CN103106632A - 一种基于均值漂移的不同精度三维点云数据的融合方法 - Google Patents
一种基于均值漂移的不同精度三维点云数据的融合方法 Download PDFInfo
- Publication number
- CN103106632A CN103106632A CN2012104968332A CN201210496833A CN103106632A CN 103106632 A CN103106632 A CN 103106632A CN 2012104968332 A CN2012104968332 A CN 2012104968332A CN 201210496833 A CN201210496833 A CN 201210496833A CN 103106632 A CN103106632 A CN 103106632A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- cloud
- lij
- precision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于均值漂移的不同精度下的三维点云数据的融合方法,针对两组精度等级不同的三维点云数据,利用高精度点云建立低精度点云的误差分布,进而对低精度点云进行均值漂移,消除低精度点云的漂移误差,从而实现两组数据信息的融合,该方法包括:S1:建立低精度点云的拓扑结构信息,包括每个样点的邻域点集和单位法矢;S2:利用高精度点云对低精度点云进行密度聚类,根据聚类结果确定低精度点云每个样点的漂移误差;S3:利用低精度点云的拓扑结构信息和所述漂移误差确定低精度点云各样点的漂移矢量,根据该漂移矢量对低精度点云的各样点进行漂移,实现融合。本发明的方法在消除低精度点云漂移误差的同时,可实现小幅度噪声的光顺。
Description
技术领域
本发明属于曲面数字化三维形貌检测数据处理的领域,高精度点云数据一般通过三坐标测量机或机床在线接触式检测获取,低精度点云一般指激光扫描仪或柔性关节臂获取的三维点云数据。
背景技术
随着制造工业的日益发展,产品形状不断复杂化,其开发设计面临诸多困难和挑战,尤其,产品外形建模技术面临着更多挑战。以航空叶片、螺旋桨等为代表的复杂曲面零件获得广泛了的应用,对实际加工质量检测也提出了更高的要求,使得复杂曲面的数字化检测获得了长足的发展。曲面数字化检测的目的是为了反映实际被测对象和其CAD模型的偏差,主要的过程包括实际被测曲面点云的获取,测量点云与CAD模型的寻位,曲面误差的计算和评估以及测量结果不确定度分析。考虑到复杂曲面的特征不明显,以及点云质量和数量对曲面寻位算法和形状误差评估结果的影响,故对测量得到的点不但要求精度足够高,点云数量也要足够多,才能准确反映自由曲面的形状特征信息。通常情况下,接触式测头的测量精度比光学测头的测量精度高一个数量级,但接触式测头逐点采集点云数据的效率比较低,所以考虑采用多传感器组合测量的方法,通过数据融合技术实现被测曲面点云的获取和处理,既利用了接触式检测的高精度,又发挥了光学检测的高效率,实现了测量点云数据精度和效率的平衡。
通过接触式测量(三坐标测量机或机床在线原位检测)获取复杂曲面(如航空叶片曲面)的点云数据,检测精度高,单点测量精度可达几微米以内,可评估复杂曲面的局部误差,但点云规模最多只能达到数百点,用以反映复杂曲面的整体形貌比较有限,无法通过这些高精度点云数据进行曲面的再设计。为克服接触式测量的不足,非接触式测量随之应运而生,其主要基于光学、磁学、声学等领域中的基本原理,将给定的物理模拟量合理转换为样件表面的坐标点。非接触式测量方法大大地提高了测量效率,某些光学测量机可以在数秒内得到数万点,如英国3D SCANNER公司的激光扫描仪、德国Breuckmann公司的StereoSCAN便携式设备等,使得测量过程中大大减少人为规划,在整个样件表面快速采集大量数据点同时减少了测量人员的工作,可得到包含复杂曲面更多的海量数据。但非接触式测量尽管可以采用标定的方法来提高测量精度,但由于被测对象表面存在粗糙度、波纹等表面缺陷和测量***本身分辨率、采样误差、电噪声等的影响,数据采样过程中不可避免地混入不合理的噪声点或孤立点,其测量精度往往只能达到几十微米左右,其中的一部分精度主要是由于漂移误差引起的。接触式测量获取的点云精度较高,点云规模较少,而非接触式测量获取的点云虽然精度较低,含噪声点等缺陷,却能反映复杂曲面的整体形貌。因此,利用高精度点云实现低精度点云的漂移,提高低精度点云的精度等级具有重要的意义,也是检测数据处理的重要环节之一,以确保加工质量的准确评估。
对于低精度点云的漂移,通常采用的方法是针对高精度点云每个样点搜索低精度点云中最近的一个点,计算这两点之间的距离,然后计算所有距离的平均值,作为低精度点云所有点的漂移矢量的大小,从而实现低精度点云的漂移。该方法易于实现,但上述漂移矢量的大小并不能真实反映低精度点云和高精度点云之间的漂移误差,使低精度点云某些区域存在过漂移或欠漂移,提升的精度有限。事实上,对低精度点云每个样点的漂移误差同等对待,无法真实反映低精度点云不同区域漂移的差异性。
针对高低精度点云数据融合的缺陷,可利用高精度点云建立低精度点云不同区域的误差划分,划分过程通过密度聚类实现,进而利用低精度点云的拓扑结构信息建立每个样点的漂移矢量,并借助信息熵模型优化选取高斯权重后,对每个样点进行漂移,漂移过程中自然实现低精度点云小幅度噪声的过滤。
在信息论中,熵是***无序程度的度量,可用于度量已知数据所包含的有效信息量。熵作为***不确定性的度量,其值越大,***的不确定性就越大,不足以反映***内在的信息;反之,熵值越小,***的不确定性越小,足以反映***的内在信息。故在高斯权重的优化选取过程中,通过法矢信息提出了法矢差异性密度的核估计,建立起信息熵模型,通过最小熵原理优化选取高斯权重的重要参数,确定合适的漂移矢量,从而保证低精度点云的合理漂移。
发明内容
本发明的目的在于提出一种两种不同精度下的三维点云数据的融合方法,通过接触式测量获取的高精度点云,再利用高精度点云分析低精度点云各点的误差,基于均值漂移的原理,对低精度点云进行漂移,以去除低精度点云的漂移误差,并在漂移过程中实现低精度点云小幅度噪声的光顺。
实现本发明的目的所采用的具体技术方案如下:
一种基于均值漂移的不同精度下的三维点云数据的融合方法,其针对两组精度等级不同的三维点云数据,利用其中高精度点云对低精度点云进行均值漂移,消除低精度点云的漂移误差,从而实现两组数据信息的融合,该方法具体包括:
S1:建立所述低精度点云的拓扑结构信息,包括其中每个样点的邻域点集和单位法矢;
S2:利用所述高精度点云对低精度点云进行密度聚类,根据聚类结果确定所述低精度点云每个样点的漂移误差;
S3:利用所述低精度点云的拓扑结构信息和所述漂移误差确定所述低精度点云各样点的漂移矢量,根据该漂移矢量对所述低精度点云的各样点进行漂移,实现融合。
作为本发明的改进,所述步骤S2中进行聚类并确定漂移误差具体为:
首先,搜索所述高精度点云中每个样点在低精度点云中欧氏距离最近的k个点,形成高精度点云每个样点在低精度点云中对应的k邻域,然后计算每个样点在各自的k邻域中的投影点和法矢;
其次,以各个投影点为聚类中心,采用密度聚类对所述低精度点云进行聚类,形成多个聚类单元,其中,每个投影点对应一个聚类单元;
然后,各聚类单元范围内的所有点的漂移误差相同,即作为相应样点的漂移误差。
作为本发明的改进,所述每个聚类单元范围内的所有点的漂移误差可表示为:
作为本发明的改进,所述的步骤S3中对各样点进行漂移通过如下公式进行:
p′Li=pLi-mLi
式中,pLi为所述低精度点云中的任一样点,p′Li为样点pLi进行漂移后的点,mLi为漂移矢量。
作为本发明的改进,所述的漂移矢量mLi通过如下公式得到:
式中,QLi为样点pLi所述拓扑结构信息中的邻域点集,wLij为该邻域点集QLi中任一点的高斯权重,nLi为样点pLi的法矢,nLij为邻域点集QLi中相应点qLij对应的法矢,ΔLij为邻域点qLij对应的漂移误差ΔLij,σn为窗宽,反映邻域内各点的法矢变化情况。
作为本发明的改进,所述的高斯权重通过如下公式计算得到:
其中,
作为本发明的改进,在步骤S1建立所述低精度点云的拓扑结构信息前,可以先对待融合的两种不同精度的点云进行坐标配准,以将其转换到同一坐标系下。
作为本发明的改进,所述高精度点云数据通过触发接触式测量获取,所述低精度点云数据通过非接触式测量获取。
