CN114898354A - 基于三维模型的测量方法、装置、服务器及可读存储介质 - Google Patents

基于三维模型的测量方法、装置、服务器及可读存储介质 Download PDF

Info

Publication number
CN114898354A
CN114898354A CN202210296249.6A CN202210296249A CN114898354A CN 114898354 A CN114898354 A CN 114898354A CN 202210296249 A CN202210296249 A CN 202210296249A CN 114898354 A CN114898354 A CN 114898354A
Authority
CN
China
Prior art keywords
dimensional model
target
target object
feature descriptor
panoramic image
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
CN202210296249.6A
Other languages
English (en)
Inventor
崔岩
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.)
China Germany Zhuhai Artificial Intelligence Institute Co ltd
4Dage Co Ltd
Original Assignee
China Germany Zhuhai Artificial Intelligence Institute Co ltd
4Dage 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 China Germany Zhuhai Artificial Intelligence Institute Co ltd, 4Dage Co Ltd filed Critical China Germany Zhuhai Artificial Intelligence Institute Co ltd
Priority to CN202210296249.6A priority Critical patent/CN114898354A/zh
Publication of CN114898354A publication Critical patent/CN114898354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06T7/50—Depth or shape recovery
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本申请适用于三维重建技术领域，提供了一种基于三维模型的测量方法、装置、服务器及可读存储介质，包括：通过获取目标三维模型；其中，目标三维模型是指案件现场对应的三维模型；识别三维模型中的目标对象；对目标对象进行自动测量，得到目标对象的测量结果。可见，本申请实施例可以实现对根据案件现场生成的三维模型中目标对象的准确测量，以便事后可以根据自动测量的结果进行分析。

