CN109493372B - 大数据量、少特征的产品点云数据快速全局优化配准方法 - Google Patents
大数据量、少特征的产品点云数据快速全局优化配准方法 Download PDFInfo
- Publication number
- CN109493372B CN109493372B CN201811242567.4A CN201811242567A CN109493372B CN 109493372 B CN109493372 B CN 109493372B CN 201811242567 A CN201811242567 A CN 201811242567A CN 109493372 B CN109493372 B CN 109493372B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- centroid
- registration
- cloud
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种大数据量、少特征的产品点云数据快速全局优化配准方法,针对配准过程中存在数据量大、初始位置不精确、全局配准速度慢等问题,提出基于重叠区域的关键点全局优化配准方法;该方法采用超体素聚类方法对点云进行分块,根据各分块的质心及其参数寻找重叠区域,在重叠区域内计算质心的FPFH并获得相应的对应质心点,从而完成粗配准;采用固有形状特性法(ISS)提取重叠区域点云的关键点,结合全局优化算法完成精配准;配准实验表明本发明可快速有效的完成大数据量、少特征产品的配准工作,解决了初始位置问题,进一步提高了配准的精度与效率。
Description
技术领域
本发明属于机器视觉技术领域,特别涉及一种大数据量、少特征的产品点云数据快速全局优化配准方法。
背景技术
三维点云配准是计算机视觉中的一个热点问题,所谓的点云配准,即给定不同坐标系中的两组点集,或者是相同坐标系下的两个不同姿态的点集,将这两组点集通过旋转、平移转换到同一个坐标系下或是将两组点集重叠在一起。三维点云配准在机器视觉领域应用非常广泛,包括3D建模、对象识别、姿态估计、机器人导航等。点云配准主要分为两类:一是刚体变换的配准,二是非刚体变换的配准,本发明针对的是刚体变换的配准。由于数据采集设备的视场限制、物体自身的遮挡现象等原因,单次测量只能采集到物体的部分点云,需要通过不断配准才能获得所需的完整模型,在配准过程中,存在单次测量点云与大部分点云或完整点云(已知CAD模型情况下)的配准问题,这种部分对整体的配准存在数据量大、初值位置偏差大、全局优化配准速度慢的问题。
点云配准主要流程一般可以分成两个阶段,点云粗配准和点云精配准。
点云粗配准阶段,通常情况下都是通过求解点云或者关键点的局部形状几何信息,比如点与点之间的法向量夹角、点云的曲率、点之间的欧几里得距离、点云深度值等等,然后利用这些信息来构成点云的局部特征描述子,利用局部特征描述子进行配准,因此局部特征描述子在配准中起着关键的作用。一个好的特征描述子应该是具有高度描述性的,以便提供全面、明确的局部几何形状。为了确保精确和高效的点云配准,特征描述子还应该具有计算效率,紧凑性和鲁棒性。目前很多学者提出了许多局部特征描述子,包括快速点特征直方图描述子(FPFH)、点签名方向直方图描述子(SHOT),旋转投影统计描述子(RoPS),局部特征统计图(LFSH)等。这些都提供了相当详细的局部形状几何描述。因此,它们具有高维特征向量,准确性高但计算量大。相对而言曲率、法向等信息描述特征具有低描述性但易于计算。
发明内容
本发明的目的在于克服现有技术的云配准过程存在数据量大、初始位置不精确、全局配准速度慢的问题,提供一种大数据量、少特征的产品点云数据快速全局优化配准方法。
本发明解决其技术问题所采用的技术方案是:
一种大数据量、少特征的产品点云数据快速全局优化配准方法,包括:
基于超体素聚类算法对滤波后的CAD模型点云进行重叠区域的提取;对每个点云块的质心点提取相对应的FPFH特征描述子,利用这些点云特征描述子进行粗配准;
基于ISS算法得到的关键点并结合全局优化算法实现精配准。
优选的,基于超体素聚类算法对滤波后的CAD模型点云进行重叠区域的提取;对每个点云块的质心点提取相对应的FPFH特征描述子,利用这些点云特征描述子进行粗配准,具体包括:
A1、基于超体素聚类算法实现点云的重叠区域提取,即对CAD模型点云提取与测量点云大致重叠的区域;包括:基于超体素聚类算法将点云分块,并提取出各分块点云的质心点;求出CAD模型点云质心点及测量点云质心点的主曲率、查询质心点的法向量与查询质心点到其邻域点重心连线的夹角,并利用这两个元素作为重叠区域相似性提取判别准则,得到重叠区域对应的质心点,利用质心点索引将重叠区域点云提取出来;将CAD模型重叠区域质心点集和测量点云质心点集加以保存,作为点云粗配准的输入点云;
A2、利用质心点集进行粗配准;包括:计算CAD模型重叠区域质心点集和测量点云质心点集的快速点特征FPFH描述子,将其作为点云的点特征;基于FPFH特征描述子建立匹配点对,应用随机采样一致性RANSAC算法去除错误匹配点对;计算对应点对的协方差矩阵并进行奇异值分解SVD,获得初始转换矩阵,完成点云的粗配准。
优选的,所述基于超体素聚类算法实现点云的重叠区域提取,具体包括:
A1-1、首先利用超体素聚类算法将测量点云与CAD模型点云进行分块,将种子点均匀分布在点云空间中,然后对体素的距离即Voxel的分辨率Rvoxel和种子点的分辨率Rseed进行定义,采用AABB包围盒求得点云的最小包围盒,再利用最小包围盒的对角线长的一半clouddiagonal作为体素分辨率和种子点分辨率的因子,实现自适应分辨率提取:
Rvoxel=0.01×clouddiagonal+0.8 (1)
Rseed=0.037×clouddiagonal+3.0 (2)
式(1)为体素分辨率的取值公式,式(2)为种子点分辨率的取值公式;
A1-2、对超体素聚类分块后的各点云块提取其质心点,获得CAD模型的各点云块的质心点集P{m1,m2...mn},以及测量点云的质心点集Q{n1,n2...nn};
A1-3、对A1-2中提取到的质心点进行判定筛选,实现重叠区域的提取;评判准则为质心点集P、Q中每个质心点的主曲率和质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角;
A1-4、对A1-3中的质心点集P、Q中每个质心点的主曲率进行计算,采用离散曲率估算法计算主曲率,包括最小曲率和最大曲率,采用基于局部最小二乘的法估计向量;
A1-5、对A1-3中的质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角进行求解;首先计算K邻域的重心点centerPσ(i)和centerQσ(j),求得查询点质心点到其重心的连线||centerPσ(i)-Pi||和||centerQσ(j)-Qj||;令nP(i)和nQ(j)分别为点集P、Q各查询点的法向量,则它们之间的夹角分别为α=arccos<nP(i),||centerPσ(i)-Pi||>、β=arccos<nQ(j),||centerQσ(j)-Qj||>;
A1-6、质心点集P、Q中每个质心点的最大主曲率分别记为Pik1和Qjk1,最小主曲率分别记为Pik2和Qjk2;质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角记为α和β;判别准则不等式为:||Pik1-Qjk1||<ε1、||Pik2-Qjk2||<ε2、||α-β||<ε3,其中ε1、ε2、ε3取值分别为0.03、0.03、0.9。
优选的,步骤A2中利用质心点而非全部点云集进行粗配准。
优选的,所述基于ISS算法得到的关键点并结合全局优化算法实现精配准,具体包括:
A3、采用ISS关键点提取算法提取滤波后的CAD模型点云及测量点云的关键点,对提取到的关键点采用分支定界法BNB嵌套ICP算法进行点云的精配准,即可得到全局优化的转换矩阵。
优选的,步骤A3中利用ISS提取的关键点作为匹配对象,分支定界法BNB嵌套ICP算法进行点云的精配准。
本发明与现有相关技术相比,具有以下优点:
(1)本发明对部分对整体的点云配准,提出了一种基于超体素聚类分块并提取重叠区域的方法,并直接利用重叠区域中提取到的每块点云的质心点作为点云粗配准数据源,大大减少了计算量,有效提高了粗配准的效率。
(2)本发明对重叠区域提取过程中的参数进行了自适应操作,提高了自动化程度,避免了由于人工输入参数而消耗的时间;
(3)本发明利用ISS关键点提取算法提取关键点,提出基于关键点进行全局优化配准(BNB嵌套ICP算法),在避免局部优化的基础上,提高了配准的速度和精度。
以下结合附图及实施例对本发明作进一步详细说明;但本发明的一种大数据量、少特征的产品点云数据快速全局优化配准方法不局限于实施例。
附图说明
图1是本发明的流程图;
图2是原始CAD模型与测量点云图;其中图2(a)为原始CAD模型,图2(b)为测量点云图;
图3是本发明实施例中重叠区域提取的效果图;
图4是本发明实施例中粗配准的效果图;
图5是本发明实施例中精配准的效果图。
具体实施方式
参见图1所示,本发明提出了一种大数据量、少特征的产品点云快速全局优化配准方法,包括如下步骤:
A1、基于超体素聚类算法实现点云的重叠区域提取,即对CAD模型点云提取与测量点云大致重叠的区域。首先基于超体素聚类算法将点云分块,并提取出各分块点云的质心点;求出CAD模型点云质心点及测量点云质心点的主曲率、查询质心点的法向量与查询质心点到其邻域点重心连线的夹角,并利用这两个元素作为重叠区域相似性提取判别准则,得到重叠区域对应的质心点,利用质心点索引将重叠区域点云提取出来;将CAD模型重叠区域质心点集和测量点云质心点集加以保存,作为点云粗配准的输入点云;
A2、利用质心点集进行粗配准。计算CAD模型重叠区域质心点集和测量点云质心点集的快速点特征(FPFH)描述子,将其作为点云的点特征;基于FPFH特征描述子建立匹配点对,应用随机采样一致性(RANSAC)算法去除错误匹配点对;计算对应点对的协方差矩阵并进行奇异值分解(SVD),获得初始转换矩阵,完成点云的粗配准;
A3、采用ISS关键点提取算法提取滤波后的CAD模型点云及测量点云的关键点,对提取到的关键点采用分支定界法(BNB)嵌套ICP算法进行点云的精配准,即可得到全局优化的转换矩阵。
本实施例中,步骤A1之前还包括:对CAD模型点云及测量点云进行统计滤波,可以去除异常点及噪声点,消除噪声点对点云配准的影响。
本实施例中,所述的A1中基于超体素聚类算法实现点云的重叠区域提取的步骤为:
A1-1、首先利用超体素聚类算法将测量点云与CAD模型点云进行分块。将种子点均匀分布在点云空间中,然后对体素的距离即Voxel的分辨率(Rvoxel)和种子点的分辨率(Rseed)进行定义,采用AABB包围盒求得点云的最小包围盒,再利用最小包围盒的对角线长的一半clouddiagonal作为体素分辨率和种子点分辨率的因子,实现自适应分辨率提取:
Rvoxel=0.01×clouddiagonal+0.8 (1)
Rseed=0.037×clouddiagonal+3.0 (2)
式(1)为体素分辨率的取值公式,式(2)为种子点分辨率的取值公式。
A1-2、对超体素聚类分块后的各点云块提取其质心点,获得CAD模型的各点云块的质心点集P{m1,m2...mn}以及测量点云的质心点集Q{n1,n2...nn};
A1-3、对A1-2中提取到的质心点进行判定筛选,实现重叠区域的提取。评判准则为质心点集P、Q中每个质心点的主曲率和质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角;
A1-4、对A1-3中的质心点集P、Q中每个质心点的主曲率进行计算,采用离散曲率估算法计算主曲率,包括最小曲率和最大曲率,采用基于局部最小二乘的法估计向量。
A1-5、对A1-3中的质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角进行求解。首先计算K邻域的重心点centerPσ(i),centerQσ(j),求得查询点质心点到其重心的连线||centerPσ(i)-Pi||,||centerQσ(j)-Qj||。令nP(i)nQ(j)为点集P、Q各查询点的法向量。则它们之间的夹角为α=arccos<nP(i),||centerPσ(i)-Pi||>、β=arccos<nQ(j),||centerQσ(j)-Qj||>。
A1-6、质心点集P、Q中每个质心点的最大主曲率分别记为Pik1和Qjk1,最小主曲率分别记为Pik2和Qjk2;质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角记为α和β;判别准则不等式为:||Pik1-Qjk1||<ε1、||Pik2-Qjk2||<ε2、||α-β||<ε3,其中ε1、ε2、ε3取值分别为0.03、0.03、0.9。
所述的A2中利用质心点而非全部点云集进行粗配准。
所述的A3中利用ISS提取的关键点作为匹配对象,分支定界法(BNB)嵌套ICP算法进行点云的精配准。
如下将以具体的CAD模型点云与测量点云为输入进行配准,具体包括:
步骤一:首先输入CAD模型点云与测量点云。参见图2所示,CAD模型点云包含约298599个点,测量点云包含约145813个点;再分别对CAD模型点云与测量点云进行统计滤波。
步骤二:对滤波后的点云基于超体素聚类算法实现点云的重叠区域提取。首先基于超体素聚类算法将点云分块,接着提取出各分块点云的质心点,然后通过求得CAD模型点云质心点及测量点云质心点的主曲率以及查询质心点的法向量与查询质心点到其邻域点重心连线的夹角。利用这两个元素作为重叠区域相似性提取判别准则,得到重叠区域对应的质心点,然后利用质心点索引将重叠区域点云提取出来,效果如图3所示。最后将CAD模型重叠区域质心点集和测量点云质心点集加以保存,并作为点云粗配准的输入点云;
所述的点云质心点的主曲率以及查询质心点的法向量与查询质心点到其邻域点重心连线的夹角这两个因素的计算方法为:
(1)主曲率的提取采用的是离散曲率估算法中的最常用的解析法,主曲率包括最小曲率和最大曲率,它们代表着法曲率的极值。要求得主曲率值,就得先求得质心点的法向量。通常情况下点云数据都伴随着噪声,采用基于局部最小二乘的法向量估计。
(2)计算质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心的连线之间的夹角。首先计算K邻域的重心点centerPσ(i),centerQσ(j),求得查询点质心点到其重心的连线||centerPσ(i)-Pi||,||centerQσ(j)-Qj||。令nP(i)nQ(j)为点集P、Q各查询点的法向量。则它们之间的夹角为α=arccos<nP(i),||centerPσ(i)-Pi||>、β=arccos<nQ(j),||centerQσ(j)-Qj||>。
(3)通过以上(1)、(2)步骤求得的点云质心点的主曲率以及查询质心点的法向量与查询质心点到其邻域点重心的连线的夹角来建立提取相似重叠区域的判别不等式:
||Pik1-Qjk1||<ε1
||Pik2-Qjk2||<ε2
||α-β||<ε3
其中,Pik1和Qjk1为两点云的最大主曲率,Pik2和Qjk2为两点云的最小主曲率。其中ε1、ε2、ε3取值分别为0.03、0.03、0.9。
步骤三:利用质心点集进行粗配准。计算CAD模型重叠区域质心点集和测量点云质心点集的快速点特征(FPFH)描述子,利用FPFH描述子作为点云的点特征。
步骤四:基于FPFH特征描述子建立匹配点对,然后再应用随机采样一致性(RANSAC)算法去除错误匹配点对,最终得到精确的匹配点对;
步骤五:计算对应点对的协方差矩阵并进行奇异值分解(SVD)从而得到初始转换矩阵。至此,完成了点云的粗配准。效果如图4所示;
步骤六:采用ISS关键点提取算法提取滤波后的CAD模型点云及测量点云的关键点,对提取到的关键点采用分支定界法(BNB)嵌套ICP算法进行点云的精配准,可以得到全局优化的转换矩阵。
对转换后的测量点云与CAD模型点云的位置进行分析,可以得到均方差为0.652mm。整个的配准时间为53.258s。
按照文献的方法得到的均方差为3.457mm。整体时间为80.233s。
由上述实施例1的实验数据可知,本发明提出的大数据量少特征的点云快速全局优化配准方法从实质上减少了数据量,从而提高了配准的速度。
以上仅为本发明实例中一个较佳的实施方案。但是,本发明并不限于上述实施方案,凡按本发明所做的任何均等变化和修饰,所产生的功能作用未超出本方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种大数据量、少特征的产品点云数据快速全局优化配准方法,其特征在于,包括:
基于超体素聚类算法对滤波后的CAD模型点云进行重叠区域的提取;对每个点云块的质心点提取相对应的FPFH特征描述子,利用这些点云特征描述子进行粗配准;
基于ISS算法得到的关键点并结合全局优化算法实现精配准;
基于超体素聚类算法对滤波后的CAD模型点云进行重叠区域的提取;对每个点云块的质心点提取相对应的FPFH特征描述子,利用这些点云特征描述子进行粗配准,具体包括:
A1、基于超体素聚类算法实现点云的重叠区域提取,即对CAD模型点云提取与测量点云大致重叠的区域;包括:基于超体素聚类算法将点云分块,并提取出各分块点云的质心点;求出CAD模型点云质心点及测量点云质心点的主曲率、查询质心点的法向量与查询质心点到其邻域点重心连线的夹角,并利用这两个元素作为重叠区域相似性提取判别准则,得到重叠区域对应的质心点,利用质心点索引将重叠区域点云提取出来;将CAD模型重叠区域质心点集和测量点云质心点集加以保存,作为点云粗配准的输入点云;
A2、利用质心点集进行粗配准;包括:计算CAD模型重叠区域质心点集和测量点云质心点集的快速点特征FPFH描述子,将其作为点云的点特征;基于FPFH特征描述子建立匹配点对,应用随机采样一致性RANSAC算法去除错误匹配点对;计算对应点对的协方差矩阵并进行奇异值分解SVD,获得初始转换矩阵,完成点云的粗配准;
所述基于超体素聚类算法实现点云的重叠区域提取,具体包括:
A1-1、首先利用超体素聚类算法将测量点云与CAD模型点云进行分块,将种子点均匀分布在点云空间中,然后对体素的距离即Voxel的分辨率Rvoxel和种子点的分辨率Rseed进行定义,采用AABB包围盒求得点云的最小包围盒,再利用最小包围盒的对角线长的一半clouddiagonal作为体素分辨率和种子点分辨率的因子,实现自适应分辨率提取:
Rvoxel=0.01×clouddiagonal+0.8 (1)
Rseed=0.037×clouddiagonal+3.0 (2)
式(1)为体素分辨率的取值公式,式(2)为种子点分辨率的取值公式;
A1-2、对超体素聚类分块后的各点云块提取其质心点,获得CAD模型的各点云块的质心点集P{m1,m2…mn},以及测量点云的质心点集Q{n1,n2…nn};
A1-3、对A1-2中提取到的质心点进行判定筛选,实现重叠区域的提取;评判准则为质心点集P、Q中每个质心点的主曲率和质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角;
A1-4、对A1-3中的质心点集P、Q中每个质心点的主曲率进行计算,采用离散曲率估算法计算主曲率,包括最小曲率和最大曲率,采用基于局部最小二乘的法估计向量;
A1-5、对A1-3中的质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角进行求解;首先计算K邻域的重心点centerPσ(i)和centerQσ(j),求得查询点质心点到其重心的连线||centerPσ(i)-Pi||和||centerQσ(j)-Qj||;令nP(i)和nQ(j)分别为点集P、Q各查询点的法向量,则它们之间的夹角分别为α=arccos<nP(i),||centerPσ(i)-Pi||>、β=arccos<nQ(j),||centerQσ(j)-Qj||>;
A1-6、质心点集P、Q中每个质心点的最大主曲率分别记为Pik1和Qjk1,最小主曲率分别记为Pik2和Qjk2;质心点集P、Q中每个质心点的法向量与查询质心点到K邻域的重心连线之间的夹角记为α和β;判别准则不等式为:||Pik1-Qjk1||<ε1、||Pik2-Qjk2||<ε2、||α-β||<ε3,其中ε1、ε2、ε3取值分别为0.03、0.03、0.9。
2.根据权利要求1所述的大数据量、少特征的产品点云数据快速全局优化配准方法,其特征在于,步骤A2中利用质心点而非全部点云集进行粗配准。
3.根据权利要求1所述的大数据量、少特征的产品点云数据快速全局优化配准方法,其特征在于,所述基于ISS算法得到的关键点并结合全局优化算法实现精配准,具体包括:
A3、采用ISS关键点提取算法提取滤波后的CAD模型点云及测量点云的关键点,对提取到的关键点采用分支定界法BNB嵌套ICP算法进行点云的精配准,即可得到全局优化的转换矩阵。
4.根据权利要求3所述的大数据量、少特征的产品点云数据快速全局优化配准方法,其特征在于,步骤A3中利用ISS提取的关键点作为匹配对象,分支定界法BNB嵌套ICP算法进行点云的精配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811242567.4A CN109493372B (zh) | 2018-10-24 | 2018-10-24 | 大数据量、少特征的产品点云数据快速全局优化配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811242567.4A CN109493372B (zh) | 2018-10-24 | 2018-10-24 | 大数据量、少特征的产品点云数据快速全局优化配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493372A CN109493372A (zh) | 2019-03-19 |
CN109493372B true CN109493372B (zh) | 2021-10-01 |
Family
ID=65692706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811242567.4A Active CN109493372B (zh) | 2018-10-24 | 2018-10-24 | 大数据量、少特征的产品点云数据快速全局优化配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493372B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110276790A (zh) * | 2019-06-28 | 2019-09-24 | 易思维(杭州)科技有限公司 | 基于形状约束的点云配准方法 |
CN111080653B (zh) * | 2019-11-06 | 2022-09-20 | 广西大学 | 一种用区域分割和分组随机精简法精简多视角点云的方法 |
WO2022000127A1 (zh) * | 2020-06-28 | 2022-01-06 | 华为技术有限公司 | 一种目标跟踪方法及其装置 |
CN112200843B (zh) * | 2020-10-09 | 2023-05-23 | 福州大学 | 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法 |
CN113139991A (zh) * | 2021-05-13 | 2021-07-20 | 电子科技大学 | 一种基于重叠区域掩模预测的3d点云配准方法 |
CN113192114B (zh) * | 2021-07-01 | 2021-09-03 | 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 |
CN114511673B (zh) * | 2022-01-26 | 2022-12-09 | 哈尔滨工程大学 | 一种基于改进icp的海底局部环境初步构建方法 |
CN114255314B (zh) * | 2022-02-28 | 2022-06-03 | 深圳大学 | 一种规避遮挡的三维模型自动纹理映射方法、***及终端 |
CN117829381B (zh) * | 2024-03-05 | 2024-05-14 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
US8867827B2 (en) * | 2010-03-10 | 2014-10-21 | Shapequest, Inc. | Systems and methods for 2D image and spatial data capture for 3D stereo imaging |
CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN105701788A (zh) * | 2014-11-24 | 2016-06-22 | 复旦大学 | 一种基于全局优化的神经导航自动空间配准方法 |
CN105761206A (zh) * | 2014-12-16 | 2016-07-13 | 富泰华工业(深圳)有限公司 | 点云拼接方法及*** |
CN107545217A (zh) * | 2016-06-28 | 2018-01-05 | 比亚迪股份有限公司 | 指纹匹配方法、指纹匹配装置和指纹识别芯片 |
-
2018
- 2018-10-24 CN CN201811242567.4A patent/CN109493372B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
US8867827B2 (en) * | 2010-03-10 | 2014-10-21 | Shapequest, Inc. | Systems and methods for 2D image and spatial data capture for 3D stereo imaging |
CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN105701788A (zh) * | 2014-11-24 | 2016-06-22 | 复旦大学 | 一种基于全局优化的神经导航自动空间配准方法 |
CN105761206A (zh) * | 2014-12-16 | 2016-07-13 | 富泰华工业(深圳)有限公司 | 点云拼接方法及*** |
CN107545217A (zh) * | 2016-06-28 | 2018-01-05 | 比亚迪股份有限公司 | 指纹匹配方法、指纹匹配装置和指纹识别芯片 |
Non-Patent Citations (2)
Title |
---|
AUTOMATED COARSE REGISTRATION OF POINT CLOUDS IN 3D URBAN SCENES USING VOXEL BASED PLANE CONSTRAINT;Y. Xu 等;《ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20170930;全文 * |
基于法向特征直方图的点云配准算法;沈萦华 等;《光学精密工程》;20151031;第23卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109493372A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493372B (zh) | 大数据量、少特征的产品点云数据快速全局优化配准方法 | |
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN111080684B (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
CN112017220B (zh) | 一种基于抗差约束最小二乘算法的点云精确配准方法 | |
CN109903319B (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及*** | |
CN102411779B (zh) | 基于图像的物体模型匹配姿态测量方法 | |
CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
CN107818598B (zh) | 一种基于视觉矫正的三维点云地图融合方法 | |
CN110889243A (zh) | 一种基于深度相机的飞机油箱三维重建方法与检测方法 | |
CN109147040B (zh) | 基于模板的人体点云孔洞修补方法 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
CN111145129A (zh) | 基于超体素的点云去噪方法 | |
CN113516695A (zh) | 激光轮廓仪平面度测量中的点云配准策略 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN114066953A (zh) | 一种针对刚性目标的三维多模态图像可变形配准方法 | |
CN114494368A (zh) | 一种结合降维投影和特征匹配的低重叠率点云配准方法 | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
CN114648445B (zh) | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 | |
CN106682575A (zh) | Elm算法的人眼点云特征定位 | |
CN109766903A (zh) | 一种基于曲面特征的点云模型曲面匹配方法 | |
CN117237428B (zh) | 一种面向三维点云的数据配准方法、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |