CN114863060A - 基于点云的三维模型重建方法、装置、设备及存储介质 - Google Patents

基于点云的三维模型重建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114863060A
CN114863060A CN202210516984.3A CN202210516984A CN114863060A CN 114863060 A CN114863060 A CN 114863060A CN 202210516984 A CN202210516984 A CN 202210516984A CN 114863060 A CN114863060 A CN 114863060A
Authority
CN
China
Prior art keywords
point cloud
dimensional
cloud data
projection
reconstructed
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.)
Withdrawn
Application number
CN202210516984.3A
Other languages
English (en)
Inventor
刘亚坤
薛均晓
万里红
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.)
Henan Panke Intelligent Robot Co ltd
Original Assignee
Henan Panke Intelligent Robot 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 Henan Panke Intelligent Robot Co ltd filed Critical Henan Panke Intelligent Robot Co ltd
Priority to CN202210516984.3A priority Critical patent/CN114863060A/zh
Publication of CN114863060A publication Critical patent/CN114863060A/zh
Withdrawn legal-status Critical Current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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Image Processing (AREA)

Abstract

本申请属于数字孪生技术领域，尤其涉及一种基于点云的三维模型重建方法、装置、设备及存储介质。该方法通过对获取的待重建点云数据进行融合处理，将融合点云数据投影得到投影点集，对投影点集进行隐性特征识别得到二维边界特征，将所有投影面的二维边界特征拼接，得到融合点云数据的三维边界特征，并将三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件，调整目标构件的尺度直至满足三维边界特征的尺度，确定调整后的目标构件为待重建点云数据的三维模型，实现三维模型的重建，上述过程无需精确分析点云特征，从而提高了分析的效率，且采用模型库匹配的方式可以提高准确率。

Description

基于点云的三维模型重建方法、装置、设备及存储介质
技术领域
本申请属于数字孪生技术领域，尤其涉及一种基于点云的三维模型重建方法、装置、设备及存储介质。
背景技术
目前，在逆向工程中，三维模型重建是将目标对象的三维空间信息转化为数字模型的过程，该技术广泛应用于数字孪生、虚拟仿真、产生设计等领域，例如，建筑信息模型(Building Information Modeling，BIM)的重建。物体对象逆向重建的前提工作是获取目标对象的三维信息数据，三维信息数据的获取方式多种多样。然而，传统的数据获取方法主要通过人工测量的方法实现，该方法工作量大、自动化程度低，而且难以获取完整的几何数据。三维激光扫描是一种新型测量技术，具有主动性、全天候、非接触性等特点，在信息获取方面具有变革性意义，能够采集目标对象的真实坐标信息和三维空间几何属性信息。
基于点云数据的目标对象三维重建也被称为结构化重建，即从散乱的点云或基于散乱点云生成的三角网格中提取具有几何特征的线、面单元，并将其拼接成具有几何结构的三维模型。根据模型重建技术路径的不同，三维模型重建方法主要有数据驱动和模型驱动两种。数据驱动方法是以模型的三维空间信息为基础，通过提取模型数据的三维空间特征，进一步重建出目标对象的三维模型。该方法具有精度高，能够精确表达几何形状的优点。模型驱动是以模型库为基础，将提取到的目标对象的几何形状与模型库构件进行比对，从而调用与特征最为匹配的模型构件，并进一步重建出目标对象的三维模型。数据驱动的模型重建方式可分为基于特征的模型重建、三角网格模型重建、NURBS(Non-UniformRational B-Spline)曲面模型重建和体素模型重建。但模型驱动需要较为完备的模型库，而数据驱动中对于特征提取、点云数据完整度的要求较高，均不利于使用，影响三维模型重建的精确度和效率。因此，如何同时提高三维模型重建的精确度和效率成为亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于点云的三维模型重建方法、装置、设备及存储介质，以解决如何同时提高三维模型重建的精确度和效率的问题。
第一方面，本申请实施例提供一种基于点云的三维模型重建方法，所述三维模型重建方法包括：
获取待重建点云数据，并对所述待重建点云数据进行融合处理，得到融合点云数据；
将所述融合点云数据投影至任一投影面，得到对应投影面的投影点集，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征；
将所有投影面的二维边界特征拼接，得到所述融合点云数据的三维边界特征，并将所述三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件；
若所述目标构件的尺度与所述三维边界特征的尺度不相同，则调整所述目标构件的尺度直至所述目标构件的尺度满足所述三维边界特征的尺度，确定调整后的目标构件为所述待重建点云数据的三维模型。
第二方面，本申请实施例提供一种基于点云的三维模型重建装置，所述三维模型重建装置包括：
融合处理模块，用于获取待重建点云数据，并对所述待重建点云数据进行融合处理，得到融合点云数据；
二维特征识别模块，用于将所述融合点云数据投影至任一投影面，得到对应投影面的投影点，采用alpha-shape算法对每个投影面的投影点进行隐性特征识别，得到对应投影面的二维边界特征；
构件匹配模块，用于将所有投影面的二维边界特征拼接，得到所述融合点云数据的三维边界特征，并将所述三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件；
三维模型重建模块，用于若所述目标构件的尺度与所述三维边界特征的尺度不相同，则调整所述目标构件的尺度直至所述目标构件的尺度满足所述三维边界特征的尺度，确定调整后的目标构件为所述待重建点云数据的三维模型。
第三方面，本申请实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的三维模型重建方法。
第四方面，本申请实施例提供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程序，所述计算机程序被处理器执行时实现如第一方面所述的三维模型重建方法。
第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的三维模型重建方法。
本申请实施例与现有技术相比存在的有益效果是：本申请通过对获取的待重建点云数据进行融合处理，得到融合点云数据，将融合点云数据投影至任一投影面，得到对应投影面的投影点集，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征，将所有投影面的二维边界特征拼接，得到融合点云数据的三维边界特征，并将三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件，若目标构件的尺度与三维边界特征的尺度不相同，则调整目标构件的尺度直至目标构件的尺度满足三维边界特征的尺度，确定调整后的目标构件为待重建点云数据的三维模型，采用隐性特征识别的方式得到点云的二维边界特征，使用拼接的方式得到三维边界特征，并与模型库中构件进行匹配，实现三维模型的重建，上述过程无需精确分析点云特征，从而提高了分析的效率，且采用模型库匹配的方式可以提高准确率。上述方法结合了初始融合与精确融合，提高了数据融合效率，降低了局部最优产生的可能性，能够实现数据集的高度融合，采用隐性特征识别和模型构件匹配度判定的方式调用模型库中的单元构件，缩减了特征提取的过程，在初始特征提取后即可实现模型调用，缩放因子控制模型尺度，从而实现精确匹配。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于点云的三维模型重建方法的流程示意图；
图2是本申请实施例二提供的一种基于点云的三维模型重建方法的流程示意图；
图3是本申请实施例三提供的一种基于点云的三维模型重建装置的结构示意图；
图4是本申请实施例四提供的一种终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例中的终端设备可以是掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant，PDA)、智能机器人等，本申请实施例对终端设备的具体类型不作任何限制。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
参见图1，是本申请实施例一提供的一种基于点云的三维模型重建方法的流程示意图，上述三维模型重建方法应用于终端设备，该终端设备连接相应的点云采集设备或者点云数据存储设备，以获取待重建点云数据。如图1所示，该三维模型重建方法可以包括以下步骤：
步骤S101，获取待重建点云数据，并对待重建点云数据进行融合处理，得到融合点云数据。
本申请中，点云数据可以是从点云采集设备上实时采集的数据，也可以是从存储设备上获取的数据，其中，待重建点云数据可以包括至少一种采集设备采集的点云数据，例如，激光设备采集的点云、图像采集设备采集的点云等。
由于点云数据中存在高精度点云数据数据，如采用激光设备采集的点云属于较为精确的点云数据，因此，针对待重建点云数据的精确程度不同，点云数据的融合处理可以包括粗融合、精融合等融合方式，融合后的点云数据才能够作为后续特征识别和模型匹配，进而重建三维模型。
可选的是，对待重建点云数据进行融合处理，得到融合点云数据包括：
提取待重建点云数据中基准点云，将待重建点云数据中剩余点云以基准点云为基准进行刚体变换，得到变换后的点云数据；
使用ICP算法对变换后的点云数据进行融合，得到融合点云数据。
其中，基准点云可以是指待重建点云数据中高精度的点云数据，将剩余点云数据与基准点云配准，配准过程主要涉及平移和旋转，对于集合数据的尺度并无改变，该过程即为刚体变换。对于空间中的一个目标对象，假设其三维几何变换的矩阵是一个4阶方阵，具体原理如下：
Figure BDA0003640059410000061
式中，旋转矩阵R3×3和平移矩阵R3×1可以表示为：
Figure BDA0003640059410000071
式中，α、β、γ分别表示沿x、y、z轴的旋转角度，tx、ty、tz表示位移量。
在粗融合之后，对融合后的数据进行精确融合，精确融合可以采用最近点搜索法(Iterative Closest Point，ICP)算法。
在一实施方式中，精确融合还可以采用正态分布变换(Normal DistributionsTransform，NDT)算法、广义迭代最近点(Generalized Iterative Closest Point，GICP)算法等，其中，NDT算法是基于概率模型判断，GICP算法的原理是将ICP算法和PL-ICP算法结合到概率框架模型上进行点云配准。
步骤S102，将融合点云数据投影至任一投影面，得到对应投影面的投影点集，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征。
本申请中，投影面可以是指三维空间中任意方向的平面，若将三维空间规定为正六面体的空间，则点云数据可以投影至六个平面，当然，如果将三维空间规定为其他形状的空间，则对应的投影面随之改变。
针对每个投影面而言，将融合点云数据投影至对应投影面是在对应投影面上形成投影点，若两个以上的点云数据投影在投影面的同一位置处，则采用覆盖的形式，即形成一个投影点。例如，针对一个物体的点云数据，该物体的表面点云数据投影只一个投影面，在该投影面上投影点的形状即是在该投影面方向上观测该物体的形状。又如，针对一个物体的点云数据，就一组对称的投影面而言，找出适当的分割面，将点云数据分割为两部分，将两部分分别投影至对应的投影面，避免了将全部点云投影至同一投影面会出现两个面信息的覆盖重合，导致特征不清晰的情况。
上述的alpha-shape即滚球法，alpha shape算法能够使用凸壳和凹包情形，且对多个点云时能勾勒出多个边界线，因此，具备较好的隐形特征识别能力。采用alpha shape算法对所有的投影面进行识别，得到每个投影面对应的二维边界特征。
可选的是，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征包括：
针对任一投影面，从投影点集中随机选择第一投影点作为第一圆心，在第一圆心的第一预设半径范围内随机选择第二投影点，根据第一投影点和第二投影点，确定半径为第二预设半径的圆的第二圆心，第一预设半径为第二预设半径的两倍；
计算在第一圆心的第一预设半径范围内所有投影点与第二圆心的距离，返回在第一圆心的第一预设半径范围内选择其他投影点作为第二点，直至在第一圆心的第一预设半径范围内所有投影点与第二圆心的距离均大于第二预设半径，确定对应的第一投影点和第二投影点为投影点集的边界点，两者的连线为边界线；
返回执行从投影点中随机选择一个投影点作为第一圆心的步骤，直至遍历所有投影点，得到投影点集的所有边界点和所有边界线为对应投影面的二维边界特征。
其中，在投影面内建立规则的二维格网，建立规则定义如下：
Figure BDA0003640059410000081
式中，
Figure BDA0003640059410000082
其中，(x0，y0)表示当前网格中心点坐标，(x1，y1)表示当前网格一相邻的网格中心点坐标，(x2，y2)表示当前网格又一相邻的网格中心点坐标，α为网格的半径。
从投影点集S中随机选择一投影点P1(xn,yn)作为第一圆心，以2α为半径，搜索其半径范围内的邻域子集S1，从中随机选择第二投影点P2(xn+1,yn+1)，利用圆的方程，求出通过P1、P2两点，且半径为α的圆的第二圆心O。
遍历邻域子集S1中的每一个投影点，求其到第二圆心O的距离，当且仅当邻域子集S1内所有投影点与第二圆心O的距离都大于α时，P1、P2是投影点集S的边界点，P1、P2连接线段是边界线。
如果与滚动圆接触的投影点到圆心的距离小于α，那么判定不是P1、P2边界线，判断下一个投影点并重复以上过程，直到邻域子集S1内所有的投影点都被处理完毕，从而识别出邻域子集S1中所有的边界点，对邻域子集S1处理完成后，再从投影点集S中取出下一个投影点，重复上述过程求出的投影点集S的边界。
步骤S103，将所有投影面的二维边界特征拼接，得到融合点云数据的三维边界特征，并将三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件。
本申请中，将二维边界特征拼接即可得到三维边界特征，该三维边界特征与投影面的设计相关，如果设定投影面为一个，则该三维边界特征与二维边界特征相同，如果设定投影面为多个，则该三维边界特征为多个二维边界特征的结合。
根据投影面的位置关系，将对应的投影面的二维边界特征放置于对应的面，进而形成三维边界特征。例如，针对一个物体的点云数据，仅以x、y、z三个相邻的平面作为投影面，即三个投影面，将得到的对应的二维边界特征按照三个投影面的关系进行拼接，得到三维边界特征。
模型库中存储有三维构件，使用上述的三维边界特征与模型库中的已有三维构件进行匹配，从而确定匹配的三维构件为该待重建点云数据对应的三维模型。其中，匹配可以采用相似度匹配，例如，特征向量的相似度等。
可选的是，将所有投影面的二维边界特征拼接，得到融合点云数据的三维边界特征包括：
获取所有投影面间的连接关系；
根据任两个投影面之间的连接关系，将对应两个投影面的二维边界特征拼接，遍历所有投影面，确定拼接结果为融合点云数据的三维边界特征。
其中，连接关系用于表征投影面之间的位置，从而可以确定对应投影面的二维边界特征在拼接时所处的位置，从而拼接得到三维边界特征。
可选的是，将三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件包括：
计算三维边界特征与模型库中已有三维构件的相似度因子，将所有相似度因子与预设阈值进行比较；
确定相似度因子大于或者等于预设阈值的已有三维构件为目标构件。
其中，计算三维边界特征与模型库中所有的三维构件的相似度，将相似度结果作为相似度因子，将所有的相似度因子与预设阈值进行比较，从而确定大于或者等于该预设阈值的相似度因子对应的三维构件。
如果存在多个三维构件与上述三维边界特征的相似度因子均大于或者等于该预设阈值，则确定相似度因子最大对应的是三维构件为目标构件。
可选的是，计算三维边界特征与模型库中已有三维构件的相似度因子包括：
提取三维边界特征中表征任意方向上最小和最大的特征点，确定特征点对应的矩阵；
计算矩阵的特征向量，并确定矩阵的特征向量与模型库中已有三维构件对应的特征向量的余弦相似度为对应的相似度因子。
其中，假设用一个数组Feature[num]＝{point1,point2...}表征三维边界特征，遍历数组内的所有点，从中提取表征x、y、z方向上最大和最小值的特征点，特征点用Feature_m表示，如下：
Figure BDA0003640059410000101
式中，pointx_max表示x方向上最大特征点对应的值，pointx_min表示x方向上最小特征点对应的值，pointy_max表示表示y方向上最大特征点对应的值，pointy_min表示y方向上最小特征点对应的值，pointz_max表示表示z方向上最大特征点对应的值，pointz_min表示z方向上最小特征点对应的值。
由上述特征点所围成的几何形状可大致表征待重建点云数据的几何特征f(x)，以此为基准，调用模型库中的单元构件U(i)，判别模型构件是否符合f(x)，如果不满足预设条件，则重新调用构件进行判断，直到满足预设条件终止。上述过程为将f(x)对应的特征向量与U(i)对应的特征向量进行余弦相似度比较，对应的预设条件为余弦值小于一个预设值θ。
步骤S104，若目标构件的尺度与三维边界特征的尺度不相同，则调整目标构件的尺度直至目标构件的尺度满足三维边界特征的尺度，确定调整后的目标构件为待重建点云数据的三维模型。
本申请中，在得到目标构件之后，还对目标构件的尺度进行检测，判断目标构件的尺度是否符合待重建点云数据，如果符合，则直接调用该目标构件进行模型构建即可，如果不符合，则需要对目标构件进行尺度调整之后才能进行模型构建。
例如，尺度因子为F＝{xu,yu,zu}(x、y、z)∈R，f(x)F可表示为尺度匹配的目标函数。当目标构件空间尺度Usize大于fsize时，可将目标构件表示为Usize↓，而当目标构件空间尺度Usize小于fsize时，可将目标构件表示为Usize↑，总的来说，目标构件空间尺度是一个不断调整的过程。
调整尺度后的目标构件即为该待重建点云数据的三维模型，如果待重建点云数据仅为一个物体的部分点云，则还可以对其他点云进行处理，将所有得到的构建进行拼接即可重建完整的三维模型。
在一实施方式中，在对目标构件调整尺寸之后，还可将目标构件的特征向量与上述三维边界特征进行匹配，从而避免调整尺度后目标构件出现形变的问题。
本申请实施例通过对获取的待重建点云数据进行融合处理，得到融合点云数据，将融合点云数据投影至任一投影面，得到对应投影面的投影点集，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征，将所有投影面的二维边界特征拼接，得到融合点云数据的三维边界特征，并将三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件，若目标构件的尺度与三维边界特征的尺度不相同，则调整目标构件的尺度直至目标构件的尺度满足三维边界特征的尺度，确定调整后的目标构件为待重建点云数据的三维模型，采用隐性特征识别的方式得到点云的二维边界特征，使用拼接的方式得到三维边界特征，并与模型库中构件进行匹配，实现三维模型的重建，上述过程无需精确分析点云特征，从而提高了分析的效率，且采用模型库匹配的方式可以提高准确率。上述方法结合了初始融合与精确融合，提高了数据融合效率，降低了局部最优产生的可能性，能够实现数据集的高度融合，采用隐性特征识别和模型构件匹配度判定的方式调用模型库中的单元构件，缩减了特征提取的过程，在初始特征提取后即可实现模型调用，缩放因子控制模型尺度，从而实现精确匹配。
参见图2，是本申请实施例二提供的一种基于点云的三维模型重建方法的流程示意图，如图2所示，该三维模型重建方法可以包括以下步骤：
步骤S201，获取完整点云数据，提取完整点云数据中目标对象的点云数据为待重建点云数据。
本申请中，完整点云数据为表征一个完整待重建对象的点云，待重建对象可以分为一个或者多个部分，每个部分可以单独进行构件的匹配，最终再将所有构件进行组合得到完整的三维模型。
提取可以针对规则和不规则点云进行区分，即通过简单识别将规则点云与不规则点云进行分割，对分割后的点云分别进行构件匹配。
当然，人工将完整点云数据进行分割，从而给出至少一个待重建点云数据，所有的待重建点云数据属于一个待重建对象，且已知任两个待重建点云数据的位置关系。
步骤S202，获取待重建点云数据，并对待重建点云数据进行融合处理，得到融合点云数据。
步骤S203，将融合点云数据投影至任一投影面，得到对应投影面的投影点集，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征。
步骤S204，将所有投影面的二维边界特征拼接，得到融合点云数据的三维边界特征，并将三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件。
步骤S205，若目标构件的尺度与三维边界特征的尺度不相同，则调整目标构件的尺度直至目标构件的尺度满足三维边界特征的尺度，确定调整后的目标构件为目标对象的三维模型。
其中，步骤S202至步骤S205与上述步骤S101至步骤S104的内容相同，可参考步骤S101至步骤S104的描述，在此不再赘述。
步骤S206，从完整点云数据中提取其他目标对象的点云数据作为待重建点云数据，返回执行获取待重建点云数据的步骤，直至完整点云数据对应的所有对象均确定对应的目标构件。
本申请中，在针对一个待重建点云数据执行得到目标构件之后，返回对其他待重建点云数据进行构件匹配，最终得到完整点云数据的所有构件。
步骤S207，将所有目标构件拼接，得到完整点云数据对应的完整三维模型。
本申请中，在对完整点云数据进行分割得到每个待重建点云数据时，还对应得到每个待重建点云数据之间的位置关系，根据该位置关系可以对相应的目标构件进行拼接，从而得到完整点云数据对应的完整三维模型。
本申请实施例针对一个完整的物体的完整点云数据进行处理，即对完整点云数据进行分割处理，得到每个待重建点云数据的构件，进而根据位置关系对构件进行拼接，得到完整点云数据对应对象的三维模型，实现整体的模型重建。上述方法结合了初始融合与精确融合，提高了数据融合效率，降低了局部最优产生的可能性，能够实现数据集的高度融合，采用隐性特征识别和模型构件匹配度判定的方式调用模型库中的单元构件，缩减了特征提取的过程，在初始特征提取后即可实现模型调用，缩放因子控制模型尺度，从而实现精确匹配。
对应于上文实施例的三维模型重建方法，图3示出了本申请实施例三提供的基于点云的三维模型重建装置的结构框图，该终端设备连接相应的点云采集设备或者点云数据存储设备，以获取待重建点云数据。为了便于说明，仅示出了与本申请实施例相关的部分。
参见图3，该三维模型重建装置包括：
融合处理模块31，用于获取待重建点云数据，并对待重建点云数据进行融合处理，得到融合点云数据；
二维特征识别模块32，用于将融合点云数据投影至任一投影面，得到对应投影面的投影点，采用alpha-shape算法对每个投影面的投影点进行隐性特征识别，得到对应投影面的二维边界特征；
构件匹配模块33，用于将所有投影面的二维边界特征拼接，得到融合点云数据的三维边界特征，并将三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件；
三维模型重建模块34，用于若目标构件的尺度与三维边界特征的尺度不相同，则调整目标构件的尺度直至目标构件的尺度满足三维边界特征的尺度，确定调整后的目标构件为待重建点云数据的三维模型。
可选的是，上述融合处理模块31包括：
粗融合处理单元，用于提取待重建点云数据中基准点云，将待重建点云数据中剩余点云以基准点云为基准进行刚体变换，得到变换后的点云数据；
精融合处理单元，用于使用ICP算法对变换后的点云数据进行融合，得到融合点云数据。
可选的是，上述二维特征识别模块32包括：
随机选取单元，用于针对任一投影面，从投影点集中随机选择第一投影点作为第一圆心，在第一圆心的第一预设半径范围内随机选择第二投影点，根据第一投影点和第二投影点，确定半径为第二预设半径的圆的第二圆心，第一预设半径为第二预设半径的两倍；
边界线确定单元，用于计算在第一圆心的第一预设半径范围内所有投影点与第二圆心的距离，返回在第一圆心的第一预设半径范围内选择其他投影点作为第二点，直至在第一圆心的第一预设半径范围内所有投影点与第二圆心的距离均大于第二预设半径，确定对应的第一投影点和第二投影点为投影点集的边界点，两者的连线为边界线；
边界特征确定单元，用于返回执行从投影点中随机选择一个投影点作为第一圆心的步骤，直至遍历所有投影点，得到投影点集的所有边界点和所有边界线为对应投影面的二维边界特征。
可选的是，上述构件匹配模块33包括：
连接关系获取模块，用于获取所有投影面间的连接关系；
三维边界确定单元，用于根据任两个投影面之间的连接关系，将对应两个投影面的二维边界特征拼接，遍历所有投影面，确定拼接结果为融合点云数据的三维边界特征。
可选的是，上述构件匹配模块33包括：
相似度匹配单元，用于计算三维边界特征与模型库中已有三维构件的相似度因子，将所有相似度因子与预设阈值进行比较；
构件确定单元，用于确定相似度因子大于或者等于预设阈值的已有三维构件为目标构件。
可选的是，上述相似度匹配单元包括：
特征矩阵确定子单元，用于提取三维边界特征中表征任意方向上最小和最大的特征点，确定特征点对应的矩阵；
相似度确定子单元，用于计算矩阵的特征向量，并确定矩阵的特征向量与模型库中已有三维构件对应的特征向量的余弦相似度为对应的相似度因子。
可选的是，上述三维模型重建装置还包括：
待重建点云确定模块，用于在获取待重建点云数据之前，获取完整点云数据，提取完整点云数据中目标对象的点云数据为待重建点云数据；
上述三维模型重建模块34包括：
子模型确定单元，用于确定调整后的目标构件为目标对象的三维模型；
所有对象遍历单元，用于从完整点云数据中提取其他目标对象的点云数据作为待重建点云数据，返回执行获取待重建点云数据的步骤，直至完整点云数据对应的所有对象均确定对应的目标构件；
完整模型重建模块，用于将所有目标构件拼接，得到完整点云数据对应的完整三维模型。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图4为本申请实施例四提供的一种终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个)、存储器41以及存储在存储器41中并可在至少一个处理器40上运行的计算机程序42，处理器40执行计算机程序42时实现上述任意各个三维模型重建方法实施例中的步骤。
该终端设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是CPU，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41在一些实施例中可以是终端设备4的内部存储单元，例如终端设备4的硬盘或内存。存储器41在另一些实施例中也可以是终端设备4的外部存储设备，例如终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括终端设备4的内部存储单元也包括外部存储设备。存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于点云的三维模型重建方法，其特征在于，所述三维模型重建方法包括：
获取待重建点云数据，并对所述待重建点云数据进行融合处理，得到融合点云数据；
将所述融合点云数据投影至任一投影面，得到对应投影面的投影点集，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征；
将所有投影面的二维边界特征拼接，得到所述融合点云数据的三维边界特征，并将所述三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件；
若所述目标构件的尺度与所述三维边界特征的尺度不相同，则调整所述目标构件的尺度直至所述目标构件的尺度满足所述三维边界特征的尺度，确定调整后的目标构件为所述待重建点云数据的三维模型。
2.根据权利要求1所述的三维模型重建方法，其特征在于，对所述待重建点云数据进行融合处理，得到融合点云数据包括：
提取所述待重建点云数据中基准点云，将所述待重建点云数据中剩余点云以所述基准点云为基准进行刚体变换，得到变换后的点云数据；
使用ICP算法对变换后的点云数据进行融合，得到融合点云数据。
3.根据权利要求1所述的三维模型重建方法，其特征在于，采用alpha-shape算法对每个投影面的投影点集进行隐性特征识别，得到对应投影面的二维边界特征包括：
针对任一投影面，从投影点集中随机选择第一投影点作为第一圆心，在所述第一圆心的第一预设半径范围内随机选择第二投影点，根据所述第一投影点和所述第二投影点，确定半径为第二预设半径的圆的第二圆心，第一预设半径为第二预设半径的两倍；
计算在所述第一圆心的第一预设半径范围内所有投影点与所述第二圆心的距离，返回在所述第一圆心的第一预设半径范围内选择其他投影点作为所述第二点，直至在所述第一圆心的第一预设半径范围内所有投影点与所述第二圆心的距离均大于第二预设半径，确定对应的第一投影点和第二投影点为所述投影点集的边界点，两者的连线为边界线；
返回执行从所述投影点中随机选择一个投影点作为所述第一圆心的步骤，直至遍历所有投影点，得到所述投影点集的所有边界点和所有边界线为对应投影面的二维边界特征。
4.根据权利要求1所述的三维模型重建方法，其特征在于，将所有投影面的二维边界特征拼接，得到所述融合点云数据的三维边界特征包括：
获取所有投影面间的连接关系；
根据任两个投影面之间的连接关系，将对应两个投影面的二维边界特征拼接，遍历所有投影面，确定拼接结果为所述融合点云数据的三维边界特征。
5.根据权利要求1所述的三维模型重建方法，其特征在于，将所述三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件包括：
计算所述三维边界特征与模型库中已有三维构件的相似度因子，将所有相似度因子与预设阈值进行比较；
确定相似度因子大于或者等于所述预设阈值的已有三维构件为目标构件。
6.根据权利要求5所述的三维模型重建方法，其特征在于，计算所述三维边界特征与模型库中已有三维构件的相似度因子包括：
提取所述三维边界特征中表征任意方向上最小和最大的特征点，确定所述特征点对应的矩阵；
计算所述矩阵的特征向量，并确定所述矩阵的特征向量与模型库中已有三维构件对应的特征向量的余弦相似度为对应的相似度因子。
7.根据权利要求1至6任一项所述的三维模型重建方法，其特征在于，在获取待重建点云数据之前，还包括：
获取完整点云数据，提取所述完整点云数据中目标对象的点云数据为待重建点云数据；
确定调整后的目标构件为所述待重建点云数据的三维模型包括：
确定调整后的目标构件为所述目标对象的三维模型；
从所述完整点云数据中提取其他目标对象的点云数据作为待重建点云数据，返回执行获取待重建点云数据的步骤，直至所述完整点云数据对应的所有对象均确定对应的目标构件；
将所有目标构件拼接，得到所述完整点云数据对应的完整三维模型。
8.一种基于点云的三维模型重建装置，其特征在于，所述三维模型重建装置包括：
融合处理模块，用于获取待重建点云数据，并对所述待重建点云数据进行融合处理，得到融合点云数据；
二维特征识别模块，用于将所述融合点云数据投影至任一投影面，得到对应投影面的投影点，采用alpha-shape算法对每个投影面的投影点进行隐性特征识别，得到对应投影面的二维边界特征；
构件匹配模块，用于将所有投影面的二维边界特征拼接，得到所述融合点云数据的三维边界特征，并将所述三维边界特征与模型库中已有三维构件进行匹配，确定匹配的已有三维构件为目标构件；
三维模型重建模块，用于若所述目标构件的尺度与所述三维边界特征的尺度不相同，则调整所述目标构件的尺度直至所述目标构件的尺度满足所述三维边界特征的尺度，确定调整后的目标构件为所述待重建点云数据的三维模型。
9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的三维模型重建方法。
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存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的三维模型重建方法。
CN202210516984.3A 2022-05-12 2022-05-12 基于点云的三维模型重建方法、装置、设备及存储介质 Withdrawn CN114863060A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210516984.3A CN114863060A (zh) 2022-05-12 2022-05-12 基于点云的三维模型重建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210516984.3A CN114863060A (zh) 2022-05-12 2022-05-12 基于点云的三维模型重建方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114863060A true CN114863060A (zh) 2022-08-05

Family

ID=82637679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210516984.3A Withdrawn CN114863060A (zh) 2022-05-12 2022-05-12 基于点云的三维模型重建方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114863060A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100363A (zh) * 2022-08-24 2022-09-23 中国科学院地理科学与资源研究所 基于探地雷达的地下异常体三维建模方法及装置
CN115393533A (zh) * 2022-10-27 2022-11-25 科大讯飞股份有限公司 一种三维点云构建方法、装置、电子设备及存储介质
CN115690359A (zh) * 2022-10-27 2023-02-03 科大讯飞股份有限公司 一种点云处理方法、装置、电子设备及存储介质
CN117152364A (zh) * 2023-10-31 2023-12-01 航天宏图信息技术股份有限公司 基于影像数据的水体边界三维重建的方法、装置和设备
CN117570850A (zh) * 2023-12-01 2024-02-20 中铁山桥集团有限公司 基于激光点云的钢结构桁架桥梁质量检验方法
WO2024174571A1 (zh) * 2023-02-24 2024-08-29 腾讯科技（深圳）有限公司 一种三维建模方法、装置、设备及存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100363A (zh) * 2022-08-24 2022-09-23 中国科学院地理科学与资源研究所 基于探地雷达的地下异常体三维建模方法及装置
CN115100363B (zh) * 2022-08-24 2022-11-25 中国科学院地理科学与资源研究所 基于探地雷达的地下异常体三维建模方法及装置
CN115393533A (zh) * 2022-10-27 2022-11-25 科大讯飞股份有限公司 一种三维点云构建方法、装置、电子设备及存储介质
CN115690359A (zh) * 2022-10-27 2023-02-03 科大讯飞股份有限公司 一种点云处理方法、装置、电子设备及存储介质
CN115393533B (zh) * 2022-10-27 2023-05-30 科大讯飞股份有限公司 一种三维点云构建方法、装置、电子设备及存储介质
CN115690359B (zh) * 2022-10-27 2023-12-15 科大讯飞股份有限公司 一种点云处理方法、装置、电子设备及存储介质
WO2024174571A1 (zh) * 2023-02-24 2024-08-29 腾讯科技（深圳）有限公司 一种三维建模方法、装置、设备及存储介质
CN117152364A (zh) * 2023-10-31 2023-12-01 航天宏图信息技术股份有限公司 基于影像数据的水体边界三维重建的方法、装置和设备
CN117152364B (zh) * 2023-10-31 2024-02-27 航天宏图信息技术股份有限公司 基于影像数据的水体边界三维重建的方法、装置和设备
CN117570850A (zh) * 2023-12-01 2024-02-20 中铁山桥集团有限公司 基于激光点云的钢结构桁架桥梁质量检验方法
CN117570850B (zh) * 2023-12-01 2024-09-27 中铁山桥集团有限公司 基于激光点云的钢结构桁架桥梁质量检验方法

Similar Documents

Publication Publication Date Title
CN114863060A (zh) 基于点云的三维模型重建方法、装置、设备及存储介质
Rabbani et al. Efficient hough transform for automatic detection of cylinders in point clouds
JP4686762B2 (ja) 三次元形状の位置あわせ方法及びプログラム
CN111340862B (zh) 一种基于多特征融合的点云配准方法、装置及存储介质
CN112336342A (zh) 手部关键点检测方法、装置及终端设备
CN111325663B (zh) 基于并行架构的三维点云匹配方法、装置和计算机设备
CN111798453A (zh) 用于无人驾驶辅助定位的点云配准方法及其系统
Wei et al. GeoDualCNN: Geometry-supporting dual convolutional neural network for noisy point clouds
CN113192174A (zh) 建图方法、装置及计算机存储介质
CN115239892A (zh) 三维血管模型的构建方法、装置、设备及存储介质
CN114861500A (zh) 基于三维点云自动生成隧道结构有限元模型的方法及系统
CN117994484A (zh) 一种大型建筑预制构件三维图像拼接装置及方法
CN115935447B (zh) 一种基于离散Morse理论特征识别的混合建模方法
CN115147433A (zh) 点云配准方法
CN115423854B (zh) 一种基于多尺度特征提取的多视角点云配准及点云融合方法
CN116563471A (zh) 一种煤矿井下三维空间重建方法和装置
Sa et al. Depth grid-based local description for 3D point clouds
CN115601430A (zh) 基于关键点映射的无纹理高反物体位姿估计方法及系统
CN115239776A (zh) 点云的配准方法、装置、设备和介质
Shui et al. Automatic planar shape segmentation from indoor point clouds
CN113033270B (zh) 采用辅助轴的3d物体局部表面描述方法、装置及存储介质
Yang et al. Developing a semantic-driven hybrid segmentation method for point clouds of 3D shapes
CN110399892B (zh) 环境特征提取方法和装置
Voss et al. A new one-parametric fitting method for planar objects
Martino et al. Signature extraction from 3D point clouds using frame theory for environmental modeling

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220805

WW01 Invention patent application withdrawn after publication