CN116012699A - 一种室内场景点云数据的矢量化骨架提取方法及系统 - Google Patents
一种室内场景点云数据的矢量化骨架提取方法及系统 Download PDFInfo
- Publication number
- CN116012699A CN116012699A CN202310132560.1A CN202310132560A CN116012699A CN 116012699 A CN116012699 A CN 116012699A CN 202310132560 A CN202310132560 A CN 202310132560A CN 116012699 A CN116012699 A CN 116012699A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- skeleton
- edge
- points
- vectorization
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种室内场景点云数据的矢量化骨架提取方法及系统,该方法步骤包括:S1.获取室内环境下点云数据、深度图数据以及不同方向的可见光图像数据;S2.分别对点云数据以及可见光图像数据进行边缘点提取,以及对深度图数据进行深度区间划分并构建深度分布掩膜;S3.根据深度分布掩膜以及点云边缘点集构建稀疏图结构以提取出点云稀疏矢量化骨架,以及根据深度分布掩膜以及可见光图像边缘点集构建稠密图结构以提取出稠密矢量化骨架;S4.将点云稀疏矢量化骨架、稠密矢量化骨架融合构建形成最终的完整矢量化骨架。本发明具有实现方法简单、成本高、提取准确度与效率高且鲁棒性强等优点。
Description
技术领域
本发明涉及,尤其涉及一种室内场景点云数据的矢量化骨架提取方法及系统。
背景技术
在点云简化任务中,需要对稠密点云进行骨架架构提取,以作为轻量化的中间模态用于理解、渲染等理解和操作。为实现点云骨架提取,现有技术中通常采用以下两种方式:
1)基于语义的点云骨架化方法:该通过在点云上进行上采样,即输入一个点云,输出一个更密的点云,且它落在输入点云隐含的几何体(比如表面)上。即基于语义的点云骨架化方法是通过学习到每个点多个粒度(从局部到全局)下的特征,再在特征空间中缩小点集,最后将缩小的点集映射回三维,以实现点云骨架化。
2)基于几何的点云骨架化方法:通过对点的边缘特征或者knn方式进行提取,将具有类似特征的或者位于同一个区域内的点聚合成一个点,形成点数稀疏的点云骨架。
但是上述基于语义的点云骨架化方法与基于几何的点云骨架化方法,均需要依赖于复杂的对象建模过程,且对语义或者模型本身的几何形状等的先验性需求较高,即必须要预先获取语义或者模型本身的几何形状等先验信息,而在实际应用中,点云采集的时间通常较短且环境受限,就难以获得完整、准确的语义或者几何形状等的先验信息,使得对点云进行稠密化进行建模时缺乏准确性和鲁棒性。同时在室内场景下采集的点云数据量通常较大,而计算资源往往非常有限,无法满足几何下采样的计算需求,使得在室内环境下难以实现精准、快速的点云骨架提取。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、成本高、提取准确度与效率高且鲁棒性强的室内场景点云数据的矢量化骨架提取方法及系统,能够适用于室内封闭环境下实现快速、精准的场景点云数据矢量化骨架提取。
为解决上述技术问题,本发明提出的技术方案为:
一种室内场景点云数据的矢量化骨架提取方法,步骤包括:
步骤S1.获取在指定室内场景下同一位置采集的点云数据、深度图数据以及不同方向的可见光图像数据;
步骤S2.分别对点云数据以及可见光图像数据进行边缘点提取得到点云边缘点集与可见光图像边缘点集,以及对深度图数据进行深度区间划分并根据所述深度图区间的分布构建深度分布掩膜;
步骤S3.根据所述深度分布掩膜以及所述点云边缘点集构建稀疏图结构以提取出点云稀疏矢量化骨架,以及根据所述深度分布掩膜以及所述可见光图像边缘点集构建稠密图结构以提取出稠密矢量化骨架;
步骤S4.根据深度区间的所述深度分布掩膜以及所述点云稀疏矢量化骨架、稠密矢量化骨架构建形成最终的完整矢量化骨架。
