CN111311743A - 三维重建精度测试方法、测试装置和电子设备 - Google Patents
三维重建精度测试方法、测试装置和电子设备 Download PDFInfo
- Publication number
- CN111311743A CN111311743A CN202010228592.8A CN202010228592A CN111311743A CN 111311743 A CN111311743 A CN 111311743A CN 202010228592 A CN202010228592 A CN 202010228592A CN 111311743 A CN111311743 A CN 111311743A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- point cloud
- visual point
- image sequence
- precision
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种三维重建精度测试方法、测试装置和电子设备,涉及高精地图技术领域。其中方法包括:获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,视觉点云通过三维重建得到,第一对象和第二对象为存在于高精地图中的对象;根据第一对象在视觉点云中的三维坐标,以及第一对象在高精地图中的三维坐标,计算视觉点云与高精地图之间的相似变换矩阵;根据相似变换矩阵,对第二对象在视觉点云中的三维坐标进行坐标变换,得到第二对象的第一三维坐标;根据第一三维坐标与第二对象在高精地图中的三维坐标之间的误差,计算三维重建的精度。本申请充分利用了现有的高精地图数据,只需对图像序列进行少量标定,能够提高三维重建精度测试效率。
Description
技术领域
本申请涉及图像处理技术,尤其涉及高精地图技术领域,具体涉及一种三维重建精度测试方法、三维重建精度测试装置和电子设备。
背景技术
目前,图像的三维重建技术可用于高精地图应用中,例如,通过图像采集装置采集图像序列,图像序列经过三维建模后生成视觉点云,视觉点云可与高精地图进行融合,以更新高精地图。由于高精地图对视觉点云精度要求较高,因此,需要对三维重建精度进行测试,以确保视觉点云与高精地图的融合精度。目前,一般采用专业设备对场景进行测绘,以测绘结果作为评估三维重建精度的标准。然而,由于测绘装备成本较高,测绘过程耗时较长,这使得该三维重建精度测试效率较低,测试成本较高。
发明内容
本申请提供一种三维重建精度测试方法、三维重建精度测试装置和电子设备,以解决现有三维重建精度测试方法存在的技术问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请提供了一种三维重建精度测试方法,所述方法包括:
获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,所述视觉点云通过对所述图像序列进行三维重建得到,所述第一对象和所述第二对象为存在于高精地图中的对象;
根据所述第一对象在所述视觉点云中的三维坐标,以及所述第一对象在所述高精地图中的三维坐标,计算所述视觉点云与所述高精地图之间的相似变换矩阵;
根据所述相似变换矩阵,对所述第二对象在所述视觉点云中的三维坐标进行坐标变换,得到所述第二对象的第一三维坐标;
根据所述第一三维坐标与所述第二对象在所述高精地图中的三维坐标之间的误差,计算所述三维重建的精度。
本申请充分利用了现有的高精地图数据,并且只需在三维重建精度测试前对图像序列进行少量标定,在三维建模完成后即可对三维重建精度进行测试评估。因为采用上述技术手段,能够提高三维重建精度测试的精确度,能够降低三维重建精度测试的难度和成本,从而提高了三维重建精度测试效率。
可选的,所述获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,包括:
获取所述第一对象和所述第二对象在所述图像序列中的像素坐标;
根据所述第一对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第一对象在所述视觉点云中的三维坐标,所述图像序列中每个图像的相机位姿通过对所述图像序列进行三维重建得到;
根据所述第二对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第二对象在所述视觉点云中的三维坐标。
该实施方式提供了一种根据对象的像素坐标和图像的相机位姿来计算对象在视觉点云中的三维坐标的方案。
可选的,所述图像序列的图像中包含M个标识牌和N个杆,所述M和所述N均为正整数;
所述第一对象为所述M个标识牌,所述第二对象为所述N个杆。
该实施方式中,将标识牌作为第一对象,将杆作为第二对象,有利于简化三维重建精度测试,并有利于提高三维重建精度测试的精确度。
可选的,所述第一对象在所述视觉点云中的三维坐标通过大牌位置推算算法计算得到;
所述第二对象在所述视觉点云中的三维坐标通过线特征位置推算LineSFM算法计算得到。
该实施方式提供了用于计算第一对象和第二对象在视觉点云中的三维坐标的算法。
可选的,所述图像序列为通过众包方式采集的图像序列。
该实施方式中,通过众包方式采集图像序列,能够降低图像序列的获取难度和成本,从而进一步降低三维重建精度测试的难度和成本。
第二方面,本申请提供了一种三维重建精度测试装置,包括:
第一获取模块,用于获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,所述视觉点云通过对所述图像序列进行三维重建得到,所述第一对象和所述第二对象为存在于高精地图中的对象;
第一计算模块,用于根据所述第一对象在所述视觉点云中的三维坐标,以及所述第一对象在所述高精地图中的三维坐标,计算所述视觉点云与所述高精地图之间的相似变换矩阵;
第二获取模块,用于根据所述相似变换矩阵,对所述第二对象在所述视觉点云中的三维坐标进行坐标变换,得到所述第二对象的第一三维坐标;
第二计算模块,用于根据所述第一三维坐标与所述第二对象在所述高精地图中的三维坐标之间的误差,计算所述三维重建的精度。
可选的,所述第一获取模块包括:
获取子模块,用于获取所述第一对象和所述第二对象在所述图像序列中的像素坐标;
第一计算子模块,用于根据所述第一对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第一对象在所述视觉点云中的三维坐标,所述图像序列中每个图像的相机位姿通过对所述图像序列进行三维重建得到;
第二计算子模块,用于根据所述第二对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第二对象在所述视觉点云中的三维坐标。
可选的,所述图像序列的图像中包含M个标识牌和N个杆,所述M和所述N均为正整数;
所述第一对象为所述M个标识牌,所述第二对象为所述N个杆。
可选的,所述第一对象在所述视觉点云中的三维坐标通过大牌位置推算算法计算得到;
所述第二对象在所述视觉点云中的三维坐标通过线特征位置推算LineSFM算法计算得到。
可选的,所述图像序列为通过众包方式采集的图像序列。
第三方面,本申请提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面中的任一项方法。
第四方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行第一方面中的任一项方法。
本申请中的一个实施例具有如下优点或有益效果:
本申请中,通过在图像序列中标定存在于现有高精地图中的第一对象和第二对象,这样,在对图像序列进行三维重建得到视觉点云之后,可以通过第一对象在点云坐标系和高精坐标系的三维坐标来得到两坐标系之间的相似变换矩阵,继而可以根据相似变换矩阵将第二对象从点云坐标系投射到三维重建精度下的高精坐标系,从而可以根据投射得到的三维坐标和在高精地图中的三维坐标之间的误差来评估三维重建的精度。
可见,本申请充分利用了现有的高精地图数据,并且只需在三维重建精度测试前对图像序列进行少量标定,在三维建模完成后即可对三维重建精度进行测试评估。因为采用上述技术手段,能够提高三维重建精度测试的精确度,能够降低三维重建精度测试的难度和成本,从而提高了三维重建精度测试效率。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的三维重建精度测试方法的流程示意图;
图2是本申请实施例提供的三维重建精度测试算法的整体技术框架示例图;
图3是本申请实施例提供的三维重建精度测试装置的结构示意图;
图4是用来实现本申请实施例的三维重建精度测试方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请提供一种三维重建精度测试方法,该方法用于测试三维重建算法或三维重建模型的精度。
如图1所示,该三维重建精度测试方法包括如下步骤:
步骤101:获取图像序列中第一对象和第二对象在视觉点云中的三维坐标。
其中,上述图像序列包括多张图像,在步骤101之前,预先采集了上述图像序列,上述视觉点云是该图像序列经过三维重建而得到的视觉点云,也就是说,通过对该图像序列进行三维重建,可以得到该图像序列对应的视觉点云。本申请中,对三维重建的精度进行测试,可以理解为,对图像序列进行三维重建而得到的视觉点云的精度进行测试,也就是说,三维重建精度可以体现为由图像序列经三维重建生成视觉点云的精度。
在对图像序列进行三维重建生成视觉点云之后,该步骤中,可以获取第一对象和第二对象在视觉点云中的三维坐标。对象在视觉点云中的三维坐标,也可以称之为对象的点云坐标,还可以称之为对象在点云坐标系中的三维坐标。
本申请中,可以基于多视角几何原理,对图像序列进行三维重建,三维重建除了生成图像序列的视觉点云,还可以同时得到图像序列中各图像的相机位姿,三维重建的成果也可称为稀疏模型,也就是说,图像序列的稀疏模型可以包括图像序列的视觉点云和图像序列中各图像的相机位姿。
上述第一对象和第二对象均为存在于高精地图中的对象,例如建筑物、道路、标识牌、杆等等,上述第一对象的数量不限,可以是一个也可以是多个,上述第二对象的数量也不限,可以是一个也可以是多个。在步骤101之前,可以预先从图像序列中标定出上述第一对象和第二对象。
由于第一对象和第二对象均存在于高精地图中,第一对象和第二对象在高精地图中的三维坐标也就能够很容易地获取到。第一对象和第二对象在高精地图中的三维坐标可以用来在后续步骤中作为坐标变换依据和参照数据使用。对象在高精地图中的三维坐标,也可以称之为对象的高精坐标,还可以称之为对象在高精坐标系中的三维坐标。
本申请中,通过在图像序列中标定存在于高精地图中的对象,能够利用现有的高精地图的数据,从而能够减少数据获取的难度和工作量,降低数据获取的成本,提高数据获取的效率。并且,由于高精地图中的三维坐标具有高精度的特点,因此,通过在图像序列中标定存在于高精地图中的对象,也能够确保在后续步骤中将高精度的数据作为坐标变换依据和参照数据使用,从而能够提高三维重建精度测试的精确度。
步骤102:根据所述第一对象在所述视觉点云中的三维坐标,以及所述第一对象在所述高精地图中的三维坐标,计算所述视觉点云与所述高精地图之间的相似变换矩阵。
该步骤中,可以将第一对象在视觉点云中的三维坐标和第一对象在高精地图中的三维坐标形成匹配对,并根据合适的算法计算出该匹配对的相似变换矩阵。
例如,可根据Sim3算法,计算出该匹配对的Sim3相似变换矩阵。根据Sim3算法计算该匹配对的Sim3相似变换矩阵,其思路是根据最小二乘法,寻找使得匹配对误差最小的Sim3相似变换矩阵,计算过程可涉及根据点对构建矩阵、对矩阵进行SVD(Singular ValueDecomposition,奇异值分解)等步骤。
步骤103:根据所述相似变换矩阵,对所述第二对象在所述视觉点云中的三维坐标进行坐标变换,得到所述第二对象的第一三维坐标。
该步骤中,可以根据步骤102中得到的相似变换矩阵,对第二对象在视觉点云中的三维坐标进行坐标变换,得到第二对象的第一三维坐标。这里,第一三维坐标可以理解为在三维重建精度下,将第二对象的点云坐标映射至高精坐标系下所对应的三维坐标。由于存在三维重建精度,第二对象的第一三维坐标并不代表第二对象在高精地图中的三维坐标,而是与第二对象在高精地图中的三维坐标存在一定误差的三维坐标,而该误差与三维重建精度相关,三维重建精度越高,则该误差越小,三维重建精度越低,则该误差越大。
步骤104:根据所述第一三维坐标与所述第二对象在所述高精地图中的三维坐标之间的误差,计算所述三维重建的精度。
该步骤中,对经过坐标转换之后的第二对象,可以从高精地图中确定匹配的第二对象,形成匹配对,然后计算出该匹配对之间的误差,该误差即可视为三维重建生成的视觉点云的误差,由此可得到三维重建的精度。
本申请中,通过在图像序列中标定存在于现有高精地图中的第一对象和第二对象,这样,在对图像序列进行三维重建得到视觉点云之后,可以通过第一对象在点云坐标系和高精坐标系的三维坐标来得到两坐标系之间的相似变换矩阵,继而可以根据相似变换矩阵将第二对象从点云坐标系投射到三维重建精度下的高精坐标系,从而可以根据投射得到的三维坐标和在高精地图中的三维坐标之间的误差来评估三维重建的精度。
可见,本申请充分利用了现有的高精地图数据,并且只需在三维重建精度测试前对图像序列进行少量标定,在三维建模完成后即可对三维重建精度进行测试评估。因为采用上述技术手段,能够提高三维重建精度测试的精确度,能够降低三维重建精度测试的难度和成本,从而提高了三维重建精度测试效率。
本申请中,需要获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,本申请提供如下的用于获取第一对象和第二对象在视觉点云中的三维坐标的实施方式:
可选的,所述获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,包括:
获取所述第一对象和所述第二对象在所述图像序列中的像素坐标;
根据所述第一对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第一对象在所述视觉点云中的三维坐标,所述图像序列中每个图像的相机位姿通过对所述图像序列进行三维重建得到;
根据所述第二对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第二对象在所述视觉点云中的三维坐标。
其中,获取对象(第一对象或第二对象)在图像序列中的像素坐标,是指获取对象在图像序列的每个图像中的像素坐标。对象的像素坐标可以通过深度学习算法,从图像序列的每个图像中提取出来。
如前所述,对图像序列进行三维重建可得到图像序列对应的视觉点云,还可得到图像序列中每个图像的相机位姿,因此,上述相机位姿可通过对图像序列进行三维重建获得。
该实施方式提供了一种根据对象的像素坐标和图像的相机位姿来计算对象在视觉点云中的三维坐标的方案。
可选的,所述图像序列的图像中包含M个标识牌和N个杆,所述M和所述N均为正整数;
所述第一对象为所述M个标识牌,所述第二对象为所述N个杆。
在图像序列的图像中包含标识牌和杆的情况下,考虑到标识牌的形状一般为规则的矩形,作为形状规则的平面几何图形,较容易确定匹配对,且矩形的四个角点的像素坐标较容易获取,因此,可以将标识牌作为第一对象。另外,考虑到杆可视为线状物体,由于线状物体较容易确定匹配对,且线状物体与线状物体之间的误差较容易计算得到,且计算得到线状物体与线状物体之间的误差也具有更高的精确度,因此,可以将杆作为第二对象。
进一步的,为了更容易且更精确地计算第二对象的第一三维坐标与第二对象在高精地图中的三维坐标之间的误差,可选择图像序列的图像中畸变较小的杆(或称拍平的杆)作为第二对象。
若将标识牌作为第一对象,将杆作为第二对象,则第一对象的像素坐标可以包括标识牌的四个角点的像素坐标,第二对象的像素坐标可以包括杆的两个端点的像素坐标。
可见,该实施方式中,将标识牌作为第一对象,将杆作为第二对象,有利于简化三维重建精度测试,并有利于提高三维重建精度测试的精确度。
需要说明的是,标识牌的类型不限,可以是例如道路交通标识牌、广告牌等等任何具有标识作用的牌子。杆的类型也不限,可以是例如路灯杆、标识牌支撑杆、电线杆等等。
本申请中,除了将标识牌作为第一对象,将杆作为第二对象的方式之外,还可以将杆作为第一对象,并将标识牌作为第二对象;或者,将一些标识牌作为第一对象,将另一些标识牌作为第二对象;或者,将一些杆作为第一对象,将另一些杆作为第二对象;等等。
可选的,所述第一对象在所述视觉点云中的三维坐标通过大牌位置推算算法计算得到;
所述第二对象在所述视觉点云中的三维坐标通过LineSFM(线特征位置推算)算法计算得到。
该实施方式中,若将标识牌作为第一对象,将杆作为第二对象,则第一对象在视觉点云中的三维坐标包括第一对象的四个角点在视觉点云中的三维坐标,第二对象在视觉点云中的三维坐标包括第二对象的两个端点在视觉点云中的三维坐标。
其中,大牌位置推算算法的大致原理为:根据图像中标识牌的四个角点,找出图像中标识牌所在的矩形区域的特征点;根据稀疏模型,索引到这些特征点对应的点云坐标,并拟合出标识牌平面;根据各图像的相机位姿以及拟合出的标识牌平面,计算出标识牌的四个角点坐标在视觉点云中的三维坐标。大牌位置推算算法也可称为SignSFM算法。
LineSFM算法的大致原理为:由于同一个杆可以在多张图像中观察到,且这些图像的相机位姿可以获取到,因此,LineSFM算法中,可以以最小化杆在多张图像中的投影误差为目标函数,推算出杆的三维坐标。
该实施方式提供了用于计算第一对象和第二对象在视觉点云中的三维坐标的算法。
可选的,所述图像序列为通过众包方式采集的图像序列。
该实施方式中,通过众包方式采集图像序列,能够降低图像序列的获取难度和成本,从而进一步降低三维重建精度测试的难度和成本。
为了更直观地理解本申请的三维重建精度测试方法,图2示出了三维重建精度测试的整体技术框架示例图。
如图2所示,将三维重建得到的稀疏模型、标识牌的像素坐标和高精坐标、杆的像素坐标和高精坐标作为输入,采用大牌位置推算算法得到标识牌的点云坐标,采用Sim3算法得到标识牌的点云坐标与高精坐标之间的相似变换矩阵,采用LineSFM算法得到杆的点云坐标,通过相似变换矩阵对杆的点云坐标进行坐标变换得到杆的第一三维坐标,然后通过第一三维坐标与杆的高精坐标得到匹配杆的误差,最后根据匹配杆的误差确定三维重建精度并输出。
需要说明的是,本申请中的三维重建精度测试方法中的多种可选的实施方式,彼此可以相互结合实现,也可以单独实现,对此本申请不作限定。
本申请的上述实施例具有如下优点或有益效果:
本申请中,通过在图像序列中标定存在于现有高精地图中的第一对象和第二对象,这样,在对图像序列进行三维重建得到视觉点云之后,可以通过第一对象在点云坐标系和高精坐标系的三维坐标来得到两坐标系之间的相似变换矩阵,继而可以根据相似变换矩阵将第二对象从点云坐标系投射到三维重建精度下的高精坐标系,从而可以根据投射得到的三维坐标和在高精地图中的三维坐标之间的误差来评估三维重建的精度。
可见,本申请充分利用了现有的高精地图数据,并且只需在三维重建精度测试前对图像序列进行少量标定,在三维建模完成后即可对三维重建精度进行测试评估。因为采用上述技术手段,能够提高三维重建精度测试的精确度,能够降低三维重建精度测试的难度和成本,从而提高了三维重建精度测试效率。
本申请还提供了一种三维重建精度测试装置,如图3所示,三维重建精度测试装置200包括:
第一获取模块201,用于获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,所述视觉点云通过对所述图像序列进行三维重建得到,所述第一对象和所述第二对象为存在于高精地图中的对象;
第一计算模块202,用于根据所述第一对象在所述视觉点云中的三维坐标,以及所述第一对象在所述高精地图中的三维坐标,计算所述视觉点云与所述高精地图之间的相似变换矩阵;
第二获取模块203,用于根据所述相似变换矩阵,对所述第二对象在所述视觉点云中的三维坐标进行坐标变换,得到所述第二对象的第一三维坐标;
第二计算模块204,用于根据所述第一三维坐标与所述第二对象在所述高精地图中的三维坐标之间的误差,计算所述三维重建的精度。
可选的,第一获取模块201包括:
获取子模块,用于获取所述第一对象和所述第二对象在所述图像序列中的像素坐标;
第一计算子模块,用于根据所述第一对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第一对象在所述视觉点云中的三维坐标,所述图像序列中每个图像的相机位姿通过对所述图像序列进行三维重建得到;
第二计算子模块,用于根据所述第二对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第二对象在所述视觉点云中的三维坐标。
可选的,所述图像序列的图像中包含M个标识牌和N个杆,所述M和所述N均为正整数;
所述第一对象为所述M个标识牌,所述第二对象为所述N个杆。
可选的,所述第一对象在所述视觉点云中的三维坐标通过大牌位置推算算法计算得到;
所述第二对象在所述视觉点云中的三维坐标通过线特征位置推算LineSFM算法计算得到。
可选的,所述图像序列为通过众包方式采集的图像序列。
本申请提供的三维重建精度测试装置200能够实现上述三维重建精度测试方法实施例中三维重建精度测试装置实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图4所示,是根据本申请实施例的三维重建精度测试方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图4中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的三维重建精度测试方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的三维重建精度测试方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的三维重建精度测试方法对应的程序指令/模块(例如,附图3所示的第一获取模块201、第一计算模块202、第二获取模块203和第二计算模块204)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行三维重建精度测试装置的各种功能应用以及数据处理,即实现上述方法实施例中的三维重建精度测试方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据三维重建精度测试方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至三维重建精度测试方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
三维重建精度测试方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图4中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与三维重建精度测试方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过在图像序列中标定存在于现有高精地图中的第一对象和第二对象,这样,在对图像序列进行三维重建得到视觉点云之后,可以通过第一对象在点云坐标系和高精坐标系的三维坐标来得到两坐标系之间的相似变换矩阵,继而可以根据相似变换矩阵将第二对象从点云坐标系投射到三维重建精度下的高精坐标系,从而可以根据投射得到的三维坐标和在高精地图中的三维坐标之间的误差来评估三维重建的精度。本申请充分利用了现有的高精地图数据,并且只需在三维重建精度测试前对图像序列进行少量标定,在三维建模完成后即可对三维重建精度进行测试评估。因为采用上述技术手段,能够提高三维重建精度测试的精确度,能够降低三维重建精度测试的难度和成本,从而提高了三维重建精度测试效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种三维重建精度测试方法,其特征在于,所述方法包括:
获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,所述视觉点云通过对所述图像序列进行三维重建得到,所述第一对象和所述第二对象为存在于高精地图中的对象;
根据所述第一对象在所述视觉点云中的三维坐标,以及所述第一对象在所述高精地图中的三维坐标,计算所述视觉点云与所述高精地图之间的相似变换矩阵;
根据所述相似变换矩阵,对所述第二对象在所述视觉点云中的三维坐标进行坐标变换,得到所述第二对象的第一三维坐标;
根据所述第一三维坐标与所述第二对象在所述高精地图中的三维坐标之间的误差,计算所述三维重建的精度。
2.根据权利要求1所述的方法,其特征在于,所述获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,包括:
获取所述第一对象和所述第二对象在所述图像序列中的像素坐标;
根据所述第一对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第一对象在所述视觉点云中的三维坐标,所述图像序列中每个图像的相机位姿通过对所述图像序列进行三维重建得到;
根据所述第二对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第二对象在所述视觉点云中的三维坐标。
3.根据权利要求1所述的方法,其特征在于,所述图像序列的图像中包含M个标识牌和N个杆,所述M和所述N均为正整数;
所述第一对象为所述M个标识牌,所述第二对象为所述N个杆。
4.根据权利要求3所述的方法,其特征在于,所述第一对象在所述视觉点云中的三维坐标通过大牌位置推算算法计算得到;
所述第二对象在所述视觉点云中的三维坐标通过线特征位置推算LineSFM算法计算得到。
5.根据权利要求1所述的方法,其特征在于,所述图像序列为通过众包方式采集的图像序列。
6.一种三维重建精度测试装置,其特征在于,包括:
第一获取模块,用于获取图像序列中第一对象和第二对象在视觉点云中的三维坐标,所述视觉点云通过对所述图像序列进行三维重建得到,所述第一对象和所述第二对象为存在于高精地图中的对象;
第一计算模块,用于根据所述第一对象在所述视觉点云中的三维坐标,以及所述第一对象在所述高精地图中的三维坐标,计算所述视觉点云与所述高精地图之间的相似变换矩阵;
第二获取模块,用于根据所述相似变换矩阵,对所述第二对象在所述视觉点云中的三维坐标进行坐标变换,得到所述第二对象的第一三维坐标;
第二计算模块,用于根据所述第一三维坐标与所述第二对象在所述高精地图中的三维坐标之间的误差,计算所述三维重建的精度。
7.根据权利要求6所述的装置,其特征在于,所述第一获取模块包括:
获取子模块,用于获取所述第一对象和所述第二对象在所述图像序列中的像素坐标;
第一计算子模块,用于根据所述第一对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第一对象在所述视觉点云中的三维坐标,所述图像序列中每个图像的相机位姿通过对所述图像序列进行三维重建得到;
第二计算子模块,用于根据所述第二对象的像素坐标,以及所述图像序列中每个图像的相机位姿,计算得到所述第二对象在所述视觉点云中的三维坐标。
8.根据权利要求6所述的装置,其特征在于,所述图像序列的图像中包含M个标识牌和N个杆,所述M和所述N均为正整数;
所述第一对象为所述M个标识牌,所述第二对象为所述N个杆。
9.根据权利要求8所述的装置,其特征在于,所述第一对象在所述视觉点云中的三维坐标通过大牌位置推算算法计算得到;
所述第二对象在所述视觉点云中的三维坐标通过线特征位置推算LineSFM算法计算得到。
10.根据权利要求6所述的装置,其特征在于,所述图像序列为通过众包方式采集的图像序列。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228592.8A CN111311743B (zh) | 2020-03-27 | 2020-03-27 | 三维重建精度测试方法、测试装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228592.8A CN111311743B (zh) | 2020-03-27 | 2020-03-27 | 三维重建精度测试方法、测试装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311743A true CN111311743A (zh) | 2020-06-19 |
CN111311743B CN111311743B (zh) | 2023-04-07 |
Family
ID=71147476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010228592.8A Active CN111311743B (zh) | 2020-03-27 | 2020-03-27 | 三维重建精度测试方法、测试装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311743B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508773A (zh) * | 2020-11-20 | 2021-03-16 | 小米科技(武汉)有限公司 | 图像处理方法及装置、电子设备、存储介质 |
WO2022088799A1 (zh) * | 2020-10-29 | 2022-05-05 | 陈志立 | 三维重建方法、三维重建装置、存储介质 |
CN116246026A (zh) * | 2023-05-05 | 2023-06-09 | 北京百度网讯科技有限公司 | 三维重建模型的训练方法、三维场景渲染方法及装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258345A (zh) * | 2013-04-18 | 2013-08-21 | 中国林业科学研究院资源信息研究所 | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 |
CN103927787A (zh) * | 2014-04-30 | 2014-07-16 | 南京大学 | 一种基于矩阵恢复的提高三维重建精度的方法及其装置 |
CN104599314A (zh) * | 2014-06-12 | 2015-05-06 | 深圳奥比中光科技有限公司 | 三维模型重建方法与*** |
CN105654483A (zh) * | 2015-12-30 | 2016-06-08 | 四川川大智胜软件股份有限公司 | 三维点云全自动配准方法 |
CA2914020A1 (en) * | 2014-12-10 | 2016-06-10 | Dassault Systemes | Texturing a 3d modeled object |
CN106307967A (zh) * | 2015-06-30 | 2017-01-11 | 卡西欧计算机株式会社 | 绘图装置以及绘图装置的绘图方法 |
CN106373141A (zh) * | 2016-09-14 | 2017-02-01 | 上海航天控制技术研究所 | 空间慢旋碎片相对运动角度和角速度的跟踪***和跟踪方法 |
CN108320329A (zh) * | 2018-02-02 | 2018-07-24 | 维坤智能科技(上海)有限公司 | 一种基于3d激光的3d地图创建方法 |
US20190073792A1 (en) * | 2017-09-05 | 2019-03-07 | Canon Kabushiki Kaisha | System and method for determining a camera pose |
CN109493375A (zh) * | 2018-10-24 | 2019-03-19 | 深圳市易尚展示股份有限公司 | 三维点云的数据匹配及合并方法、装置、可读介质 |
US20190206123A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for fusing point cloud data |
CN110146869A (zh) * | 2019-05-21 | 2019-08-20 | 北京百度网讯科技有限公司 | 确定坐标系转换参数的方法、装置、电子设备和存储介质 |
US20190327412A1 (en) * | 2018-04-24 | 2019-10-24 | Industrial Technology Research Institute | Building system and building method for panorama point cloud |
CN110827403A (zh) * | 2019-11-04 | 2020-02-21 | 北京易控智驾科技有限公司 | 一种矿山三维点云地图的构建方法及装置 |
CN110910483A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
CN111462029A (zh) * | 2020-03-27 | 2020-07-28 | 北京百度网讯科技有限公司 | 视觉点云与高精地图融合方法、装置和电子设备 |
CN113409459A (zh) * | 2021-06-08 | 2021-09-17 | 北京百度网讯科技有限公司 | 高精地图的生产方法、装置、设备和计算机存储介质 |
-
2020
- 2020-03-27 CN CN202010228592.8A patent/CN111311743B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258345A (zh) * | 2013-04-18 | 2013-08-21 | 中国林业科学研究院资源信息研究所 | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 |
CN103927787A (zh) * | 2014-04-30 | 2014-07-16 | 南京大学 | 一种基于矩阵恢复的提高三维重建精度的方法及其装置 |
CN104599314A (zh) * | 2014-06-12 | 2015-05-06 | 深圳奥比中光科技有限公司 | 三维模型重建方法与*** |
CA2914020A1 (en) * | 2014-12-10 | 2016-06-10 | Dassault Systemes | Texturing a 3d modeled object |
CN106307967A (zh) * | 2015-06-30 | 2017-01-11 | 卡西欧计算机株式会社 | 绘图装置以及绘图装置的绘图方法 |
CN105654483A (zh) * | 2015-12-30 | 2016-06-08 | 四川川大智胜软件股份有限公司 | 三维点云全自动配准方法 |
CN106373141A (zh) * | 2016-09-14 | 2017-02-01 | 上海航天控制技术研究所 | 空间慢旋碎片相对运动角度和角速度的跟踪***和跟踪方法 |
US20190073792A1 (en) * | 2017-09-05 | 2019-03-07 | Canon Kabushiki Kaisha | System and method for determining a camera pose |
US20190206123A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for fusing point cloud data |
CN108320329A (zh) * | 2018-02-02 | 2018-07-24 | 维坤智能科技(上海)有限公司 | 一种基于3d激光的3d地图创建方法 |
US20190327412A1 (en) * | 2018-04-24 | 2019-10-24 | Industrial Technology Research Institute | Building system and building method for panorama point cloud |
CN109493375A (zh) * | 2018-10-24 | 2019-03-19 | 深圳市易尚展示股份有限公司 | 三维点云的数据匹配及合并方法、装置、可读介质 |
CN110146869A (zh) * | 2019-05-21 | 2019-08-20 | 北京百度网讯科技有限公司 | 确定坐标系转换参数的方法、装置、电子设备和存储介质 |
CN110827403A (zh) * | 2019-11-04 | 2020-02-21 | 北京易控智驾科技有限公司 | 一种矿山三维点云地图的构建方法及装置 |
CN110910483A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
CN111462029A (zh) * | 2020-03-27 | 2020-07-28 | 北京百度网讯科技有限公司 | 视觉点云与高精地图融合方法、装置和电子设备 |
CN113409459A (zh) * | 2021-06-08 | 2021-09-17 | 北京百度网讯科技有限公司 | 高精地图的生产方法、装置、设备和计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
CHUNGUANG LI: "3D Visual SLAM Based on Multiple Iterative Closest Point", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
吴凡: "视觉SLAM的研究现状与展望", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022088799A1 (zh) * | 2020-10-29 | 2022-05-05 | 陈志立 | 三维重建方法、三维重建装置、存储介质 |
CN112508773A (zh) * | 2020-11-20 | 2021-03-16 | 小米科技(武汉)有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN112508773B (zh) * | 2020-11-20 | 2024-02-09 | 小米科技(武汉)有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN116246026A (zh) * | 2023-05-05 | 2023-06-09 | 北京百度网讯科技有限公司 | 三维重建模型的训练方法、三维场景渲染方法及装置 |
CN116246026B (zh) * | 2023-05-05 | 2023-08-08 | 北京百度网讯科技有限公司 | 三维重建模型的训练方法、三维场景渲染方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111311743B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11615605B2 (en) | Vehicle information detection method, electronic device and storage medium | |
CN111462029B (zh) | 视觉点云与高精地图融合方法、装置和电子设备 | |
CN111311743B (zh) | 三维重建精度测试方法、测试装置和电子设备 | |
CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
JP7258066B2 (ja) | 測位方法、測位装置及び電子機器 | |
CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN111401251B (zh) | 车道线提取方法、装置、电子设备及计算机可读存储介质 | |
CN112101209B (zh) | 用于路侧计算设备的确定世界坐标点云的方法和装置 | |
CN112652016A (zh) | 点云预测模型的生成方法、位姿估计方法及其装置 | |
CN111767853B (zh) | 车道线检测方法和装置 | |
CN111539973A (zh) | 用于检测车辆位姿的方法及装置 | |
CN111578951B (zh) | 一种自动驾驶中用于生成信息的方法和装置 | |
CN111860167A (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN111612852A (zh) | 用于验证相机参数的方法和装置 | |
US11721037B2 (en) | Indoor positioning method and apparatus, electronic device and storage medium | |
KR102566300B1 (ko) | 실내 측위 방법, 장치, 장비 및 저장 매체 | |
US20220020216A1 (en) | Method for displaying annotation information, electronic device and storage medium | |
JP2022050311A (ja) | 車両の車線変更を検出するための方法、装置、電子機器、記憶媒体、路側機、クラウド制御プラットフォーム、及びコンピュータプログラム | |
CN112102417B (zh) | 确定世界坐标的方法和装置 | |
CN112241716A (zh) | 训练样本的生成方法和装置 | |
CN112017304B (zh) | 用于呈现增强现实数据的方法、装置、电子设备及介质 | |
CN111260722B (zh) | 车辆定位方法、设备及存储介质 | |
CN111311654B (zh) | 一种相机位置的配准方法、装置、电子设备及存储介质 | |
CN111967481A (zh) | 视觉定位方法、装置、电子设备及存储介质 |
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 |