本发明的方法通过高精度点云建立低精度点云的漂移误差模型,进而建立低精度点云的漂移矢量,在漂移矢量中引入单位法矢信息的高斯权重,提出了法矢差异性的密度核估计,并借助信息熵模型的最小熵原理优化选取高斯权重的参数,获取更有效的高斯权重。该方法可以降低低精度点云由于测量设备、环境干扰等因素引起的漂移误差,提高精度,从而更加准确描述点云的位置信息。该融合方法具有精度高、准确反映点云信息形貌特征的特点,达到了融合的效果。
附图说明
图1为本发明实施例中利用高精度点云对低精度点云进行密度聚类过程的示意图;
图2为本发明实施例中高精度点云每个样点在低精度点云中对应的邻域点集及相应漂移误差模型的示意图;
图3为本发明实施例的不在同一坐标系的两组点云通过惯性矩粗匹配和ADF拼合精匹配的结果示意图,其中,2(a)为惯性矩粗匹配得到的两组点云示意图,图2(b)为ADF精匹配得到的两组点云示意图;
图4为本发明实施例的低精度点云漂移前后误差分布的色谱图信息示意图(其中颜色越深,表示对应的漂移误差越大),其中,3(a)为漂移前的低精度点云示意图(平均误差为0.0649mm),3(b)为两次漂移后的低精度点云示意图(平均误差为0.0266mm);
图5为本发明实施例的漂移前后低精度点云三角网格化的结果示意图,其中4(a)为漂移前的三角网格示意图,4(b)为漂移后的三角网格示意图。
具体实施方式
下面结合附图和具体实施例,对本发明做进一步详细介绍。下述实施例仅是说明性的,并不构成是对本发明的限定。
本实施例的方法针对两组精度等级不同的三维点云数据,利用高精度点云分析低精度点云的漂移误差,对低精度点云进行均值漂移,消除低精度点云的漂移误差,并实现低精度点云的小幅度噪声的光顺,提高低精度点云的精度等级,从而实现两组数据信息的融合。
本实施例中的点云优选以航空叶片曲面的三维点云来描述。其中高精度点云数据一般优选通过三坐标测量机或机床在线接触式检测获取,本实施例中可以优选通过三坐标测量机(单点精度可达0.002um)获取叶片曲面的三维点云,例如扫描15条截面型线,每条型线包含20个点,总共为300个点,作为高精度点云。低精度点云一般优选指激光扫描仪或柔性关节臂等非接触式测量获取的三维点云数据。本实施例中可以优选通过Hexagon柔性关节臂(标定精度为0.03mm)获取叶片的海量点云数据,作为低精度点云。
本实施例中,高精度点云数据记为PH,其点数为NH,低精度点云数据记为PL,其点数为NL。
本实施例的方法具体包括以下流程:
1、拓扑结构创建
创建低精度点云的拓扑结构创建,具体包括建立低精度点云中各点的邻域信息以及单位法矢信息。
对低精度点云PL创建邻域信息,本实施例可优选采用三维栅格法建立低精度点云PL每个点pLi的k邻域信息(i为表示点云序号,即第i点,i=1,2,…,NL,NL表示PL的点数),即在PL中距离点pLi最近的k个点(本实施例中k取值优选为k=8~20),该邻域记为QLi={qLi1,qLi2,…,qLik}(qLij∈PL,j=1,2,…,k)。
其建立步骤为:
(a)对点云栅格化PL,获得每个点pLi所在的栅格以及所在栅格周围的26个栅格;
(b)找到领近栅格内所有的点,计算所有点到点pLi的距离;
(c)选择距离最近的k个点作为pLi的邻域,依此类推可求取每个样点的k邻域。
建立了低精度点云PL每个样点pLi的k邻域信息QLi,可计算点云的法矢信息。为此,引入3×3的加权协方差矩阵为
由上式可知,为对称的半正定矩阵,其特征值λt(t=1,2,3)均为实数,对应特征向量nt(t=1,2,3)相互正交。设λ1≤λ2≤λ3,特征值大小反映了邻域点集QLi中的点分别在三个特征向量n1,n2,n3方向上的变化量大小,则点集QLi的最小二乘拟合平面(或称微切平面)为n2和n3定义的退化平面∏p,并且对应法向量为n1。
创建邻域信息也可以采用其他类似方法,如八叉树法、kd-tree法,但构建树结构涉及数据编码,过程繁琐。
建立低精度点云PL的拓扑结构信息前,可以先对两种不同精度的点云进行坐标配准,以将其匹配到同一坐标系下。坐标匹配具体为:
(a)在测量过程中,可设定标准的标定球,测量时同时获取标定球一定的点云信息,然后通过标定球的位姿建立两组点云的坐标映射关系,即可将低精度点云PL匹配到高精度点云PH所描述的坐标系。
(b)若没有标定球,可采用惯性矩匹配方法先对两组点云进行粗匹配,调整到两者的位姿大致一致。惯性矩粗匹配方法不依赖两组点云是否有对应关系,对于任意两组数据都可以方便快捷的进行位姿调整,先计算两组点云的惯性矩,后计算两个惯性矩之间的变换关系,从而实现低精度点云到高精度点云的粗匹配。接下来,对两组点云进行精匹配。
