CN116596755A - 一种点云数据的拼接方法、装置、设备及存储介质 - Google Patents
一种点云数据的拼接方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116596755A CN116596755A CN202310236091.8A CN202310236091A CN116596755A CN 116596755 A CN116596755 A CN 116596755A CN 202310236091 A CN202310236091 A CN 202310236091A CN 116596755 A CN116596755 A CN 116596755A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- meta
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000004927 fusion Effects 0.000 claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000009877 rendering Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及人工智能领域,公开了一种点云数据的拼接方法、装置、设备及存储介质,用于提高点云数据拼接的准确率。所述方法包括:对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;分别计算N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据N个参数指标集合构建每个点云数据的目标特征矩阵;根据目标特征矩阵,对多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;根据每两个点云数据之间的目标融合点,对多个点云数据进行点云数据对齐,生成初始点云模型,并对初始点云模型进行构件渲染,得到目标元宇宙模型。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种点云数据的拼接方法、装置、设备及存储介质。
背景技术
随着计算机技术的快速发展,计算机技术的运用逐渐变得多样化,利用计算机技术实现虚拟现实体验的技术也越来越成熟,虚拟现实技术为人们提供了身临其境的体验。
但是目前,在虚拟空间中构建元宇宙模型时,时常会因为点云之间的拼接准确率低,而造成最终生成的模型效果不佳。
发明内容
本发明提供了一种点云数据的拼接方法、装置、设备及存储介质,用于提高点云数据拼接的准确率。
本发明第一方面提供了一种点云数据的拼接方法,所述点云数据的拼接方法包括:
获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合;
根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;
分别计算所述N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据所述N个参数指标集合构建每个点云数据的目标特征矩阵;
根据所述目标特征矩阵,对所述多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;
根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行点云数据对齐,生成初始点云模型,并对所述初始点云模型进行构件渲染,得到目标元宇宙模型。
结合第一方面,在本发明第一方面的第一实施方式中,所述获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合,包括:
获取待处理的多个元宇宙模型构件;
分别对所述多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据;
分别提取每个点云数据中的多个点坐标,并根据所述多个点坐标构建每个点云数据对应的第一点坐标集合。
结合第一方面,在本发明第一方面的第二实施方式中,所述根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围,包括:
根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标的多个邻近点坐标;
根据每个点坐标的多个邻近点坐标构建第二点坐标集合;
对所述第二点坐标集合中的多个邻近点坐标进行角度范围划分,得到N个不同的角度范围。
结合第一方面,在本发明第一方面的第三实施方式中,所述分别计算所述N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据所述N个参数指标集合构建每个点云数据的目标特征矩阵,包括:
根据所述N个角度范围,提取每个角度范围内的所有坐标点;
分别计算每个角度范围内的所有坐标点对应的多个预设参数指标,其中,所述多个预设参数指标包括:法向量差值、距离差值以及法向量与距离的乘积;
将所述多个预设参数指标生成每个角度范围内的参数指标集合,得到N个参数指标集合;
分别对所述N个参数指标集合进行特征转换,生成每个点云数据的目标特征矩阵。
结合第一方面,在本发明第一方面的第四实施方式中,所述根据所述目标特征矩阵,对所述多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点,包括:
根据所述目标特征矩阵,分别计算每个点云数据的匹配度;
根据每个点云数据的匹配度,对所述多个点云数据进行特征点筛选,得到每个点云数据的至少一个特征点坐标;
分别对每个点云数据的至少一个特征点坐标进行融合点位匹配,得到每两个点云数据之间的目标融合点。
结合第一方面,在本发明第一方面的第五实施方式中,所述根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行点云数据对齐,生成初始点云模型,并对所述初始点云模型进行构件渲染,得到目标元宇宙模型,包括:
根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行相对位姿计算,得到每两个点云数据之间的相对位姿;
根据每两个点云数据之间的相对位姿,对所述多个点云数据进行点云数据对齐,生成初始点云模型;
查询所述多个元宇宙模型构件对应的构件信息;
根据所述构件信息,对所述初始点云数据进行构建渲染,并将渲染完成的初始点云模型映射到虚拟操作空间,得到目标元宇宙模型。
本发明第二方面提供了一种点云数据的拼接装置,所述点云数据的拼接装置包括:
获取模块,用于获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合;
搜索模块,用于根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;
计算模块,用于分别计算所述N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据所述N个参数指标集合构建每个点云数据的目标特征矩阵;
匹配模块,用于根据所述目标特征矩阵,对所述多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;
生成模块,用于根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行点云数据对齐,生成初始点云模型,并对所述初始点云模型进行构件渲染,得到目标元宇宙模型。
结合第二方面,在本发明第二方面的第一实施方式中,所述获取模块具体用于:
获取待处理的多个元宇宙模型构件;
分别对所述多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据;
分别提取每个点云数据中的多个点坐标,并根据所述多个点坐标构建每个点云数据对应的第一点坐标集合。
结合第二方面,在本发明第二方面的第二实施方式中,所述搜索模块具体用于:
根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标的多个邻近点坐标;
根据每个点坐标的多个邻近点坐标构建第二点坐标集合;
对所述第二点坐标集合中的多个邻近点坐标进行角度范围划分,得到N个不同的角度范围。
结合第二方面,在本发明第二方面的第三实施方式中,所述计算模块具体用于:
根据所述N个角度范围,提取每个角度范围内的所有坐标点;
分别计算每个角度范围内的所有坐标点对应的多个预设参数指标,其中,所述多个预设参数指标包括:法向量差值、距离差值以及法向量与距离的乘积;
将所述多个预设参数指标生成每个角度范围内的参数指标集合,得到N个参数指标集合;
分别对所述N个参数指标集合进行特征转换,生成每个点云数据的目标特征矩阵。
结合第二方面,在本发明第二方面的第四实施方式中,所述匹配模块具体用于:
根据所述目标特征矩阵,分别计算每个点云数据的匹配度;
根据每个点云数据的匹配度,对所述多个点云数据进行特征点筛选,得到每个点云数据的至少一个特征点坐标;
分别对每个点云数据的至少一个特征点坐标进行融合点位匹配,得到每两个点云数据之间的目标融合点。
结合第二方面,在本发明第二方面的第五实施方式中,所述生成模块具体用于:
根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行相对位姿计算,得到每两个点云数据之间的相对位姿;
根据每两个点云数据之间的相对位姿,对所述多个点云数据进行点云数据对齐,生成初始点云模型;
查询所述多个元宇宙模型构件对应的构件信息;
根据所述构件信息,对所述初始点云数据进行构建渲染,并将渲染完成的初始点云模型映射到虚拟操作空间,得到目标元宇宙模型。
本发明第三方面提供了一种点云数据的拼接设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述点云数据的拼接设备执行上述的点云数据的拼接方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的点云数据的拼接方法。
本发明提供的技术方案中,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;分别计算N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据N个参数指标集合构建每个点云数据的目标特征矩阵;根据目标特征矩阵,对多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;根据每两个点云数据之间的目标融合点,对多个点云数据进行点云数据对齐,生成初始点云模型,并对初始点云模型进行构件渲染,得到目标元宇宙模型,本发明通过对多个元宇宙模型构件进行点云数据映射,生成多个点云数据,然后对生成的多个点云数据进行融合点匹配,找到模型构件之间融合的最佳融合点,然后根据最佳融合点进行点云数据对齐,生成目标元宇宙模型,从而提高了点云数据拼接的准确率,提升了智能化穿戴设备的用户体验。
附图说明
图1为本发明实施例中点云数据的拼接方法的一个实施例示意图;
图2为本发明实施例中角度范围分析的流程图;
图3为本发明实施例中构建每个点云数据的目标特征矩阵的流程图;
图4为本发明实施例中融合点位匹配的流程图;
图5为本发明实施例中点云数据的拼接装置的一个实施例示意图;
