CN110458174A - 一种无序点云关键特征点精确提取方法 - Google Patents
一种无序点云关键特征点精确提取方法 Download PDFInfo
- Publication number
- CN110458174A CN110458174A CN201910574474.XA CN201910574474A CN110458174A CN 110458174 A CN110458174 A CN 110458174A CN 201910574474 A CN201910574474 A CN 201910574474A CN 110458174 A CN110458174 A CN 110458174A
- Authority
- CN
- China
- Prior art keywords
- point
- neighborhood
- discrete
- formula
- angle
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种无序点云关键特征点精确提取方法,其包含有如下步骤:1)以每个点云点为中心,计算一环k邻域并构建三角化网格;2)计算每个点云点的离散曲率、离散法向量和邻域点距离用来构建窗口函数,计算梯度矩阵;3)对梯度矩阵计算角点响应值分类特征点。本发明使用梯度变化识别点云数据中角点、折痕点以及平面点,保留了局部细节特征,识别结果准确、可靠;可广泛应用于航空、汽车等零部件的三维激光扫描检测,具有很强的适用性。
Description
技术领域
本发明涉及计算机图形学和三维点云特征提取领域,具体涉及一种无序点云关键特征点精确提取方法。
背景技术
飞机零部件具有大尺寸,弱刚性及结构复杂的特点,不仅需要测量单一零件的空间尺寸,而且复杂部件的装配特征也需要进行测量。这些结构件的实测点云量大且无序,准确提取关键特征点是精简数据、提高数据分析处理效率的必要手段。特征提取是测量信息处理中最基本、最关键的部分,逆向工程、图像处理的精度严重依赖于特征提取的精度。
国内外在点云关键特征提取领域已经有了一定的研究成果,主要采用三种方式:一是基于法向量的特征提取,通过结合聚类算法判断法矢夹角超过阈值的点为特征点,这种方法适用于简单规则形状的零件,但对于局部细微特征的识别精度较低。二是基于曲率的特征提取,依据特征点处曲率信息发生突变进行识别。这种方法虽然对噪声点具有较强的抗性,但提取的特征点里面会存在伪特征点,需要额外的滤波算法进行精简。三是基于某种数学模型或者算子改进,这种方法通过设计特定的求解流程来提高特征点识别精度,但仍然存在错误识别以及特征点遗漏的问题。
发明内容
本发明的目的是针对现有的点云关键特征提取存在的局部细微特征的识别精度较低且存在伪特征点以及特征点遗漏,需要额外的滤波算法进行精简的问题,提供一种无序点云关键特征点精确提取方法,目的在于避免真实特征点2环邻域中的非特征点被错误识别的问题,使用梯度变化准确识别角点、平面点和折痕点并且保证局部细节特征。
本发明的技术方案是:
一种无序点云关键特征精确识别与提取方法,其特征是首先对每个点云点进行邻域搜索,计算邻域距离和夹角对邻域点进行逆时针排序;然后对一环k邻域构建三角网格,计算顶点的离散法向,利用泰勒展开计算离散曲率;最后,对邻域距离、离散法向和离散曲率进行加权构造梯度矩阵并计算角点响应值,通过设定阈值识别特征点。具体步骤如下所述:
步骤1、计算每个点云点Pi的一环k邻域Pi-k。
(1)设定邻域k值取值范围[10,20],每个数据点找到距离最近的k+5个邻域点,对邻域点沿着逆时针方向进行排序,计算邻近两邻域点与点云点Pi组成的向量夹角θ;
(2)计算空间距离最小的邻域点为起始点位,计算阈值角度θ0=360/k,沿逆时针方向当两邻域点的夹角θ小于阈值角度θ0,删除模长较大的邻域点,另一个点标记为合格点进行保留,合格点作为新的起始点位。循环(2)直到邻域点减少到k个时结束。
步骤2、基于步骤1获得的邻域关系,构造三角化网格来计算每个点云点Pi的离散法向量,使用泰勒展开计算离散曲率,具体为:
(1)如图1所示,计算所有邻域三角形边长a/b/c,计算任一邻域三角形的形状权重Δj,公式如下:
(2)根据邻域三角形顶点坐标值计算法向量Nfj,根据(1)获得的形状权重,计算点云点Pi的离散法向Np。
(3)如图2所示,根据(2)获得的法向量计算过点云点Pi的切平面F,对Pi与Pi-k所在的空间区域进行参数曲面S(u,v)拟合。构建Pi作为原点的局部坐标系xyz,曲面坐标系u/v投影到F面上对应x/y轴。计算邻域点Pi-k投影到切平面F的投影点Qj-k,计算任一投影点Qj-k与x轴夹角σj,Qj-k与y轴夹角ηj。
(4)对曲面S进行泰勒展开,计算公式如下:
Rn是一个高阶无穷小,后续计算忽略此值。将上式写成矩阵形式,计算每个数据点Pi点的离散一阶{Su,Sv}与二阶{Suu,Suv,Svv}导数,计算公式如下:
其中,Dj=|Pi-k-Pi|,Δuj=|Qj-k-Pi|cosσj,Δvj=|Qj-k-Pi|cosηj。
(5)根据(4)获得的离散一阶导数,计算外恩加滕变换矩阵W,公式如下:
式中:E、F、G为曲面的第一类基本量,L、N、M1、M2为曲面的第二类基本量。
(6)计算外恩加滕变换矩阵W的特征值k1,k2,获得点云点Pi的离散高斯曲率κ,公式如下:
κ=k1·k2
步骤3、对邻域距离、离散法向和离散曲率进行加权构造梯度矩阵并计算特征值,通过设定阈值识别特征点,具体如下:
(1)计算邻域点间距d,使用步骤2获得的离散法向和离散高斯曲率计算窗口函数w,公式如下:
其中,σk,σn,和σc是带宽参数,σk=max(d),σn=180,σc=max(κpi-κpi-k)。
(2)通过(1)获得的窗口函数,计算Pi沿着任一Pi-k点向量方向的梯度变化,公式如下
(3)将Pi的一阶和二阶离散导数代入上式,计算Pi在一环邻域内的整体梯度E,公式如下:
将上式进行改写,计算邻域点Pi-k在局部坐标系xyz下的方向余弦cosα,cosβ,cosγ,获得Pi点梯度的协方差矩阵M(Pi),计算公式如下:
(4)如图3所示,计算梯度矩阵M(Pi)的三个特征值并进行排序,得到λ1≥λ2≥λ3,设定阈值Ω,根据大小关系进行如下判断:
1)角点:λ1≥λ2≥λ3≥Ω。
2)棱边点:λ1≥λ2,λ1≥Ω,λ3≠0;或者λ2≥λ1,λ2≥Ω,λ3≠0。
3)平面点:λ1≤Ω,λ2≤Ω,λ3≤Ω。
所述的曲面S(u,v)需要进行最小二乘求解获得参数方程,具体过程如下:
(1)曲面方程一般表达式记为:
z=a1x2+a2xy+a3y2+a4x+a5y+a6
(2)将Pi点以及任意5个邻域点Pi-k分别带入上式中,获得六元一次方程组进行求解,得到系数集合A={a1,...a6}。重复步骤(2)进行不超过N=Ck 5次排列组合,获得N组系数集。
(3)计算所有邻域点Pi-k到每组系数拟合曲面的Z向投影距离之和,选择最小值所对应的曲面系数作为拟合结果。
通过计算角点响应函数R来简化特征值大小关系的判断过程,具体过程为:
(1)对梯度矩阵E(Pi)进行求导,获得角点响应值R,计算公式如下:
(2)根据Ω的取值范围为[0.01,0.1],判断角点相应值R与阈值Ω的大小关系如下:
1)当R>Ω:Pi点角点。
2)当R<-Ω:Pi点为折痕点。
3)当|R|<Ω:Pi点为平面点。
本发明的有益效果是:
一、本发明使用梯度的变化进行特征点的提取,如图4所示,相比较其他方法在局部细节上具有更高的识别精度,局部细节特征点识别率在97%以上。
二、本发明对于阶差、下陷以及倒角类特征点(特征表现为多条轮廓线,且距离间隔最小可达0.5mm)的识别精度在0.15mm(实测点云平均点间距的1.5倍)以下,能够比较准确剔除邻近两条轮廓之间的非特征点,无需额外的滤波算法。
附图说明
图1一环邻域三角化网格构建示意图。
图2一环邻域局部坐标系构建及邻域点投影示意图。
图3梯度矩阵提取特征点示意图。
图4本发明方法与其他特征提取算法性能比较图。
图5本发明方法操作流程图。
具体实施方式
下面结构附图和实施例对本发明作进一步的说明。
如图1-5所示。
本发明所适用的邻域三角网格拓扑请参照图1所示,局部坐标系的构建过程及一环邻域点投影方向请参照图2,计算梯度矩阵获得的特征值来提取特征点的过程请参照图3。
一种无序点云关键特征精确识别与提取方法,如图5所示,它包括以下步骤。
步骤1、计算每个点云点Pi的一环k邻域Pi-k。
(1)设定邻域k值取值范围[10,20],每个数据点找到距离最近的k+5个邻域点,对邻域点沿着逆时针方向进行排序,计算邻近两邻域点与点云点Pi组成的向量夹角θ;
(2)计算空间距离最小的邻域点为起始点位,计算阈值角度θ0=360/k,沿逆时针方向当两邻域点的夹角θ小于阈值角度θ0,删除模长较大的邻域点,另一个点标记为合格点进行保留,合格点作为新的起始点位。循环(2)直到邻域点减少到k个时结束。
步骤2、基于步骤1获得的邻域关系,构造三角化网格来计算每个点云点Pi的离散法向量,使用泰勒展开计算离散曲率,具体为:
(1)如图1所示,计算所有邻域三角形边长a/b/c,计算任一邻域三角形的形状权重Δj,公式如下:
(2)根据邻域三角形顶点坐标值计算法向量Nfj,根据(1)获得的形状权重,计算点云点Pi的离散法向Np。
(3)如图2所示,根据(2)获得的法向量计算过点云点Pi的切平面F,对Pi与Pi-k所在的空间区域进行参数曲面S(u,v)拟合。
所述的曲面S(u,v)可通过最小二乘求解获得参数方程,具体过程如下:
(1)曲面方程一般表达式记为:
z=a1x2+a2xy+a3y2+a4x+a5y+a6
(2)将Pi点以及任意5个邻域点Pi-k分别带入上式中,获得六元一次方程组进行求解,得到系数集合A={a1,...a6}。重复步骤(2)进行不超过N=Ck 5次排列组合,获得N组系数集。
(3)计算所有邻域点Pi-k到每组系数拟合曲面的Z向投影距离之和,选择最小值所对应的曲面系数作为拟合结果。
构建Pi作为原点的局部坐标系xyz,曲面坐标系u/v投影到F面上对应x/y轴。计算邻域点Pi-k投影到切平面F的投影点Qj-k,计算任一投影点Qj-k与x轴夹角σj,Qj-k与y轴夹角ηj。
(4)对曲面S进行泰勒展开,计算公式如下:
Rn是一个高阶无穷小,后续计算忽略此值。将上式写成矩阵形式,计算每个数据点Pi点的离散一阶{Su,Sv}与二阶{Suu,Suv,Svv}导数,计算公式如下:
其中,Dj=|Pi-k-Pi|,Δuj=|Qj-k-Pi|cosσj,Δvj=|Qj-k-Pi|cosηj。
(5)根据(4)获得的离散一阶导数,计算外恩加滕变换矩阵W,公式如下:
(6)计算外恩加滕变换矩阵W的特征值k1,k2,获得点云点Pi的离散高斯曲率κ,公式如下:
κ=k1·k2
步骤3、对邻域距离、离散法向和离散曲率进行加权构造梯度矩阵并计算特征值,通过设定阈值识别特征点,具体如下:
(1)计算邻域点间距d,使用步骤2获得的离散法向和离散高斯曲率计算窗口函数w,公式如下:
其中,σk,σn,和σc是带宽参数,σk=max(d),σn=180,σc=max(κpi-κpi-k)。
(2)通过(1)获得的窗口函数,计算Pi沿着任一Pi-k点向量方向的梯度变化,公式如下
(3)将Pi的一阶和二阶离散导数代入上式,计算Pi在一环邻域内的整体梯度E,公式如下:
将上式进行改写,计算邻域点Pi-k在局部坐标系xyz下的方向余弦cosα,cosβ,cosγ,获得Pi点梯度的协方差矩阵M(Pi),计算公式如下:
(4)如图3所示,计算梯度矩阵M(Pi)的三个特征值并进行排序,得到λ1≥λ2≥λ3,设定阈值Ω,根据大小关系进行如下判断:
1)角点:λ1≥λ2≥λ3≥Ω。
2)棱边点:λ1≥λ2,λ1≥Ω,λ3≠0;或者λ2≥λ1,λ2≥Ω,λ3≠0。
3)平面点:λ1≤Ω,λ2≤Ω,λ3≤Ω。
具体实施时还可通过计算角点响应函数R来简化特征值大小关系的判断过程,具体过程为:
(1)对梯度矩阵E(Pi)进行求导,获得角点响应值R,计算公式如下:
(2)根据Ω的取值范围为[0.01,0.1],判断角点相应值R与阈值Ω的大小关系如下:
1)当R>Ω:Pi点角点。
2)当R<-Ω:Pi点为折痕点。
3)当|R|<Ω:Pi点为平面点。
本发明未涉及部分与现有技术相同或可采用现有技术加以实现。
Claims (4)
1.一种无序点云关键特征精确识别与提取方法,其特征是首先对每个点云点进行邻域搜索,同时计算邻域距离和夹角对邻域点进行逆时针排序;然后对一环k邻域构建三角网格,计算顶点的离散法向,利用泰勒展开计算离散曲率;最后,对邻域距离、离散法向和离散曲率进行加权构造梯度矩阵并计算角点响应值,通过设定阈值识别特征点。
2.根据权利要求1所述的方法,其特征在于它包括以下步骤:
步骤1、计算每个点云点Pi的一环k邻域Pi-k。
(1)设定邻域k值取值范围[10,20],每个数据点找到距离最近的k+5个邻域点,对邻域点沿着逆时针方向进行排序,计算邻近两邻域点与点云点Pi组成的向量夹角θ;
(2)计算空间距离最小的邻域点为起始点位,计算阈值角度θ0=360/k,沿逆时针方向当两邻域点的夹角θ小于阈值角度θ0,删除模长较大的邻域点,另一个点标记为合格点进行保留,合格点作为新的起始点位;循环(2)直到邻域点减少到k个时结束;
步骤2、基于步骤1获得的邻域关系,构造三角化网格来计算每个点云点Pi的离散法向量,使用泰勒展开计算离散曲率,具体为:
(1)计算所有邻域三角形边长a/b/c,计算任一邻域三角形的形状权重Δj,公式如下:
(2)根据(1)获得的形状权重,计算点云点Pi的离散法向Np;
式中:Nfj为邻域三角形的法向量,计算邻域三角形任意两顶点构成的向量叉乘获得。
(3)根据(2)获得的法向量计算过点云点Pi的切平面F,对Pi与Pi-k所在的空间区域进行参数曲面S(u,v)拟合,构建Pi作为原点的局部坐标系xyz,x轴的方向选择为最短模长|Pi-Pi-k|的向量方向。
(4)对曲面S进行泰勒展开,计算公式如下:
式中u/v为曲面的曲纹坐标方向,投影到F面上对应x/y轴。Rn是一个高阶无穷小,后续计算忽略此值。将上式写成矩阵形式,计算每个数据点Pi点的离散一阶{Su,Sv}与二阶{Suu,Suv,Svv}导数,计算公式如下:
其中,Dj=|Pi-k-Pi|,Δuj=|Qj-k-Pi|cosσj,Δvj=|Qj-k-Pi|cosηj;式中Qj-k为邻域点Pi-k投影到切平面F的投影点,σj为任一投影点Qj-k与x轴夹角,ηj为任一投影点Qj-k与y轴夹角。
(5)根据(4)获得的离散一阶导数,计算外恩加滕变换矩阵W,公式如下:
式中:E、F、G为曲面的第一类基本量,L、N、M1、M2为曲面的第二类基本量。
(6)计算外恩加滕变换矩阵W的特征值k1,k2,获得点云点Pi的离散高斯曲率κ,公式如下:
κ=k1·k2
步骤3、对邻域距离、离散法向和离散曲率进行加权构造梯度矩阵并计算特征值,通过设定阈值识别特征点,具体如下:
(1)计算邻域点间距d,使用步骤2获得的离散法向和离散高斯曲率计算窗口函数w,公式如下:
其中,σk,σn,和σc是带宽参数,σk=max(d),σn=180,σc=max(κpi-κpi-k)。
(2)通过(1)获得的窗口函数,计算Pi沿着任一Pi-k点向量方向的梯度变化,公式如下
(3)将Pi的一阶和二阶离散导数代入上式,计算Pi在一环邻域内的整体梯度E,公式如下:
将上式进行改写,获得Pi点梯度的协方差矩阵M(Pi),计算公式如下:
式中cosα,cosβ,cosγ分别对应邻域点Pi-k在局部坐标系x/y/z下的方向余弦,Sx,Sy,Sz为曲面S的一阶偏导数。
(4)计算梯度矩阵M(Pi)的三个特征值并进行排序,得到λ1≥λ2≥λ3,设定阈值Ω,根据大小关系进行如下判断:
1)角点:λ1≥λ2≥λ3≥Ω;
2)棱边点:λ1≥λ2,λ1≥Ω,λ3≠0;或者λ2≥λ1,λ2≥Ω,λ3≠0;
3)平面点:λ1≤Ω,λ2≤Ω,λ3≤Ω。
3.根据权利要求2所述的方法,其特征是所述的曲面S(u,v)需要进行最小二乘求解获得参数方程:
(1)曲面方程一般表达式记为:
z=a1x2+a2xy+a3y2+a4x+a5y+a6
(2)将Pi点以及任意5个邻域点Pi-k分别带入上式中,获得六元一次方程组进行求解,得到系数集合A={a1,...a6};重复步骤(2)进行不超过N=Ck 5次排列组合,获得N组系数集;
(3)计算所有邻域点Pi-k到每组系数拟合曲面的Z向投影距离之和,选择最小值所对应的曲面系数作为拟合结果。
4.根据权利要求2所述的方法,其特征是通过计算角点响应函数R来简化特征值大小关系的判断过程:
(1)对梯度矩阵E(Pi)进行求导,获得角点响应值R,计算公式如下:
(2)根据Ω的取值范围为[0.01,0.1],判断角点相应值R与阈值Ω的大小关系如下:
1)当R>Ω:Pi点角点。
2)当R<-Ω:Pi点为折痕点。
3)当|R|<Ω:Pi点为平面点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574474.XA CN110458174B (zh) | 2019-06-28 | 2019-06-28 | 一种无序点云关键特征点精确提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574474.XA CN110458174B (zh) | 2019-06-28 | 2019-06-28 | 一种无序点云关键特征点精确提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458174A true CN110458174A (zh) | 2019-11-15 |
CN110458174B CN110458174B (zh) | 2023-05-09 |
Family
ID=68481816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910574474.XA Active CN110458174B (zh) | 2019-06-28 | 2019-06-28 | 一种无序点云关键特征点精确提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458174B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080692A (zh) * | 2019-12-18 | 2020-04-28 | 北京城市网邻信息技术有限公司 | 基于无序点集的处理方法、处理装置及电子设备 |
CN111932570A (zh) * | 2020-09-10 | 2020-11-13 | 熵智科技(深圳)有限公司 | 一种基于网格数据的边缘检测方法、装置、介质及设备 |
CN112101229A (zh) * | 2020-09-16 | 2020-12-18 | 云南师范大学 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
CN112150606A (zh) * | 2020-08-24 | 2020-12-29 | 上海大学 | 一种基于点云数据的螺纹表面三维重构方法 |
CN113327328A (zh) * | 2021-08-02 | 2021-08-31 | 苏州鼎纳自动化技术有限公司 | 一种三维点云数据精简方法 |
CN113487713A (zh) * | 2021-06-16 | 2021-10-08 | 中南民族大学 | 一种点云特征提取方法、装置及电子设备 |
CN114022621A (zh) * | 2022-01-07 | 2022-02-08 | 清华大学 | 用于无法向点云数据重建网格曲面的方法、设备和介质 |
CN116012613A (zh) * | 2023-01-04 | 2023-04-25 | 北京数字绿土科技股份有限公司 | 一种基于激光点云的露天矿的土方量变化测算方法和*** |
CN117114971A (zh) * | 2023-08-01 | 2023-11-24 | 北京城建设计发展集团股份有限公司 | 一种像素图向矢量图转换方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN104112289A (zh) * | 2014-01-29 | 2014-10-22 | 辽宁师范大学 | 基于并行级联em-icp的三维物体点云配准方法 |
CN106407985A (zh) * | 2016-08-26 | 2017-02-15 | 中国电子科技集团公司第三十八研究所 | 一种三维人体头部点云特征提取方法及其装置 |
CN107610232A (zh) * | 2017-07-05 | 2018-01-19 | 山东理工大学 | 基于样点邻域同构曲面的散乱点云曲率估算方法 |
CN109410342A (zh) * | 2018-09-28 | 2019-03-01 | 昆明理工大学 | 一种保留边界点的点云精简方法 |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
-
2019
- 2019-06-28 CN CN201910574474.XA patent/CN110458174B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN104112289A (zh) * | 2014-01-29 | 2014-10-22 | 辽宁师范大学 | 基于并行级联em-icp的三维物体点云配准方法 |
CN106407985A (zh) * | 2016-08-26 | 2017-02-15 | 中国电子科技集团公司第三十八研究所 | 一种三维人体头部点云特征提取方法及其装置 |
CN107610232A (zh) * | 2017-07-05 | 2018-01-19 | 山东理工大学 | 基于样点邻域同构曲面的散乱点云曲率估算方法 |
CN109410342A (zh) * | 2018-09-28 | 2019-03-01 | 昆明理工大学 | 一种保留边界点的点云精简方法 |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080692B (zh) * | 2019-12-18 | 2020-12-25 | 北京城市网邻信息技术有限公司 | 基于无序点集的处理方法、处理装置及电子设备 |
CN111080692A (zh) * | 2019-12-18 | 2020-04-28 | 北京城市网邻信息技术有限公司 | 基于无序点集的处理方法、处理装置及电子设备 |
CN112150606B (zh) * | 2020-08-24 | 2022-11-08 | 上海大学 | 一种基于点云数据的螺纹表面三维重构方法 |
CN112150606A (zh) * | 2020-08-24 | 2020-12-29 | 上海大学 | 一种基于点云数据的螺纹表面三维重构方法 |
CN111932570A (zh) * | 2020-09-10 | 2020-11-13 | 熵智科技(深圳)有限公司 | 一种基于网格数据的边缘检测方法、装置、介质及设备 |
CN111932570B (zh) * | 2020-09-10 | 2021-01-19 | 熵智科技(深圳)有限公司 | 一种基于网格数据的边缘检测方法、装置、介质及设备 |
CN112101229A (zh) * | 2020-09-16 | 2020-12-18 | 云南师范大学 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
CN112101229B (zh) * | 2020-09-16 | 2023-02-24 | 云南师范大学 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
CN113487713A (zh) * | 2021-06-16 | 2021-10-08 | 中南民族大学 | 一种点云特征提取方法、装置及电子设备 |
CN113327328A (zh) * | 2021-08-02 | 2021-08-31 | 苏州鼎纳自动化技术有限公司 | 一种三维点云数据精简方法 |
CN114022621A (zh) * | 2022-01-07 | 2022-02-08 | 清华大学 | 用于无法向点云数据重建网格曲面的方法、设备和介质 |
CN114022621B (zh) * | 2022-01-07 | 2022-05-31 | 清华大学 | 用于无法向点云数据重建网格曲面的方法、设备和介质 |
CN116012613A (zh) * | 2023-01-04 | 2023-04-25 | 北京数字绿土科技股份有限公司 | 一种基于激光点云的露天矿的土方量变化测算方法和*** |
CN116012613B (zh) * | 2023-01-04 | 2024-01-16 | 北京数字绿土科技股份有限公司 | 一种基于激光点云的露天矿的土方量变化测算方法和*** |
CN117114971A (zh) * | 2023-08-01 | 2023-11-24 | 北京城建设计发展集团股份有限公司 | 一种像素图向矢量图转换方法及*** |
CN117114971B (zh) * | 2023-08-01 | 2024-03-08 | 北京城建设计发展集团股份有限公司 | 一种像素图向矢量图转换方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110458174B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458174A (zh) | 一种无序点云关键特征点精确提取方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
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 | |
CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN106874580A (zh) | 一种基于点云数据的弯管模型重建方法 | |
CN109766604B (zh) | 一种基于随机等几何分析的叶片高刚度设计方法 | |
CN108955679A (zh) | 一种变电站智能巡检机器人高精度定位方法 | |
CN101930483B (zh) | 应用参数化设计模型化简数字地图居民地多边形的方法 | |
CN107703480A (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN103870604B (zh) | 旅游推荐方法和装置 | |
CN109683552B (zh) | 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 | |
CN111508015B (zh) | 一种基于三维实景数据的建筑物高度提取方法及其装置 | |
CN101882150A (zh) | 一种基于核密度估计的三维模型比较和检索方法 | |
CN111046459A (zh) | 一种基于3d软件的建筑模型图像设计方法 | |
CN103617336A (zh) | 一种航空噪声等值线图的绘制方法 | |
Wang et al. | EQSM: An efficient high quality surface grid generation method based on remeshing | |
Ren et al. | Intuitive and efficient roof modeling for reconstruction and synthesis | |
CN110942077A (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN112085837B (zh) | 一种基于几何形状和lstm神经网络的三维模型分类方法 | |
CN109712174A (zh) | 一种复杂异形曲面机器人三维测量的点云误配准滤除方法及*** | |
CN105931297A (zh) | 三维地质表面模型中的数据处理方法 | |
CN116541638B (zh) | 一种基于张量投票的飞机蒙皮修配加工路径计算方法 | |
CN106815607B (zh) | 一种基于反距离权重插值反函数的等值线图像数据提取方法 | |
Ma et al. | Complex buildings orientation recognition and description based on vector reconstruction | |
CN112767462B (zh) | 基于脊谷特征与深度特征描述符的点云单点对齐方法 |
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 |