CN114937122A - 一种水泥纤维板房的快速三维模型重建方法 - Google Patents
一种水泥纤维板房的快速三维模型重建方法 Download PDFInfo
- Publication number
- CN114937122A CN114937122A CN202210684030.3A CN202210684030A CN114937122A CN 114937122 A CN114937122 A CN 114937122A CN 202210684030 A CN202210684030 A CN 202210684030A CN 114937122 A CN114937122 A CN 114937122A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- matching
- cloud
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000004568 cement Substances 0.000 title claims abstract description 33
- 239000011094 fiberboard Substances 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000002146 bilateral effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000000835 fiber Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000004566 building material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种水泥纤维板房的快速三维模型重建方法,包括点云数据收集模块、点云预处理模块、点云特征提取模块、点云配准模块。本发明方法包括:通过多个深度相机来获取不同视角的水泥纤维板房的点云信息;对获取到的多幅点云图进行数据预处理;将预处理的多幅点云图送入到特征提取网络中进行特征提取;最后利用多幅点云图的特征进行配准,得到最终的模型。即使是非专业人员,只要按照方法来做同样能够得到重建模型,相比于传统的重建方法,本方法鲁棒性更好、配准时间更加快速、泛化性也更加优秀。
Description
技术领域
本发明属于三维重建技术领域,具体是一种水泥纤维板放的快速三维模型重建方法。
背景技术
随着经济不断发展,人民生活水平不断提高,因此,人们对建筑的美观性、舒适性及功能性有了更高的要求,普通的建材已经不能满足社会需求,纤维水泥板是一种新型建材,由天然纤维水泥制成,其成分有天然纤维、水泥、天然河沙、水和少量化学添加剂,玻璃纤维等,它具有精美的外观和优良特性,应用于各个领域。
近年来,深度相机的快速发展和人工智能技术的不断升级,为点云获取、点云去噪、点云配准等技术的发展提供了重要的动力和支撑,相比较传统的相机,深度相机在功能上添加了一个深度测量,从而更方便准确的感知周围的环境及变化,随着技术的不断迭代,它已经出现在了我们的生活中并且发挥着巨大的作用,例如在工地中的建筑建模、室内空间设计、人体的三维测量等场景,并都有着很好的效果。
深度学习是机器学习的一种,而机器学习是实现人工智能的必经路径,深度学习的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构,深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本等。
目前我国的建筑行业正处于高速发展的大好时期,对建筑模型的快速建模需求十分迫切,在模型构建的过程中,传统的方法很容易受到天气、湿度等因素的干扰,最终的结果往往不尽人意,我国是一个基建大国,每时每刻都有着工地在进行施工,一种快速的建筑建模方法是非常有必要的,传统的三维重建方法首先要对建筑进行图像获取,利用摄像机获取三维物体的二维图像,但是这些方法非常容易受到光照条件、天气情况、相机的几何特性不同等影响,为后续的操作造成了困难,之后还要进行摄像机标定、特征提取、立体匹配、三维重建等流程,这些工作非专业人员很难完成,重建的效果也因专业人员的技术而参差不齐,为此,本发明提出一种水泥纤维板房的快速三维模型重建方法。
发明内容
为了解决现有技术存在的问题,本发明提供了一种水泥纤维板房的快速三维模型重建方法,利用多个深度相机就可以得到三维模型重建,该方法操作合理、简单。
本发明解决其技术问题所采用的技术方案是:
步骤1,利用多个深度相机获取水泥纤维板房的点云信息;
步骤2,对原始点云图像进行去除噪声等预处理;
步骤3,将预处理的多幅点云图像输入至深度学习特征提取模型中提取特征;
步骤4,根据所提取出的特征对多幅点云图进行配准,将多幅水泥纤维板房点云图配准为一幅点云,该幅点云包括了所有点云图的特征信息。
进一步的,步骤1的具体实现包括以下步骤:
放置深度相机时,以纤维板房为中心,保证多个深度相机到纤维板房中心点的距离相等,并且保证多个深度相机的角度相等。
步骤2的具体包括以下步骤:
首先对点云图进行下采样,下采样的目的是为了减少计算量,减少运算时间。去噪方法使用结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,具体如下:
首先将点云图经过旋转矩阵,赋予点云旋转不变性,使点云怎么旋转,点云所存储的信息改变,接着针对三维图像进行去噪,公式表达为:
pi为要处理的点云数据中的一点,ni为该点的法向量,λ为双边滤波因子,λ的计算公式如下:
在设计的时候会有两个权重,Wc和Ws,表示如下:
其中,Wc,Ws分别表示双边滤波函数的空间域和频率域权重函数,分别控制着双边滤波的平滑程度和特征保持程度,<ni,pj-pi>为ni与pj-pi的内积。
所述步骤3具体包括以下步骤:
步骤3.1,所述特征提取模块网络结构组成主要包括四个输出通道数为64卷积层,两个输出通道数为128的卷积层,两个输出通道数为256的卷积层;
步骤3.2,首先将输入的n×3的点云特征依次传入到64维的卷积层,得到n×64的特征矩阵。接着依次通过128维的卷积层、256维的卷积层。最终将每次卷积得到的特征矩阵拼接。即64*4+128*2+256*2,得到n×1024的特征。
所述步骤4包括以下步骤:
步骤4.1,根据步骤3提取出的多幅点云特征图,利用L2范式计算多幅点云图中的特征距离,两幅点云图中某一对点的特征距离越接近,代表这一对点越可能是同一个点,根据这种思想,找到点云图中的所有匹配点对;
步骤4.2,如果匹配点对是正确的,那么它们的邻域特征一定是相同的,利用最近邻算法找到匹配点对的邻域特征,如果它们的邻域特征差别小于一个阈值,我们就认为这一对匹配点是正确的,相反,如果匹配点的邻域特征差别大于阈值,我们就认为这一对匹配点是错误的,并将其隐藏,以免在后续的操作中造成误差。
步骤4.3,根据正确的匹配点对,利用奇异值分解算法找到两幅点云的旋转平移矩阵,将点云图与旋转平移矩阵相乘,可以将两幅点云图配准为一幅;
步骤4.4,对所有的点云图两两利用上面所描述的操作,可以将多幅点云图最终配准为最终的一幅点云图。
本发明的有益效果:
1、此水泥纤维板房的快速三维模型重建方法利用深度学习和算法技术实现水泥纤维板房的快速三维重建,通过多个深度相机来获取不同视角的水泥纤维板房的点云信息,对获取到的多幅点云图进行数据预处理,将预处理的多幅点云图送入到特征提取网络中提取特征,利用提取的特征找到匹配点对,最终利用奇异值分解得到配准后的点云。即使是非专业人员,只要按照方法来做同样能够得到重建模型,相比于传统的重建方法,本方法鲁棒性更好、配准时间更加快速、泛化性也更加优秀。
2、此水泥纤维板房的快速三维模型重建方法能够实现多幅点云图的有效配准,提高了配准时的准确率,减少了模型的特征损失。
3、这种重建方法快速、准确,在工程上使用时,能够提高工作效率,并且操作时不局限于专业人员。
附图说明
图1为一种水泥纤维板房的快速三维模型重建方法的流程示意图;
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
请参阅图1,本发明提供一种技术方案:一种水泥纤维板房的快速三维模型重建方法,包括点云数据收集模块、点云预处理模块、点云特征提取模块和点云配准模块,具体如下:
点云数据收集模块:首先在离水泥纤维板房建筑10米到20米的距离,以水泥纤维板房建筑为中心,放置4个或者更多的深度相机,利用这些深度相机获取不同视角的水泥纤维板房建筑的三维点云信息,这些点云信息仅仅包括在该视角下的纤维板房的部分信息,多幅点云图重叠点大约60%,接着将多幅点云图传送到***当中,在进行放置深度相机的时候,要注意以纤维板房为中心,保证多个深度相机到纤维板房中心点的距离相等,并且保证多个深度相机的角度相等,这样才可以拍到纤维板房的所有点云信息;
点云预处理模块:获取到采集的三维点云信息后,通过点云去噪算法对利用深度相机拍到的多幅不同视角的点云图进行去噪处理,首先对点云图进行下采样,一幅点云图可能会有数十万甚至百万个点云,利用下采样处理可以大大的减少后续的点云操作计算量,接着利用算法来删除点云的离群点,也叫做噪声,离群点的产生可能是因为深度相机摆放的位置、光照等,这些离群点对后续的点云配准造成了困难,
具体的去噪方法使用的是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的,具有简单、非迭代、局部的特点,这是一种非线性的下采样滤波方法:
首先将点云图经过旋转矩阵,赋予点云旋转不变性,这个旋转矩阵是可以经过学习的,主要是为了给输入点云一个旋转不变性,即无论点云怎么旋转,它所存储的信息不会改变,加入旋转不变性的点云矩阵在进行配准时鲁棒性更加的优秀,具体来说,是利用点云在空间中的三维坐标来进行存储点云的,也就是说,一幅点云图其实就是一个N×3的矩阵,N代表点云图中点的数量,3是每个点的XYZ坐标,存储的点云其实是一组三维的矩阵,将N×3的矩阵经过旋转矩阵得到(N×3)×(3×3),最终的矩阵仍是N×3,但是在这一过程后,就已经赋予了点云旋转不变性,接着针对三维图像进行去噪,公式可以表达为:
pi为要处理的点云数据中的一点,ni为该点的法向量,λ为双边滤波因子,λ的计算公式如下:
在设计的时候会有两个权重,Wc和Ws,表示如下:
其中,Wc,Ws分别表示双边滤波函数的空间域和频率域权重函数,它们分别控制着双边滤波的平滑程度和特征保持程度,,<ni,pj-pi>为ni与pj-pi的内积;
点云特征提取模块:特征提取模块网络结构组成主要包括四个输出通道数为64的卷积层,两个输出通道数为128的卷积层,两个输出通道数为256的卷积层。
网络结构的输出输入是n×3的点云特征,结合点云中点邻域信息得到一个新的特征,新的特征维度为n×6,接着依次传入到四个64维的卷积层,得到n×64的特征矩阵,通过一个Maxpooling层,得到1×64的特征矩阵。接着与第一步类似,结合点云中点的邻域信息,然后依次通过两个128维的卷积层、类似,结合邻域信息,通过256维的卷积层。最终将每次卷积得到的特征矩阵拼接。即64*4+128*2+256*2,得到n×1024的特征。
点云配准模块:
步骤1:根据提取出的多幅点云特征图,利用L2范式计算多幅点云图中点的特征距离,两幅点云图中某一对点的特征距离越接近,代表这一对点越可能是同一个点,根据这种思想,找到点云图中的所有匹配点对。
步骤2,如果匹配点对是正确的,那么它们的邻域特征一定是相同的,利用最近邻算法找到匹配点对的邻域特征,如果它们的邻域特征差别小于一个阈值,我们就认为这一对匹配点是正确的,相反,如果匹配点的邻域特征差别大于阈值,我们就认为这一对匹配点是错误的,并将其隐藏,以免在后续的操作中造成误差。
步骤3,根据正确的匹配点对,利用奇异值分解算法找到两幅点云的旋转平移矩阵,将点云图与旋转平移矩阵相乘,可以将两幅点云图配准为一幅。
步骤4,对所有的点云图两两利用上面所描述的操作,可以将多幅点云图最终配准为最终的一幅点云图。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种水泥纤维板房的快速三维模型重建方法,其特征在于,包括点云数据收集模块、点云预处理模块、点云特征提取模块和点云配准模块,具体如下:
步骤1,首先利用深度相机在多个不同的视角获取到水泥纤维板房的点云图,接着将这些点云图送入到***当中;
步骤2,利用点云预处理算法来对不同视角的点云进行去噪、补全等处理,经过预处理的点云信息更加的清晰明了;
步骤3,利用点云特征提取网络对预处理过的多幅水泥纤维板房点云图进行特征提取;
步骤4,利用提取出的特征图构建匹配点对,利用匈牙利算法和空间一致性算法得到匹配点对进行配准,将多幅水泥纤维板房点云图配准为一幅点云,该幅点云包括多幅点云的所有信息。
2.根据权利要求1所述的一种水泥纤维板房的快速三维模型重建方法,其特征在于:步骤1的具体实现如下:
所述点云数据收集模块中放置深度相机时,以纤维板房为中心,保证多个深度相机到纤维板房中心点的距离相等,并且保证多个深度相机的角度相等。
3.根据权利要求1所述的一种水泥纤维板房的快速三维模型重建方法,其特征在于:步骤2的具体实现如下:
所述点云预处理模块首先对点云图进行下采样,去噪方法使用结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,具体如下:
首先将点云图经过旋转矩阵,赋予点云旋转不变性,即点云怎么旋转,点云所存储的信息改变,接着针对三维图像进行去噪,公式表达为:
pi为要处理的点云数据中的一点,ni为该点的法向量,λ为双边滤波因子,λ的计算公式如下:
在设计的时候会有两个权重,Wc和Ws,表示如下:
其中,Wc,Ws分别表示双边滤波函数的空间域和频率域权重函数,分别控制着双边滤波的平滑程度和特征保持程度,<ni,pj-pi>为ni与pj-pi的内积。
4.根据权利要求1所述的一种水泥纤维板房的快速三维模型重建方法,其特征在于:步骤3的具体实现包括以下步骤:
步骤3.1,以往的特征提取网络主要是使用多层感知机进行更深层次的特征提取,这样做的方法主要是提取点云的全局特征,但是往往忽略了点的空间信息。基于这样的缺点,我们使用点的邻域空间信息与点的信息进行输入,首先我们输入的点云是n×3的特征矩阵,n代表点云的数量,3是点云特征的维度,这里我们使用的是点云的坐标信息,即(X,Y,Z)作为初始点云的特征。利用K近邻算法得到点云的邻域,将点云中点的邻域坐标与点的坐标位置结合,将n×3的特征扩充为n×6,扩充的维度是点云的邻域坐标特征;
步骤3.2,扩充后的特征维度为n×6,包含了点云图的空间信息,接着将特征输入到4个维度均为64的卷积层中进行升维,得到的输出为n×64。类似,结合点云中点的空间邻域信息,将n×64的特征扩充为n×128,接着通过2个维度为128的卷积层,得到的特征矩阵为n×128。再一次结合点云的邻域信息,将n×128的特征扩充为n×256,最后通过一个维度为256的卷积层,得到最终的n×256的特征矩阵。最终将每次卷积得到的特征矩阵拼接。即64*4+128*2+256*2,得到n×1024的特征。
5.根据权利要求1所述的一种水泥纤维板房的快速三维模型重建方法,其特征在于:步骤4的具体实现包括以下步骤:步骤4.1,点云配准的关键是找到目标点云与源点云的匹配点,所谓的匹配点,指的是同一个点在两幅点云中的不同位置。根据步骤3提取出的多幅点云特征图,利用L2范式计算多幅点云图中的特征距离,两幅点云图中某一对点的特征距离越接近,也就代表这一对点越可能是同一个点,根据这种思想,找到点云图中的所有匹配点对;
步骤4.2,根据步骤4.1所得到的匹配点对,考虑到网络提取出的特征会有误差,导致找到错误的匹配点对,我们构思了一种空间一致性判别来剔除掉匹配错误的点对。具体做法为,如果匹配点对是正确的,那么它们的邻域一定是相同的。首先利用K近邻算法找到近邻点,计算匹配点与近邻点的欧氏距离。如果匹配点对是正确的,它们与各自的最近邻点的欧式距离差距应当是很小的。如果匹配点与邻域点的距离差距小于一个阈值,我们就认为这一对匹配点是正确的,相反,如果匹配点的邻域特征差别大于阈值,我们就认为这一对匹配点是错误的,并将其隐藏,避免在后续的操作中造成误差;
步骤4.3,根据正确的匹配点对,利用奇异值分解算法找到两幅点云的旋转平移矩阵,将点云图与旋转平移矩阵相乘,可以将两幅点云图配准为一幅;
步骤4.4,对所有的点云图两两利用上面所描述的操作,可以将多幅水泥纤维板房点云图最终配准为一幅水泥纤维板房点云图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684030.3A CN114937122A (zh) | 2022-06-16 | 2022-06-16 | 一种水泥纤维板房的快速三维模型重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684030.3A CN114937122A (zh) | 2022-06-16 | 2022-06-16 | 一种水泥纤维板房的快速三维模型重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114937122A true CN114937122A (zh) | 2022-08-23 |
Family
ID=82867697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210684030.3A Pending CN114937122A (zh) | 2022-06-16 | 2022-06-16 | 一种水泥纤维板房的快速三维模型重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937122A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310104A (zh) * | 2023-03-08 | 2023-06-23 | 武汉纺织大学 | 一种复杂场景下的人体三维重建方法、***及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376408A (zh) * | 2018-01-30 | 2018-08-07 | 清华大学深圳研究生院 | 一种基于曲率特征的三维点云数据快速加权配准方法 |
CN110060331A (zh) * | 2019-03-14 | 2019-07-26 | 杭州电子科技大学 | 一种基于全卷积神经网络的单目相机室外三维重建方法 |
WO2020173297A1 (zh) * | 2019-02-25 | 2020-09-03 | 腾讯科技(深圳)有限公司 | 点云分割方法、计算机可读存储介质和计算机设备 |
CN112017225A (zh) * | 2020-08-04 | 2020-12-01 | 华东师范大学 | 一种基于点云配准的深度图像匹配方法 |
CN112529945A (zh) * | 2020-11-17 | 2021-03-19 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
CN113763438A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN113838109A (zh) * | 2021-11-30 | 2021-12-24 | 北京航空航天大学 | 一种低重合度点云配准方法 |
CN114240871A (zh) * | 2021-12-12 | 2022-03-25 | 西北工业大学 | 一种面向工件成型过程中轮廓检测的点云数据处理方法 |
-
2022
- 2022-06-16 CN CN202210684030.3A patent/CN114937122A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376408A (zh) * | 2018-01-30 | 2018-08-07 | 清华大学深圳研究生院 | 一种基于曲率特征的三维点云数据快速加权配准方法 |
WO2020173297A1 (zh) * | 2019-02-25 | 2020-09-03 | 腾讯科技(深圳)有限公司 | 点云分割方法、计算机可读存储介质和计算机设备 |
CN110060331A (zh) * | 2019-03-14 | 2019-07-26 | 杭州电子科技大学 | 一种基于全卷积神经网络的单目相机室外三维重建方法 |
CN113763438A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN112017225A (zh) * | 2020-08-04 | 2020-12-01 | 华东师范大学 | 一种基于点云配准的深度图像匹配方法 |
CN112529945A (zh) * | 2020-11-17 | 2021-03-19 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
CN113838109A (zh) * | 2021-11-30 | 2021-12-24 | 北京航空航天大学 | 一种低重合度点云配准方法 |
CN114240871A (zh) * | 2021-12-12 | 2022-03-25 | 西北工业大学 | 一种面向工件成型过程中轮廓检测的点云数据处理方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310104A (zh) * | 2023-03-08 | 2023-06-23 | 武汉纺织大学 | 一种复杂场景下的人体三维重建方法、***及存储介质 |
CN116310104B (zh) * | 2023-03-08 | 2023-08-18 | 武汉纺织大学 | 一种复杂场景下的人体三维重建方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pintus et al. | A survey of geometric analysis in cultural heritage | |
Li et al. | Analyzing growing plants from 4D point cloud data | |
CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN111882593A (zh) | 结合注意力机制及三维图卷积网络的点云配准模型及方法 | |
Zhou et al. | Digital preservation technology for cultural heritage | |
CN112287820A (zh) | 人脸检测神经网络及训练方法、人脸检测方法、存储介质 | |
Yuniarti et al. | A review of deep learning techniques for 3D reconstruction of 2D images | |
Kim et al. | CityCraft: 3D virtual city creation from a single image | |
Zhong et al. | Towards practical sketch-based 3d shape generation: The role of professional sketches | |
Lu et al. | Digital preservation for heritages: Technologies and applications | |
CN114359509B (zh) | 一种基于深度学习的多视图自然场景重建方法 | |
CN106846461A (zh) | 一种人体三维扫描方法 | |
CN104537705A (zh) | 基于增强现实的移动平台三维生物分子展示***和方法 | |
CN111402403B (zh) | 高精度三维人脸重建方法 | |
CN114937122A (zh) | 一种水泥纤维板房的快速三维模型重建方法 | |
CN112686202B (zh) | 一种基于3d重建的人头识别方法及*** | |
CN114627299A (zh) | 一种模仿人类视觉***对伪装目标检测与分割方法 | |
CN109615577A (zh) | 基于卷积网络的高光谱图像超分辨处理方法 | |
CN117392289A (zh) | 基于ai语音自动生成案发现场视频的方法和*** | |
Bacharidis et al. | Fusing georeferenced and stereoscopic image data for 3D building Facade reconstruction | |
Li et al. | Design of the 3D Digital Reconstruction System of an Urban Landscape Spatial Pattern Based on the Internet of Things | |
CN115713603A (zh) | 基于建筑空间图谱的多类型街区建筑群形态智能生成方法 | |
CN114283258A (zh) | 一种基于cnn的单幅图像生成三维点云的方法 | |
CN108961384A (zh) | 三维图像重建方法 | |
Gai et al. | Digital Art Creation and Visual Communication Design Driven by Internet of Things Algorithm |
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 |