没有合适的资源?快使用搜索试试~ 我知道了~
建筑物全景RGBD图像对齐的二维平面图方法
1利用二维平面图实现建筑物全景RGBD对准埃里克·维曼斯·古川康孝华盛顿大学。路易{erikwijmans,furukawa}@ wustl.edu图1:本文解决了建筑规模的全景RGBD图像对齐。我们的方法利用平面图图像,以显着减少必要的扫描次数,从而减少人工操作成本。摘要本文提出了一种新的算法,利用二维平面图对齐全景RGBD扫描。虽然存在有效的全景RGBD对准技术,但是这样的系统需要极其密集的RGBD图像采样。我们的方法可以显着减少必要的扫描次数的帮助下的平面图图像。我们制定了一个新的马尔可夫随机场的推理问题作为一个扫描布局,而不是传统的扫描到扫描对齐。技术贡献在于多模态图像对应线索(扫描和示意性平面图之间)以及避免固有堆叠偏差的新所提出的方法已经在五个具有挑战性的大型室内空间进行了评估。据我们所知,我们提出了第一个有效的系统,利用二维平面图图像的建设规模的三维点云对齐。源代码和数据与社区共享,以进一步加强室内测绘研究。1. 介绍近年来,3D扫描硬件取得了显着的进步,其中成功的 产 品 在 工 业 中 存 在 商 业 应 用 。 特 别 是 PanoramaRGBD扫描仪已经找到了现实世界的应用,因为该系统产生3D几何形状和沉浸式全景图像。例如,Faro 3D [10]是一款专业级全景RGBD扫描仪,可以达到100米以上,每次扫描在毫米精度内产生1亿个点。该设备非常适合室内测绘、土木工程或GIS应用中的3D测量、记录或监控。Matterport [2,5]是一种新兴的低端解决方案,只能达到5米,但速度要快得多(即,每次扫描1到2分钟),并在房地产市场上展示了令人信服的结果。随着3D扫描硬件的成功,全景RGBD自动对准已经成为一项关键技术。Matterport系统提供了一种鲁棒的解决方案,但需要极其密集的扫描(例如,每2到3米扫描一密集扫描对于高端扫描仪(例如,Faro 3D[10]),其单次扫描可能需要30分钟或1小时,具体取决于分辨率。然而,这些扫描仪是大型建筑物(例如百货公司、机场航站楼或酒店大堂)的唯一选择,这仅仅是由于所需的操作范围(例如,20至30米)。此外,这些高端扫描仪的精度对于定量恢复用于科学和工程数据分析的度量信息是必要的。在实践中,利用高端3D扫描设备,人们使用诸如大的明亮球的校准对象和/或利用诸如大的明亮球的校准308309中心11号馆2号馆中心23号馆图2:我们使用专业级激光测距仪在两栋建筑物的五层楼内获取建筑物规模的全景RGBD扫描。橙色圆圈表示粗略的扫描位置。在大多数情况下,每个房间只采集一次扫描,使得相邻扫描的交叉点最小,并且平面图图像的使用对我们的问题至关重要半自动3D对齐工具,如Autodesk ReCap 360 [1],以最大限度地减少必要的扫描次数。本文重点介绍高端3D室内扫描(见图1)。一个关键的观察是,高端3D扫描的建筑目标通常具有2D平面图。我们的方法可以显着减少必要的RGBD扫描的数量与2D平面图图像的帮助关键技术的贡献在于一个新的马尔可夫随机场公式作为一个扫描布局问题,而不是传统的扫描到扫描对齐。除了扫描之间的标准视觉和几何特征匹配之外,我们还将多模态几何或语义对应线索与扫描和平面图相关联,以及避免固有堆叠偏差的新型我们已经在五个具有挑战性的大型室内空间进行了实验,并展示了近乎完美的对齐结果,明显优于现有的方法(见图1)。2)的情况。虽然我们的工作主要集中在现有的室内结构上,但该技术也可以变革其他领域,例如,建筑工地的土木工程应用程序,用于进度监控或安全检查[15],其中存在精确的建筑蓝图。2. 相关工作室内3D扫描有两种方法:“RGBD流”或“全景RGBD扫描”。RGBD流连续移动深度相机并扫描场景。在Kinect Fusion成功之后,这一直是计算机视觉研究者的主要选择[19,8,24]。输入是RGBD视频流,其中同步定位和映射(SLAM)是核心技术。全景RGBD扫描在工业上已经相当成功,因为1)数据获取容易(即,拾取2D位置,而不是RGBD流中的6DoF导航); 2)由于全景视场,对准更容易;以及3)系统产生全景图像,这对于许多可视化应用是必要的。运动恢复结构(SfM)是该方法的核心技术。本文提供了一种全景RGBD对齐的自动化解决方案,本节的其余部分将重点介绍SfM技术,其中我们请读者参阅SLAM文献的调查文章[7]。运动恢复结构(SfM)解决了自动图像对齐的问题[12]。最先进的SfM系统甚至可以处理数百万个无组织的互联网照片,310检测门门像素面积(平方英尺) 三维点平面图水库表1:我们的建筑规模全景RGBD数据集的统计数据。一次扫描包含4400万个彩色点。图[4,11]。较宽的视场(例如,全景图像)进一步使对齐鲁棒[21,20,16],因为更多的特征是可见的。当深度数据可用时,几何形状为对齐提供了额外的线索,其中迭代最近点(ICP)[6]是最成功的方法之一。然而,即使是最先进的SfM或ICP系统也面临着室内场景的真正挑战,这些室内场景充满了无纹理墙壁,通过窄行门口的可见性有限。现有的方法要么1)采用极密集的样本[2],要么2)依赖于手动对齐[18,13]。利用建筑物信息进行扫描对齐的想法已在土木工程应用中得到证明[15]。然而,该系统需要一个完整的3D模型用于建筑设计和规划,以及手动图像到模型的对应关系来启动该过程。本文利用2D平面布置图以最小的用户交互(即,在平面图图像上的几次鼠标敲击)。3. 建筑物比例全景RGBD数据集我们使用专业级激光测距仪Faro 3D [10],在两栋建筑物的五层楼内获取全景RGBD扫描(图1)。2和表1)。平面布置图以光栅化图像的形式给出。本节总结了标准的预处理步骤,这些步骤是为我们的算法准备数据集所必需的。我们在这里简要介绍这些步骤,并参考补充材料的细节(见图1)。(3)第三章。• 我们通过丢弃黑色像素的小连接分量来去除平面图图像中的杂波。• 我们的平面图图像包含一个比例尺,它允许我们通过几次鼠标敲击来计算每个像素的度量比例这个过程可能是不精确的,我们的算法将被设计为容忍错误。在没有标尺的情况下,我们可以手动将一个扫描与平面图对齐以获得比例。• 我们分别从每个扫描和平面图中提取曼哈顿帧在每次扫描中,我们根据点密度识别垂直方向和楼层高度• 我们把每个扫描点或自由空间的证据图像在一个自上而下的看法。点证据是[0,1]范围内的分数,而自由空间证据是二进制掩码。• 我们在平面图图像上计算建筑物掩模,它可以快速修剪不太可能的扫描位置。地板-图3:[Top]去除蓝色覆盖显示建筑物遮罩,红色像素显示检测到的门像素。[底部]左侧显示了一次扫描的特写以及3D门检测的结果。中间显示了带有检测到的门像素的自由空间图像遮罩。右图显示了带有热图配色方案如果平面像素位于其行中的最左和最右像素之间以及其列中的最上和最下像素之间,则平面像素变为在掩模内部。• 我们在平面图图像和3D扫描中检测门。对于平面布置图,我们手动指定包含单个门符号的边界框,并使用标准模板匹配方法来查找其余符号。对于3D扫描,我们使用启发式算法直接在3D点中识别门特定的3DPat-tape。4. 磁流变液配方问题的多模态性质使我们的公式与现有的公式有根本的不同[22,23]。第一个关键区别在于变量的定义。在现有方法中,变量编码一对扫描之间的3D相对放置[22,23]。在我们的公式中,变量编码平面图图像上的单次扫描的2D绝对位置令S={s1,s2,···}为我们的变量,其中si编码单次扫描的2D放置。S1由两个部件组成:1)旋转,其通过利用曼哈顿框架(0、90、180或270度)来取四个角度值中的一个;以及2)平移,其是在中心1门像素311语义线索输入几何提示门像素门符号扩张门检测平面图图像扩展平面图图像(DF)扫描仪中心斗xe对象点证据(P)最大值(0,P- DF)RLSPiFFF平面图像素点证据像素语义潜势0.51.0 0.0图4:扫描到楼层电位以两种方式测量平面布置图和3D扫描的一致性左:语义线索检查点证据中门检测像素上门检测的一致性。右:几何线索测量了有多少点证据(P)不能被放大的平面图图像解释平面图图像。我们寻求找到最小化以下三个势的位置S扫描布局下的相应平面布置像素如果fp也是门像素,则惩罚为0。因为不是所有的Xsi∈SES(si)+X(si,sj)∈S×SES×S(si,sj) +Xfk∈FE k(S).门在平面图中有标记,fp可能是未标记的门。门像素。在这种情况下,fp必须在门口(即,白色像素)。因此,如果f p不是门像素并且具有大于0的强度。4,我们将惩罚设置为0。5、否则第一项(ES)是一元势,测量Con-S势。扫描放置和平面布置图像之间的相似性。第二项(ES×S)是一个二元势,用来度量扫描位置对之间的一致性。第三项(EF)计算由扫描布局覆盖的布图规划像素的数量,并且在布图规划图像像素F上求和。Ek是高阶项,但将通过如下所述的成对项的和来第一项( ES ) 和 第 三 项 ( Ek ) 是 主 要 贡 献 , 而 第 二 项(ES×S)类似于现有的方法。4.1. 扫描到平面布置图的一致性潜力扫描到布局一致性(ES)需要克服布局图像和真实传感器数据之间的极大不同的模态。我们的衡量标准是语义和几何惩罚的总和(见图1)。4).语义线索:语义线索利用门检测。在Yan等人最近的工作[23]第10段。我们使用门检测来将3D扫描与平面图图像对齐。门检测结果表示为平面布置图图像或每次扫描证据图像中的一组像素。定义了证据图像中每个门像素的语义惩罚。设fp表示1 .一、0的情况。在evi中的所有门像素上的平均惩罚证据意象是语义惩罚。几何提示:测量平面图图像和点证据图像之间的一致性是一个真正的挑战:1)平面图图像包含证据图像中没有的额外符号; 2)证据图像包含不在平面图图像中的物体/杂波; 3)平面布置图的样式(例如,线厚度)可以变化;和4)两者基本上都是线条画,使得比较对小误差敏感。在实践中,我们发现以下一致性潜力提供了一个强大的度量。首先,我们使用OpenCV默认实现(5×5内核)对平面图图像应用标准形态学膨胀操作(作为灰度图像)。然后,我们通过1)从点证据图像(P)中减去扩张的平面布置图像(DF);然后2)将负强度箝位为0,来测量点证据图像中有多少不由平面布置解释。该残差图像中的强度之和(max(0,P-DF))除以原始证据图像中的强度之和(P)计算差异量我们交换平面图和点证据图像的角色,计算其他差异度量,并取平均值。3124.2. 扫描间一致性潜力与标准的MRF公式不同,我们不知道哪对变量(即,扫描)应该有交互,因为我们的变量编码了扫描的位置。因此,我们为每对扫描设置一个势能。电位测量两次扫描之间的光度和几何测量,给出它们的位置。光度一致性使用局部图像块的归一化几何一致性度量存储在体素网格上的点和自由空间证据信息之间的差异一致性测量基于标准技术,我们将详细信息参考补充材料。4.3. 平面图覆盖潜力第三种可能性是增加扫描所覆盖的平面图像素的数量 这用作对抗扫描到扫描一致性电势的反作用力,该电势具有将多个扫描堆叠在同一位置的强偏置,因为1)该电势是针对每对扫描添加的;以及2)仅当扫描重叠时电位下降。布图覆盖势可以通过布图像素上的子势的总和来实现,如果像素没有被任何扫描覆盖,则每个子势返回1,否则返回0。如果像素在自由空间掩模内,则我们定义该子电位取决于任何扫描,其放置候选者之一覆盖像素,并且通常变得更高阶。在实践中,大多数房间只扫描一次或两次,两两项的近似效果很好。更准确地说,对于每个平面布置图像素,我们识别一组扫描,其中一个放置候选覆盖像素。 对于每一对这样的扫描,我们形成一个成对的势,其为0。0,如果恰好一个扫描覆盖像素(理想情况),则为0。如果两者都覆盖像素,则为5;如果两者都覆盖像素,则为1。0如果没有覆盖。5. 推理简单的推理是不可能解决我们的MRF问题的。标签空间是巨大的(即,4次旋转x每个变量5000万次平移)。能量不是分模块的.关键的见解是,虽然室内场景充满了重复,但没有太多的地方或房间具有完全相同的周围几何形状和门的位置。因此,简单地识别一元电位中的显著(负)峰可以限制每次扫描的一组在实践中,所有一元成本的详尽评估仍然是不可行的(每次扫描2亿个可能的位置),我们采用标准的分层搜索方案来识别每次扫描的少量(在我们的实验中为5个)位置候选者。分层搜索方案的工作原理如下。首先,我们为每个平面图建立一个5层的图像金字塔,年龄、证据图像或门检测图像。其次,我们在顶层详尽地评估所有一元成本然后,通过逐层迭代计算当前局部最小值下子像素的一元代价这种分层搜索针对四个方向中的每一个方向运行。在这些搜索的最底层的最好的五个位置被报告为候选。虽然这种搜索策略相对简单,但一些算法细节值得注意。首先,我们使用2×2像素的最大强度1,而不是图像金字塔创建中的平均值,因为图像接近二进制.其次,非局部最小值抑制比直接相邻区域大得多,因为函数往往是峰值。设WB和HB为包含布局图掩码的紧密边界框我们看一个大小为(WB+HB)/80的正方形区域。第三,非局部最小值抑制的阈值是同一金字塔级别的评估分数的平均值减去标准差。第四,当超过30%的相应自由空间掩模超出建筑物掩模时,我们通过跳过扫描放置来加速一元潜力评估。最后,在每个局部最小值下搜索7×7个子像素(为了速度,在周长上每隔一个像素选择一个)而不是2×2,每次扫描有五个放置候选者,我们采用树重加权消息传递算法[17]来优化我们的非子模块能量。每个变量被初始化为具有最佳一元势的布局。优化通常在50次迭代后收敛。6. 实验结果与讨论我们使用C++实现和Intel Core I7 CPU与16GB RAMPC。三个计算费用的步骤是预处理,一元电位评估和TRW优化,其中运行时间大致与输入扫描的数量成正比。对于具有70到80次扫描的大型数据集,这些步骤分别大约需要5小时、2.5小时和30分钟。由于I/O和处理大量扫描文件,预处理是瓶颈,如果需要,可以并行化图5和图6显示了我们的主要结果。对于每个数据集,显示了合并的点云和彩色平面图掩模当多个遮罩覆盖同一像素时,选择最接近扫描的颜色我们已经手动检查了每个结果,以检查位置的正确性,其中错误的是突出显示在图中表2显示了我们的布局误差1我们假设在点和自由空间证据中,黑色像素(墙)比白色像素(地板)具有更大的强度,并且输入平面图313中心1=不正确中心2图5:Center1和Center2的放置结果显示了合并的3D点云和2D彩色自由空间遮罩数据SFSF+SS所有(SF+SS+F)中心1百分之十二0%的百分比百分之二中心2百分之三百分之二0%的百分比1号馆百分之二十九百分之十五百分之十五2号馆百分之十二百分之十五占7%3号馆百分之四十百分之四十七百分之三十四四表2:为了评估每个势的贡献,我们用势的不同组合运行了我们的算法。SF、SS和F分别表示扫描到平面布置图、扫描到扫描和平面布置图覆盖潜力。速率(即,错误放置扫描的比率)。我们的算法已经成功地将大部分扫描结果对齐。我们还没有扫描中心1和中心2的建筑物右翼(见图1)。2),这使得扫描错位的空间很大然而,我们的方法只有一个错误-314评估他们的贡献。表2示出了仅一元结果(SF)的相对较低的错误率,并展示了利用布图规划的能力。该表还显示,标准成对势(SS),现有方法的主要线索,一直提高了更容易的数据集(中心1,中心2和大厅1)的对齐精度,但不是更难的两种情况。平面图覆盖潜力对于充满重复和模糊性的挑战性数据集(Hall 2和Hall 3)至关重要此外,我们已经实验了传统扫描到扫描对准技术的可 行 性 , 特 别 是 Autodesk ReCap 360 [1] 和 K-4PCS[22],它们不使用平面图数据。这两种方法都未能产生任何类型的有意义的结果,再次证实了利用平面图图像对我们的问题的重要性。请注意,为了公平比较,我们已经评估了Autodesk ReCap 360中的全自动模式。我们还利用其交互模式对齐扫描,但位于该区域(中心1)。请注意,Hall 3是一个例外情况是,由于平面图图像中的毛刺,我们犯了许多错误。我们稍后将讨论失败案例我们的MRF公式由三个势组成。我们用几种不同的组合运行了我们的算法这个过程非常痛苦和耗时(对于大型数据集,需要6或7个小时的密集鼠标点击)。此外,由于强制自动细化,最终的比对遭受了重大错误,这是不可避免的。3151号馆=不正确2号馆3号馆图6:Hall 1、Hall 2和Hall 3的放置结果。图7:用中心2上的距离变换替换一元势时的结果主要的放置错误发生在大厅的中间。右剖切点渲染显示了误差的大小。为了进一步评估我们的一元势的贡献和利用平面图图像的有效性,我们已经试验了三个替代图像匹配度量来替换一元项(参见表3)。相同的分层搜索方案(节。(5)已使用。没有掩码的天真SSD如预期的那样严重失败。SSD和距离变换利用我们的面具已经达到了合理的精度,这是显着的,考虑到事实上没有平面布置的成对扫描对准(即,当前的技术水平)在所有的例子中完全失败。列值得注意的是,扩大候选列表并不能帮助降低Top 5的错误率,因为失败的情况通常是极端的。图7显示了Distance=不正确316原始SSDSSD距离变换一元(Unary)名称扫描次数前1前5前1前5最终前1前5最终前1前5最终中心150百分之九十六百分之九十四百分之二十四百分之十二百分之十二百分之十四百分之四百分之十二占6%百分之二百分之二中心280百分之九十四百分之九十一百分之十八百分之十百分之十百分之二十百分之十二百分之十三百分之一0%的百分比0%的百分比1号馆7百分百百分百百分之四十三0%的百分比百分之十五百分之二十九百分之二十九百分之二十九百分之十五0%的百分比百分之十五2号馆75百分百百分之九十四百分之四十八百分之二十六百分之三十七百分之十二百分之八百分之十六百分之二十二百分之十占7%3号馆65百分之九十七百分之九十六百分之七十一百分之五十六百分之六十一百分之四十五百分之二十二百分之三十七百分之四十五百分之三十二百分之三十四表3:我们将我们的结果与几个图像距离度量进行了比较,这些度量取代了扫描到平面图(一元)的潜力。列列“最终”报告了用替换的一元势进行MRF优化后的错误率。Naive SSD只是取平面图图像和点证据图像之间的平方差之和。SSD计算相同的度量,但仅在自由空间证据掩码内。距离变换使平面图图像以阈值0.4二进制化,构造其距离变换图像[9],然后取自由空间证据掩码内的点证据图像的元素乘积之和无语义线索w/语义线索扫描中的门像素平面布置图中的门像素图8:语义提示(即,门检测)解决了模糊性。该图显示了基于一元势的最佳放置,有或没有语义线索。SS + SF全(SS + SF + F)图9:最终扫描位置,有或没有平面图覆盖潜力,这减轻了堆叠偏见可见的左边。transform,它倾向于将扫描集中在大房间中。我们的分析是,一个大房间往往有非建筑线条或符号。距离变换图像在这种情况下包含比不存在时显著更小的值,并且允许不正确的放置具有更低的能量。图8示出了一元势中的语义线索的效果(即,门检测)。室内场景是317充满了对称性和重复性,这使得纯几何的复杂性(即,几何线索)对局部最小值敏感。该图展示了一个代表性的情况,其中门检测打破了这种模糊性。当位置是模糊的,即使与几何和语义线索,我们依靠MRF优化与全部三个潜力。图9比较了有或没有平面图覆盖的最终扫描布局平面图覆盖潜力寻求避免我们的方法是不完美的,并暴露了几个故障模式。首先,我们的方法往往会在小的储藏室中出错,在这种情况下,一个有很多杂物的小房间第二,在场景几何形状、外观和门的位置几乎相同的情况下,存在真正的模糊情况。最后,我们的方法在3号厅犯了很大的错误,仅仅是因为平面图没有反映最近的结构翻新。不幸的是,很难根据电位识别在存在问题的扫描时,MRF优化似乎围绕扫描放置进行洗牌,包括正确的扫描放置以实现低能量状态。尽管如此,总潜力,特别是总潜力的大小除以扫描次数是成功的良好指标。3号厅的数量比其他厅大几倍,表明“出了问题”。我们未来的主要工作是开发一个强大的算法来检测潜在的错误扫描位置,这将允许快速的用户反馈,以纠正错误。我们的源代码和建筑规模的数据集是公开的,以进一步加强室内测绘研究[3]。本研究部分由美国国家科学基金会资助,资助号为IIS1540012和IIS 1618685。318引用[1] 第360章大结局https://recap360.autodesk。com/. 二、六[2] 马特波特https://matterport.com网站。第1、3条[3] Rgbd对齐项目页面。https://erikwijmans.github.io/WashU-Research。8[4] S.阿加瓦尔湾古鲁卡河,加-地斯内夫利岛西蒙湾没有卷发S. M. Seitz和R.塞利斯基一天建成罗马。ACM的通信,54(10):105-112,2011。3[5] I. 阿尔梅尼岛 Sener,A. R. Zamir,H. 江岛,澳-地布里拉基斯M. Fischer和S. Savarese大规模室内空间的三维语义解析。在CVPR,2016年。1[6] Besl和N. D.麦凯三维形状配准方法。在机器人学-DL试验,第586-606页。国际光学与光子学会,1992年。3[7] C. 卡德纳湖Carlone,H.Carrillo,Y.拉蒂夫D.斯卡拉穆扎J. 内拉岛D. Reid和J.J. 莱纳德同时定位和映射:现在,未 来 , 和 鲁 棒 感 知 时 代 。 arXiv 预 印 本 arXiv :1606.05830,2016年。2[8] S. Choi,Q.- Y. Zhou和V.科尔顿。室内场景的鲁棒重建 。 在 2015 年 IEEE 计 算 机 视 觉 和 模 式 识 别 会 议(CVPR)中,第5556IEEE,2015年。2[9] P. Felzenszwalb和D. Huttenlocher采样函数的距离变换。技术报告,康奈尔大学,2004年。8[10] L. S. F.焦点3D。http://www.faro.com网站。第1、3条[11] J. - M. 弗拉姆P. Fite-Georgel,D. 盖洛普T. 约翰逊先生,R. 拉古兰角吴玉-H. Jen、E.邓恩湾Clipp,S.Lazeb- nik等人。在万里无云的日子里建造罗马。欧洲计算机视觉会议,第368-381页。施普林格,2010年。3[12] R. Hartley和A.齐瑟曼。计算机视觉中的多视图几何。剑桥大学出版社,2003年。2[13] S. 池田 ,H. Yang 和Y. 古川 结构化 室内建 模。 IEEEInternational Conference on Computer Vision , 第 1323-1331页,2015年3[14] S. 伊萨迪D.Kim,O.希利格斯,D。莫利诺河纽科姆P. Kohli , J. Shotton , S. Hodges , D. Freeman , A.Davison等人运动融合:使用移动深度照相机的实时3D重建和交互。第24届ACM用户界面软件和技术研讨会集,第559-568页。ACM,2011年。2[15] K. Karsch,M. Golparvar-Fard和D.福赛斯结构:通过照片 和 建 筑 模 型 分 析 和 可 视 化 建 筑 工 地 。 ACMTransactions on Graphics(TOG),33(6):176,2014。二、三[16] B. Klingner,D.马丁和J。罗斯伯勒街景动态结构动态在IEEE计算机视觉国际会议论文集,第953-960页,2013年。3[17] 科尔莫哥洛夫能量最小化的收敛树重加权消息传递。IEEEtransactionsonpatternanalysisandmachineintelligence,28(10):15685319[18] C.穆拉岛Mattausch,A. J. Villanueva,E.戈贝蒂,还有R.帕哈罗拉在具有复杂房间布局的杂乱室内环境中的自动房间检测和重建计算机图形,44:20-32,2014年。3[19] M. Nießne r,M. Zollh oüfer,S. Izadi和M. 斯塔明格河利用体素散列法进行大规模实时三维重建ACM Transactions on Graphics ( TOG ) , 32 ( 6 ) :169,2013。2[20] A. Pagani和D.斯特里克使用全球面全景相机从运动中获得结构。在计算机视觉工作室(ICCV工作室)中,2011 IEEE国际会议,第375-382页。IEEE,2011年。3[21] O.沙克尼亚河Vidal和S. Sastry 结构从小基线运动与中央全景摄像机。计算机视觉与模式识别研讨会,2003年。CVPRW'03。第7卷,第83-83页。IEEE,2003年。3[22] P. Theiler,J. Wegner和K.辛德勒快速配准激光扫描与4点 全 等 集 - 什 么 工 作 , 什 么 ISPRS Annals of thePhotogrammetry,RemoteSens-ingandSpatialInformation Sciences,2(3):149,2014. 三、六[23] F. 延湖,澳-地Nan和P.旺卡用于建筑物扫描的全局注册的块组件ACM Transactions on Graphics(TOG),35(6):237,2016。三、四[24] 问:Y. Zhou,S. Miller和V.科尔顿。用于密集场景重建的弹性片段。在2013年IEEE计算机视觉国际上,第473-480页IEEE,2013。2
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功