图6为本发明实施例中点云数据的拼接设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种点云数据的拼接方法、装置、设备及存储介质,用于提高点云数据拼接的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中点云数据的拼接方法的一个实施例包括:
S101、获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合;
可以理解的是,本发明的执行主体可以为点云数据的拼接装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器获取待处理的多个元宇宙模型构件,进而服务器对该多个元宇宙模型构件进行空间定位分析,确定每个元宇宙构件对应的空间数据,进一步的,服务器通过每个元宇宙构件对应的空间数据对多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据,同时,服务器对每个元宇宙模型构件对应的点云数据进行坐标数据提取,得到每个点云数据对应的第一点坐标集合。
S102、根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;
具体的,服务器确定搜索半径,例如设为R,对于每个点坐标,在以该点坐标为中心、半径为R的圆内搜索其他点坐标,记录这些点坐标的集合,即为该点坐标对应的第二点坐标集合。对于每个点坐标及其对应的第二点坐标集合,进行角度范围分析,其中,可以将该点坐标与其对应的每个第二点坐标看作向量,计算它们的夹角,将夹角转换为角度,得到一个角度集合。对角度集合进行排序,得到从小到大的有序序列,对于有序序列中相邻的角度,计算它们的差值,例如,如果差值大于等于180度,则将其视为两个不同的角度范围,否则,将它们合并为一个角度范围,得到N个角度范围,需要说明的是,每个角度范围包含一个起始角度和一个终止角度,在进行角度范围分析时,需要考虑到角度的周期性,即360度等价于0度。
S103、分别计算N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据N个参数指标集合构建每个点云数据的目标特征矩阵;
需要说明的是,分别计算N个角度范围内的多个预设参数指标,生成N个参数指标集合,其中,对于每个角度范围,计算该范围内所有向量的法向量差值、距离差值以及法向量与距离的乘积等参数指标,得到一个参数指标集合,对于N个角度范围,得到N个参数指标集合,每个指标集合包含多个参数指标,根据N个参数指标集合构建每个点云数据的目标特征矩阵,其中,服务器对于每个点云数据,对其每个点坐标进行范围搜索,得到该点坐标对应的第二点坐标集合,对于每个第二点坐标集合,进行角度范围分析,得到N个角度范围,对于N个角度范围,分别计算多个预设参数指标,得到N个参数指标集合,将N个参数指标集合合并为一个目标特征矩阵,每行代表一个点,每列代表一个参数指标。如果某个点的第二点坐标集合为空,则将该点的目标特征向量全部置为0,得到每个点云数据的目标特征矩阵,该矩阵可以用于后续的目标识别、分类、分割等任务,需要说明的是,在计算预设参数指标时,需要注意数据的单位和量级,以避免指标之间的比较失真。在构建目标特征矩阵时,需要考虑到不同点云数据的点数和点分布可能不同,因此需要根据具体情况进行归一化或者采样等处理。
S104、根据目标特征矩阵,对多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;
具体的,对于每两个点云数据,分别计算它们之间的相似度矩阵,相似度矩阵的元素为两个点云数据中每个点的相似度值,相似度值越高表示两个点更有可能是同一目标的点,对相似度矩阵进行匈牙利算法匹配,得到每个点云数据中的目标融合点。匈牙利算法将相似度矩阵转换为一个二分图,每个点云数据对应一个顶点,相似度值对应一条边的权重,匹配问题即为寻找最大权重匹配的问题。对于每个目标融合点,计算法向量、颜色等属性,可以采用加权平均法或者加权中位数法等方法进行计算,得到每两个点云数据之间的目标融合点,将它们合并为一个点云数据,即为融合后的点云数据,在计算相似度矩阵时,需要选择合适的相似度度量方法,例如欧几里得距离、余弦相似度等。在匈牙利算法匹配时,需要注意算法的时间复杂度,可以采用优化算法或者降低数据维度等方法进行加速,在计算目标融合点的属性时,需要考虑到不同点云数据的权重和质量可能不同,因此需要对不同数据进行加权或者过滤处理。
S105、根据每两个点云数据之间的目标融合点,对多个点云数据进行点云数据对齐,生成初始点云模型,并对初始点云模型进行构件渲染,得到目标元宇宙模型。
具体的,对于每两个点云数据之间的目标融合点,可以采用ICP算法对点云数据进行对齐,ICP算法迭代地寻找两个点云数据中最相似的点对,并更新点云数据的位置,直到两个点云数据的位置误差小于设定的阈值为止。对于所有点云数据,将所有目标融合点合并为一个点云数据,并对该点云数据进行体素化处理,体素化可以将点云数据转换为体素网格,便于后续处理。在体素化过程中,需要选择合适的体素分辨率,以保证点云数据的精度和处理效率之间的平衡。对体素化后的点云数据进行渲染,可以采用各种渲染技术,例如体绘制、立体光栅化等。在渲染过程中,需要选择合适的光照、材质、纹理等参数,以得到逼真的渲染效果。对渲染后的点云数据进行构件提取,可以采用各种构件提取算法,例如基于聚类、基于图论、基于特征描述子等。构件提取可以将点云数据划分为不同的构件,便于后续处理和编辑。对所有构件进行编辑和优化,可以采用各种编辑和优化工具,例如平移、旋转、缩放、曲面拟合等。
