CN114898068B - 三维建模方法、装置、设备及存储介质 - Google Patents

三维建模方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114898068B
CN114898068B CN202210545774.7A CN202210545774A CN114898068B CN 114898068 B CN114898068 B CN 114898068B CN 202210545774 A CN202210545774 A CN 202210545774A CN 114898068 B CN114898068 B CN 114898068B
Authority
CN
China
Prior art keywords
target object
photo
dimensional model
point cloud
cloud data
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
CN202210545774.7A
Other languages
English (en)
Other versions
CN114898068A (zh
Inventor
陈录城
程帅
谢海琴
盛国军
谈晟
陈杰
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.)
Kaos Digital Technology Qingdao Co ltd
Kaos Digital Technology Shanghai Co ltd
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Original Assignee
Kaos Digital Technology Qingdao Co ltd
Haier Digital Technology Shanghai Co Ltd
Cosmoplat Industrial Intelligent Research Institute Qingdao 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 Kaos Digital Technology Qingdao Co ltd, Haier Digital Technology Shanghai Co Ltd, Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd filed Critical Kaos Digital Technology Qingdao Co ltd
Priority to CN202210545774.7A priority Critical patent/CN114898068B/zh
Publication of CN114898068A publication Critical patent/CN114898068A/zh
Application granted granted Critical
Publication of CN114898068B publication Critical patent/CN114898068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/30—Interpretation of pictures by triangulation
    • G01C11/34—Aerial triangulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • 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
    • 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
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请公开了一种三维建模方法、装置、设备及存储介质，涉及三维重建技术领域，该三维建模方法包括：获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的；对照片进行图像处理，得到目标物体的关键结构特征点；根据关键结构特征点和照片采集装置的POS信息，对照片进行空三处理，生成目标物体对应的点云数据；基于点云数据和照片，获得目标物体对应的三维模型曲面；基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型。本申请能够得到精度更高的三维模型，且能够提升三维建模的效率。

