CN114511637A - 一种基于构造强特征的弱特征物体图像三维重建系统及方法 - Google Patents
一种基于构造强特征的弱特征物体图像三维重建系统及方法 Download PDFInfo
- Publication number
- CN114511637A CN114511637A CN202210413255.5A CN202210413255A CN114511637A CN 114511637 A CN114511637 A CN 114511637A CN 202210413255 A CN202210413255 A CN 202210413255A CN 114511637 A CN114511637 A CN 114511637A
- Authority
- CN
- China
- Prior art keywords
- strong
- weak
- feature
- points
- dimensional reconstruction
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
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)
Abstract
本发明公开了一种基于构造强特征的弱特征物体图像三维重建系统及方法,被重建物体、带强特征标志的支架以及单目相机,被重建物体置于支架上,支架上的强特征标志位于被重建物体周围来保证位姿重建的速度和精度,采用单目相机对被重建物体和支架在多个视角下进行拍摄,获取被重建物体和强特征标志的图像,通过强特征标志对相机位姿关系进行估计,再利用对极几何对被重建物体在局部范围内进行弱特征匹配,根据三角关系计算得到弱特征点的三维坐标,进而实现被重建物体的三维重建。本发明对具有纹理特征较弱的物体采用相机获取的图像通过算法进行三维重建,保证弱纹理特征的物体三维重建的速度和精度。
Description
技术领域
本发明涉及视觉和图像处理技术领域,具体涉及一种基于构造强特征的弱特征物体图像三维重建系统及方法。
背景技术
随着图像采集设备的发展,高分辨率、超大视场角,利用图像进行三维重建逐渐成为主要的方向,三维重建可以用于装配件尺寸测量、建模、有限元分析、数字化城市等,目前比较热门的SLAM技术、计算机视觉、摄影测量三维重建等技术得到了快速的发展。然而,所有的三维重建技术都需要依赖特征点提取,特征点主要依赖被测对象的纹理特征,对于具有明显纹理的强特征物体,其提取的特征点多,鲁棒性好,进行三维重建是非常简单的。但是对于纹理特征较弱的弱特征物体,其提取的特征点少,鲁棒性差,这使得多个视角的图片进行空间位姿估计时难以精确求解,经常出现位姿估计错误的情况甚至无法估计多个视角的位姿关系,因此,针对上述情况,常用的方法可以增加IMU(惯性导航)系统提供初始的位姿信息,在有位姿初始信息的情况下也能够达到很好的三维重建。但是在没有IMU系统的情况下,对于弱特征物体三维重建精度低,甚至重建失败。
发明内容
为了克服现有技术的不足,本发明的提出一种基于构造强特征的弱特征物体图像三维重建系统及方法,对具有纹理特征较弱的物体采用相机获取的图像通过算法进行三维重建,保证弱纹理特征的物体三维重建的速度和精度。
本发明为实现上述目的,所采用的技术方案之一是:一种基于构造强特征的弱特征物体图像三维重建系统,该系统包括:
被重建物体、带强特征标志的支架以及单目相机,被重建物体置于支架上,支架上的强特征标志位于被重建物体周围来保证位姿重建的速度和精度,采用单目相机对被重建物体和支架在多个视角下进行拍摄,获取被重建物体和强特征标志的图像,通过强特征标志对相机位姿关系进行估计,再利用对极几何对被重建物体在局部范围内进行弱特征匹配,根据三角关系计算弱特征点的三维坐标,再逐像素实现被重建物体的三维重建。
优选地,带强特征标志的支架为长方体结构,长方体结构下部为实心基座,上部为镂空状框,被重建物体置于基座上,镂空状框内。
优选地,强特征标志包括设置在基座四个侧面的标志点、镂空状框架上的标志点,每个面的标志点阵列九个点,其中三个角点与其他六个点形状有区分,且四个侧面的角点位置均不相同,用来区分各个特征面。
优选地,镂空状框架上的标志点位于框架的边缘上,且分布位置不相同。
本发明为实现上述目的,所采用的技术方案之二是:一种基于构造强特征的弱特征物体图像三维重建方法,该方法包括以下步骤:
1)计算相机的内参和畸变参数,通过张氏标定算法,对相机的内参数进行标定;
2)利用单目相机拍摄图像,对被重建物体和支架在多个视角下进行系列图像数据的采集并标记,图像采集过程中保持基座和被重建物体相对静止;
3)图像位置提取,基于基座中的强特征标志进行位置提取;
4)对系列图像采集时相机的初始位置关系估计;
5)精确计算图像之间的位姿关系,通过构造的强特征精确计算得到基础矩阵;