本发明实施例中,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;分别计算N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据N个参数指标集合构建每个点云数据的目标特征矩阵;根据目标特征矩阵,对多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;根据每两个点云数据之间的目标融合点,对多个点云数据进行点云数据对齐,生成初始点云模型,并对初始点云模型进行构件渲染,得到目标元宇宙模型,本发明通过对多个元宇宙模型构件进行点云数据映射,生成多个点云数据,然后对生成的多个点云数据进行融合点匹配,找到模型构件之间融合的最佳融合点,然后根据最佳融合点进行点云数据对齐,生成目标元宇宙模型,从而提高了点云数据拼接的准确率,提升了智能化穿戴设备的用户体验。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取待处理的多个元宇宙模型构件;
(2)分别对多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据;
(3)分别提取每个点云数据中的多个点坐标,并根据多个点坐标构建每个点云数据对应的第一点坐标集合。
具体的,服务器首先需要获取待处理的多个元宇宙模型构件,可以通过各种方式获取,例如从3D建模软件中导出、从3D扫描仪中获取、从在线3D模型库中下载等,分别对多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据,对于每个元宇宙模型构件,可以通过三维扫描或三维建模等方式得到其对应的点云数据。点云数据是由许多离散的点组成的,每个点包含三维坐标信息和其他属性信息,分别提取每个点云数据中的多个点坐标,并根据多个点坐标构建每个点云数据对应的第一点坐标集合,对于每个点云数据,需要提取其中的多个点坐标,并根据这些点坐标构建每个点云数据对应的第一点坐标集合。第一点坐标集合是由多个点坐标组成的,可以用于后续的数据处理和分析。提取点坐标可以采用各种算法,例如基于采样、基于聚类、基于特征描述子等,构建第一点坐标集合可以根据采样密度、聚类大小、描述子相似度等参数进行调整,以得到合适的第一点坐标集合。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标的多个邻近点坐标;
S202、根据每个点坐标的多个邻近点坐标构建第二点坐标集合;
S203、对第二点坐标集合中的多个邻近点坐标进行角度范围划分,得到N个不同的角度范围。
具体的,服务器根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标的多个邻近点坐标,对于每个点坐标,需要根据预设的搜索半径进行范围搜索,以得到其周围的多个邻近点坐标,范围搜索可以采用各种算法,例如基于KD树、基于八叉树、基于网格等,在搜索过程中,需要考虑到搜索半径、搜索密度、搜索效率等因素,对第二点坐标集合中的多个邻近点坐标进行角度范围划分,得到N个不同的角度范围,对于第二点坐标集合中的多个邻近点坐标,可以根据其与原点的夹角进行角度范围划分,以得到N个不同的角度范围,角度范围划分可以按照等分法、等分比例法等方式进行,以得到合适的角度范围,在划分过程中,需要考虑到角度分辨率、角度范围、角度统计精度等因素。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、根据N个角度范围,提取每个角度范围内的所有坐标点;
S302、分别计算每个角度范围内的所有坐标点对应的多个预设参数指标,其中,多个预设参数指标包括:法向量差值、距离差值以及法向量与距离的乘积;
S303、将多个预设参数指标生成每个角度范围内的参数指标集合,得到N个参数指标集合;
S304、分别对N个参数指标集合进行特征转换,生成每个点云数据的目标特征矩阵。
具体的,服务器根据N个角度范围,提取每个角度范围内的所有坐标点,根据N个角度范围,可以提取每个角度范围内的所有坐标点,在提取过程中,需要考虑到角度范围、点坐标分布、点密度等因素,分别计算每个角度范围内的所有坐标点对应的多个预设参数指标,其中,多个预设参数指标包括:法向量差值、距离差值以及法向量与距离的乘积,对于每个角度范围内的所有坐标点,可以分别计算其对应的多个预设参数指标,预设参数指标可以根据具体需求进行选择,例如法向量差值、距离差值、法向量与距离的乘积等,在计算过程中,需要考虑到指标的计算方法、指标的权重、指标的标准化等因素,将多个预设参数指标生成每个角度范围内的参数指标集合,得到N个参数指标集合,将每个角度范围内的多个预设参数指标进行整合,生成每个角度范围内的参数指标集合。参数指标集合可以包含多个指标,可以用于后续的特征分析和分类,分别对N个参数指标集合进行特征转换,生成每个点云数据的目标特征矩阵,对于N个参数指标集合,可以分别进行特征转换,以生成每个点云数据的目标特征矩阵。特征转换可以采用各种方法,例如主成分分析、线性判别分析、非负矩阵分解等,目标特征矩阵可以用于后续的模型训练和分类。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、根据目标特征矩阵,分别计算每个点云数据的匹配度;
S402、根据每个点云数据的匹配度,对多个点云数据进行特征点筛选,得到每个点云数据的至少一个特征点坐标;
S403、分别对每个点云数据的至少一个特征点坐标进行融合点位匹配,得到每两个点云数据之间的目标融合点。
