CN110443836B - 一种基于平面特征的点云数据自动配准方法及装置 - Google Patents
一种基于平面特征的点云数据自动配准方法及装置 Download PDFInfo
- Publication number
- CN110443836B CN110443836B CN201910550064.1A CN201910550064A CN110443836B CN 110443836 B CN110443836 B CN 110443836B CN 201910550064 A CN201910550064 A CN 201910550064A CN 110443836 B CN110443836 B CN 110443836B
- Authority
- CN
- China
- Prior art keywords
- plane
- point cloud
- cloud data
- registered
- triple
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种基于平面特征的点云数据自动配准方法及装置,属于三维激光扫描技术领域。本发明首先通过平面分割算法对点云数据进行平面分割得到平面片,并计算各平面属性信息,然后通过平面片属性信息、平面间相互关系以及旋转平移几何约束建立平面片间的对应关系,得到用于坐标转换参数求解的对应平面对集合,利用平面参数求解坐标转换参数,根据建立的点云配准总体一致性度量,选择最优解,即为最终配准结果。该方法综合利用平面属性信息、平面间约束以及空间几何约束确保了配准过程的准确性和高效性,且不依赖额外的强度或色彩信息,对于各种平台获取的点云数据均能有效进行配准,适用性强。
Description
技术领域
本发明涉及一种基于平面特征的点云数据自动配准方法及装置,属于三维激光扫描技术领域。
背景技术
三维点云是客观世界的离散采样,由一系列点组成,可由激光扫描仪、激光雷达(Light Detection and Ranging,LiDAR)、深度相机、立体视觉等传感器获得。在测绘遥感领域,三维激光扫描被誉为“实景复制”技术,能够快速准确获取目标的海量点云数据,因而受到极大关注。因测量仪器的有效测程和视场范围有限以及遮挡的影响,为获取作业场景的完整点云,往往需要在多个测站架设仪器进行测量,而后进行点云间的序列配准,如图1所示。点云配准的实质是寻求一组平移和旋转参数将点云统一到同一坐标系下,使得经过坐标转换后的点云重叠部分间良好对齐。用数学语言描述点云配准问题为,给定待配准点云P={pi=(xi,yi,zi)}和目标点云Q={qi=(xi,yi,zi)},求解刚体变换使得:
其中,R∈SO(3)为旋转矩阵,t为平移向量,eij为误差度量,C={(i,j)m}表示对应点对集合,点pi对应点qj。
近二十年来,三维激光扫描凭借其特有的优点已成为众多领域的标准技术,被大量研究和广泛应用,特别是随着其性价比的不断提高,各类产品不断更新换代,已被运用到三维建模、数字工厂、文物保护、滑坡监测、资产管理等领域。然而,三维激光扫描仪获取的海量点云对后期的数据处理带来了挑战。在一般的测量作业中,往往通过布设人工靶标来实现多站点云间的配准,采用这种方法,需要提前设计靶标的布设方案,在测量过程中还需要对靶标进行二次精细扫描,费时又费力,同时需要为购买靶标支出额外的费用。并且,在很多情况下(如高大城市建筑群),人工布设的靶标只能分布在较小的空间范围内,对配准参数不能形成良好的网形约束,导致求解得到的坐标转换参数存在较大误差;甚至在一些不能或不便于布设靶标的情况下,点云的配准处理将给内业处理人员带来极大困扰。当不能基于人工靶标实现点云配准时,往往需要通过人工从待配准点云中选取三组以上对应点计算粗略的初始配准结果,并以此为初值利用迭代最近点(Iterative Closest Point,ICP)求解最终配准结果,这一过程消耗大量精力和时间,不能满足点云数据自动化处理的需求。与此同时,点云的海量性给数据处理硬件平台提出了较高的要求,直接以三维坐标点作为处理元素,在处理几十甚至成百上千组点云时,需要占用极大的内存,需要超高性能的中央处理器(CPU)和图形处理器(GPU)。寻求自动高效的点云配准一直以来是点云数据处理领域的热点研究问题,提出利用强度信息辅助点云配准,首先将三维点云投影为二维强度图像,通过强度图像提取特征点并计算描述子以便建立对应关系,实现坐标转换参数的求解。然而,将点云投影为图像不可避免的存在畸变,且强度值受扫描距离和角度的影响较大,对点云配准精度影响较大。
在实际测量场景中,往往存在大量的几何特征,如角点、平面、直线段、圆柱等,合理利用这些特征能够实现点云的配准,其中平面特征的提取相对容易实现,且在人造场景中分布较为广泛,因而基于提取的平面特征进行点云配准是一种潜在的可行方法。现有的基于平面特征的点云配准方法主要分为以下两种:(1)需要借助额外的辅助装置,如申请公布号为CN105571519A的中国专利申请文件,该文件公开了一种三位扫描仪的点云拼接的辅助装置及其拼接方法,该方法为了实现配准还需要按既定的要求进行扫描测量作业,使得数据采集不够灵活,并且这种方法不适用于大场景;(2)需要通过人机交互进行平面提取,如申请公布号为CN106570823A的中国专利申请文件,该文件公开了一种基于平面特征的匹配的点云粗拼接方法方法,该方法在后续处理中还需要人工选择和确定对应平面,即人工进行平面匹配,而不能通过程序实现自动化,而且通过手动选取对应平面来实现配准,往往只能够从大量平面特征中选取少数几对对应平面,难以选择最优平面组合参与配准解算,因此仅仅能够计算出误差较大的粗略配准结果。此外,已有的基于平面特征的配准方法在匹配对应平面时,往往基于完整平面假设,即要求两组点云中的对应平面完全一致,这样一来就对目标点云与待配准点云间的重叠度以及环境遮挡有较高的要求,当点云间的重叠度较低,或遮挡较为严重时,难以实现点云配准。因此,目前的基于平面特征的点云配准方法使用场景有限,配准结果误差较大,且自动化程度有待提高。
发明内容
本发明的目的是提供一种基于平面特征的点云数据自动配准方法及装置,以解决目前点云配准方法存在的结果误差大、适应性差、自动化程度不高的问题。
本发明为解决上述技术问题而提供一种基于平面特征的点云数据自动配准方法,该配准方法包括以下步骤:
1)获取目标点云数据和待配准点云数据;
2)分别对目标点云数据和待配准点云数据进行平面分割,得到目标平面片组和待配准平面片组,并计算各平面组中的每个平面片的属性信息;
3)根据每个平面片的属性信息从目标平面片组和待配准平面片组得到属性一致的平面对集合;
4)从属性一致的平面对集合中选取两对非平行平面对,并根据得到的两对非平行平面对确定旋转矩阵;利用旋转矩阵从所述属性一致的平面对集合的剩余平面对中选取满足旋转一致性的一个非平行平面对,并将所选取的三对平面对作为一个三元组,将该三元组对应的转换参数作用于该三元组中待配准点云的平面,若满足重叠条件,则将该三元组加入三元组集合;
5)按照步骤4)的方式遍历属性一致的平面对集合中的剩余平面对,得到三元组集合,将三元组集合中各三元组对应的转换参数分别作用于待配准点云数据,并计算总体一致性度量,从中选取总体一致性度量最小的三元组的转换参数进行点云配准。
本发明还提供了一种基于平面特征的点云数据自动配准装置,该装置包括存储器和处理器,以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器与所述存储器相耦合,所述处理器执行所述计算机程序时实现所述的平面特征的点云数据自动配准方法。
本发明首先通过平面分割算法对点云数据进行平面分割得到平面片,并计算各平面属性信息,然后通过平面片属性信息、平面间相互关系以及旋转平移几何约束建立平面片间的对应关系,得到用于坐标转换参数求解的对应平面对集合,对每组平面对求解坐标转换参数,根据建立的点云配准总体一致性度量,选择最优解,即为最终配准结果。该方法综合利用平面属性信息、平面间约束以及空间几何约束确保了配准过程的准确性和高效性,且不依赖额外的强度或色彩信息,对于各种平台获取的点云数据均能有效进行配准,适用性强,既能处理小场景室内点云,也能处理大规模复杂室外场景点云。
进一步地,为了避免不必要的干扰,降低后续处理的复杂性,该方法还包括在进行平面分割前对目标点云数据和待配准点云数据进行预处理的步骤,从目标点云数据和待配准点云数据中去除体外孤点和野值点。
进一步地,所述步骤2)中每个平面片的属性信息包括平面的单位法向量、坐标原点到拟合平面的距离、平面拟合的均方误差、平面片的面积、平面片的边界点、边界长度和平面片最小包围矩形的长和宽。
进一步地,本发明还给出了属性一致的具体判断方式,所述步骤3)中属性一致的平面对集合指的是目标平面片组和待配准平面片组中满足平面面积比例小于设定比例、平面形状之差小于设定形状差、平面拟合均方误差之差小于设定误差的平面对。
进一步地,为了提高平面提取效率和精度,所述步骤2)中的平面分割采用的是基于体素生长的自适应平面分割算法实现。
进一步地,为了提高提取效率,所述步骤2)在体素生长过程中采用增量式的PCA算法计算体素生长后的平面参数以及平面拟合的均方误差。
进一步地,为了避免采用的增量式PCA易受到噪声和异常点的影响,该方法还包括对采用增量式的PCA算法得到平面参数通过顾及传感器测量噪声的平面拟合算法进行重新计算。
进一步地,为了提高旋转矩阵计算的准确性,所述步骤4)中的旋转矩阵采用协方差矩阵加权的奇异值分解法计算得到。
进一步地,为了提高匹配的效率和鲁棒性,该方法还包括对步骤2)中的平面片进行过滤,以去除面积较小、近似线形、平面度较差的平面片。
附图说明
图1是点云配准示意图;
图2是本发明基于平面特征的点云数据自动配准方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步地说明。
方法实施例
本发明的基于平面特征的点云数据自动配准方法首先对目标点云数据和待配准点云数据进行平面分割,得到目标平面片组和待配准平面片组,并计算各平面组中的每个平面片的属性信息;然后根据每个平面片的属性信息从目标平面片组和待配准平面片组得到属性一致的平面对集合;再根据平面片属性信息、平面间相互关系以及旋转平移几何约束从属性一致的平面对集合得到用于坐标转换参数求解的对应平面对集合;最后根据建立的点云配准总体一致性度量,从对应平面对集合中选择最优解作为最终配准结果。该方法的实现过程如图2所示,具体实施步骤如下。
1.获取目标点云数据和待配准点云数据。
本实施例中的目标点云数据和待配准点云数据都是通过三维激光扫描仪得到,为避免一些孤点和野值点的干扰,需要对三维激光扫描仪得到目标点云数据和待配准点云数据进行预处理,去除距离坐标原点较远的点,保留三维激光扫描仪有效测程80%范围内的点,去除了体外孤点和野值点。
2.对目标点云数据和待配准点云数据进行平面分割,得到目标平面片组和待配准平面片组。
平面分割可以采用、动态聚类、霍夫变换、随机采样一致性算法(Random SampleConsensus,RANSAC)、体素生长的自适应平面分割算法等方法来实现。本实施例采用基于体素生长的自适应平面分割算法对目标点云数据和待配准点云数据中平面特征进行自动提取,在体素生长过程中,为提高效率,采用增量式的PCA(principal component analysis)算法计算体素生长后的平面参数以及平面拟合的均方误差(平面度的一种度量)。具体过程如下:
采用Hessian标准型表示平面方程为n·r=d,其中r是平面上某点的坐标,n为平面的单位法向量,d为坐标原点到拟合平面的距离,增量式的PCA平面拟合算法描述为:
两组点集P1和P2,分别包含n1和n2个点,以ri表示点坐标,m表示重心;
A=A1+A2
3.计算各平面组中的每个平面片的平面参数。
对上一步骤得到的一系列平面片计算其平面参数,平面参数主要指的是平面的单位法向量和坐标原点到拟合平面的距离。由于平面分割过程中采用的增量式PCA易受到噪声和异常点的影响,平面参数计算不够准确,因此本发明采用一种顾及传感器测量噪声的平面拟合算法重新计算平面参数,将点表示为齐次坐标形式x=[rT,1],令π=[nT,d],其中上标e表示单位化,此时平面方程可表示为π·x=0,具体计算步骤为:
(2)分别利用下式计算矩阵M和N
返回步骤(2),迭代求解。
最终,利用下式求得平面参数:
此外,属性信息的计算还包括平面片的面积、平面片的边界点、边界长度以及平面片包围矩形的长和宽。一般的平面点集的面积和边界点计算方法耗时较长,本发明采用一种基于点云投影图像的方法加速这一过程。首先,以平均点密度作为投影分辨率,将各个平面片上的点集投影为二值图像,然后对投影图像进行数学形态学处理,利用图像边界检测算法即可较为容易地识别边界像素,根据像素与点的映射关系,即可确定平面片的边界点,投影过程中根据平面的第一和第二主方向可将三维边界点转换为二维,从而便于平面属性信息的计算,得到一系列投影到平面上的二维边界点坐标{pi=(xi,yi),|i=1,…,Nb},Nb为边界点的个数,根据坐标值统计可确定包围矩形的长L和宽W,并可由下式计算平面面积s和边界长度l。
4.平面片过滤。
为提高后续平面匹配的效率和提高算法的鲁棒性,需要进行平面片过滤,根据预设的参数阈值,去除面积较小的平面片,根据长宽比例去除近似线性的平面片,去除平面度较差即平面拟合均方误差较大的平面片。
5.平面片自动匹配。
经过步骤1-4,可以分别得到目标点云数据和待配准点云数据对应的平面片,其中目标点云数据得到m个平面片,待配准点云数据得到n个平面片,分别叫做目标平面片组和待配准平面片组。
(1)确定属性一致的平面对集合。
本发明进行条件判断采用的是相对量,而不是绝对量,采用这种策略既便于参数设置又能提高配准成功率以及增强配准方法对于点云间重叠度变化和遮挡的鲁棒性。即如果两个平面间的属性差别在一定范围以内,算法都将判断其平面属性是一致的,将其存入平面属性一致集Θac。
(2)确定旋转矩阵。
旋转矩阵只需要两对非平行平面,因此遍历平面属性一致平面对集合Θac,寻找两对非平行平面对,非平行平面对指的是满足满足如下条件的平面对。
其中条件1选取的两组对应平面需要满足非平行式关系,是非平行角度阈值,条件2表示两组平面对需要满足夹角一致性,即目标点云所属的两个平面的法向量夹角和待配准点云所属的两个平面法向量夹角要一致,是相应的角度差阈值,条件3表示平面重心(用rc表示)间的距离变化需要满足一定的阈值条件,从而降低误匹配可能,同时大大降低后续算法的处理负担。得到满足上述三个条件的两组对应平面后,通过两步旋转法由平面法向量计算旋转矩阵:
(3)确定三元组。
其中,ψ为角度阈值。上述三组平面对组成平面对三元组,用以计算平移参数:
同时更新旋转参数:
(4)确定三元组集合及对应的坐标转换参数。
遍历上述得到的三元组集合,对每个三元组Π进行扩展,即通过旋转平移一致性以及重叠判断从Θac中选择满足条件的平面对加入到Π中,经过扩展的三元组用Γ表示。对于每个Γ,一般可采用加权最小二乘计算新的坐标转换参数,其中旋转矩阵(也叫旋转参数)可由下式计算:
其中,矩阵W为权矩阵,矩阵N通过累积相应的单位法向量得到,但考虑到测量噪声的存在,这种直接解法可能导致结果不准确。这里采用协方差矩阵加权的奇异值分解法进行求解,确保求得的旋转矩阵是单位正交阵,定义关联矩阵Q=sNTWtN,其中权值为法向量n拟合协方差矩阵的迹的倒数,对其进行奇异值分解可得Q=UΛVT,待求的旋转矩阵为:
但在这里计算出新的旋转和平移参数后,有条件的接受更新。
(5)选取最优解。
步骤(4)完成后将得到一系列可行解,需要从中选取最优解,对于每个可行解,将其作用于待配准平面后利用最近邻法则重新确定对应关系,并计算总体一致性度量为:
选择δ值最小的一个解,即为最终配准结果。
装置实施例
本发明的平面特征的点云数据自动配准装置,包括存储器和处理器,以及存储在所述存储器上并在处理器上运行的计算机程序,处理器与所述存储器相耦合,处理器执行计算机程序时实现方法实施例中的平面特征的点云数据自动配准方法,具体过程已在方法实施例中进行了详述,这里不再赘述。
本发明在平面分割过程中采用基于体素生长的方式代替传统的基于点的方法,并结合增量式的PCA算法更新平面参数,大大提高了从大规模点云中提取平面特征的效率;滤除部分不理想的平面,将送入平面匹配模块的平面数量限定在一定范围内,降低了平面匹配的复杂度;在平面匹配过程中,综合利用平面属性信息、平面间约束以及空间几何约束进一步确保了配准过程的高效;整个过程实现了自动化处理,无需人工干预。同时本发明只利用三维点坐标即几何信息,而不依赖额外的强度或色彩信息,对于各种平台获取的点云数据均能有效进行配准,既能处理小场景室内点云,也能处理大规模复杂室外场景点云。
Claims (9)
1.一种基于平面特征的点云数据自动配准方法,其特征在于,该配准方法包括以下步骤:
1)获取目标点云数据和待配准点云数据;
2)分别对目标点云数据和待配准点云数据进行平面分割,得到目标平面片组和待配准平面片组,并计算各平面组中的每个平面片的属性信息;
3)根据每个平面片的属性信息从目标平面片组和待配准平面片组得到属性一致的平面对集合;所述属性一致的平面对集合指的是目标平面片组和待配准平面片组中满足平面面积比例小于设定比例、平面形状之差小于设定形状差、平面拟合均方误差之差小于设定误差的平面对;
4)从属性一致的平面对集合中选取两对非平行平面对,并根据得到的两对非平行平面对确定旋转矩阵;利用旋转矩阵从所述属性一致的平面对集合的剩余平面对中选取满足旋转一致性的一个非平行平面对,并将所选取的三对平面对作为一个三元组,将该三元组对应的转换参数作用于该三元组中待配准点云的平面,若满足重叠条件,则将该三元组加入三元组集合;
所述非平行平面对指的是满足以下三个条件的平面对:
旋转一致性度量δR的计算公式为:
其中,上标t和s用于标志目标点云和待配准点云,n为平面的单位法向量;
总体一致性度量δ的计算公式为:
其中,m表示重心,d为坐标原点到拟合平面的距离;
5)按照步骤4)的方式遍历属性一致的平面对集合中的剩余平面对,得到三元组集合,将三元组集合中各三元组对应的转换参数分别作用于待配准点云数据,并计算总体一致性度量,从中选取总体一致性度量最小的三元组的转换参数进行点云配准。
2.根据权利要求1所述的基于平面特征的点云数据自动配准方法,其特征在于,该方法还包括在进行平面分割前对目标点云数据和待配准点云数据进行预处理的步骤,从目标点云数据和待配准点云数据中去除体外孤点和野值点。
3.根据权利要求1所述的基于平面特征的点云数据自动配准方法,其特征在于,所述步骤2)中每个平面片的属性信息包括平面的单位法向量、坐标原点到拟合平面的距离、平面拟合的均方误差、平面片的面积、平面片的边界点、边界长度和平面片最小包围矩形的长和宽。
4.根据权利要求3所述的基于平面特征的点云数据自动配准方法,其特征在于,所述步骤2)中的平面分割采用的是基于体素生长的自适应平面分割算法实现。
5.根据权利要求4所述的基于平面特征的点云数据自动配准方法,其特征在于,所述步骤2)在体素生长过程中采用增量式的PCA算法计算体素生长后的平面参数以及平面拟合的均方误差。
6.根据权利要求5所述的基于平面特征的点云数据自动配准方法,其特征在于,该方法还包括对采用增量式的PCA算法得到平面参数通过顾及传感器测量噪声的平面拟合算法进行重新计算。
7.根据权利要求1所述的基于平面特征的点云数据自动配准方法,其特征在于,所述步骤4)中的旋转矩阵采用协方差矩阵加权的奇异值分解法计算得到。
8.根据权利要求1-7中任一项所述的基于平面特征的点云数据自动配准方法,其特征在于,该方法还包括对步骤2)中的平面片进行过滤,以去除面积较小、近似线形、平面度较差的平面片。
9.一种基于平面特征的点云数据自动配准装置,其特征在于,该装置包括存储器和处理器,以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器与所述存储器相耦合,所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的平面特征的点云数据自动配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910550064.1A CN110443836B (zh) | 2019-06-24 | 2019-06-24 | 一种基于平面特征的点云数据自动配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910550064.1A CN110443836B (zh) | 2019-06-24 | 2019-06-24 | 一种基于平面特征的点云数据自动配准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443836A CN110443836A (zh) | 2019-11-12 |
CN110443836B true CN110443836B (zh) | 2022-03-18 |
Family
ID=68428272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910550064.1A Active CN110443836B (zh) | 2019-06-24 | 2019-06-24 | 一种基于平面特征的点云数据自动配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443836B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11787051B2 (en) * | 2021-11-25 | 2023-10-17 | Nanjing University Of Aeronautics And Astronautics | Method for automatically processing structure-reinforcing member of aircraft |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161327A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种结合旋转平台和icp的点云配准方法 |
CN111325779B (zh) * | 2020-02-07 | 2020-12-11 | 贝壳找房(北京)科技有限公司 | 点云配准方法和装置、电子设备和存储介质 |
CN111582285B (zh) * | 2020-04-28 | 2023-05-23 | 清华大学 | 点云图像的平面提取方法 |
CN111768490B (zh) * | 2020-05-14 | 2023-06-27 | 华南农业大学 | 基于迭代最近点与人工干预的植物三维建模方法及*** |
CN111899291A (zh) * | 2020-08-05 | 2020-11-06 | 深圳市数字城市工程研究中心 | 基于多源维度分解的城市点云从粗到精的自动配准方法 |
CN112099039B (zh) * | 2020-08-25 | 2024-05-31 | 西北工业大学 | 一种基于激光雷达的室内相对定位方法 |
CN112132875B (zh) * | 2020-08-31 | 2023-07-28 | 青岛秀山移动测量有限公司 | 一种基于面特征的多平台点云匹配方法 |
CN112268559B (zh) * | 2020-10-22 | 2023-03-28 | 中国人民解放军战略支援部队信息工程大学 | 复杂环境下融合slam技术的移动测量方法 |
CN112232248B (zh) * | 2020-10-22 | 2023-04-07 | 中国人民解放军战略支援部队信息工程大学 | 一种多线LiDAR点云数据平面特征的提取方法及装置 |
CN114526720B (zh) * | 2020-11-02 | 2024-04-16 | 北京四维图新科技股份有限公司 | 定位的处理方法、装置、设备及存储介质 |
CN112767458B (zh) * | 2020-11-13 | 2022-07-29 | 武汉中海庭数据技术有限公司 | 激光点云与图像的配准的方法及*** |
CN112630793B (zh) * | 2020-11-30 | 2024-05-17 | 深圳集智数字科技有限公司 | 一种确定平面异常点的方法和相关装置 |
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 |
CN112884902B (zh) * | 2021-03-17 | 2023-03-17 | 中山大学 | 一种面向点云配准的标靶球位置优化方法 |
CN113052881A (zh) * | 2021-03-24 | 2021-06-29 | 王程 | 提取极点的室内三维点云自动化配准方法 |
CN113223067B (zh) * | 2021-05-08 | 2021-11-19 | 广东三姆森科技股份有限公司 | 针对具有平面基准的非完整三维扫描点云的在线配准方法 |
CN113516695B (zh) * | 2021-05-25 | 2023-08-08 | 中国计量大学 | 激光轮廓仪平面度测量中的点云配准策略 |
CN113344992B (zh) * | 2021-05-31 | 2022-06-28 | 山东大学 | 一种全局点云配准方法、***、存储介质及设备 |
CN114241018B (zh) * | 2021-12-09 | 2023-05-09 | 电子科技大学 | 一种牙齿点云配准方法、***及可读存储介质 |
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 |
CN115100254B (zh) * | 2022-06-10 | 2023-06-30 | 兰州交通大学 | 平面特征约束下对偶四元数描述的点云配准方法 |
CN115439644B (zh) * | 2022-08-19 | 2023-08-08 | 广东领慧数字空间科技有限公司 | 一种相似点云数据对齐方法 |
CN116704125B (zh) * | 2023-06-02 | 2024-05-17 | 深圳市宗匠科技有限公司 | 一种基于三维点云的映射方法、装置、芯片及模组设备 |
CN116883469B (zh) * | 2023-07-20 | 2024-01-19 | 中国矿业大学 | 平面特征约束下基于eiv模型描述的点云配准方法 |
CN117173227B (zh) * | 2023-11-01 | 2024-01-26 | 法奥意威(苏州)机器人***有限公司 | 基于平面拟合的点云配准方法、装置和电子设备 |
CN117745778B (zh) * | 2024-02-01 | 2024-05-28 | 法奥意威(苏州)机器人***有限公司 | 一种点云配准实现方法、装置、存储介质及电子设备 |
CN117765047B (zh) * | 2024-02-22 | 2024-04-30 | 法奥意威(苏州)机器人***有限公司 | 一种工件配准方法、装置、计算机设备及存储介质 |
CN117876446B (zh) * | 2024-03-11 | 2024-05-24 | 法奥意威(苏州)机器人***有限公司 | 基于圆柱体检测的点云配准方法和装置 |
CN118134979A (zh) * | 2024-05-07 | 2024-06-04 | 法奥意威(苏州)机器人***有限公司 | 基于单平面特征的点云配准方法、装置和电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446354A (zh) * | 2011-08-29 | 2012-05-09 | 北京建筑工程学院 | 一种高精度多源地面激光点云的整体配准方法 |
CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
CN104200507A (zh) * | 2014-08-12 | 2014-12-10 | 南京理工大学 | 一种三维点云点法向量估计方法 |
CN105740798A (zh) * | 2016-01-27 | 2016-07-06 | 西安理工大学 | 一种基于结构分析的点云场景物体识别方法 |
CN106296650A (zh) * | 2016-07-22 | 2017-01-04 | 武汉海达数云技术有限公司 | 一种激光点云配准方法和装置 |
CN107192350A (zh) * | 2017-05-19 | 2017-09-22 | 中国人民解放军信息工程大学 | 一种三维激光扫描仪内参数标定方法及装置 |
CN109323656A (zh) * | 2018-11-24 | 2019-02-12 | 上海勘察设计研究院(集团)有限公司 | 一种用于点云配准的新型标靶及其提取算法 |
CN109377521A (zh) * | 2018-09-11 | 2019-02-22 | 武汉大学 | 地面激光扫描仪数据采集中点到最佳平面的点云配准方法 |
CN109658431A (zh) * | 2018-12-26 | 2019-04-19 | 中国科学院大学 | 基于区域生长的岩体点云平面提取方法 |
CN109685080A (zh) * | 2018-12-27 | 2019-04-26 | 中国科学院大学 | 基于霍夫变换与区域生长的多尺度平面提取方法 |
CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
CN109767464A (zh) * | 2019-01-11 | 2019-05-17 | 西南交通大学 | 一种低重叠率的点云配准方法 |
CN109816664A (zh) * | 2018-12-25 | 2019-05-28 | 西安中科天塔科技股份有限公司 | 一种三维点云分割方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11080286B2 (en) * | 2013-12-02 | 2021-08-03 | Autodesk, Inc. | Method and system for merging multiple point cloud scans |
CN105654422A (zh) * | 2015-12-23 | 2016-06-08 | 北京观著信息技术有限公司 | 点云配准方法和*** |
US10176589B2 (en) * | 2017-01-31 | 2019-01-08 | Mitsubishi Electric Research Labroatories, Inc. | Method and system for completing point clouds using planar segments |
CN109272537B (zh) * | 2018-08-16 | 2021-08-13 | 清华大学 | 一种基于结构光的全景点云配准方法 |
-
2019
- 2019-06-24 CN CN201910550064.1A patent/CN110443836B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446354A (zh) * | 2011-08-29 | 2012-05-09 | 北京建筑工程学院 | 一种高精度多源地面激光点云的整体配准方法 |
CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
CN104200507A (zh) * | 2014-08-12 | 2014-12-10 | 南京理工大学 | 一种三维点云点法向量估计方法 |
CN105740798A (zh) * | 2016-01-27 | 2016-07-06 | 西安理工大学 | 一种基于结构分析的点云场景物体识别方法 |
CN106296650A (zh) * | 2016-07-22 | 2017-01-04 | 武汉海达数云技术有限公司 | 一种激光点云配准方法和装置 |
CN107192350A (zh) * | 2017-05-19 | 2017-09-22 | 中国人民解放军信息工程大学 | 一种三维激光扫描仪内参数标定方法及装置 |
CN109377521A (zh) * | 2018-09-11 | 2019-02-22 | 武汉大学 | 地面激光扫描仪数据采集中点到最佳平面的点云配准方法 |
CN109323656A (zh) * | 2018-11-24 | 2019-02-12 | 上海勘察设计研究院(集团)有限公司 | 一种用于点云配准的新型标靶及其提取算法 |
CN109816664A (zh) * | 2018-12-25 | 2019-05-28 | 西安中科天塔科技股份有限公司 | 一种三维点云分割方法及装置 |
CN109658431A (zh) * | 2018-12-26 | 2019-04-19 | 中国科学院大学 | 基于区域生长的岩体点云平面提取方法 |
CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
CN109685080A (zh) * | 2018-12-27 | 2019-04-26 | 中国科学院大学 | 基于霍夫变换与区域生长的多尺度平面提取方法 |
CN109767464A (zh) * | 2019-01-11 | 2019-05-17 | 西南交通大学 | 一种低重叠率的点云配准方法 |
Non-Patent Citations (3)
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》;20170922;第185-191页 * |
激光扫描匹配方法研究综述;宗文鹏 等;《中国光学》;20181212;第11卷(第06期);第914-930页 * |
采用八叉树体素生长的点云平面提取;李明磊 等;《光学精密工程》;20180115;第26卷(第01期);第172-183页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11787051B2 (en) * | 2021-11-25 | 2023-10-17 | Nanjing University Of Aeronautics And Astronautics | Method for automatically processing structure-reinforcing member of aircraft |
Also Published As
Publication number | Publication date |
---|---|
CN110443836A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443836B (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
Yang et al. | Automated registration of dense terrestrial laser-scanning point clouds using curves | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN111612850B (zh) | 一种基于点云的猪只体尺参数测量方法 | |
CN103727930A (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
US20150199573A1 (en) | Global Scene Descriptors for Matching Manhattan Scenes using Edge Maps Associated with Vanishing Points | |
Chen et al. | Robust affine-invariant line matching for high resolution remote sensing images | |
CN110796691B (zh) | 一种基于形状上下文和hog特征的异源图像配准方法 | |
CN110569861A (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
CN107220996A (zh) | 一种基于三角结构一致的无人机线阵与面阵影像匹配方法 | |
CN107610174B (zh) | 一种鲁棒的基于深度信息的平面检测方法及*** | |
Wang et al. | Point based registration of terrestrial laser data using intensity and geometry features | |
CN105654479A (zh) | 多光谱图像配准方法和装置 | |
Lv et al. | Automatic registration of airborne LiDAR point cloud data and optical imagery depth map based on line and points features | |
Parmehr et al. | Automatic registration of optical imagery with 3d lidar data using local combined mutual information | |
Parmehr et al. | Automatic parameter selection for intensity-based registration of imagery to LiDAR data | |
Zhong et al. | Triple screening point cloud registration method based on image and geometric features | |
CN112767457A (zh) | 一种基于主成分分析的平面点云匹配方法及装置 | |
CN110969650B (zh) | 一种基于中心投影的强度图像与纹理序列间的配准方法 | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
Shen et al. | A 3D modeling method of indoor objects using Kinect sensor | |
Novacheva | Building roof reconstruction from LiDAR data and aerial images through plane extraction and colour edge detection |
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 |