CN116310753A - 一种室外场景点云数据的矢量化骨架提取方法及系统 - Google Patents
一种室外场景点云数据的矢量化骨架提取方法及系统 Download PDFInfo
- Publication number
- CN116310753A CN116310753A CN202310132598.9A CN202310132598A CN116310753A CN 116310753 A CN116310753 A CN 116310753A CN 202310132598 A CN202310132598 A CN 202310132598A CN 116310753 A CN116310753 A CN 116310753A
- Authority
- CN
- China
- Prior art keywords
- skeleton
- point cloud
- point
- edge
- sparse
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种室外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:S01.获取在室外场景下采集场景的点云数据以及全景图像数据;S02.对点云数据以及全景图像数据分别进行边缘点提取;S03.使用点云边缘点集构建稀疏图结构得到点云稀疏骨架,以及使用图像边缘点集构建稠密图结构得到图像稠密矢量化骨架;S04.对点云稀疏骨架与图像稠密矢量化骨架进行空间转换,得到变换后点云稀疏骨架、变换后图像稠密矢量化骨架;S05.将变换后点云稀疏骨架、变换后图像稠密矢量化骨架进行融合,得到所需提取的完整点云矢量化骨架。本发明无需依赖于几何形状先验信息,能够快速、精准的提取出点云数据的矢量化骨架。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种室外场景点云数据的矢量化骨架提取方法及系统。
背景技术
点云即为一个数据集,该数据集中的每个点代表一组X、Y、Z几何坐标和一个强度值,该强度值根据物体表面反射率记录返回信号的强度,当这些点组合在一起时,就会形成一个点云,即空间中代表3D形状或对象的数据点集合。点云可以自动上色,以实现更真实的可视化。
在实际应用中所获得的点云数据量通常较大,需要进行点云的简化。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
该类方法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
该类方法是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。
但是无论是基于语义的点云骨架化方法,还是基于几何的点云骨架化方法,现有技术中上述点云骨架提取方法会存在以下问题:
1、均需要依赖于复杂的对象建模过程,且对模型本身的几何形状先验性需求较高,而实际工况下,对于短时间和有限环境下扫描获得的初始点云就难以获得完整、准确的语义先验信息,致使对点云进行稠密化建模时精度不高且缺乏鲁棒性,因而实际点云骨架提取的精度并不高,且上述点云骨架提取方法的计算复杂度较高,需要耗费较多的计算资源;
2、由于室外环境为开阔环境,易于受环境的干扰影响,而在室外环境中采集深度图像的偏差较大,无法利用深度图像辅助进行骨架提取。
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,本发明提供一种无需依赖于几何形状先验信息,且实现方法简单、计算量小、提取精度以及效率高、鲁棒性强的室外场景点云数据的矢量化骨架提取方法及系统,能够适用于室外环境非封闭下实现快速、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:
一种室外场景点云数据的矢量化骨架提取方法,步骤包括:
步骤S01.获取在室外场景下采集场景的点云数据以及全景图像数据;
步骤S02.对所述点云数据以及全景图像数据分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
步骤S03.使用所述点云边缘点集构建稀疏图结构得到点云稀疏骨架,以及使用所述图像边缘点集构建稠密图结构得到图像稠密矢量化骨架;
步骤S04.对所述点云稀疏骨架与所述图像稠密矢量化骨架进行空间转换,得到变换后点云稀疏骨架、变换后图像稠密矢量化骨架;
步骤S05.将所述变换后点云稀疏骨架、变换后图像稠密矢量化骨架进行融合,得到所需提取的完整点云矢量化骨架。
进一步的,所述步骤S02中对点云数据进行边缘点提取时,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δP,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。
进一步的,所述步骤S02中对全景图像数据进行边缘点提取时,计算全景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δI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图像边缘点集。
进一步的,所述步骤S03中使用所述点云边缘点集构建稀疏图结构得到点云稀疏骨架包括:构建第一图结构Gp,且Gp=(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,每个边的值为对应边缘点在全部点云数据P中与其余点之间的最小欧氏距离,由构建的所述第一图结构Gp得到所述得到点云稀疏骨架。