具体的,服务器根据目标特征矩阵,分别计算每个点云数据的匹配度,根据目标特征矩阵,可以分别计算每个点云数据的匹配度。匹配度可以采用各种方法进行计算,例如欧氏距离、余弦相似度、相关系数等。在计算过程中,需要考虑到匹配度的计算方法、匹配度的权重、匹配度的标准化等因素,根据每个点云数据的匹配度,对多个点云数据进行特征点筛选,得到每个点云数据的至少一个特征点坐标,根据每个点云数据的匹配度,可以对多个点云数据进行特征点筛选,以得到每个点云数据的至少一个特征点坐标,特征点筛选可以采用各种方法,例如最大值法、阈值法、百分比法等,在筛选过程中,需要考虑到筛选方法、筛选参数、特征点数量等因素,分别对每个点云数据的至少一个特征点坐标进行融合点位匹配,得到每两个点云数据之间的目标融合点,对于每个点云数据的至少一个特征点坐标,可以进行融合点位匹配,以得到每两个点云数据之间的目标融合点,融合点位匹配可以采用各种方法,例如ICP算法、特征点匹配算法等。在匹配过程中,需要考虑到匹配算法、匹配精度、匹配效率等因素。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)根据每两个点云数据之间的目标融合点,对多个点云数据进行相对位姿计算,得到每两个点云数据之间的相对位姿;
(2)根据每两个点云数据之间的相对位姿,对多个点云数据进行点云数据对齐,生成初始点云模型;
(3)查询多个元宇宙模型构件对应的构件信息;
(4)根据构件信息,对初始点云数据进行构建渲染,并将渲染完成的初始点云模型映射到虚拟操作空间,得到目标元宇宙模型。
具体的,根据每两个点云数据之间的目标融合点,对多个点云数据进行相对位姿计算,得到每两个点云数据之间的相对位姿,根据每两个点云数据之间的目标融合点,可以对多个点云数据进行相对位姿计算,以得到每两个点云数据之间的相对位姿,相对位姿计算可以采用各种方法,例如ICP算法、PnP算法等,在计算过程中,需要考虑到计算方法、位姿精度、位姿效率等因素,根据每两个点云数据之间的相对位姿,对多个点云数据进行点云数据对齐,生成初始点云模型,根据每两个点云数据之间的相对位姿,可以对多个点云数据进行点云数据对齐,以生成初始点云模型,点云数据对齐可以采用各种方法,例如ICP算法、NDT算法等。在对齐过程中,需要考虑到对齐算法、对齐精度、对齐效率等因素,查询多个元宇宙模型构件对应的构件信息,查询多个元宇宙模型构件对应的构件信息,需要先确定需要查询的元宇宙模型和构件信息,并选择适合的查询方法进行查询。在查询过程中,需要考虑到查询方法、查询效率、查询准确度等因素,根据构件信息,对初始点云数据进行构建渲染,并将渲染完成的初始点云模型映射到虚拟操作空间,得到目标元宇宙模型,根据构件信息,可以对初始点云数据进行构建渲染,以得到渲染完成的初始点云模型,渲染可以采用各种方法,例如三维重建算法、光线追踪算法等。在渲染过程中,需要考虑到渲染算法、渲染精度、渲染效率等因素,渲染完成后,可以将初始点云模型映射到虚拟操作空间,以得到目标元宇宙模型。映射可以采用各种方法,例如贴图映射、坐标变换等。在映射过程中,需要考虑到映射方法、映射效果、映射效率等因素。
上面对本发明实施例中点云数据的拼接方法进行了描述,下面对本发明实施例中点云数据的拼接装置进行描述,请参阅图5,本发明实施例中点云数据的拼接装置一个实施例包括:
获取模块501,用于获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合;
搜索模块502,用于根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;
计算模块503,用于分别计算所述N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据所述N个参数指标集合构建每个点云数据的目标特征矩阵;
匹配模块504,用于根据所述目标特征矩阵,对所述多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;
生成模块505,用于根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行点云数据对齐,生成初始点云模型,并对所述初始点云模型进行构件渲染,得到目标元宇宙模型。
可选的,所述获取模块501具体用于:
获取待处理的多个元宇宙模型构件;
分别对所述多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据;
分别提取每个点云数据中的多个点坐标,并根据所述多个点坐标构建每个点云数据对应的第一点坐标集合。
可选的,所述搜索模块502具体用于:
根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标的多个邻近点坐标;
根据每个点坐标的多个邻近点坐标构建第二点坐标集合;
对所述第二点坐标集合中的多个邻近点坐标进行角度范围划分,得到N个不同的角度范围。
可选的,所述计算模块503具体用于:
根据所述N个角度范围,提取每个角度范围内的所有坐标点;
分别计算每个角度范围内的所有坐标点对应的多个预设参数指标,其中,所述多个预设参数指标包括:法向量差值、距离差值以及法向量与距离的乘积;
将所述多个预设参数指标生成每个角度范围内的参数指标集合,得到N个参数指标集合;
分别对所述N个参数指标集合进行特征转换,生成每个点云数据的目标特征矩阵。
可选的,所述匹配模块504具体用于:
根据所述目标特征矩阵,分别计算每个点云数据的匹配度;
根据每个点云数据的匹配度,对所述多个点云数据进行特征点筛选,得到每个点云数据的至少一个特征点坐标;
分别对每个点云数据的至少一个特征点坐标进行融合点位匹配,得到每两个点云数据之间的目标融合点。
可选的,所述生成模块505具体用于:
根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行相对位姿计算,得到每两个点云数据之间的相对位姿;
根据每两个点云数据之间的相对位姿,对所述多个点云数据进行点云数据对齐,生成初始点云模型;
查询所述多个元宇宙模型构件对应的构件信息;
根据所述构件信息,对所述初始点云数据进行构建渲染,并将渲染完成的初始点云模型映射到虚拟操作空间,得到目标元宇宙模型。
通过上述各个组成部分的协同合作,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;分别计算N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据N个参数指标集合构建每个点云数据的目标特征矩阵;根据目标特征矩阵,对多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;根据每两个点云数据之间的目标融合点,对多个点云数据进行点云数据对齐,生成初始点云模型,并对初始点云模型进行构件渲染,得到目标元宇宙模型,本发明通过对多个元宇宙模型构件进行点云数据映射,生成多个点云数据,然后对生成的多个点云数据进行融合点匹配,找到模型构件之间融合的最佳融合点,然后根据最佳融合点进行点云数据对齐,生成目标元宇宙模型,从而提高了点云数据拼接的准确率,提升了智能化穿戴设备的用户体验。
上面图5从模块化功能实体的角度对本发明实施例中的点云数据的拼接装置进行详细描述,下面从硬件处理的角度对本发明实施例中点云数据的拼接设备进行详细描述。
图6是本发明实施例提供的一种点云数据的拼接设备的结构示意图,该点云数据的拼接设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对点云数据的拼接设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在点云数据的拼接设备600上执行存储介质630中的一系列指令操作。
点云数据的拼接设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的点云数据的拼接设备结构并不构成对点云数据的拼接设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种点云数据的拼接设备,所述点云数据的拼接设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述点云数据的拼接方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述点云数据的拼接方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种点云数据的拼接方法,其特征在于,所述点云数据的拼接方法包括:
获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合;
根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;
分别计算所述N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据所述N个参数指标集合构建每个点云数据的目标特征矩阵;
根据所述目标特征矩阵,对所述多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;
根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行点云数据对齐,生成初始点云模型,并对所述初始点云模型进行构件渲染,得到目标元宇宙模型。
2.根据权利要求1所述的点云数据的拼接方法,其特征在于,所述获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合,包括:
获取待处理的多个元宇宙模型构件;
分别对所述多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据;
分别提取每个点云数据中的多个点坐标,并根据所述多个点坐标构建每个点云数据对应的第一点坐标集合。
3.根据权利要求1所述的点云数据的拼接方法,其特征在于,所述根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围,包括:
根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标的多个邻近点坐标;
根据每个点坐标的多个邻近点坐标构建第二点坐标集合;
对所述第二点坐标集合中的多个邻近点坐标进行角度范围划分,得到N个不同的角度范围。
4.根据权利要求1所述的点云数据的拼接方法,其特征在于,所述分别计算所述N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据所述N个参数指标集合构建每个点云数据的目标特征矩阵,包括:
根据所述N个角度范围,提取每个角度范围内的所有坐标点;
分别计算每个角度范围内的所有坐标点对应的多个预设参数指标,其中,所述多个预设参数指标包括:法向量差值、距离差值以及法向量与距离的乘积;
将所述多个预设参数指标生成每个角度范围内的参数指标集合,得到N个参数指标集合;
分别对所述N个参数指标集合进行特征转换,生成每个点云数据的目标特征矩阵。
5.根据权利要求1所述的点云数据的拼接方法,其特征在于,所述根据所述目标特征矩阵,对所述多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点,包括:
根据所述目标特征矩阵,分别计算每个点云数据的匹配度;
根据每个点云数据的匹配度,对所述多个点云数据进行特征点筛选,得到每个点云数据的至少一个特征点坐标;
分别对每个点云数据的至少一个特征点坐标进行融合点位匹配,得到每两个点云数据之间的目标融合点。
6.根据权利要求1所述的点云数据的拼接方法,其特征在于,所述根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行点云数据对齐,生成初始点云模型,并对所述初始点云模型进行构件渲染,得到目标元宇宙模型,包括:
根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行相对位姿计算,得到每两个点云数据之间的相对位姿;
根据每两个点云数据之间的相对位姿,对所述多个点云数据进行点云数据对齐,生成初始点云模型;
查询所述多个元宇宙模型构件对应的构件信息;
根据所述构件信息,对所述初始点云数据进行构建渲染,并将渲染完成的初始点云模型映射到虚拟操作空间,得到目标元宇宙模型。
7.一种点云数据的拼接装置,其特征在于,所述点云数据的拼接装置包括:
获取模块,用于获取待处理的多个元宇宙模型构件以及每个元宇宙模型构件对应的点云数据,并分别提取每个点云数据对应的第一点坐标集合;
搜索模块,用于根据预设的搜索半径,对每个点坐标进行范围搜索,得到每个点坐标对应的第二点坐标集合,并分别对每个点坐标对应的第二点坐标集合进行角度范围分析,得到N个角度范围;
计算模块,用于分别计算所述N个角度范围内的多个预设参数指标,生成N个参数指标集合,并根据所述N个参数指标集合构建每个点云数据的目标特征矩阵;
匹配模块,用于根据所述目标特征矩阵,对所述多个点云数据进行融合点位匹配,得到每两个点云数据之间的目标融合点;
生成模块,用于根据所述每两个点云数据之间的目标融合点,对所述多个点云数据进行点云数据对齐,生成初始点云模型,并对所述初始点云模型进行构件渲染,得到目标元宇宙模型。
8.根据权利要求7所述的点云数据的拼接装置,其特征在于,所述获取模块具体用于:
获取待处理的多个元宇宙模型构件;
分别对所述多个元宇宙模型构件进行三维点云映射,得到每个元宇宙模型构件对应的点云数据;
分别提取每个点云数据中的多个点坐标,并根据所述多个点坐标构建每个点云数据对应的第一点坐标集合。
9.一种点云数据的拼接设备,其特征在于,所述点云数据的拼接设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述点云数据的拼接设备执行如权利要求1-6中任一项所述的点云数据的拼接方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的点云数据的拼接方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236091.8A CN116596755B (zh) | 2023-03-13 | 2023-03-13 | 一种点云数据的拼接方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236091.8A CN116596755B (zh) | 2023-03-13 | 2023-03-13 | 一种点云数据的拼接方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596755A true CN116596755A (zh) | 2023-08-15 |
CN116596755B CN116596755B (zh) | 2024-05-28 |
Family
ID=87603289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310236091.8A Active CN116596755B (zh) | 2023-03-13 | 2023-03-13 | 一种点云数据的拼接方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596755B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093528A (zh) * | 2023-10-19 | 2023-11-21 | 梯度云科技(北京)有限公司 | 一种多元宇宙合并方法及系统 |
CN117197410A (zh) * | 2023-11-06 | 2023-12-08 | 中铁大桥局集团有限公司 | 钢结构的虚拟拼装方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470358A (zh) * | 2018-02-13 | 2018-08-31 | 南京旅游职业学院 | 一种基于二阶震荡人工蜂群算法的点云配准方法 |
CN110574071A (zh) * | 2017-01-27 | 2019-12-13 | Ucl商业有限公司 | 用于对齐3d数据集的设备,方法和系统 |
CN112967189A (zh) * | 2021-03-16 | 2021-06-15 | 广东电网有限责任公司广州供电局 | 一种点云拼接方法、装置、设备和存储介质 |
US20210264197A1 (en) * | 2020-02-25 | 2021-08-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Point cloud data processing method, apparatus, electronic device and computer readable storage medium |
CN114359042A (zh) * | 2021-11-30 | 2022-04-15 | 深圳市纵维立方科技有限公司 | 点云拼接方法和装置、三维扫描仪及电子设备 |
-
2023
- 2023-03-13 CN CN202310236091.8A patent/CN116596755B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110574071A (zh) * | 2017-01-27 | 2019-12-13 | Ucl商业有限公司 | 用于对齐3d数据集的设备,方法和系统 |
US20200043186A1 (en) * | 2017-01-27 | 2020-02-06 | Ucl Business Plc | Apparatus, method, and system for alignment of 3d datasets |
CN108470358A (zh) * | 2018-02-13 | 2018-08-31 | 南京旅游职业学院 | 一种基于二阶震荡人工蜂群算法的点云配准方法 |
US20210264197A1 (en) * | 2020-02-25 | 2021-08-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Point cloud data processing method, apparatus, electronic device and computer readable storage medium |
CN112967189A (zh) * | 2021-03-16 | 2021-06-15 | 广东电网有限责任公司广州供电局 | 一种点云拼接方法、装置、设备和存储介质 |
CN114359042A (zh) * | 2021-11-30 | 2022-04-15 | 深圳市纵维立方科技有限公司 | 点云拼接方法和装置、三维扫描仪及电子设备 |
Non-Patent Citations (1)
Title |
---|
夏春华 等: "基于TOF深度传感的植物三维点云数据获取与去噪方法", 《农业工程学报》, vol. 34, no. 6 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093528A (zh) * | 2023-10-19 | 2023-11-21 | 梯度云科技(北京)有限公司 | 一种多元宇宙合并方法及系统 |
CN117197410A (zh) * | 2023-11-06 | 2023-12-08 | 中铁大桥局集团有限公司 | 钢结构的虚拟拼装方法、装置、设备及存储介质 |
CN117197410B (zh) * | 2023-11-06 | 2024-03-26 | 中铁大桥局集团有限公司 | 钢结构的虚拟拼装方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116596755B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596755B (zh) | 一种点云数据的拼接方法、装置、设备及存储介质 | |
CN108509848B (zh) | 三维物体的实时检测方法及系统 | |
CN104933755B (zh) | 一种静态物体重建方法和系统 | |
Kazmi et al. | A survey of 2D and 3D shape descriptors | |
CN110866864A (zh) | 人脸姿态估计/三维人脸重构方法、装置及电子设备 | |
Savelonas et al. | An overview of partial 3D object retrieval methodologies | |
US8411081B2 (en) | Systems and methods for enhancing symmetry in 2D and 3D objects | |
JP2014081347A (ja) | 3dシーンにおける3d物体の認識および姿勢決定のための方法 | |
KR101626384B1 (ko) | 3차원 모델 데이터 검색 장치 및 방법 | |
US10019649B2 (en) | Point cloud simplification | |
CN116229019A (zh) | 面向数字孪生的大场景融合三维重建方法及系统 | |
CN110009745B (zh) | 根据平面基元和模型驱动对点云提取平面的方法 | |
JP7075654B2 (ja) | 3次元cadモデル部分検索方法及び3次元cadモデル検索方法 | |
Bergamasco et al. | A graph-based technique for semi-supervised segmentation of 3D surfaces | |
CN116861023B (zh) | 一种在三维空间中确定相同几何对象的方法及系统 | |
JP2018136642A (ja) | 三次元形状検索方法及び三次元形状検索システム | |
JP2017168081A (ja) | 記述子を用いた3dオブジェクトの位置特定 | |
CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
CN112328821A (zh) | 一种基于树型空间的三维树木模型匹配方法 | |
JP2017162447A (ja) | 量子化を用いた3dオブジェクトの位置特定 | |
JP7265143B2 (ja) | 表示制御方法、表示制御プログラムおよび情報処理装置 | |
CN109272013B (zh) | 基于学习的相似性度量方法 | |
CN113111741A (zh) | 一种基于三维特征点的装配状态识别方法 | |
Hui et al. | Power equipment segmentation of 3D point clouds based on geodesic distance with K-means clustering | |
Ding et al. | Fragmented cultural relics restoration based on point cloud data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |