一种实体目标的模型构建方法、存储介质和计算机设备技术

本发明专利技术提供一种实体目标的模型构建方法、存储介质和计算机设备，其中，所述实体目标的模型构建方法包括：对包含实体目标的图像进行语义分割，得到实体目标的目标外轮廓；将目标外轮廓输入到训练后的外轮廓语法分类网络，得到目标外轮廓对应的目标外轮廓类别；获取与目标外轮廓类别对应的训练后的目标体模型参数回归网络；将目标外轮廓输入到目标体模型参数回归网络，得到目标外轮廓对应的相机外参矩阵和体模型参数；根据相机外参矩阵和体模型参数构建实体目标的三维模型。本发明专利技术的实体目标的模型构建方法、存储介质和计算机设备可以精准构建出实体目标的模型，且运算简单，耗时短。耗时短。耗时短。

【技术实现步骤摘要】
一种实体目标的模型构建方法、存储介质和计算机设备


[0001]本专利技术涉及实体目标的模型构建
，具体涉及一种实体目标的模型构建方法、存储介质和计算机设备。

技术介绍

[0002]在农业遥感应用领域，土地资源调查需要识别地物类型，比如监测是否存在私自改造土地的违建行为，需要识别建筑物，以及重建建筑物的精确外形尺寸数据。而现有的单目3D目标检测技术，可分为不生成点云和深度图的one stage方法和生成点云和深度图的two stage方法。
[0003]其中，不生成点云和深度图的one stage方法只能获得目标的三维包围盒，无法获得目标的3D外形，因此无法精准建模；而生成点云和深度图的two stage方法，通过单目3D目标检测技术里生成点云和深度图的two stage，以及3D目标外形重建技术实现模型重构，缺点在于需要获取高精度的点云或深度图作为标签样本去训练深度学习网络模型，因此标签样本获取难度高，且获取标签样本的仪器设备费用昂贵，并且该方法应用于目标检测和建模时，还存在运算复杂度高，耗费长的缺点。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的缺点与不足，提供一种实体目标的模型构建方法、存储介质和计算机设备，可以精准构建出实体目标的模型，且运算简单，耗时短。
[0005]本专利技术的一个实施例提供一种实体目标的模型构建方法，包括：对包含实体目标的图像进行语义分割，得到所述实体目标的目标外轮廓；将所述目标外轮廓输入到训练后的外轮廓语法分类网络，得到所述目标外轮廓对应的目标外轮廓类别；所述目标外轮廓类别为预设的多个外轮廓类别中的一种，各个所述外轮廓类别用于区分参数类型或参数量不同的外轮廓；获取与所述目标外轮廓类别对应的训练后的目标体模型参数回归网络，所述目标体模型参数回归网络是训练后的多个体模型参数回归网络中的一个，其中，各个所述体模型参数回归网络与各个所述外轮廓类别一一对应；将所述目标外轮廓输入到所述目标体模型参数回归网络，得到所述目标外轮廓对应的相机外参矩阵和体模型参数；根据所述相机外参矩阵和体模型参数构建所述实体目标的三维模型。
[0006]相对于现有技术，本专利技术的实体目标的模型构建方法，首先对包含实体目标的图像进行语义分割，以得到所述实体目标的目标外轮廓，然后利用训练后的外轮廓语法分类网络得到所述目标外轮廓对应的目标外轮廓类别，在根据所述目标外轮廓类别对应的训练后的目标体模型参数回归网络回归出所述目标外轮廓对应的图像的相机外参矩阵，以及所述目标外轮廓对应的实体目标的体模型参数，根据所述相机外参矩阵和体模型参数构建所述实体目标的三维模型，从而实现精准建模的技术效果，获取所述相机外参矩阵和体模型
参数的回归运算过程简单，节省了参数的运算时间成本。
[0007]在一个实施例中，所述外轮廓语法分类网络的训练过程包括：获取各个合成体模型投影到各个视角下的图片的外轮廓，得到多个第一外轮廓样本；获取各个所述第一外轮廓样本的参数类型和参数量，根据所述第一外轮廓样本的参数类型和参数量对所述第一外轮廓样本进行类别划分，得到多个外轮廓类别；利用对应各个外轮廓类别的所述第一外轮廓样本训练初始的外轮廓语法分类网络，得到训练后的外轮廓语法分类网络。
[0008]通过对应各个外轮廓类别的所述第一外轮廓样本对初始的外轮廓语法分类网络进行深度学习训练，使训练后的所述外轮廓语法分类网络可以准确检测所述目标外轮廓所属的外轮廓类别。
[0009]在一个实施例中，所述体模型参数回归网络的训练过程包括：在多个拍摄距离，通过各个所述视角的相机外参矩阵，获取同一个外轮廓类别的各个不同参数值的合成体模型投影到对应视角下的图片的外轮廓，得到多个第二外轮廓样本；其中，所述拍摄距离为对应的相机到所述合成体模型的距离；所述第二外轮廓样本包括多个外轮廓类别训练样本；根据多个所述外轮廓类别训练样本，以及与各个所述外轮廓类别训练样本对应的拍摄距离、相机外参矩阵，训练初始的体模型参数回归网络，得到与各个所述外轮廓类别对应的训练后的体模型参数回归网络。
[0010]通过属于同一个外轮廓类别，但不同合成体模型的参数值、拍摄距离或相机外参矩阵的多个第二外轮廓样本进行深度学习训练，使训练后的体模型参数回归网络可以准确检测出所述目标外轮廓对应的相机外参矩阵和体模型参数。
[0011]在一个实施例中，所述第二外轮廓样本还包括外轮廓优化样本；所述得到训练后的体模型参数回归网络的步骤后，还包括：将所述外轮廓优化样本输入到对应的训练后的体模型参数回归网络，得到所述外轮廓优化样本的相机外参矩阵和体模型参数；根据所述外轮廓优化样本的相机外参矩阵和体模型参数构建优化样品的三维模型；根据所述相机外参矩阵获取所述优化样品的三维模型的二维图像；对所述二维图像进行语义分割，得到所述二维图像上的优化样品的外轮廓；将所述优化样品的外轮廓和所述外轮廓优化样本进行比对，根据比对结果优化所述训练后的体模型参数回归网络。
[0012]可以根据优化样品的外轮廓和所述外轮廓优化样本的比对结果来优化所述训练后的体模型参数回归网络，以进一步提高训练后的体模型参数回归网络回归相机外参矩阵和体模型参数的准确性。
[0013]在一个实施例中，所述将所述优化样品的外轮廓和所述外轮廓优化样本进行比对，根据比对结果优化所述训练后的体模型参数回归网络的步骤之前，还包括：对所述优化样品的外轮廓和所述外轮廓优化样本进行离散化操作。通过离散化操作，可以得到所述优化样品的外轮廓和所述外轮廓优化样本的离散点，再将两者的离散点
进行对比，根据对比结果优化所述训练后的体模型参数回归网络，可以提高对比结果的准确性，从而提高所述训练后的体模型参数回归网络的优化效果。
[0014]在一个实施例中，还包括：获取所述实体目标的三维模型的立面图像；将所述立面图像输入到训练后的立面语法分类网络，得到所述立面图像对应的目标立面图像类别；将所述立面图像输入到与所述目标立面图像类别对应的训练后的立面参数回归网络，得到对应的立面参数；根据所述立面参数优化所述实体目标的三维模型。
[0015]可以通过与所述目标立面图像类别对应的训练后的立面参数回归网络，获取所述实体目标的三维模型对应的立面参数，从而根据立面参数优化所述实体目标的三维模型对应立面的细节特征。
[0016]在一个实施例中，所述立面语法分类网络的训练过程包括：获取各个合成体模型的立面图样本；获取各个所述立面图样本的参数类型和参数量，根据所述立面图样本的参数类型和参数量对所述立面图样本进行类别划分，得到多个立面图像类别；利用对应各个立面图像类别的所述立面图样本训练初始的立面语法分类网络，得到训练后的立面语法分类网络。
[0017]通过不同立面图像类别的立面图样本训练初始的立面语法分类网络，使训练后的所述立面语法分类网络可以准确检测所述立面图像所属的立面图像类别。
[0018]在一个实施例中，所述立面参数回归网络的训练过程包括：利用同一个立面图像类别的各个不同参数值的立面图样本，训练初始的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实体目标的模型构建方法，其特征在于，包括：对包含实体目标的图像进行语义分割，得到所述实体目标的目标外轮廓；将所述目标外轮廓输入到训练后的外轮廓语法分类网络，得到所述目标外轮廓对应的目标外轮廓类别；所述目标外轮廓类别为预设的多个外轮廓类别中的一种，各个所述外轮廓类别用于区分参数类型或参数量不同的外轮廓；获取与所述目标外轮廓类别对应的训练后的目标体模型参数回归网络，所述目标体模型参数回归网络是训练后的多个体模型参数回归网络中的一个，其中，各个所述体模型参数回归网络与各个所述外轮廓类别一一对应；将所述目标外轮廓输入到所述目标体模型参数回归网络，得到所述目标外轮廓对应的相机外参矩阵和体模型参数；根据所述相机外参矩阵和体模型参数构建所述实体目标的三维模型。2.根据权利要求1所述的实体目标的模型构建方法，其特征在于，所述外轮廓语法分类网络的训练过程包括：获取各个合成体模型投影到各个视角下的图片的外轮廓，得到多个第一外轮廓样本；获取各个所述第一外轮廓样本的参数类型和参数量，根据所述第一外轮廓样本的参数类型和参数量对所述第一外轮廓样本进行类别划分，得到多个外轮廓类别；利用对应各个外轮廓类别的所述第一外轮廓样本训练初始的外轮廓语法分类网络，得到训练后的外轮廓语法分类网络。3.根据权利要求2所述的实体目标的模型构建方法，其特征在于，所述体模型参数回归网络的训练过程包括：在多个拍摄距离，通过各个所述视角的相机外参矩阵，获取同一个外轮廓类别的各个不同参数值的合成体模型投影到对应视角下的图片的外轮廓，得到多个第二外轮廓样本；其中，所述拍摄距离为对应的相机到所述合成体模型的距离；所述第二外轮廓样本包括多个外轮廓类别训练样本；根据多个所述外轮廓类别训练样本，以及与各个所述外轮廓类别训练样本对应的拍摄距离、相机外参矩阵，训练初始的体模型参数回归网络，得到与各个所述外轮廓类别对应的训练后的体模型参数回归网络。4.根据权利要求3所述的实体目标的模型构建方法，其特征在于，所述第二外轮廓样本还包括外轮廓优化样本；所述得到训练后的体模型参数回归网络的步骤后，还包括：将所述外轮廓优化样本输入到对应的训练后的体模型参数回归网络，得到所述外轮廓优化样本的相机外参矩阵和体...

【专利技术属性】
技术研发人员：曾庆彬，潘凯，李彦晖，吴秶菘，邹小飞，
申请(专利权)人：广东皓行科技有限公司，
类型：发明
国别省市：