CN108010123A - 一种保留拓扑信息的三维点云获取方法 - Google Patents
一种保留拓扑信息的三维点云获取方法 Download PDFInfo
- Publication number
- CN108010123A CN108010123A CN201711178471.1A CN201711178471A CN108010123A CN 108010123 A CN108010123 A CN 108010123A CN 201711178471 A CN201711178471 A CN 201711178471A CN 108010123 A CN108010123 A CN 108010123A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- point cloud
- matching
- dimensional point
- 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 43
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种保留拓扑信息的三维点云获取方法，首先，利用相机通过围绕式或低空航拍获取图像，并对图像进行灰度化、高斯去噪、照片对齐等数据预处理；其次，进行保留拓扑信息的特征点提取与匹配；然后，解算三维点云并将二维拓扑关系映射到三维空间，获取的点云数据成果可用于构建三维模型。本发明与目前常规的基于序列图像的三维点云获取方法相比，具有点云分布均匀、自带三维拓扑信息的优势，可显著提高构建三维模型的精度。
Description
技术领域
本发明涉及计算机视觉领域的图像处理和基于序列图像的三维点云重建，尤其涉及一种保留拓扑信息的三维点云获取方法。
背景技术
在计算机视觉中，三维重建是指根据单视图或者多视图的图像重建三维信息的过程。由于单视图的信息不完全，因此三维重建需要利用经验知识。而多视图的三维重建(类似人的双目定位)相对比较容易，其方法是先对摄像机进行标定获取相机内参，然后通过匹配出的特征点对解算出相机的运动参数，两者结合即可计算出摄像机的图像坐标系与世界坐标系的关系，最终利用多个二维图像中的信息重建出三维信息。
三维点云获取是基于多视图三维重建的关键技术与难点，三维点云的质量决定了后续构建三维模型的精度。现有的三维点云获取步骤：图像预处理、特征点提取与匹配、解算三维点云，其中特征点的提取与匹配是其中资源耗费最大的部分，也是相关学者致力于优化、改进的研究热点。现有的特征点提取算法有SIFT、SURF、ORB等，这些算法在克服图像尺度和旋转变化、光照变化和图像变形等方面取得较好成果。但目前各种方法提取出的特征点都存在冗余、分布不均、不包含二维拓扑信息的缺陷，影响后续构建三维模型的成败和精度。
发明内容
发明目的：针对上述现有技术的局限性，本发明的目的是提供一种保留轮廓纹理拓扑信息的三维点云获取方法，解决点云数据冗余、分布不均和不包含轮廓纹理拓扑信息的缺陷，用于后续构建带拓扑约束的三维模型，提高模型精度。
技术方案：一种保留拓扑信息的三维点云获取方法，该方法的主要流程如下：首先，利用相机通过围绕式或低空航拍获取图像，并对图像进行灰度化、高斯去噪、照片对齐等数据预处理；其次，进行保留拓扑信息的特征点提取与匹配；然后，解算三维点云并将二维拓扑关系映射到三维空间，获取的点云数据成果可用于构建三维模型。在基于序列图像的三维点云获取过程中，本发明所提供的方法，包括以下步骤：
1、相机标定，获取相机内部参数，以矩阵的形式保存；
2、通过围绕式或低空航拍的方式获取目标区域的图像数据；
3、对获取的图像数据进行图像灰度化、高斯去噪、照片对齐预处理，具体照片对齐步骤如下：
3.1、利用FAST算子提取特征点，并计算描述子；
3.2、利用FLANN实现高效特征点匹配及双向匹配技术减少误匹配；
3.3、利用RANSAC过滤误匹配；
3.4、利用步骤3.3中获取的特征点对采用8点法解算基础矩阵，结合步骤1中已有的相机标定矩阵获取图像对的本质矩阵；
3.5、利用步骤3.4中获取的图像对的本质矩阵，估算所有图像的匹配图像：
3.5a、通过将图像对的本质矩阵分解为旋转和平移两部分，获取两个相机之间的位置变换关系，以此类推可获取任意一对相机的位置变换关系；
3.5b、选取第一张图像，根据该图像与其他图像相对位置变换关系，选取图像对之间旋转和平移尺度最小的作为该图像的匹配图像；
3.5c、以第一张图像的匹配图像作为第二张待匹配图像并执行3.5a与3.5b，以此类推确定所有图像的匹配图像；
3.6、假定第一张图像的相机矩阵固定且是标准型，利用步骤3.5a中获取的相机之间位置变换关系得到匹配图像对中另一张图像的相机矩阵，并以此获取所有图像的相机矩阵；
4、保留轮廓纹理拓扑关系的特征点提取；
4.1、利用Canny边缘提取算法提取每一幅图像中目标地物所有轮廓纹理特征，检测的轮廓纹理不建立等级关系，每一幅图像的轮廓纹理数据都保存在二维容器中，其中每条轮廓纹理数据保存为点数据格式；
4.2、利用道格拉斯-普克算法对每一幅图像的每一条轮廓纹理点数据进行精简：
4.2a、保留精简后的轮廓纹理点，作为待匹配特征点，并标记该点所属的图像和轮廓编号，每一幅图像的处理结果单独保存在一个二维容器中；
4.2b、保留精简前的轮廓纹理点，作为特征点匹配的特征点库。
5、特征点匹配及过滤误匹配；
5.1、利用SIFT算子对待匹配特征点进行特征描述；
5.2、特征点匹配：
5.2a、选取第一张图像，根据步骤3.5中获取的待匹配图像对，确定该图像的匹配图像；
5.2b、在匹配图像对中，一张图像上的待匹配特征点与匹配图像上的特征点库利用步骤3.4中获取本质矩阵确定的“极线约束”关系缩小搜索范围；
5.2c、利用FLANN实现高效匹配；
5.3、利用RANSAC算法过滤误匹配。
6、利用步骤5中获取的匹配特征点对，根据三角形法解算三维点云；
6.1、在一个匹配图像对中通过两个二维点来近似一个三维点，即利用步骤3.6中获取的相机矩阵与步骤5.3中获取的匹配特征点对之间的约束关系，解算空间点的三维坐标；
6.2、通过一个循环对匹配点对执行步骤6.1操作来实现完整的三角形法，获取两幅图像重建的三维点云，以此作为序列图像三维重建的初始结构；
6.3、将剩下的图像逐个加入这个初始结构中，即在剩下的图像中找到与第二张图像匹配的图像作为第三张重建的图像，重复执行步骤6.2，即可得到序列图像的三维点云。
7、将步骤4获取特征点中包含的二维轮廓纹理拓扑信息映射到三维点云，将无组织的三维点云转变为可分类的、带有轮廓纹理拓扑信息的三维点云。
7.1、在步骤6.1三角形法解算过程中，通过两幅图像中的两个二维匹配点解算一个三维点坐标时，将两个特征点所属的图像和轮廓信息保留到解算出的三维点信息中，即完成了二维拓扑信息到三维拓扑信息的映射；
7.2、在步骤7.1中得到的三维点云中，每一个三维点都包含了该点来自于哪两幅图像以及其在该图像上具体的轮廓编号，据此可对点云进行分类：
7.2a、根据该三维点的图像编号对所得点云进行一级分类；
7.2b、根据该三维点对应该图像上的轮廓编号对一级分类后的点云进行二级分类。
有益效果：相较于传统的基于序列图像三维点云获取技术，该方法支持围绕式和平铺式、有序和无序的拍照方式，获取的特征点分布均匀，并且提高了特征点匹配效率，最重要的优势是该方法保留了二维拓扑信息并将其映射到三维点云，可用于后续构建带拓扑约束的三维模型，提高模型精度。
附图说明
图1为本发明方法的流程示意图；
图2为常规三维点云获取方法的重建出的小房子的三维点云；
图3为本发明提供的保留拓扑信息的三维点云获取方法的重建出的小房子的三维点云；
图4(a)为不加约束的点云构网；
图4(b)为轮廓纹理约束信息示意；
图4(c)为带轮廓纹理约束的点云构网。
具体实施方式
图1所示为本发明一种保留拓扑信息的三维点云获取方法的主要流程。通过本发明所提供的保留拓扑信息三维点云获取方法，得到的三维点云数据可用于后续构建带拓扑约束的三维模型，提高模型精度。以获取一间房屋的三维点云数据为例，结合附图1对以下各步骤进行详细描述：
1、相机标定，获取相机内部参数，以矩阵K的形式保存；
2、通过围绕式拍照方式获取目标区域的图像数据；
3、对获取的图像数据进行图像灰度化、高斯去噪、照片对齐预处理，具体照片对齐步骤如下；
3.1、利用FAST算子提取特征点(建议设置Fast算子阈值为20，设定最多提取点数量为1000个)，并计算描述子；
3.2、利用FLANN实现高效特征点匹配及双向匹配技术减少误匹配；
3.3、利用RANSAC过滤误匹配；
3.4、利用步骤3.3中获取的特征点对采用8点法解算基础矩阵F，结合步骤1中已有的相机标定矩阵K获取图像对的本质矩阵E；
3.5、利用步骤3.4中获取的图像对的本质矩阵E，估算所有图像的匹配图像：
3.5a、通过将图像对的本质矩阵E分解为旋转R和平移t两部分，获取两个相机之间的位置变换关系，以此类推可获取任意一对相机的位置变换关系；
3.5b、选取第一张图像，根据该图像与其他图像相对位置变换关系，选取图像对之间旋转和平移尺度最小的作为该图像的匹配图像；
3.5c、以第一张图像的匹配图像作为第二张待匹配图像并执行3.5a与3.5b，以此类推确定所有图像的匹配图像；
3.6、假定第一张图像的相机矩阵P0固定且是标准型，利用步骤3.5a中获取的相机之间位置变换关系得到匹配图像对中另一张图像的相机矩阵P1，并以此获取所有图像的相机矩阵；
4、保留轮廓纹理拓扑关系的特征点提取；
4.1、利用Canny边缘提取算法提取每一幅图像中目标地物所有轮廓纹理特征，检测的轮廓纹理不建立等级关系，每一幅图像的轮廓纹理数据都保存在二维容器中，其中每条轮廓纹理数据保存为点数据格式；
4.2、利用道格拉斯-普克算法(建议阈值为5)对每一幅图像的每一条轮廓纹理点数据进行精简：
4.2a、保留精简后的轮廓纹理点，作为待匹配特征点，并标记该点所属的图像和轮廓编号，每一幅图像的处理结果单独保存在一个二维容器中；
4.2b、保留精简前的轮廓纹理点，作为特征点匹配的特征点库。
5、特征点匹配及过滤误匹配；
5.1、利用SIFT算子对待匹配特征点进行特征描述；
5.2、特征点匹配：
5.2a、选取第一张图像，根据步骤3.5中获取的待匹配图像对，确定该图像的匹配图像；
5.2b、在匹配图像对中，一张图像上的待匹配特征点与匹配图像上的特征点库利用步骤3.4中获取本质矩阵确定的“极线约束”关系缩小搜索范围；
5.2c、利用FLANN实现高效匹配；
5.3、利用RANSAC算法过滤误匹配。
6、利用步骤5中获取的匹配特征点对，根据三角形法解算三维点云；
6.1、在一个匹配图像对中通过两个二维点来近似一个三维点，即利用步骤3.6中获取的相机矩阵P与步骤5.3中获取的匹配特征点对之间的约束关系，解算空间点的三维坐标；
6.2、通过一个循环对匹配点对执行步骤6.1操作来实现完整的三角形法，获取两幅图像重建的三维点云，以此作为序列图像三维重建的初始结构；
6.3、将剩下的图像逐个加入这个初始结构中，即在剩下的图像中找到与第二张图像匹配的图像作为第三张重建的图像，重复执行步骤6.2，即可得到序列图像的三维点云。
7、将步骤4获取特征点中包含的二维轮廓纹理拓扑信息映射到三维点云，将无组织的三维点云转变为可分类的、带有轮廓纹理拓扑信息的三维点云。
7.1、在步骤6.1三角形法解算过程中，通过两幅图像中的两个二维匹配点解算一个三维点坐标时，将两个特征点所属的图像和轮廓信息保留到解算出的三维点信息中，即完成了二维拓扑信息到三维拓扑信息的映射；
7.2、在步骤7.1中得到的三维点云中，每一个三维点都包含了该点来自于哪两幅图像以及其在该图像上具体的轮廓编号，据此可对点云进行分类：
7.2a、根据该三维点的图像编号对所得点云进行一级分类；
7.2b、根据该三维点对应该图像上的轮廓编号对一级分类后的点云进行二级分类。
附图2和附图3的对比可以体现出本发明较常规方法而言，获取的点云分布更加均匀，门框等细节处数据更丰富。图4(a)为不加约束的点云构网，4(b)为轮廓纹理约束信息示意，4(c)为带轮廓纹理约束的点云构网，体现了利用本发明所提供的保留拓扑信息的三维点云获取方法获取的点云数据在构建模型表面网格时的优势，即使模型更加贴近真实场景，且提高了模型精度。
Claims (7)
1.一种保留拓扑信息的三维点云获取方法，其特征在于，包括以下步骤：
步骤1、相机标定，获取相机内部参数，以矩阵的形式保存；
步骤2、通过围绕式或低空航拍的方式获取目标区域的图像数据；
步骤3、对获取的图像数据进行预处理；
步骤4、保留轮廓纹理拓扑关系的特征点提取；
步骤5、特征点匹配及过滤误匹配；
步骤6、利用步骤5中获取的匹配特征点对，根据三角形法解算三维点云；
步骤7、将步骤4获取特征点中包含的二维轮廓纹理拓扑信息映射到三维点云，将无组织的三维点云转变为可分类的、带有轮廓纹理拓扑信息的三维点云。
2.根据权利要求1所述的保留拓扑信息的三维点云获取方法，其特征在于：所述步骤3中的数据预处理包括：图像灰度化、高斯去噪和照片对齐。
3.根据权利要求2所述的保留拓扑信息的三维点云获取方法，其特征在于，所述照片对齐包括以下步骤：
步骤3.1、利用FAST算子提取特征点，并计算描述子；
步骤3.2、利用FLANN实现高效特征点匹配及双向匹配技术减少误匹配；
步骤3.3、利用RANSAC过滤误匹配；
步骤3.4、利用步骤3.3中获取的特征点对采用8点法解算基础矩阵，结合步骤1中已有的相机标定矩阵获取图像对的本质矩阵；
步骤3.5、利用步骤3.4中获取的图像对的本质矩阵，估算所有图像的匹配图像：
3.5a、通过将图像对的本质矩阵分解为旋转和平移两部分，获取两个相机之间的位置变换关系，以此类推可获取任意一对相机的位置变换关系；
3.5b、选取第一张图像，根据该图像与其他图像相对位置变换关系，选取图像对之间旋转和平移尺度最小的作为该图像的匹配图像；
3.5c、以第一张图像的匹配图像作为第二张待匹配图像并执行3.5a与3.5b，以此类推确定所有图像的匹配图像；
步骤3.6、假定第一张图像的相机矩阵固定且是标准型，利用步骤3.5a中获取的相机之间位置变换关系得到匹配图像对中另一张图像的相机矩阵，并以此获取所有图像的相机矩阵。
4.根据权利要求1所述的保留拓扑信息的三维点云获取方法，其特征在于，所述步骤4包括如下步骤：
步骤4.1、利用Canny边缘提取算法提取每一幅图像中目标地物所有轮廓纹理特征，检测的轮廓纹理不建立等级关系，每一幅图像的轮廓纹理数据都保存在二维容器中，其中每条轮廓纹理数据保存为点数据格式；
步骤4.2、利用道格拉斯-普克算法对每一幅图像的每一条轮廓纹理点数据进行精简：
4.2a、保留精简后的轮廓纹理点，作为待匹配特征点，并标记其所属的图像和轮廓编号，每一幅图像的处理结果单独保存在一个二维容器中；
4.2b、保留精简前的轮廓纹理点，作为特征点匹配的特征点库。
5.根据权利要求1所述的保留拓扑信息的三维点云获取方法，其特征在于，所述步骤5包括如下步骤：
步骤5.1、利用SIFT算子对每一幅图像的待匹配特征点进行特征描述；
步骤5.2、特征点匹配：
5.2a、选取第一张图像，根据步骤3.5中获取的待匹配图像对，确定该图像的匹配图像；
5.2b、在匹配图像对中，一张图像上的待匹配特征点与匹配图像上的特征点库利用步骤3.4中获取本质矩阵确定的“极线约束”关系缩小搜索范围；
5.2c、利用FLANN实现高效匹配；
步骤5.3、利用RANSAC算法过滤误匹配。
6.根据权利要求3所述的保留拓扑信息的三维点云获取方法，其特征在于，所述步骤6具体包括：
步骤6.1、在一个匹配图像对中通过两个二维点来近似一个三维点，即利用步骤3.6中获取的相机矩阵与步骤5.3中获取的匹配特征点对之间的约束关系，解算空间点的三维坐标；
步骤6.2、通过一个循环对匹配点对执行步骤6.1操作来实现完整的三角形法，获取两幅图像重建的三维点云，以此作为序列图像三维重建的初始结构；
步骤6.3、将剩下的图像逐个加入这个初始结构中，即在剩下的图像中找到与第二张图像匹配的图像作为第三张重建的图像，重复执行步骤6.2，即可得到序列图像的三维点云。
7.根据权利要求6所述的保留拓扑信息的三维点云获取方法，其特征在于，步骤7中具体包括：
7.1、在步骤6.1三角形法解算过程中，通过两幅图像中的两个二维匹配点解算一个三维点坐标时，将两个特征点所属的图像和轮廓信息保留到解算出的三维点信息中，即完成了二维拓扑信息到三维拓扑信息的映射；
7.2、在步骤7.1中得到的三维点云中，每一个三维点都包含了该点来自于哪两幅图像以及其在该图像上具体的轮廓编号，据此可对点云进行分类：
7.2a、根据该三维点的图像编号对所得点云进行一级分类；
7.2b、根据该三维点对应该图像上的轮廓编号对一级分类后的点云进行二级分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711178471.1A CN108010123B (zh) | 2017-11-23 | 2017-11-23 | 一种保留拓扑信息的三维点云获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711178471.1A CN108010123B (zh) | 2017-11-23 | 2017-11-23 | 一种保留拓扑信息的三维点云获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108010123A true CN108010123A (zh) | 2018-05-08 |
| CN108010123B CN108010123B (zh) | 2021-02-09 |
Family
ID=62053322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711178471.1A Active CN108010123B (zh) | 2017-11-23 | 2017-11-23 | 一种保留拓扑信息的三维点云获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108010123B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734654A (zh) * | 2018-05-28 | 2018-11-02 | 深圳市易成自动驾驶技术有限公司 | 绘图与定位方法、***及计算机可读存储介质 |
| CN108765574A (zh) * | 2018-06-19 | 2018-11-06 | 北京智明星通科技股份有限公司 | 3d场景拟真方法及***和计算机可读存储介质 |
| CN109472802A (zh) * | 2018-11-26 | 2019-03-15 | 东南大学 | 一种基于边缘特征自约束的表面网格模型构建方法 |
| CN109598783A (zh) * | 2018-11-20 | 2019-04-09 | 西南石油大学 | 一种房间3d建模方法及家具3d预览*** |
| CN109816771A (zh) * | 2018-11-30 | 2019-05-28 | 西北大学 | 一种结合特征点拓扑和几何约束的文物碎片自动重组方法 |
| CN109951342A (zh) * | 2019-04-02 | 2019-06-28 | 上海交通大学 | 空间信息网络的三维矩阵拓扑表示及路由遍历优化实现方法 |
| CN110443785A (zh) * | 2019-07-18 | 2019-11-12 | 太原师范学院 | 一种持久同调下三维点云的特征提取方法 |
| CN111325854A (zh) * | 2018-12-17 | 2020-06-23 | 三菱重工业株式会社 | 形状模型修正装置及形状模型修正方法以及存储介质 |
| WO2021160071A1 (en) * | 2020-02-11 | 2021-08-19 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Feature spatial distribution management for simultaneous localization and mapping |
| CN118154460A (zh) * | 2024-05-11 | 2024-06-07 | 成都大学 | 一种沥青路面三维点云数据的处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070183653A1 (en) * | 2006-01-31 | 2007-08-09 | Gerard Medioni | 3D Face Reconstruction from 2D Images |
| CN102074015A (zh) * | 2011-02-24 | 2011-05-25 | 哈尔滨工业大学 | 一种基于二维图像序列的目标对象的三维重建方法 |
| CN104952075A (zh) * | 2015-06-16 | 2015-09-30 | 浙江大学 | 面向激光扫描三维模型的多图像自动纹理映射方法 |
| CN106651942A (zh) * | 2016-09-29 | 2017-05-10 | 苏州中科广视文化科技有限公司 | 基于特征点的三维旋转运动检测与旋转轴定位方法 |
-
2017
- 2017-11-23 CN CN201711178471.1A patent/CN108010123B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070183653A1 (en) * | 2006-01-31 | 2007-08-09 | Gerard Medioni | 3D Face Reconstruction from 2D Images |
| CN102074015A (zh) * | 2011-02-24 | 2011-05-25 | 哈尔滨工业大学 | 一种基于二维图像序列的目标对象的三维重建方法 |
| CN104952075A (zh) * | 2015-06-16 | 2015-09-30 | 浙江大学 | 面向激光扫描三维模型的多图像自动纹理映射方法 |
| CN106651942A (zh) * | 2016-09-29 | 2017-05-10 | 苏州中科广视文化科技有限公司 | 基于特征点的三维旋转运动检测与旋转轴定位方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734654A (zh) * | 2018-05-28 | 2018-11-02 | 深圳市易成自动驾驶技术有限公司 | 绘图与定位方法、***及计算机可读存储介质 |
| CN108765574A (zh) * | 2018-06-19 | 2018-11-06 | 北京智明星通科技股份有限公司 | 3d场景拟真方法及***和计算机可读存储介质 |
| CN109598783A (zh) * | 2018-11-20 | 2019-04-09 | 西南石油大学 | 一种房间3d建模方法及家具3d预览*** |
| CN109472802A (zh) * | 2018-11-26 | 2019-03-15 | 东南大学 | 一种基于边缘特征自约束的表面网格模型构建方法 |
| CN109472802B (zh) * | 2018-11-26 | 2021-10-19 | 东南大学 | 一种基于边缘特征自约束的表面网格模型构建方法 |
| CN109816771B (zh) * | 2018-11-30 | 2022-11-22 | 西北大学 | 一种结合特征点拓扑和几何约束的文物碎片自动重组方法 |
| CN109816771A (zh) * | 2018-11-30 | 2019-05-28 | 西北大学 | 一种结合特征点拓扑和几何约束的文物碎片自动重组方法 |
| CN111325854A (zh) * | 2018-12-17 | 2020-06-23 | 三菱重工业株式会社 | 形状模型修正装置及形状模型修正方法以及存储介质 |
| CN111325854B (zh) * | 2018-12-17 | 2023-10-24 | 三菱重工业株式会社 | 形状模型修正装置及形状模型修正方法以及存储介质 |
| CN109951342A (zh) * | 2019-04-02 | 2019-06-28 | 上海交通大学 | 空间信息网络的三维矩阵拓扑表示及路由遍历优化实现方法 |
| CN109951342B (zh) * | 2019-04-02 | 2021-05-11 | 上海交通大学 | 空间信息网络的三维矩阵拓扑表示及路由遍历优化实现方法 |
| CN110443785A (zh) * | 2019-07-18 | 2019-11-12 | 太原师范学院 | 一种持久同调下三维点云的特征提取方法 |
| WO2021160071A1 (en) * | 2020-02-11 | 2021-08-19 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Feature spatial distribution management for simultaneous localization and mapping |
| CN118154460A (zh) * | 2024-05-11 | 2024-06-07 | 成都大学 | 一种沥青路面三维点云数据的处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108010123B (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108010123A (zh) | 一种保留拓扑信息的三维点云获取方法 | |
| US10217293B2 (en) | Depth camera-based human-body model acquisition method and network virtual fitting system | |
| CN110135455A (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
| Bevan et al. | Computer vision, archaeological classification and China's terracotta warriors | |
| Dall'Asta et al. | A comparison of semiglobal and local dense matching algorithms for surface reconstruction | |
| CN103325142B (zh) | 一种基于Kinect的计算机三维模型建模方法 | |
| CN103426200B (zh) | 基于无人机航拍序列图像的树木三维重建方法 | |
| CN109461180A (zh) | 一种基于深度学习的三维场景重建方法 | |
| CN106780751A (zh) | 基于改进的屏蔽泊松算法的三维点云重建方法 | |
| CN104599314A (zh) | 三维模型重建方法与*** | |
| CN105493078B (zh) | 彩色草图图像搜索 | |
| CN107833250B (zh) | 语义空间地图构建方法及装置 | |
| CN110070567B (zh) | 一种地面激光点云配准方法 | |
| CN107610131A (zh) | 一种图像裁剪方法和图像裁剪装置 | |
| CN108921939A (zh) | 一种基于图片的三维场景重建方法 | |
| CN110490917A (zh) | 三维重建方法及装置 | |
| CN110349247A (zh) | 一种基于语义理解的室内场景cad三维重建方法 | |
| CN108921895A (zh) | 一种传感器相对位姿估计方法 | |
| CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
| CN110246181A (zh) | 基于锚点的姿态估计模型训练方法、姿态估计方法和*** | |
| CN113409384A (zh) | 一种目标物体的位姿估计方法和***、机器人 | |
| CN103745498A (zh) | 一种基于图像的快速定位方法 | |
| CN113838005B (zh) | 基于维度转换的岩体裂隙智能识别与三维重构方法及*** | |
| Condorelli et al. | A comparison between 3D reconstruction using nerf neural networks and mvs algorithms on cultural heritage images | |
| CN111145338B (zh) | 一种基于单视角rgb图像的椅子模型重建方法及*** |
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 |