CN115375748A - 一种形变量确定方法、装置及电子设备 - Google Patents
一种形变量确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115375748A CN115375748A CN202210816667.3A CN202210816667A CN115375748A CN 115375748 A CN115375748 A CN 115375748A CN 202210816667 A CN202210816667 A CN 202210816667A CN 115375748 A CN115375748 A CN 115375748A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- vertex
- determining
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 41
- 230000009466 transformation Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000013519 translation Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000002746 orthostatic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供了一种形变量确定方法、装置及电子设备，涉及毁伤测试技术领域，用以更为准确地确定发生形变后目标的形变量。该方法中，包括根据目标发生形变前的图像建立第一模型；以及根据所述目标发生形变后的图像建立第二模型；将所述第一模型和所述第二模型映射到同一坐标系中；将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点；针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离；根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，并根据各所述第二最小距离确定所述目标的形变量。
Description
技术领域
本申请涉及毁伤测试技术领域，特别涉及一种形变量确定方法、装置及电子设备。
背景技术
迭代最近点(Iterative Closest Point,ICP)算法是目前普遍使用的一种点云匹配算法。主要用于计算机视觉中深度图像的精确拼合，通过不断迭代最小化源数据与目标数据对应点来实现精确地拼合。
为了确定冲击波超压作用下的靶场目标的毁伤情况，通常可以根据打击前和打击后靶场目标的形变量确定。目前通常采用ICP算法来对打击前靶场目标的模型和打击后靶场目标的模型进行模型配准从而确定打击前和打击后靶场目标的形变量。但由于传统ICP算法中存在精度低的问题，从而导致确定靶场目标的打击前与靶场目标的打击后的形变量时准确度不高。
发明内容
本申请实施例提供了一种形变量确定方法、装置及电子设备，用以更为准确地确定发生形变后目标的形变量。
第一方面，本申请实施例提供了一种形变量确定方法，包括：根据目标发生形变前的图像建立第一模型；以及根据所述目标发生形变后的图像建立第二模型，其中所述第一模型和所述第二模型为包括多个三角面片的三角网格模型；将所述第一模型和所述第二模型映射到同一坐标系中；针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点；针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离；根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，并根据各所述第二最小距离确定所述目标的形变量。
基于上述方案，根据目标发生形变前的图像和发生形变后的图像可以建立目标的第一模型和第二模型。由于第一模型和第二模型均为由多个三角面片组成的三角网格模型。且三个顶点可以确定一个平面，因此可以通过第一顶点向第二模型各三角面片进行投影确定多个第一最小距离。相比现有技术中ICP算法确定第一顶点在第二模型中的最近的顶点的方式，本申请将确定最近点的方式由点对点改进为点对面。由于点到平面之间的距离垂线段最短，因此可以更准确地确定各第一顶点与第二模型之间的第二最小距离，从而可以更为准确地确定发生形变后目标的形变量。
一种可能的实现方式中，所述针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点，包括：针对所述第二模型中的任意一个三角面片，根据所述任意一个三角面片的三个顶点，确定一个平面；针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各所述平面进行投影，确定所述多个投影点。
基于上述方案，由于三角网格模型是由各个三角面片组成的，且三点可以确定一个平面，因此可以通过对第一模型的任意第一顶点向第二模型的各个三角面片投影确定第一顶点对应的多个第一最小距离，从而使得根据第一最小距离确定的第二最小距离更为准确。
一种可能的实现方式中，所述针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离，包括：针对任意一个投影点，若所述投影点在所述三角面片的外部，则分别确定所述第一顶点与所述三角面片的三个顶点之间的距离；将确定的距离中的最小值作为所述第一顶点与所述三角面片之间的第一最小距离；针对任意一个投影点，若所述投影点在所述三角面片的内部，则将所述第一顶点与所述投影点之间的距离作为所述第一顶点与所述三角面片的第一最小距离。
基于上述方案，根据点到平面垂线最短的原则，投影点在三角面片内部则可以确定第一顶点与投影点之间的距离为第一最小距离。否则，则确定第一顶点与三角面片的三个顶点之间的距离中的最小值为第一最小距离。
一种可能的实现方式中，所述根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，包括：针对任意一个三角面片，根据所述第一顶点与所述任意一个三角面片之间的第一最小距离，确定所述任意一个三角面片中所述第一顶点的最近点的坐标；根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离。
基于上述方案，可以确定各个第一最小距离对应的最近点，从而可以在第二模型中的多个最近点中确定与第一顶点距离最近的最近点。
一种可能的实现方式中，所述根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离，包括：对所述最近点进行多轮选择，并将每轮选择的所述最近点加入k维树，直到所有所述最近点都加入为止；其中每轮选择执行下列过程：将本轮的目标节点、所述目标节点对应的左子节点和所述目标节点对应的右子节点加入所述k维树；其中，所述本轮的目标节点是根据第一分裂维的坐标值确定的，所述第一分裂维是根据包括所述目标节点、所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的，所述目标节点对应的左子节点和所述目标节点对应的右子节点均是根据第二分裂维的坐标值确定的，所述左子节点的第一分裂维的坐标值小于或等于所述目标节点的第一分裂维的坐标值，所述右子节点的第一分裂维的坐标值大于所述目标节点的第一分裂维的坐标值，所述第二分裂维是根据包括所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的；在所述最近点都加入k维树后，根据各分裂维的坐标值确定所述第一顶点在所述k维树中的搜索路径以及所述搜索路径上的叶子节点；所述搜索路径包括从所述k维树的根节点到所述k维树的叶子节点的路径；根据所述搜索路径确定所述叶子节点的父节点；根据所述叶子结点与所述第一顶点之间的距离，以及所述父节点与所述第一顶点之间的距离确定所述第一顶点与所述第二模型之间的所述第二最小距离。
基于上述方案，由于k维树的数据结构在范围和邻近搜索中具有较好的适用性，并且可以有效地降低对最近点搜索的复杂度。因此基于k维树的临近点搜索方法可以提升最近点的搜索速度，从而可以更快速地确定各第一顶点与第二模型之间的第二最小距离。
一种可能的实现方式中，所述根据确定的各所述第二最小距离确定所述目标的形变量，包括：确定各所述第二最小距离的最大值为所述目标的形变量；或根据预设的相似度与形变量的对应关系，确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量；或确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量和各所述第二最小距离中的最大值加权求和的结果为所述目标的形变量；其中，所述第一模型与所述第二模型的相似度是根据各所述第二最小距离确定的。
基于上述方案，在第一模型与第二模型配准后，可以根据第二最小距离中的最大值确定目标的形变量，也可以根据第一模型与第二模型的相似度确定目标的形变量，还可以根据第二最小距离中的最大值确定目标的形变量以及第一模型与第二模型的相似度确定的形变量加权求和确定目标的形变量。可以根据实际情况选择任意方法确定目标的形变量，使得本申请确定形变量的方法适用范围更广泛。
一种可能的实现方式中，所述根据目标发生形变前的图像建立第一模型，包括：获取在空中对发生形变前的所述目标拍摄的第一图像和在地面对发生形变前的所述目标拍摄的第二图像；对所述第一图像与所述第二图像进行坐标变换，确定所述第一图像与所述第二图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第一模型。
基于上述方案，根据空中拍摄的目标发生形变前的图像以及地面拍摄的目标发生形变后的图像对发生形变前的目标建立三角网格模型，可以实现对发生形变前的目标进行实景还原，使得形变量的确定更加准确。
一种可能的实现方式中，根据所述目标发生形变后的图像建立第二模型，包括：获取在空中对发生形变后的所述目标拍摄的第三图像和在地面对发生形变后的所述目标拍摄的第四图像；对所述第三图像与所述第四图像进行坐标变换，确定所述第三图像与所述第四图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第二模型。
基于上述方案，根据空中拍摄的目标发生形变后的图像以及地面拍摄的目标发生形变后的图像对发生形变后的目标建立三角网格模型，可以实现对发生形变后的目标进行实景还原，使得形变量的确定更加准确。
第二方面，本申请实施例提供了一种形变量确定装置，包括：
处理单元，用于根据目标发生形变前的图像建立第一模型；以及根据所述目标发生形变后的图像建立第二模型，其中所述第一模型和所述第二模型为包括多个三角面片的三角网格模型；将所述第一模型和所述第二模型映射到同一坐标系中；针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点；针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离；根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，并根据各所述第二最小距离确定所述目标的形变量。
一种可能的实现方式中，所述处理单元针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点时，用于：针对所述第二模型中的任意一个三角面片，根据所述任意一个三角面片的三个顶点，确定一个平面；针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各所述平面进行投影，确定所述多个投影点。
一种可能的实现方式中，所述处理单元针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离时，用于：针对任意一个投影点，若所述投影点在所述三角面片的外部，则分别确定所述第一顶点与所述三角面片的三个顶点之间的距离；将确定的距离中的最小值作为所述第一顶点与所述三角面片之间的第一最小距离；针对任意一个投影点，若所述投影点在所述三角面片的内部，则将所述第一顶点与所述投影点之间的距离作为所述第一顶点与所述三角面片的第一最小距离。
一种可能的实现方式中，所述处理单元根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离时，用于：针对任意一个三角面片，根据所述第一顶点与所述任意一个三角面片之间的第一最小距离，确定所述任意一个三角面片中所述第一顶点的最近点的坐标；根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离。
一种可能的实现方式中，所述处理单元根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离时，用于：对所述最近点进行多轮选择，并将每轮选择的所述最近点加入k维树，直到所有所述最近点都加入为止；其中每轮选择执行下列过程：将本轮的目标节点、所述目标节点对应的左子节点和所述目标节点对应的右子节点加入所述k维树；其中，所述本轮的目标节点是根据第一分裂维的坐标值确定的，所述第一分裂维是根据包括所述目标节点、所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的，所述目标节点对应的左子节点和所述目标节点对应的右子节点均是根据第二分裂维的坐标值确定的，所述左子节点的第一分裂维的坐标值小于或等于所述目标节点的第一分裂维的坐标值，所述右子节点的第一分裂维的坐标值大于所述目标节点的第一分裂维的坐标值，所述第二分裂维是根据包括所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的；在所述最近点都加入k维树后，根据各分裂维的坐标值确定所述第一顶点在所述k维树中的搜索路径以及所述搜索路径上的叶子节点；所述搜索路径包括从所述k维树的根节点到所述k维树的叶子节点的路径；根据所述搜索路径确定所述叶子节点的父节点；根据所述叶子结点与所述第一顶点之间的距离，以及所述父节点与所述第一顶点之间的距离确定所述第一顶点与所述第二模型之间的所述第二最小距离。
一种可能的实现方式中，所述处理单元根据确定的各所述第二最小距离确定所述目标的形变量时，用于：确定各所述第二最小距离的最大值为所述目标的形变量；或根据预设的相似度与形变量的对应关系，确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量；或确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量和各所述第二最小距离中的最大值加权求和的结果为所述目标的形变量；其中，所述第一模型与所述第二模型的相似度是根据各所述第二最小距离确定的。
一种可能的实现方式中，所述处理单元根据目标发生形变前的图像建立第一模型时，所述获取单元，用于获取在空中对发生形变前的所述目标拍摄的第一图像和在地面对发生形变前的所述目标拍摄的第二图像；所述处理单元，用于对所述第一图像与所述第二图像进行坐标变换，确定所述第一图像与所述第二图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第一模型。
一种可能的实现方式中，所述处理单元根据所述目标发生形变后的图像建立第二模型，所述获取单元，用于获取在空中对发生形变后的所述目标拍摄的第三图像和在地面对发生形变后的所述目标拍摄的第四图像；所述处理单元，用于对所述第三图像与所述第四图像进行坐标变换，确定所述第三图像与所述第四图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第二模型。
第三方面，本申请实施例提供了一种电子设备，包括：
存储器，用于存储计算机指令；
处理器，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现如第一方面中任一项所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，包括：
所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面中任一项所述的方法。
第五方面，本申请提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。
上述第二方面至第五方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。
附图说明
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。
图1为本申请实施例提供的一种数据管理方法可适用的系统结构示意图；
图2为本申请实施例提供的一种形变量确定方法的示例性流程图之一；
图3a为本申请实施例提供的三角网格模型示意图；
图3b为本申请实施例提供的三角网格模型的局部示意图；
图4为本申请实施例提供的第一模型和第二模型映射到同一坐标系中的结果示意图；
图5为本申请实施例提供的第一最小距离确定方法示意图；
图6为本申请实施例提供的k维树示例图；
图7为本申请实施例提供的三维建模技术路线示意图；
图8为本申请实施例提供的空中无人机图像采集方法的流程图；
图9为本申请实施例提供的正直摄影示意图；
图10为本申请实施例提供的交向摄影示意图；
图11为本申请实施例提供的坐标变换关系示意图；
图12为本申请实施例提供的透视投影示意图；
图13为本申请实施例提供的基于改进的ICP算法模型配准流程图；
图14为本申请实施例提供的形变量确定方法的示例性流程图之一；
图15为本申请实施例提供的一种形变量确定装置示意图；
图16为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了便于理解本申请实施例提供的技术方案，下面介绍本申请实施例涉及的专业术语。
(1)空中三角测量，是立体摄影测量中，根据少量的野外控制点，在室内进行控制点加密，求得加密点的高程和平面位置的测量方法。其主要目的是为缺少野外控制点的地区测图提供绝对定向的控制点。
(2)位置与姿态测量系统(position and orientation system,POS)数据，主要包括全球定位系统(Global Positioning System，GPS)数据和惯性测量单元(InertialMeasurement Unit，IMU)数据，即倾斜摄影测量中的外方位元素(包括：纬度、经度、高程、航向角、俯仰角及翻滚角)。
(3)多源数据融合，是指将同一目标下的多种设备在同一时间或不同时间采集的数据按照一定的规则进行融合，获得更加精准、完整的信息，最终实现对目标物的综合描述。
(4)obj文件，是Alias|Wavefront公司为它的一套基于工作站的三维(threedimensional，3D)建模和动画软件"Advanced Visualizer"开发的一种标准3D模型文件格式，很适合用于3D软件模型之间的互导，也可以通过Maya软件读写。并且obj文件是一种文本文件，可以直接用写字板打开进行查看和编辑修改。obj文件中，各个前缀代表的含义如表1所示：
表1obj文件各前缀代表含义
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。
本申请实施例中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
为了确定冲击波超压作用下的靶场目标的损伤情况，通常可以根据打击前和打击后靶场目标的形变量确定。目前通常采用ICP算法来对打击前靶场目标的模型和打击后靶场目标的模型进行模型配准从而确定打击前和打击后靶场目标的形变量。但由于传统ICP算法中存在精度低的问题，从而导致确定靶场目标的打击前与靶场目标的打击后的形变量时，也会存在准确度不高的问题。
有鉴于此，本申请提供了一种形变量确定方法，该方法包括：通过拍摄目标发生形变前的图像以及目标发生形变后的图像，对该目标的形变前后分别建立实景三维模型。通过改进的ICP算法对该目标发生形变前实景三维模型以及该目标发生形变后的实景三维模型进行配准，从而确定目标的形变量。
参见图1为本申请实施例提供的一种数据管理方法可适用的系统结构示意图，该系统架构可以为服务器100，包括存储器110、处理器120和通信接口130。其中，通信接口130可以用于获取目标发生形变前的图像以及目标发生形变后的图像，处理器120是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器110内的软件程序或模块，以及调用存储在存储器110内的数据，执行服务器100的各种功能和处理数据。可选的，处理器120可以包括一个或多个处理单元。存储器110可以为高速随机存取存储器，还可以为非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。需要说明的是，上述图1所示的结构仅是一种示例，本申请实施例对此不做限定。
参阅图2为本申请实施例提供的一种形变量确定方法的示例性流程图之一，该方法可以应用于如图1所示的服务器100，可包括以下流程：
S201，根据目标发生形变前的图像建立第一模型以及根据目标发生形变后的图像建立第二模型。
服务器可以通过如图1所示的通信接口130获取目标发生形变前的图像和目标发生形变后的图像。然后服务器可以根据目标发生形变前的图像建立第一模型，根据目标发生形变后的图像建立第二模型。其中，第一模型和第二模型为包括多个三角面片的三角网格模型。
参见图3a为本申请实施例提供的三角网格模型示意图。由图3a可以看出，三角网格模型由多个三角面片组成。参见图3b为本申请实施例提供的三角网格模型的局部示意图。其中，v1-v6为三角网格模型的6个顶点，f1-f4为四个三角面片，e1-e9表示各个顶点之间的连接关系。
在一个示例中，获取的目标发生形变前的图像可以包括在空中对发生形变前的目标拍摄的第一图像和在地面对发生形变前的目标拍摄的第二图像。对第一图像与第二图像进行坐标变换，确定第一图像与第二图像中各个像素点在世界坐标系中的坐标。其中，世界坐标系为在实际环境中描述目标与摄像设备的参考坐标系。服务器可以根据该坐标建立第一模型。
在另一个示例中，获取的目标发生形变后的图像可以包括在空中对发生形变后的目标拍摄的第三图像和在地面对发生形变后的目标拍摄的第四图像。对第三图像与第四图像进行坐标变换，确定第三图像与第四图像中各个像素点在世界坐标系中的坐标。服务器可以根据该坐标建立第二模型。
S202，将第一模型和第二模型映射到同一坐标系中。
为了缩小第一模型和第二模型之间的距离，使得第一模型和第二模型具备校准条件，避免由于模型位置、角度或大小不同导致对形变量确定结果产生影响，服务器可以将第一模型和第二模型映射到同一坐标系中。
在一个示例中，服务器可以通过主成分分析(principal components analysis，PCA)算法将第一模型和第二模型映射到同一坐标系中。参见图4为本申请实施例提供的第一模型和第二模型映射到同一坐标系中的结果示意图。源目标模型的坐标轴分别为X轴、Y轴和Z轴。目标模型的坐标轴分别为X’轴、Y’轴和Z’轴。图4中(a)为将两个模型映射到同一坐标系中之前两个模型的坐标系示意图，图4中(b)为将两个模型映射到同一坐标系中之前两个模型的坐标系示意图。服务器可以将第一模型或第二模型中任意一个作为源目标模型，并将另外一个模型作为目标模型。设源目标模型顶点为Pi(X，Y，Z)，目标模型顶点为Qi(X’，Y’，Z’)。
具体的，服务器可以通过公式(1)计算源目标模型的质心以及通过公式(2)计算目标模型的质心。
式中，Up为源目标模型的质心，N为源目标模型中顶点的数量。
式中，UQ为目标模型的质心，M为目标模型中顶点的数量。
然后可以对源目标模型以及目标模型的各个顶点进行去中心化，也就是将各个顶点的坐标分别减去质心坐标。
根据源目标模型去中心化后的各顶点坐标可以确定源目标模型各顶点的协方差矩阵，如公式(3)所示。根据目标模型去中心化后的各顶点坐标可以确定目标模型各顶点的协方差矩阵，如公式(4)所示。
根据确定的协方差矩阵，可以确定协方差矩阵对应的特征向量和特征值。将特征值从大到小排列，最大的特征值对应的特征向量方向称为第1主方向，排在第2位的特征值对应的特征向量的方向为第2主方向，排在第3位的特征值对应的特征向量的方向为第3主方向。将源目标模型的坐标轴进行旋转变换，将x轴与第一主方向对齐，将y轴与第2主方向对齐，将z轴与第3主方向对齐。从而将源目标模型和目标模型映射到同一坐标系中，也即将第一模型和第二模型映射到同一坐标系中。
一种可能的实现方式中，为了提高对第一模型和第二模型的识别精度，从而提高形变量确定的准确度，服务器将第一模型和第二模型映射到同一坐标系中之前，还可以通过预处理软件对第一模型和第二模型进行预处理。预处理后可以将第一模型和第二模型分别存储为obj格式的文件。其中，预处理可以包括孔洞修补、边角去除、噪声去除、网格细分、网格简化中的一种或多种。obj格式的文件中可以包括三角网格模型的数据，如模型中各个顶点的坐标、法向量以及如图3b所示的各个顶点之间的连接关系等数据。应了解，预处理软件可以为Geomagic软件，也可以为其他可以执行上述预处理的软件，本申请对此不作限定。
S203，针对第一模型中任意一个第一顶点，将任意一个第一顶点分别向第二模型中的各三角面片进行投影，确定多个投影点。
第一模型可以包括多个第一顶点，针对第一模型中任意一个第一顶点，将任意一个第一顶点分别向第二模型中的各三角面片进行投影，确定多个投影点。举例来说，假设第一模型中包括N个顶点：V1-VN，第二模型包括L个三角面片：F1-FL。则第一模型中顶点V1可以向第二模型的三角面片F1-FL分别进行投影，可以得到L个投影点。V2-VN同样可以向第二模型的三角面片F1-FL分别进行投影，可以得到L个投影点。
一种可能的实现方式中，针对第二模型中的任意一个三角面片，可以根据该三角面片的三个顶点确定一个平面。针对第一模型中任意一个第一顶点，将任意一个第一顶点分别向第二模型中的各平面进行投影，可以确定多个投影点。举例来说，第二模型中包括三角面片F1，该三角面片F1的三个顶点分别为顶点A、顶点B和顶点C。由于三点可以确定一个平面，因此顶点A、顶点B和顶点C可以确定一个平面K，三角面片F1可以在平面K上。第一模型中的顶点V1可以向平面K作投影，确定一个投影点。同理，第一模型中的顶点V1可以向第二模型中的各平面投影，确定多个投影点。
S204，针对任意一个投影点，基于任意一个投影点的位置确定第一顶点与任意一个投影点所在的三角面片之间的第一最小距离。
对于S203确定多个投影点中的任意一个投影点，可以根据该投影点在该投影点所在的三角面片上的位置，确定第一顶点与该三角面片之间的第一最小距离。
一种可能的实现方式中，针对任意一个投影点，若该投影点在三角面片的外部，则分别确定第一顶点与三角面片的三个顶点之间的距离。并将确定的距离中的最小值作为所述第一顶点与三角面片之间的第一最小距离。若投影点在三角面片的内部，则将第一顶点与投影点之间的距离作为第一顶点与所述三角面片的第一最小距离。
假设第一模型中一个第一顶点pi(xi,yi,zi)向第二模型第j个三角面片所在的平面作投影，该三角面片的三个顶点分别为r1(x1,y1,z1)、r2(x2,y2,z2)和r3(x3,y3,z3)，则第一最小距离满足公式(5)。
dj＝min{d0,|pir1|,|pir2|,|pir3|} 公式(5)
式中，dj为第一模型中的pi到第二模型中第j个三角面片的第一最小距离，d0为pi与投影点之间的距离。|pir1|为pi到r1的距离，|pir2|为pi到r2的距离，|pir3|为pi到r3的距离。
其中，d0为pi与投影点之间的距离可以通过pi到第j个三角面片所在的平面的距离来表示。第j个三角面片所在的平面可以用公式(6)表示，d0满足公式(7)。
Ax+By+Cz+D＝0 公式(6)
式中，
参见图5为本申请实施例提供的第一最小距离确定方法示意图。图5中，pi为第一模型中的一个第一顶点，r1、r2、r3为第二模型的三个顶点。pi向由r1、r2、r3确定的平面作投影，可以得到投影点O，由于投影点O在r1、r2、r3组成的三角面片的外部，因此需要计算pi到r1的距离d1，pi到r2的距离d2以及pi到r3的距离d3。若三个距离中的最小值为d2，则pi到该三角面片的第一最小距离则为d2。
S205，根据各第一最小距离确定第一顶点与第二模型之间的第二最小距离，并根据各第二最小距离确定目标的形变量。
服务器可以根据S204确定的多个第一最小距离中的最小值确定各个第一顶点与第二模型之间的各个第二最小距离，并根据各第二最小距离确定目标的形变量。
针对第一模型中的一个第一顶点pi，假设第二模型中包括Nt个三角面片，则，第一顶点pi与第二模型之间的第二最小距离可以满足公式(8)。
li＝min{d1，d2，d3，...dj...dNt} 公式(8)
式中，li为第一顶点pi与第二模型之间的第二最小距离，d1，d2，d3,…
为第一顶点pi与第二模型中各个三角面片之间的第一最小距离。
基于上述方案，据目标发生形变前的图像和发生形变后的图像可以建立目标的第一模型和第二模型。由于第一模型和第二模型均为由多个三角面片组成的三角网格模型。且三个顶点可以确定一个平面，因此可以通过第一顶点向第二模型各三角面片进行投影确定多个第一最小距离。相比现有技术中ICP算法确定第一顶点在第二模型中的最近的顶点的方式，本申请将确定最近点的方式由点对点改进为点对面。由于点到平面之间的距离垂线段最短，因此可以更准确地确定各第一顶点与第二模型之间的第二最小距离，从而可以更为准确地确定发生形变后目标的形变量。
一种可能的实现方式中，服务器可以确定多个第一顶点对应的多个第二最小距离中的最大值为该目标的形变量。
另一种可能的实现方式中，服务器可以根据预设的相似度与形变量的对应关系，并根据第一模型与第二模型之间的相似度确定目标的形变量。其中，第一模型与第二模型之间的相似度函数满足公式(9)。相似度函数的函数值越大形变量越大。应了解，相似度与形变量的对应关系可以是根据实际情况以及经验预设的，本申请对此不作限定。
式中，SSD为各第二最小距离的平方和，LM为第一模型各顶点据坐标系原点的距离的平方和，LN为第二模型各顶点据坐标系原点的距离的平方和。
又一种可能的实现方式中，服务器还可以确定第一模型与第二模型的相似度对应的目标的形变量和各第二最小距离中的最大值加权求和的结果为目标的形变量。其中，各项形变量的权重可以是根据实际情况以及经验预设的，本申请对此不作限定。
在一些实施例中，服务器根据各第一最小距离确定各个第一顶点与第二模型之间的各个第二最小距离时，对于某第一顶点，可以针对任意一个三角面片，根据该第一顶点与该三角面片之间的第一最小距离确定该三角面片中该第一顶点对应的最近点的坐标。并根据该最近点的坐标确定该第一顶点与第二模型之间的第二最小距离。举例来说，若第一模型中的第一顶点v1与第二模型中的三角面片f1之间的第一最小距离为第一顶点v1与投影点之间的距离，则确定投影点为第一顶点v1在三角面片f1中对应的最近点。若第一顶点v1与三角面片f1之间的第一最小距离，为第一顶点与三角面片f1的某一顶点之间的距离，则该顶点为第一顶点v1在三角面片f1中对应的最近点。
一种可能的实现方式中，服务器可以通过基于k维树的临近点搜索方法，确定各个第一顶点与第二模型之间的各个第二最小距离。首先根据第一顶点在第二模型中每个三角面片对应的最近点建立k维树，然后确定第一顶点在该k维树中的搜索路径，从而确定与第一顶点距离最近的最近点。
在一些实施例中，服务器可以对第一顶点对应的多个最近点进行多轮选择，并将每轮选择的最近点加入k维树，直到所有最近点都加入为止；其中每轮选择可以执行下列过程：
将本轮的目标节点、目标节点对应的左子节点和目标节点对应的右子节点加入k维树；其中，本轮的目标节点是可以根据第一分裂维的坐标值确定的。例如目标节点可以是根据第一分裂维的坐标值的中位数确定的。第一分裂维可以是根据包括目标节点、左子节点和右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值中方差最大的确定的。目标节点对应的左子节点和目标节点对应的右子节点均是根据第二分裂维的坐标值的中位数确定的。左子节点的第一分裂维的坐标值小于或等于目标节点的第一分裂维的坐标值，右子节点的第一分裂维的坐标值大于目标节点的第一分裂维的坐标值。第二分裂维可以是根据包括左子节点和右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值中方差最大的确定的。
在一个示例中，参见图6为本申请实施例提供的k维树示例图。假设最近点中包括A(x1,y1,z1)，B(x2,y2,z2)，C(x3,y3,z3)，D(x4,y4,z4)，E(x5,y5,z5)。则根据最近点A、B、C、D、E的各坐标维度的坐标值计算各坐标维度的方差，确定方差最大的坐标维度为第一分裂维。假设计算后可以确定方差最大的坐标维度为x维，则可以将最近点A、B、C、D、E的x维坐标从大到小排列，并确定x维坐标为中位数的点为目标节点。假设x1>x2>x3>x4>x5，则可以确定最近点C为目标节点，将最近点C加入k维树。并且由于x1>x2>x3，则最近点A、B可以为目标节点右子树的节点。由于x3>x4>x5，则最近点D、E为目标节点左子树的节点。然后由于此时最近点C已经加入k维树，因此确定第二分裂维时可以根据最近点A、B、D、E中各坐标维度的坐标值计算各坐标维度的方差，确定方差最大的坐标维度为第二分裂维。假设计算后可以确定方差最大的坐标维度为y维，则可以将点A、B、D、E的y维坐标从大到小排列，并确定y维坐标为中位数的点为目标节点。假设y1>y2>y4>y5，则中位数可以为y2，也可以为y4。但由于左子节点的第一分裂维的坐标值小于或等于目标节点的第一分裂维的坐标值，右子节点的第一分裂维的坐标值大于目标节点的第一分裂维的坐标值。也就是说，左子节点应为左子树中的节点中的一个，右子节点应为右子树节点中的一个。因此，可以确定目标节点的左子节点为最近点D，目标节点的右子节点为最近点B，可以将最近点B和D加入k维树中。此时，未加入k维树的最近点为最近点A和最近点E。由于最近点A第一分裂维的坐标值大于最近点C第一分裂维的坐标值，且最近点A第二分裂维的坐标值大于最近点B第二分裂维的坐标值，则可以确定最近点A可以作为最近点B的右子节点加入k维树中。由于最近点E第一分裂维的坐标值小于最近点C第一分裂维的坐标值，且最近点E第二分裂维的坐标值小于最近点D第二分裂维的坐标值，则可以确定最近点E可以作为最近点D的左子节点加入k维树中。最后可以建立如图6所示的k维树。
在另一个示例中，上述第一分裂维和第二分裂维的选取还可以采取顺序遍历法。也就是对于k维树的第一层的分裂维可以为x维，第二层的分裂维可以维y维，第三层的分裂维为z维，以此类推。对于第一分裂维和第二分裂维来说，若第一分裂维为x维，则第二分裂维可以为y维。若第一分裂维为y维，则第二分裂维可以为z维。若第一分裂维为z维，则第二分裂维可以为x维。
一种可能的实现方式中，针对任意第一顶点，在该第一顶点对应的所有最近点均加入k维树中后，服务器可以根据k维树各分裂维的坐标值确定第一顶点在k维树种的搜索路径，以及该搜索路径上的叶子节点。并根据该搜索路径确定该搜索路径上的叶子节点的父节点。最后可以根据叶子结点与第一顶点之间的距离，以及该父节点与第一顶点之间的距离确定第一顶点与所述第二模型之间的第二最小距离。其中，搜索路径包括从k维树的根节点到k维树的叶子节点的路径。
举例来说，假设第一顶点为pi(xi,yi,zi)，该第一顶点对应的所有最近点均加入如图6所示的k维树中后，服务器可以根据第一分裂维坐标值的大小以及第二分裂维坐标值的大小确定第一顶点pi的搜索路径。假设xi>x3，yi>y2，则第一顶点pi在该k维树中对应的搜索路径为C->B->A，该路径对应的叶子节点即为最近点A。并且可以根据该搜索路径确定最近点A的父节点为最近点B。然后可以计算最近点A与第一顶点pi之间的距离dA，以及最近点B与第一顶点pi之间的距离dB。确定dA与dB的最小值为第一顶点pi与第二模型之间的第二最小距离。假设dA<dB，则第一顶点pi与第二模型之间的第二最小距离为dA。
基于上述方案，由于k维树的数据结构在范围和邻近搜索中具有较好的适用性，并且可以有效地降低对最近点搜索的复杂度。因此基于k维树的临近点搜索方法可以提升最近点的搜索速度，从而可以更快速地确定各第一顶点与第二模型之间的第二最小距离。
在一种可能的实现方式中，上述第一模型和第二模型可以是通过三维建模技术建立的，参见图7为本申请实施例提供的三维建模技术路线示意图。如图7所示，三维建模技术路线可以包括数据采集、数据处理和结果。其中，数据采集可以包括通过无人机在空中采集的空中无人机图像和POS数据，以及摄像设备在地面采集的地面图像。数据处理可以包括相机校正、空中三角测量和坐标转换。三维建模的结果可以包括三角网格模型和纹理图像。
一种可能的实现方式中，空中无人机图像通常采用无人机搭载倾斜摄影相机的方法进行采集。参见图8为本申请实施例提供的空中无人机图像采集方法的流程图。首先，设计航摄方案，设计方案时可以包括根据目标的位置、形状等实际情况确定无人机航线，以及确定航线上的多个拍摄点位。设计方案时还可以包括各个拍摄点位的拍摄方式，例如，可以是固定时间或固定距离曝光拍摄。然后可以通过GPS对多个拍摄点位进行测量，确定各个拍摄点位的位置信息。接着无人机可以按照规划的航线飞行采集多组图像，可以包括对多个拍摄点位拍摄的多组图像，其中每组图像包括对同一拍摄点位在多个方向拍摄的一组图像。通过多组图像可以得到同一目标不同角度的图像。最后可以对采集到的该目标的图像进行质量检查，例如可以对图像的分辨率、清晰度等方面进行检查。将通过质量检查的图像作为用于建模的空中无人机图像。
另一种可能的实现方式中，摄像设备在地面采集地面图像时可以通过定焦拍摄的方法进行采集。其中，定焦拍摄的方法可以包括正直摄影和交向摄影。采集地面图像时，可以根据不同目标，选用不同的拍摄方法，若目标表面结构简单，呈规则形状，则可以采用正直摄影的方法。若目标表面结构复杂，呈不规则形状，一般可以采用交向摄影的方法。若目标体积较大，且表面结构复杂，则可以采用交向摄影与正直摄影相结合的方法。应了解，摄像设备可以包括手持云台、智能手机、数码相机等摄像设备，本申请对此不作限定。
参见图9为本申请实施例提供的正直摄影示意图。其中，S1和S2为摄像设备，N为目标。如图9所示，在拍摄目标N时，摄像设备S1和摄像设备S2之间主光轴相互平行并且各个摄像设备的主光轴与基线相垂直。
参见图10为本申请实施例提供的交向摄影示意图。其中，S1和S2为摄像设备，N为目标。如图10所示，在拍摄目标N时，摄像设备S1和摄像设备S2之间主光轴不平行，并且摄像设备S1和摄像设备S2距离目标N的距离均为l。也即，拍摄时摄像设备S1和摄像设备S2以目标N为中心，主光轴向外发散。
在一种可能的情况中，坐标转换可以是实现多源数据融合的一种途径，可以通过将空中无人机图像和地面图像转换至同一坐标系来实现无人机图像和地面图像的融合。由于光学成像中坐标系可以包括像素坐标系、图像坐标系、相机坐标系和世界坐标系。因此可以通过将图像中的各个像点由像素坐标系转换到世界坐标系从而完成坐标转换。其中，像素坐标系是在摄像设备采集的图像中以像素(u，v)为单元的平面坐标系。图像坐标系是用以表示各像点在像平面上的位置的平面坐标系。相机坐标系是以相机的聚焦中心为原点，以光轴为Z轴建立的三维直角坐标系。世界坐标系是在实际环境中描述所述目标与摄像设备的参考坐标系。
参见图11为本申请实施例提供的坐标变换关系示意图。由于像素坐标系和图像坐标系都在成像平面上，只是各自的原点和度量单位不一样。因此通过原点平移和尺度的伸缩即可完成图像坐标系与像素坐标系的变换。其中图像坐标系的原点为摄像设备光轴与成像平面的交点。在相机成像的过程中，可以看作三维立体转换为二维平面的过程，因此可以通过透视投影的方式实现图像坐标系与相机坐标系的转换。
参见图12为本申请实施例提供的透视投影示意图。图12中为相机坐标系中的一点，p(xc,yc)为点P在成像平面的投影点。点p与点P的转换关系满足公式(10)。
式中，f为摄像设备的焦距。
而世界坐标系与相机坐标系之间的转换为刚性转换，即在不同坐标系下，只是空间位置和角度发生了相对变化，可用旋转矩阵R与平移向量T来描述。因此将相机坐标系下的点P(Xc,Yc,Zc)转换为世界坐标系的点P(Xw,Yw,Zw)满足公式(11)。
其中旋转矩阵R可以分解为分别x轴，y轴，z轴的旋转。以点p'(x',y',z')绕z轴旋转θ角为例，可以得到新的坐标p(x,y,z)满足公式(12)。
式中，R1为z轴方向的旋转矩阵。
同理，点p'(x',y',z')绕x轴旋转
角可以满足公式(13)，绕y轴旋转ω角可以满足公式(14)。
式中，R2为x轴方向的旋转矩阵。
式中，R3为y轴方向的旋转矩阵。
根据R1、R2和R3可以得到旋转矩阵R，满足公式(15)。
R＝R1R2R3 公式(15)
根据坐标转换后的图像数据可以通过建模软件建立目标形变前的第一模型以及目标形变后的第二模型。此外，还可以得到目标形变前的纹理图像以及目标形变后的纹理图像。纹理图像可以包括目标表面的颜色、图案以及材质等，通过该纹理图像可以使得建立的第一模型和第二模型更接近实景。应了解，建模软件可以根据实际情况进行选择，本申请对此不作限定。
为了确定第一模型与第二模型之间的型变量，还可以将第一模型和第二模型更精确地配准，使第一模型和第二模型之间的距离或角度更小。服务器可以通过最近点搜索法(Iterative Closest Point，ICP)来实现第一模型与第二模型之间的配准。但由于传统的ICP算法精度较低，在数据量大时搜索速度较慢。因此在一种可能的实现方式中，可以通过如图2所示的方法实施例中的各个第一顶点的最近点确定方法对传统的ICP算法进行改进。参见图13为本申请实施例提供的基于改进的ICP算法模型配准流程图。该流程可以包括：
S1301，获取第一模型的各个第一顶点和第二模型的各个第二顶点。
通过第一模型的obj文件以及第二模型的obj文件可以获取各个第一顶点的坐标以及各个第二顶点的坐标。
S1302，确定各个第一顶点在第二模型中对应的各个最近点。
确定各个第一顶点在第二模型中对应的各个最近点的方法可以如图2所示的方法实施例中的相关描述，在此不再赘述。
S1303，求解变换参数。
求解变换参数可以是求解旋转矩阵R和平移矩阵T使得目标函数的函数值最小。其中，目标函数满足公式(16)。
式中，Pi为第一顶点的集合，Qi为第二模型中第一顶点对应的各个最近点的集合。N为第一顶点的数量。
为了去除平移变换的影响，可以分别计算第一模型与第二模型的质心，满足公式(17)。
然后分别从第一顶点的集合和第二模型中第一顶点对应的各个最近点的集合减去其相应的质心，满足公式(18)。
P′i＝Pi-Pc，Q′i＝Qi-Qc 公式(18)
将减去质心后的第一顶点的集合和减去质心后的第二模型中第一顶点对应的各个最近点的集合代入公式(16)中，可以得到公式(19)。
还可以将目标函数转化为如公式(20)所示的形式。
式中，
Tr表示矩阵的迹。
对H进行奇异值分解可以得到公式(21)。
H＝UVWT 公式(21)
式中，U、V是正交矩阵，W是对角矩阵。
综上，可以得到旋转矩阵R满足公式(22)，平移矩阵T满足公式(23)。
R＝VUT 公式(22)
T＝Qc-R*Pc 公式(23)
S1304，根据变换参数调整各个第一顶点。
根据S1303确定的变换参数，对各个第一顶点的坐标进行转换。
S1305，判断是否达到收敛条件。
若达到收敛条件，则结束迭代，执行S1306。若未达到收敛条件则返回执行S1302。
一种可能的实现方式中，收敛条件可以为第一模型与第二模型之间的平均误差是否小于或等于预设阈值，若第一模型与第二模型之间的平均误差小于或等于预设阈值，则可以确定达到收敛条件，结束迭代。若第一模型与第二模型之间的平均误差大于预设阈值，则可以确定未达到收敛条件。其中，第一模型与第二模型之间的平均误差可以用公式(24)表示。预设阈值可以是根据实际情况或经验预设的，本申请对此不作限定。
式中，ε为第一模型与第二模型之间的平均误差。
S1306，完成第一模型与第二模型的配准。
下面，为了能够更加清晰地理解本申请实施例提出的方案，将结合具体地实施例对本申请提供的一种形变量确定方法进行介绍。
参阅图14，为本申请实施例提供的一种形变量确定方法的示例性流程图之一，具体包括：
S1401，建立第一模型和第二模型。
建立第一模型和第二模型的方法可以参见如图7所示的技术路线，在此不再赘述。
S1402，提取第一顶点和第二顶点。
根据建立的第一模型可以提取第一模型中的各个第一顶点，根据建立的第二模型可以提取第二模型中的各个第二顶点。
S1403，对第一模型和第二模型进行预处理。
预处理的方法可以参见上述方法实施例中的相关描述，在此不再赘述。
S1404，将第一模型和第二模型映射到同一坐标系中。
将第一模型和第二模型映射到同一坐标系中的方法可以参见如图2所示的方法实施例中的相关描述，在此不再赘述。
S1405，对第一模型和第二模型进行配准。
对第一模型和第二模型进行配准的方法可以参见如图13所示的方法实施例中的相关描述，在此不再赘述。
S1406，确定目标的形变量。
确定目标的形变量的方法可以参见如图2所示的方法实施例中的相关描述，在此不再赘述。
在一个示例中，根据公式(22)和公式(23)求得旋转矩阵R和平移矩阵T后，根据第一模型和第二模型的相似度计算目标形变量时，公式(9)中的SSD也可以满足公式(25)。
一种可能的实现方式中，可以根据目标的易损性确定目标的感兴趣区域，将感兴趣区域作为形变量检测区域，并确定目标形变量检测区域的形变量，将目标形变量检测区域的形变量作为该目标的形变量。举例来说，假设目标为车辆，则车辆可以包括发动机、轮胎、车窗、车门等区域。假设根据车辆的易损性可以确定车辆的感兴趣区域为发动机区域，则可以将发动机区域作为形变量检测区域，通过形变量确定方法确定发动机区域的形变量，并将发动机区域的形变量作为车辆的形变量。
S1407，确定目标的形变等级。
根据目标的形变量可以确定目标的形变等级。
在一个示例中，可以通过设置阈值，将形变等级分为高和低，形变量大于该阈值的形变等级为高，形变量小于或等于该阈值的形变等级为低。
在另一个示例中，可以在服务器中预先存储预设的形变等级与形变量之间的对应关系，可以根据确定的形变量确定该形变量对应的形变等级。
基于上述方法的同一构思，参见图15，为本申请实施例提供的一种形变量确定装置1500，装置1500能够执行上述方法中的各个步骤，为了避免重复，此处不再详述。该装置1500包括获取单元1501和处理单元1502。在一种场景下：
处理单元1502，用于执行下述处理：
根据目标发生形变前的图像建立第一模型；以及根据所述目标发生形变后的图像建立第二模型，其中所述第一模型和所述第二模型为包括多个三角面片的三角网格模型；将所述第一模型和所述第二模型映射到同一坐标系中；针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点；针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离；根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，并根据各所述第二最小距离确定所述目标的形变量。
一种可能的实现方式中，所述处理单元1502针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点时，用于：针对所述第二模型中的任意一个三角面片，根据所述任意一个三角面片的三个顶点，确定一个平面；针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各所述平面进行投影，确定所述多个投影点。
一种可能的实现方式中，所述处理单元1502针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离时，用于：针对任意一个投影点，若所述投影点在所述三角面片的外部，则分别确定所述第一顶点与所述三角面片的三个顶点之间的距离；将确定的距离中的最小值作为所述第一顶点与所述三角面片之间的第一最小距离；针对任意一个投影点，若所述投影点在所述三角面片的内部，则将所述第一顶点与所述投影点之间的距离作为所述第一顶点与所述三角面片的第一最小距离。
一种可能的实现方式中，所述处理单元1502根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离时，用于：针对任意一个三角面片，根据所述第一顶点与所述任意一个三角面片之间的第一最小距离，确定所述任意一个三角面片中所述第一顶点的最近点的坐标；根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离。
一种可能的实现方式中，所述处理单元1502根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离时，用于：对所述最近点进行多轮选择，并将每轮选择的所述最近点加入k维树，直到所有所述最近点都加入为止；其中每轮选择执行下列过程：将本轮的目标节点、所述目标节点对应的左子节点和所述目标节点对应的右子节点加入所述k维树；其中，所述本轮的目标节点是根据第一分裂维的坐标值确定的，所述第一分裂维是根据包括所述目标节点、所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的，所述目标节点对应的左子节点和所述目标节点对应的右子节点均是根据第二分裂维的坐标值确定的，所述左子节点的第一分裂维的坐标值小于或等于所述目标节点的第一分裂维的坐标值，所述右子节点的第一分裂维的坐标值大于所述目标节点的第一分裂维的坐标值，所述第二分裂维是根据包括所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的；在所述最近点都加入k维树后，根据各分裂维的坐标值确定所述第一顶点在所述k维树中的搜索路径以及所述搜索路径上的叶子节点；所述搜索路径包括从所述k维树的根节点到所述k维树的叶子节点的路径；根据所述搜索路径确定所述叶子节点的父节点；根据所述叶子结点与所述第一顶点之间的距离，以及所述父节点与所述第一顶点之间的距离确定所述第一顶点与所述第二模型之间的所述第二最小距离。
一种可能的实现方式中，所述处理单元1502根据确定的各所述第二最小距离确定所述目标的形变量时，用于：确定各所述第二最小距离的最大值为所述目标的形变量；或根据预设的相似度与形变量的对应关系，确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量；或确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量和各所述第二最小距离中的最大值加权求和的结果为所述目标的形变量；其中，所述第一模型与所述第二模型的相似度是根据各所述第二最小距离确定的。
一种可能的实现方式中，所述处理单元1502根据目标发生形变前的图像建立第一模型时，所述获取单元1501，用于获取在空中对发生形变前的所述目标拍摄的第一图像和在地面对发生形变前的所述目标拍摄的第二图像；所述处理单元1502，用于对所述第一图像与所述第二图像进行坐标变换，确定所述第一图像与所述第二图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第一模型。
一种可能的实现方式中，所述处理单元1502根据所述目标发生形变后的图像建立第二模型，所述获取单元1501，用于获取在空中对发生形变后的所述目标拍摄的第三图像和在地面对发生形变后的所述目标拍摄的第四图像；所述处理单元1502，用于对所述第三图像与所述第四图像进行坐标变换，确定所述第三图像与所述第四图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第二模型。
基于上述方法的同一构思，参见图16，为本申请实施例提供电子设备，该电子设备包括处理器1601和存储器1602。存储器1602，用于存储计算机指令，处理器1601，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现上述任一方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行上述任一方法的步骤。
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。
虽然以上描述了本申请的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本申请的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本申请的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本申请的保护范围。尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (18)
1.一种形变量确定方法，其特征在于，包括：
根据目标发生形变前的图像建立第一模型；以及根据所述目标发生形变后的图像建立第二模型，其中所述第一模型和所述第二模型为包括多个三角面片的三角网格模型；
将所述第一模型和所述第二模型映射到同一坐标系中；
针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点；
针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离；
根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，并根据各所述第二最小距离确定所述目标的形变量。
2.根据权利要求1所述的方法，其特征在于，所述针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点，包括：
针对所述第二模型中的任意一个三角面片，根据所述任意一个三角面片的三个顶点，确定一个平面；
针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各所述平面进行投影，确定所述多个投影点。
3.根据权利要求1所述的方法，其特征在于，所述针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离，包括：
针对任意一个投影点，若所述投影点在所述三角面片的外部，则分别确定所述第一顶点与所述三角面片的三个顶点之间的距离；
将确定的距离中的最小值作为所述第一顶点与所述三角面片之间的第一最小距离；
针对任意一个投影点，若所述投影点在所述三角面片的内部，则将所述第一顶点与所述投影点之间的距离作为所述第一顶点与所述三角面片的第一最小距离。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，包括：
针对任意一个三角面片，根据所述第一顶点与所述任意一个三角面片之间的第一最小距离，确定所述任意一个三角面片中所述第一顶点的最近点的坐标；
根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离。
5.根据权利要求4所述的方法，其特征在于，所述根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离，包括：
对所述最近点进行多轮选择，并将每轮选择的所述最近点加入k维树，直到所有所述最近点都加入为止；其中每轮选择执行下列过程：
将本轮的目标节点、所述目标节点对应的左子节点和所述目标节点对应的右子节点加入所述k维树；其中，所述本轮的目标节点是根据第一分裂维的坐标值确定的，所述第一分裂维是根据包括所述目标节点、所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的，所述目标节点对应的左子节点和所述目标节点对应的右子节点均是根据第二分裂维的坐标值确定的，所述左子节点的第一分裂维的坐标值小于或等于所述目标节点的第一分裂维的坐标值，所述右子节点的第一分裂维的坐标值大于所述目标节点的第一分裂维的坐标值，所述第二分裂维是根据包括所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的；
在所述最近点都加入k维树后，根据各分裂维的坐标值确定所述第一顶点在所述k维树中的搜索路径以及所述搜索路径上的叶子节点；所述搜索路径包括从所述k维树的根节点到所述k维树的叶子节点的路径；
根据所述搜索路径确定所述叶子节点的父节点；
根据所述叶子结点与所述第一顶点之间的距离，以及所述父节点与所述第一顶点之间的距离确定所述第一顶点与所述第二模型之间的所述第二最小距离。
6.根据权利要求1所述的方法，其特征在于，所述根据确定的各所述第二最小距离确定所述目标的形变量，包括：
确定各所述第二最小距离的最大值为所述目标的形变量；或
根据预设的相似度与形变量的对应关系，确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量；或
确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量和各所述第二最小距离中的最大值加权求和的结果为所述目标的形变量；
其中，所述第一模型与所述第二模型的相似度是根据各所述第二最小距离确定的。
7.根据权利要求1-6任一所述的方法，其特征在于，所述根据目标发生形变前的图像建立第一模型，包括：
获取在空中对发生形变前的所述目标拍摄的第一图像和在地面对发生形变前的所述目标拍摄的第二图像；
对所述第一图像与所述第二图像进行坐标变换，确定所述第一图像与所述第二图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；
根据所述坐标建立所述第一模型。
8.根据权利要求1-6任一所述的方法，其特征在于，所述根据所述目标发生形变后的图像建立第二模型，包括：
获取在空中对发生形变后的所述目标拍摄的第三图像和在地面对发生形变后的所述目标拍摄的第四图像；
对所述第三图像与所述第四图像进行坐标变换，确定所述第三图像与所述第四图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；
根据所述坐标建立所述第二模型。
9.一种形变量确定装置，其特征在于，包括：
处理单元，用于根据目标发生形变前的图像建立第一模型；以及根据所述目标发生形变后的图像建立第二模型，其中所述第一模型和所述第二模型为包括多个三角面片的三角网格模型；
将所述第一模型和所述第二模型映射到同一坐标系中；
针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点；
针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离；
根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离，并根据各所述第二最小距离确定所述目标的形变量。
10.根据权利要求9所述的装置，其特征在于，所述处理单元针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各三角面片进行投影，确定多个投影点时，用于：
针对所述第二模型中的任意一个三角面片，根据所述任意一个三角面片的三个顶点，确定一个平面；
针对所述第一模型中任意一个第一顶点，将所述任意一个第一顶点分别向所述第二模型中的各所述平面进行投影，确定所述多个投影点。
11.根据权利要求9所述的装置，其特征在于，所述处理单元针对任意一个投影点，基于所述任意一个投影点的位置确定所述第一顶点与所述任意一个投影点所在的三角面片之间的第一最小距离时，用于：
针对任意一个投影点，若所述投影点在所述三角面片的外部，则分别确定所述第一顶点与所述三角面片的三个顶点之间的距离；
将确定的距离中的最小值作为所述第一顶点与所述三角面片之间的第一最小距离；
针对任意一个投影点，若所述投影点在所述三角面片的内部，则将所述第一顶点与所述投影点之间的距离作为所述第一顶点与所述三角面片的第一最小距离。
12.根据权利要求9所述的装置，其特征在于，所述处理单元根据各所述第一最小距离确定所述第一顶点与所述第二模型之间的第二最小距离时，用于：
针对任意一个三角面片，根据所述第一顶点与所述任意一个三角面片之间的第一最小距离，确定所述任意一个三角面片中所述第一顶点的最近点的坐标；
根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离。
13.根据权利要求12所述的装置，其特征在于，所述处理单元根据各所述最近点的坐标确定所述第一顶点与所述第二模型之间的第二最小距离时，用于：
对所述最近点进行多轮选择，并将每轮选择的所述最近点加入k维树，直到所有所述最近点都加入为止；其中每轮选择执行下列过程：
将本轮的目标节点、所述目标节点对应的左子节点和所述目标节点对应的右子节点加入所述k维树；其中，所述本轮的目标节点是根据第一分裂维的坐标值确定的，所述第一分裂维是根据包括所述目标节点、所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的，所述目标节点对应的左子节点和所述目标节点对应的右子节点均是根据第二分裂维的坐标值确定的，所述左子节点的第一分裂维的坐标值小于或等于所述目标节点的第一分裂维的坐标值，所述右子节点的第一分裂维的坐标值大于所述目标节点的第一分裂维的坐标值，所述第二分裂维是根据包括所述左子节点和所述右子节点在内的未加入k维树的各最近点中各坐标维度的坐标值的方差确定的；
在所述最近点都加入k维树后，根据各分裂维的坐标值确定所述第一顶点在所述k维树中的搜索路径以及所述搜索路径上的叶子节点；所述搜索路径包括从所述k维树的根节点到所述k维树的叶子节点的路径；
根据所述搜索路径确定所述叶子节点的父节点；
根据所述叶子结点与所述第一顶点之间的距离，以及所述父节点与所述第一顶点之间的距离确定所述第一顶点与所述第二模型之间的所述第二最小距离。
14.根据权利要求9所述的装置，其特征在于，所述处理单元根据确定的各所述第二最小距离确定所述目标的形变量时，用于：
确定各所述第二最小距离的最大值为所述目标的形变量；或
根据预设的相似度与形变量的对应关系，确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量；或
确定所述第一模型与所述第二模型的相似度对应的所述目标的形变量和各所述第二最小距离中的最大值加权求和的结果为所述目标的形变量；
其中，所述第一模型与所述第二模型的相似度是根据各所述第二最小距离确定的。
15.根据权利要求9-14任一所述的装置，其特征在于，所述处理单元根据目标发生形变前的图像建立第一模型时，所述获取单元，用于获取在空中对发生形变前的所述目标拍摄的第一图像和在地面对发生形变前的所述目标拍摄的第二图像；
所述处理单元，用于对所述第一图像与所述第二图像进行坐标变换，确定所述第一图像与所述第二图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第一模型。
16.根据权利要求9-14任一所述的装置，其特征在于，所述处理单元根据所述目标发生形变后的图像建立第二模型，所述获取单元，用于获取在空中对发生形变后的所述目标拍摄的第三图像和在地面对发生形变后的所述目标拍摄的第四图像；
所述处理单元，用于对所述第三图像与所述第四图像进行坐标变换，确定所述第三图像与所述第四图像中各个像素点在世界坐标系中的坐标；所述世界坐标系为在实际环境中描述所述目标与摄像设备的参考坐标系；根据所述坐标建立所述第二模型。
17.一种电子设备，其特征在于，包括：
存储器，用于存储计算机指令；
处理器，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质，其特征在于，包括：
所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210816667.3A CN115375748A (zh) | 2022-07-12 | 2022-07-12 | 一种形变量确定方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210816667.3A CN115375748A (zh) | 2022-07-12 | 2022-07-12 | 一种形变量确定方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115375748A true CN115375748A (zh) | 2022-11-22 |
Family
ID=84061602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210816667.3A Withdrawn CN115375748A (zh) | 2022-07-12 | 2022-07-12 | 一种形变量确定方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115375748A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014228941A (ja) * | 2013-05-20 | 2014-12-08 | 株式会社日立製作所 | 地表面３次元サーフェス形状計測装置、走行可能領域検出装置およびそれを搭載した建設機械並びに走行可能領域検出方法 |
| CN106934822A (zh) * | 2017-03-13 | 2017-07-07 | 浙江优迈德智能装备有限公司 | 一种基于线性混合形变的汽车工件非刚体三维点云配准方法 |
| CN112200915A (zh) * | 2020-10-30 | 2021-01-08 | 西安工业大学 | 一种基于靶标三维模型纹理影像的前后形变量检测方法 |
-
2022
- 2022-07-12 CN CN202210816667.3A patent/CN115375748A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014228941A (ja) * | 2013-05-20 | 2014-12-08 | 株式会社日立製作所 | 地表面３次元サーフェス形状計測装置、走行可能領域検出装置およびそれを搭載した建設機械並びに走行可能領域検出方法 |
| CN106934822A (zh) * | 2017-03-13 | 2017-07-07 | 浙江优迈德智能装备有限公司 | 一种基于线性混合形变的汽车工件非刚体三维点云配准方法 |
| CN112200915A (zh) * | 2020-10-30 | 2021-01-08 | 西安工业大学 | 一种基于靶标三维模型纹理影像的前后形变量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070615B (zh) | 一种基于多相机协同的全景视觉slam方法 | |
| CN108648240B (zh) | 基于点云特征地图配准的无重叠视场相机姿态标定方法 | |
| CN110568447B (zh) | 视觉定位的方法、装置及计算机可读介质 | |
| CN110296691B (zh) | 融合imu标定的双目立体视觉测量方法与系统 | |
| CN109658461B (zh) | 一种基于虚拟仿真环境的合作二维码的无人机定位方法 | |
| CN112444242B (zh) | 一种位姿优化方法及装置 | |
| CN113592989B (zh) | 一种三维场景的重建系统、方法、设备及存储介质 | |
| EP3678095B1 (en) | Determination of position from images and associated camera positions | |
| US9799139B2 (en) | Accurate image alignment to a 3D model | |
| CN109255808B (zh) | 基于倾斜影像的建筑物纹理提取方法和装置 | |
| Gee et al. | Lidar guided stereo simultaneous localization and mapping (SLAM) for UAV outdoor 3-D scene reconstruction | |
| EP2022007A2 (en) | System and architecture for automatic image registration | |
| CN113850126A (zh) | 一种基于无人机的目标检测和三维定位方法和系统 | |
| CN109613974B (zh) | 一种大场景下的ar家居体验方法 | |
| Frohlich et al. | Absolute pose estimation of central cameras using planar regions | |
| CN109214254B (zh) | 一种确定机器人位移的方法及装置 | |
| CN108801225B (zh) | 一种无人机倾斜影像定位方法、系统、介质及设备 | |
| CN117197333A (zh) | 基于多目视觉的空间目标重构与位姿估计方法及系统 | |
| CN104166995B (zh) | 一种基于马步测度的Harris‑SIFT双目视觉定位方法 | |
| Pavan et al. | A global closed-form refinement for consistent TLS data registration | |
| 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 | |
| Ventura et al. | Structure and motion in urban environments using upright panoramas | |
| Shahid et al. | Fast 3D Mapping Solution with UAV | |
| CN112146647B (zh) | 一种地面纹理的双目视觉定位方法及芯片 | |
| CN115375748A (zh) | 一种形变量确定方法、装置及电子设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221122 |