6)根据步骤5)的基础矩阵对被重建物体的弱特征进行密集点云重建,遍历所有的点从而完成被重建物体的三维重建;
优选地,所述步骤3)具体为:首先建立基座中强特征标志的坐标系,通过识别强特征标志得到其在图像中的坐标。
优选地,所述步骤4)具体为:根据基座四个面中标志点的分布不同,大致确定所采集的一系列图像之间的相互位置关系,确保后面图像运算时,只计算具有重叠部分的图像,避免遍历所有的图像进行匹配,减少不必要的计算。
优选地,所述步骤5)具体为:根据中心投影关系,利用构造强特征点精确计算图像之间的位姿关系,获得基础矩阵。
优选地,所述步骤6)具体为:根据步骤5)的基础矩阵,提取被重建物体的弱特征点,在与其重叠的图像中,利用对极几何计算对极线,在图像中的对极线上进行弱特征匹配,根据三角关系,计算弱特征点的三维坐标,遍历所有的点,得到被重建物体的三维模型。
本发明的有益效果是:与现有技术相比,本发明基于构造强特征,通过单目相机拍摄图像,根据相机的初始的位姿信息重构出被重建物体的虚拟重叠数据,既加快了对应点集匹配速度,又提供了精确的对应点,弱特征物体三维重建方法更为简单,易操作。仅采用相机采集的图像进行三维重建,避免了增加IMU系统的硬件成本和额外软件开发问题。
附图说明
图1为本发明的系统的结构示意图。
图2为本发明的强特征标志在支架上的分布示意图。
图3为本发明实施例的系统示意图。
图4为本发明实施例的方法流程图。
图5为本发明两个视角下的成像原理图。
图6为本发明实施例的视角1和视角2系统和被测物体的图像,其中(a)为视角1下的图像,(b)为视角2下的图像。
图7为本发明实施例的强特征点提取的示意图,其中(a)为视角1强特征点提取,(b)为视角2强特征点提取。
图8为本发明实施例的两个视角下的位姿估计示意图。
图9为本发明实施例的弱特征点示意图,其中(a)为视角1下的弱特征点,(b)为视角2下的弱特征点。
图10为本发明实施例弱特征匹配示意图,其中(a)为的视角1中弱特征点,(b)为视角1中弱特征点在视角2中的位姿。
图11为本发明实施例的视角1和视角2下遍历所以弱特征点的三维重建。
图12为本发明实施例的视角1和视角2下逐像素三维重建。
图13为本发明实施例的所有视角的位姿估计。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例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公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
一种基于构造强特征的弱特征物体图像三维重建系统,参见图1、图2,该系统包括:
带强特征标志的支架1、被重建物体2以及单目相机,被重建物体置于支架上,支架上的强特征标志位于被重建物体周围来保证位姿重建的速度和精度,采用单目相机对被重建物体和支架在多个视角下(31至34为不同视角下的相机位姿)进行拍摄,获取被重建物体和强特征标志的图像,通过强特征标志对相机位姿关系进行估计,再利用对极几何对被重建物体在局部范围内进行弱特征匹配,根据三角关系计算弱特征点的三维坐标,进而实现被重建物体的三维重建。
优选地,带强特征标志的支架为长方体结构,长方体结构下部为实心基座,上部为镂空状框,被重建物体置于基座上,镂空状框内。
优选地,强特征标志包括设置在基座四个侧面(图中A1至A4)的标志点、镂空状框架上的标志点,每个面的标志点阵列九个点,其中三个角点与其他六个点形状有区分,且四个侧面的角点位置均不相同,用来区分各个特征面。
优选地,镂空状框架上的标志点位于框架的边缘上,且分布位置不相同。
参见图3,本实施例三个角点为黑白相间的特征标志,其余为圆点标志,上部主要为圆点标志,主要分布在边缘上。
参见图4,一种基于构造强特征的弱特征物体图像三维重建方法,该方法包括以下步骤:
1)计算相机的内参和畸变参数,通过张氏标定算法,对相机的内参数进行标定;
2)利用单目相机拍摄图像,对被重建物体和支架在多个视角下进行系列图像数据的采集并标记,依次标记为31、32、……,图像采集过程中保持基座和被重建物体相对静止;
3)图像位置提取,基于基座中的强特征标志进行位置提取;
4)对系列图像采集时相机的初始位置关系估计;
5)精确计算图像之间的位姿关系,通过构造的强特征精确计算得到基础矩阵;
6)根据步骤5)的基础矩阵对被重建物体的弱特征进行密集点云重建,遍历所有的点从而完成被重建物体的三维重建;
优选地,所述步骤3)具体为:首先建立基座中强特征标志的坐标系,通过识别强特征标志得到其在图像中的坐标,支架1上的这些特征标志的坐标(xi,yi,zi)(下标“i”表示特征标志点的编号)均为已知,因此,通过识别圆点和黑白标志点得到这些强特征标志点在图像中的坐标(ui,vi)。
优选地,所述步骤4)具体为:根据基座A1,A2,A3和A4四个面中标志点的分布不同,大致确定所采集的一系列图像之间的相互位置关系,确保后面图像运算时,只计算具有重叠部分的图像,避免遍历所有的图像进行匹配,减少不必要的计算。
优选地,所述步骤5)具体为:精确计算图像之间的位姿关系,根据中心投影关系,构造的强特征点P在两个相机下的关系为
其中,
Xj=(xj,yj,zj)为构造的强特征点P在位姿1下的坐标(j=1,2,......,n)(n为点的数量),X’ j=(x’ j,y’ j,z’ j)为构造的强特征点P在位姿2下的坐标,E为基础矩阵,R和t=(txtytz)T分别表示相机2相对相机1的旋转和平移矩阵,tx、ty 、tz分别表示沿着x、y和z方向的平移量。
由于基础矩阵E的秩为2,因此其行列式值为零,具体表达式为
将矩阵E按照3×3展开后得到
将上述方程展开后,将矩阵E的9个元素写为一列,则形成新的矩阵为
令
则方程表示为MY=0,计算后得到基础矩阵E。其中向量Y为包含基础矩阵9个元素。M是由两个位姿坐标系下的坐标形成的n×9的矩阵,9为匹配特征点数量。
对矩阵M作SVD分解,取特征值最小的四个特征向量,这四个特征向量是两个位姿可能的四种姿态,记作E1、E2、E3、E4,
构造函数E=aE1+bE2+cE3+E4,将其带入方程中得到:
将其写为矩阵形式
QZ=0
其中
将方程中的C提取到矩阵Q中,得到
其中
Ay=λBy,
其中
对上述方程求解得到y,取前9个元素得到3×3基础矩阵E。
优选地,所述步骤6)具体为:根据步骤5)的基础矩阵E,而强特征点与被测物体保持相对静止,因此该基础矩阵也适用于被测物体,因此在此基础上对被测物体的弱特征进行密集点云重建。由于此处已经获得了多个视角下图像的高精度位姿关系,接下来进行被测物体弱特征匹配与三维重建,本实施例具体实施过程参见图6至图13,本实施例被测物体是青砂岩,(1)采集被重建物体与支架在不同视角下的图像(要求图像重叠率达到60%以上),参见图6为相机在不同视角下采集的图像数据(这里只列出2个视角作为说明,(a)图为视角1下的图像,(b)图为视角2下的图像);(2)提取两个视角下支架上的强特征标志,参见图7,其中(a)为视角1强特征点提取图像,(b)为视角2强特征点提取图像;(3)根据图7强特征标志估计出基础矩阵,从而得到两个视角下的位姿关系,参见图8;(4)提取被测物体表面的弱特征标志点,参见图9,其中(a)为视角1弱特征点提取图像,(b)为视角2弱特征点提取图像;(5)根据位姿关系,并结合对极几何进行弱特征点匹配,参见图10,(a)图为视角1中弱特征点P1图像,(b)图为视角1中弱特征点P1在视角2中位于对极线CD上图像;(6)根据三角关系,计算弱特征点的三维坐标,参见图11;(7)遍历所有点,得到被测物体在两个视角下的局部三维重建,其三维点云参见图12;(8)对所有图像进行上述步骤(1)-(3)计算,得到序列图像的位姿关系,参见图13;(9)对所有图像进行上述步骤(4)-(7)计算,得到被测物体完整三维模型。
其中,参见图5,如下图所示的两个视角下的成像原理图,视角1下看到的被测物体弱特征点P1在图像中的像素点为,弱特征点P在视角2中通过步骤(5)估计的位姿关系,可以计算其位于直线CD上,由于此时的数据量非常少,在局部少量数据下,提高了弱特征匹配的成功率,匹配选择最优的像素点为P’ 1。根据三角几何计算出点P的真实三维坐标,以此类推,对图像中的所有点进行运算,最终形成被测对象的三维数据模型。
通过本发明基于构造强特征的弱特征物体图像三维重建系统及方法,基于构造强特征,通过单目相机拍摄图像,根据相机的初始的位姿信息重构出被重建物体的虚拟重叠数据,既加快了对应点集匹配速度,又提供了精确的对应点,弱特征物体三维重建方法更为简单,易操作。仅采用相机采集的图像进行三维重建,避免了增加IMU系统的硬件成本和额外软件开发问题。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于构造强特征的弱特征物体图像三维重建系统,其特征在于,该系统包括:被重建物体、带强特征标志的支架以及单目相机,被重建物体置于支架上,支架上的强特征标志位于被重建物体周围,采用单目相机对被重建物体和支架在多个视角下进行拍摄,获取被重建物体和强特征标志的图像,通过强特征标志对相机位姿关系进行估计,再利用对极几何对被重建物体在局部范围内进行弱特征匹配,根据三角关系计算弱特征点的三维坐标,再逐像素实现被重建物体的三维重建。
2.根据权利要求1所述的基于构造强特征的弱特征物体图像三维重建系统,其特征在于,带强特征标志的支架为长方体结构,长方体结构下部为实心基座,上部为镂空状框,被重建物体置于基座上,镂空状框内。
3.根据权利要求2所述的基于构造强特征的弱特征物体图像三维重建系统,其特征在于,强特征标志包括设置在基座四个侧面的标志点、镂空状框架上的标志点,每个面的标志点为矩形阵列的九个点,九个点中三个角点与其余六个点形状不同,且四个侧面的选取三个角点位置均不相同,来区分各个特征面。
4.根据权利要求3所述的基于构造强特征的弱特征物体图像三维重建系统,其特征在于,镂空状框上的标志点位于框架的边缘上,且分布位置不相同。
5.一种基于构造强特征的弱特征物体图像三维重建方法,采用如权利要求1-4任一所述的三维重建系统实现,其特征在于,该方法包括以下步骤:
1)计算相机的内参和畸变参数,通过张氏标定算法,对相机的内参数进行标定;
2)利用单目相机拍摄图像,对被重建物体和支架在多个视角下进行系列图像数据的采集并标记,图像采集过程中保持基座和被重建物体相对静止;
3)图像位置提取,基于基座中的强特征标志进行位置提取;
4)对系列图像采集时相机的初始位置关系估计;
5)精确计算图像之间的位姿关系,通过构造的强特征精确计算得到基础矩阵;
6)根据步骤5)的基础矩阵对被重建物体的弱特征进行密集点云重建,遍历所有的点从而完成被重建物体的三维重建。
6.根据权利要求5所述的基于构造强特征的弱特征物体图像三维重建方法,其特征在于,所述步骤3)具体为:首先建立基座中强特征标志的坐标系,通过识别强特征标志得到其在图像中的坐标。
7.根据权利要求5所述的基于构造强特征的弱特征物体图像三维重建方法,其特征在于,所述步骤4)具体为:根据基座四个面中标志点的分布不同,确定所采集的一系列图像之间的相互位置关系,计算具有重叠部分的图像。
8.根据权利要求5所述的基于构造强特征的弱特征物体图像三维重建方法,其特征在于,所述步骤5)具体为:根据中心投影关系,利用构造强特征点精确计算图像之间的位姿关系,获得基础矩阵。
9.根据权利要求5所述的基于构造强特征的弱特征物体图像三维重建方法,其特征在于,所述步骤6)具体为:根据步骤5)的基础矩阵,提取被重建物体的弱特征点,在与其重叠的图像中,利用对极几何计算对极线,在图像中的对极线上进行弱特征匹配,根据三角关系,计算弱特征点的三维坐标,遍历所有的点,得到被重建物体的三维模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413255.5A CN114511637A (zh) | 2022-04-20 | 2022-04-20 | 一种基于构造强特征的弱特征物体图像三维重建系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413255.5A CN114511637A (zh) | 2022-04-20 | 2022-04-20 | 一种基于构造强特征的弱特征物体图像三维重建系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511637A true CN114511637A (zh) | 2022-05-17 |
Family
ID=81555570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210413255.5A Pending CN114511637A (zh) | 2022-04-20 | 2022-04-20 | 一种基于构造强特征的弱特征物体图像三维重建系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511637A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998407A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华城检测技术有限公司 | 基于傅里叶变换的数字图像三维纹理重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415332A (zh) * | 2019-06-21 | 2019-11-05 | 上海工程技术大学 | 一种非单一视角下复杂织物表面三维重建系统及其方法 |
CN111598993A (zh) * | 2020-01-17 | 2020-08-28 | 江苏艾佳家居用品有限公司 | 基于多视角成像技术的三维数据重建方法、装置 |
CN113160335A (zh) * | 2021-04-28 | 2021-07-23 | 哈尔滨理工大学 | 一种基于双目视觉的模型点云及三维表面重建方法 |
-
2022
- 2022-04-20 CN CN202210413255.5A patent/CN114511637A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415332A (zh) * | 2019-06-21 | 2019-11-05 | 上海工程技术大学 | 一种非单一视角下复杂织物表面三维重建系统及其方法 |