在假设高精度点云PH单点检测误差很小的情况下,通过点云匹配算法使低精度点云转换到高精度点云对应的位置。考虑到点云数据位置和数量的差异性,本实施例中优选采用基于自适应距离函数(ADF)算法进行点云匹配。此时完成的匹配是将高精度少量的点PH转移到低精度点云PL所在位置,但高精度点云PH更准确地表达了被测对象表面上的位置信息,故要将高精度点PH固定不动,将低精度点云PL进行坐标逆变换变换,变换到高精度点云PH所在坐标系,从而实现两组点云的坐标匹配。
2、漂移误差模型
接下来通过漂移误差的定义建立低精度点云与高精度点云之间的误差关系,实现数据融合,并通过高精度点云(认为准确反映了实际加工曲面的质量情况)实现低精度点云中小幅度噪声的光顺。
高精度点云PH反映的是加工曲面的理想信息,设为SH,那么低精度点云PL每个样点pLi的漂移误差就是点pLi到曲面的垂直距离;反过来,如果以低精度点云PL构建一张曲面SL的话,漂移误差可以描述为高精度点云PH在曲面SL上误差分布的情况。显然,由于低精度点云PL数目较大,漂移误差适合采用后者描述,但建立的是高精度点云PH相对低精度点云PL的误差,故需将该误差逆向描述,可对低精度点云利用高精度点云进行区域划分,相同区域内的点集的误差近似相等。为此,需对低精度点云PL进行区域划分,划分采用密度聚类法。
如图2所示,针对高精度点云PH中每个样点pHr(r为高精度点云序号,r=1,2,…,NH,NH为PH点数),搜索其在低精度点云PL中欧氏距离最近的k个点(k=8~20),记为 然后利用移动最小二乘法计算pHr在中的投影垂足点法矢为(方向与点集各点的平均方向一致)。接着以各个投影点为聚类中心,采用密度聚类方法对低精度点云PL进行聚类,形成NH个聚类单元,聚类过程如图1所示,每个投影点对应一个聚类单元CLr。
然后,分析每个聚类单元的漂移误差,建立漂移误差模型。
由此可得到低精度点云PL的整体平均漂移误差(漂移的控制误差)为
式中,NH表示高精度点云PH的数量。
3、点云漂移与光顺
建立低精度点云PL的误差分布后,可根据低精度点云的拓扑邻域信息进行漂移,漂移的过程实际上也是对低精度点云小幅度噪声的光顺过程。根据低精度点云PL每个样点pLi(i表示低精度点云PL的序号)的邻域点集QLi,每个邻域点qLij(法矢为nLij)对应一个漂移误差ΔLij(j=1,2,…,k),则第i个样点pLi的漂移矢量定义为
其中,wLij为每个邻域点的高斯权重。则第i个样点pLi漂移后新的样点为
p′Li=pLi-mLi
其中每个邻域点的高斯权重定义为
其中,nLi为pLi的法矢,nLij为领域QLi中点qLij的法矢,σn反映邻域法矢的变化情况,一般称为窗宽,其取值对于权重有着重要影响,也对漂移结果起着至关重要的作用。为此,考虑以下步骤对窗宽σn进行优化选取:
(a)利用核估计定义法矢差异密度,反映邻域点集QLi内法矢的变化信息。
(b)根据法矢密度,借助已有的信息熵理论,构建信息熵模型,利用最小熵原理优化选取窗宽σn。
(c)根据邻域点集法矢QLi的变化情况确定窗宽σn的搜索范围,采用试探优化理论确定最优窗宽σn。
法矢变化的窗宽可根据点pLi的邻域点集QLi确定,设邻域QLi确定的局部空间范围为ΩLi,则对其法矢为nx,则结合核估计可定义法矢差异密度为
通过上述法矢密度的定义,引入信息熵来确定最优窗宽σn。在信息论中,熵为***不确定性的度量,熵越大,***的不确定性就越大。对于法矢密度的核估计来说,点pLi邻域QLi所确定的局部区域ΩLi中,若各处密度函数值近似相等(此时法矢密度将失去意义),对其数据分布的不确定性最大,则具有最大的熵;反之,若密度函数值很不对称(此时能反映法矢信息内在的变化情况),则不确定性最小,熵最小。由此,可通过法矢密度估计熵的概念来衡量核密度估计的有效性。根据信息熵的定义可知,对于k个点的点集QLi,每个点qLij∈QLi(j=1,2,L,k)的核估计为fLi(qLij),则估计熵ELi(σn)可定义为
其中, 为标准化因子。
显然,ELi(σn)是关于σn的一元函数,变化情况为:当σn→0时,法矢密度函数值趋近于法矢密度估计熵ELi为最大值,即ELi=ln(k);随着σn由0至∞的逐渐递增,开始时估计熵逐渐减小并在某处达到最小值,后又逐渐增大;当σn→∞时,ELi再次达到最大值。在某个优化值取最小值 可认为是高斯权重的最优窗宽,能够反映法矢差异的内在信息。
选取优化值理论上可在区间范围σn∈(0,+∞)搜索,但该区间范围实际上没有搜索的意义。对于点集QLi可每个样点的法矢nLij,对所有邻域内点集的法矢进行平均并单位化得到其均值变化方向为对每个法矢nLij计算选取其中的最大值vmax和最小值vmin,则法矢的变化范围近似为[vmin,vmax],故σn→0可用取代(若则取);故σn→+∞可用取代,则搜索的区间范围为
根据上述描述的低精度点云和高精度点云,先进行粗匹配,如图3(a)所示,后应用ADF拼合法进行精匹配,匹配结果如图3(b)所示。建立低精度点云的误差分布信息,其误差色谱图如图4(a)所示,两次漂移后的点云误差如图4(b)所示。漂移过程中已经实现低精度点云的小幅度噪声的光顺,光顺前后的结果如图5(a)和(b)所示。
Claims (10)
1.一种基于均值漂移的不同精度下的三维点云数据的融合方法,其针对两组精度等级不同的三维点云数据,利用其中高精度点云对低精度点云进行均值漂移,消除低精度点云的漂移误差,从而实现两组数据信息的融合,该方法具体包括:
S1:建立所述低精度点云的拓扑结构信息,包括其中每个样点的邻域点集和单位法矢;
S2:利用所述高精度点云对低精度点云进行密度聚类,根据聚类结果确定所述低精度点云每个样点的漂移误差;
S3:利用所述低精度点云的拓扑结构信息和所述漂移误差确定所述低精度点云各样点的漂移矢量,根据该漂移矢量对所述低精度点云的各样点进行漂移,实现融合。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2中进行聚类并确定漂移误差具体为:
首先,搜索所述高精度点云中每个样点在低精度点云中欧氏距离最近的k个点,形成每个样点的k邻域,然后计算每个样点在各自的k邻域中的投影点和法矢;
然后,以各个投影点为聚类中心,采用密度聚类对所述低精度点云进行聚类,形成多个聚类单元,其中每个投影点对应一个聚类单元;
最后,低精度点云在各聚类单元范围内的所有点的漂移误差相同,即作为相应低精度点云样点的漂移误差。
4.根据权利要求1-3之一所述的方法,其特征在于,所述的步骤S3中对各样点进行漂移通过如下公式进行:
p′Li=pLi-mLi
式中,pLi为低精度点云中的任一样点,p′Li为样点pLi进行漂移后的点,mLi为漂移矢量。
5.根据权利要求4所述的方法,其特征在于,所述的漂移矢量mLi通过如下公式得到:
式中,QLi为低精度点云中的样点pLi对应的邻域点集,wLij为邻域点集QLi中任一邻域点qLij的高斯权重,nLi为样点pLi的法矢,nLij为邻域点qLij对应的法矢,ΔLij为邻域点qLij对应的漂移误差ΔLij。
6.根据权利要求5所述的方法,其特征在于,所述的高斯权重通过如下公式计算得到:
其中,σn为窗宽。
8.根据权利要求1-7之一所述的方法,其特征在于,在步骤S1建立所述低精度点云的拓扑结构信息前,可以先对待融合的两种不同精度的点云进行坐标配准,以将其转换到同一坐标系下。
10.根据权利要求1-9之一所述的方法,其特征在于,所述高精度点云数据通过触发接触式测量获取,所述低精度点云数据通过非接触式测量获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210496833.2A CN103106632B (zh) | 2012-11-29 | 2012-11-29 | 一种基于均值漂移的不同精度三维点云数据的融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210496833.2A CN103106632B (zh) | 2012-11-29 | 2012-11-29 | 一种基于均值漂移的不同精度三维点云数据的融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106632A true CN103106632A (zh) | 2013-05-15 |
CN103106632B CN103106632B (zh) | 2016-02-24 |
Family
