CN111652801B - 一种点云精准拼接方法 - Google Patents
一种点云精准拼接方法 Download PDFInfo
- Publication number
- CN111652801B CN111652801B CN202010392869.0A CN202010392869A CN111652801B CN 111652801 B CN111652801 B CN 111652801B CN 202010392869 A CN202010392869 A CN 202010392869A CN 111652801 B CN111652801 B CN 111652801B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- point cloud
- splicing
- pairs
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 15
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种点云精准拼接方法,其对传统的ICP算法进行了优化改进,其利用SAC‑IA初始配准后的点云关系,为接下来的点云拼接提供了良好的初始旋转平移矩阵,使其不陷入局部最小值,从而可实现正确的配准拼接;并通过对每个点集进行ISS3D关键点检测,将采用具有特征的关键点进行对应点集搜索来实现高精度的识别匹配和减少计算量;而且还通过采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点,并在搜索完对应点对后,根据预设的剔除条件对错误匹配点对进行剔除。利用本发明提供的点云拼接方法,相对于基于传统ICP算法的拼接方法,其具有更高的准确性和更好的计算速度。
Description
技术领域
本发明涉及点云处理技术领域,具体涉及一种点云精准拼接方法。
背景技术
在三维重建方法中,通常需要用到ICP(Iterative Closest Point,迭代最近点)算法进行点云配准;点云配准,是指将多个拥有相同区域的点云片段融合到相同坐标系下。ICP算法是基于最小二乘法的最优匹配算法,它重复进行“确定对应关系点集-计算最优刚体变换”的过程,直到表示正确匹配的收敛准则被满足,最终获得目标点集与参考点之间的旋转矩阵R和平移矩阵T。该算法具有简单且计算复杂度低的优势,不过结果准确性严重依赖初始配准位置以及配准点集有无噪声点。
目前,现有三维重建方法中基于传统的ICP算法的点云拼接主要存在以下几点不足之处:
(1)使用传统ICP算法配准时对点云的初始位置要求很高,需要两个点云在相同坐标系内,如果两个点云距离很远,则很容易匹配错误,最终导致配准失败。
(2)传统ICP算法是使点云中每个点均参与对应点的查找,在进行点云配准时,需要点与点之间组成对应点对,而如果点云内的点个数多,需要匹配的点对就多,计算量就变大,耗时变久;相反,计算量变小,耗时减少。因此,点云中需要进行配对的点对的个数是影响配准速度的关键。
(3)传统ICP算法对每一个点搜索另一点集的对应近点时,采用了kdtree的最近邻点搜索方法,其利用穷举欧氏距离的方法进行匹配点查询,这种方法运算量大、运算时间长、并且方法鲁棒性差;基于点对点由于随机采样的方式可能搜索到不存在对应点对,以及搜索到错误的对应点对,没有对其剔除,这些因素都会导致两个点云点集之间的最终配准错误。
发明内容
为了克服现有技术中的不足,本发明提供一种点云精准拼接方法,以解决现有技术中在点云拼接中存在的容易导致点云配准错误,配准速度较慢的缺陷。
本发明是通过以下技术方案实现的:
一种点云精准拼接方法,所述方法步骤包括:
步骤S10、对物体点云分别提取ISS3D特征点和相应的FPFH特征描述子,并将提取的ISS3D特征点和FPFH特征描述子作为该物体基于RANSAC算法的初试配准,计算出用于点云拼接的初始旋转平移矩阵;
其中,在对物体点云进行ISS3D特征点和相应的FPFH特征描述子进行提取时,先提取ISS3D关键点pf=[x,y,z],再通过在多维空间中构建Kdtree的方式来将构建高维向量的拓扑关系,以方便查询特征向量的近邻向量;对相邻的两帧点云Csrc与Ctgt提取关键点和提取对应的局部特征FPFH直方图,并用向量表示;对Csrc中每一个关键点pi,利用Kdtree算法在Ctgt中查找k个与pi点的FPFH特征向量相近邻的点,构成候选点集,并从候选点集中选取一点作为对应点集,构成(pi,qi)对应点集;