Description

基于三维模型的测量方法、装置、服务器及可读存储介质
技术领域
本申请属于三维重建技术领域，尤其涉及一种基于三维模型的测量方法、装置、服务器及可读存储介质。
背景技术
案件现场勘查是案件侦办的起点，因此，必须全面客观反映现场的真实情况。一般地，案件现场勘查存在传统科技手段采集现场图片不连续，加上案件现场测量分析只能局限于物理现场，导致无法对案件现场的进行准确测量。
发明内容
本申请实施例提供了一种基于三维模型的测量方法、装置、服务器及可读存储介质，可以解决现有技术中无法对案件现场的进行准确测量的问题。
第一方面，本申请实施例提供了一种基于三维模型的测量方法，包括：
获取目标三维模型；其中，所述目标三维模型是指案件现场对应的三维模型；
识别所述三维模型中的目标对象；
对所述目标对象进行自动测量，得到所述目标对象的测量结果。
在第一方面的一种可能的实现方式中，获取目标三维模型，包括：
获取待处理全景图像；其中，所述待处理全景图像为深度相机在案件现场拍摄得到的全景图像；
根据所述待处理全景图像生成点云；
根据所述点云重建得到所述目标三维模型。
在第一方面的一种可能的实现方式中，识别所述三维模型中的目标对象，包括：
提取所述目标三维模型中的第一特征描述符；其中，每个第一特征描述符表征所述目标三维中的一个候选对象；
调用预先存储的第二特征描述符集，所述第二特征描述符集包括至少一个第二特征描述符；
对所述第一特征描述符与所述第二特征描述符进行匹配，得到匹配结果；
根据所述匹配结果确定出所述候选对象中的目标对象。
在第一方面的一种可能的实现方式中，对所述目标对象进行自动测量，得到所述目标对象的测量结果，包括：
将所述目标对象对应的点云数据输入至预先训练的深度学习模型中，输出所述目标对象的测量结果。
第二方面，本申请实施例提供了一种基于三维模型的测量装置，包括：
获取模块，用于获取目标三维模型；其中，所述目标三维模型是指案件现场对应的三维模型；
识别模块，用于识别所述三维模型中的目标对象；
测量模块，用于对所述目标对象进行自动测量，得到所述目标对象的测量结果。
在一种可能实现的方式中，所述获取模块，包括：
获取单元，用于获取待处理全景图像；其中，所述待处理全景图像为深度相机在案件现场拍摄得到的全景图像；
生成单元，用于根据所述待处理全景图像生成点云；
重建单元，用于根据所述点云重建得到所述目标三维模型。
在一种可能实现的方式中，所述识别模块，包括:
提取单元，用于提取所述目标三维模型中的第一特征描述符；其中，每个第一特征描述符表征所述目标三维中的一个候选对象；
调用单元，用于调用预先存储的第二特征描述符集，所述第二特征描述符集包括至少一个第二特征描述符；
匹配单元，用于对所述第一特征描述符与所述第二特征描述符进行匹配，得到匹配结果；
确定单元，用于根据所述匹配结果确定出所述候选对象中的目标对象。
在一种可能实现的方式中，所述测量模块，包括：
测量单元，用于将所述目标对象对应的点云数据输入至预先训练的深度学习模型中，输出所述目标对象的测量结果。
第三方面，本申请实施例提供了一种服务器，包括存储器、处理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上述第一方面所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述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上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，通过获取目标三维模型；其中，目标三维模型是指案件现场对应的三维模型；识别三维模型中的目标对象；对目标对象进行自动测量，得到目标对象的测量结果。可见，本申请实施例可以实现对根据案件现场生成的三维模型中目标对象（例如血迹、足迹等）的准确测量，以便事后可以根据自动测量的结果进行分析（例如血液形态分析、足迹形态分析等）。
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是本申请实施例提供的基于三维模型的测量方法的流程示意图；
图2是本申请实施例提供的基于三维模型的测量装置的结构框图；
图3是本申请实施例提供的服务器的结构示意图。
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。
本申请实施例提供的一种基于三维模型的测量方法可以应用于服务器，本申请实施例对服务器的具体类型不作任何限制。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
参见图1，为本申请实施例提供的基于三维模型的测量方法的流程示意图，作为示例而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S101，获取目标三维模型。
其中，目标三维模型是指案件现场对应的三维模型。
具体应用中，获取目标三维模型，包括：
步骤S201，获取待处理全景图像。
其中，待处理全景图像为深度相机在案件现场拍摄得到的全景图像。
可以理解的是，可以采用深度相机拍摄案件现场的全景图像。示例性地，深度相机可以是3D相机，3D相机包括激光相机和球幕相机，激光相机与球幕相机之间相对位置固定，激光相机包括相对位置固定的第一激光相机（即UpLidar激光相机）、第二激光相机（即MidLidar激光相机）以及第三激光相机（即DownLidar激光相机），示例性的，UpLidar激光相机、MidLidar激光相机、DownLidar激光相机在同一垂直线按上、中、下的顺序间隔排列。另外，3D相机在同一个点位按60度的旋转角度旋转6次最后得到一张360°的全景图像。
步骤S202，根据待处理全景图像生成点云。
示例性地，根据预设的特征提取算法（例如Harris角点检测算法、FAST角点检测算法、SIFI提取算法或者SURF提取算法）提取待处理全景图像的特征点，筛选出存在匹配关系的目标特征点，根据SFM算法对存在匹配关系的目标特征点进行处理，计算出深度信息以及深度相机的位置信息，根据下式得到点云的三维坐标：
Figure 403984DEST_PATH_IMAGE001
，
其中，（u，v）为待处理全景图像中每个目标特征点的像素坐标，d为待处理全景图像中每个目标特征点的深度值，K为深度相机的内参，（X，Y，Z）为点云的三维坐标。示例性地，深度相机的内参可以采用张正友标定法计算得到。
步骤S203，根据点云重建得到所述目标三维模型。
示例性地，sfm算法对点云进行离线处理，得到目标三维模型。
步骤S102，识别所三维模型中的目标对象。
可以理解的是，目标对象是指三维模型中的场景对象，例如，受害者血迹、痕迹等。
具体应用中，识别所三维模型中的目标对象，包括：
步骤S301，提取目标三维模型中的第一特征描述符。
其中，每个第一特征描述符表征目标三维中的一个候选对象。其中，候选对象可以是指三维模型中除了目标对象以外的场景对象，比如桌子，椅子等。
具体应用中，提取目标三维模型中的第一特征描述符，包括：首先提取目标三维模型中的关键点，然后在每个关键点的一个领域内计算一个局部特征的第一特征描述符，用所有关键点的第一特征描述符代表目标三维模型。
步骤S302，调用预先存储的第二特征描述符集。
其中，第二特征描述符集包括至少一个第二特征描述符。可以理解的是，每种第二特征描述符对应一个目标对象。
