到的物体图像数据进行提取；所述图像特征接收单元在物体图像数据提取后接收图像数据特征输出模块输出的特征点；所述特征点占比分析单元用于对物体图像数据中的特征点进行视角范围占比分析，然后得到视角区域特征集；所述分区存储单元对包含视角区域特征集中所有特征点的物体图像数据统一存储，得到不同的分区。
作为本技术方案的进一步改进，所述特征点占比分析单元中的视角范围占比分析步骤如下：
S1、将扫描提取单元提取的首个物体图像数据作为基础视角区域特征集；
S2、获取基础视角区域特征集的特征点，并计算基础视角区域特征集的特征点在后续物体图像数据中特征点的占比
Figure 695560DEST_PATH_IMAGE001
，其中：
Figure 961457DEST_PATH_IMAGE002
，则将对应的物体图像数据归入基础视角区域特征集内；
Figure 773555DEST_PATH_IMAGE003
，则根据对应的物体图像数据建立后续视角区域特征集；
S3、将建立的后续视角区域特征集附着于基础视角区域特征集上，然后重复S2，直至所有物体图像数据均完成S2中的计算。
作为本技术方案的进一步改进，所述S2中占比
Figure 150310DEST_PATH_IMAGE004
的计算公式如下：
Figure 629832DEST_PATH_IMAGE006
；
Figure 803980DEST_PATH_IMAGE007
；
式中，
Figure 368954DEST_PATH_IMAGE008
为基础视角区域特征集的特征点的数量；
Figure 283820DEST_PATH_IMAGE009
为未附着后续视角区域特征集的基础视角区域特征集中的特征点数量；
Figure 617850DEST_PATH_IMAGE010
为附着于基础视角区域特征集上的后续视角区域特征集中特征点数量；
Figure 959969DEST_PATH_IMAGE011
为后续物体图像数据中特征点数量。
作为本技术方案的进一步改进，所述多次特征对比模块包括区内特征对比单元和拟合对比单元；所述区内特征对比单元用于将分区内所有物体图像数据的特征点进行对比，并以最少特征点的物体图像数据作为分区的代表图像；所述拟合对比单元用于将所有代表图像进行拟合对比分析。
作为本技术方案的进一步改进，所述拟合对比单元中拟合对比分析的步骤如下：
首先提取所有代表图像的边缘特征点；
将代表图像的边缘特征点进行拟合；
将拟合后的边缘特征点与相应代表图像所在分区内的其他物体图像数据中的特征点进行比对，比对后拟合成功的边缘特征点形成拟合点线。
作为本技术方案的进一步改进，所述分区存储单元在对物体图像数据进行存储时，会根据拟合点线对物体图像数据中的特征点进行切割。
作为本技术方案的进一步改进，所述分区存储单元中被切割下来的特征点存储至与拟合点线相邻的分区内。
作为本技术方案的进一步改进，所述特征点识别连接模块对三维模型进行优化的分区内物体图像数据特征点包括分区内未被切割的特征点和分区内其他分区切割下来的特征点。
与现有技术相比，本发明的有益效果：
1、该基于特征点识别连接的多段扫描的空间物体三维构建系统中，通过特征点占比分析单元对物体图像数据中的特征点进行视角范围占比分析，通过占比分析将同一视角下的物体图像数据进行汇总，以便于进行分区存储；
在此基础上，多次特征对比模块通过两次特征对比得到分区之间的拟合点线，特征点识别连接模块根据不同分区的拟合点线构建三维模型，并利用同一分区内物体图像数据的特征点对构建的三维模型进行优化，从而实现三维建模和建模后的优化都是基于分区来实现，以提高整个三维建模的效率。
2、该基于特征点识别连接的多段扫描的空间物体三维构建系统中，分区存储单元在对物体图像数据进行存储时，会根据拟合点线对物体图像数据中的特征点进行切割，从而利用拟合点线对分区进行优化，提高分区内数据的有效性。
