买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种真实场景下树木枝干单视图点云重建方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119600230B 。

龙图腾网通过国家知识产权局官网在2025-12-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411658003.4，技术领域涉及：G06T17/20；该发明授权一种真实场景下树木枝干单视图点云重建方法和系统是由张文利;崔国强设计研发完成，并于2024-11-19向国家知识产权局提交的专利申请。

本一种真实场景下树木枝干单视图点云重建方法和系统在说明书摘要公布了：本发明公开了一种真实场景下树木枝干单视图点云重建方法，包括：获取真实场景下的树木枝干单张RGB图像；将树木枝干单张RGB图像进行基于循环预测的单视图深度估计后获得多张深度图像；将多张深度图像进行深度图像到点云的转换，从而获得稀疏点云；将稀疏点云进行稀疏点云稠密化从而获得稠密点云；将稠密点云进行点云坐标的精细化修正获得重建结果；基于重建结果重建真实场景下树木枝干点云。本发明还公开对应的系统、电子设备及计算机可读存储介质，基于循环预测的单视图深度估计解决无法有效估计被遮挡枝干深度信息的问题；基于树木形态特征分析的点云稠密算法及基于逐点校正的点云修正方法解决了初步得到的树木枝干点云稀疏和不精确的问题。

本发明授权一种真实场景下树木枝干单视图点云重建方法和系统在权利要求书中公布了：1.一种真实场景下树木枝干单视图点云重建方法，其特征在于，包括： S1，获取真实场景下的树木枝干单张RGB图像； S2，将所述树木枝干单张RGB图像进行基于循环预测的单视图深度估计后获得多张深度图像； S3，将所述多张深度图像进行深度图像到点云的转换，从而获得稀疏点云； S4，将所述稀疏点云进行稀疏点云稠密化从而获得稠密点云； S5，将所述稠密点云进行点云坐标的精细化修正，从而获得重建结果； S6，基于所述重建结果重建真实场景下树木枝干单视图点云； 所述S2包括： S21，基于点云三维信息分层存储策略将点云划分网格，将网格中的重心信息分层存储进多张二维图像中； S22，建立循环像素到像素转换网络，所述循环像素到像素转换网络用于实施循环预测，在对每一层深度图像进行预测时，将上一层深度图像作为条件输入，从而逐层生成深度图像序列；在所述循环像素到像素转换网络的每一个神经元由生成器和鉴别器两部分构成，其中所述每一个神经元采用条件生成对抗网络的基本结构，以及生成器和鉴别器之间相互竞争并共同进化的机制； S23，将所述树木枝干单张RGB图像输入所述循环像素到像素转换网络，循环预测所述树木枝干各个层的深度信息； 所述循环像素到像素转换网络的具体结构如下： 1循环像素到像素转换网络的输入、输出以及训练流程： 循环像素到像素转换网络接收单张RGB图像作为输入，输出下一层的深度图像；训练过程中，通过pix2pix_0网络预测出第一层的深度图像；然后，将和作为条件输入，使用pix2pix_1网络来预测第二层的深度图像；如此迭代循环，直到预测出第N层的深度图像，从而预测出所有层的深度图像为止； 2循环像素到像素转换网络每个神经元由生成器和鉴别器两部分构成；其中，生成器采用U-Net结构，用于将输入的RGB图像转换为对应的深度图像，鉴别器用于判断生成图像的真伪，通过一系列卷积层和池化层的操作，提取输入图像的特征，在下采样过程中，特征矩阵的尺寸逐渐减小，通道数逐渐增加，最终得到一个1*1的特征向量，该特征向量通过sigmoid函数转换为表示图像真伪的得分，用于优化生成器和鉴别器之间的对抗损失；在所述生成器中引入了Huber损失函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。