CN103236064A - 一种基于法向量的点云自动配准方法 - Google Patents
一种基于法向量的点云自动配准方法 Download PDFInfo
- Publication number
- CN103236064A CN103236064A CN2013101683580A CN201310168358A CN103236064A CN 103236064 A CN103236064 A CN 103236064A CN 2013101683580 A CN2013101683580 A CN 2013101683580A CN 201310168358 A CN201310168358 A CN 201310168358A CN 103236064 A CN103236064 A CN 103236064A
- Authority
- CN
- China
- Prior art keywords
- point
- formula
- designated
- cloud
- registration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000013519 translation Methods 0.000 claims description 30
- 230000000007 visual effect Effects 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种基于法向量的点云自动配准方法,处理对象为两幅及两幅以上相互间有重叠部分的三维点云数据,处理步骤为:(1)根据点云局部法向量的变化选取特征点;(2)设计一种直方图特征量对获得的每个特征点进行特征描述;(3)通过比较特征点的直方图特征向量获得初始匹配点对;(4)运用刚性距离约束条件结合RANSAC算法获取精确匹配点对,并利用四元素法计算得到初始配准参数;(5)采用改进的ICP算法对点云精确配准。按照上述步骤可对点云进行自动配准,本发明提出的特征描述简单且辨识度高,同时具有较高的鲁棒性,配准精度和速度都有一定的提高。
Description
技术领域
本发明属于三维信息重构的领域,特别涉及一种点云自动配准方法。
背景技术
物体表面三维重构一直是机器视觉领域研究的一个重要课题。被测物体表面点云数据可以由光学扫描仪快速获取,但由于光的线性传播特性,被测物体表面的完整数据需要在多个视角下多次测量获得,这样得到的数据便不在同一个坐标系下,所以为了获得物体的完整模型,需要对各个视角得到的数据进行坐标变换,最终合并到统一的坐标系中,这就是点云配准。点云配准技术在机器人导航、逆向工程、物体表面形状检测和虚拟现实等众多领域有着广泛的应用。
根据待配准深度图的输入和输出结果的不同,现有的深度图配准方法可以大致分为两大类:粗配准和精配准。粗配准是指在没有任何先验知识的情况下,找到一组近似的坐标变换关系,将两个视点下的深度图统一到同一个坐标系中。由于配准之前没有深度图之间相对位置关系的任何信息,因此粗配准算法通常围绕如何建立模型相同位置处的两幅深度图之间对应元素的匹配关系展开,众多学者对此提出了不同的方法。这些方法按对应元素不同可以分为点-点对应、线-线对应和面-面对应以及体-体对应;若按匹配方式不同又可以分为基于欧氏距离相等关系和基于描述子相等关系;按匹配搜索范围可分为非特征匹配与特征匹配。然而由于测量模型的多样性和复杂性,粗配准算法往往依赖于一些具体的应用,对粗配准算法进一步研究的方向在于提高粗配准的精度、效率以及鲁棒性和适用性。粗配准的结果通常仅提供了深度图之间精确坐标变换的一个近似值,从而使得两幅深度图的重叠区域具有一定程度的贴合。然而这种近似的位置变换使得深度图重叠区域很难得到精确的贴合,往往会存在一些交错和分层现象,不利于后续深度图数据的融合,因此需要对深度图的位置进行进一步的调整以提高深度图的配准精度,这个过程称为精配准。精配准是在已通过粗配准获得了深度图之间坐标变换的近似值的基础上,通过不断迭代最小化两深度图上对应点之间的距离来实现更加精确的配准变换,其代表算法为经典的ICP算法。
发明内容
发明目的:提出一种基于法向量的点云自动配准方法,提高点云自动配准中配准的精度和速度,同时具有较高的鲁棒性。
技术方案:一种基于法向量的点云自动配准方法,包括以下步骤:
步骤1:基于法向量信息获取待匹配两个点云中的特征点集,具体步骤如下:
步骤1.1:采用三维扫描仪获取带有法向量信息的多视角点云数据,且相邻视角获得的点云间有重叠部分,定义点云中重叠部分的某一点pi的特征度fi为点pi的法向量与其k个近邻点法向量夹角的算术平均值:
其中某一点pi的k个近邻点是指与点pi欧氏距离最近的k个点,θij为点pi的法向量与其近邻点pj的法向量的夹角,k为5≤k≤20的自然数;
步骤1.2:选取阈值ε1,去掉点云中fi≤ε1的平坦部分,保留fi>ε1的点,对于保留点中的任一点pm,若其满足:
f(pm)=max(f(pm1),f(pm2),…,f(pmk)) (2)式
则将pm作为特征点,其中f(pm1),f(pm2),…,f(pmk)为点pm的k个近邻点的特征度,其中阈值ε1取值范围为5°≤ε1≤10°;
步骤1.3:利用步骤1.1和步骤1.2所述的特征点提取方法,分别对两个点云进行特征点提取,设待配准的两个点云数据分别为点集P和点集Q,其中点集Q为参考点云数据,得到待配准点云的特征点集为Pt={pt1,pt2,pt3,…ptm′},参考点云的特征点集为Qt={qt1,qt2,qt3,…qtn′},其中m′和n′分别为P和Q的特征点的个数;
步骤2:建立特征点集的直方图特征描述,方法如下:
步骤2.1:对于特征点集Pt中的每个点pti,在点集P中以pti为原点,半径为γ的球域内的点作为pti的邻近点,标记为N(pti),其中γ取值范围为点云的平均点间距离的5~10倍;
步骤2.2:根据点pti与邻近点N(pti)之间的几何关系,建立三种特征描述:
f1=acos<ni,vk> (3)式
f2=<ni,(sk-pti)> (4)式
f3=‖sk-pti‖ (5)式
其中ni为点pti的法向量,vk为pti邻近某个点N(pti)的法向量,sk为pti某个邻近点N(pti)的三维坐标;
其中,式(3)中特征值f1是点集Pt中一点pti的法向量与其邻近一点N(pti)的法向量的夹角,根据夹角大小将其分成[0,20]、(20,40]、(40,60]和(60,180]4个间隔;式(4)中特征值f2是两个向量点积,其中一个是点pti的法向量,另一个是该点pti与其邻近一点N(pti)之间的点间向量,根据f2是否大于0,将f2分成2个间隔;式(5)中特征值f3是一点pti与其邻近点中一点N(pti)间的欧氏距离,根据阈值将其分成2个间隔;根据这三个特征值的间隔分类,我们可建立一个间隔数为4×2×2=16的直方图,对应地得到一个16维的特征向量,其中γ取值范围为点云的平均点间距离的5~10倍;
步骤2.3:根据所述步骤2.2中三个特征值f1、f2、f3,定义idex=k1+k2·4+k3·4·2;
若特征值f1落入[0,20]间隔中则对应地将k1记为1,若特征值f1落入(20,40]间隔中则对应地将k1记为2,若特征值f1落入(40,60]间隔中则对应地将k1记为3,若特征值f1落入(60,180]间隔中则对应地将k1记为4;若特征值f2的值小于0,则将k2记为1,否则记为0;若特征值f3的值大于则将k3记为1,否则记为0;
根据idex的值确定N(pti)中一点属于直方图中的间隔位置,遍历一个点pti的所有邻近点N(pti),得到落入每个间隔中的邻近点N(pti)的数量,以N(pti)中落入每个间隔中的点数占其总数的百分比作为对应间隔的值,记此值为特征向量h1i;
步骤2.4:根据所述步骤2.1至2.3,建立点集Pt和Qt中每个点的特征向量,得到点集Pt和Qt的特征向量集h1和h2;
步骤3:采取特征向量间的欧氏距离作为比较准则,比较所述步骤2中获得的特征向量集h1和h2中的特征向量,在点集Qt中为点集Pt中每个点找到其初始匹配点:选取阈值ε2,特征向量的距离小于ε2时,该特征向量所对应点集Pt和Qt中的点作为初始匹配点对,记为:
其中num(Matchdots)是初始匹配点对的数量,ε2取0.05;
步骤4:结合刚性距离约束条件,使用一种自适应的RANSAC算法获取精确匹配点对,具体步骤如下:
步骤4.1:Matchdots中的任意两个点对和如果是正确的匹配点对,那么根据刚体变换的距离不变性得到:其中dist表示两点间的距离;选取ε3>0,对每个点对计算Matchdots中除点对以外与该点对符合刚性距离约束的点对的数目numi,若Matchdots中一个点对满足下式:
步骤4.2:对Matchdots中每个点对根据所述步骤4.1计算numi值,然后按照numi值从大到小对Matchdots中点对进行排序,选取前N个点对,N为N≤num(Matchdots)的自然数;使用RANSAC算法对这N个点对检验是否为正确匹配点对,具体检验方法为:
步骤4.2.1:从这N个点对中随机选取3个点对作为一个样本;
步骤4.2.2:假设这3个点对为正确匹配点对,计算刚体变换矩阵T;
步骤4.2.3:判断其余N-3个点对在此刚体变换矩阵T下是否为正确匹配:
如果小于预定义的阈值ε4,则认为是正确的匹配点对,记为内点;如果大于等于预定义的阈值ε4,则认为是错误的匹配点对,记为外点;所有内点组成本次采样的一致集;其中,ε4取值范围为点云的平均点间距离的2倍;
步骤4.2.4:重复所述步骤4.2.1至步骤4.2.3,直到N个点中所有3点组合的样本都遍历了,循环次数达到采样次数上限后,将内点数目最多的刚体变换矩阵作为正确的刚体变换矩阵,据此变换矩阵求得初始匹配点对中的内点作为最终的精确匹配点对,记为:
Matchdots1={(mi,m′i)|mi∈P,m′i∈Q,i=1,2,3…n}
其中n为精确匹配点对的数目;
步骤5:利用四元素法计算初始配准参数,具体步骤如下:
步骤5.1:计算点集{mi|mi∈P,i=1,2,...,n}的质心μ和{m′i|m′i∈Q,i=1,2,...,n}的质心μ′:
式(7)中,n为精确匹配点对的数目;
步骤5.2:将点集{mi|mi∈P,i=1,2,...,n}和{m′i|m′i∈Q,i=1,2,...,n}做相对于质心μ、μ′的平移,设平移后的点集分别为{hi}和{h′i}:
步骤5.3:根据平移后的所得点集{hi}和{h′i}计算相关矩阵K:
式(9)中,n为精确匹配点对的数目;
步骤5.4:由相关矩阵K中各元素Kij(i,j=1,2,3,4)构造出四维对称矩阵Ka:
步骤5.5:计算Ka的最大特征根所对应的单位特征向量q:
步骤5.6:由步骤5.5中计算所得单位特征向量q,计算旋转矩阵R:
步骤5.7:由步骤5.6计算所得旋转矩阵R,求解平移矢量T:
T=μ′-Rμ (13)式
步骤6:采用改进的ICP算法对点云精确配准,具体步骤如下:
步骤6.1:利用步骤5中获得的配准参数R和T,根据式(14)将待配准点云P中的每个点pi变换到参考点云Q所在的坐标系下得到点p0i,将转换后得到的初始配准后的点云记为P0;其中:
p0i=R·pi+T (14)式
步骤6.2:令目标点集为Pm,参考点集为Q,取m=0,利用改进的ICP算法进行精确配准:
步骤6.2.1:计算最近点:
对目标点集Pm中任一点pmi,计算该点与参考点集Q中每个点间的欧氏距离,对于点集Q中与其欧氏距离最小的点qj,选取阈值σ,若:两者间欧氏距离||pmi,qj||2<σ,则将pmi作为内点并记为并将qj作为其对应匹配点并记为这样便得到一组内点匹配点对否则将其作为外点去除;其中当m=0时,阈值σ取为点云Q点间平均距离的3倍;
对目标点集Pm中所有点作以上操作,最终得到内点匹配点集,记为: 其中np为点对数目;
步骤6.2.2:利用步骤6.2.1中获得内点匹配点集来计算配准参数:
计算使得式(15)中err取得最小时的旋转矩阵Rm和平移矩阵Tm作为新的配准参数:
其中err为本次配准的误差,np为点对数目;
步骤6.2.3:将计算得到的配准参数用于点集Pm中的每个点pmi得到新的点集P′
步骤6.2.4:检验迭代终止的条件:
设定阈值τ=0.00001,当满足:σ-err<τ,则迭代过程结束;否则令m=m+1,σ=err,Pm=P′转步骤6.2.1;
迭代过程结束后得到的点集P′即为最终的精确配准结果。
有益效果:与其他基于特征的配准技术相比,本发明能对部分重叠的点云数据实现自动配准,点云无需任何预知信息且配准过程无需人工干预,初始配准效果良好,二次配准结果更加精确,达到多视角点云数据的配准要求,具有如下优点:
(1)本发明基于点云局部法向量的变化程度选取特征点集,而不是将所有点都用于点对匹配,节省了处理时间,同时去除了相对特征不明显的点,提高了点对匹配的准确率,避免太多相似点匹配造成的错误匹配点对的出现。
(2)设计多特征融合的直方图特征,提高特征描述的辨识度,且本特征的抗噪声干扰能力强且受点云拓扑结构影响小,从而有效提高了点对匹配的准确率。
(3)利用刚性距离约束与RANSAC算法相结合获取准确匹配点对,进一步利用改进的ICP算法迭代求取精确配准结果,算法快速有效。
附图说明
图1是本发明方法流程图;
图2是不同区域法向量变化的表征图;
图3是取不同的阈值ε1和k值时获得的特征点集图;
图4是点云bunny上一个特征点的直方图特征图;
图5是点云bunny的两个视角的初始配准结果;
图6是点云bunny的两个视角的精确配准结果。
具体实施方式
下面结合附图对本发明做更进一步的解释。
在Windows操作***下选用VC++6.0作为编程工具,对三维测量设备获取的多视角点云数据进行配准处理。该实例采用斯坦福大学的bunny点云数据,最终得到比较精确的配准结果。
如图1所示,三维点云后续处理中需要对不同视角的点云进行配准,针对现有的基于特征的自动配准算法中特征辨识度低、对噪声敏感以及对点云拓扑结构要求高等问题,本发明提出了一种基于法向量信息的点云自动配准算法。首先根据区域点云法向量的变化程度选取用于配准的特征点集,然后对特征点集中每个点建立一个直方图统计特征,基于此直方图特征建立匹配点对,结合刚性距离约束条件并应用RANSAC(randomsample consensus)算法得到精确匹配点对,采用四元素法计算初始配准参数,最后用改进的ICP(iterative closest point)算法对点云精确配准。
具体实施步骤如下:
步骤1:基于法向量信息获取待匹配两个点云中的特征点集,具体步骤如下:
步骤1.1:采用三维扫描仪获取带有法向量信息的多视角点云数据,且相邻视角获得的点云间有重叠部分,定义点云中重叠部分的某一点pi的特征度fi为点pi的法向量与其k个近邻点法向量夹角的算术平均值:
其中某一点pi的k个近邻点是指与点pi欧氏距离最近的k个点,θij为点pi的法向量与其近邻点pj的法向量的夹角,k为5≤k≤20的自然数;
步骤1.2:选取阈值ε1,去掉点云中fi≤ε1的平坦部分,保留fi>ε1的点,对于保留点中的任一点pm,若其满足:
f(pm)=max(f(pm1),f(pm2),…,f(pmk)) (2)式
则将pm作为特征点,其中f(pm1),f(pm2),…,f(pmk)为点pm的k个近邻点的特征度,其中阈值ε1取值范围为5°≤ε1≤10°;
步骤1.3:利用步骤1.1和步骤1.2所述的特征点提取方法,分别对两个点云进行特征点提取,设待配准的两个点云数据分别为点集P和点集Q,其中点集Q为参考点云数据,得到待配准点云的特征点集为Pt={pt1,pt2,pt3,…ptm′},参考点云的特征点集为Qt={qt1,qt2,qt3,…qtn′},其中m′和n′分别为P和Q的特征点的个数;
如图3所示,从左至右依次为当k=10,ε1=5°、k=10,ε1=8°、k=16,ε1=5°、k=16,ε1=8°时的特征点集图。
步骤2:建立特征点集的直方图特征描述,方法如下:
步骤2.1:对于特征点集Pt中的每个点pti,在点集P中以pti为原点,半径为γ的球域内的点作为pti的邻近点,标记为N(pti),其中γ取值范围为点云的平均点间距离的5~10倍;
步骤2.2:根据点pti与邻近点N(pti)之间的几何关系,建立三种特征描述:
f1=acos<ni,vk> (3)式
f2=<ni,(sk-pti)> (4)式
f3=‖sk-pti‖ (5)式
其中ni为点pti的法向量,vk为pti邻近某个点N(pti)的法向量,sk为pti某个邻近点N(pti)的三维坐标;
其中,式(3)中特征值f1是点集Pt中一点pti的法向量与其邻近一点N(pti)的法向量的夹角,由于这一特征在多数情况下主要分布在0~60度间,根据夹角大小将其分成[0,20]、(20,40]、(40,60]和(60,180]4个间隔;式(4)中特征值f2是两个向量点积,其中一个是点pti的法向量,另一个是该点pti与其邻近一点N(pti)之间的点间向量,根据f2是否大于0,将f2分成2个间隔;式(5)中特征值f3是一点pti与其邻近点中一点N(pti)间的欧氏距离,根据阈值将其分成2个间隔;根据这三个特征值的间隔分类,我们可建立一个间隔数为4×2×2=16的直方图,对应地得到一个16维的特征向量,其中γ取值范围为点云的平均点间距离的5~10倍;
步骤2.3:根据所述步骤2.2中三个特征值f1、f2、f3,定义idex=k1+k2·4+k3·4·2;
若特征值f1落入[0,20]间隔中则对应地将k1记为1,若特征值f1落入(20,40]间隔中则对应地将k1记为2,若特征值f1落入(40,60]间隔中则对应地将k1记为3,若特征值f1落入(60,180]间隔中则对应地将k1记为4;若特征值f2的值小于0,则将k2记为1,否则记为0;若特征值f3的值大于则将k3记为1,否则记为0;
根据idex的值确定N(pti)中一点属于直方图中的间隔位置,遍历一个点pti的所有邻近点N(pti),得到落入每个间隔中的邻近点N(pti)的数量,以N(pti)中落入每个间隔中的点数占其总数的百分比作为对应间隔的值,记此值为特征向量h1i;
如图4所示,点云bunny45上一个特征点的直方图特征图。
步骤2.4:根据所述步骤2.1至2.3,建立点集Pt和Qt中每个点的特征向量,得到点集Pt和Qt的特征向量集h1和h2;
步骤3:采取特征向量间的欧氏距离作为比较准则,比较所述步骤2中获得的特征向量集h1和h2中的特征向量,在点集Qt中为点集Pt中每个点找到其初始匹配点:选取阈值ε2,特征向量的距离小于ε2时,该特征向量所对应点集Pt和Qt中的点作为初始匹配点对,记为:
其中num(Matchdots)是初始匹配点对的数量,ε2取0.05。
如图5所示为点云bunny的两个视角的初始配准结果。
步骤4:结合刚性距离约束条件,使用一种自适应的RANSAC算法获取精确匹配点对,具体步骤如下:
步骤4.1:Matchdots中的任意两个点对和如果是正确的匹配点对,那么根据刚体变换的距离不变性得到:其中dist表示两点间的距离;选取ε3>0,对每个点对计算Matchdots中除点对以外与该点对符合刚性距离约束的点对的数目numi,若Matchdots中一个点对满足下式:
步骤4.2:对Matchdots中每个点对根据所述步骤4.1计算numi值,然后按照numi值从大到小对Matchdots中点对进行排序,选取前N个点对,N为N≤num(Matchdots)的自然数;使用RANSAC算法对这N个点对检验是否为正确匹配点对,具体检验方法为:
步骤4.2.1:从这N个点对中随机选取3个点对作为一个样本;
步骤4.2.2:假设这3个点对为正确匹配点对,计算刚体变换矩阵T;
步骤4.2.3:判断其余N-3个点对在此刚体变换矩阵T下是否为正确匹配:
如果小于预定义的阈值ε4,则认为是正确的匹配点对,记为内点;如果大于等于预定义的阈值ε4,则认为是错误的匹配点对,记为外点;所有内点组成本次采样的一致集;其中,ε4取值范围为点云的平均点间距离的2倍;
步骤4.2.4:重复所述步骤4.2.1至步骤4.2.3,直到N个点中所有3点组合的样本都遍历了,循环次数达到采样次数上限后,将内点数目最多的刚体变换矩阵作为正确的刚体变换矩阵,据此变换矩阵求得初始匹配点对中的内点作为最终的精确匹配点对,记为:
Matchdots1={(mi,m′i)|mi∈P,m′i∈Q,i=1,2,3…n}
其中n为精确匹配点对的数目;
步骤5:利用四元素法计算初始配准参数,具体步骤如下:
步骤5.1:计算点集{mi|mi∈P,i=1,2,...,n}的质心μ和{m′i|m′i∈Q,i=1,2,...,n}的质心μ′:
式(7)中,n为精确匹配点对的数目;
步骤5.2:将点集{mi|mi∈P,i=1,2,...,n}和{m′i|m′i∈Q,i=1,2,...,n}做相对于质心μ、μ′的平移,设平移后的点集分别为{hi}和{h′i}:
步骤5.3:根据平移后的所得点集{hi}和{h′i}计算相关矩阵K:
式(9)中,n为精确匹配点对的数目;
步骤5.4:由相关矩阵K中各元素Kij(i,j=1,2,3,4)构造出四维对称矩阵Ka:
步骤5.5:计算Ka的最大特征根所对应的单位特征向量q:
步骤5.6:由步骤5.5中计算所得单位特征向量q,计算旋转矩阵R:
步骤5.7:由步骤5.6计算所得旋转矩阵R,求解平移矢量T:
T=μ′-Rμ (13)式
如图5所示为bunny两个视角点云图初始配准后得到的结果图,从图中可以看出本方法初始配准即可得到较为满意的结果。
步骤6:采用改进的ICP算法对点云精确配准,具体步骤如下:
步骤6.1:利用步骤5中获得的配准参数R和T,根据式(14)将待配准点云P中的每个点pi变换到参考点云Q所在的坐标系下得到点p0i,将转换后得到的初始配准后的点云记为P0;其中:
p0i=R·pi+T (14)式
步骤6.2:令目标点集为Pm,参考点集为Q,取m=0,利用改进的ICP算法进行精确配准:
步骤6.2.1:计算最近点:
对目标点集Pm中任一点pmi,计算该点与参考点集Q中每个点间的欧氏距离,对于点集Q中与其欧氏距离最小的点qj,选取阈值σ,若:两者间欧氏距离||pmi,qj||2<σ,则将pmi作为内点并记为并将qj作为其对应匹配点并记为这样便得到一组内点匹配点对否则将其作为外点去除;其中当m=0时,阈值σ取为点云Q点间平均距离的3倍;
对目标点集Pm中所有点作以上操作,最终得到内点匹配点集,记为: 其中np为点对数目;
步骤6.2.2:利用步骤6.2.1中获得内点匹配点集来计算配准参数:
计算使得式(15)中err取得最小时的旋转矩阵Rm和平移矩阵Tm作为新的配准参数:
其中err为本次配准的误差,np为点对数目;
步骤6.2.3:将计算得到的配准参数用于点集Pm中的每个点pmi得到新的点集P′
步骤6.2.4:检验迭代终止的条件:
设定阈值τ=0.00001,当满足:σ-err<τ,则迭代过程结束;否则令m=m+1,σ=err,Pm=P′转步骤6.2.1;
迭代过程结束后得到的点集P′即为最终的精确配准结果。
如图6所示为bunny两个视角点云图精确配准后得到的结果图,从图中可以看出本发明方法的有效性,配准的效果较好。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于法向量的点云自动配准方法,其特征在于:包括以下步骤:
步骤1:基于法向量信息获取待匹配两个点云中的特征点集,具体步骤如下:
步骤1.1:采用三维扫描仪获取带有法向量信息的多视角点云数据,且相邻视角获得的点云间有重叠部分,定义点云中重叠部分的某一点pi的特征度fi为点pi的法向量与其k个近邻点法向量夹角的算术平均值:
其中某一点pi的k个近邻点是指与点pi欧氏距离最近的k个点,θij为点pi的法向量与其近邻点pj的法向量的夹角,k为5≤k≤20的自然数;
步骤1.2:选取阈值ε1,去掉点云中fi≤ε1的平坦部分,保留fi>ε1的点,对于保留点中的任一点pm,若其满足:
f(pm)=max(f(pm1),f(pm2),…,f(pmk)) (2)式
则将pm作为特征点,其中f(pm1),f(pm2),…,f(pmk)为点pm的k个近邻点的特征度,其中阈值ε1取值范围为5°≤ε1≤10°;
步骤1.3:利用步骤1.1和步骤1.2所述的特征点提取方法,分别对两个点云进行特征点提取,设待配准的两个点云数据分别为点集P和点集Q,其中点集Q为参考点云数据,得到待配准点云的特征点集为Pt={pt1,pt2,pt3,…ptm′},参考点云的特征点集为Qt={qt1,qt2,qt3,…qtn′},其中m′和n′分别为P和Q的特征点的个数;
步骤2:建立特征点集的直方图特征描述,方法如下:
步骤2.1:对于特征点集Pt中的每个点pti,在点集P中以pti为原点,半径为γ的球域内的点作为pti的邻近点,标记为N(pti),其中γ取值范围为点云的平均点间距离的5~10倍;
步骤2.2:根据点pti与邻近点N(pti)之间的几何关系,建立三种特征描述:
f1=acos<ni,vk> (3)式
f2=<ni,(sk-pti)> (4)式
f3=||sk-pti|| (5)式
其中ni为点pti的法向量,vk为pti邻近某个点N(pti)的法向量,sk为pti某个邻近点N(pti)的三维坐标;
其中,式(3)中特征值f1是点集Pt中一点pti的法向量与其邻近一点N(pti)的法向量的夹角,根据夹角大小将其分成[0,20]、(20,40]、(40,60]和(60,180]4个间隔;式(4)中特征值f2是两个向量点积,其中一个是点pti的法向量,另一个是该点pti与其邻近一点N(pti)之间的点间向量,根据f2是否大于0,将f2分成2个间隔;式(5)中特征值f3是一点pti与其邻近点中一点N(pti)间的欧氏距离,根据阈值将其分成2个间隔;根据这三个特征值的间隔分类,我们可建立一个间隔数为4×2×2=16的直方图,对应地得到一个16维的特征向量,其中γ取值范围为点云的平均点间距离的5~10倍;
步骤2.3:根据所述步骤2.2中三个特征值f1、f2、f3,定义idex=k1+k2·4+k3·4·2;
若特征值f1落入[0,20]间隔中则对应地将k1记为1,若特征值f1落入(20,40]间隔中则对应地将k1记为2,若特征值f1落入(40,60]间隔中则对应地将k1记为3,若特征值f1落入(60,180]间隔中则对应地将k1记为4;若特征值f2的值小于0,则将k2记为1,否则记为0;若特征值f3的值大于则将k3记为1,否则记为0;
根据idex的值确定N(pti)中一点属于直方图中的间隔位置,遍历一个点pti的所有邻近点N(pti),得到落入每个间隔中的邻近点N(pti)的数量,以N(pti)中落入每个间隔中的点数占其总数的百分比作为对应间隔的值,记此值为特征向量h1i;
步骤2.4:根据所述步骤2.1至2.3,建立点集Pt和Qt中每个点的特征向量,得到点集Pt和Qt的特征向量集h1和h2;
步骤3:采取特征向量间的欧氏距离作为比较准则,比较所述步骤2中获得的特征向量集h1和h2中的特征向量,在点集Qt中为点集Pt中每个点找到其初始匹配点:选取阈值ε2,特征向量的距离小于ε2时,该特征向量所对应点集Pt和Qt中的点作为初始匹配点对,记为:
其中num(Matchdots)是初始匹配点对的数量,ε2取0.05;
步骤4:结合刚性距离约束条件,使用一种自适应的RANSAC算法获取精确匹配点对,具体步骤如下:
步骤4.1:Matchdots中的任意两个点对和如果是正确的匹配点对,那么根据刚体变换的距离不变性得到:其中dist表示两点间的距离;选取ε3>0,对每个点对计算Matchdots中除点对以外与该点对符合刚性距离约束的点对的数目numi,若Matchdots中一个点对满足下式:
步骤4.2:对Matchdots中每个点对根据所述步骤4.1计算numi值,然后按照numi值从大到小对Matchdots中点对进行排序,选取前N个点对,N为N≤num(Matchdots)的自然数;使用RANSAC算法对这N个点对检验是否为正确匹配点对,具体检验方法为:
步骤4.2.1:从这N个点对中随机选取3个点对作为一个样本;
步骤4.2.2:假设这3个点对为正确匹配点对,计算刚体变换矩阵T;
步骤4.2.3:判断其余N-3个点对在此刚体变换矩阵T下是否为正确匹配:
如果小于预定义的阈值ε4,则认为是正确的匹配点对,记为内点;如果大于等于预定义的阈值ε4,则认为是错误的匹配点对,记为外点;所有内点组成本次采样的一致集;其中,ε4取值范围为点云的平均点间距离的2倍;
步骤4.2.4:重复所述步骤4.2.1至步骤4.2.3,直到N个点中所有3点组合的样本都遍历了,循环次数达到采样次数上限后,将内点数目最多的刚体变换矩阵作为正确的刚体变换矩阵,据此变换矩阵求得初始匹配点对中的内点作为最终的精确匹配点对,记为:
Matchdots1={(mi,m′i)|mi∈P,m′i∈Q,i=1,2,3…n}
其中n为精确匹配点对的数目;
步骤5:利用四元素法计算初始配准参数,具体步骤如下:
步骤5.1:计算点集{mi|mi∈P,i=1,2,...,n}的质心μ和{m′i|m′i∈Q,i=1,2,...,n}的质心μ′:
式(7)中,n为精确匹配点对的数目;
步骤5.2:将点集{mi|mi∈P,i=1,2,...,n}和{m′i|m′i∈Q,i=1,2,...,n}做相对于质心μ、μ′的平移,设平移后的点集分别为{hi}和{h′i}:
步骤5.3:根据平移后的所得点集{hi}和{h′i}计算相关矩阵K:
式(9)中,n为精确匹配点对的数目;
步骤5.4:由相关矩阵K中各元素Kij(i,j=1,2,3,4)构造出四维对称矩阵Ka:
步骤5.5:计算Ka的最大特征根所对应的单位特征向量q:
步骤5.6:由步骤5.5中计算所得单位特征向量q,计算旋转矩阵R:
步骤5.7:由步骤5.6计算所得旋转矩阵R,求解平移矢量T:
T=μ′-Rμ (13)式
步骤6:采用改进的ICP算法对点云精确配准,具体步骤如下:
步骤6.1:利用步骤5中获得的配准参数R和T,根据式(14)将待配准点云P中的每个点pi变换到参考点云Q所在的坐标系下得到点p0i,将转换后得到的初始配准后的点云记为P0;其中:
p0i=R·pi+T (14)式
步骤6.2:令目标点集为Pm,参考点集为Q,取m=0,利用改进的ICP算法进行精确配准:
步骤6.2.1:计算最近点:
对目标点集Pm中任一点pmi,计算该点与参考点集Q中每个点间的欧氏距离,对于点集Q中与其欧氏距离最小的点qj,选取阈值σ,若:两者间欧氏距离||pmi,qj||2<σ,则将pmi作为内点并记为并将qj作为其对应匹配点并记为这样便得到一组内点匹配点对否则将其作为外点去除;其中当m=0时,阈值σ取为点云Q点间平均距离的3倍;
对目标点集Pm中所有点作以上操作,最终得到内点匹配点集,记为: 其中np为点对数目;
步骤6.2.2:利用步骤6.2.1中获得内点匹配点集来计算配准参数:
计算使得式(15)中err取得最小时的旋转矩阵Rm和平移矩阵Tm作为新的配准参数:
其中err为本次配准的误差,np为点对数目;
步骤6.2.3:将计算得到的配准参数用于点集Pm中的每个点pmi得到新的点集P′
步骤6.2.4:检验迭代终止的条件:
设定阈值τ=0.00001,当满足:σ-err<τ,则迭代过程结束;否则令m=m+1,σ=err,Pm=P′转步骤6.2.1;
迭代过程结束后得到的点集P′即为最终的精确配准结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310168358.0A CN103236064B (zh) | 2013-05-06 | 2013-05-06 | 一种基于法向量的点云自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310168358.0A CN103236064B (zh) | 2013-05-06 | 2013-05-06 | 一种基于法向量的点云自动配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103236064A true CN103236064A (zh) | 2013-08-07 |
CN103236064B CN103236064B (zh) | 2016-01-13 |
Family
ID=48884103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310168358.0A Expired - Fee Related CN103236064B (zh) | 2013-05-06 | 2013-05-06 | 一种基于法向量的点云自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103236064B (zh) |
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489218A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及*** |
CN103955939A (zh) * | 2014-05-16 | 2014-07-30 | 重庆理工大学 | 三维扫描***中点云拼接用边界特征点配准方法 |
CN104134216A (zh) * | 2014-07-29 | 2014-11-05 | 武汉大学 | 基于16维特征描述的激光点云自动配准方法及*** |
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN104463826A (zh) * | 2013-09-18 | 2015-03-25 | 镇江福人网络科技有限公司 | 一种新的点云并行Softassign配准算法 |
CN104484648A (zh) * | 2014-11-27 | 2015-04-01 | 浙江工业大学 | 基于轮廓识别的机器人可变视角障碍物检测方法 |
CN104680530A (zh) * | 2015-03-01 | 2015-06-03 | 江西科技学院 | 一种icp算法 |
CN104700451A (zh) * | 2015-03-14 | 2015-06-10 | 西安电子科技大学 | 基于迭代就近点算法的点云配准方法 |
CN104778688A (zh) * | 2015-03-27 | 2015-07-15 | 华为技术有限公司 | 点云数据的配准方法及装置 |
CN104807460A (zh) * | 2015-05-04 | 2015-07-29 | 深圳大学 | 无人机室内定位方法及*** |
CN105043250A (zh) * | 2015-05-29 | 2015-11-11 | 南京邮电大学 | 一种基于至少两个公共标记点的双视角数据对齐方法 |
CN105118059A (zh) * | 2015-08-19 | 2015-12-02 | 哈尔滨工程大学 | 一种多尺度坐标轴夹角特征的点云快速配准方法 |
CN105405123A (zh) * | 2015-10-26 | 2016-03-16 | 电子科技大学 | 一种颅脑ct图像空间坐标的校准方法 |
CN105513051A (zh) * | 2015-11-26 | 2016-04-20 | 福州华鹰重工机械有限公司 | 一种点云数据处理方法和设备 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN106023156A (zh) * | 2016-05-10 | 2016-10-12 | 中国商用飞机有限责任公司 | 基于检测特征的点云模型与cad模型的配准方法 |
CN106529607A (zh) * | 2016-12-09 | 2017-03-22 | 国家测绘地理信息局四川测绘产品质量监督检验站 | 图像的同名点获取方法及装置 |
CN104143210B (zh) * | 2014-07-31 | 2017-04-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN106663327A (zh) * | 2014-08-27 | 2017-05-10 | 卡尔斯特里姆保健公司 | 3‑d表面的自动重新拼接 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
CN106918302A (zh) * | 2017-03-13 | 2017-07-04 | 东华大学 | 一种三维扫描仪自适应标定方法 |
CN106934853A (zh) * | 2017-03-13 | 2017-07-07 | 浙江优迈德智能装备有限公司 | 一种基于点云模型的汽车工件表面法向量的求取方法 |
CN107146241A (zh) * | 2017-04-20 | 2017-09-08 | 西安交通大学 | 一种基于差分进化算法和TrimmedICP算法的点云配准方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107316327A (zh) * | 2017-07-05 | 2017-11-03 | 大连理工大学 | 基于最大公共子图与包围盒的断骨断面及断骨模型配准方法 |
CN107578400A (zh) * | 2017-07-26 | 2018-01-12 | 西南交通大学 | 一种bim和三维点云融合的接触网装置参数检测方法 |
CN107644433A (zh) * | 2017-08-30 | 2018-01-30 | 北京控制工程研究所 | 改进的最近点迭代点云配准方法 |
CN107886529A (zh) * | 2017-12-06 | 2018-04-06 | 重庆理工大学 | 一种用于三维重建的点云配准方法 |
CN107993287A (zh) * | 2017-12-01 | 2018-05-04 | 大唐国信滨海海上风力发电有限公司 | 一种目标跟踪的自动初始化方法 |
CN108133458A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种基于目标物体空间点云特征的自动拼接方法 |
CN108489403A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
CN108507842A (zh) * | 2018-03-06 | 2018-09-07 | 中国科学院武汉岩土力学研究所 | 一种岩石三维自然结构面的制作方法 |
CN108648167A (zh) * | 2018-03-06 | 2018-10-12 | 深圳市菲森科技有限公司 | 一种口内扫描的三维扫描方法 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN109100731A (zh) * | 2018-07-17 | 2018-12-28 | 重庆大学 | 一种基于激光雷达扫描匹配算法的移动机器人定位方法 |
CN109191584A (zh) * | 2018-08-16 | 2019-01-11 | Oppo广东移动通信有限公司 | 三维模型处理方法、装置、电子设备及可读存储介质 |
CN109767463A (zh) * | 2019-01-09 | 2019-05-17 | 重庆理工大学 | 一种三维点云自动配准方法 |
CN109813334A (zh) * | 2019-03-14 | 2019-05-28 | 西安工业大学 | 基于双目视觉的实时高精度车辆里程计算方法 |
CN109859256A (zh) * | 2019-03-13 | 2019-06-07 | 大连理工大学 | 一种基于自动对应点匹配的三维点云配准方法 |
CN109961463A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 基于对偶四元数的视图配准方法、***、设备和存储介质 |
CN109977466A (zh) * | 2019-02-20 | 2019-07-05 | 深圳大学 | 一种三维扫描视点规划方法、装置及计算机可读存储介质 |
CN110215281A (zh) * | 2019-06-11 | 2019-09-10 | 北京和华瑞博科技有限公司 | 一种基于全膝置换手术的股骨或胫骨配准方法及装置 |
CN110335297A (zh) * | 2019-06-21 | 2019-10-15 | 华中科技大学 | 一种基于特征提取的点云配准方法 |
CN110342153A (zh) * | 2019-07-29 | 2019-10-18 | 齐霄强 | 一种基于三维点云的垃圾桶识别抓取方法 |
CN110533726A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工业大学 | 一种激光雷达场景三维姿态点法向量估计修正方法 |
CN110532915A (zh) * | 2019-08-20 | 2019-12-03 | 东南大学 | 基于法向量方位角局部熵的三维人脸遮挡判别方法 |
CN111090084A (zh) * | 2018-10-24 | 2020-05-01 | 舜宇光学(浙江)研究院有限公司 | 多激光雷达外参标定方法、标定装置、标定***和电子设备 |
CN111145232A (zh) * | 2019-12-17 | 2020-05-12 | 东南大学 | 一种基于特征信息变化度的三维点云自动配准方法 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN112365528A (zh) * | 2020-07-23 | 2021-02-12 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于主成分分析的三维点云模型逐步求精快速配准方法 |
CN112669460A (zh) * | 2020-12-31 | 2021-04-16 | 新拓三维技术(深圳)有限公司 | 一种工件缺陷检测方法、***及计算机可读存储介质 |
CN112784814A (zh) * | 2021-02-10 | 2021-05-11 | 中联重科股份有限公司 | 车辆倒车入库的姿态识别方法及输送车倒车入库引导*** |
CN112912927A (zh) * | 2018-10-18 | 2021-06-04 | 富士通株式会社 | 计算方法、计算程序及信息处理装置 |
CN113192114A (zh) * | 2021-07-01 | 2021-07-30 | 四川大学 | 基于重叠特征与局部距离约束的叶片多视场点云配准方法 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
CN113706588A (zh) * | 2021-08-16 | 2021-11-26 | 燕山大学 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
CN114037745A (zh) * | 2021-11-17 | 2022-02-11 | 北京容积视觉科技有限公司 | 一种基于分支定界的多视点三维点云数据的粗配准方法 |
CN114067555A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 多基站数据的配准方法、装置、服务器和可读存储介质 |
CN114972460A (zh) * | 2022-06-02 | 2022-08-30 | 福州大学 | 一种结合图特征上下文匹配的点云配准方法 |
CN116934822A (zh) * | 2023-09-15 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种基于三维点云数据自主配准转化精细化模型的*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2389500A (en) * | 2002-04-20 | 2003-12-10 | Virtual Mirrors Ltd | Generating 3D body models from scanned data |
CN101388115A (zh) * | 2008-10-24 | 2009-03-18 | 北京航空航天大学 | 一种结合纹理信息的深度图像自动配准方法 |
-
2013
- 2013-05-06 CN CN201310168358.0A patent/CN103236064B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2389500A (en) * | 2002-04-20 | 2003-12-10 | Virtual Mirrors Ltd | Generating 3D body models from scanned data |
CN101388115A (zh) * | 2008-10-24 | 2009-03-18 | 北京航空航天大学 | 一种结合纹理信息的深度图像自动配准方法 |
Non-Patent Citations (3)
Title |
---|
JUN JIANG等: "Registration for 3-D point cloud using angular-invariant feature", 《NEUROCOMPUTING》, vol. 72, no. 16, 31 December 2009 (2009-12-31), pages 3839 - 3844 * |
RADU BOGDAN RUSU等: "Aligning point cloud views using persistent feature histograms", 《IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》, 26 September 2008 (2008-09-26), pages 3384 - 3391, XP031348499 * |
袁亮: "三维重建过程中的点云数据配准算法的研究", 《万方学位论文全文数据库》, 30 July 2010 (2010-07-30) * |
Cited By (100)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9684817B2 (en) | 2013-09-17 | 2017-06-20 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
CN103489218B (zh) * | 2013-09-17 | 2016-06-29 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及*** |
CN103489218A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及*** |
WO2015039375A1 (zh) * | 2013-09-17 | 2015-03-26 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及*** |
CN104463826A (zh) * | 2013-09-18 | 2015-03-25 | 镇江福人网络科技有限公司 | 一种新的点云并行Softassign配准算法 |
CN103955939A (zh) * | 2014-05-16 | 2014-07-30 | 重庆理工大学 | 三维扫描***中点云拼接用边界特征点配准方法 |
CN104134216B (zh) * | 2014-07-29 | 2016-09-14 | 武汉大学 | 基于16维特征描述的激光点云自动配准方法及*** |
CN104134216A (zh) * | 2014-07-29 | 2014-11-05 | 武汉大学 | 基于16维特征描述的激光点云自动配准方法及*** |
CN104143210B (zh) * | 2014-07-31 | 2017-04-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN106663327A (zh) * | 2014-08-27 | 2017-05-10 | 卡尔斯特里姆保健公司 | 3‑d表面的自动重新拼接 |
CN106663327B (zh) * | 2014-08-27 | 2020-01-24 | 锐珂牙科技术顶阔有限公司 | 3-d表面的自动重新拼接 |
CN104392426B (zh) * | 2014-10-23 | 2017-07-18 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN104484648B (zh) * | 2014-11-27 | 2017-07-25 | 浙江工业大学 | 基于轮廓识别的机器人可变视角障碍物检测方法 |
CN104484648A (zh) * | 2014-11-27 | 2015-04-01 | 浙江工业大学 | 基于轮廓识别的机器人可变视角障碍物检测方法 |
CN104680530A (zh) * | 2015-03-01 | 2015-06-03 | 江西科技学院 | 一种icp算法 |
CN104700451B (zh) * | 2015-03-14 | 2017-05-17 | 西安电子科技大学 | 基于迭代就近点算法的点云配准方法 |
CN104700451A (zh) * | 2015-03-14 | 2015-06-10 | 西安电子科技大学 | 基于迭代就近点算法的点云配准方法 |
CN104778688B (zh) * | 2015-03-27 | 2018-03-13 | 华为技术有限公司 | 点云数据的配准方法及装置 |
CN104778688A (zh) * | 2015-03-27 | 2015-07-15 | 华为技术有限公司 | 点云数据的配准方法及装置 |
CN104807460A (zh) * | 2015-05-04 | 2015-07-29 | 深圳大学 | 无人机室内定位方法及*** |
CN104807460B (zh) * | 2015-05-04 | 2017-10-27 | 深圳大学 | 无人机室内定位方法及*** |
CN105043250A (zh) * | 2015-05-29 | 2015-11-11 | 南京邮电大学 | 一种基于至少两个公共标记点的双视角数据对齐方法 |
CN105043250B (zh) * | 2015-05-29 | 2017-08-11 | 南京邮电大学 | 一种基于至少两个公共标记点的双视角数据对齐方法 |
CN105118059A (zh) * | 2015-08-19 | 2015-12-02 | 哈尔滨工程大学 | 一种多尺度坐标轴夹角特征的点云快速配准方法 |
CN105405123B (zh) * | 2015-10-26 | 2018-04-06 | 电子科技大学 | 一种颅脑ct图像空间坐标的校准方法 |
CN105405123A (zh) * | 2015-10-26 | 2016-03-16 | 电子科技大学 | 一种颅脑ct图像空间坐标的校准方法 |
CN105513051A (zh) * | 2015-11-26 | 2016-04-20 | 福州华鹰重工机械有限公司 | 一种点云数据处理方法和设备 |
CN105701820B (zh) * | 2016-01-14 | 2018-10-30 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN106023156A (zh) * | 2016-05-10 | 2016-10-12 | 中国商用飞机有限责任公司 | 基于检测特征的点云模型与cad模型的配准方法 |
CN106023156B (zh) * | 2016-05-10 | 2018-09-11 | 中国商用飞机有限责任公司 | 基于检测特征的点云模型与cad模型的配准方法 |
CN106529607A (zh) * | 2016-12-09 | 2017-03-22 | 国家测绘地理信息局四川测绘产品质量监督检验站 | 图像的同名点获取方法及装置 |
CN106529607B (zh) * | 2016-12-09 | 2019-06-18 | 国家测绘地理信息局四川测绘产品质量监督检验站 | 图像的同名点获取方法及装置 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
CN106918302A (zh) * | 2017-03-13 | 2017-07-04 | 东华大学 | 一种三维扫描仪自适应标定方法 |
CN106918302B (zh) * | 2017-03-13 | 2019-09-27 | 东华大学 | 一种三维扫描仪自适应标定方法 |
CN106934853A (zh) * | 2017-03-13 | 2017-07-07 | 浙江优迈德智能装备有限公司 | 一种基于点云模型的汽车工件表面法向量的求取方法 |
CN107146241B (zh) * | 2017-04-20 | 2019-04-16 | 西安交通大学 | 一种基于差分进化算法和TrimmedICP算法的点云配准方法 |
CN107146241A (zh) * | 2017-04-20 | 2017-09-08 | 西安交通大学 | 一种基于差分进化算法和TrimmedICP算法的点云配准方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107220995B (zh) * | 2017-04-21 | 2020-01-03 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107316327A (zh) * | 2017-07-05 | 2017-11-03 | 大连理工大学 | 基于最大公共子图与包围盒的断骨断面及断骨模型配准方法 |
CN107316327B (zh) * | 2017-07-05 | 2020-08-14 | 大连理工大学 | 一种断骨模型配准方法 |
CN107578400B (zh) * | 2017-07-26 | 2020-09-08 | 西南交通大学 | 一种bim和三维点云融合的接触网装置参数检测方法 |
CN107578400A (zh) * | 2017-07-26 | 2018-01-12 | 西南交通大学 | 一种bim和三维点云融合的接触网装置参数检测方法 |
CN107644433B (zh) * | 2017-08-30 | 2020-07-14 | 北京控制工程研究所 | 改进的最近点迭代点云配准方法 |
CN107644433A (zh) * | 2017-08-30 | 2018-01-30 | 北京控制工程研究所 | 改进的最近点迭代点云配准方法 |
CN107993287A (zh) * | 2017-12-01 | 2018-05-04 | 大唐国信滨海海上风力发电有限公司 | 一种目标跟踪的自动初始化方法 |
CN107886529B (zh) * | 2017-12-06 | 2020-04-10 | 重庆理工大学 | 一种用于三维重建的点云配准方法 |
CN107886529A (zh) * | 2017-12-06 | 2018-04-06 | 重庆理工大学 | 一种用于三维重建的点云配准方法 |
CN109961463B (zh) * | 2017-12-14 | 2021-12-31 | 北京京东尚科信息技术有限公司 | 基于对偶四元数的视图配准方法、***、设备和存储介质 |
CN109961463A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 基于对偶四元数的视图配准方法、***、设备和存储介质 |
CN108133458A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种基于目标物体空间点云特征的自动拼接方法 |
CN108648167B (zh) * | 2018-03-06 | 2021-10-01 | 深圳市菲森科技有限公司 | 一种口内扫描的三维扫描方法 |
CN108648167A (zh) * | 2018-03-06 | 2018-10-12 | 深圳市菲森科技有限公司 | 一种口内扫描的三维扫描方法 |
CN108507842A (zh) * | 2018-03-06 | 2018-09-07 | 中国科学院武汉岩土力学研究所 | 一种岩石三维自然结构面的制作方法 |
CN108665491B (zh) * | 2018-03-22 | 2022-04-12 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN108489403A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
CN109100731A (zh) * | 2018-07-17 | 2018-12-28 | 重庆大学 | 一种基于激光雷达扫描匹配算法的移动机器人定位方法 |
CN109191584A (zh) * | 2018-08-16 | 2019-01-11 | Oppo广东移动通信有限公司 | 三维模型处理方法、装置、电子设备及可读存储介质 |
US11403819B2 (en) | 2018-08-16 | 2022-08-02 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Three-dimensional model processing method, electronic device, and readable storage medium |
CN112912927A (zh) * | 2018-10-18 | 2021-06-04 | 富士通株式会社 | 计算方法、计算程序及信息处理装置 |
CN111090084A (zh) * | 2018-10-24 | 2020-05-01 | 舜宇光学(浙江)研究院有限公司 | 多激光雷达外参标定方法、标定装置、标定***和电子设备 |
CN109767463A (zh) * | 2019-01-09 | 2019-05-17 | 重庆理工大学 | 一种三维点云自动配准方法 |
CN109977466A (zh) * | 2019-02-20 | 2019-07-05 | 深圳大学 | 一种三维扫描视点规划方法、装置及计算机可读存储介质 |
CN109859256A (zh) * | 2019-03-13 | 2019-06-07 | 大连理工大学 | 一种基于自动对应点匹配的三维点云配准方法 |
CN109859256B (zh) * | 2019-03-13 | 2023-03-31 | 大连理工大学 | 一种基于自动对应点匹配的三维点云配准方法 |
CN109813334A (zh) * | 2019-03-14 | 2019-05-28 | 西安工业大学 | 基于双目视觉的实时高精度车辆里程计算方法 |
CN111815686B (zh) * | 2019-04-12 | 2023-08-18 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN110215281B (zh) * | 2019-06-11 | 2020-07-10 | 北京和华瑞博医疗科技有限公司 | 一种基于全膝置换手术的股骨或胫骨配准方法及装置 |
CN110215281A (zh) * | 2019-06-11 | 2019-09-10 | 北京和华瑞博科技有限公司 | 一种基于全膝置换手术的股骨或胫骨配准方法及装置 |
CN110335297B (zh) * | 2019-06-21 | 2021-10-08 | 华中科技大学 | 一种基于特征提取的点云配准方法 |
CN110335297A (zh) * | 2019-06-21 | 2019-10-15 | 华中科技大学 | 一种基于特征提取的点云配准方法 |
CN110342153A (zh) * | 2019-07-29 | 2019-10-18 | 齐霄强 | 一种基于三维点云的垃圾桶识别抓取方法 |
CN110342153B (zh) * | 2019-07-29 | 2022-03-15 | 齐霄强 | 一种基于三维点云的垃圾桶识别抓取方法 |
CN110532915B (zh) * | 2019-08-20 | 2022-06-14 | 东南大学 | 基于法向量方位角局部熵的三维人脸遮挡判别方法 |
CN110532915A (zh) * | 2019-08-20 | 2019-12-03 | 东南大学 | 基于法向量方位角局部熵的三维人脸遮挡判别方法 |
CN110533726B (zh) * | 2019-08-28 | 2021-05-04 | 哈尔滨工业大学 | 一种激光雷达场景三维姿态点法向量估计修正方法 |
CN110533726A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工业大学 | 一种激光雷达场景三维姿态点法向量估计修正方法 |
CN111145232A (zh) * | 2019-12-17 | 2020-05-12 | 东南大学 | 一种基于特征信息变化度的三维点云自动配准方法 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
US11535400B2 (en) | 2020-05-09 | 2022-12-27 | Nanjing University Of Aeronautics And Astronautics | Fairing skin repair method based on measured wing data |
CN112365528A (zh) * | 2020-07-23 | 2021-02-12 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于主成分分析的三维点云模型逐步求精快速配准方法 |
CN114067555A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 多基站数据的配准方法、装置、服务器和可读存储介质 |
CN112669460B (zh) * | 2020-12-31 | 2023-07-25 | 新拓三维技术(深圳)有限公司 | 一种工件缺陷检测方法、***及计算机可读存储介质 |
CN112669460A (zh) * | 2020-12-31 | 2021-04-16 | 新拓三维技术(深圳)有限公司 | 一种工件缺陷检测方法、***及计算机可读存储介质 |
CN112784814A (zh) * | 2021-02-10 | 2021-05-11 | 中联重科股份有限公司 | 车辆倒车入库的姿态识别方法及输送车倒车入库引导*** |
CN112784814B (zh) * | 2021-02-10 | 2024-06-07 | 中联重科股份有限公司 | 车辆倒车入库的姿态识别方法及输送车倒车入库引导*** |
CN113192114A (zh) * | 2021-07-01 | 2021-07-30 | 四川大学 | 基于重叠特征与局部距离约束的叶片多视场点云配准方法 |
CN113706588A (zh) * | 2021-08-16 | 2021-11-26 | 燕山大学 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
CN113706588B (zh) * | 2021-08-16 | 2023-09-22 | 燕山大学 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
CN113643270B (zh) * | 2021-08-24 | 2024-04-26 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
CN114037745A (zh) * | 2021-11-17 | 2022-02-11 | 北京容积视觉科技有限公司 | 一种基于分支定界的多视点三维点云数据的粗配准方法 |
CN114972460A (zh) * | 2022-06-02 | 2022-08-30 | 福州大学 | 一种结合图特征上下文匹配的点云配准方法 |
CN116934822A (zh) * | 2023-09-15 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种基于三维点云数据自主配准转化精细化模型的*** |
CN116934822B (zh) * | 2023-09-15 | 2023-12-05 | 众芯汉创(江苏)科技有限公司 | 一种基于三维点云数据自主配准转化精细化模型的*** |
Also Published As
Publication number | Publication date |
---|---|
CN103236064B (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103236064A (zh) | 一种基于法向量的点云自动配准方法 | |
CN104200212B (zh) | 一种基于机载LiDAR数据的建筑物外边界线提取方法 | |
CN107741234A (zh) | 一种基于视觉的离线地图构建及定位方法 | |
CN105806315B (zh) | 基于主动编码信息的非合作目标相对测量***及测量方法 | |
CN104700451A (zh) | 基于迭代就近点算法的点云配准方法 | |
CN105021124A (zh) | 一种基于深度图的平面零件三维位置和法向量计算方法 | |
CN111145232A (zh) | 一种基于特征信息变化度的三维点云自动配准方法 | |
CN103646156A (zh) | 一种基于球标靶探测的激光点云数据自动配准方法 | |
CN103150747A (zh) | 一种基于拓扑特征的点云配准算法 | |
CN103617328A (zh) | 一种飞机三维姿态解算方法 | |
CN101567046A (zh) | 一种基于最小覆盖圆匹配的无人机目标识别方法 | |
CN109425348A (zh) | 一种同时定位与建图的方法和装置 | |
CN106778790A (zh) | 一种基于三维点云的目标识别与定位方法及*** | |
CN108235725A (zh) | 基于云端的轨迹地图生成方法、装置、设备及应用程序 | |
CN107238374B (zh) | 一种不规则平面零件的分类和识别定位方法 | |
CN107316328A (zh) | 一种基于二维激光扫描仪角点特征的闭环检测方法 | |
CN104880160A (zh) | 一种工件表面轮廓的二维激光实时探测方法 | |
CN104050660A (zh) | 一种测量工件圆形边缘的方法 | |
CN104484868A (zh) | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 | |
CN113267761B (zh) | 激光雷达目标检测识别方法、***及计算机可读存储介质 | |
CN104318551A (zh) | 基于凸包特征检索的高斯混合模型点云配准方法 | |
CN104615880B (zh) | 一种三维激光雷达点云匹配的快速icp方法 | |
CN104463825A (zh) | 用于在三维体积图像中检测对象的设备和方法 | |
CN102968400A (zh) | 一种基于空间直线识别与匹配的多视角三维数据拼接方法 | |
CN111127667B (zh) | 基于区域曲率二进制描述符的点云初始配准方法 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 210093 Nanjing University Science Park, 22 Hankou Road, Gulou District, Nanjing City, Jiangsu Province Patentee after: SOUTHEAST University Address before: 211103 No. 5 Runfa Road, Jiangning District, Nanjing City, Jiangsu Province Patentee before: Southeast University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160113 |