CN109697729A - 基于平面多边形匹配的3d岩体点云配准方法 - Google Patents
基于平面多边形匹配的3d岩体点云配准方法 Download PDFInfo
- Publication number
- CN109697729A CN109697729A CN201811605536.0A CN201811605536A CN109697729A CN 109697729 A CN109697729 A CN 109697729A CN 201811605536 A CN201811605536 A CN 201811605536A CN 109697729 A CN109697729 A CN 109697729A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- polygon
- plane
- rock mass
- initial
- 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.)
- Pending
Links
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
Abstract
本发明涉及一种基于平面多边形匹配的3D岩体点云配准方法。本发明主要包含3个阶段(1)基于体素的多次区域生长的平面检测(2)基于PCA的多边形匹配(3)基于匹配点对的点云配准。首先,初始岩体点云被划分为体素网格,在每个体素内部利用区域生长算法提取可靠的生长单元;基于生长单元进行二次生长得到初始平面集合;对于初始平面集合对每个平面周围邻域内的剩余点云进行生长,提取岩体点云中的平面集合;然后提取平面点云的多边形边界,利用PCA将多边形投影到二维平面并进行多边形匹配;利用匹配关系计算初始变换矩阵,最后利用ICP算法得到精确的配准结果,本发明适用于大场景岩石激光扫描点云的配准过程,可以高效、准确的实现岩体点云配准。
Description
技术领域
本发明属于计算机视觉和三维点云数据处理的交叉领域,涉及点云处理、岩体三维重建等技术,特别涉及3D岩体点云配准方法。
背景技术
激光扫描仪以高分辨率、高准确度的获取目标物体的三维坐标信息并广泛的应用于三维重建,三维目标识别,虚拟现实等领域。但是在获取大场景目标时,往往一次扫描难以获取目标的全貌,需要进行多站扫描,点云配准的目标是将激光扫描仪获取的多站数据统一到同一个坐标系下。点云配准作为点云处理的初始环节,是目前研究的热点问题。
目前在三维点云配准领域,最近邻迭代(ICP)是最常用的方法,其通过迭代的使误差最小化来得到变换矩阵,ICP算法可以获得非常精确的配准效果;不必对处理的点集进行分割和特征提取;在较好的初值情况下,可以得到很好的算法收敛性。但是算法性能跟点云初始位置相关性较大,容易陷入局部最优。为了解决这个问题,初始配准主要是在没有任何关于待配准点云之间相对位置关系信息的基础上计算两个点云之间刚体变换的粗略估计,该变换只是点云数据匹配的一个近似匹配,点云经过初始配准会得到一个相近的位置,然后在通过精细配准得到最终的配准结果。目前较多的利用点特征直方图(FPFH)、SIFT特征等实现点云的初始配准。
在岩体工程领域,岩体往往是大场景环境,因此需要利用点云配准过程将激光扫描仪获取的多站扫描数据统一到同一坐标系下,这为后续的岩体三维建模以及数值计算过程提供零基础。而且岩体表面不规则、粗糙程度以及尺度不一,传统的特征提取方法难以在岩体点云中提取有效的特征用于配准过程。因此对岩体点云的配准的研究具有重要的意义。
发明内容
本发明针对岩体表面呈现出粗糙、形状不规则等特性,提出了一种基于平面多边形匹配的3D岩体点云配准方法。由于岩体表面主要有形状不规则的平面组成,平面特征能够很好适用于岩体点云的配准过程,并具有较高的精度。
本发明提供一种基于平面多边形匹配的3D岩体点云配准方法,主要包括以下步骤:
步骤1、基于体素的多次区域生长的平面检测:根据岩体点云的包围盒尺寸将点云快速体素化,然后通过基于体素的区域生长算法检测岩体点云中平面。此方法分别应用于源点云与目标点云中;
步骤2、基于主成分分析的多边形匹配:将提取后的多边形利用主成分分析方法投影到同一二维坐标系下,利用平面的多边形轮廓实现多边形匹配;
步骤3、建构匹配点对,实现点云配准:利用多边形的匹配关系,在三维空间中构建匹配点对实现点云的初始配准;最后利用最近邻迭代实现点云的精细配准。
本发明所述的一种基于平面多边形匹配的3D岩体点云配准方法,作为优选方式,步骤1进一步包括以下步骤:
步骤1.1、根据给定体素长度阈值,将点云快速的体素化;
步骤1.2、在每个体素内部使用基于点的区域生长算法提取可靠的生长单元;
步骤1.3、利用步骤1.2提取的生长单元,实现基于体素的区域生长过程,得到平面的初始集合;
步骤1.4、对于步骤1.3提取的初始平面集合,以每个初始平面为基础,对该平面周围邻域部分进行一次生长过程,得到最终的平面集合。
本发明所述的一种基于平面多边形匹配的3D岩体点云配准方法,作为优选方式,步骤2进一步包括以下步骤:
步骤2.1、根据给定的参数利用凹包算法,对岩体点云中提取的平面计算其多边形边界;
步骤2.2、从源点云多边形选取一个多边形si,包含n个点pi(1≤i≤n),将坐标中心平移到期质心则每个点的新坐标为pi=pi-Os;
步骤2.3、利用主成分分析(PCA)将该多边形投影到二维坐标系;首先构建协方差矩阵Σ,λi和vi是该协方差矩阵对应的特征值和特征向量(λ1≤λ2≤λ3)。构建变换矩阵T={v1,v2},则多边形每个点pi所对应的二维空间坐标为pi_2d=pi*T;
Σ·vj=λj·vj,j∈{1,2,3}
步骤2.4、在目标点云中顺序选取多边形tj,将选取的多边形利用步骤2.2-2.3投影到同一个二维坐标系,计算多边形相交围成的面积若其占比Sr超过阈值则认为两个多边形是相匹配的;
步骤2.5、重复在源点云中选取多边形,直到所有源点云多边形被处理,保存所有匹配关系。
本发明所述的一种基于平面多边形匹配的3D岩体点云配准方法,作为优选方式,步骤3进一步包括以下步骤:
步骤3.1、顺序从步骤2选取对应匹配关系,找到多边形所对应的三维平面点云,分别计算两个平面点云的质心Cs和Ct,构建匹配点对;
步骤3.2、由于点云配准以刚性变换为主,包含旋转矩阵R和平移矩阵t。假设总共有K个对应点对。则利用解最优化问题,使配准误差ε最小,求得初始变换矩阵;
步骤3.3、将经过初始变换的两个点云放入最近邻迭代(ICP)算法中得到最终的配准结果。
本发明针对岩体点云特性的分析,利用基于体素的多次区域生长算法,快速的提取岩体点云中的平面并具有较高的准确性;利用PCA将平面投影到同一二维坐标系下,利用多边形匹配寻找对应点对实现点云的初始配准,最后利用ICP算法实现点云的精细配准,该算法提升了算法在应对不规则以及粗糙程度不一的岩体环境,也提升了算法的准确性。
附图说明
图1是基于平面多边形匹配的3D岩体点云配准方法流程图。
图2是提取生长单元示意图。
图3是平面提取结果示意图。
图4是多边形匹配结果示意图。
图5是最终配准结果示意图。
具体实施方式
本发明主要基于计算机视觉和点云处理技术,提出一种基于平面多边形匹配的3D岩体点云配准方法。本发明利用平面提取算法提取了岩体中的平面特征,利用多边形匹配寻找点对匹配关系,提高了配准的效率和准确性,使该算法能够在岩体等复杂场景下获得准确的点云配准结果。
为了使本发明的目的、技术方案及优点更加清楚,以下结合附图和实施例,对本发明作进一步详细说明。本发明提供的方法能够用计算机软件技术实现流程,整体技术流程图参见图1,包括以下步骤:
步骤1、为了实现快速的点云平面提取过程,首先需要设定体素的边长,实例的具体实施过程说明如下:
步骤1.1、根据给定的体素边长voxel_size(本实例中取值0.8),将点云体素化;
步骤1.2、选取体素内部区域生长算法准则:1邻域点法线与种子点集法线的夹角小于阈值θ1(本实例中取值10°),2邻域点与种子点集之间的距离小于阈值d1(本实例取值0.08m);
步骤1.3、对于每个体素内部,如果点数大于一定的阈值Nr(本实例中取值30)则利用基于点的区域生长算法在平面内部提取平面作为生长单元。首先选取与体素中心点距离最近的点作为种子点,加入生长队列Q1;如果生长队列不为空,则在Q1中取一个点在其邻域向外生长,满足生长规则的点将会被加入种子点集,并加入生长队列Q1;直到生长队列为空则生长结束。该过程持续数次(本实例中取值10),选取最大的平面作为生长单元。提取后的生长单元结果如图2所示。
步骤1.4、从步骤1.3得到的生长单元选取未被处理的、包含最大点数的平面作为种子平面,加入到生长队列Q2中,并标记为已处理;
步骤1.5、建立区域生长准则。在本实例中选取准则:1平面与种子平面的夹角小于阈值θ2(本实例中取值15°),2平面与种子平面之间的距离小于阈值d2(本实例取值0.12m);
步骤1.6、若生长队列不为空,则从生长队列Q2中取出一个平面。判断该平面的未被处理的邻域体素是否满足生长准则,如果满足准则,该邻域平面合并到种子点集中,同时将该体素加入到生长队列,并标记为已处理。该步骤重复N次,直到生长队列为空为止,则检测出一个完整的初始平面。
步骤1.7、步骤1.4-1.6重复多次,直到所有生长单元都被处理为止。得到初始的平面集合。
步骤1.8、从步骤2所提取的初始平面集合中选取未被处理的包含最大点数的平面,然后从剩余点云中选取此平面内部以及邻域的点作为生长候选点云R
步骤1.9、建立生长准则:1候选点与目标平面的夹角小于阈值θ3(本实例中取值20°),2候选点与目标平面之间的距离小于阈值d3(本实例取值0.2m);
步骤1.10、对剩余点云R中的每个点进行判断,满足生长准则的点加入到目标平面,得到最终平面点集;
步骤1.11、步骤1.8-1.10重复数次,直到所有的初始平面都被处理过,得到最终的平面点云。本实例中最终结果如图3所示。
步骤2、为了实现多边形匹配过程,需要利用先提取多边形,然后利用PCA在二维坐标系下实现多边形匹配过程,实例的具体实施过程说明如下:
步骤2.1根据给定的参数(本实例中选取的参数为0.5),利用凹包算法,对步骤1提取岩体点云中提取的平面计算其多边形边界;
步骤2.2、从源点云多边形选取一个多边形si,包含n个点pi(1≤i≤n),将坐标中心平移到期质心则每个点的新坐标为pi=pi-Os;
步骤2.3、利用主成分分析(PCA)将该多边形投影到二维坐标系;首先构建协方差矩阵Σ,λi和vi是该协方差矩阵对应的特征值和特征向量(λ1≤λ2≤λ3)。构建变换矩阵T={v1,v2},则多边形每个点pi所对应的二维空间坐标为pi_2d=pi*T;
Σ·vj=λj·vj,j∈{1,2,3}
步骤2.4在目标点云中顺序选取多边形tj,将选取的多边形利用步骤2.2-2.3投影到同一个二维坐标系,计算多边形相交围成的面积若其占比Sr超过阈值(本实例中选取参数为90%)则认为两个多边形是相匹配的;
步骤2.5、步骤2.2-2.4重复数次,直到源点云中所有的多边形都被处理过,得到最终的匹配关系。匹配关系示意图如图4所示。
步骤3、为了实现点云的最终匹配过程,需要建立点对匹配关系,实例的具体实施过程说明如下
步骤3.1、利用步骤2获取的匹配关系,在三维空间找到其对应的平面点云的匹配关系。然后分别计算两个平面点云的中心Cs和Ct,则这两个质心构成一队匹配点对。
步骤3.2、利用步骤3.1获取的所有匹配点云,计算点云的初始变换矩阵。由于点云配准以刚性变换为主,包含旋转矩阵R和平移矩阵t。假设总共有K个对应点对。则利用解最优化问题,使配准误差ε最小,求得初始变换矩阵;qk和pk分别为目标点云和源点云的对应点。
步骤3.3、将源点云利用初始变换矩阵进行变换,然后利用ICP算法对变换后的点云进行精确配置过程,设点集X={x1,x2,...,xn},Y={y1,y2,...,yn},R为旋转居住,t为平移矩阵。则通过使误差最小化来得到最终变换矩阵。最终配准结果如图5所示。
该技术发明从运算效率和配准的准确率方面比较传统特征面提取方法有极大提高,表1多组岩体数据的实验结果,从经过定量分析,实验结果可以看出本算法在不同的岩体数据上都能展现出良好的性能,能够很好的实现三维岩体点云的配准。
数据集 | 均方误差 | 时间消耗 |
DATA1(312659个点) | 0.005 | 3.7s |
DATA2(306778个点) | 0.005 | 4.8s |
DATA3(467310个点) | 0.016 | 8.4s |
本文以上所述仅的具体实施例仅仅是对本发明精神做举例说明,应当指出:本领域技术人员在不脱离发明原理的前提下可以对所描述的具体实施例做出任何修改、变化或等效,但这些修改、变化和等效都将落入本发明的保护范围之内。
Claims (4)
1.一种基于平面多边形匹配的3D岩体点云配准方法,其特征在于主要包括以下步骤:
步骤1、基于体素的多次区域生长的平面检测:根据岩体点云的包围盒尺寸将点云快速体素化,然后通过基于体素的区域生长算法检测岩体点云中平面。此方法分别应用于源点云与目标点云中;
步骤2、基于主成分分析的多边形匹配:将提取后的多边形利用主成分分析方法投影到同一二维坐标系下,利用平面的多边形轮廓实现多边形匹配;
步骤3、建构匹配点对,实现点云配准:利用多边形的匹配关系,在三维空间中构建匹配点对实现点云的初始配准;最后利用最近邻迭代实现点云的精细配准。
2.根据权利要求1所述的一种基于平面多边形匹配的3D岩体点云配准方法,其特征在于:所述步骤1进一步包括以下步骤:
步骤1.1、根据给定体素长度阈值,将点云快速的体素化;
步骤1.2、在每个体素内部使用基于点的区域生长算法提取可靠的生长单元;
步骤1.3、利用步骤1.2提取的生长单元,实现基于体素的区域生长过程,得到平面的初始集合;
步骤1.4、对于步骤1.3提取的初始平面集合,以每个初始平面为基础,对该平面周围邻域部分进行一次生长过程,得到最终的平面集合。
3.根据权利要求1所述的一种基于平面多边形匹配的3D岩体点云配准方法,其特征在于:所述步骤2进一步包括以下步骤:
步骤2.1、根据给定的参数利用凹包算法,对岩体点云中提取的平面计算其多边形边界;
步骤2.2、从源点云多边形选取一个多边形si,包含n个点pi(1≤i≤n),将坐标中心平移到期质心则每个点的新坐标为pi=pi-Os;
步骤2.3、利用主成分分析(PCA)将该多边形投影到二维坐标系;首先构建协方差矩阵Σ,λi和vi是该协方差矩阵对应的特征值和特征向量(λ1≤λ2≤λ3)。构建变换矩阵T={v1,v2},则多边形每个点pi所对应的二维空间坐标为pi_2d=pi*T;
Σ·vj=λj·vj,j∈{1,2,3}
步骤2.4、在目标点云中顺序选取多边形tj,将选取的多边形利用步骤2.2-2.3投影到同一个二维坐标系,计算多边形相交围成的面积若其占比Sr超过阈值则认为两个多边形是相匹配的;
步骤2.5、重复在源点云中选取多边形,直到所有源点云多边形被处理,保存所有匹配关系。
4.根据权利要求1所述的一种基于平面多边形匹配的3D岩体点云配准方法,其特征在于:所述步骤3进一步包括以下步骤:
步骤3.1、顺序从步骤2选取对应匹配关系,找到多边形所对应的三维平面点云,分别计算两个平面点云的质心Cs和Ct,构建匹配点对;
步骤3.2、由于点云配准以刚性变换为主,包含旋转矩阵R和平移矩阵t。假设总共有K个对应点对。则利用解最优化问题,使配准误差ε最小,求得初始变换矩阵;
步骤3.3、将经过初始变换的两个点云放入最近邻迭代(ICP)算法中得到最终的配准结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811605536.0A CN109697729A (zh) | 2018-12-26 | 2018-12-26 | 基于平面多边形匹配的3d岩体点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811605536.0A CN109697729A (zh) | 2018-12-26 | 2018-12-26 | 基于平面多边形匹配的3d岩体点云配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697729A true CN109697729A (zh) | 2019-04-30 |
Family
ID=66232111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811605536.0A Pending CN109697729A (zh) | 2018-12-26 | 2018-12-26 | 基于平面多边形匹配的3d岩体点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697729A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111753768A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 表示障碍物形状的方法、装置、电子设备和存储介质 |
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 |
CN112581511A (zh) * | 2020-12-14 | 2021-03-30 | 北京林业大学 | 基于近似直立扫描点云快速配准的三维重建方法及*** |
CN113917917A (zh) * | 2021-09-24 | 2022-01-11 | 四川启睿克科技有限公司 | 室内仿生多足机器人避障方法、装置及计算机可读介质 |
CN114463396A (zh) * | 2022-01-07 | 2022-05-10 | 武汉大学 | 一种利用平面形状和拓扑图投票的点云配准方法 |
CN117011128A (zh) * | 2023-08-02 | 2023-11-07 | 广州知元科技有限责任公司 | 一种基于区域分解的三维模型自动配准方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
CN107680168A (zh) * | 2017-09-15 | 2018-02-09 | 电子科技大学 | 三维重建中基于平面拟合的网格简化方法 |
US20180101932A1 (en) * | 2016-10-11 | 2018-04-12 | The Boeing Company | System and method for upsampling of sparse point cloud for 3d registration |
-
2018
- 2018-12-26 CN CN201811605536.0A patent/CN109697729A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101932A1 (en) * | 2016-10-11 | 2018-04-12 | The Boeing Company | System and method for upsampling of sparse point cloud for 3d registration |
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
CN107680168A (zh) * | 2017-09-15 | 2018-02-09 | 电子科技大学 | 三维重建中基于平面拟合的网格简化方法 |
Non-Patent Citations (1)
Title |
---|
肖博文: "基于平面提取的三维点云点配准算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111753768A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 表示障碍物形状的方法、装置、电子设备和存储介质 |
CN111753768B (zh) * | 2020-06-29 | 2023-07-28 | 北京百度网讯科技有限公司 | 表示障碍物形状的方法、装置、电子设备和存储介质 |
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 |
CN112581511B (zh) * | 2020-12-14 | 2023-07-18 | 北京林业大学 | 基于近似直立扫描点云快速配准的三维重建方法及*** |
CN112581511A (zh) * | 2020-12-14 | 2021-03-30 | 北京林业大学 | 基于近似直立扫描点云快速配准的三维重建方法及*** |
CN113917917A (zh) * | 2021-09-24 | 2022-01-11 | 四川启睿克科技有限公司 | 室内仿生多足机器人避障方法、装置及计算机可读介质 |
CN113917917B (zh) * | 2021-09-24 | 2023-09-15 | 四川启睿克科技有限公司 | 室内仿生多足机器人避障方法、装置及计算机可读介质 |
CN114463396A (zh) * | 2022-01-07 | 2022-05-10 | 武汉大学 | 一种利用平面形状和拓扑图投票的点云配准方法 |
CN114463396B (zh) * | 2022-01-07 | 2024-02-06 | 武汉大学 | 一种利用平面形状和拓扑图投票的点云配准方法 |
CN117011128A (zh) * | 2023-08-02 | 2023-11-07 | 广州知元科技有限责任公司 | 一种基于区域分解的三维模型自动配准方法及设备 |
CN117011128B (zh) * | 2023-08-02 | 2024-02-13 | 广州知元科技有限责任公司 | 一种基于区域分解的三维模型自动配准方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697729A (zh) | 基于平面多边形匹配的3d岩体点云配准方法 | |
CN107093205B (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
Yang et al. | Automated registration of dense terrestrial laser-scanning point clouds using curves | |
Sodhi et al. | In-field segmentation and identification of plant structures using 3D imaging | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN107798696A (zh) | 一种基于保局pca的三维点云配准方法 | |
CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
CN110033484A (zh) | 一种结合uav影像和tls点云的高郁闭森林样地树高提取方法 | |
CN102750449B (zh) | 基于分步三维空间-特征域映射的点云直线特征提取方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
Xu et al. | Plane segmentation and fitting method of point clouds based on improved density clustering algorithm for laser radar | |
CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN112819869A (zh) | 一种基于IHarris-TICP算法的三维点云配准方法 | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
CN106251350B (zh) | 一种基于极小惯量的rcs像与目标轮廓配准方法 | |
Yuan et al. | 3D point cloud recognition of substation equipment based on plane detection | |
Tong et al. | 3D point cloud initial registration using surface curvature and SURF matching | |
CN112581511B (zh) | 基于近似直立扫描点云快速配准的三维重建方法及*** | |
CN111127667B (zh) | 基于区域曲率二进制描述符的点云初始配准方法 | |
Novacheva | Building roof reconstruction from LiDAR data and aerial images through plane extraction and colour edge detection | |
Wu et al. | UAV building point cloud contour extraction based on the feature recognition of adjacent points distribution |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190430 |