3、该基于特征点识别连接的多段扫描的空间物体三维构建系统中，特征点识别连接模块对三维模型进行优化的分区内物体图像数据特征点包括分区内未被切割的特征点和分区内其他分区切割下来的特征点，从而提高特征点优化的范围，进一步提高分区内数据的有效性。
附图说明
图1为本发明的整体模块示意框图；
图2为本发明的多次扫描提取模块单元示意框图；
图3为本发明的多次特征对比模块单元示意框图；
图4为本发明的视角范围占比分析步骤流出框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1所示，本实施例目的在于，提供了基于特征点识别连接的多段扫描的空间物体三维构建系统，其包括空间扫描模块、多次扫描提取模块、图像数据特征输出模块、多次特征对比模块和特征点识别连接模块；首先，空间扫描模块利用扫描设备（扫描设备包括双目相机、光场相机和TOF相机）对空间上的物体进行扫描，得到物体图像数据，在扫描时会对物体的多个视角进行扫描，而且为了提高精确度，会在每个视角上扫描多次，但是在多次扫描后还需要对多个扫描的物体图像数据进行分区筛选，但分类筛选的目的就是减轻筛选负担，目的较为单一，为此通过以下实施例对分区后的物体图像数据进行利用。
第一实施例，请参阅图2所示，在空间扫描模块扫描物体得到物体图像数据的同时，图像数据特征输出模块会对物体图像数据进行分析，并得到物体图像数据中的特征点，然后多次扫描提取模块对同一物体的物体图像数据进行提取，并将提取的物体图像数据按照物体的不同视角范围进行分区存储，而多次扫描提取模块具体包括扫描提取单元、图像特征接收单元、特征点占比分析单元和分区存储单元，其中：
扫描提取单元对空间扫描模块得到的物体图像数据进行提取，图像特征接收单元在物体图像数据提取后接收图像数据特征输出模块输出的特征点，此时，特征点占比分析单元能够对物体图像数据中的特征点进行视角范围占比分析，然后得到视角区域特征集，其主要目的是得到物体一个视角扫描的所有物体图像数据，最后分区存储单元对包含视角区域特征集中所有特征点的物体图像数据统一存储，得到不同的分区；
紧接着，多次特征对比模块将分区内物体图像数据的特征点进行对比，得到分区的代表图像，再将代表图像中的特征点进行对比，得到分区之间的拟合点线，这时候特征点识别连接模块根据不同分区的拟合点线构建三维模型，并利用同一分区内物体图像数据的特征点对构建的三维模型进行优化。
第二实施例，请参阅图4所示，特征点占比分析单元中的视角范围占比分析步骤如下：
S1、将扫描提取单元提取的首个物体图像数据作为基础视角区域特征集；
S2、获取基础视角区域特征集的特征点，并计算基础视角区域特征集的特征点在后续物体图像数据中特征点的占比
Figure 746660DEST_PATH_IMAGE001
，其中：
Figure 465217DEST_PATH_IMAGE002
，则将对应的物体图像数据归入基础视角区域特征集内；
Figure 919332DEST_PATH_IMAGE003
，则根据对应的物体图像数据建立后续视角区域特征集；
S3、将建立的后续视角区域特征集附着于基础视角区域特征集上，一旦附着上后续视角区域特征集中的特征点就与基础视角区域特征集合并，但在计算占比时按照如下公式计算：
Figure 432353DEST_PATH_IMAGE012
；
Figure 706340DEST_PATH_IMAGE007
；
式中，
Figure 228588DEST_PATH_IMAGE008
为基础视角区域特征集的特征点的数量；
Figure 271630DEST_PATH_IMAGE009
为未附着后续视角区域特征集的基础视角区域特征集中的特征点数量；
Figure 218202DEST_PATH_IMAGE010
