(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111654899.5 (22)申请日 2021.12.3 0 (71)申请人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 严谨　杨剑波　熊剑平　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 何倚雯 (51)Int.Cl. G06T 17/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 三维模型构建方法、 装置、 终端及计算机可 读存储介质 (57)摘要 本发明提供一种三维模型构建方法、 装置、 终端及计算机可读存储介质， 三维模 型构建方法 包括： 获取目标对象对应的光栅图像； 将光栅图 像输入至 预先训练的深度学习网络， 以得到光栅 图像对应的包裹相位信息和深度信息； 根据包裹 相位信息和深度信息， 确定对应的阶梯级数； 根 据包裹相位信息和阶梯级数， 构建目标对象 的三 维模型。 本申请通过深度学习网络对光栅图像进 行检测得到光栅图像对应的包裹相位信息和深 度信息， 实现基于单幅光栅图像即可对目标对象 进行三维重建， 且提高了目标对象三维模型的精 确度； 通过包裹相位信息和深度信息， 确定对应 的阶梯级数， 可以进一步提高重建目标对象 的三 维模型的速度和精确度。 权利要求书3页 说明书9页 附图7页 CN 114463490 A 2022.05.10 CN 114463490 A 1.一种三维模型构建方法， 其特 征在于， 所述方法包括： 获取目标对象对应的光 栅图像； 将所述光栅图像输入至预先训练的深度学习网络， 以得到所述光栅图像对应的包裹相 位信息和深度信息； 根据所述包裹相位信息和所述深度信息， 确定对应的阶梯级数； 根据所述包裹相位信息和所述阶梯级数， 构建所述目标对象的三维模型。 2.根据权利要求1所述 三维模型构建方法， 其特 征在于， 所述获取目标对象对应的光 栅图像， 之前还 包括： 构建结构光测量系统； 对所述结构光测量系统进行 标定， 得到所述结构光检测系统的标定数据。 3.根据权利要求1所述 三维模型构建方法， 其特 征在于， 所述方法还 包括： 构建初始深度学习网络； 获取第一数据集以及第二数据集； 其中， 所述第一数据集包含多个第一光栅图像以及 和所述第一光栅图像对应的真实包裹相位信息； 所述第二数据集包含多个第二光栅图像以 及各所述第二 光栅图像对应的真实深度信息； 将所述第一数据集以及所述第二数据集， 输入所述初始深度学习 网络， 以对所述初始 深度学习网络进行训练， 得到所述深度学习网络 。 4.根据权利要求3所述 三维模型构建方法， 其特 征在于， 所述获取第一数据集， 包括： 获取第一样本集， 所述第一样本集包括多张第一 光栅图像； 对所述多 张第一光栅图像分别进行相位提取， 得到各所述第 一光栅图像对应的真实包 裹相位信息； 基于所述第一样本集中包含的各所述第一光栅图像及分别对应的所述真实包裹相位 信息构建所述第一数据集。 5.根据权利要求3所述 三维模型构建方法， 其特 征在于， 所述获取第二数据集， 包括； 获取第二样本集， 所述第二样本集包括多张第二 光栅图像； 对各所述第 二光栅图像分别进行相位提取， 得到各所述第 二光栅图像分别对应的真实 包裹相位信息； 根据所述真实包裹相位信息， 确定所述第二 光栅图像对应的真实深度信息； 基于所述第二样本集中包含的各所述第二光栅图像及分别对应的所述真实深度信息 构建所述第二数据集。 6.根据权利要求1所述三维模型构建方法， 其特征在于， 所述深度 学习网络包括第 一深 度学习网络模型； 所述将所述光栅图像输入至预先训练 的深度学习网络， 以得到所述光栅图像对应的包 裹相位信息和深度信息， 包括： 将所述光栅图像输入至预先训练的所述第 一深度学习网络模型， 得到所述光栅图像的 包裹相位信息 。 7.根据权利要求6所述的三维模型构建方法， 其特 征在于，权　利　要　求　书 1/3 页 2 CN 114463490 A 2训练得到所述第一深度学习网络模型的步骤， 包括： 获取第一样本集， 所述第一样本集包括多张第一光栅图像， 所述第一光栅图像中标注 有真实包裹相位信息； 通过第一神经网络对所述第 一光栅图像进行预测， 得到所述第 一光栅图像对应的预测 包裹相位信息； 基于同一所述第一光栅图像对应的所述预测包裹相位信息和所述真实包裹相位信息 构建第一损失函数； 根据所述第 一损失函数对所述第 一神经网络进行迭代训练， 得到所述第 一深度学习网 络模型。 8.根据权利要求1所述的三维模型构建方法， 其特征在于， 所述深度学习网络包括第 二 深度学习网络模型； 所述将所述光栅图像输入至预先训练 的深度学习网络， 以得到所述光栅图像对应的包 裹相位信息和深度信息， 包括： 将所述光栅图像输入至预先训练的所述第 二深度学习网络模型， 得到所述光栅图像的 深度信息 。 9.根据权利要求8所述的三维模型构建方法， 其特 征在于， 训练得到所述第二深度学习网络模型的步骤， 包括： 获取第二样本集， 所述第二样本集包括多张第二光栅图像， 所述第二光栅图像中标注 有对应的真实深度信息； 通过第二神经网络对所述第 二光栅图像进行预测， 得到所述第 二光栅图像的预测深度 信息； 基于同一所述第二光栅图像对应的所述预测深度信息和所述真实深度信息构建第二 损失函数； 根据所述第 二损失函数对所述第 二神经网络进行迭代训练， 得到所述第 二深度学习网 络模型。 10.根据权利要求2所述的三维模型构建方法， 其特 征在于， 所述深度信息为深度图像； 所述根据所述包裹相位信息和所述深度信息， 确定对应的阶梯级数， 包括： 根据所述 光栅图像的深度图像确定对应的三维点云； 根据所述包裹相位信息和所述 三维点云， 确定对应的所述阶梯级数。 11.根据权利要求10所述的三维模型构建方法， 其特 征在于， 所述根据所述 光栅图像的深度图像确定对应的三维点云， 包括： 通过公式1将所述深度图像中的像素坐标转换为对应的所述 三维点云； 公式1中： (xw， yw， zw)为三维世界点坐标； (u0， v0)为图像平面与相机光轴交点的像素坐 标， 即计算机图像中心坐标； fx与fy为相机镜头焦距， 单位 为mm。 12.根据权利要求10所述的三维模型构建方法， 其特 征在于，权　利　要　求　书 2/3 页 3 CN 114463490 A 3