CN114612540A - 一种点云数据的生成方法、装置、设备及介质 - Google Patents
一种点云数据的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114612540A CN114612540A CN202210261351.2A CN202210261351A CN114612540A CN 114612540 A CN114612540 A CN 114612540A CN 202210261351 A CN202210261351 A CN 202210261351A CN 114612540 A CN114612540 A CN 114612540A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- binocular
- cloud data
- dimensional
- camera
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 8
- 238000013136 deep learning model Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000009877 rendering Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
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)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例公开了一种点云数据的生成方法、装置、设备及介质。其中,该方法包括:获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片;基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。本技术方案,能产生更加真实的点云噪声,便于以此点云数据进行训练得到的深度学习模型迁移到真实扫描数据集时,能获得更好的分类效果。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种点云数据的生成方法、装置、设备及介质。
背景技术
随着深度学习技术的发展,人们希望获取大量的点云数据训练神经网络,然而收集真实扫描的点云数据常常会耗费大量的人力物力。
目前,使用合成点云数据训练并迁移到真实点云数据的代表性技术是PointDAN。该方法使用合成CAD数据集作为模型来源,在每个CAD模型表面均匀采点,获得合成点云。
但目前的点云中因为没有噪声,因此在该点云数据下训练的深度学习模型,常常不能很好地对真实情况下的点云数据进行识别,会有很大的域差距(domain gap)。
发明内容
本发明提供了一种点云数据的生成方法、装置、设备及介质,能产生更加真实的点云噪声,便于以此点云数据进行训练得到的深度学习模型迁移到真实扫描数据集时,能获得更好的分类效果。
根据本发明的一方面,提供了一种点云数据的生成方法,包括:
获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片;
基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;
基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。
可选的,通过虚拟双目相机获取所述三维模型的双目图片,包括:
搭建虚拟双目相机,其中,所述虚拟双目相机包括投影仪和双目相机,所述投影仪设置在双目相机的连线中心上;
采用所述投影仪将散斑图片投影到所述三维模型上,采用所述双目相机拍摄得到双目图片。
可选的,所述基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,包括:
获取双目图片的2D像素点坐标,并基于所述双目相机的相机参数计算出视差;
根据双目相机轴心之间的距离和双目相机的焦距的乘积,与视差的比值计算得到深度值。
可选的,所述基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据,包括:
将所述深度图的像素点的2D坐标和深度值变换为三维坐标,得到三维点云数据。
可选的,在得到三维点云数据之后,还包括:
获取多个三维点云数据;
对所述多个三维点云数据进行合并,得到合成点云数据。
可选的,在对所述多个三维点云数据进行合并,得到合成点云数据之后,还包括:
对所述合成点云数据使用最远点采样,得到预设点数的合成点云数据。
可选的,在获取数据集的三维模型之后,还包括:
获取数据集的三维模型,将三维模型的体积调整至预设体积大小。
根据本发明的另一方面,提供了一种点云数据的生成装置,包括:
双目图片获取模块,用于获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片;
深度图获得模块,用于基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;
点云数据获得模块,用于基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的点云数据的生成方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的点云数据的生成方法。
本发明实施例的技术方案,通过虚拟双目相机获取三维模型的双目图片;对双目图片的像素点进行深度计算,得到深度图;将深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。本技术方案,能产生更加真实的点云噪声,便于以此点云数据进行训练得到的深度学习模型迁移到真实扫描数据集时,能获得更好的分类效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种点云数据的生成方法的流程图;
图2是根据本发明实施例二提供的一种点云数据的生成方法的流程图;
图3是根据本发明实施例三提供的一种点云数据的生成装置的结构示意图;
图4是实现本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包含”和“等”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种点云数据的生成方法的流程图,本实施例可适用于生成仿真点云数据的情况,该方法可以由点云数据的生成装置来执行,该点云数据的生成装置可以采用硬件和/或软件的形式实现,该点云数据的生成装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110、获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片。
本实施例的技术方案可以由后台服务器执行,适用于生成仿真点云数据的场景。本实施例中后台服务器通过虚拟双目相机获取三维模型的双目图片,对双目图片的像素点进行深度计算得到深度图;将深度图的像素点投影到三维空间中得到带有噪声的三维点云数据。本技术方案,能产生更加真实的点云噪声,便于以此点云数据进行训练得到的深度学习模型迁移到真实扫描数据集时,能获得更好的分类效果。
其中,数据集可以是三维模型的数据集,可以从网络上下载得到,还可以通过其他方式得到。数据集里面可以包含三维模型M。三维模型M可以是Mesh数据,Mesh(网格)是一个点(Point也可用Vertex表示)、法向量(Normal Vector),面(Face)的集合,它定义了一个3D物体的形状。此外,三维模型可以是桌子、椅子或其他实物等生成的,还可以是网络下载得到,还可以是通过模型制作软件制作得到的。本方案中可以是直接从数据集中提取得到,这里不做限定。
本实施例中获得的模型集合集合内包含N个有标注的三维网格模型m及其相应的语义空间类别γ=1,...,K,其中yi∈γ。对于每一个{mi,yi},都可以生成一个对应的点云这些点云可以构建出一个与M对应的数据集
本实施例中的对于获得的三维模型M,会把三维模型M调整为单位球大小,并给它一个Z轴方向的随机旋转;然后将处理过的三维模型M导入渲染引擎Blender中。在Blender中,对每一个三维模型M都设置一个面光源,可以用于提供照亮场景。
其中,虚拟双目相机可以是在渲染场景中搭建的,该相机由两部分组成:投影仪和呈像平面平行的双目相机。其中,投影仪可以用来投射散斑信息,双目相机可以用来拍摄。双目图片是双目相机拍摄得到双目的RGB图片,含有散斑信息。本实施例中后台服务器获取到三维模型M,通过在渲染场景中搭建的虚拟双目相机拍摄得到三维模型的双目图片。
S120、基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图。
其中,像素点可以根据双目相机的相机参数进行定义的2D像素坐标。本实施例中后台服务器得到双目图片后,基于双目相机的相机参数,例如焦距参数,视差参数等,对双目图片的像素点用OpenCV中的双目匹配算法进行深度计算,可以得到深度图。
其中,OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效--由一系列C函数和少量C++类构成,同时提供了Python、Ruby以及MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
S130、基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。
本实施例中后台服务器通过计算得到深度图后,利用渲染时保存的双目相机的相机参数,将深度图中的像素点投影到三维空间中,将深度图的像素点的2D坐标和深度值变换为三维坐标,就可以得到带噪声的三维点云数据。
本发明实施例的技术方案,通过获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片;基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。本技术方案,能产生更加真实的点云噪声,便于以此点云数据进行训练得到的深度学习模型迁移到真实扫描数据集时,能获得更好的分类效果。
实施例二
图2为本发明实施例二提供的一种点云数据的生成方法的流程图,本实施例以上述实施例为基础进行优化。具体优化为:通过虚拟双目相机获取所述三维模型的双目图片,包括:搭建虚拟双目相机,其中,所述虚拟双目相机包括投影仪和双目相机,所述投影仪设置在双目相机的连线中心上;采用所述投影仪将散斑图片投影到所述三维模型上,采用所述双目相机拍摄得到双目图片。如图2所示,该方法包括:
S210、获取数据集的三维模型。
S220、搭建虚拟双目相机,其中,所述虚拟双目相机包括投影仪和双目相机,所述投影仪设置在双目相机的连线中心上。
其中,虚拟双目相机可以是在渲染场景中搭建的,虚拟双目相机包括投影仪和双目相机,投影仪设置在双目相机的连线中心上。本实施例中后台服务器可以在在渲染引擎Blender中搭建虚拟双目相机。
示例性的,在渲染引擎Blender中,首先设置了一个左右光轴平行的双目相机{OL,OR},它们的成像平面平行。左相机OL被随机放置在三维模型M的附近,双目相机光轴由光心指向三维模型M;OR的成像平面被放置在左相机OL成像平面x轴的右侧20cm处。OR和OL相机参数仅有平移矩阵不同,旋转矩阵和内参矩阵相同。
S230、采用所述投影仪将散斑图片投影到所述三维模型上,采用所述双目相机拍摄得到双目图片。
其中,散斑图片可以是双目相机中获得的图片。通过该散斑图片能够增强三维模型的纹理,从而帮助双目视觉重建。本实施例中后台服务器通过采用投影仪将散斑图片投影到三维模型M表面上,然后采用双目相机拍摄得到双目的RGB图片,也就是含有散斑信息的双目图片。
示例性的,在设置好双目相机后,可以在{OL,OR}连线中心设置一个投影仪P,投影仪P的旋转矩阵与{OL,OR}相同。投影仪P会投影出一张散斑图片到三维模型M上,然后双目相机拍摄得到双目图片{Ileft,Iright},并保存相机参数矩阵。
S240、基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图。
S250、基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。
本发明实施例的技术方案,通过获取数据集的三维模型,搭建虚拟双目相机,采用所述投影仪将散斑图片投影到所述三维模型上,采用所述双目相机拍摄得到双目图片;基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。本技术方案,能产生更加真实的点云噪声,便于以此点云数据进行训练得到的深度学习模型迁移到真实扫描数据集时,能获得更好的分类效果。在上述各实施例的基础上,可选的,所述基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,包括:获取双目图片的2D像素点坐标,并基于所述双目相机的相机参数计算出视差;根据双目相机轴心之间的距离和双目相机的焦距的乘积,与视差的比值计算得到深度值。其中,双目图片的2D像素点坐标可以根据定义坐标(u,v)得到,还可以是定义其他坐标形式得到。示例性的,对双目图片{Ileft,Iright},可以定义(uleft,vleft)∈Ileft和(uright,vright)∈Iright分别为两张图片的2d像素坐标。视差可以理解为双目立体视觉融合两只眼睛获得的图像并观察它们之间的差别,使我们可以获得明显的深度感,建立特征间的对应关系,将同一空间物理点在不同图像中的映像点对应起来,这个差别,称作视差(Disparity)图像。
示例性的,本实施例中对于双目图片{Ileft,Iright},可以定义像素点(uleft,vleft)∈Ileft和(uright,vright)∈Iright分别为两张图片的2D像素坐标。由于左右相机的成像平面平行,对于Ileft中的每个像素点,只需要在Iright中的对应极线上找到对应的像素点,二者的像素点的v坐标相等,因此,通过视差disparity=uleft-uright,可以计算得出视差。再定义双目相机光心之间的距离为b,双目相机的焦距为f,则对应像素点的深度值为从而根据深度值可以得到深度图。
本方案通过这样的设置,通过根据相机参数对双目图片进行深度计算,从而得到深度图,便于进行转换得到三维点云数据。
在上述各实施例的基础上,可选的,所述基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据,包括:将所述深度图的像素点的2D坐标和深度值变换为三维坐标,得到三维点云数据。
本实施例中可以将每个深度图的像素点的2D坐标(u,v)和深度值z变换为一个三维空间中的三维点坐标(x,y,z),从而得到三维点云数据。
示例性的,深度图的2D坐标(u,v)和深度值z变换为一个三维点坐标(x,y,z),其中(cx,cy)为图片中心点,则(x,y,z)为:
本方案通过这样的设置,能够通过对深度图的坐标和深度值进行转换得到三维点云数据,能够使三维点云数据的噪声和真实的噪声更加相似。
在上述各实施例的基础上,可选的,在得到三维点云数据之后,还包括:获取多个三维点云数据;对所述多个三维点云数据进行合并,得到合成点云数据。
其中,多个三维点云数据可以是5个,还可以是3个、7个、以及9个等、可以根据实际需要进行设置。示例性的,本实施例中当获取多个三维点云数据是5个点云数据时,对于每一个三维模型M,可以设置5个双目相机位置。其中,第一个双目相机设在为离三维模型M中心3米到5米的位置,后四个双目相机位置在第一个双目相机位置基础上做轻微的扰动,其中,只改变相机的平移矩阵,旋转矩阵和内参矩阵不变。其中,轻微的扰动可以是对相机的外参的确定位置上加上高斯噪声,从而能够给相机位置加噪声,可以达到增强数据的目的。由于获得的5个三维点云数据处在同一个三维空间坐标系下,因此,只需要提取出每个三维点的坐标合并为一个矩阵,就能得到合并后的稠密三维点云。
本实施例中获取多个三维点云数据进行合并,可以得到合成点云数据。本方案通过这样的设置,可以对合成三维点云数据进行采样,从而便于深度网络训练。
在上述各实施例的基础上,可选的,在对所述多个三维点云数据进行合并,得到合成点云数据之后,还包括:对所述合成点云数据使用最远点采样,得到预设点数的合成点云数据。
其中,最远点采样是对得到的合成点云数据的一种采样方法。预设点数可以是2048个点,也可以根据实际需求进行设置。示例性的,本实施例采样对合成点云数据进行下采样,下采样到2048个点:在点集中任意取一点p1;在剩下的点中取一个与p1相距最远的点p2,构成新的点集在剩下的点中取一个到中都相距最远的点p3,加入到点集中,构成新的点集重复上个步骤,直到构建出
此外,本实施例中如果获取的点云数据为1个时,则不需进行合并,可以直接进行下采样。
本方案通过这样的设置,通过对合并点云数据进行下采样,可以通过采样的点云数据可以模拟真实的噪声,便于训练深度网络模型,从而提高了网络分类的准确性。
在上述各实施例的基础上,可选的,在获取数据集的三维模型之后,还包括:获取数据集的三维模型,将三维模型的体积调整至预设体积大小。
其中,预设体积大小可以是半径为1米的单位球大小,还可以根据实际需求进行设置。本实施例中在获取数据集的三维模型之后,将三维模型的体积调整为单位球大小的体积。示例性的,若三维模型的体积大于单位球大小,那么将三维模型的体积进行缩放至单位球大小;若三维模型的体积小于单位球大小,那么将三维模型的体积进行扩大至单位球大小。
本方案通过这样的设置,通过将三维模型都设置为同样的预设体积大小,更加便于进行图像的采集。
实施例三
图3为本发明实施例三提供的一种点云数据的生成装置的结构示意图。如图3所示,该装置包括:
双目图片获取模块310,用于获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片;
深度图获得模块320,用于基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;
点云数据获得模块330,用于基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。
可选的,所述双目图片获取模块310,具体用于:
搭建虚拟双目相机,其中,所述虚拟双目相机包括投影仪和双目相机,所述投影仪设置在双目相机的连线中心上;
采用所述投影仪将散斑图片投影到所述三维模型上,采用所述双目相机拍摄得到双目图片。
可选的,所述深度图获得模块320,具体用于:
获取双目图片的2D像素点坐标,并基于所述双目相机的相机参数计算出视差;
根据双目相机轴心之间的距离和双目相机的焦距的乘积,与视差的比值计算得到深度值。
可选的,点云数据获得模块330,具体用于:
将所述深度图的像素点的2D坐标和深度值变换为三维坐标,得到三维点云数据。
可选的,所述装置还包括:
合成点云数据获得模块,用于在得到三维点云数据之后,获取多个三维点云数据;对所述多个三维点云数据进行合并,得到合成点云数据。
可选的,所述装置还包括:
合成点云数据采样模块,用于在对所述多个三维点云数据进行合并,得到合成点云数据之后,对所述合成点云数据使用最远点采样,得到预设点数的合成点云数据。
可选的,所述装置还包括:
三维模型体积调整模块,用于在获取数据集的三维模型之后,获取数据集的三维模型,将三维模型的体积调整至预设体积大小。
本发明实施例所提供的一种点云数据的生成装置可执行本发明任意实施例所提供的一种点云数据的生成方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如点云数据的生成方法。
在一些实施例中,点云数据的生成方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行点云数据的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种点云数据的生成方法,其特征在于,包括:
获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片;
基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;
基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。
2.根据权利要求1所述的方法,其特征在于,通过虚拟双目相机获取所述三维模型的双目图片,包括:
搭建虚拟双目相机,其中,所述虚拟双目相机包括投影仪和双目相机,所述投影仪设置在双目相机的连线中心上;
采用所述投影仪将散斑图片投影到所述三维模型上,采用所述双目相机拍摄得到双目图片。
3.根据权利要求1所述的方法,其特征在于,所述基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,包括:
获取双目图片的2D像素点坐标,并基于所述双目相机的相机参数计算出视差;
根据双目相机轴心之间的距离和双目相机的焦距的乘积,与视差的比值计算得到深度值。
4.根据权利要求1所述的方法,其特征在于,所述基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据,包括:
将所述深度图的像素点的2D坐标和深度值变换为三维坐标,得到三维点云数据。
5.根据权利要求1所述的方法,其特征在于,在得到三维点云数据之后,还包括:
获取多个三维点云数据;
对所述多个三维点云数据进行合并,得到合成点云数据。
6.根据权利要求5所述的方法,其特征在于,在对所述多个三维点云数据进行合并,得到合成点云数据之后,还包括:
对所述合成点云数据使用最远点采样,得到预设点数的合成点云数据。
7.根据权利要求1所述的方法,其特征在于,在获取数据集的三维模型之后,还包括:
获取数据集的三维模型,将三维模型的体积调整至预设体积大小。
8.一种点云数据的生成装置,其特征在于,包括:
双目图片获取模块,用于获取数据集的三维模型,通过虚拟双目相机获取所述三维模型的双目图片;
深度图获得模块,用于基于所述双目相机的相机参数对所述双目图片的像素点进行深度计算,得到深度图;
点云数据获得模块,用于基于所述双目相机的相机参数将所述深度图中的像素点投影到三维空间中,以得到带有噪声的三维点云数据。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的点云数据的生成方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的点云数据的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261351.2A CN114612540A (zh) | 2022-03-16 | 2022-03-16 | 一种点云数据的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261351.2A CN114612540A (zh) | 2022-03-16 | 2022-03-16 | 一种点云数据的生成方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612540A true CN114612540A (zh) | 2022-06-10 |
Family
ID=81863659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210261351.2A Pending CN114612540A (zh) | 2022-03-16 | 2022-03-16 | 一种点云数据的生成方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612540A (zh) |
-
2022
- 2022-03-16 CN CN202210261351.2A patent/CN114612540A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082639B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN112652057B (zh) | 生成人体三维模型的方法、装置、设备以及存储介质 | |
CN114820905B (zh) | 虚拟形象生成方法、装置、电子设备及可读存储介质 | |
CN113129352B (zh) | 一种稀疏光场重建方法及装置 | |
CN111739167B (zh) | 3d人头重建方法、装置、设备和介质 | |
WO2022237249A1 (zh) | 三维重建方法、装置和系统、介质及计算机设备 | |
CN114842121A (zh) | 贴图生成模型训练和贴图生成方法、装置、设备及介质 | |
CN115330940B (zh) | 一种三维重建方法、装置、设备和介质 | |
CN113379932B (zh) | 人体三维模型的生成方法和装置 | |
CN111754431B (zh) | 一种图像区域替换方法、装置、设备及存储介质 | |
CN115100337A (zh) | 一种基于卷积神经网络的全身人像视频重照明方法和装置 | |
CN113870439A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN116342782A (zh) | 生成虚拟形象渲染模型的方法和装置 | |
CN116843807B (zh) | 虚拟形象生成、模型的训练方法、装置及电子设备 | |
CA3180774A1 (en) | Geometry-aware augmented reality effects with a real-time depth map | |
CN115131507B (zh) | 图像处理方法、图像处理设备和元宇宙三维重建方法 | |
CN115775300A (zh) | 人体模型的重建方法、人体重建模型的训练方法及装置 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN114612540A (zh) | 一种点云数据的生成方法、装置、设备及介质 | |
CN115375847A (zh) | 材质恢复方法、三维模型的生成方法和模型的训练方法 | |
CN114419279A (zh) | 三维对象生成方法及装置、存储介质和电子设备 | |
CN114529649A (zh) | 图像处理方法和装置 | |
CN115147578B (zh) | 风格化三维人脸生成方法、装置、电子设备及存储介质 | |
CN116012666B (zh) | 图像生成、模型的训练、信息重建方法、装置及电子设备 | |
CN114820908B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 |
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 |