(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211050060.5 (22)申请日 2022.08.31 (65)同一申请的已公布的文献号 申请公布号 CN 115115847 A (43)申请公布日 2022.09.27 (73)专利权人 海纳云物联科技有限公司 地址 266100 山东省青岛市崂山区海尔路1 号海尔工业园内 专利权人 青岛海纳云智能系统有限公司 　 青岛海纳云数字科技有限公司 (72)发明人 刘继超　詹慧媚　金岩　吕昌昌　 贾学兵　邱敏　甘琳　胡国锋　 冯谨强　唐至威　付晓雪　 (74)专利代理 机构 北京元中知识产权代理有限 责任公司 1 1223 专利代理师 张则武 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/75(2022.01) G06V 10/762(2022.01)G06V 20/17(2022.01) G06T 17/00(2006.01) (56)对比文件 CN 109658450 A,2019.04.19 CN 109949399 A,2019.0 6.28 CN 110021065 A,2019.07.16 CN 105654548 A,2016.0 6.08 CN 111161348 A,2020.0 5.15 CN 113298934 A,2021.08.24 CN 114565723 A,202 2.05.31 CN 108447116 A,2018.08.24 CN 108537865 A,2018.09.14 CN 108648270 A,2018.10.12 CN 110807828 A,2020.02.18 CN 110889243 A,2020.0 3.17 CN 112381721 A,2021.02.19 CN 112837406 A,2021.0 5.25 WO 2022040970 A1,202 2.03.03 (续) 审查员 赵会玲 (54)发明名称 三维稀疏重建方法、 装置及电子装置 (57)摘要 本申请涉及 图像处理和多视角几何技术领 域， 具体而言， 公开了一种三维稀疏重建方法、 装 置及电子装置， 该三维稀疏重建方法包括： 获取 多目相机采集的城市航拍图像； 将所述航拍图像 输入全局特征提取网络， 提取特征值； 采用第一 聚类算法对 所述特征值进行处理， 确定第一图像 分区； 通过对 所述第一图像分区内的图像对进行 特征匹配， 获取特征匹配结果， 其中， 根据所述特 征匹配结果可以确定所述第一图像分区内的图 像； 对所述第一图像分区内的图像进行重建， 确 定第一相机位姿； 基于所述第一图像分区， 采用 第二聚类算法对所述第一相机位姿进行迭代处 理， 确定相机位姿。 本申请可以提高特征匹配和稀疏重建效率。 [转续页] 权利要求书3页 说明书13页 附图4页 CN 115115847 B 2022.12.16 CN 115115847 B (56)对比文件 张晨阳等. 《基 于K⁃Means 聚类与深度学习 的RGB⁃D SLAM算法》 . 《计算机 工程》 .202 2,第48 卷(第1期),第23 6-244,252页. Linyi Jin等. 《Planar Surface Reconstruction from Sparse Views》 . 《2021 IEEE/CVF Internati onal Conference o n Computer Visi on (ICCV)》 .2021,第12 971- 12980页. 陈寂驰等. 《一种基 于红外图像序列的深度 学习三维重建仿真方法初探》 . 《空天防御》 .2020,第3卷(第4期),第21-2 9页.2/2 页 2[接上页] CN 115115847 B1.一种三维稀疏重建方法， 其特 征在于， 包括： 获取多目相机采集的城市航拍图像； 将所述航拍图像输入 全局特征提取网络， 提取 特征值； 采用第一聚类算法对所述特 征值进行处 理， 确定第一图像分区； 通过对所述第 一图像分区内的图像对进行特征匹配， 获取特征匹配结果， 其中， 根据 所 述特征匹配结果可以确定所述第一图像分区内的图像对集 合； 对所述第一图像分区内的图像进行重建， 确定第一相机位姿； 基于所述第一图像分区， 采用第二聚类算法对所述第一相机位姿进行迭代处理， 确定 相机位姿。 2.根据权利要求1所述的一种三维稀疏重建方法， 其特 征在于， 所述全局特 征提取网络的训练采用无监 督学习方法， 包括： 获取航拍图像训练集， 并在所述 航拍图像训练集中的任意 一张图像上构造n*n个锚点； 基于预先设置的长宽比， 以所述锚点为中心构造锚框， 并将获取的所述锚点和所述锚 框合称为锚点框集 合； 通过计算所述锚点框集合中的任意一个锚框与其他锚框的交并比大小， 确定所述锚框 的对应图像的样本类型。 3.根据权利要求2所述的一种三维稀疏重建方法， 其特 征在于， 所述通过计算所述锚点框集合中的任意一个锚框与其他锚框的交并比大小， 确定所述 锚框的对应图像的样本类型， 包括： 若所述锚点框集合中的任意一个锚框与其他锚框的交并比大于交并比阈值， 则确定所 述锚框的对应图像的样本类型属于正类； 若所述锚点框集合中的任意一个锚框与其他锚框的交并比小于交并比阈值， 则确定所 述锚框的对应图像的样本类型属于负类。 4.根据权利要求1所述的一种三维稀疏重建方法， 其特 征在于， 所述采用第一聚类算法对所述特 征值进行处 理， 确定第一图像分区， 包括： 确定聚类中心的数量； 输入所述 聚类中心的数量和所述特征值至所述第 一聚类算法， 得到所述特征值对应的 航拍图像属于各个聚类中心的概 率值， 其中， 所述第一聚类算法包括模糊C均值聚类算法； 在所述特征值对应的航拍图像属于第 一聚类中心的概率值大于概率阈值的情况下， 确 定所述特 征值对应的航拍图像属于第一图像分区。 5.根据权利要求 4所述的一种三维稀疏重建方法， 其特 征在于， 所述确定聚类中心的数量， 包括： 按照下式确定航拍图像序列重 叠数： 其中， 表示图像序列重叠数， []表示 取整， t表示相似度阈值， r表示航拍图像连 续两张图片的重 叠度； 基于所述 航拍图像序列重 叠数， 按照下式确定聚类中心的数量：权　利　要　求　书 1/3 页 2 CN 115115847 B 3