CN111598993A (zh) * | 2020-01-17 | 2020-08-28 | 江苏艾佳家居用品有限公司 | 基于多视角成像技术的三维数据重建方法、装置 |
CN113160335A (zh) * | 2021-04-28 | 2021-07-23 | 哈尔滨理工大学 | 一种基于双目视觉的模型点云及三维表面重建方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998407A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华城检测技术有限公司 | 基于傅里叶变换的数字图像三维纹理重建方法 |
CN114998407B (zh) * | 2022-08-01 | 2022-11-08 | 湖南华城检测技术有限公司 | 基于傅里叶变换的数字图像三维纹理重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1596330B1 (en) | Estimating position and orientation of markers in digital images | |
Furukawa et al. | Accurate camera calibration from multi-view stereo and bundle adjustment | |
EP3067861B1 (en) | Determination of a coordinate conversion parameter | |
JP3735344B2 (ja) | キャリブレーション装置、キャリブレーション方法、及びキャリブレーション用プログラム | |
CN107392947B (zh) | 基于轮廓共面四点集的2d-3d图像配准方法 | |
JP4245963B2 (ja) | 較正物体を用いて複数のカメラを較正するための方法およびシステム | |
CN108171791B (zh) | 基于多深度摄像机的动态场景实时三维重建方法及装置 | |
Ke et al. | Transforming camera geometry to a virtual downward-looking camera: Robust ego-motion estimation and ground-layer detection | |
US20050253870A1 (en) | Marker placement information estimating method and information processing device | |
US20210004942A1 (en) | Method and device for three-dimensional reconstruction | |
JP6483832B2 (ja) | Rgb−dセンサを使用して物体を走査する方法とシステム | |
CN109035327B (zh) | 基于深度学习的全景相机姿态估计方法 | |
EP2022007A2 (en) | System and architecture for automatic image registration | |
WO2020038386A1 (zh) | 确定单目视觉重建中的尺度因子 | |
CN109816724A (zh) | 基于机器视觉的三维特征提取方法及装置 | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
CN110490943B (zh) | 4d全息捕捉系统的快速精确标定方法、系统及存储介质 | |
CN109613974B (zh) | 一种大场景下的ar家居体验方法 | |
JP2000268179A (ja) | 三次元形状情報取得方法及び装置,二次元画像取得方法及び装置並びに記録媒体 | |
CN115830135A (zh) | 一种图像处理方法、装置及电子设备 | |
CN114511637A (zh) | 一种基于构造强特征的弱特征物体图像三维重建系统及方法 | |
Ling et al. | A dense 3D reconstruction approach from uncalibrated video sequences | |
CN112164119A (zh) | 一种适用于狭小空间的环绕放置多摄像机系统标定方法 | |
CN114136335A (zh) | 一种基于无人机倾斜摄影测量的空中三角形精度分析方法 | |
JP2002008014A (ja) | 3次元形状抽出方法及び装置並びに記録媒体 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220517 |