[go: up one dir, main page]

CN114862940A - 体积的确定方法、装置、存储介质及电子装置 - Google Patents

体积的确定方法、装置、存储介质及电子装置 Download PDF

Info

Publication number
CN114862940A
CN114862940A CN202210535894.9A CN202210535894A CN114862940A CN 114862940 A CN114862940 A CN 114862940A CN 202210535894 A CN202210535894 A CN 202210535894A CN 114862940 A CN114862940 A CN 114862940A
Authority
CN
China
Prior art keywords
determining
target
pixel
point
target object
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
Application number
CN202210535894.9A
Other languages
English (en)
Inventor
王亚杰
魏乃科
潘华东
殷俊
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202210535894.9A priority Critical patent/CN114862940A/zh
Publication of CN114862940A publication Critical patent/CN114862940A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种体积的确定方法、装置、存储介质及电子装置，其中，该方法包括：获取第一设备对目标对象进行拍摄所得到的第一图像，以及第二设备对目标对象进行拍摄所的得到的第二图像，其中，第一设备与第二设备相对设置；基于第一图像中包括的每个第一像素点的第一参数信息，以及第二图像中包括的每个第二像素点的第二参数信息确定目标对象的外轮廓点云，其中，第一参数信息以及第二参数信息中均包括像素点的三维坐标信息和颜色参数；基于外轮廓点云确定目标对象的体积。通过本发明，解决了相关技术中存在的确定体积效率低、不准确的问题，达到提高确定体积效率和准确率的效果。

Description

体积的确定方法、装置、存储介质及电子装置
技术领域
本发明实施例涉及计算机领域，具体而言，涉及一种体积的确定方法、装置、存储介质及电子装置。
背景技术
在相关技术中，测量体积时通常采用手动测量的方式或者近似设计的方式，以上两种方式测量效率低下，针对于不规则活体精度较低。
由此可知，相关技术中存在确定体积效率低、不准确的问题。
针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种体积的确定方法、装置、存储介质及电子装置，以至少解决相关技术中存在的确定体积效率低、不准确的问题。
根据本发明的一个实施例，提供了一种体积的确定方法，包括：获取第一设备对目标对象进行拍摄所得到的第一图像，以及第二设备对所述目标对象进行拍摄所的得到的第二图像，其中，所述第一设备与所述第二设备相对设置；基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云，其中，所述第一参数信息以及所述第二参数信息中均包括像素点的三维坐标信息和颜色参数；基于所述外轮廓点云确定所述目标对象的体积。
根据本发明的另一个实施例，提供了一种体积的确定装置，包括：获取模块，用于获取第一设备对目标对象进行拍摄所得到的第一图像，以及第二设备对所述目标对象进行拍摄所的得到的第二图像，其中，所述第一设备与所述第二设备相对设置；第一确定模块，用于基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云，其中，所述第一参数信息以及所述第二参数信息中均包括像素点的三维坐标信息和颜色参数；第二确定模块，用于基于所述外轮廓点云确定所述目标对象的体积。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，获取第一设备对目标对象进行拍摄所得到的第一图像，以及与第一设备相对设置的第二设备对目标对象进行拍摄所得到的第二图像，根据第一图像中包括的每个第一像素点的第一参数信息以及第二图像中包括的每个第二像素点的第二参数信息确定目标对象的外轮廓点云，其中，第一参数信息以及第二参数信息中均包括三维坐标信息以及颜色参数信息，根据外轮廓点云确定目标对象的体积。由于在确定外轮廓点云时利用了每个像素点的三维坐标信息以及颜色信息，即充分利用了位置信息和颜色信息，更准确的提取物体边界，确定出目标对象的外轮廓点云，进而可以更准确的确定目标对象的体积。因此，可以解决相关技术中存在的确定体积效率低、不准确的问题，达到提高确定体积效率和准确率的效果。
附图说明
图1是本发明实施例的一种体积的确定方法的移动终端的硬件结构框图；
图2是根据本发明实施例的体积的确定方法的流程图；
图3是根据本发明示例性实施例的第一设备、第二设备及目标对象的位置示意图；
图4是根据本发明示例性实施例的一种第一设备和第二设备相对设置示意图；
图5是根据本发明示例性实施例的另一种第一设备和第二设备相对设置示意图；
图6是根据本发明示例性实施例的第一图像或第二图像示意图；
图7是根据本发明示例性实施例的目标网络模型的结构示意图；
图8是根据本发明示例性实施例的目标网络模型进行语义分割确定属于目标对象的像素点的效果示意图；
图9是根据本发明示例性实施例的目标外轮廓点云中包括的每个点的法向量示意图；
图10是根据本发明示例性实施例的包络体示意图；
图11是根据本发明示例性实施例的四面体剖分模型示意图；
图12是根据本发明示例性实施例的剖分图示意图；
图13是根据本发明具体实施例的体积的确定方法流程图；
图14是根据本发明实施例的体积的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行，还可以在服务器、云端、分布式服务端执行，移动终端可以包括智能摄像机、网络摄像机等。以运行在移动终端上为例，图1是本发明实施例的一种体积的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的体积的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。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。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种体积的确定方法，图2是根据本发明实施例的体积的确定方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取第一设备对目标对象进行拍摄所得到的第一图像，以及第二设备对所述目标对象进行拍摄所的得到的第二图像，其中，所述第一设备与所述第二设备相对设置；
步骤S204，基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云，其中，所述第一参数信息以及所述第二参数信息中均包括像素点的三维坐标信息和颜色参数；
步骤S206，基于所述外轮廓点云确定所述目标对象的体积。
在上述实施例中，第一设备和第二设备均可以是深度相机，如RGBD相机。第一设备和第二设备可以相对设置，位于目标对象的两侧。使用相对双相机采集，解决单相机难以一次获取物体包络点云问题。其中，目标对象可以是人、动物、规则形状物品或不规则形状物品。第一设备、第二设备及目标对象的位置示意图可参见附图3。如图3所示，圆1代表第一设备，圆2代表第二设备。第一设备和第二设备相对安装，这样能一次获取目标对象的整个轮廓信息。安装时可以进行外参标定，可采用标定球法进行标定。为防止目标对象相互遮挡，可以设定在划定区域内只有一个目标，即在第一设备和第二设备的拍摄区域内仅存在一个目标对象。
需要说明的是，第一设备和第二设备相对设置包括第一设备的视野方向与第二设备的视野方向相对设置，第一设备的视野方向与第二设备的视野方向可以呈180°(该取值仅是一种示例性说明，第一设备的视野方向和第二设备的视野方向之间的角度还是为近似180°，如180°±5°)。如第一设备的视野方向为向左，则第一设备的视野方向为向右。其中，第一设备和第二设备相对设置示意图可参见附图4。
第一设备的视野方向和第二设备的视野方向还可以与目标对象的两个相对方向相同。例如，第一设备位于目标对象的左侧，从目标对象的左侧对目标对象进行拍摄，第二设备位于目标对象的右侧，从目标对象的右侧对目标对象进行拍摄。或者，第一设备位于目标对象的前方，从目标对象的前方对目标对象进行拍摄，第二设备位于目标对象的后方，从目标对象的后方对目标对象进行拍摄。其中，第一设备和第二设备相对设置示意图可参见附图5。
在确定目标对象的体积时，目标对象可以位于第一设备和第二设备的视野重叠区域。第一设备和第二设备的高度可以相同，也可以不同。
在上述实施例中，第一图像和第二图像均可以是RGBD图像，第一像素点的第一参数信息可以包括第一像素点的三维坐标信息(x，y，z)，还可以包括第一像素点的颜色参数(r，g，b)，即第一参数信息可以表示为(x，y，z，r，g，b)。同理，第二参数信息也可以表示为(x，y，z，r，g，b)。可以根据每个第一像素点的第一参数信息以及每个第二像素点的第二参数信息来确定目标对象的外轮廓点云，根据外轮廓点云来还原目标对象，进而确定目标对象的体积。其中，第一图像或第二图像示意图可参见附图6，如图6所示，目标对象周边会存在较多离群点及地面等干扰点云，因此，可以根据第一参数信息以及第二参数信息进行语义分割，如对RGBD信息的前景提取，除去干扰点，得到外轮廓点云。
可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有图像获取设备以及数据处理设备的机器，其中，图像获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。
通过本发明，获取第一设备对目标对象进行拍摄所得到的第一图像，以及与第一设备相对设置的第二设备对目标对象进行拍摄所得到的第二图像，根据第一图像中包括的每个第一像素点的第一参数信息以及第二图像中包括的每个第二像素点的第二参数信息确定目标对象的外轮廓点云，其中，第一参数信息以及第二参数信息中均包括三维坐标信息以及颜色参数信息，根据外轮廓点云确定目标对象的体积。由于在确定外轮廓点云时利用了每个像素点的三维坐标信息以及颜色信息，即充分利用了位置信息和颜色信息，更准确的提取物体边界，确定出目标对象的外轮廓点云，进而可以更准确的确定目标对象的体积。因此，可以解决相关技术中存在的确定体积效率低、不准确的问题，达到提高确定体积效率和准确率的效果。
在一个示例性实施例中，基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云包括：基于根据所有所述第一像素点的所述第一参数信息，将所述第一像素点中属于所述目标对象的像素点确定为第三像素点；并根据基于所有所述第二像素点的所述第二参数信息，将所述第二像素点中属于所述目标对象的像素点确定为第四像素点；基于所述第三像素点以及所述第四像素点确定所述外轮廓点云。在本实施例中，可以根据第一像素点的所有第一参数信息确定出第一像素点中包括的属于目标对象的像素点，并将属于目标对象的像素点确定为第三像素点。还可以根据第二像素点的所有第二参数信息确定出第二像素点中包括的属于目标对象的第四像素点。根据第三像素点和第四像素点确定外轮廓点云。通过确定第三像素点和第四像素点可以剔除第一图像和第二图像中不属于目标对象的像素点，在确定外轮廓点云时仅根据属于目标对象的像素点进行确定，进而提高了确定目标对象外轮廓点云的准确性。
在一个示例性实施例中，所述基于所有所述第一像素点的所述第一参数信息，将所述第一像素点中属于所述目标对象的像素点确定为第三像素点，包括：基于所有所述第一像素点的所述第一参数信息确定所述第一图像的第一全局特征；基于每个所述第一像素点的所述第一参数信息确定每个所述第一像素点的第一局部特征；融合所述第一全局特征以及所述第一局部特征，得到第一融合特征；基于所述第一融合特征确定所述第一像素点中包括的所述第三像素点。在本实施例中，可以通过目标网络模型确定第一像素点中属于目标对象的第三像素点，目标网络模型可以为PointNet++网络模型。目标网络模型的结构示意图可参见附图7，如图7所示，可以将所有第一像素点构成的点云P1输入至PointNet++网络中，其中点云P1可记为
Figure BDA0003648124810000071
表示点云的{x，y，z，r，g，b}，即3D坐标和颜色信息，可得到点云P的全局特征，记为Fg∈R1*k。可以根据每个第一参数信息确定每个第一像素点的局部特征，记为Fl∈RN*k。k＝1024，为特征向量的长度。通过对全局特征、局部特征、融合特征进行降维处理，减小了运算量，提高了运算速度，同时，节省了算力。
在一个示例性实施例中，所述根据所有所述第二像素点的所述第二参数信息，将所述第二像素点中属于所述目标对象的像素点确定为第四像素点，包括：基于所有所述第二像素点的所述第二参数信息确定所述第二图像的第二全局特征；基于每个所述第二像素点的所述第二参数信息确定每个所述第二像素点的第二局部特征；融合所述第二全局特征以及所述第二局部特征，得到第二融合特征；基于所述第二融合特征确定所述第二像素点中包括的所述第四像素点。在本实施例中，可以通过目标网络模型确定第二像素点中属于目标对象的第四像素点。目标网络模型可以为PointNet++网络模型。将所有第二像素点构成的点云P2输入至PointNet++网络中，其中点云P2可记为
Figure BDA0003648124810000081
表示点云的{x，y，z，r，g，b}，即3D坐标和颜色信息，可得到点云P2的全局特征，记为Fg∈R1*k。可以根据每个第二参数信息确定每个第二像素点的局部特征，记为Fl∈RN*k。k＝1024，为特征向量的长度。通过全连接层对第二图像的全局特征Fg、每个第二像素点的局部特征Fl进行降维操作，由1024维压缩为256维；降维后将全局特征向量连接到局部特征向量后形成512维特征向量，得到第二融合特征，再通过全连接层将特征向量降为128维，记特征为
Figure BDA0003648124810000082
通过多层感知机以及sigmoid函数得到每个3D点的预测结果Mi，从而确定出了第四像素点。通过对全局特征、局部特征、融合特征进行降维处理，减小了运算量，提高了运算速度，同时，节省了算力。
在上述实施例中，语义分割的损失函数包含所有点的语义分割标准交叉熵lsem公式可以表示为
Figure BDA0003648124810000083
pi表示每个点属于目标对象的真实概率，qi表示每个点属于目标对象的预测概率。
在上述实施例中，使用{x,y,z,r,g,b}作为网络输入，充分利用位置信息和颜色信息，更准确的提取物体边界。
在上述实施例中，目标网络模型进行语义分割确定属于目标对象的像素点的效果示意图可参见附图8，如图8所示，根据预测结果(第三像素点以及第四像素点)即可提取出目标对象的3D点云，进而确定出目标对象的外轮廓信息。
在一个示例性实施例中，基于所述第三像素点以及所述第四像素点确定所述外轮廓点云包括：将所述第三像素点以及所述第四像素点转换到同一坐标系中，得到目标像素点；将所述目标像素点构成的点云确定为所述外轮廓点云。在本实施例中，可以将第三像素点构成的点云和第四像素点构成的点云转换到同一坐标系中。在进行坐标系转换时，可以将第三像素点转换到第四像素点所在的坐标系中。也可以将第四像素点转换到第三像素点所在的坐标系中。还可以将第三像素点和第四像素点同时转换到其他坐标系中。当将第三像素点转换到第四像素点所在的坐标系中，或将第四像素点转换到第三像素点所在的坐标系中时，可以对第一设备和第二设备进行标定。确定标定好的外参矩阵。根据外参矩阵实现像素点的坐标转换。即根据预先标定好的相机外参矩阵，利用第三像素点和第四像素点拼接出目标对象的完整包络的外轮廓。
在一个示例性实施例中，基于所述外轮廓点云确定所述目标对象的体积包括：基于所述外轮廓点云确定所述目标对象的剖分图；基于所述剖分图确定所述目标对象的体积。在本实施例中，可以根据外轮廓点云确定目标对象的剖分图，根据剖分图计算目标对象的体积。
在一个示例性实施例中，基于所述外轮廓点云确定所述目标对象的剖分图包括：对所述外轮廓点云进行过滤处理，得到目标外轮廓点云；确定所述目标外轮廓点云中包括的每个点的法向量；基于所述法向量确定所述目标对象的包络体；对所述包络体进行剖分，得到所述剖分图。在本实施例中，可以对外轮廓点云进行过滤处理，以避免图像中出现脉冲噪声，同时使得点云更加平滑。在过滤之后，可以确定目标外轮廓点云的法向量，根据每个点的法向量确定目标对象的包络体。在计算各点的法向量时，可以通过最小二乘法求当前点处的拟合平面，根据拟合平面求得当前点的法向量。其中，对于法向量的计算公式可以表示为
Figure BDA0003648124810000091
式中，∑为当前点的协方差矩阵，pi为当前点KNN集合的前K/2点，即KNN集合中距离当前点最近的前K/2点，
Figure BDA0003648124810000092
为前K/2点的均值点。λV＝∑V
在上述实施例中，可以通过λV＝∑V确定每个点的法向量，λV＝∑V为标准特征值方程，V为特征向量，λ为特征值，且λ2＞λ1＞λ0，v0即为法向量。需要说明的是，通过上述标准特征值方程计算出λ2＞λ1＞λ0三个特征值，λ0为三个特征值中的最小值，计算出的法向量为与λ0对应的v0。其中，目标外轮廓点云中包括的每个点的法向量示意图可参见附图9。
在一个示例性实施例中，对所述外轮廓点云进行过滤处理，得到目标外轮廓点云包括：针对所述外轮廓点云中包括的每个目标点，均执行以下操作，得到第一外轮廓点云：确定以所述目标点为中心的第一预设空间，确定所述第一预设空间的密度，将所述密度大于或等于预设密度的目标点确定为所述目标外轮廓点云中的点；针对所述第一外轮廓点云中包括的每个所述目标点，均执行以下操作，得到所述目标外轮廓点云：确定以所述目标点为中心的第二预设空间；确定所述第二预设空间中包括的点的坐标均值，确定所述第二预设空间中包括的点的坐标中值，确定所述坐标均值与所述目标点的坐标的第一差值，确定所述坐标中值与所述目标点的坐标的第二差值，响应于所述第一差值小于所述第二差值，将所述坐标均值确定为所述目标点的坐标，响应于所述第一差值大于所述第二差值，将所述坐标中值确定为所述目标点的坐标。在本实施例中，可以首先对外轮廓点云进行离群点的点云噪声滤波，得到第一外轮廓点云。可以确定以目标点为中心的第一预设空间的点云密度，在计算出的点云密度小于预设密度时，删除目标点，以实现滤除密度过低的点。其中，点云密度可以通过公式
Figure BDA0003648124810000101
进行计算。其中，N表示第一预设空间中包括的点的数量，pi表示第一预设空间中除目标点之外的其他点的坐标，p表示目标点的坐标。第一预设空间可以是以目标点为中心的球体，也可以是以目标点为中心的多面体，如四面体、六面体、八面体等。
在上述实施例中，在滤除密度过低的点，得到第一外轮廓点云后，还可以进行均值滤波、中值滤波等，得到目标外轮廓点云，实现自适应滤波的数据平滑。
在上述实施例中，可以采用公式
Figure BDA0003648124810000102
确定第二预设空间内所有点的坐标均值，采用
Figure BDA0003648124810000103
确定第二预设空间内所有点的坐标中值。确定坐标均值与目标点的坐标值的第一差值，坐标中值与目标点的坐标值的第二差值。当第一差值小于第二差值时，将坐标均值确定为目标点的坐标，当第二差值小于第一差值时，将坐标中值确定为目标点的坐标。即目标点的坐标值可以表示为
Figure BDA0003648124810000111
p的最终取值为与原始数据相差较小的点，既可避免椒盐噪声，同时能使点云数据更为平滑。其中，第二预设空间可以是以目标点为中心的球体，也可以是以目标点为中心的多面体，如四面体、六面体、八面体等。
需要说明的是，
Figure BDA0003648124810000112
表示根据
Figure BDA0003648124810000113
Figure BDA0003648124810000114
的取值确定p的取值为
Figure BDA0003648124810000115
或
Figure BDA0003648124810000116
即当
Figure BDA0003648124810000117
的取值为
Figure BDA0003648124810000118
时，p的最终取值为
Figure BDA0003648124810000119
当当
Figure BDA00036481248100001110
的取值为
Figure BDA00036481248100001111
时，p的最终取值为
Figure BDA00036481248100001112
在上述实施例中，提取前景点云后的自适应滤波操作，减少因设备精度引入的误差，使结果更为精准。
在一个示例性实施例中，基于所述法向量确定所述目标对象的包络体包括：基于所述法向量对所述目标外轮廓点云进行表面重建，得到所述目标对象的多个目标表面；基于所述法向量确定所述目标外轮廓点云中包括的等值面；基于所述等值面连接多个所述目标表面，得到所述包络体。在本实施例中，在得到每个点的法向量后，可以根据法向量对目标外轮廓点云进行表面重建，如泊松重建。对点云进行泊松重建包括：因点集的法向量即为物体模型表面指示函数的梯度的集合，故对具有法向量的点云进行泊松方程的求取，之后进行等值面的提取。泊松方程为离散的面片，通过等值面提取可将面片连接；最终得到一个相互之间无缝隙的三角面片组合而成的表面信息模型，即物体包络体。其中，包络体示意图可参见附图10。使用泊松方程对待测物体进行表面重建，可解决点云部分空洞问题，且能描述复杂物体边界信息。
在一个示例性实施例中，对所述包络体进行剖分，得到所述剖分图包括：确定四面体剖分模型；基于所述包络体对所述四面体剖分模型的表面进行恢复，得到所述剖分图。在本实施例中，可以对包络体进行Delaunay四面体剖分，通过逐点插入算法得到非约束的Delaunay四面体模型。其中，四面体剖分模型示意图可参见附图11。再通过泊松重建表面对Delaunay进行表面恢复，即可得到物体真实的Delaunay四面体剖分，得到剖分图。其中，剖分图示意图可参见附图12。
在上述实施例中，Delaunay四面体剖分结果为四面体单元组成的三维四面体网格模型。使用Delaunay四面体剖分法，可精确计算待测物体体积。只需计算出网格内各个四面体体积的总和就可以得到所求目标的体积。可采用行列式法实现单个四面体体积的计算，若Ti的四个顶点坐标为A(x0,y0,z0)、B(x1,y1,z1)、C(x2,y2,z2)、D(x3,y3,z3)，则体积Vi和总体积V分别为：
Figure BDA0003648124810000121
其中，Vi表示每个四面体的体积，V表示目标对象的体积，A(x0,y0,z0)、B(x1,y1,z1)、C(x2,y2,z2)、D(x3,y3,z3)表示四面体每个顶点的坐标。
下面结合具体实施方式对体积的确定方法进行说明：
图13是根据本发明具体实施例的体积的确定方法流程图，如图13所示，该流程包括：
步骤S1302，通过两部相对摆放的RGBD相机获取场景的图像和点云信息(对应于上述第一图像和第二图像)。
步骤S1304，使用分割网络，如卷积神经网络实现对RGBD信息的前景提取。
步骤S1306，根据分割网络结果，提取对应待测物体的3D点云。
步骤S1308，根据预先标定好的相机外参矩阵，将S1306得到的2个设备点云拼接出待测物体完整包络的外轮廓(对应于上述外轮廓点云)。
步骤S1310，对完整物体外轮廓点云进行预处理，得到目标外轮廓点云。
步骤S1312，计算各点的法向量。
步骤S1314，利用各点的法向量对点云进行泊松重建，得到包络体。
步骤S1316，对包络体进行Delaunay四面体剖分，
步骤S1318，计算体积。
在前述实施例中，处理RGBD信息的卷积网络，能充分利用位置信息和颜色信息，更准确的提取物体边界；提取前景点云后的自适应滤波操作，减少因设备精度引入的误差，使结果更为精准；使用泊松方程对待测物体进行表面重建，可解决点云部分空洞问题，且能描述复杂物体边界信息；使用Delaunay四面体剖分法，可精确计算待测物体体积。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种体积的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图14是根据本发明实施例的体积的确定装置的结构框图，如图14所示，该装置包括：
获取模块1402，用于获取第一设备对目标对象进行拍摄所得到的第一图像，以及第二设备对所述目标对象进行拍摄所的得到的第二图像，其中，所述第一设备与所述第二设备相对设置；
第一确定模块1404，用于基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云，其中，所述第一参数信息以及所述第二参数信息中均包括像素点的三维坐标信息和颜色参数；
第二确定模块1406，用于基于所述外轮廓点云确定所述目标对象的体积。
在一个示例性实施例中，第一确定模块1404可以通过如下方式实现基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云：基于根据所有所述第一像素点的所述第一参数信息，将所述第一像素点中属于所述目标对象的像素点确定为第三像素点；并根据基于所有所述第二像素点的所述第二参数信息，将所述第二像素点中属于所述目标对象的像素点确定为第四像素点；基于所述第三像素点以及所述第四像素点确定所述外轮廓点云。
在一个示例性实施例中，第一确定模块1404可以通过如下方式实现基于所有所述第一像素点的所述第一参数信息，将所述第一像素点中属于所述目标对象的像素点确定为第三像素点：基于所有所述第一像素点的所述第一参数信息确定所述第一图像的第一全局特征；基于每个所述第一像素点的所述第一参数信息确定每个所述第一像素点的第一局部特征；融合所述第一全局特征以及所述第一局部特征，得到第一融合特征；基于所述第一融合特征确定所述第一像素点中包括的所述第三像素点。
在一个示例性实施例中，第一确定模块1404可以通过如下方式实现所述根据所有所述第二像素点的所述第二参数信息，将所述第二像素点中属于所述目标对象的像素点确定为第四像素点：基于所有所述第二像素点的所述第二参数信息确定所述第二图像的第二全局特征；基于每个所述第二像素点的所述第二参数信息确定每个所述第二像素点的第二局部特征；融合所述第二全局特征以及所述第二局部特征，得到第二融合特征；基于所述第二融合特征确定所述第二像素点中包括的所述第四像素点。
在一个示例性实施例中，第一确定模块1404可以通过如下方式实现基于所述第三像素点以及所述第四像素点确定所述外轮廓点云：将所述第三像素点以及所述第四像素点转换到同一坐标系中，得到目标像素点；将所述目标像素点构成的点云确定为所述外轮廓点云。
在一个示例性实施例中，第二确定模块1406可以通过如下方式实现基于所述外轮廓点云确定所述目标对象的体积：基于所述外轮廓点云确定所述目标对象的剖分图；基于所述剖分图确定所述目标对象的体积。
在一个示例性实施例中，第二确定模块1406可以通过如下方式实现基于所述外轮廓点云确定所述目标对象的剖分图：对所述外轮廓点云进行过滤处理，得到目标外轮廓点云；确定所述目标外轮廓点云中包括的每个点的法向量；基于所述法向量确定所述目标对象的包络体；对所述包络体进行剖分，得到所述剖分图。
在一个示例性实施例中，第二确定模块1406可以通过如下方式实现对所述外轮廓点云进行过滤处理，得到目标外轮廓点云：针对所述外轮廓点云中包括的每个目标点，均执行以下操作，得到第一外轮廓点云：确定以所述目标点为中心的第一预设空间，确定所述第一预设空间的密度，将所述密度大于或等于预设密度的目标点确定为所述目标外轮廓点云中的点；针对所述第一外轮廓点云中包括的每个目标点，均执行以下操作，得到所述目标外轮廓点云：确定以所述目标点为中心的第二预设空间；确定所述第二预设空间中包括的点的坐标均值，确定所述第二预设空间中包括的点的坐标中值，确定所述坐标均值与所述目标点的坐标的第一差值，确定所述坐标中值与所述目标点的坐标的第二差值，响应于所述第一差值小于所述第二差值，将所述坐标均值确定为所述目标点的坐标，响应于所述第一差值大于所述第二差值，将所述坐标中值确定为所述目标点的坐标。
在一个示例性实施例中，第二确定模块1406可以通过如下方式实现基于所述法向量确定所述目标对象的包络体：基于所述法向量对所述目标外轮廓点云进行表面重建，得到所述目标对象的多个目标表面；基于所述法向量确定所述目标外轮廓点云中包括的等值面；基于所述等值面连接多个所述目标表面，得到所述包络体。
在一个示例性实施例中，第二确定模块1406可以通过如下方式实现对所述包络体进行剖分，得到所述剖分图：确定四面体剖分模型；基于所述包络体对所述四面体剖分模型的表面进行恢复，得到所述剖分图。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种体积的确定方法，其特征在于，包括：
获取第一设备对目标对象进行拍摄所得到的第一图像，以及第二设备对所述目标对象进行拍摄所的得到的第二图像，其中，所述第一设备与所述第二设备相对设置；
基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云，其中，所述第一参数信息以及所述第二参数信息中均包括像素点的三维坐标信息和颜色参数；
基于所述外轮廓点云确定所述目标对象的体积。
2.根据权利要求1所述的方法，其特征在于，基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云包括：
基于所有所述第一像素点的所述第一参数信息，将所述第一像素点中属于所述目标对象的像素点确定为第三像素点；并
基于所有所述第二像素点的所述第二参数信息，将所述第二像素点中属于所述目标对象的像素点确定为第四像素点；
基于所述第三像素点以及所述第四像素点确定所述外轮廓点云。
3.根据权利要求2所述的方法，其特征在于，所述基于所有所述第一像素点的所述第一参数信息，将所述第一像素点中属于所述目标对象的像素点确定为第三像素点，包括：
基于所有所述第一像素点的所述第一参数信息确定所述第一图像的第一全局特征；
基于每个所述第一像素点的所述第一参数信息确定每个所述第一像素点的第一局部特征；
融合所述第一全局特征以及所述第一局部特征，得到第一融合特征；
基于所述第一融合特征确定所述第一像素点中的所述第三像素点。
4.根据权利要求2所述的方法，其特征在于，所述根据所有所述第二像素点的所述第二参数信息，将所述第二像素点中属于所述目标对象的像素点确定为第四像素点，包括：
基于所有所述第二像素点的所述第二参数信息确定所述第二图像的第二全局特征；
基于每个所述第二像素点的所述第二参数信息确定每个所述第二像素点的第二局部特征；
融合所述第二全局特征以及所述第二局部特征，得到第二融合特征；
基于所述第二融合特征确定所述第二像素点中包括的的所述第四像素点。
5.根据权利要求2至4任一项所述的方法，其特征在于，基于所述第三像素点以及所述第四像素点确定所述外轮廓点云包括：
将所述第三像素点以及所述第四像素点转换到同一坐标系中，得到目标像素点；
将所述目标像素点构成的点云确定为所述外轮廓点云。
6.根据权利要求1所述的方法，其特征在于，基于所述外轮廓点云确定所述目标对象的体积包括：
基于所述外轮廓点云确定所述目标对象的剖分图；
基于所述剖分图确定所述目标对象的体积。
7.根据权利要求6所述的方法，其特征在于，基于所述外轮廓点云确定所述目标对象的剖分图包括：
对所述外轮廓点云进行过滤处理，得到目标外轮廓点云；
确定所述目标外轮廓点云中包括的每个点的法向量；
基于所述法向量确定所述目标对象的包络体；
对所述包络体进行剖分，得到所述剖分图。
8.根据权利要求7所述的方法，其特征在于，对所述外轮廓点云进行过滤处理，得到目标外轮廓点云包括：
针对所述外轮廓点云中包括的每个目标点，均执行以下操作，得到第一外轮廓点云：确定以所述目标点为中心的第一预设空间，确定所述第一预设空间的密度，将所述密度大于或等于预设密度的目标点确定为所述目标外轮廓点云中的点；
针对所述第一外轮廓点云中包括的每个所述目标点，均执行以下操作，得到所述目标外轮廓点云：确定以所述目标点为中心的第二预设空间；确定所述第二预设空间中包括的点的坐标均值，确定所述第二预设空间中包括的点的坐标中值，确定所述坐标均值与所述目标点的坐标的第一差值，确定所述坐标中值与所述目标点的坐标的第二差值，响应于所述第一差值小于所述第二差值，将所述坐标均值确定为所述目标点的坐标，响应于所述第一差值大于所述第二差值，将所述坐标中值确定为所述目标点的坐标。
9.根据权利要求7所述的方法，其特征在于，基于所述法向量确定所述目标对象的包络体包括：
基于所述法向量对所述目标外轮廓点云进行表面重建，得到所述目标对象的多个目标表面；
基于所述法向量确定所述目标外轮廓点云中包括的等值面；
基于所述等值面连接多个所述目标表面，得到所述包络体。
10.根据权利要求7所述的方法，其特征在于，对所述包络体进行剖分，得到所述剖分图包括：
确定四面体剖分模型；
基于所述包络体对所述四面体剖分模型的表面进行恢复，得到所述剖分图。
11.一种体积的确定装置，其特征在于，包括：
获取模块，用于获取第一设备对目标对象进行拍摄所得到的第一图像，以及第二设备对所述目标对象进行拍摄所的得到的第二图像，其中，所述第一设备与所述第二设备相对设置；
第一确定模块，用于基于所述第一图像中包括的每个第一像素点的第一参数信息，以及所述第二图像中包括的每个第二像素点的第二参数信息确定所述目标对象的外轮廓点云，其中，所述第一参数信息以及所述第二参数信息中均包括像素点的三维坐标信息和颜色参数；
第二确定模块，用于基于所述外轮廓点云确定所述目标对象的体积。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至10任一项中所述的方法的步骤。
13.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至10任一项中所述的方法。
CN202210535894.9A 2022-05-17 2022-05-17 体积的确定方法、装置、存储介质及电子装置 Pending CN114862940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210535894.9A CN114862940A (zh) 2022-05-17 2022-05-17 体积的确定方法、装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210535894.9A CN114862940A (zh) 2022-05-17 2022-05-17 体积的确定方法、装置、存储介质及电子装置

Publications (1)

Publication Number Publication Date
CN114862940A true CN114862940A (zh) 2022-08-05

Family

ID=82636446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210535894.9A Pending CN114862940A (zh) 2022-05-17 2022-05-17 体积的确定方法、装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN114862940A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051623A (zh) * 2022-12-30 2023-05-02 苏州深浅优视智能科技有限公司 基于3d视觉的体积计算方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120307010A1 (en) * 2011-06-06 2012-12-06 Microsoft Corporation Object digitization
US20160029648A1 (en) * 2013-03-15 2016-02-04 Csb-System Ag Device for volumetrically measuring a slaughter animal body object
US20170228885A1 (en) * 2014-08-08 2017-08-10 Cargometer Gmbh Device and method for determining the volume of an object moved by an industrial truck
WO2018025842A1 (ja) * 2016-08-04 2018-02-08 株式会社Ｈｉｅｌｅｒｏ 点群データ変換システム、その方法、及びプログラム
CN108573221A (zh) * 2018-03-28 2018-09-25 重庆邮电大学 一种基于视觉的机器人目标零件显著性检测方法
CN109655019A (zh) * 2018-10-29 2019-04-19 北方工业大学 一种基于深度学习和三维重建的货物体积测量方法
CN113256640A (zh) * 2021-05-31 2021-08-13 北京理工大学 基于PointNet网络点云分割及虚拟环境生成方法和装置
CN113538666A (zh) * 2021-07-22 2021-10-22 河北农业大学 一种植物植株三维模型快速重建方法
CN113870435A (zh) * 2021-09-28 2021-12-31 浙江华睿科技股份有限公司 一种点云分割方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120307010A1 (en) * 2011-06-06 2012-12-06 Microsoft Corporation Object digitization
US20160029648A1 (en) * 2013-03-15 2016-02-04 Csb-System Ag Device for volumetrically measuring a slaughter animal body object
US20170228885A1 (en) * 2014-08-08 2017-08-10 Cargometer Gmbh Device and method for determining the volume of an object moved by an industrial truck
WO2018025842A1 (ja) * 2016-08-04 2018-02-08 株式会社Ｈｉｅｌｅｒｏ 点群データ変換システム、その方法、及びプログラム
CN108573221A (zh) * 2018-03-28 2018-09-25 重庆邮电大学 一种基于视觉的机器人目标零件显著性检测方法
CN109655019A (zh) * 2018-10-29 2019-04-19 北方工业大学 一种基于深度学习和三维重建的货物体积测量方法
CN113256640A (zh) * 2021-05-31 2021-08-13 北京理工大学 基于PointNet网络点云分割及虚拟环境生成方法和装置
CN113538666A (zh) * 2021-07-22 2021-10-22 河北农业大学 一种植物植株三维模型快速重建方法
CN113870435A (zh) * 2021-09-28 2021-12-31 浙江华睿科技股份有限公司 一种点云分割方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵巍;崔平远;崔祜涛;: "利用三角剖分算法进行小天体物理属性计算", 哈尔滨工业大学学报, no. 05, 15 May 2010 (2010-05-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051623A (zh) * 2022-12-30 2023-05-02 苏州深浅优视智能科技有限公司 基于3d视觉的体积计算方法

Similar Documents

Publication Publication Date Title
JP7125512B2 (ja) オブジェクトのロード方法及び装置、記憶媒体、電子装置、並びにコンピュータプログラム
CN108876926B (zh) 一种全景场景中的导航方法及系统、ar/vr客户端设备
US20170330375A1 (en) Data Processing Method and Apparatus
CN113192179B (zh) 一种基于双目立体视觉的三维重建方法
CN108648270A (zh) 基于eg-slam的无人机实时三维场景重建方法
CN111612898B (zh) 图像处理方法、装置、存储介质及电子设备
CN111640180B (zh) 一种三维重建方法、装置及终端设备
CN113744408B (zh) 网格生成方法、装置及存储介质
CN118172507B (zh) 基于数字孪生的变电站场景融合三维重建方法及系统
US20160232420A1 (en) Method and apparatus for processing signal data
CN118334265B (zh) 一种三维模型建模方法、装置、电子设备及存储介质
CN112233149B (zh) 场景流的确定方法及装置、存储介质、电子装置
CN113902802A (zh) 视觉定位方法及相关装置、电子设备和存储介质
CN105466399A (zh) 快速半全局密集匹配方法和装置
WO2023093085A1 (zh) 重建物体表面的方法、装置、计算机存储介质和计算机程序产品
CN118967980A (zh) 一种基于无人机倾斜摄影测量的实景三维建模方法及系统
CN118247429A (zh) 一种空地协同快速三维建模方法及系统
EP3906530B1 (en) Method for 3d reconstruction of an object
CN114862940A (zh) 体积的确定方法、装置、存储介质及电子装置
CN114299230B (zh) 一种数据生成方法、装置、电子设备及存储介质
CN119478292A (zh) 基于激光点云与可见光融合的变电站三维建模方法
CN115018971A (zh) 一种空间网格模型构建方法
CN117372647B (zh) 一种建筑用三维模型的快速构建方法及系统
US10861174B2 (en) Selective 3D registration
CN112750195B (zh) 目标物体的三维重建方法和装置、存储介质及电子设备

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