CN114820987A - 一种基于多视角图像序列的三维重建方法及系统 - Google Patents

一种基于多视角图像序列的三维重建方法及系统 Download PDF

Info

Publication number
CN114820987A
CN114820987A CN202210593846.5A CN202210593846A CN114820987A CN 114820987 A CN114820987 A CN 114820987A CN 202210593846 A CN202210593846 A CN 202210593846A CN 114820987 A CN114820987 A CN 114820987A
Authority
CN
China
Prior art keywords
image
dimensional reconstruction
data set
points
matching
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
CN202210593846.5A
Other languages
English (en)
Inventor
周海鹏
李程成
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.)
Yancheng Yunqi Zhizao Technology Co ltd
Original Assignee
Yancheng Yunqi Zhizao 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 Yancheng Yunqi Zhizao Technology Co ltd filed Critical Yancheng Yunqi Zhizao Technology Co ltd
Priority to CN202210593846.5A priority Critical patent/CN114820987A/zh
Publication of CN114820987A publication Critical patent/CN114820987A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于多视角图像序列的三维重建方法及系统，属于计算机视觉处理的技术领域。其中方法包括以下步骤：步骤1、通过信息采集设备获取不同视角的图像数据，构建第一数据集；步骤2、对所述第一数据集进行预处理，获取第二数据集；步骤3、提取所述第二数据集中的图像特征点；步骤4、将提取到的图像特征点进行匹配；步骤5、基于匹配结果进行三维重建。通过从不同角度的图像信息实现三维重建，与现有技术中的重建方法相比，本发明重建的点云数更多，重建的三维模型细节表现更好。

Description

一种基于多视角图像序列的三维重建方法及系统
技术领域
本发明涉及计算机视觉处理的技术领域，特别涉及一种基于多视角图像序列的三维重建方法及系统。
背景技术
随着计算机视觉领域的发展，基于多视角的三维重建技术在众多技术领域得到了广泛应用。同时，在数字图像处理的技术发展推进下，大众对三维模型的完整度和细节化需求，也越来越高。
现有技术中，实现三维重建的方法包括采用建模软件重建目标对象，以及通过三维扫描设备扫描对象，基于获取到的三维数据进行三维重建的方法。但是，采用建模软件的方式，周期过长，且针对不规则目标对象的建模效果，达不到所需要求；采用三维设备扫描目标对象的方式，虽然重建模型的精度达到了用户的需求，但是投入的设备成本偏高，不适用于成本预算不足的用户。
发明内容
发明目的：提出一种基于多视角图像序列的三维重建方法及系统，以解决现有技术存在的上述问题。
技术方案：第一方面，提出了一种基于多视角图像序列的三维重建方法，通过从不同角度的图像信息中实现三维重建，该方法具体包括以下步骤：
步骤1、通过信息采集设备获取不同视角的图像数据，构建第一数据集；
步骤2、对所述第一数据集进行预处理，获取第二数据集；
步骤3、提取所述第二数据集中的图像特征点；
步骤4、将提取到的图像特征点进行匹配；
步骤5、基于匹配结果进行三维重建。
在第一方面的一些可实现方式中，获取第二数据集的过程具体包括以下步骤：
步骤2.1、读取所述第一数据集；
步骤2.2、对第一数据集中的图像数据进行图像区域分割；
步骤2.3、基于分割结果进行灰度化处理；
步骤2.4、对灰度化后的图像数据进行锐化处理；
步骤2.5、输出最终处理后的图像数据。
其中，基于分割结果进行灰度化处理的过程中，采用根据亮度进行灰度化处理，对应的灰度化处理的表达式为：
Figure BDA0003666838840000021
式中，Gray(i,j)表示图像上(i,j)的灰度值；R(i,j)表示在目标图像在(i,j)出的R分量的亮度值；G(i,j)表示在目标图像在(i,j)出的G分量的亮度值；B(i,j)表示在目标图像在(i,j)出的B分量的亮度值。采用灰度化处理，不仅保留了原图中的色度和亮度特征，还减少了色彩等无效信息。
还包括构建用于划分目标图像的实例分割模型；利用所述实例分割模型对第一数据集中的图像数据进行图像区域分割的过程进一步包括以下步骤：
步骤2.2.1、利用卷积神经网络对待检测的图像进行特征提取，获取对应的特征图；
步骤2.2.2、对目标图像进行定位，生成待检测框；
步骤2.2.3、对边界框中的内容进行像素校正，获取固定尺寸的特征图并输出；
步骤2.2.4、采用全卷积神经网络进行目标类别的分类，获取分类后的划分结果；
步骤2.2.5、最后，输出含有目标图像的实例分割结果。
为了提高实例分割模型的性能，进一步采用多任务损失函数对所述实例分割模型进行性能训练，其中进行像素校正训练的每个边界框对应的损失函数表达式为：
L＝Lcls+Lbox+Lmask
式中，Lcls表示分类损失；Lbox表示定位损失；Lmask表示分割损失。
在第一方面的一些可实现方式中，对灰度化后的图像数据进行锐化处理的表达式为：
Figure BDA0003666838840000022
式中，g(x,y)表示退化处理后的像素值；f(x,y)表示原始图像；
Figure BDA0003666838840000023
表示拉普拉斯算子，对应表达式为：
Figure BDA0003666838840000024
式中，f(x-1,y)表示图像中像素点位于上方位置的灰度值；f(x+1,y)表示图像中像素点位于下方位置的灰度值；f(x,y-1)表示图像中像素点位于左方位置的灰度值；f(x,y+1)表示图像中像素点位于右方位置的灰度值。通过引入拉普拉斯算子的处理，可以获取用于描述灰度突变的图像。
在第一方面的一些可实现方式中，实现特征点提取的过程具体包括以下步骤：
步骤3.1、构建尺度空间；
步骤3.2、基于所述尺度空间，检测关键点；
步骤3.3、通过曲线拟合检测到的关键点，并获取对应的极值点；
步骤3.4、将极值点作为处理后的关键点，用于确定特征点的主方向；
步骤3.5、构建特征点的描述算子，并输出最终处理后的特征点。
在第一方面的一些可实现方式中，三维重建过程包括：稀疏点云重建和稠密点云重建。
第二方面，提出一种基于多视角图像序列的三维重建系统，该系统具体包括以下模块：
用于获取不同视角图像数据的图像获取模块；
用于对图像数据进行预处理的图像预处理模块；
用于提取图像特征点的图像特征提取模块；
用于进行图像特征点匹配的特征点匹配模块；
用于执行三维重建的三维重建模块。
第三方面，提出一种基于多视角图像序列的三维重建设备，该设备包括：处理器以及存储有计算机程序指令的存储器；其中，处理器读取并执行所述计算机程序指令，以实现三维重建方法。
第四方面，提出一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，其中，计算机程序指令被处理器执行时，以实现三维重建方法。
有益效果：本发明提出了一种基于多视角图像序列的三维重建方法及系统，与基于传统的运动恢复结构算法重建方法相比，本发明重建的点云数更多，重建的三维模型细节表现更好。另外，本申请实现重建的方法简单，在达到较高鲁棒性的同时，所需的投入成本更低。
附图说明
图1为本发明的数据处理流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
申请人认为在互联网快速发展的推进下，虚拟现实和三维重建技术的完善程度逐渐提高。但是现有技术中实现三维重建的方法的过程中，存在周期过长或投入成本偏高的问题。同时，在实际应用过程中，由于获取到的图像数据中存在较多相似的细节，因此在特征点匹配的过程中往往会出现较多的错误匹配。针对上述问题，本申请提出一种基于多视角图像序列的三维重建方法及系统，通过从不同角度的图像信息实现三维重建。具体包括：获取图像序列、特征点检测、特征点匹配、稀疏点云重建、稠密点云重建和表面重建等实施步骤。
实施例一
在一个实施例中，针对三维重建需求，提出一种基于多视角图像序列的三维重建方法，如图1所示，该方法具体包括以下步骤：
步骤1、通过信息采集设备获取不同视角的图像数据；
步骤2、对获取到的图像数据进行分割，并对分割后图像数据进行预处理；
步骤3、对经过预处理后的图像数据进行特征点提取；
步骤4、将提取到的特征点进行匹配；
步骤5、基于匹配结果进行三维重建。
在进一步的实施例中，对图像数据进行预处理时，为了减少图像中例如色彩等无效信息，对图像进行灰度化处理，从而降低计算量，减少运算过程中对硬件的高性能需求，缩减投入成本。
实施例二
在实施例一基础上的进一步实施例中，通过信息采集设备获取到的图像数据往往会受到光照等环境的影响，从而会引入不必要的噪声，导致后续的图像处理结果出现偏差。因此，本实施例针对实际应用过程中出现的偏差提出对图像数据预处理的方法，通过去除图像中对于特征点提取时无关的信息，以及对有用信息的增强，提高后续处理结果的准确性。
具体的，对图像数据进行预处理的过程包括以下步骤：
步骤2.1、获取接收到的图像数据信息。
步骤2.2、对获取到的图像数据进行图像区域划分；
具体的，通过目标定位、目标分类、分割掩膜预测，进行目标图像分割。首先，利用卷积神经网络对待检测的图像进行特征提取，获取图像对应的特征图；其次，对目标图像进行定位，生成待检测框；再次，通过对边界框中的内容进行像素校正，得到固定尺寸的特征图输出；从次，采用全卷积神经网络进行目标类别的分类，获取分类后的划分结果；最后，输出目标图像的实例分割结果。
在进一步的实施例中，为了提高实例分割的性能，对涉及到分割模型采用多任务损失函数进行性能训练。其中，进行像素校正的每个边界框对应的损失函数表达式为：
L＝Lcls+Lbox+Lmask
式中，Lcls表示分类损失；Lbox表示定位损失；Lmask表示分割损失。
步骤2.3、对划分出的图像区域进行灰度化处理；
具体的，进行灰度化处理的表达式为：
Figure BDA0003666838840000051
式中，Gray(i,j)表示图像上(i,j)的灰度值；R(i,j)表示在目标图像在(i,j)出的R分量的亮度值；G(i,j)表示在目标图像在(i,j)出的G分量的亮度值；B(i,j)表示在目标图像在(i,j)出的B分量的亮度值。根据亮度进行灰度化处理后，不仅保留了原图中的色度和亮度特征，还减少了色彩等无效信息。
步骤2.4、对灰度化后的图像区域进行锐化处理；
具体的，进行锐化处理的表达式为：
Figure BDA0003666838840000052
式中，g(x,y)表示退化处理后的像素值；f(x,y)表示原始图像；
Figure BDA0003666838840000053
表示拉普拉斯算子，对应表达式为：
Figure BDA0003666838840000054
式中，f(x-1,y)表示图像中像素点位于上方位置的灰度值；f(x+1,y)表示图像中像素点位于下方位置的灰度值；f(x,y-1)表示图像中像素点位于左方位置的灰度值；f(x,y+1)表示图像中像素点位于右方位置的灰度值。通过引入拉普拉斯算子的处理，可以获取用于描述灰度突变的图像。
步骤2.5、输出处理后的图像数据。
本事实例中，针对获取到的图像数据首先进行了目标图像的划分，通过只关注目标的方式，有效降低图像中的冗余信息。另外，通过对图像数据的灰度化处理，降低了不必要的计算量，提高运行速度；同时，为了更清楚的增强图像的清晰度，突出图像更多的细节，本实施例进一步提出了对图像进行锐化处理的方法，通过先提取出目标图像的高频分量，随后使用图像的叠加算法增强高频分量，有效提高图像的清晰度，以及增强图像特征点的提取能力。
实施例三
在实施例一基础上的进一步实施例中，特征提取作为三维重建过程中不可或缺的一环，用于根据提取出的特征信息判断图像中是否存在某个特征。本实施例实现特征点提取的过程具体包括以下步骤：
步骤3.1、构建尺度空间；
具体的，采用高斯差分金字塔构造尺度空间，并基于构造好的尺度空间提取稳定的关键点。在进一步的实施例中，高斯差分尺度空间通过高斯金字塔中相邻尺度的图像获取。
步骤3.2、基于尺度空间，检测关键点，并通过曲线拟合的方式获取极值点位置得到表述图像的关键点；
具体的，基于构建好的尺度空间，首先获取高斯差分金字塔函数的极值点；其次，将获取到的极值点作为图像的关键点；再次，针对离散的极值点，进行曲线拟合；从次，令拟合方程的求导值为零，获取极值点的偏移量；最后，结合实际偏移量，获取最终的极值点。
相较于现有技术中检测到的离散极值点，本实施例通过引入曲线拟合的方式获取到的极值点，更贴合实际情况，且准确率更高。
步骤3.3、基于关键点确定特征点的主方向；
具体的，基于获取到的关键点位置，采用图像梯度的方法获取图像局部结果的稳定方向，使得关键点具备一个基准方向。在进一步的实施例中，以关键点为中心，预设长度为半径进行采样，对应表达式为：
Figure BDA0003666838840000061
式中，L(x,y)表示特征点；m(x,y)表示梯度的模；θ(x,y)表示方向。
步骤3.4、构建特征点的描述算子。
实施例四
在实施例一基础上的进一步实施例中，将提取到的图像特征点进行匹配的过程具体包括以下步骤：
步骤4.1、将待进行匹配的特征点集合表示为第一特征点集合和第二特征点集合。
步骤4.2、将第一特征点集合和第二特征点集合采用快速二近邻算法对图像集合继续进行匹配，获取匹配结果；
具体的，查找附近邻域中最接近点的表达式为：
Figure BDA0003666838840000071
式中，d表示空间维度；Xi和Yi表示d维空间的两个特征向量；D(x,y)表示两点之间的距离，当D值越小时，两个特征点之间的距离便越近，即相似度越高。
步骤4.3、设定阈值，判断二近邻结果中小于阈值的点，删除不满足判断条件的特征点；
在优选实施例中，不被删除的点满足的条件表达式为：
Result＝filter(distance1<0.6*distance2,M)
式中，distance1表示目标特征点和最近特征点之间的距离；distance2表示目标特征点和次近特征点之间的距离；M表示初步图像匹配的结果，当二近邻结果M中的第一匹配距离小于第二匹配距离的0.6时，则保留当前匹配点。
步骤4.4、采用自适应局部匹配方法优化匹配准确率；
具体的，实现过程包括以下步骤：
步骤4.4.1、令获取匹配结果作为初始匹配集合；
步骤4.4.2、根据阈值选择种子点，并获取对应的匹配点；
步骤4.4.3、验证种子点领域中的局部仿射一致性，剔除置信度低的匹配对。
本实施例通过设定阈值判断的方式，剔除错误的配对结果，并进一步提出自适应局优化匹配方法，优化最终的匹配准确率。
实施例五
在实施例一基础上的进一步实施例中，在图像匹配的过程中，由于并非所有图像之间均具有重合区域，因此在获取图像的过程中，信息采集设备的位置会发生平移和旋转。不同位置拍摄的图像包含场景以及对象的不同信息，因此本实施例跟具图像中包含的共同信息将图像分成若干组，并引入图像之间的匹配度。
具体的，匹配度用于表示多幅图像之间存在两两图像包含预设数量相同的匹配点，匹配的引入用于反映当前组别视图之间的相似程度，当匹配值越高时，表明两张图像之间的重合度越高。
实施例六
在一个实施例中，提出一种基于多视角图像序列的三维重建系统，该系统具体包括以下模块：
用于获取不同视角图像数据的图像获取模块；
用于对图像数据进行预处理的图像预处理模块；
用于提取图像特征点的图像特征提取模块；
用于进行图像特征点匹配的特征点匹配模块；
用于执行三维重建的三维重建模块。
实施例七
在一个实施例中，提出一种基于多视角图像序列的三维重建设备，该设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现三维重建方法。
实施例八
在一个实施例中，提出一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时以实现三维重建方法。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种基于多视角图像序列的三维重建方法，其特征在于，具体包括以下步骤：
步骤1、通过信息采集设备获取不同视角的图像数据，构建第一数据集；
步骤2、对所述第一数据集进行预处理，获取第二数据集；
步骤3、提取所述第二数据集中的图像特征点；
步骤4、将提取到的图像特征点进行匹配；
步骤5、基于匹配结果进行三维重建。
2.根据权利要求1所述的一种基于多视角图像序列的三维重建方法，其特征在于，获取第二数据集的过程具体包括以下步骤：
步骤2.1、读取所述第一数据集；
步骤2.2、对第一数据集中的图像数据进行图像区域分割；
步骤2.3、基于分割结果进行灰度化处理；
步骤2.4、对灰度化后的图像数据进行锐化处理；
步骤2.5、输出最终处理后的图像数据。
3.根据权利要求2所述的一种基于多视角图像序列的三维重建方法，其特征在于，还包括构建用于划分目标图像的实例分割模型；利用所述实例分割模型对第一数据集中的图像数据进行图像区域分割的过程进一步包括以下步骤：
步骤2.2.1、利用卷积神经网络对待检测的图像进行特征提取，获取对应的特征图；
步骤2.2.2、对目标图像进行定位，生成待检测框；
步骤2.2.3、对边界框中的内容进行像素校正，获取固定尺寸的特征图并输出；
步骤2.2.4、采用全卷积神经网络进行目标类别的分类，获取分类后的划分结果；
步骤2.2.5、最后，输出含有目标图像的实例分割结果。
4.根据权利要求3所述的一种基于多视角图像序列的三维重建方法，其特征在于，采用多任务损失函数对所述实例分割模型进行性能训练，其中进行像素校正训练的每个边界框对应的损失函数表达式为：
L＝Lcls+Lbox+Lmask
式中，Lcls表示分类损失；Lbox表示定位损失；Lmask表示分割损失。
5.根据权利要求2所述的一种基于多视角图像序列的三维重建方法，其特征在于，对灰度化后的图像数据进行锐化处理的表达式为：
Figure FDA0003666838830000011
式中，g(x,y)表示退化处理后的像素值；f(x,y)表示原始图像；
Figure FDA0003666838830000021
表示拉普拉斯算子，对应表达式为：
Figure FDA0003666838830000022
式中，f(x-1,y)表示图像中像素点位于上方位置的灰度值；f(x+1,y)表示图像中像素点位于下方位置的灰度值；f(x,y-1)表示图像中像素点位于左方位置的灰度值；f(x,y+1)表示图像中像素点位于右方位置的灰度值。
6.根据权利要求1所述的一种基于多视角图像序列的三维重建方法，其特征在于，实现特征点提取的过程具体包括以下步骤：
步骤3.1、构建尺度空间；
步骤3.2、基于所述尺度空间，检测关键点；
步骤3.3、通过曲线拟合检测到的关键点，并获取对应的极值点；
步骤3.4、将极值点作为处理后的关键点，用于确定特征点的主方向；
步骤3.5、构建特征点的描述算子，并输出最终处理后的特征点。
7.根据权利要求1所述的一种基于多视角图像序列的三维重建方法，其特征在于，三维重建的过程包括：稀疏点云重建和稠密点云重建。
8.一种基于多视角图像序列的三维重建系统，用于实现权利要求1-7任意一项所述的三维重建方法，其特征在于，具体包括以下模块：
用于获取不同视角图像数据的图像获取模块；
用于对图像数据进行预处理的图像预处理模块；
用于提取图像特征点的图像特征提取模块；
用于进行图像特征点匹配的特征点匹配模块；
用于执行三维重建的三维重建模块。
9.一种基于多视角图像序列的三维重建设备，其特征在于，所述设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-7任意一项所述的三维重建方法。
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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的三维重建方法。
CN202210593846.5A 2022-05-27 2022-05-27 一种基于多视角图像序列的三维重建方法及系统 Pending CN114820987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210593846.5A CN114820987A (zh) 2022-05-27 2022-05-27 一种基于多视角图像序列的三维重建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210593846.5A CN114820987A (zh) 2022-05-27 2022-05-27 一种基于多视角图像序列的三维重建方法及系统

Publications (1)

Publication Number Publication Date
CN114820987A true CN114820987A (zh) 2022-07-29

Family

ID=82518517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210593846.5A Pending CN114820987A (zh) 2022-05-27 2022-05-27 一种基于多视角图像序列的三维重建方法及系统

Country Status (1)

Country Link
CN (1) CN114820987A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433879A (zh) * 2023-06-15 2023-07-14 深圳市捷鑫华科技有限公司 基于图像处理的3d打印机精度校正方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433879A (zh) * 2023-06-15 2023-07-14 深圳市捷鑫华科技有限公司 基于图像处理的3d打印机精度校正方法
CN116433879B (zh) * 2023-06-15 2023-08-22 深圳市捷鑫华科技有限公司 基于图像处理的3d打印机精度校正方法

Similar Documents

Publication Publication Date Title
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN108389251B (zh) 基于融合多视角特征的投影全卷积网络三维模型分割方法
CN105184763B (zh) 图像处理方法和装置
CN111488865A (zh) 图像优化方法、装置、计算机存储介质以及电子设备
CN111768388A (zh) 一种基于正样本参考的产品表面缺陷检测方法及系统
CN110033514B (zh) 一种基于点线特征快速融合的重建方法
CN111899295B (zh) 一种基于深度学习的单目场景深度预测方法
CN108416801B (zh) 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
Serna et al. Data fusion of objects using techniques such as laser scanning, structured light and photogrammetry for cultural heritage applications
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN115937552A (zh) 一种基于融合手工特征与深度特征的图像匹配方法
CN112734914A (zh) 一种增强现实视觉的图像立体重建方法及装置
CN112883940A (zh) 静默活体检测方法、装置、计算机设备及存储介质
CN114627244A (zh) 三维重建方法及装置、电子设备、计算机可读介质
Jia et al. Tiny-BDN: An efficient and compact barcode detection network
CN113592706B (zh) 调整单应性矩阵参数的方法和装置
CN114820987A (zh) 一种基于多视角图像序列的三维重建方法及系统
CN113657370A (zh) 一种文字识别方法及其相关设备
CN109785367B (zh) 三维模型追踪中外点滤除方法和装置
CN110070626B (zh) 一种基于多视角分类的三维物体检索方法
WO2023109069A1 (zh) 一种图像检索方法及装置
Li et al. NeRF-MS: Neural Radiance Fields with Multi-Sequence
CN113763474A (zh) 一种基于场景几何约束的室内单目深度估算方法
CN111985535A (zh) 一种通过神经网络优化人体深度图的方法及其装置

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