WO2015188445A1 - 点云三维模型重建方法及系统 - Google Patents

点云三维模型重建方法及系统 Download PDF

Info

Publication number
WO2015188445A1
WO2015188445A1 PCT/CN2014/084701 CN2014084701W WO2015188445A1 WO 2015188445 A1 WO2015188445 A1 WO 2015188445A1 CN 2014084701 W CN2014084701 W CN 2014084701W WO 2015188445 A1 WO2015188445 A1 WO 2015188445A1
Authority
WO
WIPO (PCT)
Prior art keywords
point cloud
point
scan
module
confidence
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.)
Ceased
Application number
PCT/CN2014/084701
Other languages
English (en)
French (fr)
Inventor
黄惠
伍世浩
孙威
龙品辛
龚明伦
科恩丹尼尔
多伊森奥利夫.马丁
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Publication of WO2015188445A1 publication Critical patent/WO2015188445A1/zh
Priority to US15/342,267 priority Critical patent/US10062207B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three-dimensional [3D] modelling for computer graphics
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
    • G06T19/20—Editing of three-dimensional [3D] images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Definitions

  • the invention relates to a point cloud three-dimensional model reconstruction method and system. Background technique
  • Point cloud splicing refers to two (or more) point cloud data scanned from different viewpoints, and according to their overlapping information, translate or rotate one of the point cloud data so that the overlapping parts completely coincide in space. Form a reasonable whole.
  • Most of the existing point cloud stitching techniques are based on the iterative nearest point algorithm. Where the features of the model are incomplete, the scanning is incomplete, and there are many noises and noises. Therefore, this method is still not reliable enough without manual assistance.
  • the prior art adds all newly scanned point cloud data directly to the total point cloud model, resulting in excessive data volume or partial area data redundancy. Summary of the invention
  • the present invention provides a point cloud three-dimensional model reconstruction method, the method comprising the following steps: a. scanning a point cloud that obtains an object that requires three-dimensional model reconstruction; b. performing quality analysis on the point cloud obtained above; c. After analyzing the point cloud, calculating a new scan viewpoint; d. scanning according to the new scan viewpoint, and real-time updating the point cloud of step a according to the point cloud obtained by the new scan viewpoint scan; e The 3D model reconstruction is performed based on the point cloud obtained after the real-time update.
  • the method further includes a step between the step d and the step e: determining whether the termination condition is met: if the termination condition is met, then step e is entered; if the termination condition is not met, then step a is returned.
  • the step b includes: performing noise reduction preprocessing on the obtained point cloud; constructing a distance field according to the pre-processed point cloud, and performing isosurface sampling of the distance field to obtain an isosurface sampling point; Confidence calculations are performed for each isosurface sample point.
  • the step c includes: generating a scan view vector field according to the obtained confidence of each isosurface sample point; selecting a next scan view according to the generated scan view vector field; forming according to the next scan view obtained above Scan path.
  • the step d includes: performing point cloud splicing by using a method with a confidence weight; and adding a point cloud with a confidence probability method.
  • the termination condition is that the global average confidence of the isosurface sampling points reaches a steady state.
  • the present invention also provides a point cloud three-dimensional model reconstruction system, comprising: an acquisition module, an analysis module, a calculation module, an update module, a determination module, and a reconstruction module, wherein: the acquisition module is configured to scan a point for obtaining an object that needs to be reconstructed by the three-dimensional model
  • the analysis module is configured to perform quality analysis on the point cloud obtained above; the calculation module is configured to calculate a new scan viewpoint for the point cloud after the quality analysis; and the update module is configured to Scanning the view point, and updating the point cloud of the acquisition module in real time according to the point cloud obtained by the new scan viewpoint scan;
  • the reconstruction module is configured to perform 3D model reconstruction according to the point cloud obtained according to the real-time update .
  • the system further includes a judging module for judging whether the termination condition is satisfied: if the termination condition is met, the reconstruction module performs three-dimensional model reconstruction; if the termination condition is not met, returning to the acquisition module to continue to acquire the point cloud.
  • the analyzing module is specifically configured to: perform noise reduction preprocessing on the obtained point cloud; construct a distance field according to the pre-processed point cloud, and perform isosurface sampling of the distance field to obtain an isosurface sampling point; Confidence calculations are performed for each of the isosurface sample points described above.
  • the calculating module is specifically configured to: generate a scan view vector field according to the obtained confidence of each isosurface sample point; select a next scan view according to the generated scan view vector field; and obtain a next scan view according to the above A scan path is formed.
  • the update module is specifically configured to: perform point cloud splicing by using a method with a confidence weight; and adopt a method with a confidence probability to add a point cloud.
  • the termination condition is that the global average confidence of the isosurface sampling points reaches a steady state.
  • the method and system for reconstructing a point cloud three-dimensional model of the invention can realize full-automatic scanning and reconstruction of a three-dimensional model, predictively reconstructed by exploratory surface, comprehensively analyze the quality of the existing point cloud, plan a scanning path, and automatically perform a low-confidence part. Scanning and splicing ultimately results in a high-quality point cloud model, while the implementation of the present invention is simple and efficient.
  • DRAWINGS 1 is a flow chart of a method for reconstructing a point cloud three-dimensional model according to the present invention
  • FIG. 2 is a hardware architecture diagram of a point cloud three-dimensional model reconstruction system according to the present invention. detailed description
  • Step S401 Automatically scan an object that needs to be reconstructed by a three-dimensional model, and obtain a point cloud of the object.
  • Step S402 performing quality analysis on the point cloud obtained above. details as follows:
  • the noise reduction pre-processing is performed on the point cloud obtained above to filter out a large amount of noise and noise in the point cloud, and perform a point cloud optimization operation.
  • the distance field is constructed according to the pre-processed point cloud, and the isosurface sampling of the distance field is performed to obtain the isosurface sampling point.
  • the point cloud surface reconstruction algorithm of this embodiment adopts implicit reconstruction, and its core is to construct a field based on the positive and negative distance implicit function (hereinafter referred to as "distance field").
  • distance field the positive and negative distance implicit function
  • the Poi sson equation is used to solve the distance field: For any set of input points, the original problem is transformed into a Poi sson equation to obtain a set of basis functions based on the octree. Thus, for any point X in space, the corresponding distance implicit function value f (x) can be quickly obtained by mixing the basis functions.
  • Confidence f s based on smoothness analysis The confidence of each s k smoothness analysis is calculated by the following method. The greater the confidence value of the smoothness analysis, the more irregular the local point cloud distribution is, and the more likely it is the detail area that needs to be scanned.
  • n k is the normal vector of s k
  • n k is the K nearest neighbor of s k (that is, the nearest K consecutive scanned points q, the number of K in this embodiment is generally 100)
  • h k means The distance of the farthest kth point from s k .
  • f s (Sk' n k ) ⁇ 6(
  • Step S403 Calculate a new scan viewpoint for the point cloud after the quality analysis.
  • the specific steps are as follows:
  • NBV Next Best View
  • each scanner has its best working distance [cLnear, d_f ar] 0 can not put the scanner off the object Too close or too far.
  • an outer bounding box B is selected, which contains all the points of the target object, and the space inside the bounding box B is the search space of the NBVs.
  • the bounding box B is converted into a three-dimensional solid mesh.
  • the NBV score is calculated only at the center point of some of the grids, which must not be occupied by the target object. For each empty voxel v, a light is emitted from each iso-point to test its visibility.
  • the NBV score g( Vi ) it is evaluated whether a point in space is suitable as the next scan point:
  • g( i) max ⁇ w(v i; s k )(l - f(s k )) ⁇ where f(s k ) is the confidence of the above iso-point and has been normalized to [0 , 1] range; weight w ⁇ SiO is calculated by the product of three sub-items: w d based on distance, based on w of orientation. , based on visibility w v . As follows:
  • d( Vi , s k ) ( Vi - s k ) II Vi _ s k
  • I represents the direction after normalization pointed from s k .
  • the parameter is set to 25 by default. confidence ° t when the pointing point of the iso-point s k is relatively low when the score function g (Vi) has a high value. If the maximum value is obtained g (Vi), then the score is recorded in the 3D vector Calculate the best s k for all voxels surrounding box B to get the field of view vector field.
  • the next scan viewpoint is selected using a greedy algorithm. Select the position and orientation of the scan point for the next round of scans. First, select the local maximum position in VVF (viewing vector field) and use it as the next scan position. The VVF is divided into many voxels, and the local maximum point is selected in each voxel. A subset of the locally largest points is then selected as the basis for optimizing the orientation of the scanner. When selecting a subset, avoid selecting locations that are too close together, and only select points in the non-adjacent grid as the next possible scan position.
  • VVF viewing vector field
  • each of the subdivided voxels has a maximum value that forms an initial set V. If the point's magnitude is below a given threshold, the point is removed from the set V. When a point is selected, the point is added to the set V*. Then all points in the set V adjacent to Vi will be deleted until the set V is empty.
  • the greedy algorithm ensures that each selected location is non-contiguous and has the location of the maximum amplitude of the remaining points. Therefore, the set V* is the NBVs to be searched for, and the selected position is in the direction of the iso-points s k with lower confidence. Next, you need to choose the optimal direction so that the next scan can cover as many low-confidence iso-points as possible, while at the same time covering as much of the high-confidence iso-point as possible to ensure the accuracy of the registration. Therefore, instead of directly using d (v i ; s k ) to set the orientation of the scanner, a better point s k is selected in the local range.
  • Step S404 Scan according to the new scan viewpoint, and update the point cloud of step S401 in real time according to the point cloud obtained by the new scan view scan.
  • the specific steps are as follows:
  • point cloud stitching is performed using the ICP (Ierative Closest Point) method with confidence weights.
  • the newly scanned points are added directly to the point cloud, which means that no registration is required here.
  • the movement registration error does occur.
  • a weighted ICP algorithm is used, and the weights are based on iso-points. The confidence level is determined, that is, the higher the confidence, the higher the weight.
  • the point cloud is added by using the method of confidence probability.
  • the new scan point needs to be added to the existing point set. It is worth noting that these points contain not only those uncertain areas, but also the defined areas. If the ultimate goal is to generate a 3D model using Poisson surface reconstruction or other means, you can simply add these points to an existing point. However, if the goal is to generate a surface that accurately describes the object, those extra points will increase the redundancy and noise points. Therefore, in this embodiment, when adding a point cloud, a probability form is adopted:
  • s k is the nearest i SO -point S of Pi . According to the definition of the above formula, the lower the f (s k ), the more likely the Pi is added. This allows the newly added point cloud to be in a low confidence level, which effectively improves the quality of the scan and ensures that areas of high confidence are not affected.
  • the parameter ⁇ controls the possibility that the point is added.
  • Step S405 Determine whether the termination condition is met.
  • the continuation condition is that the global average confidence of the iso-points reaches a steady state.
  • the steady state refers to an average confidence difference between the two iterations is less than 0.005. If the termination condition is satisfied, the automatic scanning is terminated, and the process proceeds to step S406; if the termination condition is not satisfied, the process returns to step S401 to continue the scanning.
  • Step S406 Perform high-precision three-dimensional model reconstruction according to the point cloud obtained at this time.
  • FIG. 2 it is a hardware architecture diagram of the point cloud three-dimensional model reconstruction system of the present invention.
  • the system includes an acquisition module, an analysis module, a calculation module, an update module, a determination module, and a reconstruction module.
  • the acquisition extraction module is configured to automatically scan an object that requires three-dimensional model reconstruction to obtain a point cloud of the object.
  • the analysis module is configured to perform quality analysis on the point cloud obtained above. details as follows:
  • the noise reduction pre-processing is performed on the point cloud obtained above to filter out a large amount of noise and noise in the point cloud, and perform a point cloud optimization operation.
  • the distance field is constructed according to the pre-processed point cloud, and the isosurface sampling of the distance field is performed to obtain the isosurface sampling point. in particular:
  • the point cloud surface reconstruction algorithm of this embodiment adopts implicit reconstruction, and its core is to construct a field based on the positive and negative distance implicit function (hereinafter referred to as "distance field").
  • distance field the positive and negative distance implicit function
  • the Poisson equation is used to solve the distance field: For any set of input points, the original problem is transformed into a Poisson equation to obtain a set of basis functions based on the octree. Thus, for any point X in space, the corresponding distance implicit function value f (x) can be quickly obtained by mixing the basis functions.
  • Confidence f s based on smoothness analysis calculated for each s k smoothness analysis by the following method Confidence.
  • n k is the normal vector of s k
  • n k is the K nearest neighbor of s k (that is, the nearest K consecutive scanned points q, the number of K in this embodiment is generally 100)
  • h k means The distance of the farthest kth point from s k .
  • f s (Sk' n k ) ⁇ 6(
  • the calculation module is configured to calculate a new scan viewpoint for the point cloud after the quality analysis.
  • the specific steps are as follows:
  • NBV Next Best View
  • a plurality of NBVs are selected for each scanning iteration, and the next part of the scanner to be moved is determined by the NBV.
  • the selection of the NBV is guided by the view vector field.
  • the magnitude of each vector in the view vector field represents the contribution of this point to the NBV, while also taking into account the direction of the vector and the orientation of the scanner.
  • a scan viewpoint vector field is generated based on the confidence of each isosurface sample point obtained as described above.
  • Each scanner in the vector field has its optimal working distance [cLnear, d_f ar] 0
  • the scanner cannot be placed too close or too far away from the object.
  • an outer bounding box B is selected, which contains all the points of the target object, and the space inside the bounding box B is the search space of the NBVs.
  • the bounding box B is converted into a three-dimensional solid mesh.
  • the NBV score is calculated only at the center point of some of the grids, which must not be occupied by the target object. For each empty voxel v, a light is emitted from each iso-point to test its visibility.
  • the NBV score g( Vi ) it is evaluated whether a point in space is suitable as the next scan point:
  • g( i) max ⁇ w(v i; s k )(l - f(s k )) ⁇
  • d( Vi , s k ) ( Vi - s k ) II Vi _s k
  • I represents the direction after normalization from s k .
  • the parameter is set to 25° by default.
  • the score function g(Vi) has a higher value. If the maximum value of g(Vi) is obtained, the score is recorded in the 3D vector. Calculate the best s k for all voxels surrounding box B to get the field of view vector field.
  • the next scan viewpoint is selected using a greedy algorithm.
  • VVF viewing vector field
  • the VVF is divided into many voxels, and the local maximum point is selected in each voxel.
  • a subset of the locally largest points is then selected as the basis for optimizing the orientation of the scanner. When selecting a subset, avoid selecting locations that are too close together, and select only the points in the non-adjacent grid as the next possible scan. Use the greedy algorithm to calculate the local maximum points that are not adjacent.
  • each of the subdivided voxels has a maximum value that forms an initial set V. If the point's magnitude is below a given threshold, the point is removed from the set V. When a point is selected, the point is added to the set V*. Then all points in the set V adjacent to ⁇ will be deleted until the set V is empty.
  • the greedy algorithm ensures that each selected location is non-contiguous and has the location of the maximum amplitude of the remaining points. Therefore, the set V* is the NBVs to be searched for, and the direction of the selected position is set.
  • the iso-points s k with low reliability.
  • the obtained NBVs are arranged in a clockwise order to form a specific scan path plan.
  • the updating module is configured to perform scanning according to the new scanning viewpoint, and update the point cloud of the step S401 in real time according to the point cloud obtained by the new scanning viewpoint scanning.
  • the specific steps are as follows:
  • the ICP Intelligent Closest Point
  • confidence weights is used for point cloud stitching.
  • the newly scanned points are added directly to the point cloud, which means that no registration is required here.
  • the movement registration error does occur.
  • a weighted ICP algorithm is used, and the weight is determined according to the confidence of iso-points, that is, the higher the confidence, the higher the weight.
  • the point cloud is added by using the method of confidence probability.
  • the new scan point needs to be added to the existing point set. It is worth noting that these points contain not only those uncertain areas, but also the defined areas. If the ultimate goal is to generate a 3D model using Poisson surface reconstruction or other means, you can simply add these points to an existing point. However, if the goal is to generate a surface that accurately describes the object, those extra points will increase the redundancy and noise points. Therefore, in this embodiment, when adding a point cloud, a probability form is adopted:
  • the determining module is configured to determine whether a termination condition is met.
  • the continuation condition is that the global average confidence of the iso-points reaches a steady state.
  • the steady state refers to a difference between the average confidence of the two iterations is less than 0.005. If the termination condition is met, the automatic scan is terminated; if the termination condition is not met, the scan is continued.
  • the reconstruction module is configured to perform high-precision three-dimensional model reconstruction according to a point cloud when the termination condition is satisfied.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Generation (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种点云三维模型重建方法，包括如下步骤：a.扫描获得需要三维模型重建的物体的点云；b.对上述获得的点云进行品质分析；c.对上述品质分析后的点云，计算得到新的扫描视点；d.根据所述新的扫描视点进行扫描，并根据所述新的扫描视点扫描得到的点云对步骤a的点云进行实时更新；e.根据实时更新后得到的点云进行三维模型重建。本发明还涉及一种点云三维模型重建系统。本发明能够对三维模型实现全自动重建，并产生高品质的点云模型，同时本发明实现方案简单，效率高。

Description

点云三维模型重建方法及系统 技术领域
本发明涉及一种点云三维模型重建方法及系统。 背景技术
计算机三维模型在人们当今的生活（如游戏、 影视和虚拟现实等）和生产
(如 3D打印、 逆向工程和数字化城市等） 活动中， 起着重要的基础性作用。 传统的手工三维建模已经远远不能满足人们日益增长的需求，发展的瓶颈在于 没有一种快速自动建模的手段。尽管三维点云扫描技术已发展二十多年，但是 想要扫描一个模型并获得高品质的点云数据， 即便是专业用户配备专业设备， 仍需花费大量的时间和精力。
现有技术的缺点概括如下：
第一： 过分依赖已有点云的重建曲面。现有技术要求必须在已有点云的基 础上重建曲面。这种做法效率虽高， 但是有两大缺点： 一是在物体细节丰富的 地方， 可能初歩扫描的时候就有少量点云覆盖并且能够重建曲面，但还需要更 多不同角度的扫描才能够得到足够的点云来恢复原貌，而现有技术假设能重建 曲面的部位的点云数据已经足够好， 不需要进一歩扫描， 因而丢失了大量细节 和尖锐特征。 二是， 对于拓扑结构较为复杂的模型（如人体， 树木， 或工艺摆 件）， 现有的曲面重建方法在不完整的点云上生成的曲面很可能是错误的， 然 而现有技术假设已生成的曲面都是正确， 因而只能处理外形简单的模型。
第二： 不分析已有点云的品质。 众所周知， 受扫描设备的精度， 扫描环境 的干扰， 以及被扫描物体的自身遮挡和材质问题的影响， 已扫描到的点云往往 有大量的噪声、杂点和空洞。现有自动扫描技术不对这些点云数据固有的缺陷 做处理分析， 而只是简单地用点云对源模型的覆盖程度作为指引， 自动扫描到 的点云模型必然会和真实模型有较大的差异。
第三： 点云的拼接和更新效率不高。 点云的拼接是指把两个（或多个）从 不同视点扫描到的点云数据， 根据它们的重叠信息， 平移或旋转其中一个点云 数据， 使得该重叠的部位在空间上完全重合， 形成一个合理的整体。现有的点 云拼接技术绝大部分是基于迭代最近点算法发展而来的。在模型带特征的地方 往往扫描不完整， 噪声和杂点较多， 因此这种方法在没有人工辅助情况下， 依 然不够可靠。此外， 现有技术都是把所有新扫描的点云数据直接加入到总点云 模型当中， 造成数据体积过大， 或者局部区域数据冗余。 发明内容
有鉴于此， 有必要提供一种点云三维模型重建方法及系统。
本发明提供一种点云三维模型重建方法， 该方法包括如下歩骤： a.扫描获 得需要三维模型重建的物体的点云； b.对上述获得的点云进行品质分析； c. 对上述品质分析后的点云，计算得到新的扫描视点； d.根据所述新的扫描视点 进行扫描，并根据所述新的扫描视点扫描得到的点云对歩骤 a的点云进行实时 更新； e.根据实时更新后得到的点云进行三维模型重建。
其中，该方法在歩骤 d和歩骤 e之间还包括歩骤:判断是否满足终止条件： 如果满足终止条件， 则进入歩骤 e ; 如果不满足终止条件， 则返回歩骤 a。
所述的歩骤 b包括：对获得的点云进行降噪预处理； 根据预处理后的点云 构建距离场， 并进行所述距离场的等值面采样得到等值面采样点； 对上述每一 个等值面采样点进行置信度计算。
所述的歩骤 c包括： 根据得到的每一个等值面采样点的置信度， 生成扫描 视点向量场； 根据生成的扫描视点向量场选择下一个扫描视点； 根据上述得到 的下一个扫描视点形成扫描路径。
所述的歩骤 d包括：采用带置信度权重的方法进行点云拼接； 采用带置信 度概率的方法进行点云增添。 所述的终止条件为等值面采样点的全局平均置信度达到稳定状态。
本发明还提供一种点云三维模型重建系统， 包括获取模块、 分析模块、计 算模块、 更新模块、 判断模块及重建模块， 其中： 所述获取模块用于扫描获得 需要三维模型重建的物体的点云；所述分析模块用于对上述获得的点云进行品 质分析;所述计算模块用于对上述品质分析后的点云，计算得到新的扫描视点; 所述更新模块用于根据所述新的扫描视点进行扫描，并根据所述新的扫描视点 扫描得到的点云对所述获取模块的点云进行实时更新；所述重建模块用于根据 根据实时更新后得到的点云进行三维模型重建。
其中， 该系统还包括用于判断是否满足终止条件的判断模块： 如果满足终 止条件， 则所述重建模块进行三维模型重建； 如果不满足终止条件， 则返回所 述获取模块继续获取点云。
所述的分析模块具体用于：对获得的点云进行降噪预处理； 根据预处理后 的点云构建距离场， 并进行所述距离场的等值面采样得到等值面采样点； 对上 述每一个等值面采样点进行置信度计算。
所述的计算模块具体用于： 根据得到的每一个等值面采样点的置信度， 生 成扫描视点向量场； 根据生成的扫描视点向量场选择下一个扫描视点； 根据上 述得到的下一个扫描视点形成扫描路径。
所述的更新模块具体用于：采用带置信度权重的方法进行点云拼接； 采用 带置信度概率的方法进行点云增添。
所述的终止条件为等值面采样点的全局平均置信度达到稳定状态。
本发明点云三维模型重建方法及系统，能够对三维模型实现全自动扫描及 重建， 通过试探性曲面重建预测， 全面分析已有点云的品质， 规划扫描路径， 对低置信度的部位进行自动地扫描和拼接， 最终得到一个高品质的点云模型， 同时本发明实现方案简单， 效率高。 附图说明 图 1为本发明点云三维模型重建方法的流程图；
图 2为本发明点云三维模型重建系统的硬件架构图。 具体实施方式
下面结合附图及具体实施例对本发明作进一歩详细的说明。
参阅图 1所示，是本发明点云三维模型重建方法较佳实施例的作业流程图。 歩骤 S401 , 自动扫描需要三维模型重建的物体， 获得所述物体的点云。 歩骤 S402 , 对上述获得的点云进行品质分析。 具体如下：
第一歩， 对上述获得的点云进行降噪预处理， 以过滤掉所述点云中大量的 噪声和杂点， 进行点云优化操作。
第二歩， 根据预处理后的点云构建距离场， 并进行所述距离场的等值面采 样， 得到等值面采样点。 具体而言：
本实施例的点云曲面重建算法采用隐式重建，其核心是构建一个基于带正 负的距离隐函数的场（以下简称"距离场")。 给定一个点云模型， 空间上每一 个点 X在该场中都有一个对应的值 f (X)。若 X在所述点云模型外部，则 f (χ) <0； 反之， 则 f (x)〉0 ; 若 f (x) =0， 则表示该点在所述点云模型表面上。 本实施例 得到空间中 f (χ) =0的位置采样点， 然后连接构造一个等值曲面。
采用 Poi sson (泊松）方程求解所述距离场： 对任意输入点集， 把原问题转 换成为解一个 Poi sson方程， 得到一个基于八叉树的基函数集合。 如此， 对于 空间上任意一点 X，都可以快速通过基函数混合得到对应的距离隐函数值 f (x)。
等值面提取和采样： 在所述距离场上采用 Marching Cube技术在 f (x) =0 上构造一个封闭的等值面网格。用置信度评估该等值面网格的品质， 从离散实 现的角度来说， 利用 Poi s son-di sk技术在曲面网格上均匀地采样点 （本实施 例中采样点数目为 5000)，然后，为每一个点计算一个置信度（值域范围 0- 1 )。 也就是说， 置信度低的地方， 几何和拓扑结构信息都比较充分， 不需要进一歩 扫描。 下文中， 我们称等值面采样点为 i so-point s , 也称 sk。 第三歩， 对上述每一个等值面采样点进行置信度计算。 具体而言： 首先分别用不同方法算出改点处的点云数据的缺失率（基于距离场梯度分 析的置信度 fg)和属于细节部位的可能性（基于平滑度分析的置信度 fs )。 然后 把这两种置信度相乘混合得到最终的置信度： fk = fg * fs。
基于距离场梯度分析的置信度 fg : 经过实验观察发现， 一直未被关注的距 离场的梯度值 df (X)有重要作用。 简单来说， 梯度越大的地方， 函数值的变化 越陡峭，越能说明该区域在足够数据的支撑下里外拓扑分明， 则等值曲面的置 信度越大。 反之亦然。计算距离场梯度的方法也十分简单， 因为 Poisson方程 的解本身就是距离场的梯度值。 也就是说， 每一个 sk都有个 fg。
基于平滑度分析的置信度 fs : 通过下述方法计算得到每个 sk平滑度分析的 置信度。所述平滑度分析的置信度值越大， 说明局部点云分布越不规整， 则越 有可能是需要多扫描的细节区域。 其中， nk是 sk的法向量， nk是 sk的 K近邻点 (也就是附近最近的前 K个已扫描点 q，本实施例中 K的数目一般为 100 )，hk是 指最远的第 k个点离 sk的距离。 fs (Sk' nk) = ^ 6(||sk - qj ||)c()(nk, qj - sk)
0(||sk - qj ||) = e I — ll2/(hk/2)2 (nk, qj— sk) = ll (q广 )Ι|2/0¾/4)2 。
歩骤 S403 , 对上述品质分析后的点云， 计算得到新的扫描视点。 具体歩 骤如下：
得到每一个等值面采样点的置信度后，需要决定最佳的位置和朝向来放置 扫描仪， 这个位置叫做 NBV (Next Best View, 下一个最佳视点）。 为了有效 的设定自动扫描的行径， 每一个扫描迭代选择多个 NBV, 通过所述 NBV决策扫 描仪下一个需要移动的部位。所述 NBV的选择由视点向量场指导，在视点向量 场里每个向量的幅度代表了这个点对 NBV的贡献度，同时也考虑了向量的方向 及时扫描仪的朝向。 ， 根据上述得到的每一个等值面采样点的置信度， 生成扫描视点向 向量场里每个扫描仪都有其最佳的工作距离 [cLnear, d_f ar] 0 不能把扫 描仪放的离物体太近或者太远。 基于最远的工作距离， 选择一个外包围盒 B, 所述外包围盒 B包含了目标物体的所有点， 包围盒 B内的空间即是 NBVs的搜 索空间。将包围盒 B转换成三维的立体网格。所述 NBV得分只在某些格子的中 心点计算， 所述格子必须没有被目标物体占据。 对每一个空的体素 v 从每一 个 iso-point射出一个光线来测试它的可见性。 通过计算 NBV得分 g(Vi)， 来 评价空间中的某一点是否适合作为下个扫描点：
g( i) = max{w(vi; sk)(l - f(sk))} 其中， f(sk)为上述 iso-point的置信度，且已经被归一化到了 [0， 1]范围； 权重 w ^SiO通过三个子项的乘积进行计算：基于距离的 wd，基于朝向的 w。， 基于可见性的 wv。 如下所示：
W(vi; Sk) =
Figure imgf000008_0001
Vi),
Wd(Sk,Vi) = e— (llOi— Sk)|卜 d0)2/(dn/4)2， wo(sk,vi) = e_(1+nkd(vi'sk))2 (l- cos (σ))2 ^ (Sk,Vi) = {; ifSk==。mVi。
本实施例中， 扫描仪最优工作距离 d。 = (dn + df 、11. d(Vi, sk) = (Vi - sk) I I Vi _ sk| I代表从 sk指向 的归一化之后的方向。参数 默认设定为 25° t 当指向 点的 iso-point sk的置信度比较低的时候， 得分函数 g(Vi)有一个较 高的值。 如果得到 g(Vi)的最大值， 则将该得分记录在 3D向量中。 为包围盒 B 的所有体素计算最好的 sk， 以得到视场向量域。
第二歩，根据生成的扫描视点向量场，利用贪心算法选择下一个扫描视点。 为下一轮的扫描选择扫描点的位置和朝向。 首先在 VVF (viewing vector field, 视点向量场） 里选择出局部最大的位置， 把其作为下一次扫描位置。 所述 VVF被分为很多很多体素， 在每个体素中选取局部最大的点。然后选择所 述局部最大的点的一个子集作为优化扫描仪朝向的基础。 在选择子集的时候， 避免选择靠得太近的位置，只选择不相邻的网格中的点作为下一次可能的扫描 位置。
使用贪心算法计算得到不相邻的局部最大的点。首先每个细分后的体素中 有一个最大的值， 这些值形成了一个最初的集合 V， 如果该点的幅值低于给定 的阈值， 则从集合 V中删除该点。 当某一个点 被选中之后， 将所述点 加入 集合 V*中。然后集合 V中的所有与 Vi相邻的点都会被删除，直至该集合 V为空。
所述贪心算法确保每一次选择的位置是不相邻的，并且拥有余下点的最大 幅值的位置。 因此， 集合 V*就是要寻找的 NBVs , 选择出来的位置的方向是置 信度比较低的 iso-points sk。 接下来， 需要选择最优描方向使得下一次扫描 能够覆盖尽可能多的低置信度的 iso-points , 同时又尽可能多的覆盖部分高 置信度的 iso-point以确保配准的准确性。 因此没有直接使用 d (vi ; sk)设定 扫描仪的朝向， 而是在局部范围内选择一个更优的点 sk,。
argmaxSk,eYk Ti(sk'X(sk')，
(% = max {w(Vi, Sj )f(Sj)}， ζ(% = ∑jeYk, w(vi; Sj ) (l - f(Sj))。
第三歩， 根据上述得到的下一个扫描视点， 形成扫描路径。
本实施例将得到的 NBVs按照顺时针的顺序排列，形成特定扫描路径规划。 歩骤 S404 , 根据所述新的扫描视点进行扫描， 并根据所述新的扫描视点 扫描得到的点云对歩骤 S401的点云进行实时更新。 具体歩骤如下：
第一歩， 采用带置信度权重的 ICP ( Iterative Closest Point ) 方法进 行点云拼接。
当扫描仪被精确地安置在指定的 NBV上之后，将新扫描出来的点直接加入 到点云中， 也就是说这里不需要配准。 然而， 在实际中， 由于移动配准误差的 确会发生。为了补偿这些误差，采用带权重的 ICP算法，权重根据 iso-points 的置信度确定， 即置信度越高的地方权重越高。
第二歩， 在上述拼接完成之后， 采用带置信度概率的方法进行点云增添。 新扫描的点跟已有扫描点配准好了之后， 新扫描点需要加入已有点集。值 得注意的是这些点不仅仅包含哪些不确定的区域， 也包含确定的区域。如果最 终目标是利用泊松表面重建或者其他的方式生成 3D模型， 可以简单的将这些 点加入到已有点中。但是， 如果目标是生成能够准确描述物体的表面， 那些多 余的点会增加冗余和噪声点。 因此， 本实施例在加入点云的时候， 采用了概率 形式：
P(Pi) = (i - f(sk))p。
其中： sk是里 Pi最近的 iSO-pointS。 根据上式的定义， f (sk)越低， Pi被 加进来的可能性越大。这就使得新加进来的点云在置信度低的地方， 这样能有 效的提高扫描的质量， 并且保证了高置信度的区域不受影响。 参数 ^控制了点 被加进去的可能性。
歩骤 S405 , 判断是否满足终止条件。 所述终止条件为 iso-points的全局 平均置信度达到稳定状态，在本实施例中，所述稳定状态指两次迭代之间的平 均置信的差值小于 0. 005。若满足终止条件，则终止自动扫描，进入歩骤 S406; 若不满足终止条件， 则返回歩骤 S401 , 继续扫描。
歩骤 S406 , 根据此时得到的点云进行高精度三维模型重建。
参阅图 2所示， 是本发明点云三维模型重建系统的硬件架构图。该系统包 括获取模块、 分析模块、 计算模块、 更新模块、 判断模块及重建模块。
所述获取提取模块用于自动扫描需要三维模型重建的物体，获得所述物体 的点云。
所述分析模块用于对上述获得的点云进行品质分析。 具体如下：
第一歩， 对上述获得的点云进行降噪预处理， 以过滤掉所述点云中大量的 噪声和杂点， 进行点云优化操作。 第二歩， 根据预处理后的点云构建距离场， 并进行所述距离场的等值面采 样， 得到等值面采样点。 具体而言：
本实施例的点云曲面重建算法采用隐式重建，其核心是构建一个基于带正 负的距离隐函数的场（以下简称"距离场")。 给定一个点云模型， 空间上每一 个点 X在该场中都有一个对应的值 f (X)。若 X在所述点云模型外部，则 f (χ) <0； 反之， 则 f(x)〉0; 若 f(x)=0， 则表示该点在所述点云模型表面上。 本实施例 得到空间中 f (χ)=0的位置采样点， 然后连接构造一个等值曲面。
采用 Poisson (泊松）方程求解所述距离场： 对任意输入点集， 把原问题转 换成为解一个 Poisson方程， 得到一个基于八叉树的基函数集合。 如此， 对于 空间上任意一点 X，都可以快速通过基函数混合得到对应的距离隐函数值 f (x)。
等值面提取和采样： 在所述距离场上采用 Marching Cube技术在 f (x)=0 上构造一个封闭的等值面网格。用置信度评估该等值面网格的品质， 从离散实 现的角度来说， 利用 Poisson-disk技术在曲面网格上均匀地采样点 （本实施 例中采样点数目为 5000)，然后，为每一个点计算一个置信度（值域范围 0-1)。 也就是说， 置信度低的地方， 几何和拓扑结构信息都比较充分， 不需要进一歩 扫描。 下文中， 我们称等值面采样点为 iso-points, 也称 sk。
第三歩， 对上述每一个等值面采样点进行置信度计算。 具体而言： 首先分别用不同方法算出改点处的点云数据的缺失率（基于距离场梯度分 析的置信度 fg)和属于细节部位的可能性（基于平滑度分析的置信度 fs)。 然后 把这两种置信度相乘混合得到最终的置信度： fk = fg * fs。
基于距离场梯度分析的置信度 fg: 经过实验观察发现， 一直未被关注的距 离场的梯度值 df(x)有重要作用。 简单来说， 梯度越大的地方， 函数值的变化 越陡峭，越能说明该区域在足够数据的支撑下里外拓扑分明， 则等值曲面的置 信度越大。 反之亦然。计算距离场梯度的方法也十分简单， 因为 Poisson方程 的解本身就是距离场的梯度值。 也就是说， 每一个 sk都有个 fg。
基于平滑度分析的置信度 fs: 通过下述方法计算得到每个 sk平滑度分析的 置信度。所述平滑度分析的置信度值越大， 说明局部点云分布越不规整， 则越 有可能是需要多扫描的细节区域。 其中， nk是 sk的法向量， nk是 sk的 K近邻点 (也就是附近最近的前 K个已扫描点 q，本实施例中 K的数目一般为 100)，hk是 指最远的第 k个点离 sk的距离。 fs (Sk' nk) = ^ 6(||sk - qj ||)c()(nk, qj - sk)
0(||sk - qj ||) = e I — ll2/(hk/2)2 (nk, qj— sk) = ll (q广 )Ι|2/0¾/4)2 。
所述计算模块用于对上述品质分析后的点云，计算得到新的扫描视点。具 体歩骤如下：
得到每一个等值面采样点的置信度后，需要决定最佳的位置和朝向来放置 扫描仪， 这个位置叫做 NBV (Next Best View, 下一个最佳视点）。 为了有效 的设定自动扫描的行径， 每一个扫描迭代选择多个 NBV, 通过所述 NBV决策扫 描仪下一个需要移动的部位。所述 NBV的选择由视点向量场指导，在视点向量 场里每个向量的幅度代表了这个点对 NBV的贡献度，同时也考虑了向量的方向 及时扫描仪的朝向。
第一歩， 根据上述得到的每一个等值面采样点的置信度， 生成扫描视点向 量场。
向量场里每个扫描仪都有其最佳的工作距离 [cLnear, d_f ar] 0 不能把扫 描仪放的离物体太近或者太远。 基于最远的工作距离， 选择一个外包围盒 B, 所述外包围盒 B包含了目标物体的所有点， 包围盒 B内的空间即是 NBVs的搜 索空间。将包围盒 B转换成三维的立体网格。所述 NBV得分只在某些格子的中 心点计算， 所述格子必须没有被目标物体占据。 对每一个空的体素 v 从每一 个 iso-point射出一个光线来测试它的可见性。 通过计算 NBV得分 g(Vi)， 来 评价空间中的某一点是否适合作为下个扫描点：
g( i) = max{w(vi; sk)(l - f(sk))}
Sk 其中， f(sk)为上述 iso-point的置信度，且已经被归一化到了 [0， 1]范围； 权重 w ^SiO通过三个子项的乘积进行计算：基于距离的 wd，基于朝向的 w。， 基于可见性的 wv。 如下所示：
Figure imgf000013_0001
Wd(Sk,Vi) = e— (llOi— Sk)|卜 d0)2/(dn/4)2， wo(sk,vi) = e_(1+nkd(vi'sk))2 (l- cos (σ))2 ^ (Sk,Vi) = {; ifSk==。mVi。
本实施例中， 扫描仪最优工作距离 d。 = (dn + df 、11. d(Vi, sk) = (Vi - sk) I I Vi _sk| I代表从 sk指向 的归一化之后的方向。参数 默认设定为 25° ( 当指向 点的 iso-point sk的置信度比较低的时候， 得分函数 g(Vi)有一个较 高的值。 如果得到 g(Vi)的最大值， 则将该得分记录在 3D向量中。 为包围盒 B 的所有体素计算最好的 sk， 以得到视场向量域。
第二歩，根据生成的扫描视点向量场，利用贪心算法选择下一个扫描视点。 为下一轮的扫描选择扫描点的位置和朝向。 首先在 VVF (viewing vector field, 视点向量场） 里选择出局部最大的位置， 把其作为下一次扫描位置。 所述 VVF被分为很多很多体素， 在每个体素中选取局部最大的点。然后选择所 述局部最大的点的一个子集作为优化扫描仪朝向的基础。 在选择子集的时候， 避免选择靠得太近的位置，只选择不相邻的网格中的点作为下一次可能的扫描 使用贪心算法计算得到不相邻的局部最大的点。首先每个细分后的体素中 有一个最大的值， 这些值形成了一个最初的集合 V， 如果该点的幅值低于给定 的阈值， 则从集合 V中删除该点。 当某一个点 被选中之后， 将所述点 加入 集合 V*中。然后集合 V中的所有与 ^相邻的点都会被删除，直至该集合 V为空。
所述贪心算法确保每一次选择的位置是不相邻的，并且拥有余下点的最大 幅值的位置。 因此， 集合 V*就是要寻找的 NBVs, 选择出来的位置的方向是置 信度比较低的 iso-points sk。 接下来， 需要选择最优描方向使得下一次扫描 能够覆盖尽可能多的低置信度的 iso-points , 同时又尽可能多的覆盖部分高 置信度的 iso-point以确保配准的准确性。 因此没有直接使用 d (vi ; sk)设定 扫描仪的朝向， 而是在局部范围内选择一个更优的点 sk,。
argmaxSk,eYk Ti(sk'X(sk')，
(% = max {w(Vi, Sj )f(Sj)}， ζ(% = ∑jeYk, w(vi; Sj ) (l - f(Sj))。
第三歩， 根据上述得到的下一个扫描视点， 形成扫描路径。
本实施例将得到的 NBVs按照顺时针的顺序排列，形成特定扫描路径规划。 所述更新模块用于根据所述新的扫描视点进行扫描，并根据所述新的扫描 视点扫描得到的点云对歩骤 S401的点云进行实时更新。 具体歩骤如下：
第一歩， 带置信度权重的 ICP ( Iterat ive Closest Point ) 方法进行点 云拼接。
当扫描仪被精确地安置在指定的 NBV上之后，将新扫描出来的点直接加入 到点云中， 也就是说这里不需要配准。 然而， 在实际中， 由于移动配准误差的 确会发生。为了补偿这些误差，采用带权重的 ICP算法，权重根据 iso-points 的置信度确定， 即置信度越高的地方权重越高。
第二歩， 在上述拼接完成之后， 采用带置信度概率的方法进行点云增添。 新扫描的点跟已有扫描点配准好了之后， 新扫描点需要加入已有点集。值 得注意的是这些点不仅仅包含哪些不确定的区域， 也包含确定的区域。如果最 终目标是利用泊松表面重建或者其他的方式生成 3D模型， 可以简单的将这些 点加入到已有点中。但是， 如果目标是生成能够准确描述物体的表面， 那些多 余的点会增加冗余和噪声点。 因此， 本实施例在加入点云的时候， 采用了概率 形式：
P(Pi) = (i— f(sk)) p。 其中： sk是里 Pi最近的 iSO-pointS。 根据上式的定义， f (sk)越低， Pi被 加进来的可能性越大。这就使得新加进来的点云在置信度低的地方， 这样能有 效的提高扫描的质量， 并且保证了高置信度的区域不受影响。 参数 P控制了点 被加进去的可能性。
所述判断模块用于判断是否满足终止条件。 所述终止条件为 iso-points 的全局平均置信度达到稳定状态，在本实施例中， 所述稳定状态指两次迭代之 间的平均置信的差值小于 0. 005。 若满足终止条件， 则终止自动扫描； 若不满 足终止条件， 则继续扫描。
所述重建模块用于根据满足终止条件时的点云进行高精度三维模型重建。 虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应 能理解， 上述较佳实施方式仅用来说明本发明， 并非用来限定本发明的保护范 围， 任何在本发明的精神和原则范围之内， 所做的任何修饰、 等效替换、 改进 等， 均应包含在本发明的权利保护范围之内。

Claims

权 利 要 求
1.一种点云三维模型重建方法， 其特征在于， 该方法包括如下歩骤： a.扫描获得需要三维模型重建的物体的点云；
b.对上述获得的点云进行品质分析；
c.对上述品质分析后的点云， 计算得到新的扫描视点；
d.根据所述新的扫描视点进行扫描， 并根据所述新的扫描视点扫描得到的 点云对歩骤 a的点云进行实时更新；
e.根据实时更新后得到的点云进行三维模型重建。
2.如权利要求 1所述的方法， 其特征在于， 该方法在歩骤 d和歩骤 e之间 还包括歩骤：
判断是否满足终止条件： 如果满足终止条件， 则进入歩骤 e; 如果不满足 终止条件， 则返回歩骤 a。
3.如权利要求 1所述的方法， 其特征在于， 所述的歩骤 b包括： 对获得的点云进行降噪预处理；
根据预处理后的点云构建距离场，并进行所述距离场的等值面采样得到等 值面采样点；
对上述每一个等值面采样点进行置信度计算。
4.如权利要求 1所述的方法， 其特征在于， 所述的歩骤 c包括： 根据得到的每一个等值面采样点的置信度， 生成扫描视点向量场； 根据生成的扫描视点向量场选择下一个扫描视点；
根据上述得到的下一个扫描视点形成扫描路径。
5.如权利要求 1所述的方法， 其特征在于， 所述的歩骤 d包括： 采用带置信度权重的方法进行点云拼接；
采用带置信度概率的方法进行点云增添。
6.如权利要求 2所述的方法， 其特征在于， 所述的终止条件为等值面采样 点的全局平均置信度达到稳定状态。
7.—种点云三维模型重建系统， 其特征在于， 该系统包括获取模块、 分析 模块、 计算模块、 更新模块、 判断模块及重建模块， 其中： 所述获取模块用于扫描获得需要三维模型重建的物体的点云； 所述分析模块用于对上述获得的点云进行品质分析；
所述计算模块用于对上述品质分析后的点云， 计算得到新的扫描视点； 所述更新模块用于根据所述新的扫描视点进行扫描，并根据所述新的扫描 视点扫描得到的点云对所述获取模块的点云进行实时更新；
所述重建模块用于根据根据实时更新后得到的点云进行三维模型重建。
8.如权利要求 7所述的系统， 其特征在于， 该系统还包括用于判断是否满 足终止条件的判断模块：
如果满足终止条件， 则所述重建模块进行三维模型重建；
如果不满足终止条件， 则返回所述获取模块继续获取点云。
9.如权利要求 7所述的系统， 其特征在于， 所述的分析模块具体用于： 对获得的点云进行降噪预处理；
根据预处理后的点云构建距离场，并进行所述距离场的等值面采样得到等 值面采样点；
对上述每一个等值面采样点进行置信度计算。
10.如权利要求 7所述的系统， 其特征在于， 所述的计算模块具体用于： 根据得到的每一个等值面采样点的置信度， 生成扫描视点向量场； 根据生成的扫描视点向量场选择下一个扫描视点；
根据上述得到的下一个扫描视点形成扫描路径。
11.如权利要求 7所述的系统， 其特征在于， 所述的更新模块具体用于： 采用带置信度权重的方法进行点云拼接；
采用带置信度概率的方法进行点云增添。
12.如权利要求 8所述的系统， 其特征在于， 所述的终止条件为等值面采 样点的全局平均置信度达到稳定状态。
PCT/CN2014/084701 2014-06-13 2014-08-19 点云三维模型重建方法及系统 Ceased WO2015188445A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/342,267 US10062207B2 (en) 2014-06-13 2016-11-03 Method and system for reconstructing a three-dimensional model of point clouds

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410264099.6A CN104063894B (zh) 2014-06-13 2014-06-13 点云三维模型重建方法及系统
CN201410264099.6 2014-06-13

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/342,267 Continuation US10062207B2 (en) 2014-06-13 2016-11-03 Method and system for reconstructing a three-dimensional model of point clouds

Publications (1)

Publication Number Publication Date
WO2015188445A1 true WO2015188445A1 (zh) 2015-12-17

Family

ID=51551586

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/084701 Ceased WO2015188445A1 (zh) 2014-06-13 2014-08-19 点云三维模型重建方法及系统

Country Status (3)

Country Link
US (1) US10062207B2 (zh)
CN (1) CN104063894B (zh)
WO (1) WO2015188445A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091613A (zh) * 2019-10-31 2020-05-01 中国化学工程第六建设有限公司 基于无人机航测的三维实景建模方法
CN111241615A (zh) * 2019-12-31 2020-06-05 国网山西省电力公司晋中供电公司 一种高度真实感的变电站多源融合三维建模方法
CN112446951A (zh) * 2020-11-06 2021-03-05 杭州易现先进科技有限公司 三维重建方法、装置、电子设备及计算机存储介质
CN112541264A (zh) * 2020-12-08 2021-03-23 石河子大学 一种基于隐式建模的高效曲面增厚方法
CN113766082A (zh) * 2021-09-08 2021-12-07 泰兴市建设工程施工图审查服务中心 一种基于施工图审查矢量图纸编译方法及系统
CN114299013A (zh) * 2021-12-28 2022-04-08 联想(北京)有限公司 一种立体对象检测方法、系统及电子设备
CN116841246A (zh) * 2023-05-12 2023-10-03 东方电气集团科学技术研究院有限公司 一种基于三维点云数据的机器人打磨路径自动规划方法
CN119850836A (zh) * 2024-12-24 2025-04-18 西南科技大学 一种多线结构光三维重建帧点云实时去堆叠与融合方法
CN121033276A (zh) * 2025-08-14 2025-11-28 山西万鼎空间数字股份有限公司 基于激光雷达实景三维成果产品展示方法及系统

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489218B (zh) * 2013-09-17 2016-06-29 中国科学院深圳先进技术研究院 点云数据质量自动优化方法及系统
US10252460B1 (en) * 2014-09-15 2019-04-09 Lockheed Martin Corporation Method of forming an optical element using an additive manufactured component, and related devices, components, and systems
CN104408762A (zh) * 2014-10-30 2015-03-11 福州大学 利用单目和二维平台获取物体图像信息及三维模型的方法
CN104527078B (zh) * 2015-01-22 2017-05-24 合肥阿巴赛信息科技有限公司 一种三维打印的可打印性获取方法及系统
CN105160344B (zh) * 2015-06-18 2019-01-04 北京大学深圳研究生院 一种三维点云的局部特征提取方法及装置
US9646410B2 (en) * 2015-06-30 2017-05-09 Microsoft Technology Licensing, Llc Mixed three dimensional scene reconstruction from plural surface models
GB201512304D0 (en) * 2015-07-13 2015-08-19 Whispering Gibbon Ltd Preparing a polygon mesh for printing
WO2017031718A1 (zh) * 2015-08-26 2017-03-02 中国科学院深圳先进技术研究院 弹性物体变形运动的建模方法
CN105260989B (zh) * 2015-09-10 2019-01-29 安徽工业大学 基于多图配准复原三维图像的方法
WO2017147412A1 (en) 2016-02-25 2017-08-31 Stratasys Ltd. Gpu material assignment for 3d printing using 3d distance fields
US20190332723A1 (en) * 2016-09-14 2019-10-31 Mixed Dimensions Inc. 3d model validation and optimization system and method thereof
US10600199B2 (en) * 2017-06-27 2020-03-24 Toyota Research Institute, Inc. Extending object detection and identification capability for an object sensor device
US10438408B2 (en) 2017-07-28 2019-10-08 The Boeing Company Resolution adaptive mesh for performing 3-D metrology of an object
US10732284B2 (en) 2017-07-28 2020-08-04 The Boeing Company Live metrology of an object during manufacturing or other operations
US10354444B2 (en) 2017-07-28 2019-07-16 The Boeing Company Resolution adaptive mesh that is generated using an intermediate implicit representation of a point cloud
CN109523581B (zh) * 2017-09-19 2021-02-23 华为技术有限公司 一种三维点云对齐的方法和装置
CN107610223B (zh) * 2017-09-20 2020-09-25 广东电网有限责任公司机巡作业中心 基于LiDAR点云的电力塔三维重建方法
CN107832849B (zh) * 2017-11-01 2021-03-12 广东电网有限责任公司电力科学研究院 一种基于知识库的电力线廊道三维信息提取方法及装置
CN107808062A (zh) * 2017-11-21 2018-03-16 北京恒华伟业科技股份有限公司 一种三维电缆模型的生成方法及系统
GB2568687B (en) 2017-11-22 2021-11-17 Sony Interactive Entertainment Inc A system and method of 3D print modelling
US10529089B2 (en) * 2018-02-23 2020-01-07 GM Global Technology Operations LLC Crowd-sensed point cloud map
CN108492329B (zh) * 2018-03-19 2022-04-12 北京航空航天大学 一种三维重建点云精度和完整度评价方法
CN108776990A (zh) * 2018-04-10 2018-11-09 清华大学 基于三阶球面谐波的动态场景高精度实时三维重建方法及系统
CN108648277B (zh) * 2018-04-25 2021-11-09 南京理工大学 一种激光雷达点云数据的快速重建方法
CN109448135B (zh) * 2018-09-26 2022-12-23 速度时空信息科技股份有限公司 一种基于多源数据的三维模型修补的方法
US10712730B2 (en) * 2018-10-04 2020-07-14 The Boeing Company Methods of synchronizing manufacturing of a shimless assembly
CN109636718B (zh) * 2018-10-31 2021-04-20 百度在线网络技术（北京）有限公司 点云拼接质量的检测方法、装置、设备及存储介质
CN109712230B (zh) * 2018-11-27 2023-02-28 先临三维科技股份有限公司 三维模型补充方法、装置、存储介质及处理器
CN109472861B (zh) * 2018-12-03 2021-05-07 山东大学 交互式树木建模方法、模型生成方法及系统
WO2020118588A1 (zh) * 2018-12-12 2020-06-18 中国科学院深圳先进技术研究院 图像级jnd阈值的预测方法、装置、设备及存储介质
US11665372B2 (en) * 2019-01-07 2023-05-30 Samsung Electronics Co., Ltd. Fast projection method in video-based point cloud compression codecs
CN109977466B (zh) * 2019-02-20 2021-02-02 深圳大学 一种三维扫描视点规划方法、装置及计算机可读存储介质
KR102140594B1 (ko) * 2019-04-09 2020-08-03 한국과학기술연구원 프리미티브 기반의 3차원 자동 스캔 방법 및 시스템
CN110243307B (zh) * 2019-04-15 2025-01-17 深圳市易尚展示股份有限公司 一种自动化三维彩色成像与测量系统
CN111060006B (zh) * 2019-04-15 2024-12-13 深圳市易尚展示股份有限公司 一种基于三维模型的视点规划方法
CN110246186B (zh) * 2019-04-15 2025-08-01 深圳市易尚展示股份有限公司 一种自动化三维彩色成像与测量方法
US11592820B2 (en) 2019-09-13 2023-02-28 The Boeing Company Obstacle detection and vehicle navigation using resolution-adaptive fusion of point clouds
CN111062069B (zh) * 2019-11-14 2023-05-26 上海市建筑装饰工程集团有限公司 适用于建筑装饰工程复杂多曲构件的数字化建造辅助施工方法
CN111275747B (zh) * 2019-11-18 2023-05-23 中国商用飞机有限责任公司 一种虚拟装配方法、装置、设备和介质
CN111009029B (zh) * 2019-11-25 2021-05-11 视辰信息科技(上海)有限公司 三维重建的数据处理方法、装置、电子设备与存储介质
CN110992410B (zh) * 2019-11-29 2020-10-30 广东技术师范大学 基于rgb-d数据融合的机器人视觉引导方法和装置
CN111053574B (zh) * 2019-12-05 2022-10-04 深圳开立生物医疗科技股份有限公司 一种三维表面重建方法、装置及超声设备和存储介质
CN111540001B (zh) * 2020-04-09 2022-08-05 上海交通大学 航空发动机涡轮叶片气膜孔轴线方向检测方法
CN111523441B (zh) * 2020-04-21 2023-09-26 南京工程学院 水下机器人复杂水下环境自主探测方法
CN111640109B (zh) * 2020-06-05 2023-07-14 如你所视(北京)科技有限公司 模型检测方法及系统
CN112446827B (zh) * 2020-11-23 2023-06-23 北京百度网讯科技有限公司 点云信息的处理方法和装置
CN113223172A (zh) * 2021-05-08 2021-08-06 余姚市规划测绘设计院 基于激光扫描的三维实景建立方法、系统及其设备
CN113256773B (zh) * 2021-05-10 2022-10-28 青岛小鸟看看科技有限公司 表面网格扫描及显示方法、系统及装置
CN115880589A (zh) * 2021-11-10 2023-03-31 北京理工大学 一种基于无人机视觉的目标识别与评估方法
CN114063616B (zh) * 2021-11-11 2024-03-01 深圳市城市公共安全技术研究院有限公司 基于三维激光扫描探测规划林区路径的方法及装置
CN116407314B (zh) * 2021-12-31 2026-03-10 苏州佳世达光电有限公司 产生三维影像的系统及方法
CN114565689B (zh) * 2022-02-28 2024-02-02 燕山大学 一种面向轴对称类三维模型数据压缩重建方法
CN115482351A (zh) * 2022-05-10 2022-12-16 清华大学 物体三维重建方法及装置
CN116465827B (zh) * 2023-03-17 2023-10-31 中国科学院自动化研究所 视点路径规划方法、装置、电子设备及存储介质
CN116228994B (zh) * 2023-05-09 2023-08-01 腾讯科技（深圳）有限公司 三维模型获取方法、装置、设备及存储介质
CN116246121B (zh) * 2023-05-12 2023-08-11 山东科技大学 一种基于改进最远点采样的点云数据处理方法
CN117078891B (zh) * 2023-10-17 2024-01-09 西安第六镜网络科技有限公司 激光轮廓mesh重建方法、装置、电子设备和存储介质
CN117499547B (zh) * 2023-12-29 2025-04-01 先临三维科技股份有限公司 自动化三维扫描方法、装置、设备及存储介质
CN117934760B (zh) * 2024-01-23 2025-01-24 西南交通大学 基于非接触扫描测量的刀具曲面三维重建方法
CN118262056B (zh) * 2024-05-29 2024-08-06 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
CN118608381B (zh) * 2024-08-06 2024-10-18 元宇智数(深圳)科技有限公司 一种房屋户型的点云数据拼接方法、装置及存储介质
CN119762722B (zh) * 2025-03-07 2025-07-15 先临三维科技股份有限公司 转站扫描的数据拼接方法及相关设备、转站扫描系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120243774A1 (en) * 2010-07-28 2012-09-27 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method for reconstruction of urban scenes
CN102722907A (zh) * 2012-05-22 2012-10-10 清华大学 基于管道工厂点云的几何建模方法
CN103489218A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 点云数据质量自动优化方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120243774A1 (en) * 2010-07-28 2012-09-27 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method for reconstruction of urban scenes
CN102722907A (zh) * 2012-05-22 2012-10-10 清华大学 基于管道工厂点云的几何建模方法
CN103489218A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 点云数据质量自动优化方法及系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091613A (zh) * 2019-10-31 2020-05-01 中国化学工程第六建设有限公司 基于无人机航测的三维实景建模方法
CN111241615A (zh) * 2019-12-31 2020-06-05 国网山西省电力公司晋中供电公司 一种高度真实感的变电站多源融合三维建模方法
CN112446951A (zh) * 2020-11-06 2021-03-05 杭州易现先进科技有限公司 三维重建方法、装置、电子设备及计算机存储介质
CN112446951B (zh) * 2020-11-06 2024-03-26 杭州易现先进科技有限公司 三维重建方法、装置、电子设备及计算机存储介质
CN112541264A (zh) * 2020-12-08 2021-03-23 石河子大学 一种基于隐式建模的高效曲面增厚方法
CN113766082A (zh) * 2021-09-08 2021-12-07 泰兴市建设工程施工图审查服务中心 一种基于施工图审查矢量图纸编译方法及系统
CN114299013A (zh) * 2021-12-28 2022-04-08 联想(北京)有限公司 一种立体对象检测方法、系统及电子设备
CN116841246A (zh) * 2023-05-12 2023-10-03 东方电气集团科学技术研究院有限公司 一种基于三维点云数据的机器人打磨路径自动规划方法
CN119850836A (zh) * 2024-12-24 2025-04-18 西南科技大学 一种多线结构光三维重建帧点云实时去堆叠与融合方法
CN121033276A (zh) * 2025-08-14 2025-11-28 山西万鼎空间数字股份有限公司 基于激光雷达实景三维成果产品展示方法及系统

Also Published As

Publication number Publication date
CN104063894B (zh) 2017-02-22
US20170053438A1 (en) 2017-02-23
CN104063894A (zh) 2014-09-24
US10062207B2 (en) 2018-08-28

Similar Documents

Publication Publication Date Title
WO2015188445A1 (zh) 点云三维模型重建方法及系统
US11295522B2 (en) Three-dimensional (3D) model creation and incremental model refinement from laser scans
US7443393B2 (en) Method, system, and program product for re-meshing of a three-dimensional input model using progressive implicit approximating levels
Wu et al. Quality-driven poisson-guided autoscanning
CN102467753B (zh) 基于骨架配准的时变点云重建方法及系统
CN110363849A (zh) 一种室内三维建模方法及系统
CN110992473A (zh) 一种基于车载激光扫描点云的树木枝干建模方法及系统
CN117976153A (zh) 一种基于云计算的血栓风险评估方法及系统
CN117253011A (zh) 一种面向数字化正畸的虚拟牙龈网格模型生成方法及系统
CN103164870A (zh) 一种由生物体点云构建网格面的方法
WO2025242011A1 (zh) 一种基于多源输入的三维模型重建方法和装置
CN111898819B (zh) 空间网格划分方法及装置
CN111429343B (zh) 一种三维数字图像中分支点的快速检测方法
CN117710601B (zh) 一种基于激光点云和图像信息的单木骨架提取方法及系统
CN107221027A (zh) 一种将用户自定义内容嵌入倾斜摄影三维模型的方法
Horn et al. Robust skeletonization for plant root structure reconstruction from MRI
CN115082619A (zh) 三维点云重建和补全方法、装置、电子设备以及存储介质
CN109919916A (zh) 一种壁面切应力优化方法及装置、存储介质
CN113298919A (zh) 一种三维植物点云模型的骨架提取方法
Zeng et al. 3D plants reconstruction based on point cloud
CN114170268B (zh) 一种风暴运动向量估计方法、系统和计算机存储介质
CN120525928B (zh) 一种林木三维点云模型的跨源融合建模方法及系统
Favorskaya et al. Realistic tree modelling
Kretschmer et al. Reliable Adaptive Modelling of Vascular Structures with Non‐Circular Cross‐Sections
CN120510298A (zh) 基于交互分割先验和隐式表面重建的三维物体重建方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14894261

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 20.04.2017)

122 Ep: pct application non-entry in european phase

Ref document number: 14894261

Country of ref document: EP

Kind code of ref document: A1