【技术实现步骤摘要】
三维重建方法、装置、设备及存储介质
本申请涉及计算机视觉
，尤其涉及一种三维重建方法、装置、设备及存储介质。
技术介绍
随着计算机技术的飞速发展，三维重建技术也随之得到快速发展并被应用于各个行业。传统的三维重建技术通过输入多张不同视角的图片估算出每张图片的相机参数，再把图片中不同像素上的物体重投影至三维空间，从而重建出物体的三维结构。目前，通常采用常规的卷积神经网络提取图片的特征进行三维重建，但往往会忽略所提取的图片中特征点之间的关系，并且卷积神经网络也很难学习到特征点之间的联系，因而会使得重建后的物体几何形状较差，重建精度不够。另外，目前的重建方案通常单独考虑每张视图的特征，再将多个视图的信息进行融合以重建三维结构。这种方案未考虑到每张视图之间的关联关系，导致重建结果在表达物体细节方面的精度不够高。再者，现有的重建方案无法兼顾重建结果的准确度和完整度，例如一些采样点主要分布在物体边缘轮廓，重建结果则会出现很多孔洞，重建结果出现表面分布不均且不合理等问题，重建效果不理想。可见，亟需一种三维重建策略以有效...
【技术保护点】
1.一种三维重建方法，其特征在于，包括：/n获取预设数量目标对象的不同张视图，并根据第一预设神经网络算法以及每张视图得到每张视图的点特征数据，所述点特征数据用于表征对应的每张视图的特征点；/n根据第二预设神经网络算法对所述点特征数据进行预设视图内转换以及预设视图间转换，以得到每张视图的点云结果；/n根据预设损失函数获取每张视图的所述点云结果的交集，以生成目标点云结果，所述目标点云结果用于表征三维重建后的目标对象。/n
【技术特征摘要】
1.一种三维重建方法，其特征在于，包括：
获取预设数量目标对象的不同张视图，并根据第一预设神经网络算法以及每张视图得到每张视图的点特征数据，所述点特征数据用于表征对应的每张视图的特征点；
根据第二预设神经网络算法对所述点特征数据进行预设视图内转换以及预设视图间转换，以得到每张视图的点云结果；
根据预设损失函数获取每张视图的所述点云结果的交集，以生成目标点云结果，所述目标点云结果用于表征三维重建后的目标对象。
2.根据权利要求1所述的三维重建方法，其特征在于，所述根据第一预设神经网络算法以及每张视图得到每张视图的点特征数据，包括：
根据预设卷积神经网络算法对每张视图进行图像编码处理，以得到每张视图对应的特征图；
根据预设相机内参矩阵以及每张视图的预设随机点云确定每张视图的局部特征数据；
根据预设人工神经网络算法对所述预设随机点云进行处理，以得到的每张视图的全局特征数据；
将每张视图的所述局部特征数据和所述全局特征数据进行拼接，以得到每张视图的所述点特征数据；
其中，所述第一预设神经网络算法包括所述预设卷积神经网络算法和所述预设人工神经网络算法。
3.根据权利要求2所述的三维重建方法，其特征在于，所述根据预设相机内参矩阵以及每张视图的预设随机点云确定每张视图的局部特征数据，包括：
根据所述预设相机内参矩阵将每张视图的所述预设随机点云投影于对应的所述特征图上，得到所述预设随机点云在对应的所述特征图上的坐标数据；
将所述坐标数据在对应的所述特征图上形成的特征确定为每张视图的所述局部特征数据。
4.根据权利要求2所述的三维重建方法，其特征在于，所述根据预设人工神经网络算法对所述预设随机点云进行处理，以得到的每张视图的全局特征数据，包括：
通过所述预设人工神经网络算法对所述预设随机点云进行处理，以得到所述预设随机点云对应的初始特征点；
将所述初始特征点的均值和方差转换为对应的每个特征图的均值和方差；
将所述特征图的均值和方差确定为对应的每张视图的全局特征数据。
5.根据权利要求1-4任一项所述的三维重建方法，其特征在于，所述根据第二预设神经网络算法对所述点特征数据进行预设视图内转换以及预设视图间转换，以得到每张视图的点云结果，包括：
根据每张视图的所述点特征数据以及第一预设聚合函数对每张视图进行更新，以将更新后得到的每个特征点确定为经过所述预设视图内转换的各特征点；
根据每张视图的所述点特征数据以及第二预设聚合函数对每张视图进行更新，以将更新后得到的每个特征点确定为经过所述预设视图间转换的各特征点；
根据所述第二预设神经网络算法、所述经过预设视图内转换的各特征点以及所述经过预设视图间转换的各特征点得到每张视图的所述点云结果；
其中，所述第一预设聚合函数包括通过所述第二预设神经网络算法对每张视图内的各特征点进行学习后得到的第一权重因子，所述第二预设聚合函数包括通过所述第二预设神经网络算法对每张视图间的候选特征点进行学习后得到的第二权重因子。
6.根据权利要求5所述的三维重建方法，其特征在于，在所述通过所述第...
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。