进一步的,所述步骤S03中使用所述图像边缘点集构建稠密图结构得到图像稠密矢量化骨架包括:构建第二图结构Gi,且Gi=(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,每个边的值为对应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,由构建的第二图结构Gi得到所述图像稠密矢量化骨架。
进一步的,所述步骤S04中,通过使用点云数据与全景图像数据之间的变换参数旋转矩阵R和平移向量t,对所述点云稀疏骨架与所述图像稠密矢量化骨架进行空间转换,其中对所述点云稀疏骨架,按照Gp2=Gp+t得到变换后点云稀疏骨架Gp2,Gp表示变换前点云稀疏骨架,对所述图像稠密矢量化骨架按照Gi2=R*Gi+t得到变换后图像稠密矢量化骨架Gi2,Gi表示变换前图像稠密矢量化骨架。
进一步的,所述步骤S05包括:构建一个完整图结构G,其中顶点由变换后点云稀疏骨架、变换后图像稠密矢量化骨架的顶点组合构成,边由变换后点云稀疏骨架、变换后图像稠密矢量化骨架的边组合构成,由所述完整图结构G得到所需提取的完整点云矢量化骨架。
进一步的,所述完整图结构G中,顶点V具体按照V=Vp2+Vi2得到,Vp2为变换后点云稀疏骨架的顶点,Vi2为变换后图像稠密矢量化骨架的顶点,边E具体按照E=Ep2+Ei2得到,Ep2变换后点云稀疏骨架的边,Ei2为变换后图像稠密矢量化骨架的边。
一种室外场景点云数据的矢量化骨架提取系统,包括:
数据获取模块,用于获取在室外场景下采集场景的点云数据以及全景图像数据;
边缘点提取模块,用于对所述点云数据以及全景图像数据分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
骨架提取模块,用于使用所述点云边缘点集构建稀疏图结构得到点云稀疏骨架,以及使用所述图像边缘点集构建稠密图结构得到图像稠密矢量化骨架;
空间变换模块,用于对所述点云稀疏骨架与所述图像稠密矢量化骨架进行空间转换,得到变换后点云稀疏骨架、变换后图像稠密矢量化骨架;
骨架融合模块,用于将所述变换后点云稀疏骨架、变换后图像稠密矢量化骨架进行融合,得到所需提取的完整点云矢量化骨架。
一种室外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:本发明通过分别获取点云数据以及全景图像数据进行融合处理,可以提高最终输出的真实性和可理解性,同时结合图结构分别对点云、全景图像数据进行稀疏、稠密骨架构建,相比于传统直接将类似语义点聚合的方式,能够有效保留空间信息,从而确保骨架提取的精度,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,提高点云骨架提取的鲁棒性,无需依赖于模型几何形状等的先验信息,即可以基于图像实现对室外场景下高密度三维点云的快速、精准的骨架提取。
附图说明
图1是本实施例室外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是本实施例室外场景点云数据的矢量化骨架提取系统的结构示意图。
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。
考虑到点云数据能够提供三维空间特性,全景图像数据具有空间方向性以及光学特性,融合点云数据与全景图像数据可以获取更为完整、准确的信息,以及考虑室外场景下点云数据的空间特性,图结构具有空间结构性,可以保留空间信息,本发明针对室外场景下点云骨架提取问题,通过分别获取点云数据以及全景图像数据进行融合处理,可以提高最终输出的真实性和可理解性,同时结合图结构分别对点云、全景图像数据进行稀疏、稠密骨架构建,相比于传统直接将类似语义点聚合的方式,能够有效保留空间信息,从而确保骨架提取的精度,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,提高点云骨架提取的鲁棒性,无需依赖于模型几何形状等的先验信息,即可以基于图像实现对高密度三维点云的快速、精准的骨架提取。
如图1所示,本实施例室外场景点云数据的矢量化骨架提取方法的步骤包括:
步骤S01.获取在室外场景下采集场景的点云数据以及全景图像数据;
步骤S02.对点云数据以及全景图像数据分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
步骤S03.使用点云边缘点集构建稀疏图结构得到点云稀疏骨架,以及使用图像边缘点集构建稠密图结构得到图像稠密矢量化骨架;
步骤S04.对点云稀疏骨架与图像稠密矢量化骨架进行空间转换,得到变换后点云稀疏骨架、变换后图像稠密矢量化骨架;
步骤S05.将变换后点云稀疏骨架、变换后图像稠密矢量化骨架进行融合,得到所需提取的完整点云矢量化骨架。
在本实施例中,室外场景即为开放的、非封闭的场景。在该室外场景同一位置下分别采集目标的点云数据以及全景图像数据,由点云数据可以得到目标的三维空间特性,由全景图像数据可以得到目标的空间方向性与光学特性,进而利用该点云数据以及全景图像数据进行融合处理,可以获取更为完整、准确的信息,提高最终输出的真实性和可理解性。步骤S01中点云数据以及全景图像数据的采集方式不受限制,可以根据实际需求选取。
在本实施例中,步骤S02中对点云数据进行边缘点提取时,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δP,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。