步骤S20、对每个(pi,qi)对应点集进行ISS3D关键点检测,采用具有特征的关键点进行对应点集搜索;
步骤S30、在对关键点进行对应点集搜索的过程中,当利用Kdtree算法搜索点对点最近邻方式出现错误匹配点对时,则采用以下搜索方式搜索对应点:将采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点,并在搜索完对应点对后,根据预设的剔除条件对错误匹配点对进行剔除;
步骤S40、通过求解SVD得到旋转平移矩阵,当满足收敛条件δ=|ΔEK-ΔEK1|/M≤ε,其中M为归一化系数,且ε>0或者达到最大迭代次数TM,即可获得最优的变换矩阵TE,从而完成点云的精确拼接。
作为优选,所述步骤S10中,在利用RANSAC算法的初试配准中,利用随机采样的方法计算获得含有最多内点的旋转变换模型,其利用处于两点云上不同直线上的关键点对(pi,qi),i=1,2,3,先将pi和qi视为一对正确点对,利用点对估计旋转变换模型的转换参数[R|T];对于剩余点对中任一点对(pi,qi),i=1,2,3,计算距离:d=||Rp+T-q||;
若距离d小于某一给定的阈值,则称该点对(p,q)为内点;若d大于给定阈值,则点对为外点;
统计每组转换参数[R|T]对应的内点数目n,直至达到最大迭代次数;当满足最大内点数n的转换参数[R|T]则为旋转变换模型的最佳参数,利用SVD分解计算n对内点的转换矩阵,完成初始配准,得到用于点云拼接的初始旋转平移矩阵。
作为优选,在所述步骤S20中,所述ISS3D关键点的通过以下方法获取:
(1)建立散布矩阵C并对其EVD分解:V-1CV=D;所述散布矩阵公式为:
其中radius是支撑域大小,pj是pi支撑域内的邻居点;D是主对角线元素为特征值{λ1,λ2,λ3}的对角矩阵,V={λ1,λ2,λ3}是包含对应特征值λi特征向量vi的正交矩阵;
作为优选,所述步骤S30中,所述采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点的具体搜索方法为:
设p为点云P内的一点,M1,M2,M3为离p最近的三点,M1,M2,M3三点连接组成三角形ΔM1M2M3,设p在ΔM1M2M3上的垂足为q,若q在ΔM1M2M3内,此时垂足q即为对应点;若q在ΔM1M2M3外,则取M1,M2,M3三点中距离垂足点q最近的点作对应点。
作为优选,所述步骤S30中所述预设的剔除条件包括:
(1)在搜索对应点对中,剔除两两点对法线大于角预设角度A的点对;
(2)在对两两点云拼接时,设定颜色阈值TRGB,计算任一点pi与其搜索点pj之间的RGB值的差值dRGB,若dRGB>TRGB,则剔除点pj与点pi这一点对。
本发明提供的点云精准拼接方法,其对传统的ICP算法进行了优化改进,其利用SAC-IA初始配准后的点云关系,为接下来的点云拼接提供了良好的初始旋转平移矩阵,使其不陷入局部最小值,从而可实现正确的配准拼接;并通过对每个点集进行ISS3D关键点检测,将采用具有特征的关键点进行对应点集搜索来实现高精度的识别匹配和减少计算量;而且还通过采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点,并在搜索完对应点对后,根据预设的剔除条件对错误匹配点对进行剔除;因此利用本发明提供的点云拼接方法,其拼接的准确性和速度也更好。
附图说明
附图1是本发明实施例提供的一种点云精准拼接方法的方法流程示意图;
附图2是本发明实施例所述垂足q在三角形ΔM1M2M3的位置示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合附图对本发明作进一步的描述。
一种点云精准拼接方法,如附图1所示,所述方法步骤包括:
步骤S10、采用SAC-IA首配准的方式,计算出点云拼接的初始旋转平移矩阵,具体为:
对物体点云分别提取ISS3D特征点和相应的FPFH特征描述子,并将提取的ISS3D特征点和FPFH特征描述子作为该物体基于RANSAC算法的初试配准,计算出用于点云拼接的初始旋转平移矩阵;
其中,在对物体点云进行ISS3D特征点和相应的FPFH特征描述子进行提取时,先提取ISS3D关键点pf=[x,y,z],再通过在多维空间中构建Kdtree的方式来将构建高维向量的拓扑关系,由于FPFH是33维度的高维向量,因此通过在33维空间中构建Kdtree的方式来将构建高维向量的拓扑关系,以方便查询特征向量的近邻向量;
对相邻的两帧点云Csrc与Ctgt提取关键点和提取对应的局部特征FPFH直方图,并用向量表示;对Csrc中每一个关键点pi,利用Kdtree算法在Ctgt中查找k个与pi点的FPFH特征向量相近邻的点,构成候选点集,并从候选点集中选取一点作为对应点集,构成(pi,qi)对应点集;
步骤S20、对每个(pi,qi)对应点集进行ISS3D关键点检测,采用具有特征的关键点进行对应点集搜索;由ISS3D关键点方法提取的关键点能保持原始点云重要几何特性,对点云能很好的进行描述,因此计算出来的特征能够唯一地描述原始点云,从而保持高精度的物体识别与匹配。同时拼接计算量变小,耗时减少;
步骤S30、在对关键点进行对应点集搜索的过程中,当利用Kdtree算法搜索点对点最近邻方式出现错误匹配点对时,则采用以下搜索方式搜索对应点:将采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点,并在搜索完对应点对后,根据预设的剔除条件对错误匹配点对进行剔除;
步骤S40、通过求解SVD(Singular value decomposition:奇异值分解)得到旋转平移矩阵,当满足收敛条件δ=|ΔEK-ΔEK1|/M≤ε,其中M为归一化系数且ε=0,或者达到最大迭代次数TM,即可获得最优的变换矩阵TE,从而完成点云的精确拼接。
具体地,所述步骤S10中,在利用RANSAC算法的初试配准中,利用随机采样的方法计算获得含有最多内点的旋转变换模型,其利用处于两点云上不同直线上的关键点对(pi,qi),i=1,2,3,先将pi和qi视为一对正确点对,利用点对估计旋转变换模型的转换参数[R|T];对于剩余点对中任一点对(pi,qi),i=1,2,3,计算距离:
d=||Rp+T-q||;
若距离d小于某一给定的阈值,则称该点对(p,q)为内点;若d大于给定阈值,则称该点对(p,q)为外点;
统计每组转换参数[R|T]对应的内点数目n,直至达到最大迭代次数;当满足最大内点数n的转换参数[R|T]则为旋转变换模型的最佳参数,利用SVD分解计算n对内点的转换矩阵,完成初始配准,得到用于点云拼接的初始旋转平移矩阵。
ISS3D是一种基于散布矩阵特征值分解(EigenValue Decomposition,EVD)的特征提取方法。散布矩阵也称作PCA矩阵或协方差矩阵。
由于ISS3D是固定尺度的特征点检测方法,其特征点提取时支撑域的半径radius大小需要一开始确定,然后围绕目标点建立一个radius大小的半径球,将半径球内的所有顶点作为目标点的邻居点。通常支撑域取平均网格分辨率的6倍大小。在求支撑域问题上,由于三维点云数据本身缺失了网格数据的拓扑信息,在查找邻域关系时特别复杂和费时,常用K-D树加速求解支撑域。为了更加精确的确定特征点,采用非极大值抑制NMS搜索局部极大值。
在其中一个优选的实施例中,在所述步骤S20中,所述ISS3D关键点的通过以下方法获取:
(1)建立散布矩阵C并对其EVD分解:V-1CV=D;所述散布矩阵公式为:
其中radius是支撑域大小,pj是pi支撑域内的邻居点;D是主对角线元素为特征值{λ1,λ2,λ3}的对角矩阵,V={λ1,λ2,λ3}是包含对应特征值λi特征向量vi的正交矩阵;
在其中一个优选的实施例中,所述步骤S30中,所述采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点的具体搜索方法为:
设p为点云P内的一点,M1,M2,M3为离p最近的三点,M1,M2,M3三点连接组成三角形ΔM1M2M3,设p在三角形ΔM1M2M3上的垂足为q,若q在ΔM1M2M3内,此时垂足q即为对应点;若q在ΔM1M2M3外,则取M1,M2,M3三点中距离垂足点q最近的点作为对应点。
具体请参阅下图2:其中,图2a为垂足q在三角形ΔM1M2M3内的示意图,图2b为垂足q在三角形ΔM1M2M3外的示意图。
根据垂足q在三角形ΔM1M2M3中的位置,对应点的计算获取方法如下:
设M1,M2,M3三点的坐标为分别为(Mj,Nj,Hj),j=1,2,3。由上述公式d=||Rp+T-q||可求出垂足q(x,y,z),获得q与M1,M2,M3构成的向量pM1,pM2,pM3,计算三者qM1×qM2,qM2×qM3与qM3×qM1,如果三者同号,证明垂足q在ΔM1M2M3内,此时垂足即为对应点。
否则,q在ΔM1M2M3外,此时去取距离垂足点最近的点作对应点,距离垂足点q最近的点的计算方法公式如下:
其中,a0,b0,c0求解如计算公式如下:
在搜索万对应点对后,通过一下预设的剔除条件对错误匹配点对进行剔除:
(1)在搜索对应点对中,剔除两两点对法线大于预设角度A的点对;由于在本发明实施例中,对两两点云进行拼接时,深度相机对每个方位获取数据的角度不超过30°,因此本实施例中,在搜索对应点对中,剔除两两点对法线大于预设角度A的取值范围优选为32°-38°,具体可选为35°。
(2)同时在对两两点云拼接时,由于采用彩色点云,故可对RGB值作为剔除错误匹配点对的条件,在对两两点云拼接时,设定颜色阈值TRGB,计算任一点pi与其搜索点pj之间的RGB值的差值dRGB,若dRGB>TRGB,则剔除点pj与点pi这一点对。其中,所述颜色阈值TRGB的取值范围可选为10-20,本实施例中所述颜色阈值TRGB优选为13或15。
与现有基于传统的ICP算法的点云拼接方法相比,本发明的主要优点有:
(1)使用传统ICP算法配准时对点云的初始位置要求很高,需要两个点云在相同坐标系内,如果两个点云距离很远,则很容易匹配错误,最终导致配准失败;
而本发明提供的点云拼接方法,其利用SAC-IA初始配准后的点云关系,为接下来的拼接提供了良好的初始旋转平移矩阵,使其不陷入局部最小值,从而可实现正确的配准拼接。
(2)传统ICP算法是使点云中每个点均参与对应点的查找,在进行点云配准时,需要点与点之间组成对应点对,而如果点云内的点个数多,需要匹配的点对就多,计算量就变大,耗时变久;相反,计算量变小,耗时减少,因此,传统ICP算法中,其速度较慢,耗时长;
而本发明提供的点云拼接方法,其不对点集中的每个点进行搜索,而将对每个点集进行ISS3D关键点检测,将采用具有特征的关键点进行对应点集搜索。由于ISS3D关键点方法提取的关键点能保持原始点云重要几何特性,对点云能很好的进行描述,因此计算出来的特征能够唯一地描述原始点云,从而保持高精度的物体识别与匹配,同时拼接计算量变小,耗时减少。
(3)传统ICP算法对每一个点搜索另一点集的对应近点时,采用了kdtree的最近邻点搜索方法,其利用穷举欧氏距离的方法进行匹配点查询,这种方法运算量大、运算时间长、并且方法鲁棒性差;同时,基于点对点由于随机采样的方式可能搜索到不存在对应点对,以及搜索到错误的对应点对,没有对其剔除,这些因素都会导致两个点云点集之间的最终配准错误;
而本发明提供的点云拼接方法,当利用Kdtree算法搜索点对点最近邻方式出现错误匹配点对时,则采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点,并在搜索完对应点对后,根据预设的剔除条件对错误匹配点对进行剔除;因此利用本发明提供的点云拼接方法,其拼接的准确性更高,计算处理速度也更快。
上述实施例中提到的内容为本发明较佳的实施方式,并非是对本发明的限定,在不脱离本发明构思的前提下,任何显而易见的替换均在本发明的保护范围之内。
Claims (4)
1.一种点云精准拼接方法,其特征在于:所述方法步骤包括:
步骤S10、对物体点云分别提取ISS3D特征点和相应的FPFH特征描述子,并将提取的ISS3D特征点和FPFH特征描述子作为该物体基于RANSAC算法的初试配准,计算出用于点云拼接的初始旋转平移矩阵;
其中,在对物体点云进行ISS3D特征点和相应的FPFH特征描述子进行提取时,先提取ISS3D关键点pf=[x,y,z],再通过在多维空间中构建Kdtree的方式来将构建高维向量的拓扑关系,以方便查询特征向量的近邻向量;对相邻的两帧点云Csrc与Ctgt提取关键点和提取对应的局部特征FPFH直方图,并用向量表示;对Csrc中每一个关键点pi,利用Kdtree算法在Ctgt中查找k个与pi点的FPFH特征向量相近邻的点,构成候选点集,并从候选点集中选取一点作为对应点集,构成(pi,qi)对应点集;
步骤S20、对每个(pi,qi)对应点集进行ISS3D关键点检测,采用具有特征的关键点进行对应点集搜索;
步骤S30、在对关键点进行对应点集搜索的过程中,当利用Kdtree算法搜索点对点最近邻方式出现错误匹配点对时,则采用以下搜索方式搜索对应点:将采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点,并在搜索完对应点对后,根据预设的剔除条件对错误匹配点对进行剔除;
步骤S40、通过求解SVD得到旋转平移矩阵,当满足收敛条件δ=|ΔEK-ΔEK1|/M≤ε,其中M为归一化系数且ε>0或者达到最大迭代次数TM,即可获得最优的变换矩阵TE,从而完成点云的精确拼接;
所述步骤S10中,在利用RANSAC算法的初试配准中,利用随机采样的方法计算获得含有最多内点的旋转变换模型,其利用处于两点云上不同直线上的关键点对(pi,qi),i=1,2,3,先将pi和qi视为一对正确点对,利用点对估计旋转变换模型的转换参数[R|T];对于剩余点对中任一点对(pi,qi),i=1,2,3,计算距离:
d=||Rp+T-q||;
若距离d小于某一给定的阈值,则称该点对(p,q)为内点;若d大于给定阈值,则点对为外点;
统计每组转换参数[R|T]对应的内点数目n,直至达到最大迭代次数;当满足最大内点数n的转换参数[R|T]则为旋转变换模型的最佳参数,利用SVD分解计算n对内点的转换矩阵,完成初始配准,得到用于点云拼接的初始旋转平移矩阵;
在所述步骤S20中,所述ISS3D关键点的通过以下方法获取:
(1)建立散布矩阵C并对其EVD分解:V-1CV=D;所述散布矩阵公式为:
其中radius是支撑域大小,pj是pi支撑域内的邻居点;D是主对角线元素为特征值{λ1,λ2,λ3}的对角矩阵,V={λ1,λ2,λ3}是包含对应特征值λi特征向量vi的正交矩阵;
2.根据权利要求1所述的点云精准拼接方法,其特征在于:所述步骤S30中,所述采用点与到另一点云中最近三点所构成的三角形之间的位置关系进行判断搜索对应点的具体搜索方法为:
设p为点云P内的一点,M1,M2,M3为离p最近的三点,M1,M2,M3三点连接组成三角形ΔM1M2M3,设p在ΔM1M2M3上的垂足为q,若q在ΔM1M2M3内,此时垂足q即为对应点;若q在ΔM1M2M3外,则取M1,M2,M3三点中距离垂足点q最近的点作对应点。
3.根据权利要求2所述的点云精准拼接方法,其特征在于:所述步骤S30中所述预设的剔除条件包括:
(1)在搜索对应点对中,剔除两两点对法线大于预设角度A的点对;
(2)在对两两点云拼接时,设定颜色阈值TRGB,计算任一点pi与其搜索点pj之间的RGB值的差值dRGB,若dRGB>TRGB,则剔除点pj与点pi这一点对。
4.根据权利要求3所述的点云精准拼接方法,其特征在于:所述预设角度A的取值范围为32°-38°;所述颜色阈值TRGB的取值范围为10-20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392869.0A CN111652801B (zh) | 2020-05-11 | 2020-05-11 | 一种点云精准拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392869.0A CN111652801B (zh) | 2020-05-11 | 2020-05-11 | 一种点云精准拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652801A CN111652801A (zh) | 2020-09-11 |
CN111652801B true CN111652801B (zh) | 2021-12-21 |
Family
ID=72345983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010392869.0A Active CN111652801B (zh) | 2020-05-11 | 2020-05-11 | 一种点云精准拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652801B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114274139B (zh) * | 2020-09-27 | 2024-04-19 | 西门子股份公司 | 自动喷涂方法、装置、***和存储介质 |
CN113706381A (zh) * | 2021-08-26 | 2021-11-26 | 北京理工大学 | 一种三维点云数据的拼接方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
CN108133458A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种基于目标物体空间点云特征的自动拼接方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654460A (zh) * | 2014-12-03 | 2016-06-08 | 富泰华工业(深圳)有限公司 | 点云拼接***及方法 |
CN108053367B (zh) * | 2017-12-08 | 2021-04-20 | 北京信息科技大学 | 一种基于rgb-d特征匹配的3d点云拼接与融合方法 |
-
2020
- 2020-05-11 CN CN202010392869.0A patent/CN111652801B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
CN108133458A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种基于目标物体空间点云特征的自动拼接方法 |
Non-Patent Citations (3)
Title |
---|
基于ISS特征点结合改进ICP的点云配准算法;李仁忠等;《激光与光电子学进展》;20170706(第11期);第111503-1到第111503-8页 * |
基于关键点提取与优化迭代最近点的点云配准;彭真等;《激光与光电子学进展》;20200331;第57卷(第06期);第061002-1到061002-12页 * |
彭真等.基于关键点提取与优化迭代最近点的点云配准.《激光与光电子学进展》.2020,第57卷(第06期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111652801A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709947B (zh) | 一种基于rgbd相机的三维人体快速建模*** | |
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN104778688B (zh) | 点云数据的配准方法及装置 | |
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 | |
Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN106023298A (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN107818598B (zh) | 一种基于视觉矫正的三维点云地图融合方法 | |
CN111652801B (zh) | 一种点云精准拼接方法 | |
CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及*** | |
CN112257722B (zh) | 基于抗差非线性高斯-赫尔默特模型的点云拟合方法 | |
CN102236794A (zh) | 3d场景中3d对象的识别和姿态确定 | |
CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN109523582B (zh) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 | |
CN110111375B (zh) | 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置 | |
CN113628262A (zh) | 一种基于轮廓特征约束配准的飞机蒙皮检测方法 | |
CN105631844A (zh) | 一种摄像机标定方法 | |
CN112381862A (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN105809678B (zh) | 一种短基线条件下两视图间线段特征全局匹配方法 | |
CN116758126A (zh) | 一种基于相似三角形的误匹配剔除的快速点云配准方法 | |
Yue et al. | A new plane segmentation method of point cloud based on mean shift and RANSAC | |
CN116309026A (zh) | 一种基于***部特征描述与匹配的点云配准方法及*** | |
CN116188544A (zh) | 一种结合边缘特征的点云配准方法 | |
CN112365528A (zh) | 一种基于主成分分析的三维点云模型逐步求精快速配准方法 | |
CN115100277A (zh) | 复杂曲面结构零件位姿确定方法 |
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 |