【技术实现步骤摘要】
本申请涉及三维建模，更具体地，涉及一种基于机器学习的智能三维建模方法及装置。
技术介绍
1、智能三维建模的
技术介绍
是近年来随着人工智能和深度学习技术的发展而兴起的一种新型三维建模方法。与传统的三维建模相比，智能三维建模利用深度学习算法自动化和智能化地提升建模的效率和精度。
技术介绍
的核心在于利用深度学习算法自动提取数据特征或对数据进行处理，并进行复杂的模式识别和预测。
2、现有技术中，往往是仅依靠图像数据或点云数据中的单种数据进行三维模型参数的确认，三维模型参数例如几何参数（顶点、边、面等）和纹理参数（纹理图像、材质属性、颜色等），图像数据和点云数据两者具有各自的特点，仅考虑单一数据情况，导致三维模型参数精度低，使得三维建模的准确性和适应性差。
3、因此，如何将图像数据和点云数据结合，来提高三维建模的准确性和适应性，是目前有待解决的技术问题。
技术实现思路
1、本专利技术提供一种基于机器学习的智能三维建模方法，用以解决现有技术中三维建模的准确性和适应性低下的技术问题。所述方法包括：
2、获取待建模对象的图像和点云数据，根据待建模对象图像的光照信息将待建模对象图像拆分成多个子图像，通过光照信息评估每个子图像的光照强度，基于光照强度来确定每个子图像的目标伽马值，根据目标伽马值对每个子图像进行伽马校正，以此得到经过伽马校正后的待建模对象图像；
3、在待建模对象的图像和点云数据中分别筛选出一类特征点和二类特征点，通过预设匹配算法判断一类特征点和
4、根据特征对临近区域和待建模对象的图像来定义特征对临近区域的相对图像质量指标，根据点云数据和特征对定义点云精度指标，并且分别根据相对图像质量指标和点云精度指标筛选特征对，构建第一特征对集合和第二特征对集合；
5、通过第一特征对集合和第二特征对集合来确定质量特征对，依靠质量特征对构建坐标系变换矩阵，坐标系变换矩阵将待建模对象的图像像素点的二维坐标转换到待建模对象的点云三维坐标上，并且合并点云坐标数据；
6、将经过伽马校正后的待建模对象图像和合并后的点云坐标数据输入预设的机器学习模型中，输出模型参数，根据模型参数进行三维建模。
7、本申请一些实施例中，根据待建模对象图像的光照信息将待建模对象图像拆分成多个子图像，包括：
8、识别待建模对象图像的阴影区域和非阴影区域，确定阴影区域内阴影大小和非阴影区域的亮度，光照信息包括阴影大小和非阴影区域的亮度；
9、通过非阴影区域的亮度对非阴影区域进行拆分，根据非阴影区域的亮度大小所属区间的不同配置不同的标签；
10、通过阴影大小对阴影区域进行拆分，根据阴影大小所属区间的不同配置不同的标签；
11、根据阴影区域和非阴影区域的标签将待建模对象图像拆分成多个子图像，同一标签下的阴影区域或非阴影区域作为单个子图像。
12、本申请一些实施例中，通过光照信息评估每个子图像的光照强度，基于光照强度来确定每个子图像的目标伽马值，包括：
13、光照信息还包括阴影情况，根据阴影情况和阴影大小分析光源位置，将光源位置映射得到一个周围距离，定义阴影区域的亮度与周围距离内的临近非阴影区域亮度之比为该阴影区域的密度；
14、对于阴影区域的子图像，根据该子图像的阴影区域的密度来确定一个光照强度，通过第一对应关系来确定该子图像的目标伽马值；
15、对于非阴影区域的子图像，根据该子图像的非阴影区域的亮度来确定一个光照强度，通过第二对应关系来确定该子图像的目标伽马值。
16、本申请一些实施例中，在待建模对象的图像和点云数据中分别筛选出一类特征点和二类特征点，包括：
17、在待建模对象的图像中通过特征提取算法提取图像中的特征点，将提取到的特征点作为一类特征点；
18、在待建模对象的点云数据中，通过计算点云中点的平均间距来确定点云的密度，获取待建模对象的局部细节需求，并且分别根据点云的密度和局部细节需求确定两个邻域区间；
19、将两个邻域区间的交叉区间作为点云的邻域，并且在该邻域内计算曲率，将曲率变化超过曲率阈值的点作为特征点，将该特征点作为二类特征点。
20、本申请一些实施例中，根据特征对临近区域和待建模对象的图像来定义特征对临近区域的相对图像质量指标，包括：
21、；
22、其中，为特征对临近区域的相对图像质量指标，3为图像中的分辨率、噪声水平和对比度三种指标，为图像中的第个指标的质量权重，为图像中的第个指标的大小，为图像中特征对临近区域内的第个指标的质量权重，为图像中特征对临近区域内的第个指标的大小，n为图像中特征对临近区域内阴影区域的数量，为特征对临近区域内第个阴影区域的反映权重，为特征对临近区域内第个阴影区域的综合阴影特征指标。
23、本申请一些实施例中，根据点云数据和特征对定义点云精度指标，包括：
24、确定特征对在点云数据中的位置以及该位置的邻域；
25、；
26、其中，为特征对的点云精度指标，、分别为特征对邻域内的点云密度和噪声水平对应的权重，、分别为特征对邻域内的点云密度和噪声水平，、分别为点云数据整体的点云密度和噪声水平对应的权重，、分别为点云数据整体的点云密度和噪声水平。
27、本申请一些实施例中，并且分别根据相对图像质量指标和点云精度指标筛选特征对，构建第一特征对集合和第二特征对集合，包括：
28、确定每个特征对的相对图像质量指标和点云精度指标，将符合相对图像质量指标阈值的特征对筛选出来，构建第一特征对集合，将符合点云精度指标阈值的特征对筛选出来，构建第二特征对集合。
29、本申请一些实施例中，通过第一特征对集合和第二特征对集合来确定质量特征对，包括：
30、将第一特征对集合和第二特征对集合两者交叉存在的特征对挑选出来，作为质量特征对；
31、若第一特征对集合和第二特征对集合两者不存在交叉或共同的特征对，则通过相对图像质量指标和点云精度指标定义综合质量指标，依靠综合质量指标逐个对第一特征对集合和第二特征对集合中的每个特征对进行筛选，将符合要求的特征对作为质量特征对。
32、对应的，本申请还提供了一种基于机器学习的智能三维建模装置，包括：
33、校正模块，用于获取待建模对象的图像和点云数据，根据待建模对象图像的光照信息将待建模对象图像拆分成多个子图像，通过光照信息评估每个子图像的光照强度，基于光照强度来确定每个子图像的目标伽马值，根据目标伽马值对每个子图像进行伽马校正，以此得到经过伽马校正后的待建模对象图像；
34、匹配模块，用于在待建模对象的图像和点云数据中分别筛选出一类特征点和二类特征点，通过预设匹配算法判断一类特征点和二类特征点是否本文档来自技高网...
【技术保护点】
1.一种基于机器学习的智能三维建模方法，其特征在于，包括：
2.如权利要求1所述的基于机器学习的智能三维建模方法，其特征在于，根据待建模对象图像的光照信息将待建模对象图像拆分成多个子图像，包括：
3.如权利要求2所述的基于机器学习的智能三维建模方法，其特征在于，通过光照信息评估每个子图像的光照强度，基于光照强度来确定每个子图像的目标伽马值，包括：
4.如权利要求1所述的基于机器学习的智能三维建模方法，其特征在于，在待建模对象的图像和点云数据中分别筛选出一类特征点和二类特征点，包括：
5.如权利要求3所述的基于机器学习的智能三维建模方法，其特征在于，根据特征对临近区域和待建模对象的图像来定义特征对临近区域的相对图像质量指标，包括：
6.如权利要求4所述的基于机器学习的智能三维建模方法，其特征在于，根据点云数据和特征对定义点云精度指标，包括：
7.如权利要求1所述的基于机器学习的智能三维建模方法，其特征在于，并且分别根据相对图像质量指标和点云精度指标筛选特征对，构建第一特征对集合和第二特征对集合，包括：
<...【技术特征摘要】
1.一种基于机器学习的智能三维建模方法，其特征在于，包括：
2.如权利要求1所述的基于机器学习的智能三维建模方法，其特征在于，根据待建模对象图像的光照信息将待建模对象图像拆分成多个子图像，包括：
3.如权利要求2所述的基于机器学习的智能三维建模方法，其特征在于，通过光照信息评估每个子图像的光照强度，基于光照强度来确定每个子图像的目标伽马值，包括：
4.如权利要求1所述的基于机器学习的智能三维建模方法，其特征在于，在待建模对象的图像和点云数据中分别筛选出一类特征点和二类特征点，包括：
5.如权利要求3所述的基于机器学习的智能三维建模方法，其特征在...
【专利技术属性】
技术研发人员：魏辉，
申请(专利权)人：广州谦辉信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。