[发明专利]基于隐式模板映射的单视图车辆重建方法和装置有效

专利信息
申请号: 202110309292.7 申请日: 2021-03-23
公开(公告)号: CN113160382B 公开(公告)日: 2022-10-28
发明(设计)人: 刘烨斌;赵笑晨;于涛 申请(专利权)人: 清华大学
主分类号: G06T17/00 分类号: G06T17/00;G06T15/00;G06V10/44;G06N3/04;G06N3/08
代理公司: 北京清亦华知识产权代理事务所(普通合伙) 11201 代理人: 韩海花
地址: 10008*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 模板 映射 视图 车辆 重建 方法 装置
【权利要求书】:

1.一种基于隐式模板映射的单视图车辆重建方法,其特征在于,包括:

获取不同类型车辆的三维车辆模型数据库,对所述三维车辆模型数据库中每个原始三维车辆模型的不同部件进行随机纹理赋值,获取三维带纹理车辆模型;

对所述三维带纹理车辆模型在多个不同场景下进行渲染,获取原始图片数据集,并对所述每个原始三维车辆模型进行处理,提取符号距离场;

将所述原始图片数据集和所述符号距离场输入网络模型进行训练,获取输出彩色图片,并通过能量函数对所述输出彩色图片和原始渲染彩色图片进行计算,调整所述网络模型的网络参数,获取已训练的网络模型;

获取待处理车辆彩色图片输入所述已训练的网络模型,获取车辆网格模型;

其中,所述将所述原始图片数据集和所述符号距离场输入网络模型进行训练,获取输出彩色图片,并通过能量函数对所述输出彩色图片和原始渲染彩色图片进行计算,调整所述网络模型的网络参数,获取已训练的网络模型,包括:

搭建编码器解码器网络,其中,所述编码器解码器网络包含隐式模板映射网络;

将所述编码器解码器网络的输出彩色图片和原始渲染彩色图片输入监督网络,约束所述监督网络逐卷积层提取的特征图满足预设条件;

利用构建的带纹理模型数据库和所述能量函数对生成式对抗神经网络中的生成器和鉴别器的参数权重进行迭代回归优化,直至权重收敛,获取所述已训练的网络模型。

2.如权利要求1所述的方法,其特征在于,所述获取不同类型车辆的三维车辆模型数据库,包括:

对所述不同类型车辆进行三维建模,获取所述三维车辆模型数据库。

3.如权利要求1所述的方法,其特征在于,所述对所述三维带纹理车辆模型在多个不同场景下进行渲染,获取原始图片数据集,包括:

对所述三维带纹理车辆模型在不同视角,不同光照条件下进行渲染,获取多个渲染彩色图片作为所述原始图片数据集。

4.如权利要求1所述的方法,其特征在于,还包括:

获取所述原始图片数据集中每张原始图片对应的深度图片和相机内外参数;

将所述深度图片、所述相机内外参数和所述符号距离场作为所述网络模型训练的原始数据。

5.一种基于隐式模板映射的单视图车辆重建装置,其特征在于,包括:

第一获取模块,用于获取不同类型车辆的三维车辆模型数据库;

第二获取模块,用于对所述三维车辆模型数据库中每个原始三维车辆模型的不同部件进行随机纹理赋值,获取三维带纹理车辆模型;

获取提取模块,用于对所述三维带纹理车辆模型在多个不同场景下进行渲染,获取原始图片数据集,并对所述每个原始三维车辆模型进行处理,提取符号距离场;

训练模块,用于将所述原始图片数据集和所述符号距离场输入网络模型进行训练,获取输出彩色图片,并通过能量函数对所述输出彩色图片和原始渲染彩色图片进行计算,调整所述网络模型的网络参数,获取已训练的网络模型;

处理模块,用于获取待处理车辆彩色图片输入所述已训练的网络模型,获取车辆网格模型;

其中,所述训练模块,具体用于:

搭建编码器解码器网络,其中,所述编码器解码器网络包含隐式模板映射网络;

将所述编码器解码器网络的输出彩色图片和原始渲染彩色图片输入监督网络,约束所述监督网络逐卷积层提取的特征图满足预设条件;

利用构建的带纹理模型数据库和所述能量函数对生成式对抗神经网络中的生成器和鉴别器的参数权重进行迭代回归优化,直至权重收敛,获取所述已训练的网络模型。

6.如权利要求5所述的装置,其特征在于,所述第一获取模块,具体用于:

对所述不同类型车辆进行三维建模,获取所述三维车辆模型数据库。

7.如权利要求5所述的装置,其特征在于,所述第二获取模块,具体用于:

对所述三维带纹理车辆模型在不同视角,不同光照条件下进行渲染,获取多个渲染彩色图片作为所述原始图片数据集。

8.如权利要求5所述的装置,其特征在于,还包括:

第三获取模块,用于获取所述原始图片数据集中每张原始图片对应的深度图片和相机内外参数,将所述深度图片、所述相机内外参数和所述符号距离场作为所述网络模型训练的原始数据。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110309292.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top