Description

三维建模方法、装置、设备及存储介质
技术领域
本申请涉及三维重建技术领域，具体而言，涉及一种三维建模方法、装置、设备及存储介质。
背景技术
照片建模技术是指通过相机等设备对物体进行采集照片，经计算机进行图形图像处理以及三维计算，从而全自动生成被拍摄物体的三维模型的技术。近年来，照片建模技术的应用越来越广泛。
目前，在通过照片建模技术生成被拍摄物体的三维模型时，通常通过相机等设备对被拍摄物体进行初次拍摄之后，根据分析得到被拍摄物体的特征密度分布值，从而生成最佳投影方案；并依照该最佳投影方案对被拍摄物体进行二次照片拍摄，提取被拍摄物体的全区域特征点，进而基于被拍摄物体的全区域特征点进行三维计算，完成被拍摄物体的三维建模。但是，对于大型设施，比如大型工业设施或者园区、厂房等大面积外景建筑，通过上述照片建模技术获得的三维模型的精度不高。
发明内容
为了解决现有技术中的上述问题，即为了获得精度更高的三维模型，本申请提供了一种三维建模方法、装置、设备及存储介质。
第一方面，本申请提供一种三维建模方法，包括：
获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的；
对照片进行图像处理，得到目标物体的关键结构特征点；
根据关键结构特征点和照片采集装置的位置与姿态测量系统(Position andOrientation System，POS)信息，对照片进行空三处理，生成目标物体对应的点云数据；
基于点云数据和照片，获得目标物体对应的三维模型曲面；
基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型。
在一种可能的实现方式中，根据关键结构特征点和照片采集装置的POS信息，对照片进行空三处理，生成目标物体对应的点云数据，包括：根据关键结构特征点和POS信息，对照片中像素点的坐标进行空三处理，获得照片拍摄时相对于目标物体的三维位置以及关键结构特征点间的三维坐标关系；根据三维位置和三维坐标关系，生成目标物体对应的稀疏点云数据；将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据。
在一种可能的实现方式中，将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据，包括：将稀疏点云数据中的关键结构特征点和照片进行匹配，生成密集点云数据；对密集点云数据进行稀疏性处理，生成目标物体对应的点云数据。
在一种可能的实现方式中，基于点云数据和照片，获得目标物体对应的三维模型曲面，包括：将点云数据和照片进行匹配，获得点云数据中匹配的特征像素点；采用样条曲线连接特征像素点，得到目标物体对应的初始三维模型网格；基于初始三维模型网格，将特征像素点两两相连构成三角面，得到目标三维模型网格；对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面。
在一种可能的实现方式中，对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面，包括：对目标三维模型网格进行重建分析，得到目标物体对应的初始三维模型曲面；对初始三维模型曲面进行优化处理，获得目标物体对应的三维模型曲面，优化处理包括调整初始三维模型曲面中的布线和对初始三维模型曲面进行布局调整中的至少一种。
在一种可能的实现方式中，对照片进行图像处理，得到目标物体的关键结构特征点，包括：基于照片和照片的参数信息，对照片进行图像处理，得到目标物体对应的特征密度分布值；根据特征密度分布值，得到目标物体的关键结构特征点。
在一种可能的实现方式中，基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型，包括：基于三维模型曲面、三维模型曲面包含的网格曲线和照片，生成照片对应的纹理图像；将纹理图像贴图至三维模型曲面，得到目标物体对应的三维模型。
第二方面，本申请提供一种三维建模装置，包括：
获取模块，用于获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的；
第一处理模块，用于对照片进行图像处理，得到目标物体的关键结构特征点；
第二处理模块，用于根据关键结构特征点和照片采集装置的位置与姿态测量系统POS信息，对照片进行空三处理，生成目标物体对应的点云数据；
获得模块，用于基于点云数据和照片，获得目标物体对应的三维模型曲面；
第三处理模块，用于基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型。
在一种可能的实现方式中，第二处理模块具体用于：根据关键结构特征点和POS信息，对照片中像素点的坐标进行空三处理，获得照片拍摄时相对于目标物体的三维位置以及关键结构特征点间的三维坐标关系；根据三维位置和三维坐标关系，生成目标物体对应的稀疏点云数据；将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据。
在一种可能的实现方式中，第二处理模块在用于将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据时，具体用于：将稀疏点云数据中的关键结构特征点和照片进行匹配，生成密集点云数据；对密集点云数据进行稀疏性处理，生成目标物体对应的点云数据。
在一种可能的实现方式中，获得模块具体用于：将点云数据和照片进行匹配，获得点云数据中匹配的特征像素点；采用样条曲线连接特征像素点，得到目标物体对应的初始三维模型网格；基于初始三维模型网格，将特征像素点两两相连构成三角面，得到目标三维模型网格；对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面。
在一种可能的实现方式中，获得模块在用于对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面时，具体用于：对目标三维模型网格进行重建分析，得到目标物体对应的初始三维模型曲面；对初始三维模型曲面进行优化处理，获得目标物体对应的三维模型曲面，优化处理包括调整初始三维模型曲面中的布线和对初始三维模型曲面进行布局调整中的至少一种。
在一种可能的实现方式中，第一处理模块具体用于：基于照片和照片的参数信息，对照片进行图像处理，得到目标物体对应的特征密度分布值；根据特征密度分布值，得到目标物体的关键结构特征点。
在一种可能的实现方式中，第三处理模块具体用于：基于三维模型曲面、三维模型曲面包含的网格曲线和照片，生成照片对应的纹理图像；将纹理图像贴图至三维模型曲面，得到目标物体对应的三维模型。
第三方面，本申请提供一种计算机可读的存储介质，计算机可读的存储介质包括存储的程序，其中，程序运行时执行如本申请第一方面所述的三维建模方法。
第四方面，本申请提供一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为通过计算机程序执行如本申请第一方面所述的三维建模方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如本申请第一方面所述的三维建模方法。
本申请提供的三维建模方法、装置、设备及存储介质，通过获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的，不需要进行多次反复拍摄，能够节省使用照片采集装置的成本；通过对包含目标物体的照片进行图像处理，得到目标物体的关键结构特征点；根据关键结构特征点和照片采集装置的POS信息，对照片进行空三处理，生成目标物体对应的点云数据，能够降低三维建模的复杂度，提高三维建模的效率及精确程度；基于点云数据，获得目标物体对应的三维模型曲面；基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型，因此，能够得到精度更高的三维模型。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，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为本申请一实施例提供的应用场景示意图；
图2为本申请一实施例提供的三维建模方法的流程图；
图3为本申请另一实施例提供的三维建模方法的流程图；
图4为本申请一实施例提供的三维建模装置的结构示意图；
图5为本申请一实施例提供的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申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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“包括”和“具有”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。
本申请的技术方案中，所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
目前，照片建模技术常应用于三维打印、影视制作、室内设计或考古研究等领域，而在工业行业中运用比较有限。对于大型设施，比如大型工业设施或者园区、厂房等大面积外景建筑，由于被拍摄物体(空间)庞大，需要处理的结构及细节繁多复杂，因此，需要相机等设备对被拍摄物体进行多次反复拍摄，采集被拍摄物体照片的难度比较大。而且，相机等设备拍摄出来的照片很难完整还原大型设施的所有细枝末节，经过图像处理之后往往会出现缺漏。此外，因为被拍摄物体的照片承载了大量信息，会导致图像分析、三维计算等处理的时间较长，进而大大降低三维建模的效率。
基于上述问题，本申请提供一种三维建模方法、装置、设备及存储介质，将照片建模技术与倾斜摄影技术相结合，对包含目标物体的照片进行图像分析与计算来处理目标物体的结构及细节，从而得到目标物体对应的三维模型。因此，能够获得精度更高的三维模型，且能够降低采集目标物体的照片的难度，提升三维建模的效率。
以下，首先对本申请提供的方案的应用场景进行示例说明。
图1为本申请一实施例提供的应用场景示意图。如图1所示，本应用场景中，无人机101可以采用倾斜摄影技术等对大型厂房102进行航拍和环拍，无人机101将拍摄的包含大型厂房102的照片发送给服务器103；服务器103根据包含大型厂房102的照片，输出大型厂房102对应的三维模型。其中，服务器103根据大型厂房102对应的照片，输出大型厂房102对应的三维模型的具体实现过程可以参见下述各实施例的方案。
需要说明的是，图1仅是本申请实施例提供的一种应用场景的示意图，本申请实施例不对图1中包括的设备进行限定，也不对图1中设备之间的位置关系进行限定。例如，在图1所示的应用场景中，还可以包括数据存储设备，该数据存储设备相对服务器103可以是外部存储器，也可以是集成在服务器103中的内部存储器。
接下来，通过具体实施例介绍三维建模方法。
图2为本申请一实施例提供的三维建模方法的流程图。本申请实施例的方法可以应用于电子设备中，该电子设备可以是服务器或服务器集群等。如图2所示，本申请实施例的方法包括：
S201、获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的。
本申请实施例中，预设重叠度比如为60％，预设重叠度要大于或等于50％。照片采集装置比如为无人机、单反相机或手机等设备，能够以预设重叠度对目标物体进行倾斜摄影获得的。示例性地，比如通过无人机以60％的重叠度对目标物体进行航拍和/或环拍，需要尽可能保证拍摄过程中目标物体(空间)每个区域的所有关键特征都能处于拍摄范围内，且清晰可辨。另外，在拍摄时，需尽量保证每张照片的亮度、色差以及曝光保持一致，以免对后续的图像分析造成干扰。通过有重叠度的航拍和/或环拍即可完成照片的采集，不需要进行多次反复拍摄，能够节省使用照片采集装置的成本。该步骤中，包含目标物体的照片可以是照片采集装置向执行本方法实施例的电子设备发送的，或者，是其它设备向执行本方法实施例的电子设备发送的。因此，可以获取包含目标物体的照片。
S202、对照片进行图像处理，得到目标物体的关键结构特征点。
该步骤中，在获得了的包含目标物体的照片后，可以对照片进行图像处理，得到目标物体的关键结构特征点。示例性地，比如可以根据照片和照片附带的参数信息进行图像处理，即进行三维场景的重建，从而得到三维场景内目标物体的特征密度分布值，进而可以标记出每张照片中目标物体的关键结构特征点，即得到目标物体的关键结构特征点。对于具体如何对照片进行图像处理，得到目标物体的关键结构特征点，可参考目前相关技术或后续实施例，此处不再赘述。
S203、根据关键结构特征点和照片采集装置的POS信息，对照片进行空三处理，生成目标物体对应的点云数据。
该步骤中，在获得了目标物体的关键结构特征点后，可以根据关键结构特征点和照片采集装置的POS信息，对照片中像素点的坐标进行空三处理，生成目标物体对应的点云数据。对于具体如何根据关键结构特征点和照片采集装置的POS信息，对照片进行空三处理，生成目标物体对应的点云数据，可参考后续实施例，此处不再赘述。
S204、基于点云数据和照片，获得目标物体对应的三维模型曲面。
该步骤中，在获得了目标物体对应的点云数据后，可以基于点云数据和照片，获得目标物体对应的三维模型曲面。对于具体如何基于点云数据和照片，获得目标物体对应的三维模型曲面，可参考后续实施例，此处不再赘述。
S205、基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型。
可以理解，在获得了目标物体对应的三维模型曲面后，即获得了目标物体对应的三维模型的框架，因此，可以结合三维模型曲面包含的各曲面和网格曲线以及包含目标物体的照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型。对于具体如何基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型，可参考后续实施例，此处不再赘述。
在获得了目标物体对应的三维模型后，可以将目标物体对应的三维模型导出并投入使用，比如将目标物体对应的三维模型用于业务场景的数字孪生。
本申请实施例提供的三维建模方法，通过获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的；对照片进行图像处理，得到目标物体的关键结构特征点；根据关键结构特征点和照片采集装置的POS信息，对照片进行空三处理，生成目标物体对应的点云数据；基于点云数据和照片，获得目标物体对应的三维模型曲面；基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型。本申请实施例中包含目标物体的照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的，不需要进行多次反复拍摄，能够节省使用照片采集装置的成本；由于本申请实施例基于对照片进行图像处理得到的目标物体的关键结构特征点以及照片采集装置的POS信息，对照片进行空三处理，来获得目标物体对应的点云数据，基于点云数据和照片来获得目标物体对应的三维模型曲面，进而得到目标物体对应的三维模型，因此，能够大大减少图像处理后产生空洞的现象，得到精度更高的三维模型，且能够提升三维建模的效率。
图3为本申请另一实施例提供的三维建模方法的流程图。在上述实施例的基础上，本申请实施例对如何进行三维建模进行进一步说明。如图3所示，本申请实施例的方法可以包括：
S301、获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的。
该步骤的具体描述可以参见图2所示实施例中S201的相关描述，此处不再赘述。
本申请实施例中，图2中S202步骤可以进一步包括如下的S302和S303两个步骤：
S302、基于照片和照片的参数信息，对照片进行图像处理，得到目标物体对应的特征密度分布值。
该步骤中，照片的参数信息比如为照片的焦距值、全球定位系统(GlobalPositioning System，GPS)经纬度(需开启位置信息)等信息。示例性地，在获得了照片和照片的参数信息后，可以采用目前的相关图像处理技术对照片进行图像分析，对各照片重叠的部分予以修正优化(比如调整目标物体的模型拓扑结构中没有对齐的像素点)，得到目标物体对应的特征密度分布值。
S303、根据特征密度分布值，得到目标物体的关键结构特征点。
示例性地，在获得了目标物体对应的特征密度分布值后，可以根据特征密度分布值，标记出每张照片中目标物体的关键结构特征点，即得到目标物体的关键结构特征点。其中，目标物体的关键结构特征点用于表征构成目标物体结构的特征点中的关键特征点。
本申请实施例中，图2中S203步骤可以进一步包括如下的S304至S306三个步骤：
S304、根据关键结构特征点和照片采集装置的POS信息，对照片中像素点的坐标进行空三处理，获得照片拍摄时相对于目标物体的三维位置以及关键结构特征点间的三维坐标关系。
该步骤中，照片采集装置的POS信息为包含目标物体的照片附带的参数信息。在获得了目标物体的关键结构特征点后，可以根据目标物体的关键结构特征点，结合照片采集装置的POS信息，对照片中像素点的坐标进行空三处理，获得照片拍摄时相对于目标物体的三维位置以及关键结构特征点间的三维坐标关系。其中，具体空三处理的方法，可以参考目前相关技术，此处不再赘述。
S305、根据三维位置和三维坐标关系，生成目标物体对应的稀疏点云数据。
在获得了照片拍摄时相对于目标物体的三维位置以及关键结构特征点间的三维坐标关系后，可以根据照片拍摄时相对于目标物体的三维位置和关键结构特征点间的三维坐标关系，生成目标物体对应的稀疏点云数据。可以理解，该稀疏点云数据为与目标物体形态较为接近的点云数据。
S306、将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据。
该步骤中，在获得了目标物体对应的稀疏点云数据后，可以将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据。
进一步地，可选的，将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据，可以包括：将稀疏点云数据中的关键结构特征点和照片进行匹配，生成密集点云数据；对密集点云数据进行稀疏性处理，生成目标物体对应的点云数据。
示例性地，在目标物体对应的稀疏点云数据的基础上，对每张照片与稀疏点云数据中的关键结构特征点进行进一步匹配，生成更多的空间像素点，即生成比稀疏点云数据更密集的密集点云数据。然后，以不破坏稀疏点云数据中的细节特征为前提，将密集点云数据中冗余的像素点剔除(即进行稀疏性处理)，生成目标物体对应的点云数据。可以理解，目标物体对应的点云数据比目标物体对应的稀疏点云数据更加逼近目标物体的原本样貌，而其所容纳的数据也能降低实体三维模型重建的复杂度，并提高模型重构的效率及精确程度。
本申请实施例中，图2中S204步骤可以进一步包括如下的S307至S310四个步骤：
S307、将点云数据和照片进行匹配，获得点云数据中匹配的特征像素点。
示例性地，在生成了目标物体对应的点云数据后，可以将该点云数据和包含目标物体的照片进行二次匹配，获得点云数据中匹配的特征像素点。
S308、采用样条曲线连接特征像素点，得到目标物体对应的初始三维模型网格。
该步骤中，在获得了目标物体对应的点云数据中匹配的特征像素点后，可以采用样条曲线连接各特征像素点，形成的三维曲面即为目标物体对应的初始三维模型网格。该初始三维模型网格可以理解为待建模三维模型的网格蓝本。
S309、基于初始三维模型网格，将特征像素点两两相连构成三角面，得到目标三维模型网格。
示例性地，基于目标物体对应的初始三维模型网格，将目标物体对应的点云数据予以曲面重构，即将各特征像素点两两相连构成三角面，最终形成目标三维模型网格。
S310、对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面。
该步骤中，在获得了目标三维模型网格后，可以对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面。
进一步地，可选的，对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面，可以包括：对目标三维模型网格进行重建分析，得到目标物体对应的初始三维模型曲面；对初始三维模型曲面进行优化处理，获得目标物体对应的三维模型曲面，优化处理包括调整初始三维模型曲面中的布线和对初始三维模型曲面进行布局调整中的至少一种。
示例性地，对目标三维模型网格进行重建分析可以理解为对目标三维模型网格进行精细化处理，具体比如采用去毛刺、补充漏洞等平滑处理方式来对目标三维模型网格进行精细化处理，得到目标物体对应的初始三维模型曲面。对该初始三维模型曲面进行优化处理，可以获得目标物体对应的三维模型曲面。其中，可以通过如下方式对该初始三维模型曲面进行优化处理：通过待生成的目标物体对应的三维模型的拓扑结构，优化初始三维模型曲面中的布线，在维持目标物体走形的前提下，以四边面取代初始三维模型曲面中的三角面与多边形面，从而优化模型的体积；对初始三维模型曲面进行UV布局调整，以对模型的表面做进一步简化。其中，在调整UV布局时，可以选择模型表面需调整的区域，铺平展开后，对区域内的网格点进行编辑，可以在展开的表面直接移动网格点，也可以通过估算修改各点的U坐标值和V坐标值；若需要较大幅度调整，则可对模型表面形成的四边面进行缩放、拉伸及缝合，使得各四边面的比例近似均匀，并缩小其中过于冗余、粗糙的细节。通过上述优化处理，能够方便后续模型的贴图操作，且能够对目标物体对应的点云数据处理过程中潜在出现的破面、多面等情况予以修正。
本申请实施例中，图2中S205步骤可以进一步包括如下的S311和S312两个步骤：
S311、基于三维模型曲面、三维模型曲面包含的网格曲线和照片，生成照片对应的纹理图像。
该步骤中，可以结合三维模型曲面的各曲面和三维模型曲面包含的网格曲线，将照片导出(比如采用截图的方式)为赋有纹理的图像，即生成照片对应的纹理图像。
S312、将纹理图像贴图至三维模型曲面，得到目标物体对应的三维模型。
示例性地，可以对照片对应的纹理图像进行细化处理，得到细化处理后的纹理图像，其中，具体的细化处理比如为对纹理图像的平滑处理。然后将细化处理后的纹理图像贴图至三维模型曲面，得到目标物体对应的三维模型。
在获得了目标物体对应的三维模型后，可以将目标物体对应的三维模型导出并投入使用，比如将目标物体对应的三维模型用于业务场景的数字孪生。
本申请实施例提供的三维建模方法，通过获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的；基于照片和照片的参数信息，对照片进行图像处理，得到目标物体对应的特征密度分布值；根据特征密度分布值，得到目标物体的关键结构特征点；根据关键结构特征点和照片采集装置的POS信息，对照片中像素点的坐标进行空三处理，获得照片拍摄时相对于目标物体的三维位置以及关键结构特征点间的三维坐标关系；根据三维位置和三维坐标关系，生成目标物体对应的稀疏点云数据；将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据；将点云数据和照片进行匹配，获得点云数据中匹配的特征像素点；采用样条曲线连接特征像素点，得到目标物体对应的初始三维模型网格；基于初始三维模型网格，将特征像素点两两相连构成三角面，得到目标三维模型网格；对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面；基于三维模型曲面和三维模型曲面包含的网格曲线，生成照片对应的纹理图像；将纹理图像贴图至三维模型曲面，得到目标物体对应的三维模型。本申请实施例中包含目标物体的照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的，不需要进行多次反复拍摄，能够节省使用照片采集装置的成本；由于本申请实施例基于对照片进行图像处理得到的目标物体的关键结构特征点以及照片采集装置的POS信息，对照片进行空三处理，来获得目标物体对应的点云数据，将点云数据和照片进行匹配获得的特征像素点进行两两相连，来得到目标三维模型网格，对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面，进而得到目标物体对应的三维模型，因此，能够大大减少图像处理后产生空洞的现象，得到精度更高的三维模型，且能够提升三维建模的效率。
综上，本申请提供的技术方案，至少具有如下优势：
(1)同样是面对大型工业设施或工业外景建筑，本申请提供的技术方案更侧重于通过后期的图像分析与计算来处理被拍摄物体的结构及细节，从而完成三维建模，因此，只需要通过有重叠度的航拍和/或环拍即可完成照片的采集，可以避免对大型物体(空间)多次反复拍摄，且能节省使用摄影设备的成本。
(2)由于在传统照片建模技术中引入了倾斜摄影技术，使得建模过程中网格、曲面的搭建有依可循，并通过生成稀疏点云数据以及密集点云数据来突出原始物体(空间)的全貌，能够减少图像处理后产生空洞的现象。
(3)通过生成点云数据、网格及曲面，并对模型的拓扑与布局进行优化处理，能够使得从照片数据到三维建模的程序得以大幅优化，有助于照片建模效率的提升。
在一些实施例中，还可以仅通过倾斜摄影技术完成目标物体对应的三维模型网格的搭建，从而完成建模，得到目标物体对应的三维模型。但是，上述方式中，没有使用目标物体的关键结构特征点，因此，建模效率较低。
在一些实施例中，还可以仅通过激光扫描仪获取目标物体对应的点云数据，从而完成建模，得到目标物体对应的三维模型。但是，上述方式中，目前的激光扫描仪无法进行空中倾斜摄影，且成本较高。
图4为本申请一实施例提供的三维建模装置的结构示意图。如图4所示，本申请实施例的三维建模装置400包括：获取模块401、第一处理模块402、第二处理模块403、获得模块404和第三处理模块405。其中：
获取模块401，用于获取包含目标物体的照片，照片是通过照片采集装置以预设重叠度对目标物体进行倾斜摄影获得的。
第一处理模块402，用于对照片进行图像处理，得到目标物体的关键结构特征点。
第二处理模块403，用于根据关键结构特征点和照片采集装置的位置与姿态测量系统POS信息，对照片进行空三处理，生成目标物体对应的点云数据。
获得模块404，用于基于点云数据和照片，获得目标物体对应的三维模型曲面。
第三处理模块405，用于基于三维模型曲面和照片，对三维模型曲面进行贴图处理，得到目标物体对应的三维模型。
在一些实施例中，第二处理模块403可以具体用于：根据关键结构特征点和POS信息，对照片中像素点的坐标进行空三处理，获得照片拍摄时相对于目标物体的三维位置以及关键结构特征点间的三维坐标关系；根据三维位置和三维坐标关系，生成目标物体对应的稀疏点云数据；将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据。
可选的，第二处理模块403在用于将稀疏点云数据中的关键结构特征点和照片进行匹配，生成目标物体对应的点云数据时，可以具体用于：将稀疏点云数据中的关键结构特征点和照片进行匹配，生成密集点云数据；对密集点云数据进行稀疏性处理，生成目标物体对应的点云数据。
在一些实施例中，获得模块404可以具体用于：将点云数据和照片进行匹配，获得点云数据中匹配的特征像素点；采用样条曲线连接特征像素点，得到目标物体对应的初始三维模型网格；基于初始三维模型网格，将特征像素点两两相连构成三角面，得到目标三维模型网格；对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面。
可选的，获得模块404在用于对目标三维模型网格进行重建分析，获得目标物体对应的三维模型曲面时，可以具体用于：对目标三维模型网格进行重建分析，得到目标物体对应的初始三维模型曲面；对初始三维模型曲面进行优化处理，获得目标物体对应的三维模型曲面，优化处理包括调整初始三维模型曲面中的布线和对初始三维模型曲面进行布局调整中的至少一种。
在一些实施例中，第一处理模块402可以具体用于：基于照片和照片的参数信息，对照片进行图像处理，得到目标物体对应的特征密度分布值；根据特征密度分布值，得到目标物体的关键结构特征点。
在一些实施例中，第三处理模块405可以具体用于：基于三维模型曲面、三维模型曲面包含的网格曲线和照片，生成照片对应的纹理图像；将纹理图像贴图至三维模型曲面，得到目标物体对应的三维模型。
本实施例的装置，可以用于执行上述任一所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图5为本申请一实施例提供的电子设备的结构示意图。示例性地，电子设备可以被提供为一服务器或计算机。参照图5，电子设备500包括处理组件501，其进一步包括一个或多个处理器，以及由存储器502所代表的存储器资源，用于存储可由处理组件501的执行的指令，例如应用程序。存储器502中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件501被配置为执行指令，以执行上述任一方法实施例。
电子设备500还可以包括一个电源组件503被配置为执行电子设备500的电源管理，一个有线或无线网络接口504被配置为将电子设备500连接到网络，和一个输入输出(I/O)接口505。电子设备500可以操作基于存储在存储器502的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上三维建模方法的方案。
本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上的三维建模方法的方案。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于三维建模装置中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (7)

1.一种三维建模方法，其特征在于，包括：
获取包含目标物体的照片，所述照片是通过照片采集装置以预设重叠度对所述目标物体进行倾斜摄影获得的；
基于所述照片和所述照片的参数信息，对所述照片进行图像处理，得到所述目标物体对应的特征密度分布值；
根据所述特征密度分布值，得到所述目标物体的关键结构特征点；
根据所述关键结构特征点和所述照片采集装置的位置与姿态测量系统POS信息，对所述照片中的像素点坐标进行空三处理，生成所述目标物体对应的点云数据；
基于所述点云数据和所述照片，获得所述目标物体对应的三维模型曲面；
基于所述三维模型曲面和所述照片，对所述三维模型曲面进行贴图处理，得到所述目标物体对应的三维模型；
所述根据所述关键结构特征点和所述照片采集装置的位置与姿态测量系统POS信息，对所述照片中的像素点的坐标进行空三处理，生成所述目标物体对应的点云数据，包括：
根据所述关键结构特征点和所述POS信息，对所述照片中像素点的坐标进行空三处理，获得所述照片拍摄时相对于所述目标物体的三维位置以及所述关键结构特征点间的三维坐标关系；
根据所述三维位置和所述三维坐标关系，生成所述目标物体对应的稀疏点云数据；
将所述稀疏点云数据中的关键结构特征点和所述照片进行匹配，生成密集点云数据；
对所述密集点云数据进行稀疏性处理，生成所述目标物体对应的点云数据；所述稀疏性处理包括去除冗余点云数据。
2.根据权利要求1所述的三维建模方法，其特征在于，所述基于所述点云数据和所述照片，获得所述目标物体对应的三维模型曲面，包括：
将所述点云数据和所述照片进行匹配，获得所述点云数据中匹配的特征像素点；
采用样条曲线连接所述特征像素点，得到所述目标物体对应的初始三维模型网格；
基于所述初始三维模型网格，将所述特征像素点两两相连构成三角面，得到目标三维模型网格；
对所述目标三维模型网格进行重建分析，获得所述目标物体对应的三维模型曲面。
3.根据权利要求2所述的三维建模方法，其特征在于，所述对所述目标三维模型网格进行重建分析，获得所述目标物体对应的三维模型曲面，包括：
对所述目标三维模型网格进行重建分析，得到所述目标物体对应的初始三维模型曲面；
对所述初始三维模型曲面进行优化处理，获得所述目标物体对应的三维模型曲面，所述优化处理包括调整所述初始三维模型曲面中的布线和对所述初始三维模型曲面进行布局调整中的至少一种。
4.根据权利要求1所述的三维建模方法，其特征在于，所述基于所述三维模型曲面和所述照片，对所述三维模型曲面进行贴图处理，得到所述目标物体对应的三维模型，包括：
基于所述三维模型曲面、所述三维模型曲面包含的网格曲线和所述照片，生成所述照片对应的纹理图像；
将所述纹理图像贴图至所述三维模型曲面，得到所述目标物体对应的三维模型。
5.一种三维建模装置，其特征在于，包括：
获取模块，用于获取包含目标物体的照片，所述照片是通过照片采集装置以预设重叠度对所述目标物体进行倾斜摄影获得的；
第一处理模块，用于基于所述照片和所述照片的参数信息，对所述照片进行图像处理，得到所述目标物体对应的特征密度分布值；根据所述特征密度分布值，得到所述目标物体的关键结构特征点；
第二处理模块，用于根据所述关键结构特征点和所述照片采集装置的位置与姿态测量系统POS信息，对所述照片中像素点的坐标进行空三处理，生成所述目标物体对应的点云数据；
获得模块，用于基于所述点云数据和所述照片，获得所述目标物体对应的三维模型曲面；
第三处理模块，用于基于所述三维模型曲面和所述照片，对所述三维模型曲面进行贴图处理，得到所述目标物体对应的三维模型；
所述第二处理模块，具体用于根据所述关键结构特征点和所述POS信息，对所述照片中像素点的坐标进行空三处理，获得所述照片拍摄时相对于所述目标物体的三维位置以及所述关键结构特征点间的三维坐标关系；
根据所述三维位置和所述三维坐标关系，生成所述目标物体对应的稀疏点云数据；
将所述稀疏点云数据中的关键结构特征点和所述照片进行匹配，生成密集点云数据；
对所述密集点云数据进行稀疏性处理，生成所述目标物体对应的点云数据；所述稀疏性处理包括去除冗余点云数据。
6.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行如权利要求1至4中任一项所述的三维建模方法。
7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行如权利要求1至4中任一项所述的三维建模方法。
CN202210545774.7A 2022-05-19 2022-05-19 三维建模方法、装置、设备及存储介质 Active CN114898068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210545774.7A CN114898068B (zh) 2022-05-19 2022-05-19 三维建模方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210545774.7A CN114898068B (zh) 2022-05-19 2022-05-19 三维建模方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114898068A CN114898068A (zh) 2022-08-12
CN114898068B true CN114898068B (zh) 2023-10-20

Family

ID=82723205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210545774.7A Active CN114898068B (zh) 2022-05-19 2022-05-19 三维建模方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114898068B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116962890B (zh) * 2023-09-21 2024-01-09 卡奥斯工业智能研究院(青岛)有限公司 点云图像的处理方法、装置、设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074047A (zh) * 2011-01-06 2011-05-25 天津市星际空间地理信息工程有限公司 一种高精细城市三维建模方法
CN102439603A (zh) * 2008-01-28 2012-05-02 耐特维塔有限公司 用于三维建模的采样方法
CN105354873A (zh) * 2015-09-18 2016-02-24 四川大学 用于多孔介质三维重构的模式密度函数模拟算法
CN105763793A (zh) * 2016-02-18 2016-07-13 西安科技大学 一种三维照片采集方法及采集系统
CN108648272A (zh) * 2018-04-28 2018-10-12 上海激点信息科技有限公司 三维实景采集建模方法、可读存储介质及装置
CN109102563A (zh) * 2018-08-13 2018-12-28 宋强 一种实景三维建模方法
CN110349251A (zh) * 2019-06-28 2019-10-18 深圳数位传媒科技有限公司 一种基于双目相机的三维重建方法及装置
CN110706329A (zh) * 2019-09-06 2020-01-17 深圳亚联发展科技股份有限公司 一种三维场景重构方法和装置
CN112150629A (zh) * 2020-09-25 2020-12-29 福建华电可门发电有限公司 一种基于视觉的盘煤系统及方法
CN113012293A (zh) * 2021-03-22 2021-06-22 平安科技（深圳）有限公司 石刻模型构建方法、装置、设备及存储介质
CN113140036A (zh) * 2021-04-30 2021-07-20 中德（珠海）人工智能研究院有限公司 一种三维建模方法、装置、设备及存储介质
CN114004935A (zh) * 2021-11-08 2022-02-01 优奈柯恩(北京)科技有限公司 通过三维建模系统进行三维建模的方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9089274B2 (en) * 2011-01-31 2015-07-28 Seiko Epson Corporation Denoise MCG measurements
US20140052026A1 (en) * 2012-08-17 2014-02-20 Augmented Medical Intelligence Labs, Inc. Method and apparatus for medical diagnosis

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102439603A (zh) * 2008-01-28 2012-05-02 耐特维塔有限公司 用于三维建模的采样方法
CN102074047A (zh) * 2011-01-06 2011-05-25 天津市星际空间地理信息工程有限公司 一种高精细城市三维建模方法
CN105354873A (zh) * 2015-09-18 2016-02-24 四川大学 用于多孔介质三维重构的模式密度函数模拟算法
CN105763793A (zh) * 2016-02-18 2016-07-13 西安科技大学 一种三维照片采集方法及采集系统
CN108648272A (zh) * 2018-04-28 2018-10-12 上海激点信息科技有限公司 三维实景采集建模方法、可读存储介质及装置
CN109102563A (zh) * 2018-08-13 2018-12-28 宋强 一种实景三维建模方法
CN110349251A (zh) * 2019-06-28 2019-10-18 深圳数位传媒科技有限公司 一种基于双目相机的三维重建方法及装置
CN110706329A (zh) * 2019-09-06 2020-01-17 深圳亚联发展科技股份有限公司 一种三维场景重构方法和装置
CN112150629A (zh) * 2020-09-25 2020-12-29 福建华电可门发电有限公司 一种基于视觉的盘煤系统及方法
CN113012293A (zh) * 2021-03-22 2021-06-22 平安科技（深圳）有限公司 石刻模型构建方法、装置、设备及存储介质
CN113140036A (zh) * 2021-04-30 2021-07-20 中德（珠海）人工智能研究院有限公司 一种三维建模方法、装置、设备及存储介质
CN114004935A (zh) * 2021-11-08 2022-02-01 优奈柯恩(北京)科技有限公司 通过三维建模系统进行三维建模的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于三角形法向量的离散点三维构网方法;邓德标 等;遥感信息;第28卷(第1期);11-15 *

Also Published As

Publication number Publication date
CN114898068A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
KR102227583B1 (ko) 딥 러닝 기반의 카메라 캘리브레이션 방법 및 장치
CN101422035B (zh) 光源推定装置、光源推定系统与光源推定方法以及图像高分辨率化装置与图像高分辨率化方法
CN108717714B (zh) 多相机标定方法、标定系统、存储介质、及电子设备
Schöning et al. Evaluation of multi-view 3D reconstruction software
CN112311965B (zh) 虚拟拍摄方法、装置、系统及存储介质
CN110910486A (zh) 室内场景光照估计模型、方法、装置、存储介质以及渲染方法
WO2023280038A1 (zh) 一种三维实景模型的构建方法及相关装置
CN103945210A (zh) 一种实现浅景深效果的多摄像头拍摄方法
CN113572962A (zh) 室外自然场景光照估计方法及装置
JP7220785B2 (ja) 測量用サンプリング点の計画方法、装置、制御端末及び記憶媒体
CN103136745B (zh) 利用散焦碉堡图像执行深度估计的系统及方法
WO2021005977A1 (ja) 三次元モデル生成方法及び三次元モデル生成装置
CN104580920A (zh) 一种成像处理的方法及用户终端
CN116051747A (zh) 一种基于缺失点云数据的房屋三维模型重建方法及设备、介质
CN114898068B (zh) 三维建模方法、装置、设备及存储介质
CN106204554A (zh) 基于多聚焦图像的景深信息获取方法、系统及拍摄终端
CN113361365A (zh) 定位方法和装置、设备及存储介质
US8509522B2 (en) Camera translation using rotation from device
CN116958379A (zh) 图像渲染方法、装置、电子设备、存储介质及程序产品
US20190172226A1 (en) System and method for generating training images
CN112270748B (zh) 基于图像的三维重建方法及装置
CN109166176B (zh) 三维人脸图像的生成方法与装置
CN115115518B (zh) 高动态范围图像的生成方法、装置、设备、介质及产品
CN108573470B (zh) 图像拼接方法及装置
CN114066731A (zh) 生成全景图的方法、装置、电子设备及存储介质

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
CB02 Change of applicant information

Address after: 201615 room 202-77, No. 668, Xinzhuan Road, Songjiang high tech park, Caohejing Development Zone, Shanghai

Applicant after: HAIER DIGITAL TECHNOLOGY (SHANGHAI) Co.,Ltd.

Applicant after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Applicant after: Kaos Digital Technology (Qingdao) Co.,Ltd.

Address before: 201615 room 202-77, No. 668, Xinzhuan Road, Songjiang high tech park, Caohejing Development Zone, Shanghai

Applicant before: HAIER DIGITAL TECHNOLOGY (SHANGHAI) Co.,Ltd.

Applicant before: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Applicant before: Haier digital technology (Qingdao) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 201612 Room 1201, No. 1, Lane 288, Qianfan Road, Xinqiao Town, Songjiang District, Shanghai

Patentee after: Kaos Digital Technology (Shanghai) Co.,Ltd.

Country or region after: China

Patentee after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee after: Kaos Digital Technology (Qingdao) Co.,Ltd.

Address before: 201615 room 202-77, No. 668, Xinzhuan Road, Songjiang high tech park, Caohejing Development Zone, Shanghai

Patentee before: HAIER DIGITAL TECHNOLOGY (SHANGHAI) Co.,Ltd.

Country or region before: China

Patentee before: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee before: Kaos Digital Technology (Qingdao) Co.,Ltd.

CP03 Change of name, title or address