ID=48314466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210496833.2A Active CN103106632B (zh) | 2012-11-29 | 2012-11-29 | 一种基于均值漂移的不同精度三维点云数据的融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106632B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808277A (zh) * | 2013-12-23 | 2014-05-21 | 天津大学 | 一种多传感器点云拼接误差的修正方法 |
CN104050639A (zh) * | 2014-06-16 | 2014-09-17 | 西安电子科技大学 | 一种基于双边滤波器的多视角密集点云数据融合方法 |
CN105678076A (zh) * | 2016-01-07 | 2016-06-15 | 福州华鹰重工机械有限公司 | 点云测量数据质量评估优化的方法及装置 |
CN106500594A (zh) * | 2016-10-31 | 2017-03-15 | 武汉大学 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
JP2017138219A (ja) * | 2016-02-04 | 2017-08-10 | 株式会社デンソー | 物体認識装置 |
CN109461183A (zh) * | 2018-10-23 | 2019-03-12 | 沙洲职业工学院 | 一种空间坐标点与点云位置点三维对比的方法 |
CN110095066A (zh) * | 2019-03-04 | 2019-08-06 | 华中科技大学 | 基于Mean-shift的光谱共焦信号峰值波长快速高精度提取方法 |
CN111640149A (zh) * | 2020-06-01 | 2020-09-08 | 中国人民解放军63653部队 | 一种评估点云建模误差的分析方法 |
US20210110273A1 (en) * | 2019-10-10 | 2021-04-15 | Samsung Electronics Co., Ltd. | Apparatus and method with model training |
CN113412505A (zh) * | 2019-03-22 | 2021-09-17 | 华为技术有限公司 | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的***和方法 |
CN115159149A (zh) * | 2022-07-28 | 2022-10-11 | 深圳市罗宾汉智能装备有限公司 | 一种基于视觉定位的取料卸货方法及其装置 |
CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650838A (zh) * | 2009-09-04 | 2010-02-17 | 浙江工业大学 | 基于重采样方法和仿射聚类算法的点云简化处理方法 |
CN101853485A (zh) * | 2010-06-04 | 2010-10-06 | 浙江工业大学 | 一种基于近邻传播聚类的非均匀点云简化处理方法 |
CN102938161A (zh) * | 2012-09-24 | 2013-02-20 | 西北工业大学 | 一种基于Mean Shift的三维形状自动分割方法 |
-
2012
- 2012-11-29 CN CN201210496833.2A patent/CN103106632B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650838A (zh) * | 2009-09-04 | 2010-02-17 | 浙江工业大学 | 基于重采样方法和仿射聚类算法的点云简化处理方法 |
CN101853485A (zh) * | 2010-06-04 | 2010-10-06 | 浙江工业大学 | 一种基于近邻传播聚类的非均匀点云简化处理方法 |
CN102938161A (zh) * | 2012-09-24 | 2013-02-20 | 西北工业大学 | 一种基于Mean Shift的三维形状自动分割方法 |
Non-Patent Citations (3)
Title |
---|
BAO-QUAN SHI,ET AL.: "Adaptive simplification of point cloud using k-means clustering", 《COMPUTER-AIDED DESIGN》, 31 December 2011 (2011-12-31), pages 1 - 13 * |
刘鹏鑫,等。: "基于光学扫描和CMM测量数据的模型重建关键技术研究", 《中国博士学位论文全文数据库工程科技II辑》, no. 6, 15 June 2011 (2011-06-15) * |
张文革,等。: "重心约束的多幅点云数据融合技术", 《产品 ● 技术》, 31 December 2009 (2009-12-31), pages 114 - 117 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808277A (zh) * | 2013-12-23 | 2014-05-21 | 天津大学 | 一种多传感器点云拼接误差的修正方法 |
CN103808277B (zh) * | 2013-12-23 | 2016-07-06 | 天津大学 | 一种多传感器点云拼接误差的修正方法 |
CN104050639A (zh) * | 2014-06-16 | 2014-09-17 | 西安电子科技大学 | 一种基于双边滤波器的多视角密集点云数据融合方法 |
CN104050639B (zh) * | 2014-06-16 | 2017-01-11 | 西安电子科技大学 | 一种基于双边滤波器的多视角密集点云数据融合方法 |
CN105678076A (zh) * | 2016-01-07 | 2016-06-15 | 福州华鹰重工机械有限公司 | 点云测量数据质量评估优化的方法及装置 |
CN105678076B (zh) * | 2016-01-07 | 2018-06-22 | 福州华鹰重工机械有限公司 | 点云测量数据质量评估优化的方法及装置 |
JP2017138219A (ja) * | 2016-02-04 | 2017-08-10 | 株式会社デンソー | 物体認識装置 |
CN106500594A (zh) * | 2016-10-31 | 2017-03-15 | 武汉大学 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
CN106500594B (zh) * | 2016-10-31 | 2017-10-03 | 武汉大学 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
CN109461183A (zh) * | 2018-10-23 | 2019-03-12 | 沙洲职业工学院 | 一种空间坐标点与点云位置点三维对比的方法 |
CN110095066A (zh) * | 2019-03-04 | 2019-08-06 | 华中科技大学 | 基于Mean-shift的光谱共焦信号峰值波长快速高精度提取方法 |
CN110095066B (zh) * | 2019-03-04 | 2020-04-10 | 华中科技大学 | 基于Mean-shift的光谱共焦信号峰值波长快速高精度提取方法 |
CN113412505A (zh) * | 2019-03-22 | 2021-09-17 | 华为技术有限公司 | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的***和方法 |
CN113412505B (zh) * | 2019-03-22 | 2022-09-09 | 华为技术有限公司 | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的处理单元和方法 |
US11556745B2 (en) | 2019-03-22 | 2023-01-17 | Huawei Technologies Co., Ltd. | System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor |
US20210110273A1 (en) * | 2019-10-10 | 2021-04-15 | Samsung Electronics Co., Ltd. | Apparatus and method with model training |
CN111640149A (zh) * | 2020-06-01 | 2020-09-08 | 中国人民解放军63653部队 | 一种评估点云建模误差的分析方法 |
CN115159149A (zh) * | 2022-07-28 | 2022-10-11 | 深圳市罗宾汉智能装备有限公司 | 一种基于视觉定位的取料卸货方法及其装置 |
CN115159149B (zh) * | 2022-07-28 | 2024-05-24 | 深圳市罗宾汉智能装备有限公司 | 一种基于视觉定位的取料卸货方法及其装置 |
CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
CN115508511B (zh) * | 2022-09-19 | 2023-05-26 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103106632B (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106632B (zh) | 一种基于均值漂移的不同精度三维点云数据的融合方法 | |
CN106600622B (zh) | 一种基于超体素的点云数据分割方法 | |
CN102855663B (zh) | 一种根据激光雷达栅格点云构建csg模型的方法 | |
CN110516388A (zh) | 基于调和映射的曲面离散点云模型环切刀轨生成方法 | |
CN103247041B (zh) | 一种基于局部采样的多几何特征点云数据的分割方法 | |
CN107192350B (zh) | 一种三维激光扫描仪内参数标定方法及装置 | |
CN108010092A (zh) | 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法 | |
CN101634544B (zh) | 一种水轮机叶片毛坯型面测量与加工余量分析方法 | |
CN103729872B (zh) | 一种基于分段重采样和表面三角化的点云增强方法 | |
CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
CN110473239A (zh) | 一种三维激光扫描的高精度点云配准方法 | |
CN111553292B (zh) | 一种基于点云数据的岩体结构面识别与产状分类方法 | |
CN105136054A (zh) | 基于地面三维激光扫描的构筑物精细变形监测方法及*** | |
CN103942837B (zh) | 基于序列线性规划的叶片点云模型截面曲线直接构造方法 | |
CN104318622B (zh) | 一种室内场景非均匀三维点云数据的三角网格建模方法 | |
CN107767453A (zh) | 一种基于规则约束的建筑物lidar点云重构优化方法 | |
CN103884291B (zh) | 基于nurbs参数曲面的建筑物表面柔性变形监测方法 | |
CN105913444B (zh) | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 | |
CN103745459A (zh) | 一种非结构化点云特征点检测方法及其提取方法 | |
CN102735175A (zh) | 一种基于移动最小二乘法确定叶片最大厚度的方法 | |
CN107545602B (zh) | 基于LiDAR点云的空间拓扑关系约束下的建筑物建模方法 | |
CN102853763A (zh) | 一种不规则表面文物体积的测量方法 | |
CN114037706A (zh) | 一种基于三维点云模型的预制梁段表面平整度检测方法 | |
CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |