CN109872354A - 基于非线性优化的多视角点云配准方法及*** - Google Patents
基于非线性优化的多视角点云配准方法及*** Download PDFInfo
- Publication number
- CN109872354A CN109872354A CN201910079082.6A CN201910079082A CN109872354A CN 109872354 A CN109872354 A CN 109872354A CN 201910079082 A CN201910079082 A CN 201910079082A CN 109872354 A CN109872354 A CN 109872354A
- Authority
- CN
- China
- Prior art keywords
- rigid body
- body translation
- cloud
- translation parameter
- point 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于非线性优化的多视角点云配准方法,包括:获取待匹配的多个不同视角的点云数据,以及获取用于将每个点云数据转换到世界坐标系对应的初始刚体变换参数;当初始刚体变换参数满足预设条件时,根据初始刚体变换参数将对应的点云数据转换到世界坐标系下进行初配准;确定经过初配准后每个点云与其它点云之间的对应点;根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数;通过最优刚体变换参数对点云数据进行精确配准。本发明还提供一种多视角点云配准***。本发明通过构造目标函数进行全局优化求解最优刚体变换参数,克服现有技术容易陷入局部最优解的缺点,配准精度更高。
Description
【技术领域】
本发明属于三维测量方法和仪器技术领域,尤其涉及一种基于非线性优化的多视角点云配准方法及***。
【背景技术】
在对物体进行三维扫描时,通常需要从被测物的不同方位进行扫描以获得较完整的三维数据,并需要对所得被测物的多视角三维点云进行配准使其处于同一坐标系中。现有的多视角点云匹配技术是利用ICP(Iterative Closest Point,迭代最近点)算法进行匹配,通过组合选取两个不同视角的点云进行ICP,重复这个过程多次,直到全部收敛,从而得到多视角点云整体的匹配结果。
而采用ICP匹配时,并不能保证多视角点云ICP匹配同时收敛得到全局匹配最优的结果,在迭代收敛的过程中不能自我判断收敛方向与收敛步长,当待匹配点云的初始位置不合理或点云之间对应点个数较少的情况下,匹配优化结果容易陷入局部最优。鉴于此,实有必要提供一种基于非线性优化的多视角点云配准方法及***以克服上述缺陷。
【发明内容】
本发明提出一种能够全局优化以提高配准精度的基于非线性优化的多视角点云配准方法及***。
为了实现上述目的,本发明提供一种基于非线性优化的多视角点云配准方法,包括以下步骤:
获取待匹配的多个不同视角的点云数据,以及获取用于将每个点云数据转换到世界坐标系对应的初始刚体变换参数;
当所述初始刚体变换参数满足预设条件时,根据所述初始刚体变换参数将对应的点云数据转换到世界坐标系下进行初配准;
确定经过初配准后每个点云与其它点云之间的对应点;
根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数;
通过所述最优刚体变换参数对所述点云数据进行精确配准。
在一个优选实施方式中,所述确定经过初配准后每个点云与其它点云之间的对应点的步骤包括:
获取一个点云中的一个点及在其它点云中与该点距离最近的某点;
当一个点云的一个点与其它点云中某点的距离最近且小于距离阈值时,则判断为对应点。
在一个优选实施方式中,所述根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数的步骤,包括:
通过全局迭代使待优化的目标函数达到最小,计算得到中间刚体变换参数;
根据所述中间刚体变换参数对转换到世界坐标系下的所述点云数据进行姿态调整;
判断调整后所有对应点之间的欧氏距离是否全局收敛;
当判断得到调整后所有对应点之间的欧氏距离符合全局收敛时,则确定所述中间刚体变换参数为最优刚体变换参数。
在一个优选实施方式中,所述方法还包括:当判断得到调整后所有对应点之间的欧氏距离不符合全局收敛时,将所述中间刚体变换参数作为下一次全局迭代新的初始刚体变换参数并进入下一次全局迭代,以求解最优刚体变换参数。
在一个优选实施方式中,所述目标函数为Oij的表达式为其中,norm2为二范数,Oij表示第i个点云与第j个点云的对应点之间的欧氏距离,RTi、RTj分别为第i个点云和第j个点云的刚体变换参数,pik、pjk分别表示第i个点云与第j个点云上的第k对对应点数据,nik表示第i个点云上的第k个对应点的法向量。
在一个优选实施方式中,所述预设条件为迭代残差小于基准值。
为了实现上述目的,本发明提供一种基于非线性优化的多视角点云配准***,包括:
获取模块,用于获取待匹配的多个不同视角的点云数据,以及获取用于将每个点云数据转换到世界坐标系对应的初始刚体变换参数;
初配准模块,用于当所述初始刚体变换参数满足预设条件时,根据初始刚体变换参数将对应的点云数据转换到世界坐标系下进行初配准;
对应点确定模块,用于确定经过初配准后每个点云与其它点云之间的对应点;
参数求解模块,用于根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数;
精配准模块,用于通过所述最优刚体变换参数对所述点云数据进行精确配准。
在一个优选实施方式中,所述对应点确定模块包括:
对应点获取模块,用于获取一个点云中的一个点及在其它点云中与该点距离最近的某点;
对应点判断模块,用于当一个点云的一个点与其它点云中某点的距离最近且小于距离阈值时,判断为对应点。
在一个优选实施方式中,所述参数求解模块包括:
计算模块,用于通过全局迭代使待优化的目标函数达到最小,计算得到中间刚体变换参数;
调整模块,用于根据中间刚体变换参数对转换到世界坐标系下的点云数据进行姿态调整;
条件判断模块,用于判断调整后所有对应点之间的欧氏距离是否全局收敛;
第一判断子模块,用于当所述条件判断模块判断得到调整后所有对应点之间的欧氏距离符合全局收敛时,则确定所述中间刚体变换参数为最优刚体变换参数。
在一个优选实施方式中,所述参数求解模块还包括第二判断子模块;所述第二判断子模块,用于当所述条件判断模块判断得到调整后所有对应点之间的欧氏距离不符合全局收敛时,将所述中间刚体变换参数作为下一次全局迭代新的初始刚体变换参数并进入下一次全局迭代,以求解最优刚体变换参数。
与现有技术相比,本发明的有益效果在于:通过将点云变换到世界坐标系下得到初始刚体变换参数,根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,结合初始刚体变换参数和点云数据进一步求解,获得最优刚体变换参数,克服了现有技术容易陷入局部最优解的缺点,使得多视角点云的配准结果精度更高。
【附图说明】
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明较佳实施例提供的基于非线性优化的多视角点云配准方法的流程图;
图2为图1所示步骤S103的流程示意图;
图3为图1所示步骤S104的流程示意图;
图4为本发明较佳实施例提供的基于非线性优化的多视角点云配准***的结构框图。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并不是为了限定本发明。
请参阅图1,本发明提供一种基于非线性优化的多视角点云配准方法,包括以下步骤:
步骤S101,获取待匹配的多个不同视角的点云数据,以及获取用于将每个点云数据转换到世界坐标系对应的初始刚体变换参数。
在步骤S101中,根据场景选择不同的扫描方式以获取待扫描物体多个不同视角的点云,具体以待扫描物体为中心围绕待扫描物体移动扫描仪,从多个方向围绕待扫描物体扫描,每个方向获取一段点云,保证相邻两段点云存在重叠区域。通常为了得到被测物体的完整数据模型,需要对点云数据进行配准,其过程是将从各个视角得到的点集合并到统一的坐标系下形成一个完整的点云,然后就可以方便进行可视化操作。点云数据包括三维坐标、激光反射强度和颜色信息等,本发明中获取的点云数据为三维坐标。本步骤中,将各个视角的点云转换到世界坐标系下进行初始变换,从而获得初始刚体变换参数。
步骤S102,当初始刚体变换参数满足预设条件时,根据初始刚体变换参数将对应的点云数据转换到世界坐标系下进行初配准。
在步骤S102中,初始刚体变换参数一般是在摄像机位姿(运动估算)和最小化错误度量标准下估算的一个刚体变换,需要检查初始刚体变换参数是否满足预设条件,从而使在世界坐标系下的所有点云大致匹配。本实施例中,预设条件为迭代残差小于基准值,当迭代残差过大时,则判断初始刚体变换参数不合理,需要重复步骤S101。
步骤S103,确定经过初配准后每个点云与其它点云之间的对应点。
请参阅图2,步骤S103进一步包括以下子步骤:
步骤S201,获取一个点云中的一个点及在其它点云中与该点距离最近的某点。
在步骤S201中,通过获取的点云数据可以获取每个点云中与其它点云距离相近的点对。本实施方式中,点对之间的距离可以是欧氏距离,或者是属性相关的其它距离。
步骤S202,当一个点云中的一个点与其它点云中某点的距离最近且小于距离阈值时,则判断为对应点。
在步骤S202中,上述的距离阈值可根据需要设定,以去除错误匹配的对应点。本实施方式中,距离阈值可设定为10毫米,即当一个点云中的一个点pi与其它点云中某点pj的距离最近且小于10毫米时,pi与pj为对应点。
步骤S104,根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数。
在步骤S104中,全局优化的目的是对初始刚体变换参数进行调整,得到最优刚体变换参数,可避免出现现有技术中通过ICP匹配陷入局部最优的结果,同时在待匹配的点云初始位置不合理或点云之间对应点个数较少的情况下,配准结果也不容易受到影响。
请参阅图3,步骤S104进一步包括以下子步骤:
步骤S301,通过全局迭代使待优化的目标函数达到最小,计算得到中间刚体变换参数。
本实施例中,上述的目标函数的表达式为在目标函数中代入点云数据和初始刚体变换参数,不断重复迭代直到所有点云之间的对应点的欧氏距离最小,即优化后可求解中间刚体变换参数。
具体的,Oij的表达式如下:
其中,norm2为二范数,Oij表示第i个点云与第j个点云的对应点之间的欧氏距离,RTi、RTj分别为第i个点云和第j个点云的刚体变换参数,pik、pjk分别表示第i个点云与第j个点云上的第k对对应点数据,nik表示第i个点云上的第k个对应点的法向量。
步骤S302,根据中间刚体变换参数对转换到世界坐标系下的点云数据进行姿态调整。
在步骤S302中,根据中间刚体变换参数(包括旋转矩阵和平移向量)对点云数据进行调整,对初配准后的所有点云进行全局优化。
步骤S303,判断调整后所有对应点之间的欧氏距离是否全局收敛。
在步骤S303中,对所有点云全局优化后再判断对应点之间的欧氏距离是否收敛,若符合全局收敛,则进入步骤S304,结束迭代优化过程;否则,进入步骤S305,即重复步骤S201,重新进行全局优化。
步骤S304,当判断得到调整后所有对应点之间的欧氏距离符合全局收敛时,则确定中间刚体变换参数为最优刚体变换参数。
步骤S305,当判断得到调整后所有对应点之间的欧氏距离不符合全局收敛时,将中间刚体变换参数作为下一次全局迭代新的初始刚体变换参数并进入下一次全局迭代,以求解最优刚体变换参数。
在步骤S305中,当所有对应点之间的欧氏距离不满足全局收敛条件,则进入下一次全局迭代,经过多次循环迭代直到达到所有对应点之间的欧氏距离符合全局收敛的迭代次数,从而求解最优刚体变换参数。需要说明的是,在第S次全局迭代过程中(其中S≥2),获取的初始刚体变换参数为第S-1次计算得到的中间刚体变换参数,并根据第S-1次姿态调整后的点云重新确定每个点云与其它点云的对应点,再进一步根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数。
步骤S105,通过最优刚体变换参数对所述点云数据进行精确配准。
在步骤S105中,最优刚体变换参数满足收敛条件,比初始刚体变换参数的误差更小,点云的配准达到最优的匹配目标,得到的整体数据模型精度更高。
本发明实施例提供的基于非线性优化的多视角点云配准方法,将点云变换到世界坐标系下得到初始刚体变换参数,根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,结合初始刚体变换参数和点云数据进一步求解,获得最优刚体变换参数,克服了现有技术容易陷入局部最优解的缺点,使得多视角点云的配准结果精度更高。
另一方面,请参阅图4,基于上述方法实施例,本发明还提供一种基于非线性优化的多视角点云配准***100,具体包括:
获取模块10,用于获取待匹配的多个不同视角的点云数据,以及获取用于将每个点云数据转换到世界坐标系对应的初始刚体变换参数。
初配准模块20,用于当初始刚体变换参数满足预设条件时,根据初始刚体变换参数将对应的点云数据转换到世界坐标系下进行初配准。
对应点确定模块30,用于确定经过初配准后每个点云与其它点云之间的对应点。
参数求解模块40,用于根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数。
精配准模块50,用于通过最优刚体变换参数对所述点云数据进行精确配准。
本实施方式中,上述的对应点确定模块30进一步包括:
对应点获取模块31,用于获取一个点云中的一个点及在其它点云中与该点距离最近的某点。
对应点判断模块32,用于当每个点云的一个点与其它点云中某点的距离最近且小于距离阈值时,判断为对应点。
本实施方式中,上述的参数求解模块40进一步包括:
计算模块41,用于通过全局迭代使待优化的目标函数达到最小,计算得到中间刚体变换参数。
调整模块42,用于根据中间刚体变换参数对转换到世界坐标系下的点云数据进行姿态调整。
条件判断模块43,用于判断调整后所有对应点之间的欧氏距离是否全局收敛。
第一判断子模块44,用于当条件判断模块43判断得到调整后所有对应点之间的欧氏距离符合全局收敛时,则确定中间刚体变换参数为最优刚体变换参数。
具体的,上述的参数求解模块40还包括第二判断子模块45。第二判断子模块45,用于当条件判断模块43判断得到调整后所有对应点之间的欧氏距离不符合全局收敛时,将中间刚体变换参数作为下一次全局迭代新的初始刚体变换参数并进入下一次全局迭代,以求解最优刚体变换参数。。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施局限于这些说明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围内。
Claims (10)
1.一种基于非线性优化的多视角点云配准方法,其特征在于,包括以下步骤:
获取待匹配的多个不同视角的点云数据,以及获取用于将每个点云数据转换到世界坐标系对应的初始刚体变换参数;
当所述初始刚体变换参数满足预设条件时,根据所述初始刚体变换参数将对应的点云数据转换到世界坐标系下进行初配准;
确定经过初配准后每个点云与其它点云之间的对应点;
根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数;
通过所述最优刚体变换参数对所述点云数据进行精确配准。
2.如权利要求1所述的基于非线性优化的多视角点云配准方法,其特征在于,所述确定经过初配准后每个点云与其它点云之间的对应点的步骤包括:
获取一个点云中的一个点及在其它点云中与该点距离最近的某点;
当一个点云的一个点与其它点云中某点的距离最近且小于距离阈值时,则判断为对应点。
3.如权利要求1所述的基于非线性优化的多视角点云配准方法,其特征在于,所述根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数的步骤,包括:
通过全局迭代使待优化的目标函数达到最小,计算得到中间刚体变换参数;
根据所述中间刚体变换参数对转换到世界坐标系下的所述点云数据进行姿态调整;
判断调整后所有对应点之间的欧氏距离是否全局收敛;
当判断得到调整后所有对应点之间的欧氏距离符合全局收敛时,则确定所述中间刚体变换参数为最优刚体变换参数。
4.如权利要求3所述的基于非线性优化的多视角点云配准方法,其特征在于,所述方法还包括:当判断得到调整后所有对应点之间的欧氏距离不符合全局收敛时,将所述中间刚体变换参数作为下一次全局迭代新的初始刚体变换参数并进入下一次全局迭代,以求解最优刚体变换参数。
5.如权利要求3所述的基于非线性优化的多视角点云配准方法,其特征在于,所述目标函数为Oij的表达式为其中,norm2为二范数,Oij表示第i个点云与第j个点云的对应点之间的欧氏距离,RTi、RTj分别为第i个点云和第j个点云的刚体变换参数,pik、pjk分别表示第i个点云与第j个点云上的第k对对应点数据,nik表示第i个点云上的第k个对应点的法向量。
6.如权利要求1所述的基于非线性优化的多视角点云配准方法,其特征在于,所述预设条件为迭代残差小于基准值。
7.一种基于非线性优化的多视角点云配准***,其特征在于,包括:
获取模块,用于获取待匹配的多个不同视角的点云数据,以及获取用于将每个点云数据转换到世界坐标系对应的初始刚体变换参数;
初配准模块,用于当所述初始刚体变换参数满足预设条件时,根据初始刚体变换参数将对应的点云数据转换到世界坐标系下进行初配准;
对应点确定模块,用于确定经过初配准后每个点云与其它点云之间的对应点;
参数求解模块,用于根据所有对应点之间的欧氏距离最小来构造目标函数进行全局优化,以求解每个点云的最优刚体变换参数;
精配准模块,用于通过所述最优刚体变换参数对所述点云数据进行精确配准。
8.如权利要求7所述的基于非线性优化的多视角点云配准***,其特征在于,所述对应点确定模块包括:
对应点获取模块,用于获取一个点云中的一个点及在其它点云中与该点距离最近的某点;
对应点判断模块,用于当一个点云的一个点与其它点云中某点的距离最近且小于距离阈值时,判断为对应点。
9.如权利要求7所述的基于非线性优化的多视角点云配准***,其特征在于,所述参数求解模块包括:
计算模块,用于通过全局迭代使待优化的目标函数达到最小,计算得到中间刚体变换参数;
调整模块,用于根据中间刚体变换参数对转换到世界坐标系下的点云数据进行姿态调整;
条件判断模块,用于判断调整后所有对应点之间的欧氏距离是否全局收敛;
第一判断子模块,用于当所述条件判断模块判断得到调整后所有对应点之间的欧氏距离符合全局收敛时,则确定所述中间刚体变换参数为最优刚体变换参数。
10.如权利要求9所述的基于非线性优化的多视角点云配准***,其特征在于,所述参数求解模块还包括第二判断子模块;所述第二判断子模块,用于当所述条件判断模块判断得到调整后所有对应点之间的欧氏距离不符合全局收敛时,将所述中间刚体变换参数作为下一次全局迭代新的初始刚体变换参数并进入下一次全局迭代,以求解最优刚体变换参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079082.6A CN109872354A (zh) | 2019-01-28 | 2019-01-28 | 基于非线性优化的多视角点云配准方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079082.6A CN109872354A (zh) | 2019-01-28 | 2019-01-28 | 基于非线性优化的多视角点云配准方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872354A true CN109872354A (zh) | 2019-06-11 |
Family
ID=66918213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910079082.6A Pending CN109872354A (zh) | 2019-01-28 | 2019-01-28 | 基于非线性优化的多视角点云配准方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872354A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612887A (zh) * | 2020-04-30 | 2020-09-01 | 北京的卢深视科技有限公司 | 一种人体测量方法和装置 |
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 |
CN114004878A (zh) * | 2020-07-28 | 2022-02-01 | 株式会社理光 | 对位装置、对位方法、对位***以及存储介质和计算机装置 |
CN114820955A (zh) * | 2022-06-30 | 2022-07-29 | 苏州魔视智能科技有限公司 | 一种对称面补全方法、装置、设备及存储介质 |
WO2022165876A1 (zh) * | 2021-02-06 | 2022-08-11 | 湖南大学 | 一种基于wgan的无监督多视角三维点云联合配准方法 |
CN116299367A (zh) * | 2023-05-18 | 2023-06-23 | 中国测绘科学研究院 | 一种多激光空间标定方法 |
-
2019
- 2019-01-28 CN CN201910079082.6A patent/CN109872354A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612887A (zh) * | 2020-04-30 | 2020-09-01 | 北京的卢深视科技有限公司 | 一种人体测量方法和装置 |
CN114004878A (zh) * | 2020-07-28 | 2022-02-01 | 株式会社理光 | 对位装置、对位方法、对位***以及存储介质和计算机装置 |
WO2022165876A1 (zh) * | 2021-02-06 | 2022-08-11 | 湖南大学 | 一种基于wgan的无监督多视角三维点云联合配准方法 |
CN112837356B (zh) * | 2021-02-06 | 2024-05-31 | 湖南大学 | 一种基于wgan的无监督多视角三维点云联合配准方法 |
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 |
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 |
CN114820955A (zh) * | 2022-06-30 | 2022-07-29 | 苏州魔视智能科技有限公司 | 一种对称面补全方法、装置、设备及存储介质 |
CN114820955B (zh) * | 2022-06-30 | 2022-11-18 | 苏州魔视智能科技有限公司 | 一种对称面补全方法、装置、设备及存储介质 |
CN116299367A (zh) * | 2023-05-18 | 2023-06-23 | 中国测绘科学研究院 | 一种多激光空间标定方法 |
CN116299367B (zh) * | 2023-05-18 | 2024-01-26 | 中国测绘科学研究院 | 一种多激光空间标定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872354A (zh) | 基于非线性优化的多视角点云配准方法及*** | |
CN109682382B (zh) | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 | |
CN104063894B (zh) | 点云三维模型重建方法及*** | |
CN105096386B (zh) | 大范围复杂城市环境几何地图自动生成方法 | |
US11877716B2 (en) | Determining region attribute | |
Eade et al. | Monocular SLAM as a graph of coalesced observations | |
CN110363858A (zh) | 一种三维人脸重建方法及*** | |
Grisetti et al. | Robust optimization of factor graphs by using condensed measurements | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN106153048A (zh) | 一种基于多传感器的机器人室内定位及制图*** | |
CN103868510B (zh) | 一种快速全天星图自主恒星识别方法 | |
JP2015522200A (ja) | 人顔特徴点の位置決め方法、装置及び記憶媒体 | |
CN106127739A (zh) | 一种结合单目视觉的rgb‑d slam方法 | |
CN105701455A (zh) | 基于asm算法的人脸特征点采集及三维人脸建模方法 | |
CN110524544A (zh) | 一种机械臂运动的控制方法、终端和可读存储介质 | |
CN109598781A (zh) | 通过回归分析从2d边界框获取伪3d框的方法以及使用该方法的学习装置和测试装置 | |
CN111427047A (zh) | 一种大场景下自主移动机器人slam方法 | |
Einhorn et al. | Generic 2D/3D SLAM with NDT maps for lifelong application | |
CN109872366A (zh) | 基于深度拟合程度评估网络的物体三维位置检测方法和装置 | |
CN106846416A (zh) | 单机分束双目被动立体视觉精确重构与细分拟合方法 | |
CN113108773A (zh) | 一种融合激光与视觉传感器的栅格地图构建方法 | |
CN103093237B (zh) | 一种基于结构化模型的人脸检测方法 | |
CN106980812A (zh) | 基于级联卷积神经网络的三维人脸特征点定位方法 | |
CN109242769A (zh) | 一种图像处理方法和装置 | |
El Hamzaoui et al. | SLAM algorithm with parallel localization loops: TinySLAM 1.1 |
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 |