CN103295239A - 一种基于平面基准影像的激光点云数据的自动配准方法 - Google Patents
一种基于平面基准影像的激光点云数据的自动配准方法 Download PDFInfo
- Publication number
- CN103295239A CN103295239A CN2013102263806A CN201310226380A CN103295239A CN 103295239 A CN103295239 A CN 103295239A CN 2013102263806 A CN2013102263806 A CN 2013102263806A CN 201310226380 A CN201310226380 A CN 201310226380A CN 103295239 A CN103295239 A CN 103295239A
- Authority
- CN
- China
- Prior art keywords
- point
- confirmed
- match
- match point
- websites
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于平面基准影像的激光点云数据的自动配准方法。本发明分别提取相邻两个站点的平面特征,并基于各站点的平面特征构建基准面,在基准面的基础上再生成基准影像,通过相邻两个站点的基准影像的匹配,确定出相邻两个站点的基准影像的同名点对,由于该基准影像的同名点对具有三维坐标信息,因此,可以由同名点对计算出相邻两个站点的空间转换参数。基于上述过程,本发明提供了一种不需要借助扫描标识、且更可靠的激光点云数据的自动配准方法,有助于降低时间、人力、物力的开销,且使得非专业用户能够获得高质量的三维数据模型。
Description
技术领域
本发明涉及激光点云数据的自动配准方法,尤其涉及一种基于平面基准影像的激光点云数据的自动配准方法。
背景技术
尽管地面激光测量技术已经成为一个比较成熟且广泛应用的技术,多站激光点云数据的自动配准(简称“自动配准”)依然是一个比较热门的研究方向,它有助于降低时间、人力、物力的开销,且使得非专业用户能够获取高质量的三维数据模型。
关于自动配准,学界目前已经提出了多种不同的方法,一个典型的方法是使用球、圆柱、平面等人工反射标识,作为不同扫描站之间的链接,通过对扫描标识的自动识别,建立不同测站之间的参数转换关系。然而标识必须合理分布,扫描仪以较高分辨率扫描,并且在特殊情况下,设置标识是不现实的,这对于基于标识自动识别的自动配准的应用带来了限制。一些研究者首先对激光点云数据进行特征提取,对提取的特征进行匹配,计算转换参数,该方法计算得到的转换参照可靠性不高,例如对于同名平面来说,它们之间的转换参数较难确定。自动配准的难点在于不同扫描站点之间三维同名点的有效识别,因此,需要设计一种能够有效识别相邻两个站点的同名点对的更可靠的激光点云数据的自动配准方法。
发明内容
本发明提供了一种不借助于扫描标识的、更可靠的基于平面基准影像的激光点云数据的自动配准方法。
本发明提供的技术方案为:
一种基于平面基准影像的激光点云数据的自动配准方法,包括以下步骤:
步骤一、利用激光扫描仪扫描目标建筑物,且激光扫描仪在相邻两个站点的扫描存在重叠部分,以分别获取目标建筑物在相邻两个站点的激光点云数据;
步骤二、分别计算相邻两个站点的激光点云数据的基准影像,其中各站点的激光点云数据的基准影像的计算过程为:
(1)提取一个站点的激光点云数据的所有平面特征,利用所有平面特征计算出所有的基准面以及各基准面对应的点集,
(2)对所有的基准面进行计算,其中每个基准面的计算过程为:利用一个二维规则格网将一个基准面划分为多个格网单元,则每个格网单元对应有该基准面对应的点集中的多个点,在所述多个点中,以位于该基准面与激光扫描仪之间的点中到该基准面距离最大的点的反射强度信息作为该格网单元的灰度值,以该点的三维坐标信息作为该格网单元的中心的三维坐标信息,计算所有格网单元的灰度值,每个格网单元作为一个像素点,从而生成该基准面对应的一个基准影像;
步骤三、对相邻两个站点的激光点云数据的基准影像进行匹配,得到相邻两个站点的基准影像的同名点对;
步骤四、利用相邻两个站点的基准影像的同名点对的三维坐标信息,计算相邻两个站点的空间转换参数。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤二的(1)中,将所有平面特征中法向近似相等的多个平面特征合并为一个基准面,以多个平面特征对应的点集作为该基准面对应的点集。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,以多个平面特征的平均法向作为该基准面的法向,以该基准面对应的点集的重心作为该基准面的重心。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤二的(2)中,任一个基准面对应的二维规则格网的格网间距通过以下过程得出:计算任一个站点的激光点云数据中相邻两个点之间的平均距离,且参与计算的点到激光扫描仪的距离小于第一距离阈值。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三中,采用金字塔分级匹配策略对相邻两个站点的基准影像进行匹配,具体过程为:(1)分别生成相邻两个站点的基准影像的金字塔图像,各站点的基准影像的金字塔图像包括一层顶层图像、n层下层图像以及一层底层图像,n≥0,(2)对相邻两个站点的顶层图像进行SIFT匹配,得到所有的待确认匹配点对,(3)逐层在相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,以剔除错误的匹配点对,得到正确的匹配点对,(4)在相邻两个站点的底层图像上,利用最小二乘法对所述正确的匹配点对进行匹配,以得到优化的匹配点对,优化的匹配点对为相邻两个站点的基准影像的同名点对。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(3)中,所述约束条件包括距离约束条件,所述距离约束条件为:计算任一个待确认匹配点对中的各匹配点到其基准面的距离,并计算两个匹配点分别到其基准面的距离之差,该距离之差大于一第二距离阈值,剔除该待确认匹配点对。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(3)中,所述约束条件包括RANSAC约束条件,具体过程为:
①初始设置,设样本数k为无穷大,样本计数器数t为0,
②从所有的待确认匹配点对中随机抽取3个待确认匹配点对建立方程组,解算出仿射变换函数的6个参数,其中,仿射变换函数为:
x=a0+a1x′+a2y′
y=b0+b1x′+b2y′
③计算其余所有的待确认匹配点对与其候选匹配点对之间的距离,其中每一个待确认匹配点对的计算过程为,计算该待确认匹配点对中其中一个待确认匹配点经过仿射变换后的点,再计算该点与另一个待确认匹配点之间的距离,若该距离小于第三距离阈值,则该待确认匹配点对为内点,否则为外点,其中,内点为RANSAC约束验证的正确的匹配点对,外点为RANSAC约束验证的错误的匹配点对,并计算错误的匹配点对的比例:特征点数就是待确认点匹配点对数,
④计算样本数值η取0.99,
⑤样本计数器t加1,
⑥重复②、③、④和⑤,当k<t时,停止循环,
⑦选取具有内点数量最多的集合作为最佳内点集合,则剔除不属于该最佳内点集合的待确认匹配点对。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(3)中,所述约束条件包括灰度约束条件,所述灰度约束条件为:计算任一个待确认匹配点对的灰度相似性测度,当该该灰度相似性测度低于灰度相似性测度阈值时,则剔除该待确认匹配点对。
优选的是,所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(2)中,先以一个顺序对相邻两个站点的顶层图像进行SIFT匹配,得到第一次待确认匹配点对,其中,所述一个顺序为由一个站点到另一个站点,再以相反的顺序对相邻两个站点的顶层图像进行SIFT匹配,得到第二次待确认匹配点对,其中,所述相反的顺序为由所述另一个站点到所述一个站点,剔除第一次待确认匹配点对和第二次待确认匹配点对中不一致的匹配点对,得到所有的待确认匹配点对;所述步骤三的(3)中,先以一个顺序逐层对相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,得到第三次待确认匹配点对,其中,所述一个顺序为由所述一个站点到所述另一个站点,再以相反的顺序对相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,得到第四次待确认匹配点对,其中,所述相反的顺序为由所述另一个站点到所述一个站点,剔除第三次待确认匹配点对和第四次待确认匹配点对中不一致的匹配点对,得到正确的匹配点对。
本发明所述的激光点云数据的自动配准方法具有以下有益效果:本发明分别提取相邻两个站点的平面特征,并基于各站点的平面特征构建基准面,在基准面的基础上再生成基准影像,通过相邻两个站点的基准影像的匹配,确定出相邻两个站点的基准影像的同名点对,由于该基准影像的同名点对具有三维坐标信息,因此,可以由同名点对计算出相邻两个站点的空间转换参数。基于上述过程,本发明提供了一种不需要借助扫描标识、且更可靠的激光点云数据的自动配准方法,有助于降低时间、人力、物力的开销,且使得非专业用户能够获得高质量的三维数据模型。
附图说明
图1为本发明所述的方法的流程图;
图2为本发明一个实施例中穹型扫描示意图的结构示意图;
图3为本发明一个实施例中左站平面特征提取图;
图4为本发明一个实施例中右站平面特征提取图;
图5为本发明一个实施例中计算的左站的基准影像;
图6为本发明一个实施例中计算的右站的基准影像;
图7为本发明一个实施例中采用金字塔分级匹配策略的在约束条件下的基准影像匹配结果;
图8为本发明一个实施例中基准影像匹配的流程图;
图9为本发明一个实施例的激光点云数据的自动配准结果。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供一种基于平面基准影像的激光点云数据的自动配准方法,包括以下步骤:
步骤一、利用激光扫描仪扫描目标建筑物,且激光扫描仪在相邻两个站点的扫描存在重叠部分,以分别获取目标建筑物在相邻两个站点的激光点云数据;
步骤二、分别计算相邻两个站点的激光点云数据的基准影像,其中各站点的激光点云数据的基准影像的计算过程为:
(1)提取一个站点的激光点云数据的所有平面特征,利用所有平面特征计算出所有的基准面以及各基准面对应的点集;
(2)对所有的基准面进行计算,其中每个基准面的计算过程为:利用一个二维规则格网将一个基准面划分为多个格网单元,则每个格网单元对应有该基准面对应的点集中的多个点,在所述多个点中,以位于该基准面与激光扫描仪之间的点中到该基准面距离最大的点的反射强度信息作为该格网单元的灰度值,以该点的三维坐标信息作为该格网单元的中心的三维坐标信息,计算所有格网单元的灰度值,每个格网单元作为一个像素点,从而生成该基准面对应的一个基准影像;
步骤三、对相邻两个站点的激光点云数据的基准影像进行匹配,得到相邻两个站点的基准影像的同名点对;
步骤四、利用相邻两个站点的基准影像的同名点对的三维坐标信息,计算相邻两个站点的空间转换参数。
所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤二的(1)中,将所有平面特征中法向近似相等的多个平面特征合并为一个基准面,以多个平面特征对应的点集作为该基准面对应的点集。
所述的基于平面基准影像的激光点云数据的自动配准方法中,以多个平面特征的平均法向作为该基准面的法向,以该基准面对应的点集的重心作为该基准面的重心。
所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤二的(2)中,任一个基准面对应的二维规则格网的格网间距通过以下过程得出:计算任一个站点的激光点云数据中相邻两个点之间的平均距离,且参与计算的点到激光扫描仪的距离小于第一距离阈值。
所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三中,采用金字塔分级匹配策略对相邻两个站点的基准影像进行匹配,具体过程为:(1)分别生成相邻两个站点的基准影像的金字塔图像,各站点的基准影像的金字塔图像包括一层顶层图像、n层下层图像以及一层底层图像,n≥0,(2)对相邻两个站点的顶层图像进行SIFT匹配,得到所有的待确认匹配点对,(3)逐层在相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,以剔除错误的匹配点对,得到正确的匹配点对,(4)在相邻两个站点的底层图像上,利用最小二乘法对所述正确的匹配点对进行匹配,以得到优化的匹配点对,优化的匹配点对为相邻两个站点的基准影像的同名点对。
所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(3)中,所述约束条件包括距离约束条件,所述距离约束条件为:计算任一个待确认匹配点对中的各匹配点到其基准面的距离,并计算两个匹配点分别到其基准面的距离之差,该距离之差大于一第二距离阈值,剔除该待确认匹配点对。
所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(3)中,所述约束条件包括RANSAC约束条件,具体过程为:
①初始设置,设样本数k为无穷大,样本计数器数t为0,
②从所有的待确认匹配点对中随机抽取3个待确认匹配点对建立方程组,解算出仿射变换函数的6个参数,其中,仿射变换函数为:
x=a0+a1x′+a2y′
y=b0+b1x′+b2y′
③计算其余所有的待确认匹配点对与其候选匹配点对之间的距离,其中每一个待确认匹配点对的计算过程为,计算该待确认匹配点对中其中一个待确认匹配点经过仿射变换后的点,再计算该点与另一个待确认匹配点之间的距离,若该距离小于第三距离阈值,则该待确认匹配点对为内点,否则为外点,其中,内点为RANSAC约束验证的正确的匹配点对,外点为RANSAC约束验证的错误的匹配点对,并计算错误的匹配点对的比例:特征点数就是待确认点匹配点对数,
④计算样本数值η取0.99,
⑤样本计数器t加1,
⑥重复②、③、④和⑤,当k<t时,停止循环,
⑦选取具有内点数量最多的集合作为最佳内点集合,则剔除不属于该最佳内点集合的待确认匹配点对。
所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(3)中,所述约束条件包括灰度约束条件,所述灰度约束条件为:计算任一个待确认匹配点对的灰度相似性测度,当该该灰度相似性测度低于灰度相似性测度阈值时,则剔除该待确认匹配点对。
所述的基于平面基准影像的激光点云数据的自动配准方法中,所述步骤三的(2)中,先以一个顺序对相邻两个站点的顶层图像进行SIFT匹配,得到第一次待确认匹配点对,其中,所述一个顺序为由一个站点到另一个站点,再以相反的顺序对相邻两个站点的顶层图像进行SIFT匹配,得到第二次待确认匹配点对,其中,所述相反的顺序为由所述另一个站点到所述一个站点,剔除第一次待确认匹配点对和第二次待确认匹配点对中不一致的匹配点对,得到所有的待确认匹配点对;所述步骤三的(3)中,先以一个顺序逐层对相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,得到第三次待确认匹配点对,其中,所述一个顺序为由所述一个站点到所述另一个站点,再以相反的顺序对相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,得到第四次待确认匹配点对,其中,所述相反的顺序为由所述另一个站点到所述一个站点,剔除第三次待确认匹配点对和第四次待确认匹配点对中不一致的匹配点对,得到正确的匹配点对。
现代站点式地面激光扫描仪,一般以固定经差纬差的穹型方式扫描(如图2),采集的激光点云数据具有栅格特性,虽然采集的初始点云数据可以直接以图像方式输出,但是不同站点的缺少公共的投影面,使得不同站点间的图像配准工作比较困难,因此确定基准影像的基准面成为解决问题的关键。
本发明将三维的激光点云数据转换为二维栅格结构,利用二维的图像配准算法提取同名点对,再将同名点对数据从二维空间返回至三维空间,从而实现三维同名点对的提取。
现代建筑或构筑物的设计基本以平面、柱面、球面、锥面等为主,其中平面元素特征要比其他元素特征丰富得多。因此可以在重叠站点间选择公共平面特征作为投影面,以实现基于影像特征的激光点云数据配准。正是基于此,通过对扫描场景中平面特征的探测,建立激光点云数据的基准面,再通过投影生成基准影像,以影像配准实现激光点云数据的配准。
本发明主要包括四个部分:相邻两个站点中各站点的平面特征提取以及基准影像生成,以及相邻两个站点之间的基准影像的匹配,以及激光点云数据的配准。本发明中将相邻两个站点分别称为左站和右站。
1、平面特征提取
目前,平面特征提取的方法主要有:基于曲率的方法、基于高斯球聚类的方法、基于拟合的方法等类别。基于曲率的方法主要包括:高斯曲率、平均曲率、近似曲率、曲率方差等,利用平面曲率近似为零这一特征提取平面特征。此类方法概念简单,算法易于实施,但是曲率计算一般以局部多项式拟合、局部主成份分析完成,受邻域和噪声影响较大。
基于高斯球聚类的方法:首先要对点云数据逐点计算法向量,根据同一平面法向方向比较接近,点与点之间法向夹角较小,在高斯球面上,法向自动聚合在一起,对各个类别根据空间位置关系进行再分割,从而提取各个面片。该方法中的法向信息的获取目前主要通过局部多项式拟合、最小二乘平面拟合、主成分分析等方法进行,与曲率计算相似,受到邻域大小、噪声的影响,在边缘处和数据突变处,受到的影响较大。
基于拟合的方法主要有:HOUGH变换和RANSAC方法。HOUGH变换是用来探测目标对象参数的方法,经常被用来探测直线、圆等特征。在三维点云目标探测中,主要用来探测平面特征,复杂对象的探测因为其参数方程复杂等特征,在计算过程中,计算效率较低,算法的应用受到了限制。RANSAC(RANdom SAMPLE CONSENSUS,随即采样一致性)是一种从数据集中迭代估计模型参数的方法,其通过随机取样,构建一个仅由内点数据组成的基本子集。在进行参数估计时,首先设定一个判断准则,利用该准则迭代地剔除那些与所估计模型不一致的输入数据(外点),使用符合该模型的输入数据来准确估计模型参数。RANSAC算法输入的信息有:数据集、模型类别、阈值信息。该方法以其概念简单易于理解和特有的健壮性,被业内所认可,广泛应用于特征提取,影像匹配等领域。因此采用RANSAC方法提取激光点云数据的平面特征。图3给出了一个实施例中左站平面特征提取图,图4给出了右站平面特征提取图。
实际上,对于任一个站点,经过上述的平面特征提取过程,可能会得到不止一个平面特征,这些平面特征构成了一个平面集合,每一个平面特征对应有一个平面特征点集。
2、基准影像生成
在RANSAC算法提取的平面集合中,因为空间位置的关系,存在法向近似相等但位置不相邻的平面,将这样的多个平面特征合并为一个基准面,并将多个平面特征的点集归为一个基准面对应的点集。计算上述多个平面特征的平均法向和重心位置,以这两个参数表示基准面。此处可能有一个平面特征就作为一个基准面的情况,因此,对于一个站点而言,可能会计算出不止一个基准面,可以对所有的基准面按照基准面对应的点集的点的数目的排序,并且按照预先设定的阈值,仅保留将对应的点集的点的数目符合的阈值的基准面。