进一步的,所述步骤S2中,对点云数据进行边缘点提取包括:计算点云数据中每个点与其余点之间的距离,当目标点与其余点之间的距离最小值大于第一预设阈值,则标记目标点为边缘点,由所有标记得到的边缘点构成所述点云边缘点集;对可见光图像数据进行边缘点提取包括:计算可见光图像数据中每个像素点的颜色值与周边各像素之间的距离,当目标像素点的颜色值与周边各像素之间的距离最小值大于第二预设阈值时,则标记目标像素点为边缘点,由所有标记得到的边缘点构成所述可见光图像边缘点集。
进一步的,所述步骤S3包括:将深度图数据对应的最大深度范围均匀划分为k个区间,每个区间内的像素点属于同一个分类,根据各个分类内像素点的个数占全部像素点的比例构建对应的所述深度分布掩膜。
进一步的,所述步骤S3中,根据所述深度分布掩膜以及所述点云边缘点集构建稀疏图结构包括:使用所述点云边缘点集中每个边缘点的三维空间坐标的矢量化构建图结构中的顶点,根据对应边缘点的第一点间最小距离与对应深度分布掩膜之间的大小关系设置图结构中每条边的值,得到点云稀疏图结构,所述第一点间最小距离为当前边缘点与其余边缘点之间的最小距离。
进一步的,所述点云稀疏图结构中每条边的值为对应边缘点的第一点间最小距离与对应深度分布掩膜之间的比例值。
进一步的,所述步骤S3中,根据所述深度分布掩膜以及所述可见光图像边缘点集构建稠密图结构包括:根据所述可见光图像边缘点集中每个像素点得到的位置坐标矢量化表示构成图结构的顶点,根据对应边缘点的第二点间最小距离与对应深度分布掩膜之间的大小关系设置图结构中每条边的值,得到图像稠密矢量化图结构,所述第二点间最小距离为当前边缘点在图像中与相邻点多个点的颜色值的平均值与其余点之间的最小距离。
进一步的,所述图像稠密矢量化图结构中,根据所述可见光图像边缘点集中每个像素点在图像数据中相邻多个点的位置坐标的矢量化表示构成顶点,每个边的值为对应边缘点的第二点间距离与对应深度分布掩膜之间的比例值。
进一步的,所述步骤S04包括:将点云稀疏矢量化骨架Mask(Gp)和稠密矢量化骨架Mask(Gi)按照式G=(Mask(Gp)+Mask(Gi))进行封闭矢量化融合,得到最终的完整矢量化骨架G,其中Mask为所述深度分布掩膜。
一种室内场景点云数据的矢量化骨架提取系统,包括:
数据获取模块,用于获取在指定室内场景下同一位置采集的点云数据、深度图数据以及不同方向的可见光图像数据;
数据处理模块,用于分别对点云数据以及可见光图像数据进行边缘点提取得到点云边缘点集与可见光图像边缘点集,以及对深度图数据进行深度区间划分并根据所述深度图区间的分布构建深度分布掩膜;
骨架提取模块,用于根据所述深度分布掩膜以及所述点云边缘点集构建稀疏图结构以提取出点云稀疏矢量化骨架,以及根据所述深度分布掩膜以及所述可见光图像边缘点集构建稠密图结构以提取出稠密矢量化骨架;
骨架融合模块,用于将所述点云稀疏矢量化骨架、稠密矢量化骨架构建形成最终的完整矢量化骨架。
一种室内场景点云数据的矢量化骨架提取系统,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序以执行如上述方法。
与现有技术相比,本发明的优点在于:本发明针对于室内场景下点云骨架提取,通过分别提取点云、可见光图像与深度图三种数据,再分别对点云、可见光图像数据进行边缘点提取,对深度图数据则利用深度分布构建深度分布掩膜,利用图结构融合深度分布掩膜与点云、可见光图像数据的边缘点实现稀疏点云骨架、图像稠密矢量化骨架的提取,进而结合深度区间掩膜将点云稀疏矢量化骨架、稠密矢量化骨架进行融合得到完整骨架,能够基于可见光和深度图实现对室内封闭空间的高密度三维点云的快速骨架提取,同时由于采用点云数据矢量化表示的图结构形式,还可以有效降低方法的运算量,实现低功耗点云骨架提取。
附图说明
图1是本实施例室内场景点云数据的矢量化骨架提取方法的实现流程示意图。
图2是本实施例室内场景点云数据的矢量化骨架提取装置的结构原理示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
由于室内环境为封闭且范围较小的环境,因而便于采集深度图像,本发明针对于室内场景点云数据的骨架提取,通过充分利用深度图数据以及可见光图像数据辅助进行骨架提取,同时利用深度图数据基于图结构进行稀疏点云与稠密图像矢量化骨架的提取,利用点云稀疏矢量化骨架提供几何结构和分布指导,由稠密矢量化骨架提供语义指导,使得最终可以得到包含几何结构、分布以及语义信息指导的完整矢量化骨架,可以有效提高室内场景的采集精度以及效率。如图1所示,本实施例室内场景点云数据的矢量化骨架提取方法的详细步骤包括:
步骤S1.数据获取:获取在指定室内场景下同一位置采集的点云数据、深度图数据以及不同方向的可见光图像数据。
在本实施例中,室内场景即为封闭、非开放式的环境。
在本实施例中,在室内场景下同一位置分别采集点云数据、深度图数据以及不同方向的可见光图像数据三种数据。对采集获得的点云数据记作P,对采集获得的多视角可见光数据记作I1,I2,...,In,对采集获得的多视角深度图数据记作D1,D2,...,Dn。进一步统计采集到封闭室内场景点云数据P的点数,对该数据尺寸记为N×3;对采集到的可见光数据I进行分辨率测量,记为HI×WI;对采集到的深度图数据D进行分辨率测量,记为HD×WD。
步骤S2.数据处理:分别对点云数据以及可见光图像数据进行边缘点提取得到点云边缘点集与可见光图像边缘点集,以及对深度图数据进行深度区间划分并根据深度图区间的分布构建深度分布掩膜。
在本实施例中,对点云数据进行边缘点提取具体步骤包括:计算点云数据中每个点与其余点之间的距离,当目标点与其余点之间的距离最小值大于第一预设阈值,则标记目标点为边缘点,由所有标记得到的边缘点构成点云边缘点集。
在本实施例中,对可见光图像数据进行边缘点提取的具体步骤包括:计算可见光图像数据中每个像素点的颜色值与周边各像素之间的距离,当目标像素点的颜色值与周边各像素之间的距离最小值大于第二预设阈值时,则标记目标像素点为边缘点,由所有标记得到的边缘点构成可见光图像边缘点集。
具体的,对采集到的尺寸为N×3的点云数据P进行边缘点提取时,即对每个点的(x,y,z)坐标,计算与其余N-1个点的欧式距离,当存在目标点与其余N-1个点的距离最小值大于阈值δP时,标记该目标点为边缘点,将全部边缘点组成的点云集记作Pe,其尺寸为m×3。
对采集到的尺寸为H×W的全景图像I进行边缘点提取时,对每个像素点的颜色值(r,g,b)和周边24个像素的进行欧氏距离计算,当存在目标像素点与周边24个点的像素距离最小值大于阈值δI时,标记该目标像素点为边缘点,将全部边缘像素点组成的图像点集记作Ie,其尺寸为i×j。
在本实施例中,对深度图数据处理时,通过将深度图数据对应的最大深度范围均匀划分为k个区间,每个区间内的像素点属于同一个分类,根据各个分类内像素点的个数占全部像素点的比例构建对应的深度分布掩膜。
具体的,通过对深度图中的深度值分布进行分类,分类依据为深度图数据中每个像素点的深度图对应的数值,将该深度图对应的最大深度范围均匀划分为k个区间,每个区间内的像素点属于同一个分类,根据不同区间内像素点的个数占全部像素点的比例,构建一个深度分布掩膜,记为Mask。
步骤S3.根据深度分布掩膜以及点云边缘点集构建稀疏图结构以提取出点云稀疏矢量化骨架,以及根据深度分布掩膜以及可见光图像边缘点集构建稠密图结构以提取出稠密矢量化骨架。
在本实施例中,根据深度分布掩膜以及点云边缘点集构建稀疏图结构的具体步骤包括:使用点云边缘点集中每个边缘点的三维空间坐标的矢量化构建图结构中的顶点,根据对应边缘点的第一点间最小距离与对应深度分布掩膜之间的大小关系设置图结构中每条边的值,得到点云稀疏图结构,第一点间最小距离为当前边缘点与其余边缘点之间的最小距离。优选的,点云稀疏图结构中每条边的值具体为对应边缘点的第一点间最小距离与对应深度分布掩膜之间的比例值。
在本实例中,根据深度分布掩膜以及可见光图像边缘点集构建稠密图结构的具体步骤包括:根据可见光图像边缘点集中每个像素点得到的位置坐标矢量化表示构成图结构的顶点,根据对应边缘点的第二点间最小距离与对应深度分布掩膜之间的大小关系设置图结构中每条边的值,得到图像稠密矢量化图结构,第二点间最小距离为当前边缘点在图像中与相邻点多个点的颜色值的平均值与其余点之间的最小距离。
优选的,图像稠密矢量化图结构中,具体根据可见光图像边缘点集中每个像素点在图像数据中相邻25个点的位置坐标的矢量化表示构成顶点,每个边的值为对应边缘点的第二点间距离与对应深度分布掩膜之间的比例值。
具体的,根据提取获得尺寸为m×3的边缘点云集Pe构建图结构G=(V,e),其中V表示顶点,每个顶点为点云集中的每个边缘点的三维空间坐标(x,y,z)的矢量化表示,E为边,每个边的值(权重系数)为该边缘点在全部点云数据P中和其他点之间的最小欧氏距离与对应Mask中的比例值,以此方式构建了一个稀疏图结构Mask(Gp);根据尺寸为i×j的全部边缘像素点组成的图像点集Ie,对于图像点集Ie中的每个像素点,构建图结构G=(V,E),其中V表示顶点,每个顶点选取其在原始图像数据I中相邻的25个点的位置坐标(x,y)的矢量化表示,E为边,每个边的值(权重系数)为该边缘点在原始图像数据中相邻25个点的颜色值(r,g,b)的平均值和其他点之间的最小欧氏距离与对应Mask中的比例值,以此方式构建了一个稠密图结构Mask(Gi)。通过上述步骤构建得到的稠密图结构Mask(Gi),可以对室内场景下的可见光图像的边缘结构进行提取,以为骨架提取提供基于语义的指导。
步骤S4.根据深度区间的深度分布掩膜以及点云稀疏矢量化骨架、稠密矢量化骨架构建形成最终的完整矢量化骨架。
在本实施例中,将点云稀疏矢量化骨架Mask(Gp)和稠密矢量化骨架Mask(Gi)按照式G=(Mask(Gp)+Mask(Gi))进行封闭矢量化融合,得到最终的完整矢量化骨架G,其中由点云稀疏矢量化骨架Mask(Gp)提供几何结构和分布指导,由稠密矢量化骨架Mask(Gi)提供语义指导,使得最终可以得到包含几何结构、分布以及语义信息指导的完整矢量化骨架。
本实施例针对于室内场景下点云骨架提取,通过分别提取点云、可见光图像与深度图三种数据,再分别对点云、可见光图像数据进行边缘点提取,对深度图数据则利用深度分布构建深度分布掩膜,利用图结构融合深度分布掩膜与点云、可见光图像数据的边缘点实现稀疏点云骨架、图像稠密矢量化骨架的提取,进而结合将点云稀疏矢量化骨架、稠密矢量化骨架进行融合得到完整骨架,能够基于可见光和深度图实现对室内封闭空间的高密度三维点云的快速骨架提取,有效提高室内场景下提取精度,同时由于采用点云数据矢量化表示的图结构形式,还可以有效降低方法的运算量,实现低功耗点云骨架提取。
如图2所示,本实施例室内场景点云数据的矢量化骨架提取系统包括:
数据获取模块,用于获取在指定室内场景下同一位置采集的点云数据、深度图数据以及不同方向的可见光图像数据;
数据处理模块,用于分别对点云数据以及可见光图像数据进行边缘点提取得到点云边缘点集与可见光图像边缘点集,以及对深度图数据进行深度区间划分并根据深度图区间的分布构建深度分布掩膜;
骨架提取模块,用于根据深度分布掩膜以及点云边缘点集构建稀疏图结构以提取出点云稀疏矢量化骨架,以及根据深度分布掩膜以及可见光图像边缘点集构建稠密图结构以提取出稠密矢量化骨架;
骨架融合模块,用于将点云稀疏矢量化骨架、稠密矢量化骨架构建形成最终的完整矢量化骨架。
在本实施例中,数据处理模块包括用于对点云数据进行边缘点提取的点云边缘点提取单元,以及用于对可见光图像数据分别进行边缘点提取的图像边缘点提取单元以及对深度图像数据进行深度区间划分并根据深度图区间的分布构建深度分布掩膜的深度图处理单元。骨架提取模块包括用于使用深度分布掩膜与点云边缘点集构建稀疏图结构得到点云稀疏骨架的点云骨架提取单元,以及用于使用深度分布掩膜与图像边缘点集构建稠密图结构得到图像稠密矢量化骨架的图像骨架提取单元。
本实施例室内场景点云数据的矢量化骨架提取系统与上述室内场景点云数据的矢量化骨架提取方法为一一对应,在此不再一一赘述。
在另一实施例中,本发明室内场景点云数据的矢量化骨架提取系统还可以为:包括处理器以及存储器,存储器用于存储计算机程序,处理器用于执行计算机程序以执行如上述方法。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种室内场景点云数据的矢量化骨架提取方法,其特征在于,步骤包括:
步骤S1.获取在指定室内场景下同一位置采集的点云数据、深度图数据以及不同方向的可见光图像数据;
步骤S2.分别对点云数据以及可见光图像数据进行边缘点提取得到点云边缘点集与可见光图像边缘点集,以及对深度图数据进行深度区间划分并根据所述深度图区间的分布构建深度分布掩膜;
步骤S3.根据所述深度分布掩膜以及所述点云边缘点集构建稀疏图结构以提取出点云稀疏矢量化骨架,以及根据所述深度分布掩膜以及所述可见光图像边缘点集构建稠密图结构以提取出稠密矢量化骨架;
步骤S4.将所述点云稀疏矢量化骨架、稠密矢量化骨架融合构建形成最终的完整矢量化骨架。
2.根据权利要求1所述的室内场景点云数据的矢量化骨架提取方法,其特征在于,所述步骤S2中,对点云数据进行边缘点提取包括:计算点云数据中每个点与其余点之间的距离,当目标点与其余点之间的距离最小值大于第一预设阈值,则标记目标点为边缘点,由所有标记得到的边缘点构成所述点云边缘点集;对可见光图像数据进行边缘点提取包括:计算可见光图像数据中每个像素点的颜色值与周边各像素之间的距离,当目标像素点的颜色值与周边各像素之间的距离最小值大于第二预设阈值时,则标记目标像素点为边缘点,由所有标记得到的边缘点构成所述可见光图像边缘点集。
3.根据权利要求1所述的室内场景点云数据的矢量化骨架提取方法,其特征在于,所述步骤S3包括:将深度图数据对应的最大深度范围均匀划分为k个区间,每个区间内的像素点属于同一个分类,根据各个分类内像素点的个数占全部像素点的比例构建对应的所述深度分布掩膜。
4.根据权利要求1所述的室内场景点云数据的矢量化骨架提取方法,其特征在于,所述步骤S3中,根据所述深度分布掩膜以及所述点云边缘点集构建稀疏图结构包括:使用所述点云边缘点集中每个边缘点的三维空间坐标的矢量化构建图结构中的顶点,根据对应边缘点的第一点间最小距离与对应深度分布掩膜之间的大小关系设置图结构中每条边的值,得到点云稀疏图结构,所述第一点间最小距离为当前边缘点与其余边缘点之间的最小距离。
5.根据权利要求4所述的室内场景点云数据的矢量化骨架提取方法,其特征在于,所述点云稀疏图结构中每条边的值为对应边缘点的第一点间最小距离与对应深度分布掩膜之间的比例值。
6.根据权利要求1~5中任意一项所述的室内场景点云数据的矢量化骨架提取方法,其特征在于,所述步骤S3中,根据所述深度分布掩膜以及所述可见光图像边缘点集构建稠密图结构包括:根据所述可见光图像边缘点集中每个像素点得到的位置坐标矢量化表示构成图结构的顶点,根据对应边缘点的第二点间最小距离与对应深度分布掩膜之间的大小关系设置图结构中每条边的值,得到图像稠密矢量化图结构,所述第二点间最小距离为当前边缘点在图像中与相邻点多个点的颜色值的平均值与其余点之间的最小距离。
7.根据权利要求6所述的室内场景点云数据的矢量化骨架提取方法,其特征在于,所述图像稠密矢量化图结构中,根据所述可见光图像边缘点集中每个像素点在图像数据中相邻多个点的位置坐标的矢量化表示构成顶点,每个边的值为对应边缘点的第二点间距离与对应深度分布掩膜之间的比例值。
8.根据权利要求1~5中任意一项所述的室内场景点云数据的矢量化骨架提取方法,其特征在于,所述步骤S04包括:将点云稀疏矢量化骨架Mask(p)和稠密矢量化骨架Mask(i)按照式G=((Gp)+ask(Gi))进行封闭矢量化融合,得到最终的完整矢量化骨架G,其中Mask为所述深度分布掩膜。
9.一种室内场景点云数据的矢量化骨架提取系统,其特征在于,包括:
数据获取模块,用于获取在指定室内场景下同一位置采集的点云数据、深度图数据以及不同方向的可见光图像数据;
数据处理模块,用于分别对点云数据以及可见光图像数据进行边缘点提取得到点云边缘点集与可见光图像边缘点集,以及对深度图数据进行深度区间划分并根据所述深度图区间的分布构建深度分布掩膜;
骨架提取模块,用于根据所述深度分布掩膜以及所述点云边缘点集构建稀疏图结构以提取出点云稀疏矢量化骨架,以及根据所述深度分布掩膜以及所述可见光图像边缘点集构建稠密图结构以提取出稠密矢量化骨架;
骨架融合模块,用于将所述点云稀疏矢量化骨架、稠密矢量化骨架构建形成最终的完整矢量化骨架。
10.一种室内场景点云数据的矢量化骨架提取系统,包括处理器以及存储器,所述存储器用于存储计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如权利要求1~8中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132560.1A CN116012699A (zh) | 2023-02-17 | 2023-02-17 | 一种室内场景点云数据的矢量化骨架提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132560.1A CN116012699A (zh) | 2023-02-17 | 2023-02-17 | 一种室内场景点云数据的矢量化骨架提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012699A true CN116012699A (zh) | 2023-04-25 |
Family
ID=86030311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132560.1A Pending CN116012699A (zh) | 2023-02-17 | 2023-02-17 | 一种室内场景点云数据的矢量化骨架提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012699A (zh) |
-
2023
- 2023-02-17 CN CN202310132560.1A patent/CN116012699A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458939B (zh) | 基于视角生成的室内场景建模方法 | |
Chen et al. | Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge | |
CN111243093B (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
CN108898676B (zh) | 一种虚实物体之间碰撞及遮挡检测方法及系统 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN108734728A (zh) | 一种基于高分辨序列图像的空间目标三维重构方法 | |
CN104134234A (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
CN113192200B (zh) | 一种基于空三并行计算算法的城市实景三维模型的构建方法 | |
CN107945217A (zh) | 一种适用于自动装配的图像特征点对快速筛选方法及系统 | |
CN112489099A (zh) | 点云配准方法、装置、存储介质及电子设备 | |
CN108010122B (zh) | 一种人体三维模型重建与测量的方法及系统 | |
CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN115937461A (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
CN117132737B (zh) | 一种三维建筑模型构建方法、系统及设备 | |
Yin et al. | Virtual reconstruction method of regional 3D image based on visual transmission effect | |
CN116310753A (zh) | 一种室外场景点云数据的矢量化骨架提取方法及系统 | |
CN115631317B (zh) | 隧道衬砌正射影像生成方法及装置、存储介质、终端 | |
CN116012699A (zh) | 一种室内场景点云数据的矢量化骨架提取方法及系统 | |
CN109118576A (zh) | 基于bds位置服务的大型场景三维重建系统及重建方法 | |
CN112002019B (zh) | 一种基于mr混合现实的模拟人物阴影的方法 | |
CN114677435A (zh) | 一种点云全景融合要素提取方法和系统 | |
CN114638866A (zh) | 一种基于局部特征学习的点云配准方法及系统 | |
Li et al. | Low-cost 3D building modeling via image processing | |
Hafeez et al. | Performance evaluation of patterns for image-based 3D model reconstruction of textureless objects | |
CN113177903B (zh) | 前景点云和背景点云的融合方法、系统及设备 |
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 |