假设采集获得的场景点云数据为P,全景图像数据为I,则对采集到的尺寸为N×3的点云数据P进行边缘点提取,具体提取方式为:对每个点的(x,y,z)坐标,计算每个点与其余N-1个点的欧式距离,当某个点与其余N-1个点的距离最小值大于第一预设阈值δP时,则标记这个点为边缘点,将全部边缘点组成的点云集记作Pe,即为点云边缘点集,具体尺寸为m×3。
在本实施例中,步骤S02中对全景图像数据进行边缘点提取时,计算全景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δI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图像边缘点集。
以对采集到的尺寸为H×W的全景图像I进行边缘点提取为例,具体提取方式为: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,当某个像素点与周边24个点的像素距离最小值大于第二预设阈值δI时,标记这个点为边缘点,将全部边缘像素点组成的图像点集记作Ie,即为图像边缘点集,具体尺寸为i×j。
在本实施例中,步骤S03中使用点云边缘点集构建稀疏图结构得到点云稀疏骨架包括:根据提取的点云边缘点集Pe(具体尺寸为m×3)构建第一图结构Gp,且Gp=(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,每个边的值为对应边缘点在全部点云数据P中与其余点之间的最小欧氏距离,由此即构建了一个稀疏图结构Gp,由构建的该第一图结构Gp即得到点云稀疏骨架。
在本实施例中,步骤S03中使用图像边缘点集构建稠密图结构得到图像稠密矢量化骨架包括:根据边缘像素点组成的图像边缘点集Ie(具体尺寸为i×j)构建第二图结构Gi,Gi=(V,E),其中V表示顶点,E为边,对于图像点集Ie中的每个像素点,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,每个边的值为对应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,以此方式即构建了一个稠密图结构Gi,由构建的该第二图结构Gi即得到图像稠密矢量化骨架。
点云数据是离散数据且数据量较小,全景图数据则为连续数据且数据量较大,全景图数据的像素密度远大于点云的点密度,本实施例通过对点云数据构建稀疏图结构,对全景图数据则构建稠密图结构,可以充分结合点云与全景图数据的密度特性构建有效的图结构,从而利用图结构的空间结构性对点云语义进行精准的骨架构建。
在本实施例中,步骤S04中具体通过使用点云数据与全景图像数据之间的变换参数旋转矩阵R和平移向量t,对点云稀疏骨架与图像稠密矢量化骨架进行空间转换,其中对点云稀疏骨架,具体按照Gp2=Gp+t得到变换后点云稀疏骨架Gp2,Gp表示变换前点云稀疏骨架,对图像稠密矢量化骨架具体按照Gi2=R*Gi+t得到变换后图像稠密矢量化骨架Gi2,Gi表示变换前图像稠密矢量化骨架。上述点云和图像之间的变换参数旋转矩阵R和平移向量t具体可以根据所需变换程度等实际需求任意设定。
在本实施例中,步骤S05具体包括:构建一个完整图结构G,其中顶点由变换后点云稀疏骨架、变换后图像稠密矢量化骨架的顶点组合构成,边由变换后点云稀疏骨架、变换后图像稠密矢量化骨架的边组合构成,由完整图结构G得到所需提取的完整点云矢量化骨架。上述完整图结构G中,顶点V具体按照V=Vp2+Vi2得到,Vp2为变换后点云稀疏骨架的顶点,Vi2为变换后图像稠密矢量化骨架的顶点,边E具体按照E=Ep2+Ei2得到,Ep2变换后点云稀疏骨架的边,Ei2为变换后图像稠密矢量化骨架的边。即将对经过步骤S04变换后的两种骨架Gp2和Gi2进行融合,构建形成一个完整图结构G,由此即可获得原始电源P的骨架结构,可用于后续其他的如渲染和处理理解等操作。由于该完整图结构G中融合了点云数据与全景图数据两种数据,且在完整图结构G中基于图结构的空间结构特性,保留了点云数据与全景图数据两种数据的空间信息,能够快速、精准的提取出点云骨架。
如图2所示,本实施例室外场景点云数据的矢量化骨架提取系统包括:
数据获取模块,用于获取在室外场景下采集场景的点云数据以及全景图像数据;
边缘点提取模块,用于对点云数据以及全景图像数据分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
骨架提取模块,用于使用点云边缘点集构建稀疏图结构得到点云稀疏骨架,以及使用图像边缘点集构建稠密图结构得到图像稠密矢量化骨架;
空间变换模块,用于对点云稀疏骨架与图像稠密矢量化骨架进行空间转换,得到变换后点云稀疏骨架、变换后图像稠密矢量化骨架;
骨架融合模块,用于将变换后点云稀疏骨架、变换后图像稠密矢量化骨架进行融合,得到所需提取的完整点云矢量化骨架。
本实施例中,边缘点提取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,以及用于对全景图像数据分别进行边缘点提取的图像边缘点提取单元。骨架提取模块具体包括用于使用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。
本实施例室外场景点云数据的矢量化骨架提取系统与上述室外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,本发明室外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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种室外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S01.获取在室外场景下采集场景的点云数据以及全景图像数据;
步骤S02.对所述点云数据以及全景图像数据分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
步骤S03.使用所述点云边缘点集构建稀疏图结构得到点云稀疏骨架,以及使用所述图像边缘点集构建稠密图结构得到图像稠密矢量化骨架;
步骤S04.对所述点云稀疏骨架与所述图像稠密矢量化骨架进行空间转换,得到变换后点云稀疏骨架、变换后图像稠密矢量化骨架;
步骤S05.将所述变换后点云稀疏骨架、变换后图像稠密矢量化骨架进行融合,得到所需提取的完整点云矢量化骨架。
2.根据权利要求1所述的室外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S02中对点云数据进行边缘点提取时,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δP,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。
3.根据权利要求1所述的室外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S02中对全景图像数据进行边缘点提取时,计算全景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δI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图像边缘点集。
4.根据权利要求1所述的室外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S03中使用所述点云边缘点集构建稀疏图结构得到点云稀疏骨架包括:构建第一图结构Gp,且Gp=(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,每个边的值为对应边缘点在全部点云数据P中与其余点之间的最小欧氏距离,由构建的所述第一图结构Gp得到所述得到点云稀疏骨架。
5.根据权利要求1所述的室外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S03中使用所述图像边缘点集构建稠密图结构得到图像稠密矢量化骨架包括:构建第二图结构Gi,且Gi=(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,每个边的值为对应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,由构建的第二图结构Gi得到所述图像稠密矢量化骨架。
6.根据权利要求1~5中任意一项所述的室外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中,通过使用点云数据与全景图像数据之间的变换参数旋转矩阵R和平移向量t,对所述点云稀疏骨架与所述图像稠密矢量化骨架进行空间转换,其中对所述点云稀疏骨架,按照Gp2=Gp+t得到变换后点云稀疏骨架Gp2,Gp表示变换前点云稀疏骨架,对所述图像稠密矢量化骨架按照Gi2=R*Gi+t得到变换后图像稠密矢量化骨架Gi2,Gi表示变换前图像稠密矢量化骨架。
7.根据权利要求1~5中任意一项所述的室外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S05包括:构建一个完整图结构G,其中顶点由变换后点云稀疏骨架、变换后图像稠密矢量化骨架的顶点组合构成,边由变换后点云稀疏骨架、变换后图像稠密矢量化骨架的边组合构成,由所述完整图结构G得到所需提取的完整点云矢量化骨架。
8.根据权利要求7所述的室外场景点云数据的矢量化骨架提取方法,其特征在于,所述完整图结构G中,顶点V具体按照V=Vp2+Vi2得到,Vp2为变换后点云稀疏骨架的顶点,Vi2为变换后图像稠密矢量化骨架的顶点,边E具体按照E=Ep2+Ei2得到,Ep2为变换后点云稀疏骨架的边,Ei2为变换后图像稠密矢量化骨架的边。
9.一种室外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,用于获取在室外场景下采集场景的点云数据以及全景图像数据;
边缘点提取模块,用于对所述点云数据以及全景图像数据分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
骨架提取模块,用于使用所述点云边缘点集构建稀疏图结构得到点云稀疏骨架,以及使用所述图像边缘点集构建稠密图结构得到图像稠密矢量化骨架;
空间变换模块,用于对所述点云稀疏骨架与所述图像稠密矢量化骨架进行空间转换,得到变换后点云稀疏骨架、变换后图像稠密矢量化骨架;
骨架融合模块,用于将所述变换后点云稀疏骨架、变换后图像稠密矢量化骨架进行融合,得到所需提取的完整点云矢量化骨架。
10.一种室外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 |
---|---|---|---|
CN202310132598.9A CN116310753A (zh) | 2023-02-17 | 2023-02-17 | 一种室外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 |