为附着于基础视角区域特征集上的后续视角区域特征集中特征点数量；
Figure 713905DEST_PATH_IMAGE011
为后续物体图像数据中特征点数量；假设有三个特征集X、Y和Z，其中X为首次扫描得到的物体图像数据，所以将其设定为基础视角区域特征集，然后第二次扫描的Y与X进行占比计算，得到X在Y中占比小于95％，为此根据Y建立后续视角区域特征集，并将其附着在X上，第三次扫描的Z在进行S2时也是基础视角区域特征集，首先将Z与X进行占比计算，此时
Figure DEST_PATH_IMAGE013
，得到Z在X中占比小于95％，但由于Y附着在Z上，所以计算到这并不是说占比计算结束，而是将
Figure 243107DEST_PATH_IMAGE009
进行变更，使其变更为
Figure 875076DEST_PATH_IMAGE010
，也就说将Z与Y进行占比计算，得到Z在Y中占比大于95％，这时候将Z归入Y内。
如果还要其他物体图像数据就重复S2，直至所有物体图像数据均完成S2中的占比计算。
值得说明的是，以
Figure 995479DEST_PATH_IMAGE014
为判断值是考虑到每次扫描无法保证扫描的视角范围统一，所以存在一定的偏差。
第三实施例，请参阅图3所示，多次特征对比模块包括区内特征对比单元和拟合对比单元；区内特征对比单元用于将分区内所有物体图像数据的特征点进行对比，并以最少特征点的物体图像数据作为分区的代表图像，然后拟合对比单元将所有代表图像进行拟合对比分析，其分析步骤如下：
首先提取所有代表图像的边缘特征点；
将代表图像的边缘特征点进行拟合；
将拟合后的边缘特征点与相应代表图像所在分区内的其他物体图像数据中的特征点进行比对，比对后拟合成功的边缘特征点形成拟合点线。
而且，分区存储单元在对物体图像数据进行存储时，会根据拟合点线对物体图像数据中的特征点进行切割，被切割下来的特征点存储至与拟合点线相邻的分区内，但并不是说被切割下来的特征点就没有利用价值，其价值体现在三维模型的优化上，具体的：
特征点识别连接模块对三维模型进行优化的分区内物体图像数据特征点包括分区内未被切割的特征点和分区内其他分区切割下来的特征点，从而提高特征点优化的范围，保证三维模型构建的精确度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.基于特征点识别连接的多段扫描的空间物体三维构建系统，其特征在于：包括空间扫描模块、多次扫描提取模块、图像数据特征输出模块、多次特征对比模块和特征点识别连接模块，其中：
所述空间扫描模块利用扫描设备对空间上的物体进行扫描，得到物体图像数据；
所述多次扫描提取模块用于对同一物体的物体图像数据进行提取，并将提取的物体图像数据按照物体的不同视角范围进行分区存储；
所述图像数据特征输出模块用于分析物体图像数据，并得到物体图像数据中的特征点；
所述多次特征对比模块将分区内物体图像数据的特征点进行对比，得到分区的代表图像，再将代表图像中的特征点进行对比，得到分区之间的拟合点线；
所述特征点识别连接模块根据不同分区的拟合点线构建三维模型，并利用同一分区内物体图像数据的特征点对构建的三维模型进行优化；
所述多次扫描提取模块包括扫描提取单元、图像特征接收单元、特征点占比分析单元和分区存储单元；所述扫描提取单元用于对空间扫描模块得到的物体图像数据进行提取；所述图像特征接收单元在物体图像数据提取后接收图像数据特征输出模块输出的特征点；所述特征点占比分析单元用于对物体图像数据中的特征点进行视角范围占比分析，然后得到视角区域特征集；所述分区存储单元对包含视角区域特征集中所有特征点的物体图像数据统一存储，得到不同的分区；
所述特征点占比分析单元中的视角范围占比分析步骤如下：
S1、将扫描提取单元提取的首个物体图像数据作为基础视角区域特征集；
S2、获取基础视角区域特征集的特征点，并计算基础视角区域特征集的特征点在后续物体图像数据中特征点的占比
Figure DEST_PATH_IMAGE001
，其中：
Figure 196510DEST_PATH_IMAGE002
，则将对应的物体图像数据归入基础视角区域特征集内；
Figure DEST_PATH_IMAGE003
，则根据对应的物体图像数据建立后续视角区域特征集；
S3、将建立的后续视角区域特征集附着于基础视角区域特征集上，然后重复S2，直至所有物体图像数据均完成S2中的计算；
所述S2中占比
Figure 54876DEST_PATH_IMAGE001
的计算公式如下：
Figure DEST_PATH_324405DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE005
；
式中，
Figure 795616DEST_PATH_IMAGE006
为基础视角区域特征集的特征点的数量；
Figure DEST_PATH_IMAGE007
为未附着后续视角区域特征集的基础视角区域特征集中的特征点数量；
Figure 759024DEST_PATH_IMAGE008
为附着于基础视角区域特征集上的后续视角区域特征集中特征点数量；
Figure DEST_PATH_IMAGE009
为后续物体图像数据中特征点数量。
2.根据权利要求1所述的基于特征点识别连接的多段扫描的空间物体三维构建系统，其特征在于：所述扫描设备包括双目相机、光场相机和TOF相机。
3.根据权利要求1所述的基于特征点识别连接的多段扫描的空间物体三维构建系统，其特征在于：所述多次特征对比模块包括区内特征对比单元和拟合对比单元；所述区内特征对比单元用于将分区内所有物体图像数据的特征点进行对比，并以最少特征点的物体图像数据作为分区的代表图像；所述拟合对比单元用于将所有代表图像进行拟合对比分析。
4.根据权利要求3所述的基于特征点识别连接的多段扫描的空间物体三维构建系统，其特征在于，所述拟合对比单元中拟合对比分析的步骤如下：
首先提取所有代表图像的边缘特征点；
将代表图像的边缘特征点进行拟合；
将拟合后的边缘特征点与相应代表图像所在分区内的其他物体图像数据中的特征点进行比对，比对后拟合成功的边缘特征点形成拟合点线。
5.根据权利要求4所述的基于特征点识别连接的多段扫描的空间物体三维构建系统，其特征在于：所述分区存储单元在对物体图像数据进行存储时，会根据拟合点线对物体图像数据中的特征点进行切割。
6.根据权利要求5所述的基于特征点识别连接的多段扫描的空间物体三维构建系统，其特征在于：所述分区存储单元中被切割下来的特征点存储至与拟合点线相邻的分区内。
7.根据权利要求6所述的基于特征点识别连接的多段扫描的空间物体三维构建系统，其特征在于：所述特征点识别连接模块对三维模型进行优化的分区内物体图像数据特征点包括分区内未被切割的特征点和分区内其他分区切割下来的特征点。
CN202210335694.9A 2022-04-01 2022-04-01 基于特征点识别连接的多段扫描的空间物体三维构建系统 Active CN114494389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210335694.9A CN114494389B (zh) 2022-04-01 2022-04-01 基于特征点识别连接的多段扫描的空间物体三维构建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210335694.9A CN114494389B (zh) 2022-04-01 2022-04-01 基于特征点识别连接的多段扫描的空间物体三维构建系统

Publications (2)

Publication Number Publication Date
CN114494389A CN114494389A (zh) 2022-05-13
CN114494389B true CN114494389B (zh) 2022-07-15

Family

ID=81488088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210335694.9A Active CN114494389B (zh) 2022-04-01 2022-04-01 基于特征点识别连接的多段扫描的空间物体三维构建系统

Country Status (1)

Country Link
CN (1) CN114494389B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005017036A (ja) * 2003-06-24 2005-01-20 Taisei Corp ３次元モデルの修正方法
CN101320473A (zh) * 2008-07-01 2008-12-10 上海大学 自由多视角、实时的三维重建系统和方法
CN105547189A (zh) * 2015-12-14 2016-05-04 南京航空航天大学 基于变尺度的高精度光学三维测量方法
CN106097431A (zh) * 2016-05-09 2016-11-09 王红军 一种基于三维栅格地图的物体整体识别方法
CN106570507A (zh) * 2016-10-26 2017-04-19 北京航空航天大学 单目视频场景三维结构的多视角一致的平面检测解析方法
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质
JP2018181047A (ja) * 2017-04-17 2018-11-15 凸版印刷株式会社 三次元形状モデル生成装置、三次元形状モデル生成方法及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053247B (zh) * 2009-10-28 2013-03-27 中国科学院电子学研究所 一种多基线合成孔径雷达三维成像的相位校正方法
CN105203044B (zh) * 2015-05-27 2019-06-11 珠海真幻科技有限公司 以计算激光散斑为纹理的立体视觉三维测量方法及系统
US10152828B2 (en) * 2015-09-30 2018-12-11 Umap AV Corp. Generating scene reconstructions from images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005017036A (ja) * 2003-06-24 2005-01-20 Taisei Corp ３次元モデルの修正方法
CN101320473A (zh) * 2008-07-01 2008-12-10 上海大学 自由多视角、实时的三维重建系统和方法
CN105547189A (zh) * 2015-12-14 2016-05-04 南京航空航天大学 基于变尺度的高精度光学三维测量方法
CN106097431A (zh) * 2016-05-09 2016-11-09 王红军 一种基于三维栅格地图的物体整体识别方法
CN106570507A (zh) * 2016-10-26 2017-04-19 北京航空航天大学 单目视频场景三维结构的多视角一致的平面检测解析方法
JP2018181047A (ja) * 2017-04-17 2018-11-15 凸版印刷株式会社 三次元形状モデル生成装置、三次元形状モデル生成方法及びプログラム
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
三维激光扫描技术在建筑物重建中的应用;张亚;《河南科技》;20130305(第3期);第23-24页 *

Also Published As

Publication number Publication date
CN114494389A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN108648161B (zh) 非对称核卷积神经网络的双目视觉障碍物检测系统及方法
CN108491786B (zh) 一种基于分级网络和聚类合并的人脸检测方法
CN114758252B (zh) 基于图像的分布式光伏屋顶资源分割与提取方法及系统
CN115564926B (zh) 基于影像建筑物结构学习的三维面片模型构建方法
CN113192179A (zh) 一种基于双目立体视觉的三维重建方法
CN111540005A (zh) 基于二维栅格地图的回环检测方法
CN107403451B (zh) 自适应二值特征单目视觉里程计方法及计算机、机器人
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN104778691B (zh) 一种三维点云数据的处理方法
US20140125667A1 (en) Roof Generation And Texturing Of 3D Models
CN116721228B (zh) 一种基于低密度点云的建筑物高程提取方法及系统
CN114332134A (zh) 一种基于密集点云的建筑物立面提取方法和装置
CN111197976A (zh) 一种顾及弱纹理区域多阶段匹配传播的三维重建方法
CN114782357A (zh) 一种用于变电站场景的自适应分割系统及方法
CN110942102A (zh) 一种概率松弛核线匹配方法及系统
CN114266899A (zh) 一种基于多核dsp的图像目标并行检测方法
CN114494389B (zh) 基于特征点识别连接的多段扫描的空间物体三维构建系统
CN111630569B (zh) 双目匹配的方法、视觉成像装置及具有存储功能的装置
CN117392237A (zh) 一种鲁棒的激光雷达-相机自标定方法
CN113065400A (zh) 基于无锚框两阶段网络检测发票印章的方法及装置
CN115797591B (zh) 一种虚拟建筑模型生成方法及系统
CN113077504B (zh) 基于多粒度特征匹配大场景深度图生成方法
CN111161397B (zh) 人脸三维重建方法、装置、电子设备及可读存储介质
CN115937507A (zh) 一种基于点空洞方向卷积的点云语义分割方法
CN108268533A (zh) 一种用于图像检索的图像特征匹配方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231020

Address after: Room 201, Building 5, No. 99 Xiangmao Road, Gongshu District, Hangzhou City, Zhejiang Province, 310000

Patentee after: Zhejiang Digital Vision Technology Co.,Ltd.

Address before: 518103 floor 4, building B, zhengchangda digital technology park, Jian'an Road, Tangwei community, Fuhai street, Bao'an District, Shenzhen, Guangdong

Patentee before: Shenzhen Digital Vision Technology Co.,Ltd.