CN115272616A - 一种室内场景三维重建方法、系统、装置及存储介质 - Google Patents

一种室内场景三维重建方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN115272616A
CN115272616A CN202210992948.4A CN202210992948A CN115272616A CN 115272616 A CN115272616 A CN 115272616A CN 202210992948 A CN202210992948 A CN 202210992948A CN 115272616 A CN115272616 A CN 115272616A
Authority
CN
China
Prior art keywords
point cloud
dimensional
dimensional reconstruction
indoor scene
point
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
CN202210992948.4A
Other languages
English (en)
Inventor
王家旭
余志华
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 University of Geosciences
Original Assignee
China University of Geosciences
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 University of Geosciences filed Critical China University of Geosciences
Priority to CN202210992948.4A priority Critical patent/CN115272616A/zh
Publication of CN115272616A publication Critical patent/CN115272616A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种室内场景三维重建方法、系统、装置及存储介质，所述重建方法包括：利用激光雷达进行扫描,以获取目标对象的点云数据；对所述目标对象的点云数据进行降采样；利用尺度不变特征变换对多幅所述点云图像中的特征进行提取；利用采样一致性算法对多幅所述点云图像进行粗配准；利用迭代最近点算法计算所述点云图像的旋转平移矩阵，基于计算得到的旋转平移矩阵对所述目标对象进行三维重建。本发明通过所述的三维重建方法，减少了三维重建技术中算法的功耗和内存消耗，提升了重建速度，并完成对室内场景的重建。

Description

一种室内场景三维重建方法、系统、装置及存储介质
技术领域
本发明涉及立体成像技术领域，尤其涉及一种室内场景三维重建方法、系统、装置及存储介质。
背景技术
激光雷达是一种可以精确、快速获取目标三维空间信息的主动探测技术。激光雷达的原理是通过发射激光束来探测目标的位置、速度等特征量，得益于激光方向性好、能量集中等优点，激光雷达探测具有较高的精度与分辨率，在宇宙空间探测、海洋深地探测、森林、大气探测、地质测绘、行动机器人等军事或民用领域发挥着十分重要的作用。
三维成像激光雷达作为一种主动成像系统，与被动成像系统相比，具有可获得高精度距离信息以及不受光照条件限制的优势。与微波成像系统相比，具有角分辨力高、测量精度高、抗干扰能力强以及系统易小型化的优点。在目标识别、分类和高精度三维成像及测量方面有着独特的技术优势，因而被广泛应用于军事、航空航天以及民用三维传感等领域。
在实际应用中，由于使用激光雷达扫描得到的点云图像的数据量过大，直接对数据进行处理运行速度太慢，同时对多幅点云的配准拼接的技术也较为复杂。
发明内容
本发明提供一种室内场景三维重建方法、系统、装置及存储介质，以解决现有三维重建方法功耗、内存消耗大、运行重建速度慢以及重建精度低的技术问题。
为解决上述问题，本发明的第一目的在于提供一种室内场景三维重建方法，所述三维重建方法包括：
步骤S100：利用激光雷达对室内场景进行扫描,以获取目标对象的点云数据；
步骤S200：对所述目标对象的点云数据进行降采样；
步骤S300：利用尺度不变特征变换对多幅点云图像中的特征进行提取；
步骤S400：利用采样一致性算法对多幅所述点云图像进行粗配准；
步骤S500：利用迭代最近点算法计算所述点云图像的旋转平移矩阵，基于计算得到的旋转平移矩阵对所述目标对象进行三维重建。
进一步的，在步骤S100中，所述利用激光雷达对室内场景进行扫描,以获取目标对象的点云数据具体包括：
步骤S110：当打开激光雷达后，所述激光雷达发射激光并接收反射信号；
步骤S120：计算目标距离，并遍历整个视场；
步骤S130：将所述激光雷达拍摄的点云图像传输至电脑端，形成点云数据；
步骤S140：完成三维点云数据的存储。
进一步的，在步骤S200中，所述对所述目标对象的点云数据进行降采样具体包括：
步骤S210：构建一个用于包围所述目标对象的点云数据的网格长方体；
步骤S220：确定所述网格长方体内的三维体素网格的边长；
步骤S230：根据计算的所述三维体素网格大小，遍历点云数据，依次求得每个所述三维体素网格的重心，依据空间距离最近原则，得到距离最小的点，保存得到的转换输入点云。
进一步的，在步骤S300中，所述利用尺度不变特征变换对多幅点云图像中的特征进行提取具体包括：
步骤S310：以所述三维体素网格的重心近似替代所述三维体素网格中所包含的三维点云，建立所述点云图像的尺度空间表示；
步骤S320：以所获取的三维点云尺度空间中的每个点计算高斯过滤响应值W和点云相邻尺度的高斯差分值V，并对点云3σ邻域范围内的点进行曲率值高斯加权，以构建所述三维点云的高斯差分尺度；
步骤S220：在尺度空间搜索所述点云图像的极值点，建立特征描述向量，判断匹配，输出结果。
进一步的，在步骤S400中，所述利用采样一致性算法对多幅所述点云图像进行粗配准具体包括：
步骤S410：设定一个待配准点云，并对其进行采样，设定采样点之间的距离大于预先给定的最小距离值，使采集到的点的FPFH特征不同；
步骤S420：再设定一个初始目标点云，在目标点云中寻找和所述待配准点云相同或者相似FPFH特征的点；
步骤S430：从相似点中找到所述待配准点云与初始目标点云一一对应的点。
进一步的，在步骤S500中，所述利用迭代最近点算法计算所述点云图像的旋转平移矩阵的具体步骤包括：
步骤S510：设置源点云P和目标点云Q，根据距离最近确定点对；
步骤S520：根据粗配准得到的初始矩阵R，确定目标函数，计算刚性变换矩阵，使误差函数最小；
步骤S530：根据设置的误差大小，判断迭代次数是否达到收敛范围，到达收敛范围停止迭代。
进一步的，在步骤S520中，所述误差函数的计算表达式为：
Figure BDA0003804508060000031
式中，E代表计算得到的误差大小，R为旋转矩阵，T为平移向量，pi和qi分别代表源点云和目标点云中点的坐标。
本发明的第二目的在于提供一种基于激光雷达的室内场景三维重建系统，所述系统包括：
数据获取模块，配置用于利用激光雷达对室内场景进行扫描，以获取目标对象的点云数据；
数据预处理模块，配置用于对所述目标对象的点云数据进行降采样；
特征提取模块，配置用于利用尺度不变特征变换对多幅室内场景点云图像中的特征进行提取；
粗配准模块，配置用于利用采样一致性算法对多幅点云图像进行粗配准；
三维重建模块，配置用于利用迭代最近点算法计算所述点云图像的旋转平移矩阵，并基于计算得到的旋转平移矩阵对所述目标对象进行三维重建。
本发明的第三目的在于提供一种基于激光雷达的室内场景三维重建装置，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上述所述的室内场景三维重建方法。
本发明的第四目的在于提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的室内场景三维重建方法。
本发明与现有技术相比具有显著的优点和有益效果，具体体现在以下方面：
本发明通过利用激光雷达对室内场景进行扫描，得到室内场景的点云数据；对点云数据的降采样预处理减少了数据量，提高了后续程序运行的速度，也减少了运行内存的消耗；对多幅点云进行特征提取，建立尺度空间，得到特征描述向量；对点云表面的三维重建，先通过粗配准得到一个初始矩阵，再通过迭代最近点算法，利用得到的初始矩阵计算得到点云的旋转平移矩阵，将多幅点云配准到同一坐标系下，提高重建的精度，以提供一种快速便捷的三维重建方法。
附图说明
图1为本发明实施例中室内场景三维重建方法的流程示意图；
图2为本发明实施例中步骤S200的详细流程示意图；
图3为本发明实施例中步骤S300的详细流程示意图；
图4为本发明实施例中步骤S400的详细流程示意图；
图5为本发明实施例中步骤S500的详细流程示意图；
图6为本发明实施例中激光雷达的测距原理示意图；
图7为本发明实施例中基于激光雷达的室内场景三维重建系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
请参阅图1所示，本发明实施例提供了一种室内场景三维重建方法，所述三维重建方法包括：
步骤S100：利用激光雷达对室内场景进行扫描,以获取目标对象的点云数据。
具体到本发明实施例当中，利用激光雷达的直接脉冲飞行时间探测方式，来对室内场景进行扫描。
步骤S200：对所述目标对象的点云数据进行降采样。
具体到本发明实施例当中，对所述目标对象的点云数据进行降采样也即为对点云数据进行预处理操作。
需要说明的是，点云数据量过大，会降低程序运行速度，对点云数据的预处理，精简点云数据量，以保留点云图像的基本特征。
步骤S300：利用尺度不变特征变换对多幅所述点云图像中的特征进行提取；
步骤S400：利用采样一致性算法对多幅所述点云图像进行粗配准；
由此，本发明实施例对多幅点云图像的配准重建，首先利用采样一致性初始配准算法，计算得到一个初始矩阵，为后续的精配准提供一个初始矩阵。
步骤S500：利用迭代最近点算法计算所述点云图像的旋转平移矩阵，基于计算得到的旋转平移矩阵对所述目标对象进行三维重建。
由此，根据点云配准求得的旋转平移矩阵，将经过预处理的点云图像配准到同一坐标系下，完成对室内场景的三维重建。
具体地，请参阅图2、6所示，在步骤S100中，所述利用激光雷达对室内场景进行扫描,以获取目标对象的点云数据具体包括：
步骤S110：当打开激光雷达后，所述激光雷达发射激光并接收反射信号；
步骤S120：计算目标距离，并遍历整个视场；
步骤S130：将所述激光雷达拍摄的点云图像传输至电脑端，形成点云数据；
步骤S140：完成三维点云数据的存储。
由此，打开激光雷达，雷达发射激光并接收反射信号，计算目标距离，遍历整个视场，将数据传输至电脑端，形成点云数据，完成三维数据的存储。
需要说明的是，雷达扫描时间越久，扫描得到的点云数据量越大。
具体地，请参阅图3所示，在步骤S200中，所述对目标对象的点云数据进行降采样具体包括：
步骤S210：构建一个用于包围目标对象的网格长方体，该网格长方体的长宽高由初始点云数据分别在坐标轴三个方向的最大值和最小值相减计算得到。
步骤S220：确定所述网格长方体内的三维体素网格的边长。
优选地，三维体素网格边长的确定一般根据使用设备的精度来设置，精度越大，设置的边长越长。
Figure BDA0003804508060000061
其中：公式中dx、dy、dz分别是栅格计算得到的x、y、z方向的重心，dxi、dyi、dzi依次为栅格内各个点云数据x、y、z坐标轴方向的值。
根据计算的网格大小，依次求得长方体内每个小体素网格的重心，并确定重心点的值。
步骤S230：根据计算的所述三维体素网格大小，遍历点云数据，依次求得每个所述三维体素网格的重心，依据空间距离最近原则，得到距离最小的点，保存得到的转换输入点云。
在计算的过程中，要依据空间距离最近的原则，得到距离最小的点，所得点就是要求的重心点，以达到降采样精简点云数据量的要求，提升后续的运行速度
本发明实施例基于体素化采样的方式对点云数据进行处理，所谓体素化采样的基本思想是：在点云数据中构建一个三维的体素网格，计算体素网格内所有点的重心，用一个计算得到的重心点来近似显示体素网格中的其他点，通过降采样来达到滤波的效果。
具体地，请参阅图4所示，在步骤S300中，所述利用尺度不变特征变换对多幅所述点云图像中的特征进行提取具体包括：
步骤S310：以所述三维体素网格的重心近似替代所述三维体素网格中所包含的三维点云，建立所述点云图像的尺度空间表示；
步骤S320：以所获取的三维点云尺度空间中的每个点计算高斯过滤响应值W和点云相邻尺度的高斯差分值V，并对点云3σ邻域范围内的点进行曲率值高斯加权，以构建所述三维点云的高斯差分尺度；
步骤S330：在尺度空间搜索所述点云图像的极值点，建立特征描述向量，判断匹配，输出结果。
由此，对通过以上方法获取的三维点云尺度空间中每个点计算其高斯过滤响应值W和点云相邻尺度的高斯差分值V，并对点云3σ(σ为点云的平均距离)邻域范围内的点进行曲率值高斯加权,从而实现三维点云高斯差分尺度的构建。
如果某一个三维点的高斯差分值V与其邻域范围内的点和相邻上下2个尺度邻域范围内的高斯差分值的大小都为极值，则该三维点云即为特征点。
具体地，在步骤S400中，所述利用采样一致性算法对多幅点云图像进行粗配准具体包括：
步骤S410：设定一个待配准点云，并对其进行采样，设定采样点之间的距离大于预先给定的最小距离值，使采集到的点的FPFH特征不同；
需要在此进行详细说明的是，有关快速点云直方图(FPFH)特征的数学描述，在这里不做过多介绍，为现有技术。
对于实时应用或接近实时应用中，密集点云的点特征直方图(PFH)的计算，是一个主要的性能瓶颈，通过讲述PFH计算方式的简化形式，则称为快速点特征直方图FPFH(FastPoint Feature Histograms)。