---|---|---|---|
CN202310132598.9A CN116310753A (zh) | 2023-02-17 | 2023-02-17 | 一种室外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 |
---|---|
CN116310753A true CN116310753A (zh) | 2023-06-23 |
Family
ID=86814153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132598.9A Pending CN116310753A (zh) | 2023-02-17 | 2023-02-17 | 一种室外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) | CN116310753A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173463A (zh) * | 2023-08-30 | 2023-12-05 | 北京长木谷医疗科技股份有限公司 | 一种基于多分类稀疏点云的骨关节模型重建方法及装置 |
-
2023
- 2023-02-17 CN CN202310132598.9A patent/CN116310753A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173463A (zh) * | 2023-08-30 | 2023-12-05 | 北京长木谷医疗科技股份有限公司 | 一种基于多分类稀疏点云的骨关节模型重建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648269B (zh) | 三维建筑物模型的单体化方法和系统 | |
CN113178014B (zh) | 场景模型渲染方法、装置、电子设备和存储介质 | |
Chen et al. | A survey on 3d gaussian splatting | |
CN110458939A (zh) | 基于视角生成的室内场景建模方法 | |
CN108734728A (zh) | 一种基于高分辨序列图像的空间目标三维重构方法 | |
CN112651881B (zh) | 图像合成方法、装置、设备、存储介质以及程序产品 | |
CN115953563A (zh) | 基于点云矢量化骨架匹配的三维模型补全修复方法及系统 | |
CN113870430B (zh) | 一种工件数据处理方法和装置 | |
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 | |
CN115601430A (zh) | 基于关键点映射的无纹理高反物体位姿估计方法及系统 | |
Pacheco et al. | Reconstruction of high resolution 3D objects from incomplete images and 3D information | |
Meerits et al. | Real-time scene reconstruction and triangle mesh generation using multiple RGB-D cameras | |
CN109448135B (zh) | 一种基于多源数据的三维模型修补的方法 | |
Verykokou et al. | A Comparative analysis of different software packages for 3D Modelling of complex geometries | |
CN118247429A (zh) | 一种空地协同快速三维建模方法及系统 | |
CN114638866A (zh) | 一种基于局部特征学习的点云配准方法及系统 | |
CN113971718A (zh) | 一种对三维点云模型进行布尔运算的方法 | |
US7388584B2 (en) | Method and program for determining insides and outsides of boundaries | |
CN117635634A (zh) | 图像处理方法、装置、电子设备、芯片及存储介质 | |
Renno et al. | Direct Modeling Approach to Improve Virtual Prototyping and FEM Analyses of Bicycle Frames. | |
JP2021033682A (ja) | 画像処理装置、方法及びプログラム | |
Ibrahim et al. | Multi-view based 3d point cloud completion algorithm for vehicles | |
Liang et al. | Exact visual hull from marching cubes | |
CN115937279A (zh) | 基于跨模态数据配准的点云密度上采样方法、系统及介质 | |
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 |
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 |