步骤S303，对第一特征描述符与第二特征描述符进行匹配，得到匹配结果。
示例性地，对第一特征描述符与第二特征描述符表征的固定类型的候选对象进行匹配，找到拓扑一致的匹配聚类作为候选结果，然后对所有候选结果集合进行假设验证得到最终的匹配结果。
步骤S304，根据匹配结果确定出候选对象中的目标对象。
其中，匹配结果包括匹配和不匹配。
步骤S103，对目标对象进行自动测量，得到目标对象的测量结果。
具体应用中，对目标对象进行自动测量，得到目标对象的测量结果，包括：
将目标对象对应的点云数据输入至预先训练的深度学习模型中，输出目标对象的测量结果。
其中，测量结果包括目标对象的长度、宽度以及面积。
作为示例而非限定，利用深度学习模型算出场景点云数据和三维模型，得到的精确空间墙角点云，计算出位置差，实现自动测距，得到测量结果。
可以理解的是，本申请实施例可以实现对根据案件现场生成的三维模型中目标对象（例如血迹、足迹等）的准确测量，以便事后可以根据自动测量的结果进行分析（例如血液形态分析、足迹形态分析等）。
在一种可选的实施方式中，对深度学习模型进行训练的过程如下：
（1）数据采集，利用深度相机拍摄的全景图像获得图像深度信息；
（2）利用三角测量法获得点云数据和三维模型，并存入系统知识训练库；
（3）恢复场景下的视差图；
（4）基于视差图以及三角测量原理恢复场景深度信息，得到点云数据和三维模型；
（5）将当前场景的点云数据和三维模型，并作为深度学习模型的训练数据集存入知识训练库。
（6）利用深度学习模型获得点云数据和三维模型，并作为训练深度学习算法的数据集存入系统知识训练库；
本申请实施例中，通过获取目标三维模型；其中，目标三维模型是指案件现场对应的三维模型；识别三维模型中的目标对象；对目标对象进行自动测量，得到目标对象的测量结果。可见，本申请实施例可以实现对根据案件现场生成的三维模型中目标对象（例如血迹、足迹等）的准确测量，以便事后可以根据自动测量的结果进行分析（例如血液形态分析、足迹形态分析等）。
应理解，上述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。
对应于上文实施例所述的基于三维模型的测量方法，图2示出了本申请实施例提供的基于三维模型的测量装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图2，该装置包括：
获取模块21，用于获取目标三维模型；其中，所述目标三维模型是指案件现场对应的三维模型；
识别模块22，用于识别所述三维模型中的目标对象；
测量模块23，用于对所述目标对象进行自动测量，得到所述目标对象的测量结果。
在一种可能实现的方式中，所述获取模块，包括：
获取单元，用于获取待处理全景图像；其中，所述待处理全景图像为深度相机在案件现场拍摄得到的全景图像；
生成单元，用于根据所述待处理全景图像生成点云；
重建单元，用于根据所述点云重建得到所述目标三维模型。
在一种可能实现的方式中，所述识别模块，包括:
提取单元，用于提取所述目标三维模型中的第一特征描述符；其中，每个第一特征描述符表征所述目标三维中的一个候选对象；
调用单元，用于调用预先存储的第二特征描述符集，所述第二特征描述符集包括至少一个第二特征描述符；
匹配单元，用于对所述第一特征描述符与所述第二特征描述符进行匹配，得到匹配结果；
确定单元，用于根据所述匹配结果确定出所述候选对象中的目标对象。
在一种可能实现的方式中，所述测量模块，包括：
测量单元，用于将所述目标对象对应的点云数据输入至预先训练的深度学习模型中，输出所述目标对象的测量结果。
需要说明的是，上述装置/单元之间的信息交互、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3为本申请实施例提供的服务器的结构示意图。如图3所示，该实施例的服务器3包括：至少一个处理器30、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
所述服务器3可以是云端服务器等计算设备。该服务器可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是服务器3的举例，并不构成对服务器3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30可以是中央处理单元(Central Processing Unit，CPU)，该处理器30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 Integrated Circuit，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。
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元，例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备，例如所述服务器3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，所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31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，例如所述计算机程序的程序代码等。所述存储器31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，即将所述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。上述系统中单元、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。
本申请实施例还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程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
所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，所述的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，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、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。
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/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的服务器实施例仅仅是示意性的，例如，所述模块或单元的划分，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。
所述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。
以上所述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)

1.一种基于三维模型的测量方法，其特征在于，包括：
获取目标三维模型；其中，所述目标三维模型是指案件现场对应的三维模型；
识别所述三维模型中的目标对象；
对所述目标对象进行自动测量，得到所述目标对象的测量结果。
2.如权利要求1所述的基于三维模型的测量方法，其特征在于，获取目标三维模型，包括：
获取待处理全景图像；其中，所述待处理全景图像为深度相机在案件现场拍摄得到的全景图像；
根据所述待处理全景图像生成点云；
根据所述点云重建得到所述目标三维模型。
3.如权利要求1所述的基于三维模型的测量方法，其特征在于，识别所述三维模型中的目标对象，包括：
提取所述目标三维模型中的第一特征描述符；其中，每个第一特征描述符表征所述目标三维中的一个候选对象；
调用预先存储的第二特征描述符集，所述第二特征描述符集包括至少一个第二特征描述符；
对所述第一特征描述符与所述第二特征描述符进行匹配，得到匹配结果；
根据所述匹配结果确定出所述候选对象中的目标对象。
4.如权利要求1至3任一项所述的基于三维模型的测量方法，其特征在于，对所述目标对象进行自动测量，得到所述目标对象的测量结果，包括：
将所述目标对象对应的点云数据输入至预先训练的深度学习模型中，输出所述目标对象的测量结果。
5.一种基于三维模型的测量装置，其特征在于，包括：
获取模块，用于获取目标三维模型；其中，所述目标三维模型是指案件现场对应的三维模型；
识别模块，用于识别所述三维模型中的目标对象；
测量模块，用于对所述目标对象进行自动测量，得到所述目标对象的测量结果。
6.如权利要求5所述的基于三维模型的测量装置，其特征在于，所述获取模块，包括：
获取单元，用于获取待处理全景图像；其中，所述待处理全景图像为深度相机在案件现场拍摄得到的全景图像；
生成单元，用于根据所述待处理全景图像生成点云；
重建单元，用于根据所述点云重建得到所述目标三维模型。
7.如权利要求5所述的基于三维模型的测量装置，其特征在于，所述识别模块，包括:
提取单元，用于提取所述目标三维模型中的第一特征描述符；其中，每个第一特征描述符表征所述目标三维中的一个候选对象；
调用单元，用于调用预先存储的第二特征描述符集，所述第二特征描述符集包括至少一个第二特征描述符；
匹配单元，用于对所述第一特征描述符与所述第二特征描述符进行匹配，得到匹配结果；
确定单元，用于根据所述匹配结果确定出所述候选对象中的目标对象。
8.如权利要求5至7任一项所述的基于三维模型的测量装置，其特征在于，所述测量模块，包括:
测量单元，用于将所述目标对象对应的点云数据输入至预先训练的深度学习模型中，输出所述目标对象的测量结果。
9.一种服务器，包括存储器、处理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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
10.一种可读存储介质，所述可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN202210296249.6A 2022-03-24 2022-03-24 基于三维模型的测量方法、装置、服务器及可读存储介质 Pending CN114898354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210296249.6A CN114898354A (zh) 2022-03-24 2022-03-24 基于三维模型的测量方法、装置、服务器及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210296249.6A CN114898354A (zh) 2022-03-24 2022-03-24 基于三维模型的测量方法、装置、服务器及可读存储介质

Publications (1)

Publication Number Publication Date
CN114898354A true CN114898354A (zh) 2022-08-12

Family

ID=82715817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210296249.6A Pending CN114898354A (zh) 2022-03-24 2022-03-24 基于三维模型的测量方法、装置、服务器及可读存储介质

Country Status (1)

Country Link
CN (1) CN114898354A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809118A (zh) * 2016-03-03 2016-07-27 重庆中科云丛科技有限公司 三维目标识别方法及装置
CN108895981A (zh) * 2018-05-29 2018-11-27 南京怀萃智能科技有限公司 一种三维测量方法、装置、服务器和存储介质
WO2020024744A1 (zh) * 2018-08-01 2020-02-06 Oppo广东移动通信有限公司 一种图像特征点检测方法、终端设备及存储介质
CN111127540A (zh) * 2019-12-25 2020-05-08 珠海市四维时代网络科技有限公司 一种三维虚拟空间自动测距方法及系统
CN111860060A (zh) * 2019-04-29 2020-10-30 顺丰科技有限公司 目标检测方法、装置、终端设备及计算机可读存储介质
CN112733641A (zh) * 2020-12-29 2021-04-30 深圳依时货拉拉科技有限公司 物体尺寸测量方法、装置、设备及存储介质
CN112800806A (zh) * 2019-11-13 2021-05-14 深圳市优必选科技股份有限公司 物体位姿检测追踪方法、装置、电子设备及存储介质
CN112907751A (zh) * 2021-03-23 2021-06-04 中德（珠海）人工智能研究院有限公司 一种基于混合现实的虚拟装修方法、系统、设备和介质
CN113255444A (zh) * 2021-04-19 2021-08-13 杭州飞步科技有限公司 图像识别模型的训练方法、图像识别方法和装置
CN113436338A (zh) * 2021-07-14 2021-09-24 中德（珠海）人工智能研究院有限公司 火灾现场的三维重建方法、装置、服务器及可读存储介质
CN113763307A (zh) * 2020-08-11 2021-12-07 北京京东乾石科技有限公司 样本数据的获取方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809118A (zh) * 2016-03-03 2016-07-27 重庆中科云丛科技有限公司 三维目标识别方法及装置
CN108895981A (zh) * 2018-05-29 2018-11-27 南京怀萃智能科技有限公司 一种三维测量方法、装置、服务器和存储介质
WO2020024744A1 (zh) * 2018-08-01 2020-02-06 Oppo广东移动通信有限公司 一种图像特征点检测方法、终端设备及存储介质
CN111860060A (zh) * 2019-04-29 2020-10-30 顺丰科技有限公司 目标检测方法、装置、终端设备及计算机可读存储介质
CN112800806A (zh) * 2019-11-13 2021-05-14 深圳市优必选科技股份有限公司 物体位姿检测追踪方法、装置、电子设备及存储介质
CN111127540A (zh) * 2019-12-25 2020-05-08 珠海市四维时代网络科技有限公司 一种三维虚拟空间自动测距方法及系统
CN113763307A (zh) * 2020-08-11 2021-12-07 北京京东乾石科技有限公司 样本数据的获取方法和装置
CN112733641A (zh) * 2020-12-29 2021-04-30 深圳依时货拉拉科技有限公司 物体尺寸测量方法、装置、设备及存储介质
CN112907751A (zh) * 2021-03-23 2021-06-04 中德（珠海）人工智能研究院有限公司 一种基于混合现实的虚拟装修方法、系统、设备和介质
CN113255444A (zh) * 2021-04-19 2021-08-13 杭州飞步科技有限公司 图像识别模型的训练方法、图像识别方法和装置
CN113436338A (zh) * 2021-07-14 2021-09-24 中德（珠海）人工智能研究院有限公司 火灾现场的三维重建方法、装置、服务器及可读存储介质

Similar Documents

Publication Publication Date Title
CN111815754B (zh) 一种三维信息确定方法、三维信息确定装置及终端设备
US11145080B2 (en) Method and apparatus for three-dimensional object pose estimation, device and storage medium
CN109117773B (zh) 一种图像特征点检测方法、终端设备及存储介质
CN113807451B (zh) 全景图像特征点匹配模型的训练方法、装置以及服务器
CN111340109A (zh) 图像匹配方法、装置、设备及存储介质
CN113436338A (zh) 火灾现场的三维重建方法、装置、服务器及可读存储介质
CN113379815A (zh) 基于rgb相机与激光传感器的三维重建方法、装置及服务器
CN114627244A (zh) 三维重建方法及装置、电子设备、计算机可读介质
CN113362446A (zh) 基于点云数据重建对象的方法及装置
CN111353325A (zh) 关键点检测模型训练方法及装置
CN112200004B (zh) 图像检测模型的训练方法、装置及终端设备
CN113570725A (zh) 基于聚类的三维表面重建方法、装置、服务器及存储介质
CN111161348A (zh) 一种基于单目相机的物体位姿估计方法、装置及设备
CN113191189A (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN117765039A (zh) 点云粗配准方法、装置及设备
CN112102378A (zh) 图像配准方法、装置、终端设备及计算机可读存储介质
CN116977671A (zh) 基于图像空间定位的目标跟踪方法、装置、设备及存储介质
CN116740616A (zh) 一种输煤皮带目标检测方法和相关设备
CN114898354A (zh) 基于三维模型的测量方法、装置、服务器及可读存储介质
CN111931794B (zh) 一种基于草图的图像匹配方法
CN114913105A (zh) 激光点云融合方法、装置、服务器及计算机可读存储介质
CN110674817B (zh) 一种基于双目摄像头的车牌防伪的方法及装置
CN113240723A (zh) 一种单目深度估计方法、装置以及深度评估设备
CN112464753B (zh) 图像中关键点的检测方法、检测装置及终端设备
CN115423855B (zh) 图像的模板匹配方法、装置、设备及介质

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