CN112132752A - 一种大型复杂曲面多视扫描点云的精拼接方法 - Google Patents
一种大型复杂曲面多视扫描点云的精拼接方法 Download PDFInfo
- Publication number
- CN112132752A CN112132752A CN202011046973.0A CN202011046973A CN112132752A CN 112132752 A CN112132752 A CN 112132752A CN 202011046973 A CN202011046973 A CN 202011046973A CN 112132752 A CN112132752 A CN 112132752A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- algorithm
- splicing
- clouds
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013519 translation Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 20
- 241000255588 Tephritidae Species 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 24
- 238000009616 inductively coupled plasma Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 17
- 238000005259 measurement Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种大型复杂曲面多视扫描点云的精拼接方法,属于三维点云配准领域。本发明采用果蝇优化算法和改进最近点迭代算法的混合优化算法来实现大型复杂曲面点云的精拼接,通过结合ICP算法的局部高效最优搜索能力和FOA算法的全局最优搜索能力,解决现有技术中收敛速度慢、易陷入局部最优的问题,有效提高大型复杂曲面多视扫描点云的精拼接精度。粗拼接后的点云通过FOA‑ICP算法处理后输出高精度拼接好的多视点云,真实地映了被测对象的表面形貌。本发明对FOA拼接算法进行改进,将最优目标参数由六维向量简化为三维平移向量,舍弃的三维旋转向量的搜索通过融合的ICP算法来弥补,提高了搜索效率。
Description
技术领域
本发明属于三维点云配准技术领域,更具体地,涉及一种大型复杂曲面多视扫描点云的精拼接方法。
背景技术
大型复杂曲面的三维测量无法通过一次测量得到整个曲面的三维形貌数据,只能通过从不同视角分别测量得到多视点云,然后将这些多视点云拼接(也称为“配准”)为一个整体。多视点云的拼接通常分为两个步骤,粗拼接和精拼接。经过一定方法进行粗略拼接后的点云,拼接的精度很低,无法准确表征被测对象的真实形貌,需要进一步通过精拼接方法再次拼接以提高精度。最后,对精拼接之后的点云进行三维重建(将点云数据转化为三维模型)得到待测曲面的测量模型,以用于对待测曲面的加工精度进行评价。
针对多视点云的精拼接问题,ICP(Iterative Closest Point,迭代最近点)及其改进算法,其主要思想是:通过搜索最近点作为匹配对应点,并利用奇异值分解或四元数法求解所需的配准参数进行拼接,然后反复迭代上述过程直至拼接误差小于目标值。然而该技术存在以下缺陷:无法解决低重叠率的部分重叠点云的配准。对于复杂曲面点云的拼接问题易陷入局部最优解,无法保证得到全局最优解。GA(Genetic Algorithm,遗传算法)、CS(Cuckoo Search,布谷鸟算法)、FOA(Fruit Fly Optimization Algorithm,果蝇优化算法)等群体智能优化算法,其主要思想是:模拟昆虫、兽群、鸟群等的群体行为,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断地改变搜索方向,进而求解最优问题。然而该技术存在以下缺陷:搜索时间长,运算效率低等问题。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种大型复杂曲面多视扫描点云的精拼接方法,其目的在于通过结合大型复杂曲面零件自身的结构特点,采用果蝇优化算法(FOA)和最近点迭代算法(ICP)的混合优化算法来实现大型复杂曲面点云的精拼接,测试结果表明该方法能够有效解决现有技术中收敛速度慢、且易陷入局部最优的问题,有效提高了大型复杂曲面多视扫描点云的精拼接精度。
为实现上述目的,按照本发明的第一方面,提供了一种大型复杂曲面多视扫描点云的精拼接方法,该方法包括以下步骤:
S1.输入粗拼接后的多视点云中的两片相邻且有部分重叠的点云P和Q,将点云P作为源点云,将点云Q作为目标点云;
S2.采用改进ICP算法对源点云P和目标点云Q进行初次精拼接,得到变换矩阵,根据所述变换矩阵对源点云P进行更新;
S3.采用FOA算法对当前点云P和Q进行二次精拼接,用随机生成的多个三维平移变换对当前点云P进行平移变换得到候选点云集,采用改进ICP算法对候选点云集中的每片候选点云和目标点云Q分别进行精配准,用配准误差最小的候选点云更新点云P;
S4.重复步骤S3直至配准误差小于等于误差阈值或迭代次数达到最大迭代次数为止,由此完成整个的点云精配准过程;
所述改进ICP算法在标准ICP算法基础上,进行如下改进:在所有最近点对中筛选互为对应点作为匹配对应点,计算平移参数和旋转参数时采用点到平面距离准则。
优选地,改进ICP算法在计算对应点时采用的是互为欧式距离最近的点,即若源点云P中的点pi和目标点云Q中的点qi是对应点,则表明pi是点云P中与点qi欧式距离最近的点,同时,qi是点云Q中与点pi欧式距离最近的点。
优选地,改进ICP算法的最优目标函数采用的是点到平面的距离,即
优选地,变换矩阵根据下式对源点云P进行更新:
f(pi)=R·pi+T,i=1,2,...,np。
优选地,步骤S3包括以下步骤:
S31.随机生成N个三维平移向量作为果蝇个体组成果蝇种群,N表示果蝇种群大小;
S32.将点云P沿着随机生成的N个三维平移向量进行平移变换,得到N片候选点云P’;
S33.采用改进ICP的算法对每片候选点云分别与目标点云Q进行配准,并计算配准后的两片点云对应点之间的配准误差;
S34.选取N片候选点云中与Q拼接误差最小的点云更新点云P。
优选地,拼接误差的计算公式如下:
其中,qi表示点云Q中与点云P中点pi的对应点,||X||表示对向量X取模,nk表示互为对应点的个数,R和T分别表示所求的最优旋转和平移矩阵。
为实现上述目的,按照本发明的第二方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如第一方面所述的方法的步骤。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明采用果蝇优化算法(FOA)和改进最近点迭代算法(ICP)的混合优化算法来实现大型复杂曲面点云的精拼接,通过结合ICP算法的局部高效最优搜索能力和FOA算法的全局最优搜索能力,从而解决现有技术中收敛速度慢、易陷入局部最优的问题,有效提高了大型复杂曲面多视扫描点云的精拼接精度。粗拼接后的点云通过本发明FOA-ICP算法处理后最终输出为高精度拼接好的多视点云,它比较真实地反映了被测对象的表面形貌,可用于对被测对象的加工质量进行检测分析。
(2)本发明对现有的基于FOA的拼接算法进行了改进,主要改进是将最优目标参数由六维向量(3旋转+3平移)简化为三维向量(仅保留3维平移),而舍弃的三维旋转向量的搜索可以通过融合的ICP算法来弥补,这样可以在保证全局搜索能力的同时缩短搜索时间,一定程度上提高了搜索效率。
附图说明
图1为本发明提供的一种大型复杂曲面多视扫描点云的精拼接方法流程图;
图2为本发明提供的采用ICP和本发明方法进行大型复杂曲面多视扫描点云的精拼接的配准误差结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
大型复杂曲面的三维测量通常无法通过一次测量得到整个曲面的三维形貌数据,只能通过从多个不同视角分别测量得到多视点云,然后将这些多视点云拼接(也称为“配准”)为一个整体。多视点云的拼接通常分为两个步骤,粗拼接和精拼接。本发明针对的就是多视点云的精拼接问题。
原始输入是经过粗拼接的多视点云,它们是多片从多个视角扫描曲面得到的,经过一定方法进行粗拼接后的三维点云片。“点云”通常是指在逆向工程中通过测量仪器得到的产品外观表面的点数据集合,具体到本发明,所述“点云”是指使用三维扫描仪得到的点数量比较大并且比较密集的密集点云。
这种粗拼接后的点云通过本发明FOA-ICP算法处理后最终输出为高精度拼接的点云,它比较真实地反映了被测对象的表面形貌,可用于对被测对象的加工质量进行检测分析。
整个拼接过程的目的就是在求解一个最优的旋转矩阵和平移矩阵,利用该旋转矩阵和平移矩阵对源点云进行三维变换,使两个点云尽量统一到同一个坐标下。算法的目的就是求解最优的旋转矩阵和平移矩阵。
如图1所示,本发明提出了一种大型复杂曲面多视扫描点云的精拼接方法,该方法包括以下步骤:
步骤S1.输入粗拼接后的多视点云中的两片相邻且有部分重叠的点云P和Q,将点云P作为源点云,将点云Q作为目标点云。
将对大型复杂曲面局部区域从两个不同视角扫描得到的且已经经过粗配准的两片部分重叠的点云分别记为源点云P={pi}和目标点云Q={qi},其中,pi和qi分别为点云P和点云Q中的三维点,i=1,2,...,np,j=1,2,...,nq,np和nq分别表示点云P和点云Q的点的总数。
步骤S2.采用改进ICP算法对源点云P和目标点云Q进行初次精拼接,得到变换矩阵,根据所述变换矩阵对源点云P进行更新。
现有技术中标准ICP算法描述如下:
对于两个三维点集P和Q,进行以下处理:
第一步,计算P中的每一个点在Q点集中的对应最近点;
第二步,求得使上述对应点对平均距离最小的刚体变换,求得平移参数和旋转参数;
第三步,对P使用上一步求得的平移和旋转参数进行三维变换,得到新的点集P’;
第四步,如果新的点集P’与参考点集Q满足两点集的平均距离小于某一给定阈值,则停止迭代计算,否则新的变换点集作为新的P继续迭代,直到达到目标函数的要求。
本发明对第一步进行如下改进:在所有最近点对中筛选互为对应点作为匹配对应点。对第二步进行如下改进:采用点到平面距离准则。
改进ICP算法在计算对应点时采用的是互为欧式距离最近的点,即若源点云P中的点pi和目标点云Q中的点qi是对应点,则表明pi是点云P中与点qi欧式距离最近的点,同时,qi是点云Q中与点pi欧式距离最近的点。
改进ICP算法的最优目标函数采用的是点到平面的距离,即
变换矩阵(包括旋转矩阵R和平移矩阵T)根据下式对源点云P进行更新:
f(pi)=R·pi+T,i=1,2,…,np
ICP算法的主要改进主要在于:采用互为对应点准则剔除错误对应点,解决了部分重叠点云的配准,采用点到平面的距离作为最优目标函数,提升了弱特征曲面点云的配准精度。
步骤S3.采用FOA算法对当前点云P和Q进行二次精拼接,具体为用随机生成的多个平移变换对当前点云P进行平移变换,得到候选点云集,采用改进ICP算法对候选点云集中的每片候选点云和目标点云Q分别进行精配准,用配准误差最小的候选点云更新点云P。
FOA-ICP算法通过外层FOA算法寻找全局最优,通过内层ICP算法求解局部最优,从而很好解决传统ICP算法存在的易陷入局部最优问题。
基于果蝇优化算法,设定果蝇的种群大小为N、最大迭代次数M以及匹配误差阈值δ。
S31.随机生成N个三维平移向量作为果蝇个体组成果蝇种群,N为果蝇种群大小。
随机生成的N个三维平移向量Tj=[txtytz]T,j=1,2,...,N作为果蝇个体组成果蝇种群,其中,tx、ty、tz可用随机函数生成,如[0,1]区间的随机数。
S32.将点云P沿着随机生成的N个三维平移向量进行平移变换,得到N片候选点云P’。
将上述随机生成的N个三维平移向量Tj按下式对源点云P对其进行平移变换,得到N片候选点云{Pi},其中,i=1,2,...,N。
f(pi)=pi+Tj,i=1,2,…,np
S33.采用改进ICP的算法对每片候选点云分别与目标点云Q进行拼接,并计算配准后的两片点云对应点之间的配准误差。
步骤S3中改进ICP算法同步骤S2,不再赘述。采用改进的ICP算法将得到的N片候选点云{Pi}分别与目标点云Q进行配准,并用得到变换矩阵分别对候选点云{Pi}进行更新,并基于下式分别求配准误差:
其中,pi表示点云Q中与点云P中点qi的对应点,||X||表示对向量X取模,nk是互为对应点的个数,R和T分别为所求的最优旋转和平移矩阵。
S34.选取N片候选点云中与Q配准误差最小的点云更新点云P。
步骤S4.重复步骤S3直至配准误差小于等于误差阈值或迭代次数达到最大迭代次数为止,由此完成整个的点云精配准过程。
分别采用ICP和本发明方法进行大型复杂曲面多视扫描点云的精拼接,配准误差如图2所示。测试结果表明,本发明提出的方法能有效应对缺乏明显特征的部分重叠的相邻两片曲面点云的精拼接,相对现有技术,该方法收敛精度高,收敛速度快,算法稳定性好。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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之内。
Claims (7)
1.一种大型复杂曲面多视扫描点云的精拼接方法,其特征在于,该方法包括以下步骤:
S1.输入粗拼接后的多视点云中的两片相邻且有部分重叠的点云P和Q,将点云P作为源点云,将点云Q作为目标点云;
S2.采用改进ICP算法对源点云P和目标点云Q进行初次精拼接,得到变换矩阵,根据所述变换矩阵对源点云P进行更新;
S3.采用FOA算法对当前点云P和Q进行二次精拼接,用随机生成的多个三维平移变换对当前点云P进行平移变换得到候选点云集,采用改进ICP算法对候选点云集中的每片候选点云和目标点云Q分别进行精配准,用配准误差最小的候选点云更新点云P;
S4.重复步骤S3直至配准误差小于等于误差阈值或迭代次数达到最大迭代次数为止,由此完成整个的点云精配准过程;
所述改进ICP算法在标准ICP算法基础上,进行如下改进:在所有最近点对中筛选互为对应点作为匹配对应点,计算平移参数和旋转参数时采用点到平面距离准则。
2.如权利要求1所述的方法,其特征在于,改进ICP算法在计算对应点时采用的是互为欧式距离最近的点,即若源点云P中的点pi和目标点云Q中的点qi是对应点,则表明pi是点云P中与点qi欧式距离最近的点,同时,qi是点云Q中与点pi欧式距离最近的点。
4.如权利要求3所述的方法,其特征在于,变换矩阵根据下式对源点云P进行更新:
f(pi)=R·pi+T,i=1,2,...,np。
5.如权利要求1至4任一项所述的方法,其特征在于,步骤S3包括以下步骤:
S31.随机生成N个三维平移向量作为果蝇个体组成果蝇种群,N表示果蝇种群大小;
S32.将点云P沿着随机生成的N个三维平移向量进行平移变换,得到N片候选点云P′;
S33.采用改进ICP的算法对每片候选点云分别与目标点云Q进行配准,并计算配准后的两片点云对应点之间的配准误差;
S34.选取N片候选点云中与Q配准误差最小的点云更新点云P。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046973.0A CN112132752B (zh) | 2020-09-29 | 2020-09-29 | 一种大型复杂曲面多视扫描点云的精拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046973.0A CN112132752B (zh) | 2020-09-29 | 2020-09-29 | 一种大型复杂曲面多视扫描点云的精拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132752A true CN112132752A (zh) | 2020-12-25 |
CN112132752B CN112132752B (zh) | 2024-04-26 |
Family
ID=73844495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011046973.0A Active CN112132752B (zh) | 2020-09-29 | 2020-09-29 | 一种大型复杂曲面多视扫描点云的精拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132752B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112615A (zh) * | 2021-03-31 | 2021-07-13 | 江苏航空职业技术学院 | 一种基于几何特征的云拼合方法 |
CN113192115A (zh) * | 2021-04-23 | 2021-07-30 | 湖南大学 | 一种基于时间函数的三维复杂工件测量方法及*** |
CN113421290A (zh) * | 2021-07-05 | 2021-09-21 | 山西大学 | 一种基于无人机图像采集的电厂锅炉内三维重建方法 |
WO2023226131A1 (zh) * | 2022-05-24 | 2023-11-30 | 湖南大学 | 一种曲面蒙皮三维数据拼合方法 |
US11861793B2 (en) | 2022-05-24 | 2024-01-02 | Hunan University | Method for merging surface skin three-dimensional data |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065295A (zh) * | 2012-12-04 | 2013-04-24 | 南京大学 | 一种基于建筑物角点自修正的航空与地面LiDAR数据高精度自动配准方法 |
-
2020
- 2020-09-29 CN CN202011046973.0A patent/CN112132752B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065295A (zh) * | 2012-12-04 | 2013-04-24 | 南京大学 | 一种基于建筑物角点自修正的航空与地面LiDAR数据高精度自动配准方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112615A (zh) * | 2021-03-31 | 2021-07-13 | 江苏航空职业技术学院 | 一种基于几何特征的云拼合方法 |
CN113112615B (zh) * | 2021-03-31 | 2023-10-13 | 江苏航空职业技术学院 | 一种基于几何特征的云拼合方法 |
CN113192115A (zh) * | 2021-04-23 | 2021-07-30 | 湖南大学 | 一种基于时间函数的三维复杂工件测量方法及*** |
CN113192115B (zh) * | 2021-04-23 | 2022-07-19 | 湖南大学 | 一种基于时间函数的三维复杂工件测量方法及*** |
CN113421290A (zh) * | 2021-07-05 | 2021-09-21 | 山西大学 | 一种基于无人机图像采集的电厂锅炉内三维重建方法 |
WO2023226131A1 (zh) * | 2022-05-24 | 2023-11-30 | 湖南大学 | 一种曲面蒙皮三维数据拼合方法 |
US11861793B2 (en) | 2022-05-24 | 2024-01-02 | Hunan University | Method for merging surface skin three-dimensional data |
Also Published As
Publication number | Publication date |
---|---|
CN112132752B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132752A (zh) | 一种大型复杂曲面多视扫描点云的精拼接方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN112308961B (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
Zeng et al. | Pc-nbv: A point cloud based deep network for efficient next best view planning | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN108665491B (zh) | 一种基于局部参考点的快速点云配准方法 | |
CN111415379B (zh) | 一种基于布谷鸟优化的三维点云数据配准方法 | |
CN104778688A (zh) | 点云数据的配准方法及装置 | |
CN108470358B (zh) | 一种基于二阶震荡人工蜂群算法的点云配准方法 | |
CN110223298A (zh) | 基于点云局部结构的语义分割改进算法 | |
CN106373118A (zh) | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 | |
CN109815847A (zh) | 一种基于语义约束的视觉slam方法 | |
WO2022237225A1 (zh) | 针对具有平面基准但不完整的三维扫描点云的在线实时配准方法 | |
CN114972366A (zh) | 基于图网络的大脑皮层表面全自动分割方法及*** | |
CN110910433A (zh) | 一种基于深度学习的点云匹配方法 | |
CN107610219A (zh) | 一种三维场景重构中几何线索感知的像素级点云稠密化方法 | |
CN107665496B (zh) | 一种三维姿态配准方法 | |
CN107123138B (zh) | 基于vanilla-R点对剔除策略的点云配准方法 | |
Chen et al. | 3D reconstruction of unstructured objects using information from multiple sensors | |
Wu et al. | Evolutionary multitasking with solution space cutting for point cloud registration | |
CN112509142A (zh) | 基于面向表型精确鉴定的豆株快速三维重建方法 | |
CN108765472B (zh) | 基于稀疏有向图的图像集配准方法 | |
CN111080517B (zh) | 基于改进蝴蝶优化算法的三维点云拼接方法 | |
Liying et al. | A review of range image registration methods with accuracy evaluation | |
CN113256693A (zh) | 基于K-means与正态分布变换的多视角配准方法 |
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 |