单站获取的地面激光点云数据,是激光扫描仪按照固定的经差和纬差扫描得到的,因此其数据是有序的,具有栅格特性。因此相邻点与点之间的间隔,可以通过栅格结构求取,在实际的应用中,可以根据需要,将距离激光扫描仪较远的数据舍弃,只计算距离激光扫描仪一定范围(即第一距离阈值)的点与点之间的平均间隔,以此作为基准影像的格网间距。
将激光点云数据中,将到一个基准面的距离在某给定阈值范围内的点投影到该基准面上。
以上文中计算得到的点与点之间的间隔作为格网间距,划定二维规则格网。以指向建筑物外侧的方向为正方向,计算一个基准面对应的点集内的点到该基准面的符号距离,则位于基准面外侧的点(也就是基准面和激光扫描仪之间的点)到该基准面的距离的符号是正的,位于基准面内侧的点到该基准面的距离的符号是负的。每个格网单元都会对应有一个基准面对应的点集中的多个点。在同一格网单元内部,根据点到基准面的符号距离排序,保留距离值最大的点,以该点对应的反射强度信息作为影像的灰度信息,并将该点的三维坐标信息作为该格网单元的中心的三维坐标信息。这一设计的目的在于,在实际扫描时,距离扫描仪较近的点来自于距离扫描仪较近的物体,该物体是构建三维数据模型时希望体现出来的结构,要将这样的点反映在基准影像上。每个格网单元作为一个像素点,从而将建立起来一个与基准面完全对应的基准影像。该基准影像对应了一个三维点阵列。
上述计算灰度值的过程中,是以点的反射强度信息作为格网单元的灰度值的,这是因为:如果灰度值是距离信息,则基准影像为距离基准影像,如果是反射强度信息,则是反射强度基准影像,如果是RGB信息,则是彩色基准影像,然而距离基准影像的纹理信息不丰富,彩色基准影像的信息不可靠,所以选择反射强度信息作为基准影像的灰度信息。
每一个基准面计算出了一个基准影像,那么一个站点就可能计算出不止一个基准影像。图5为本发明一个实施例的左站的基准影像,图6为本发明一个实施例的右站的基准影像。
3、基准影像的匹配
由于扫描对象、扫描范围以及扫描仪初始方位的不确定性,两张重叠反射强度基准图像可能出现旋转、缩放等现象,所以常规的影像匹配方法不适合此种图像的匹配,本发明采用对于旋转、缩放具有不变性的SIFT算子进行图像匹配(SIFT特征计算方法在此不再详述)。
本发明涉及到以下几种约束条件:
SIFT特征虽然具有旋转、尺度缩放、亮度变化均保持不变性,但是是图像的局部特征,在相邻两个站点的基准影像对中并非纯粹的一对一的关系,如果不做约束,匹配结果仍有错误匹配的存在,为了避免此情况,本发明对匹配过程进行了如下约束。将首先利用SIFT算子匹配的得出的匹配点对称为待确认匹配点对,使用以下约束条件做进一步的判断。
(1)距离信息约束条件
生成反射强度基准图像的同时,还生成了与之一致的三维信息和距离信息索引,相邻两个站点之间在同一位置的基准面在空间位置上或者相等,或者在深度上有一定的位移。理论上,两张基准图像的同名点间的距离差值应该在某个定值附近,所以,对同名点到基准面的差值进行判断,如果差值出现了很大的跳跃,就作为误匹配点剔除。
计算任一个待确认匹配点对中的各匹配点到其基准面的距离,并计算两个匹配点分别到其基准面的距离之差,该距离之差大于一第二距离阈值,剔除该待确认匹配点对。
(2)RANSAC约束条件
RANSAC方法是一种稳健的参数估计方法,在影像匹配误匹配的剔除方面已经有了很多的应用。它的基本思想是,首先根据具体问题设计出某种目标函数,然后通过反复提取最小点集,估计该函数中参数的初始值,利用这些初始参数把所有的数据分为所谓的“内点”(即满足估计参数的点)和“外点”(即不满足估计参数的点),最后反过来用所有的“内点”重新计算和估计函数的参数。
RANSAC方法和传统的优化方法的区别在于:传统的方法先把全部的数据点作为内点而计算出初始参数值,然后重新计算并统计内点和外点;而RANSAC最开始是利用部分数据作为内点得到初始值,然后寻找数据集中所有别的内点。
本发明采用仿射变换作为目标函数:
x=a0+a1x′+a2y′
y=b0+b1x′+b2y′
设η为置信水平,p为待确认匹配点对是内点的概率,则w=1-p表示待确认匹配点对是外点的概率。n表示计算变换参数所需要的最少的点对个数。仿射变换中n为3。那么1-wn表示选取待确认匹配点对中至少有一对外点的概率,k为最多采样次数,(1-wn)k表示从未选取到n个点都是内点的概率,则:
(1-wn)k=1-η
通过上式,可以计算得到:
也就是说,进行k次抽样,可以在置信水平η上获得正确的解。但是,大多数情况下,并不知道错误匹配点对所占的比例,为使循环次数随错误匹配点对所占比例进行自动调节,使用RANSAC估计仿射变换参数的具体步骤如下:
①初始设置,设样本数k为无穷大,样本计数器数t为0。
②从所有的SIFT匹配特征点中随机抽取3个SIFT匹配特征点的待确认匹配点对建立方程组,解算出仿射变换函数的6个参数。
③计算其余所有的待确认匹配点对与其候选匹配点对之间的距离,其中每一个待确认匹配点对的计算过程为,计算该待确认匹配点对中其中一个待确认匹配点经过仿射变换后的点,再计算该点与另一个待确认匹配点之间的距离,若距离小于给定的阈值(即第二距离阈值),则该待确认匹配点对为内点(正确的匹配点对),否则为外点(错误的匹配点对)。并计算错误匹配点对比例特征点数就是待确认点匹配点对数,
④计算样本数值η取0.99。
⑤样本计数器t加1。
⑥重复②、③、④和⑤,当k<t时,停止循环。
⑦迭代终止后,选取具有内点数量最多的集合作为最佳内点集合。由于最后的变换系数仅由样本的3个点对计算得到,为了使得到的变换矩阵更稳定,最后须用得到的所有内点重新计算变换参数。
(3)灰度约束条件
计算任一个待确认匹配点对的灰度相似性测度,当该该灰度相似性测度低于灰度相似性测度阈值时,则剔除该待确认匹配点对。
(4)反向匹配约束
即使应用如上的方法进行误匹配的剔除,有些时候还是存在误匹配的现象,如果上一次匹配是从左图像到右图像进行的,则再从右图像到左图像的方式,进行反向匹配,匹配的约束条件与上述(1)(2)(3)约束方式一致,对待确认匹配点对再次进行一次提纯,达到没有误匹配的目的。
(5)最小二乘精确匹配
最小二乘法应用到匹配当中是从20世纪80年代开始的,德国的Ackernann教授提出了最小二乘影像匹配LSM。该方法充分利用了影像窗口内的信息进行平差计算,使影像匹配可达到1/10甚至1/100像素的高精度匹配,被称为高精度影像相关。它不仅可以解决单点的匹配问题,同时还可以方便的引入粗差探测,大大的提高影像匹配的可靠性。
匹配约束条件是为了剔除误匹配点,以免粗差对配准结果产生影响。但是由于SIFT算法提取的是块状特征点(blob-like),是以每个块状的中心点作为匹配点,这样使匹配点与真实的匹配点之间会有一定的误差。最小二乘匹配被称为高精度影像匹配,在此应用最小二乘匹配对SIFT匹配点进行优化。
基于上述约束条件,本发明采用以下匹配策略进行基准图像的匹配。
(1)对两个站点的基准图像进行SIFT特征提取和匹配。
(2)应用距离信息约束条件对待确认匹配点对进行一次误匹配的剔除。
(3)应用RANSAC方法进行误匹配点的剔除。该约束条件应用影像的二维属性作为判断的依据,剔除了一部分误匹配点。
(4)对待确认匹配点对进行灰度相关计算,对于相似性测度低于灰度相似性测度阈值的待确认匹配点对进行剔除。
(5)再进行一次反向匹配,达到没有误匹配的目的。
(6)对正确的匹配点对进行最小二乘匹配,使匹配精度达到亚像素级,有利于后续点云配准的精度。
为了保证匹配的稳健性,采用金字塔分级匹配的策略。金字塔分级匹配是一种由粗到细的匹配策略,是目前影像匹配中经常用到的方法,本发明也采用这种方法提高匹配的正确率。它把影像按照一定的分辨率进行降采样,采样的间隔一般为3个像素或者9个像素,采样层数一般为3层。
金字塔匹配的具体过程是:首先生成金字塔图像,在顶层金字塔应用SIFT匹配,然后再进行反向匹配,对其进一步提纯,第一次匹配的待确认匹配点对与反向匹配得到的第二次待确认匹配点对中不一致的匹配点对,应该被剔除。由于顶层影像较小,影像的相容性好,一般经过SIFT匹配后不会出现误匹配的现象。在下层影像上,应用上层匹配的结果进行距离信息约束、RANSAC约束、灰度相关约束和反向匹配约束,直至底层影像。在下层图像为n层,且n≥0的情况下,需要逐层对相邻两个站点的n层下层图像进行匹配,以逐渐剔除错误的匹配点。并且,在应用反向匹配约束时,是先以由左图像向右图像的顺序,逐层对n层下层图像进行匹配,得到第三次待确认匹配点对,然后再以由右图像向左图像的顺序,逐层对n层下层图像进行匹配,得到第四次待确认匹配点对,然后,剔除第三次待确认匹配点对和第四次待确认匹配点对中不一致的匹配点对,得到正确的匹配点对。为了提高匹配精度和后续的配准精度,最后在底层图像上对进行最小二乘高精度匹配。匹配过程见图8。图7为本发明一个实施例中采用金字塔分级匹配策略的在约束条件下的基准影像匹配结果。
4、激光点云数据的配准
通过上述反射强度图像匹配的同名点对,可以获取同名点对的三维信息,计算出空间转换参数。空间相似变换为1个缩放系数、3个旋转参数和3个平移参数,因为两个站点的点云的比例尺相等,所以缩放系数为1,其空间相似变换模型为:
上述模型可以视为三维直角坐标的转换问题,应用传统的欧拉角来解算,当坐标系间的旋转角度大的时候会引起解的不稳定性,解决该问题的关键在于旋转矩阵的构造上。目前,主要有以下几种方法:基于四元组的解算、基于罗德里格矩阵的解算和直接构造法。其中基于罗德里格矩阵的方法把旋转矩阵非线性函数转换为线性函数,计算速度快,适合于任意角度的配准。
上式中和分别为同名点对中两个同名点的重心化坐标。应用解算出的参数(a,b,c)和罗德里格矩阵计算出两坐标系间的角度参数,再根据第一个公式计算出平移参数。在有多余观测值的情况下进行最小二乘平差计算,从而完成配准。图9为本发明一个实施例的激光点云数据的自动配准结果。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种基于平面基准影像的激光点云数据的自动配准方法,其特征在于,包括以下步骤:
步骤一、利用激光扫描仪扫描目标建筑物,且激光扫描仪在相邻两个站点的扫描存在重叠部分,以分别获取目标建筑物在相邻两个站点的激光点云数据;
步骤二、分别计算相邻两个站点的激光点云数据的基准影像,其中各站点的激光点云数据的基准影像的计算过程为:
(1)提取一个站点的激光点云数据的所有平面特征,利用所有平面特征计算出所有的基准面以及各基准面对应的点集,
(2)对所有的基准面进行计算,其中每个基准面的计算过程为:利用一个二维规则格网将一个基准面划分为多个格网单元,则每个格网单元对应有该基准面对应的点集中的多个点,在所述多个点中,以位于该基准面与激光扫描仪之间的点中到该基准面距离最大的点的反射强度信息作为该格网单元的灰度值,以该点的三维坐标信息作为该格网单元的中心的三维坐标信息,计算所有格网单元的灰度值,每个格网单元作为一个像素点,从而生成该基准面对应的一个基准影像;
步骤三、对相邻两个站点的激光点云数据的基准影像进行匹配,得到相邻两个站点的基准影像的同名点对;
步骤四、利用相邻两个站点的基准影像的同名点对的三维坐标信息,计算相邻两个站点的空间转换参数。
2.如权利要求1所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,所述步骤二的(1)中,将所有平面特征中法向近似相等的多个平面特征合并为一个基准面,以多个平面特征对应的点集作为该基准面对应的点集。
3.如权利要求2所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,以多个平面特征的平均法向作为该基准面的法向,以该基准面对应的点集的重心作为该基准面的重心。
4.如权利要求2所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,所述步骤二的(2)中,任一个基准面对应的二维规则格网的格网间距通过以下过程得出:计算任一个站点的激光点云数据中相邻两个点之间的平均距离,且参与计算的点到激光扫描仪的距离小于第一距离阈值。
5.如权利要求1至4中任一项所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,所述步骤三中,采用金字塔分级匹配策略对相邻两个站点的基准影像进行匹配,具体过程为:(1)分别生成相邻两个站点的基准影像的金字塔图像,各站点的基准影像的金字塔图像包括一层顶层图像、n层下层图像以及一层底层图像,n≥0,(2)对相邻两个站点的顶层图像进行SIFT匹配,得到所有的待确认匹配点对,(3)逐层在相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,以剔除错误的匹配点对,得到正确的匹配点对,(4)在相邻两个站点的底层图像上,利用最小二乘法对所述正确的匹配点对进行匹配,以得到优化的匹配点对,优化的匹配点对为相邻两个站点的基准影像的同名点对。
6.如权利要求5所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,所述步骤三的(3)中,所述约束条件包括距离约束条件,所述距离约束条件为:计算任一个待确认匹配点对中的各匹配点到其基准面的距离,并计算两个匹配点分别到其基准面的距离之差,该距离之差大于一第二距离阈值,剔除该待确认匹配点对。
7.如权利要求5所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,所述步骤三的(3)中,所述约束条件包括RANSAC约束条件,具体过程为:
①初始设置,设样本数k为无穷大,样本计数器数t为0,
②从所有的待确认匹配点对中随机抽取3个待确认匹配点对建立方程组,解算出仿射变换函数的6个参数,其中,仿射变换函数为:
x=a0+a1x′+a2y′
y=b0+b1x′+b2y′
③计算其余所有的待确认匹配点对与其候选匹配点对之间的距离,其中每一个待确认匹配点对的计算过程为,计算该待确认匹配点对中其中一个待确认匹配点经过仿射变换后的点,再计算该点与另一个待确认匹配点之间的距离,若该距离小于第三距离阈值,则该待确认匹配点对为内点,否则为外点,其中,内点为RANSAC约束验证的正确的匹配点对,外点为RANSAC约束验证的错误的匹配点对,并计算错误的匹配点对的比例:特征点数就是待确认点匹配点对数,
⑤样本计数器t加1,
⑥重复②、③、④和⑤,当k<t时,停止循环,
⑦选取具有内点数量最多的集合作为最佳内点集合,则剔除不属于该最佳内点集合的待确认匹配点对。
8.如权利要求5所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,所述步骤三的(3)中,所述约束条件包括灰度约束条件,所述灰度约束条件为:计算任一个待确认匹配点对的灰度相似性测度,当该该灰度相似性测度低于灰度相似性测度阈值时,则剔除该待确认匹配点对。
9.如权利要求5所述的基于平面基准影像的激光点云数据的自动配准方法,其特征在于,所述步骤三的(2)中,先以一个顺序对相邻两个站点的顶层图像进行SIFT匹配,得到第一次待确认匹配点对,其中,所述一个顺序为由一个站点到另一个站点,再以相反的顺序对相邻两个站点的顶层图像进行SIFT匹配,得到第二次待确认匹配点对,其中,所述相反的顺序为由所述另一个站点到所述一个站点,剔除第一次待确认匹配点对和第二次待确认匹配点对中不一致的匹配点对,得到所有的待确认匹配点对;所述步骤三的(3)中,先以一个顺序逐层对相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,得到第三次待确认匹配点对,其中,所述一个顺序为由所述一个站点到所述另一个站点,再以相反的顺序对相邻两个站点的n层下层图像上,利用约束条件对所有的待确认匹配点对进行计算,得到第四次待确认匹配点对,其中,所述相反的顺序为由所述另一个站点到所述一个站点,剔除第三次待确认匹配点对和第四次待确认匹配点对中不一致的匹配点对,得到正确的匹配点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310226380.6A CN103295239B (zh) | 2013-06-07 | 2013-06-07 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310226380.6A CN103295239B (zh) | 2013-06-07 | 2013-06-07 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103295239A true CN103295239A (zh) | 2013-09-11 |
CN103295239B CN103295239B (zh) | 2016-05-11 |
Family
ID=49096044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310226380.6A Expired - Fee Related CN103295239B (zh) | 2013-06-07 | 2013-06-07 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103295239B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646156A (zh) * | 2013-12-30 | 2014-03-19 | 北京建筑大学 | 一种基于球标靶探测的激光点云数据自动配准方法 |
CN103744086A (zh) * | 2013-12-23 | 2014-04-23 | 北京建筑大学 | 一种地面激光雷达与近景摄影测量数据的高精度配准方法 |
CN104700393A (zh) * | 2013-10-22 | 2015-06-10 | 莱卡地球***公开股份有限公司 | 多个激光扫描的配准 |
CN104766302A (zh) * | 2015-02-05 | 2015-07-08 | 武汉大势智慧科技有限公司 | 一种利用无人机图像优化激光扫描点云数据的方法及*** |
CN105469388A (zh) * | 2015-11-16 | 2016-04-06 | 集美大学 | 基于降维的建筑物点云配准算法 |
CN105866764A (zh) * | 2015-12-01 | 2016-08-17 | 中国科学院上海技术物理研究所 | 一种多源数据集成的星载激光测高仪粗差剔除方法 |
CN106954012A (zh) * | 2017-03-29 | 2017-07-14 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种高清多相机全景立体成像***及方法 |
CN108828613A (zh) * | 2018-05-24 | 2018-11-16 | 北京石油化工学院 | 一种去除噪点的方法和危化品仓储激光扫描装置 |
CN109214982A (zh) * | 2018-09-11 | 2019-01-15 | 大连理工大学 | 一种基于双圆柱投影模型的三维点云成像方法 |
CN109544607A (zh) * | 2018-11-24 | 2019-03-29 | 上海勘察设计研究院(集团)有限公司 | 一种基于道路标志线的点云数据配准方法 |
CN110084840A (zh) * | 2019-04-24 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
CN110322492A (zh) * | 2019-07-03 | 2019-10-11 | 西北工业大学 | 一种基于全局优化的空间目标三维点云配准方法 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN111292364A (zh) * | 2020-01-21 | 2020-06-16 | 天目爱视(北京)科技有限公司 | 一种三维模型构建过程中图像快速匹配的方法 |
CN111445472A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 激光点云地面分割方法、装置、计算设备及存储介质 |
CN112489099A (zh) * | 2020-12-11 | 2021-03-12 | 北京航空航天大学 | 点云配准方法、装置、存储介质及电子设备 |
CN113793370A (zh) * | 2021-01-13 | 2021-12-14 | 北京京东叁佰陆拾度电子商务有限公司 | 三维点云配准方法、装置、电子设备及可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010093675A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN102169579A (zh) * | 2011-03-31 | 2011-08-31 | 西北工业大学 | 密集点云模型快速精确配准方法 |
CN102959355A (zh) * | 2010-07-05 | 2013-03-06 | 株式会社拓普康 | 点群数据处理装置、点群数据处理***、点群数据处理方法及点群数据处理程序 |
-
2013
- 2013-06-07 CN CN201310226380.6A patent/CN103295239B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010093675A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN102959355A (zh) * | 2010-07-05 | 2013-03-06 | 株式会社拓普康 | 点群数据处理装置、点群数据处理***、点群数据处理方法及点群数据处理程序 |
CN102169579A (zh) * | 2011-03-31 | 2011-08-31 | 西北工业大学 | 密集点云模型快速精确配准方法 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198533B2 (en) | 2013-10-22 | 2019-02-05 | Hexagon Technology Center Gmbh | Registration of multiple laser scans |
CN104700393A (zh) * | 2013-10-22 | 2015-06-10 | 莱卡地球***公开股份有限公司 | 多个激光扫描的配准 |
CN104700393B (zh) * | 2013-10-22 | 2018-03-27 | 莱卡地球***公开股份有限公司 | 多个激光扫描的配准 |
CN103744086A (zh) * | 2013-12-23 | 2014-04-23 | 北京建筑大学 | 一种地面激光雷达与近景摄影测量数据的高精度配准方法 |
CN103744086B (zh) * | 2013-12-23 | 2016-03-02 | 北京建筑大学 | 一种地面激光雷达与近景摄影测量数据的高精度配准方法 |
CN103646156B (zh) * | 2013-12-30 | 2016-08-03 | 北京建筑大学 | 一种基于球标靶探测的激光点云数据自动配准方法 |
CN103646156A (zh) * | 2013-12-30 | 2014-03-19 | 北京建筑大学 | 一种基于球标靶探测的激光点云数据自动配准方法 |
CN104766302A (zh) * | 2015-02-05 | 2015-07-08 | 武汉大势智慧科技有限公司 | 一种利用无人机图像优化激光扫描点云数据的方法及*** |
CN104766302B (zh) * | 2015-02-05 | 2017-11-24 | 武汉大势智慧科技有限公司 | 一种利用无人机图像优化激光扫描点云数据的方法及*** |
CN105469388A (zh) * | 2015-11-16 | 2016-04-06 | 集美大学 | 基于降维的建筑物点云配准算法 |
CN105469388B (zh) * | 2015-11-16 | 2019-03-15 | 集美大学 | 基于降维的建筑物点云配准方法 |
CN105866764A (zh) * | 2015-12-01 | 2016-08-17 | 中国科学院上海技术物理研究所 | 一种多源数据集成的星载激光测高仪粗差剔除方法 |
CN106954012A (zh) * | 2017-03-29 | 2017-07-14 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种高清多相机全景立体成像***及方法 |
CN108828613A (zh) * | 2018-05-24 | 2018-11-16 | 北京石油化工学院 | 一种去除噪点的方法和危化品仓储激光扫描装置 |
CN108828613B (zh) * | 2018-05-24 | 2022-07-08 | 北京石油化工学院 | 一种去除噪点的方法和危化品仓储激光扫描装置 |
CN109214982A (zh) * | 2018-09-11 | 2019-01-15 | 大连理工大学 | 一种基于双圆柱投影模型的三维点云成像方法 |
CN109214982B (zh) * | 2018-09-11 | 2022-09-20 | 大连理工大学 | 一种基于双圆柱投影模型的三维点云成像方法 |
CN109544607A (zh) * | 2018-11-24 | 2019-03-29 | 上海勘察设计研究院(集团)有限公司 | 一种基于道路标志线的点云数据配准方法 |
CN109544607B (zh) * | 2018-11-24 | 2021-07-06 | 上海勘察设计研究院(集团)有限公司 | 一种基于道路标志线的点云数据配准方法 |
CN110084840A (zh) * | 2019-04-24 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
CN110084840B (zh) * | 2019-04-24 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
US11158071B2 (en) | 2019-04-24 | 2021-10-26 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for point cloud registration, and computer readable medium |
CN110443836B (zh) * | 2019-06-24 | 2022-03-18 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110322492B (zh) * | 2019-07-03 | 2022-06-07 | 西北工业大学 | 一种基于全局优化的空间三维点云配准方法 |
CN110322492A (zh) * | 2019-07-03 | 2019-10-11 | 西北工业大学 | 一种基于全局优化的空间目标三维点云配准方法 |
CN111292364A (zh) * | 2020-01-21 | 2020-06-16 | 天目爱视(北京)科技有限公司 | 一种三维模型构建过程中图像快速匹配的方法 |
CN111445472A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 激光点云地面分割方法、装置、计算设备及存储介质 |
CN111445472B (zh) * | 2020-03-26 | 2023-05-12 | 达闼机器人股份有限公司 | 激光点云地面分割方法、装置、计算设备及存储介质 |
CN112489099A (zh) * | 2020-12-11 | 2021-03-12 | 北京航空航天大学 | 点云配准方法、装置、存储介质及电子设备 |
CN112489099B (zh) * | 2020-12-11 | 2023-01-20 | 北京航空航天大学 | 点云配准方法、装置、存储介质及电子设备 |
CN113793370A (zh) * | 2021-01-13 | 2021-12-14 | 北京京东叁佰陆拾度电子商务有限公司 | 三维点云配准方法、装置、电子设备及可读介质 |
CN113793370B (zh) * | 2021-01-13 | 2024-04-19 | 北京京东叁佰陆拾度电子商务有限公司 | 三维点云配准方法、装置、电子设备及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103295239B (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103295239B (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
CN111486855B (zh) | 一种具有物体导航点的室内二维语义栅格地图构建方法 | |
WO2021233029A1 (en) | Simultaneous localization and mapping method, device, system and storage medium | |
CN105184801B (zh) | 一种基于多层次策略的光学与sar影像高精度配准方法 | |
CN100430690C (zh) | 利用单数码相机自由拍摄进行物体三维测量的方法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN106485690A (zh) | 基于点特征的点云数据与光学影像的自动配准融合方法 | |
CN103268729A (zh) | 基于混合特征的移动机器人级联式地图创建方法 | |
CN104134216B (zh) | 基于16维特征描述的激光点云自动配准方法及*** | |
CN108765475B (zh) | 一种基于深度学习的建筑物三维点云配准方法 | |
CN101398886A (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN104536009A (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN106023298A (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN104077760A (zh) | 一种航空摄影测量的快速拼接***及其实现方法 | |
CN113223068A (zh) | 一种基于深度全局特征的多模态图像配准方法及*** | |
CN101246595A (zh) | 光学三维扫描***中多视点云数据拼合方法 | |
CN105550994A (zh) | 一种基于卫星影像的无人机影像快速概略拼接方法 | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
Wei et al. | A concentric loop convolutional neural network for manual delineation-level building boundary segmentation from remote-sensing images | |
CN106780577A (zh) | 一种基于组特征的直线匹配方法 | |
CN104484647A (zh) | 一种高分辨率遥感图像云高度检测方法 | |
CN104156952A (zh) | 一种抵抗形变的图像匹配方法 | |
CN113705731A (zh) | 一种基于孪生网络的端到端图像模板匹配方法 | |
Wang et al. | Stereo rectification based on epipolar constrained neural network | |
Sun | Deep learning-based building extraction using aerial images and digital surface models |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160511 Termination date: 20180607 |
|
CF01 | Termination of patent right due to non-payment of annual fee |