CN111127667A - 基于区域曲率二进制描述符的点云初始配准方法 - Google Patents
基于区域曲率二进制描述符的点云初始配准方法 Download PDFInfo
- Publication number
- CN111127667A CN111127667A CN201911133616.5A CN201911133616A CN111127667A CN 111127667 A CN111127667 A CN 111127667A CN 201911133616 A CN201911133616 A CN 201911133616A CN 111127667 A CN111127667 A CN 111127667A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- module
- feature
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2008—Assembling, disassembling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于区域曲率二进制描述符的点云初始配准方法,首先获取被测物体的三维点云数据集,然后将点云数据中的特征点转化为二进制字符串,再寻找相同的特征点,得到所有匹配的特征点,最终获得初始配准后的点云数据集。本发明方法具有计算速度快、配准精度高和抗干扰能力强等优点,能够抵抗正常误差和变化的点云密度,再具体应用时,能够满足处理形状各异、外型受损严重、噪声较高的文物碎片的需要。
Description
技术领域
本发明属于三维点云配准技术领域,具体涉及一种基于区域曲率二进制描述符的点云初始配准方法。
背景技术
三维点云配准是目前计算机图形学中的一个热门研究方向,对现代医学、文物保护、航空航天等诸多领域都产生了深远的影响。三维点云配准是指通过刚性变换将模型点云变换到与场景点云相同的坐标系下,得到完成的三维点云数据。两个点云之间点的对应关系是配准需要解决的核心问题。现有配准方法通常分为初始配准和精细配准两个步骤。初始配准从全局出发,找到两个点云的近似旋转平移矩阵,提高优化效率,避免精细配准陷入局部最优。精细配准是指在初始配准后,进一步计算得到更加精确的配准矩阵。
目前三维点云的初始配准可以分为三类:基于全局配准的方法、基于局部特征描述的算法和基于随机抽样一致算法(random sample consensus,RANSAC)框架的方法。基于全局特征描述的算法,将点云配准转化为不同视角下的点云特征搜索问题;基于局部特征描述的算法,通过建立、搜索和匹配点云的关键特征点对应关系进行配准;基于随机抽样一致算法利用点云数据间的重叠区域确定对应点,根据对应点求解待匹配点云间的刚体变换关系。Zhou等提出一种快速全局配准算法。该算法对点云表面的点进行匹配操作。为了使表面对准及去掉错误的匹配而优化单一目标,这种优化在没有初始化的条件下实现目标点云的紧密对齐。
Tombari等人提出SHOT描述符,将特征点的球形空间沿径向、方位、俯仰3个方向,划分32个子空间,统计各区域内邻域点法线及关键点法线的夹角生成SHOT描述符。SHOT方法的局部特征描述能力较优,但对于点云的密度变化、和高斯噪声较为敏感。
Shen等首次将FPFH进行粗配准与ICP精细配准相结合。FPFH运算速度较快,维度较低,节省运算空间,但是在计算时没有考虑邻域半径的选取标准,对点云精度的依赖度很高。当待配准点云数据集的精度不同时,配准低效。
综上可以看出,虽然国内外学者在三维视觉的初始配准领域做了广泛的研究,然而现有的初始配准方法存在配准精度低、鲁棒性差、迭代速度慢的缺点。
发明内容
为解决上述问题,本发明提供了一种基于区域曲率二进制描述符的点云初始配准方法,解决现有的初始配准方法存在配准精度低、鲁棒性差、迭代速度慢的缺点。
为了解决上述技术问题,本发明采用如下技术方案予以实现:
基于区域曲率二进制描述符的点云初始配准方法,该方法具体包括以下步骤:
步骤1,获取被测物体的三维点云数据集S,S=[S1,S2,...,Si,...Sj,...,Sm];Si表示第i个点云数据,i=1,2,...,m,j=1,2,...,m,i≠j,m≥2;
步骤5,重复步骤2至步骤4,遍历数据集S中的所有点云数据,得到所有匹配的特征点,即可得到初始配准后的点云数据集S′。
步骤2.3,将二维平面分成2Ls×2Ls个网格,量化投影点进入相应的网格中,2Ls表示二维平面每个边划分的数量;
步骤2.4,计算每个网格中的投影点的加权曲率,聚合所有的加权曲率形成曲率分布矩阵,该曲率分布矩阵自动形成曲率图;
具体的,步骤3中特征点转化为二进制字符串的过程同步骤2。
具体的,所述的步骤2和步骤3中的均使用ISS特征点提取方法对特征点进行提取。
具体的,所述的步骤1中,还需要对得到的点云数据进行预处理,预处理过程包括滤波去噪和离群点去噪。
本发明还公开了基于区域曲率二进制描述符的点云初始配准***,该***包括以下模块:
数据采集模块,用于获取被测物体的三维点云数据集S,S=[S1,S2,...,Si,...Sj,...,Sm];Si表示第i个点云数据,i=1,2,...,m,j=1,2,...,m,i≠j,m≥2;
初始配准的点云数据集S′生成模块,用于重复特征点提取模块至特征点匹配模块,直至遍历数据集S中的所有点云数据,得到所有匹配的特征点,即可得到初始配准后的点云数据集S′。
具体的,所述的特征点转化模块具体包括:
将二维平面分成2Ls×2Ls个网格,量化投影点进入相应的网格中,2Ls表示二维平面每个边划分的数量;
计算每个网格中的投影点的加权曲率,聚合所有的加权曲率形成曲率分布矩阵,该曲率分布矩阵自动形成曲率图;
具体的,所述的特征点提取模块中使用ISS特征点提取方法对特征点进行提取。
进一步的,该***还包括数据预处理模块,用于对数据获取模块得到的点云数据进行预处理,预处理过程包括滤波去噪和离群点去噪。
与现有技术相比,本发明的有益效果是:
本发明首先通过将3D点云的描述转换为2D图像块,计算投影点分布的区域曲率,生成二进制字符串,提出高效且紧凑的二进制3D局部描述符;然后通过双向距离比的阈值匹配算法对进行特征匹配。作为点云数据初始配准方法,具有计算速度快、配准精度高和抗干扰能力强等优点,能够抵抗正常误差和变化的点云密度,再具体应用时,能够满足处理形状各异、外型受损严重、噪声较高的文物碎片的需要。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明方法的流程图。
图2为描述符的实现原理图,(a)特征点的2D分布投影;(b)投影点网格化;(c)曲率分布图;(d)描述符。
图3为兵马俑碎片数据,(a)胸部;(b)腰部;(c)肩部;(d)膝盖;(e)腿部。
图4为碎片组最优匹配集,(a)胸部;(b)腰部;(c)肩部;(d)膝盖;(e)腿部。
图5为各方法初始配准效果,(a)胸部;(b)腰部;(c)肩部;(d)膝盖;(e)腿部。
图6为用ICP算法对本文配准结果进行精细配准,(a)胸部;(b)腰部;(c)肩部;(d)膝盖;(e)腿部。
以下结合附图和具体实施方式对本发明的具体内容作进一步详细解释说明。
具体实施方式
本发明的方案主要是针对点云数据的初始配准阶段,对于后期的精细配准可使用目前广泛使用一些精配准方法,如最近点迭代ICP算法进行精细配准等,关于精细配准的过程将不再本文中详细阐述。
另外,本发明中所提及的特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点)。
以下对本发明的基于区域曲率二进制描述符的点云初始配准方法进行详细介绍,需要说明的是本发明并不局限于以下具体实施方式,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
该方法具体包括以下步骤:
步骤1,获取被测物体的点云数据,并对该数据进行预处理:
获取被测物体的三维点云数据集S,S=[S1,S2,...,Si,...Sj,...,Sm];Si表示第i个点云数据,i=1,2,...,m,j=1,2,...,m,i≠j,m≥2;在下述实施例中,m=2。
本发明中可使用不同的设备如雷达、激光扫描、Kinect设备等,获取被测物体的表面信息,其中m为扫描的次数。
在扫描获取点云数据时,由于操作者的不熟练、设备精度等问题的影响,获取的点云数据会产生一些多余的噪声点。需要对获取的文物点云数据进行滤波去躁和离群点滤除。本发明主要使用体素化网格取样法过滤点云,首先,计算出点云数据在三维坐标系内的每个坐标轴方向上的最大长度,然后根据点云数据的体积大小,将该点云拆分为多个立方体网格。网格建立完成后,检测网格内是否包含点云数据点,若不含数据点,则直接删除;若网格包含数据点,则计算其中心点,设定阈值保留部分离中心点距离较近的数据点,删除其余数据点,得到与预处理后的点云数据集。
下来将数据集中每个点云数据中的特征值转化为二进制字符串,首先需要进行常规的特征点提取:
常用的特征点检测方法有基于法向量的特征点提取方法、基于曲率的特征点提取方法、LSP特征点检测方法、ISS特征点提取方法等方法。本发明优选ISS特征点提取方法对其进行处理。
将这些特征点转化为二进制字符串 表示中的第v个描述符。转化方法可选LBP方法及其变种算法机械,如MB-LBP、CLBP、LTP等方法,优选的,本发明通过一种区域曲率二进制描述符来描述点云特征,其思路如图2所示,具体包括下步骤:
对D矩阵进行特征分解:DV=EV。E为特征值对角阵l{l1,l2,l3},V{v1,v2,v3}是由正交特征向量构成的矩阵。
步骤2.3,将二维平面分成2Ls×2Ls个网格,量化投影点进入相应的网格中,2Ls表示二维平面每个边划分的数量,具体包括:
M(x,y,z)=(Rcosθ,Rsinθ) (3)
将二维平面上的投影点进一步离散化,即沿着X'轴和Y'轴将二维投影平面分成2Ls×2Ls个网格,量化投影点进入相应的网格,将各网格表示为Bin(x,y),中心表示为ps:
其中,ds是每个网格的边长,落入区域的将被计算入该网格中;二维平面的边长为2Ls,以这个正方形的中心作为原点,建立坐标系,则二维平面的边界与坐标轴(Ls,0)(-Ls,0)(0,Ls)(0,-Ls)四点相交。每个小网格边长为ds,x、y轴上各有2Ls+1个坐标点,2Ls条线段。每个小网格Bin(x,y)的中心ps位置由x、y坐标确定。例如,有一个小网格,先看他在x、y轴上是第h个和第g个,h、g分别乘以网格边长,得到该网格中心点坐标。
步骤2.4,计算每个网格中的投影点的加权曲率,聚合所有的加权曲率形成曲率分布矩阵,该曲率分布矩阵自动形成曲率图。
落入Bin(x,y)中点的曲率最终编码为曲率分布图(公式6):
在具体的转化过程中,为了使该过程具有尺度不变性,本发明通过除以描述符每行的最大绝对值,将区域曲率归一化到[0,1]范围。再使用Schmid等人提出的CS-LBP方法来描述图像块中心。然后将二进制字符串联,得到特征点的描述符。
以下开始特征匹配过程,特征匹配是要建立特征描述子间的对应关系,是实现初始配准的重要环节,本发明通过下述方法进行特征匹配:
步骤4.1,在中查找与距离最近的和次近的 当两个的距离比值低于阈值T1,0.6≤T1≤0.9(在下述实施例中设置为0.75),保存进行步骤4.2;否则,说明没有在中找到与匹配的描述符,即没有在Pj中找到与Pi中的某一特征点匹配的点,重复4.1;
步骤5,重复步骤2至步骤4,遍历数据集S中的所有点云数据,得到全部匹配的特征点,即完整的集合C,通过配准集合C中的点对,得到新的点云数据集S′。
本发明还公开了基于区域曲率二进制描述符的点云初始配准***,该***主要包括以下模块:
数据采集模块,用于获取被测物体的三维点云数据集S,S=[S1,S2,...,Si,...Sj,...,Sm];Si表示第i个点云数据,i=1,2,...,m,j=1,2,...,m,i≠j,m≥2;m为扫描的次数,采集设备可采用雷达、激光扫描、Kinect设备等。
特征点提取模块,用于提取Si的特征点形成集合 表示点云Si中的第v个特征点;提取Sj的特征点形成集合 表示点云Sj中的第u个特征点。本模块中常用的特征点检测方法有基于法向量的特征点提取方法、基于曲率的特征点提取方法、LSP特征点检测方法、ISS特征点提取方法等方法。本发明优选ISS特征点提取方法对其进行处理。
特征点转化模块,用于将特征点提取模块中的特征点转化为二进制字符串和 表示中的第v个描述符;表示中的第u个描述符。转化方法可选LBP方法及其变种算法机械,如MB-LBP、CLBP、LTP等方法,优选的,本发明通过一种区域曲率二进制描述符来描述点云特征,具体为:
对D矩阵进行特征分解:DV=EV。E为特征值对角阵l{l1,l2,l3},V{v1,v2,v3}是由正交特征向量构成的矩阵。
将二维平面分成2Ls×2Ls个网格,量化投影点进入相应的网格中,2Ls表示二维平面每个边划分的数量,具体包括:
M(x,y,z)=(Rcosθ,Rsinθ) (3)
将二维平面上的投影点进一步离散化,即沿着X'轴和Y'轴将二维投影平面分成2Ls×2Ls个网格,量化投影点进入相应的网格,将各网格表示为Bin(x,y),中心表示为ps:
其中,ds是每个网格的边长,落入区域的将被计算入该网格中;二维平面的边长为2Ls,以这个正方形的中心作为原点,建立坐标系,则二维平面的边界与坐标轴(Ls,0)(-Ls,0)(0,Ls)(0,-Ls)四点相交。每个小网格边长为ds,x、y轴上各有2Ls+1个坐标点,2Ls条线段。每个小网格Bin(x,y)的中心ps位置由x、y坐标确定。例如,有一个小网格,先看他在x、y轴上是第h个和第g个,h、g分别乘以网格边长,得到该网格中心点坐标。
计算每个网格中的投影点的加权曲率,聚合所有的加权曲率形成曲率分布矩阵,该曲率分布矩阵自动形成曲率图。
落入Bin(x,y)中点的曲率最终编码为曲率分布图(公式6):
初始配准的点云数据集S′生成模块,用于重复特征点提取模块至特征点匹配模块,直至遍历数据集S中的所有点云数据,得到所有匹配的特征点,即可得到初始配准后的点云数据集S′。
优选的,本发明的***还包括数据预处理模块,用于对数据获取模块得到的点云数据进行预处理,预处理过程包括滤波去噪和离群点去噪。本发明主要使用体素化网格取样法过滤点云,首先,计算出点云数据在三维坐标系内的每个坐标轴方向上的最大长度,然后根据点云数据的体积大小,将该点云拆分为多个立方体网格。网格建立完成后,检测网格内是否包含点云数据点,若不含数据点,则直接删除;若网格包含数据点,则计算其中心点,设定阈值保留部分离中心点距离较近的数据点,删除其余数据点,得到与预处理后的点云数据集。
实施例:
本实施例将K9901兵马俑坑采集的兵马俑碎片点云数据集作为实验数据,如图3所示,根据上述实施方案,在相同点云及点云数据重叠率的情况下,将本发明的点云初始配准方法(简称为RCBD),与改进的RANSAC算法和F-4PCS算法进行比较。在本实施例中,精配准采用最近点迭代ICP算法。如图4所示为得到的碎片组的最优匹配集,图5所示为三种方法的初始配准结果,图6所示为ICP算法本实施例的初始配准进行精细配准后的结果实验。结果表明,本文方法配准准确率高达98.77%,均方根误差比传统方法降低37%,平均配准耗时降低50%。
在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,只要其不违背本发明的思想,同样应当视其为本发明所公开的内容。
Claims (10)
1.基于区域曲率二进制描述符的点云初始配准方法,其特征在于,该方法具体包括以下步骤:
步骤1,获取被测物体的三维点云数据集S,S=[S1,S2,...,Si,...Sj,...,Sm];Si表示第i个点云数据,i=1,2,...,m,j=1,2,...,m,i≠j,m≥2;
步骤5,重复步骤2至步骤4,遍历数据集S中的所有点云数据,得到所有匹配的特征点,即可得到初始配准后的点云数据集S′。
步骤2.3,将二维平面分成2Ls×2Ls个网格,量化投影点进入相应的网格中,2Ls表示二维平面每个边划分的数量;
步骤2.4,计算每个网格中的投影点的加权曲率,聚合所有的加权曲率形成曲率分布矩阵,该曲率分布矩阵自动形成曲率图;
3.如权利要求1所述的基于区域曲率二进制描述符的点云初始配准方法,其特征在于,步骤3中特征点转化为二进制字符串的过程同步骤2。
4.如权利要求1所述的基于区域曲率二进制描述符的点云初始配准方法,其特征在于,所述的步骤2和步骤3中的均使用ISS特征点提取方法对特征点进行提取。
5.如权利要求1所述的基于区域曲率二进制描述符的点云初始配准方法,其特征在于,所述的步骤1中,还需要对得到的点云数据进行预处理,预处理过程包括滤波去噪和离群点去噪。
6.基于区域曲率二进制描述符的点云初始配准***,其特征在于,包括以下模块:
数据采集模块,用于获取被测物体的三维点云数据集S,S=[S1,S2,...,Si,...Sj,...,Sm];Si表示第i个点云数据,i=1,2,...,m,j=1,2,...,m,i≠j,m≥2;
初始配准的点云数据集S′生成模块,用于重复特征点提取模块至特征点匹配模块,直至遍历数据集S中的所有点云数据,得到所有匹配的特征点,即可得到初始配准后的点云数据集S′。
7.如权利要求6所述的基于区域曲率二进制描述符的点云初始配准***,其特征在于,所述的特征点转化模块具体包括:
将二维平面分成2Ls×2Ls个网格,量化投影点进入相应的网格中,2Ls表示二维平面每个边划分的数量;
计算每个网格中的投影点的加权曲率,聚合所有的加权曲率形成曲率分布矩阵,该曲率分布矩阵自动形成曲率图;
9.如权利要求6所述的基于区域曲率二进制描述符的点云初始配准***,其特征在于,所述的特征点提取模块中使用ISS特征点提取方法对特征点进行提取。
10.如权利要求6所述的基于区域曲率二进制描述符的点云初始配准***,其特征在于,该***还包括数据预处理模块,用于对数据获取模块得到的点云数据进行预处理,预处理过程包括滤波去噪和离群点去噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133616.5A CN111127667B (zh) | 2019-11-19 | 2019-11-19 | 基于区域曲率二进制描述符的点云初始配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133616.5A CN111127667B (zh) | 2019-11-19 | 2019-11-19 | 基于区域曲率二进制描述符的点云初始配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127667A true CN111127667A (zh) | 2020-05-08 |
CN111127667B CN111127667B (zh) | 2023-03-31 |
Family
ID=70495773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911133616.5A Active CN111127667B (zh) | 2019-11-19 | 2019-11-19 | 基于区域曲率二进制描述符的点云初始配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127667B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330661A (zh) * | 2020-11-24 | 2021-02-05 | 交通运输部公路科学研究所 | 一种多期车载激光点云道路变化监测方法 |
CN114639115A (zh) * | 2022-02-21 | 2022-06-17 | 北京航空航天大学 | 一种人体关键点与激光雷达融合的3d行人检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
CN110443840A (zh) * | 2019-08-07 | 2019-11-12 | 山东理工大学 | 实物表面采样点集初始配准的优化求解方法 |
-
2019
- 2019-11-19 CN CN201911133616.5A patent/CN111127667B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
CN110443840A (zh) * | 2019-08-07 | 2019-11-12 | 山东理工大学 | 实物表面采样点集初始配准的优化求解方法 |
Non-Patent Citations (2)
Title |
---|
段德全等: "基于粒子群优化算法的散乱点云数据配准", 《广西师范大学学报(自然科学版)》 * |
汪霞等: "一种低重叠率激光点云的配准方法", 《测绘科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330661A (zh) * | 2020-11-24 | 2021-02-05 | 交通运输部公路科学研究所 | 一种多期车载激光点云道路变化监测方法 |
CN114639115A (zh) * | 2022-02-21 | 2022-06-17 | 北京航空航天大学 | 一种人体关键点与激光雷达融合的3d行人检测方法 |
CN114639115B (zh) * | 2022-02-21 | 2024-07-05 | 北京航空航天大学 | 一种人体关键点与激光雷达融合的3d行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111127667B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097093B (zh) | 一种异源图像精确匹配方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别*** | |
CN109767463B (zh) | 一种三维点云自动配准方法 | |
CN108389250B (zh) | 基于点云数据快速生成建筑物断面图的方法 | |
CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
CN110807781B (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN108022262A (zh) | 一种基于点的邻域重心向量特征的点云配准方法 | |
CN105809693A (zh) | 基于深度神经网络的sar图像配准方法 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN105654483A (zh) | 三维点云全自动配准方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN104834931A (zh) | 一种基于小波变换的改进的尺度不变特征匹配算法 | |
CN110009745B (zh) | 根据平面基元和模型驱动对点云提取平面的方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN111127667B (zh) | 基于区域曲率二进制描述符的点云初始配准方法 | |
CN109766903B (zh) | 一种基于曲面特征的点云模型曲面匹配方法 | |
CN110348310A (zh) | 一种霍夫投票3d彩色点云识别方法 | |
CN110942077B (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
Lu et al. | Point cloud registration algorithm fusing of super 4pcs and icp based on the key points | |
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 | |
CN112070800A (zh) | 一种基于三维点云极化地图表征的智能车定位方法及*** | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN106886988A (zh) | 一种基于无人机遥感的线性目标检测方法及*** | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 |
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 |