步骤S420：再设定一个初始目标点云，在目标点云中寻找和所述待配准点云相同或者相似FPFH特征的点；
步骤S430：从相似点中找到所述待配准点云与初始目标点云一一对应的点。
其中，点云图像的配准需要提取点云图像的特征点，具体操作如下：
通过使用PCL库中的pcl-features模块，参数化中心点法向量和邻域点法向量的关系，根据该关系得到点的多维特征向量；
基于尺度不变特征变换算法，通过体素空间尺度的生成，获得三维点云中的特征点,
其中：所述获得三维点云中的特征点主要步骤包括：
构建点云尺度空间；
构建三维点云高斯差分尺度；
尺度空间极值点检测确定特征点，完成对多幅点云图像的特征提取。
具体地，请参阅图5所示，在步骤S500中，所述利用迭代最近点算法计算所述点云图像的旋转平移矩阵的具体步骤包括：
步骤S510：设置源点云P和目标点云Q，根据距离最近确定点对；
步骤S520：根据粗配准得到的初始矩阵，确定目标函数，计算刚性变换矩阵，使误差函数最小；
步骤S530：根据设置的误差大小，判断迭代次数是否达到收敛范围，到达收敛范围停止迭代。
由此，根据激光雷达扫描得到的点云图像，设定两个三维点云的空间点集，一个作为初始源点云的三维坐标点集，另一个作为目标点云的三维坐标点集。对应每一个源点云中的点，在目标点云中寻找和其最临近的点，利用之前粗配准提供的初始矩阵，计算转换关系，得到旋转平移矩阵，使得误差函数最小。根据计算得到的误差和设定的收敛域值比较，当达到收敛范围停止迭代。
具体地，在步骤S520中，所述误差函数的计算表达式为：
Figure BDA0003804508060000091
式中，E代表计算得到的误差大小，R为旋转矩阵，T为平移向量，pi和qi分别代表源点云和目标点云中点的坐标。
请参阅图7所示，本发明实施例还提供一种基于激光雷达的室内场景三维重建系统，所述系统包括：
数据获取模块，配置用于利用激光雷达对室内场景进行扫描，以获取目标对象的点云数据；
数据预处理模块，配置用于对所获得的室内场景的点云数据进行降采样；
特征提取模块，配置用于利用尺度不变特征变换对多幅室内场景点云图像中的特征进行提取；
粗配准模块，配置用于利用采样一致性算法对多幅所述点云图像进行粗配准；
三维重建模块，配置用于利用迭代最近点算法计算所述点云图像的旋转平移矩阵，并基于计算得到的旋转平移矩阵对所述目标对象进行三维重建。
本发明实施例还提供一种基于激光雷达的室内场景三维重建装置，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上述所述的室内场景三维重建方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的室内场景三维重建方法。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种室内场景三维重建方法，其特征在于，所述三维重建方法包括：
步骤S100：利用激光雷达对室内场景进行扫描,以获取目标对象的点云数据；
步骤S200：对所述目标对象的点云数据进行降采样；
步骤S300：利用尺度不变特征变换对多幅点云图像中的特征进行提取；
步骤S400：利用采样一致性算法对多幅所述点云图像进行粗配准；
步骤S500：利用迭代最近点算法计算所述点云图像的旋转平移矩阵，基于计算得到的旋转平移矩阵对所述目标对象进行三维重建。
2.根据权利要求1所述的室内场景三维重建方法，其特征在于，在步骤S100中，所述利用激光雷达进行扫描,以获取目标对象的点云数据具体包括：
步骤S110：当打开激光雷达后，所述激光雷达发射激光并接收反射信号；
步骤S120：计算目标距离，并遍历整个视场；
步骤S130：将所述激光雷达拍摄的点云图像传输至电脑端，形成点云数据；
步骤S140：完成三维点云数据的存储。
3.根据权利要求1所述的室内场景三维重建方法，其特征在于，在步骤S200中，所述对所述目标对象的点云数据进行降采样具体包括：
步骤S210：构建一个用于包围所述目标对象的点云数据的网格长方体；
步骤S220：确定所述网格长方体内的三维体素网格的边长；
步骤S230：根据计算的所述三维体素网格的大小，遍历点云数据，依次求得每个所述三维体素网格的重心，依据空间距离最近原则，得到距离最小的点，保存得到的转换输入点云。
4.根据权利要求2所述的室内场景三维重建方法，其特征在于，在步骤S300中，所述利用尺度不变特征变换对多幅点云图像中的特征进行提取具体包括：
步骤S310：以所述三维体素网格的重心近似替代所述三维体素网格中所包含的三维点云，建立所述点云图像的尺度空间表示；
步骤S320：以所获取的三维点云尺度空间中的每个点计算高斯过滤响应值W和点云相邻尺度的高斯差分值V，并对点云3σ邻域范围内的点进行曲率值高斯加权，以构建所述三维点云的高斯差分尺度；
步骤S220：在尺度空间搜索所述点云图像的极值点，建立特征描述向量，判断匹配，输出结果。
5.根据权利要求1所述的室内场景三维重建方法，其特征在于，在步骤S400中，所述利用采样一致性算法对多幅所述点云图像进行粗配准具体包括：
步骤S410：设定一个待配准点云，并对其进行采样，设定采样点之间的距离大于预先给定的最小距离值，使采集到的点的FPFH特征不同；
步骤S420：再设定一个初始目标点云，在目标点云中寻找和所述待配准点云相同或者相似FPFH特征的点；
步骤S430：从相似点中找到所述待配准点云与初始目标点云一一对应的点。
6.根据权利要求1所述的室内场景三维重建方法，其特征在于，在步骤S500中，所述利用迭代最近点算法计算所述点云图像的旋转平移矩阵的具体步骤包括：
步骤S510：设置源点云P和目标点云Q，根据距离最近确定点对；
步骤S520：根据粗配准得到的初始矩阵R，确定目标函数，计算刚性变换矩阵，使误差函数最小；
步骤S530：根据设置的误差大小，判断迭代次数是否达到收敛范围，到达收敛范围停止迭代。
7.根据权利要求6所述的室内场景三维重建方法，其特征在于，在步骤S520中，所述误差函数的计算表达式为：
Figure FDA0003804508050000021
式中，E代表计算得到的误差大小，R为旋转矩阵，T为平移向量，pi和qi分别代表源点云和目标点云中点的坐标。
8.一种基于激光雷达的室内场景三维重建系统，其特征在于，所述系统包括：
数据获取模块，配置用于利用激光雷达对室内场景进行扫描，以获取目标对象的点云数据；
数据预处理模块，配置用于对所述目标对象的点云数据进行降采样；
特征提取模块，配置用于利用尺度不变特征变换对多幅室内场景点云图像中的特征进行提取；
粗配准模块，配置用于利用采样一致性算法对多幅点云图像进行粗配准；
三维重建模块，配置用于利用迭代最近点算法计算所述点云图像的旋转平移矩阵，并基于计算得到的旋转平移矩阵对所述目标对象进行三维重建。
9.一种基于激光雷达的室内场景三维重建装置，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-7任一项所述的室内场景三维重建方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的室内场景三维重建方法。
CN202210992948.4A 2022-08-18 2022-08-18 一种室内场景三维重建方法、系统、装置及存储介质 Pending CN115272616A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210992948.4A CN115272616A (zh) 2022-08-18 2022-08-18 一种室内场景三维重建方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210992948.4A CN115272616A (zh) 2022-08-18 2022-08-18 一种室内场景三维重建方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115272616A true CN115272616A (zh) 2022-11-01

Family

ID=83752906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210992948.4A Pending CN115272616A (zh) 2022-08-18 2022-08-18 一种室内场景三维重建方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115272616A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578524A (zh) * 2022-12-09 2023-01-06 华东交通大学 红外三维重构方法、系统、存储介质及计算机设备
CN116246020A (zh) * 2023-03-07 2023-06-09 武汉理工大学 一种多激光点云技术三维重建系统及方法
CN116310104A (zh) * 2023-03-08 2023-06-23 武汉纺织大学 一种复杂场景下的人体三维重建方法、系统及存储介质
CN116363330A (zh) * 2023-02-27 2023-06-30 优鹰智能科技(深圳)有限公司 基于激光扫描技术的空间重构方法、装置、设备及介质
CN117872389A (zh) * 2024-01-19 2024-04-12 武汉万曦智能科技有限公司 场车无线测速方法及系统
CN118262056A (zh) * 2024-05-29 2024-06-28 国网安徽省电力有限公司电力科学研究院 气体绝缘开关设备的三维模型重建方法及系统、存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578524A (zh) * 2022-12-09 2023-01-06 华东交通大学 红外三维重构方法、系统、存储介质及计算机设备
CN116363330A (zh) * 2023-02-27 2023-06-30 优鹰智能科技(深圳)有限公司 基于激光扫描技术的空间重构方法、装置、设备及介质
CN116363330B (zh) * 2023-02-27 2023-09-19 优鹰智能科技(深圳)有限公司 基于激光扫描技术的空间重构方法、装置、设备及介质
CN116246020A (zh) * 2023-03-07 2023-06-09 武汉理工大学 一种多激光点云技术三维重建系统及方法
CN116246020B (zh) * 2023-03-07 2023-09-08 武汉理工大学 一种多激光点云技术三维重建系统及方法
CN116310104A (zh) * 2023-03-08 2023-06-23 武汉纺织大学 一种复杂场景下的人体三维重建方法、系统及存储介质
CN116310104B (zh) * 2023-03-08 2023-08-18 武汉纺织大学 一种复杂场景下的人体三维重建方法、系统及存储介质
CN117872389A (zh) * 2024-01-19 2024-04-12 武汉万曦智能科技有限公司 场车无线测速方法及系统
CN118262056A (zh) * 2024-05-29 2024-06-28 国网安徽省电力有限公司电力科学研究院 气体绝缘开关设备的三维模型重建方法及系统、存储介质

Similar Documents

Publication Publication Date Title
CN115272616A (zh) 一种室内场景三维重建方法、系统、装置及存储介质
CN109887028B (zh) 一种基于点云数据配准的无人车辅助定位方法
CN111046776B (zh) 基于深度相机的移动机器人行进路径障碍物检测的方法
CN110132284B (zh) 一种基于深度信息的全局定位方法
KR20190070514A (ko) 격자지도 생성 장치 및 방법
GB2526342A (en) Point cloud matching method
CN115187676A (zh) 一种高精度线激光三维重建标定方法
CN113111513B (zh) 传感器配置方案确定方法、装置、计算机设备及存储介质
CN113791400B (zh) 一种基于激光雷达的楼梯参数自主检测方法
CN114972532B (zh) 激光雷达之间的外参标定方法、装置、设备及存储介质
CN112734844A (zh) 一种基于正八面体的单目6d位姿估计方法
CN116246119A (zh) 3d目标检测方法、电子设备及存储介质
CN112017219B (zh) 一种激光点云配准方法
AU2007287418A1 (en) Target orientation
CN115097421A (zh) 一种相机-激光雷达外参标定装置及方法
CN112767459A (zh) 基于2d-3d转换的无人机激光点云与序列影像配准方法
CN111798453A (zh) 用于无人驾驶辅助定位的点云配准方法及其系统
Olson Adaptive-scale filtering and feature detection using range data
CN116721156A (zh) 工件位置定位方法、装置、计算机设备及存储介质
CN116679314A (zh) 融合点云强度的三维激光雷达同步建图与定位方法及系统
CN116819561A (zh) 一种点云数据匹配方法、系统、电子设备及存储介质
CN114791596A (zh) 一种水上多线激光雷达外参标定方法及系统
CN114445591A (zh) 地图构建方法、系统、设备以及计算机存储介质
Tamas et al. 3D map building with mobile robots
CN114170281A (zh) 一种三维点云数据获取处理方法

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