CN113295142A - 一种基于faro扫描仪和点云的地形扫描分析方法和装置 - Google Patents

一种基于faro扫描仪和点云的地形扫描分析方法和装置 Download PDF

Info

Publication number
CN113295142A
CN113295142A CN202110529295.1A CN202110529295A CN113295142A CN 113295142 A CN113295142 A CN 113295142A CN 202110529295 A CN202110529295 A CN 202110529295A CN 113295142 A CN113295142 A CN 113295142A
Authority
CN
China
Prior art keywords
point cloud
scanner
point
spherical
faro
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
Application number
CN202110529295.1A
Other languages
English (en)
Other versions
CN113295142B (zh
Inventor
朱晓强
陈琦
洪路宁
曾丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110529295.1A priority Critical patent/CN113295142B/zh
Publication of CN113295142A publication Critical patent/CN113295142A/zh
Application granted granted Critical
Publication of CN113295142B publication Critical patent/CN113295142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C7/00—Tracing profiles
    • G01C7/02—Tracing profiles of land surfaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/50—Systems of measurement based on relative movement of target
    • G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开一种基于FARO扫描仪和点云的地形扫描分析方法和装置，包括以下步骤：远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；利用PCA算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；根据小车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿。采用本发明的技术方案，利用球形靶标具有一般规则对称的特点，借助空间球面方程建立数学模型和改进的识别算法快速拟合出靶标球中心的三维坐标，以解决点云坐标系的转换，最后实现精准定位问题。

Description

一种基于FARO扫描仪和点云的地形扫描分析方法和装置
技术领域
本发明属于三维点云数据处理技术领域，尤其涉及一种基于FARO扫描仪和点云的地形扫描分析方法和装置。
背景技术
随着科学技术的发展，一种新型的空间三维坐标数据获取技术即三维激光扫描技术，在测量和空间定位工作中扮演越来越重要的角色。三维激光扫描技术因具有数据获取速度快、实时性强、数据量大、精度高等特点受人关注。利用三维激光扫描技术，可以对物体进行全方位、多角度、无接触全自动步进式的扫描测量，可以实现各种大型、复杂实体或实景三维数据完整的采集，进而快速重构出实体目标的三维模型及线、面、体、空间等各种制图数据。
然而，在实际测量工作中，往往会因为扫描仪视角的限制或者复杂场景中目标物体被遮挡等问题，采集的散乱三维点云数据并没有想象中那么理想，从而对点云数据的精度测量和下一步处理产生一定的影响。为了解决这个问题，现有技术通常在需要测量的场景中布设人工标志或定向靶标。其中定向靶标有平面反射靶标和球形靶标，由于平面反射靶标要求与扫描激光束基本垂直，所以不适用于多角度的观测。现有技术一般通过最小二乘法拟合定位靶标球，场景中噪声点云对识别效率有一定的影响。还有先通过确定靶标所在的点云环、点云带，再筛选包含靶标的候选点云，删除重复靶标、删除假靶标，最后确定真靶标的方法来识别靶标。该技术具有多靶标球自动探测、精度准的优点，但是其整体效率不高，且具有仪器摆放要求高、不能远距离使用等缺点。
发明内容
本发明要解决的技术问题，提供一种基于FARO扫描仪和点云的地形扫描分析方法和装置，利用球形靶标具有一般规则对称的特点，借助空间球面方程建立数学模型和改进的识别算法快速拟合出靶标球中心的三维坐标，以解决点云坐标系的转换，最后实现精准定位问题。
为实现上述目的，本发明采用如下的技术方案：
一种基于FARO扫描仪和点云的地形扫描分析方法，包括：
步骤1、远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；
步骤2、利用PCA(Principal ComponentAnalysis)算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；
步骤3、根据小车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿。
作为优选，步骤2中利用PCA主成分分析法计算点云数据法向量，通过点云所在的区域的局部拟合的表面进行计算，具体过程包括：
步骤201、初始化输入点云对象cloud_find；
步骤202、初始化KdTree对象search_tree；
步骤203、将cloud_find载入Kdtree，用于遍历查询；
步骤204、初始化法线估计对象NormalEstimation；
步骤205、设置NormalEstimation以search_tree方式搜索；
步骤206、设置搜索半径Radius；
步骤207、初始化输出法线数据集对象cloud_with_normals；
步骤208、对点云cloud中的每个点p：
(1)搜索p点的最近邻元素得到searchForNeighbors；
(2)使用computePointNormal方法计算p点的表面法向n；
(3)通过PCA来计算法向方向，检查n的方向是否一致指向视点，如果不是则使用setViewPoint()方法来翻转。
作为优选，步骤206中，搜索半径Radius＝0.06。
作为优选，步骤2中点云分割具体过程为：
步骤209、设置k近邻搜索的k＝20；
步骤210、初始化k近邻域搜索的索引k_nebor_index；
步骤211、初始化k近邻域搜索的索引点之间的距离k_nebor_index_dis；
步骤212、初始化保存每个点区域位置的曲率及索引的集合对象vec_curvature；
步骤213、遍历输入的点云对象cloud_find，以k、k_nebor_index、k_nebor_index_dis为参数计算每个点p的曲率及对应的索引位置，保存到vec_curvature集合中；
步骤214、使用sort函数，对vec_curvature集合中的曲率按照由小到大进行排序；
步骤215、设置曲率阈值和法向量阈值；
步骤216、将曲率最小的点设置为初始种子点seed_orginal；
步骤217、遍历种子队列seed，测试每个邻近点与种子点法向量的夹角，如果角度小于临界值，则添加进当前的种子区域；测试每个临近点的曲率，如果曲率小于临界值，则将该点添加进当前区域的种子列表；直到一个种子队列全部判断完毕；
步骤218、将满足上述条件的分割后的结果保存再列表clusters中；
步骤219、遍历聚类点集列表clusters，利用采样一致性分割算法对每一个cluster进行球面拟合，利用RANSAC算法计算出球面的球心和半径参数。
作为优选，步骤215中，设置曲率阈值curvature_threshold＝0.07，法向量阈值normal_threshold＝cosf(5.0/180.0*M_PI)
作为优选，RANSAC算法计算出球面的球心和半径参数具体过程为：
步骤2001、设定球面方程模型，并随机抽取Nums个样本点，对模型进行拟合；
步骤2002、设定容差范围为sigma，找出距离拟合曲线容差范围内的点，并统计点的个数；
步骤2003、设定抽样迭代次数，重新随机选取Nums个点，重复步骤2001)～2002)，直到迭代结束；
步骤2004、每一次拟合后，容差范围都有对应的数据点数，找出数据点个数最多的情况，即为最终的拟合结果。
本发明还提供一种基于FARO扫描仪和点云的地形扫描分析装置，包括：
获取模块，用于远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；
第一计算模块，用于利用PCA(Principal ComponentAnalysis)算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；
第二计算模块，用于根据小车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿。
本发明利用现有的FARO扫描仪提供的精确点云数据的硬件支持，在此基础上改进了传统的区域增长算法来分割散乱点云数据，提高了对大范围点云数据的精确分割速度，为球面拟合算法的实现提供了稳定性。此外，将大内存点云数据转换为小内存包含点高度信息的高程图便于用户观察地形和获取信息。本发明算法明确，***界面功能完整，具有可拓展性和灵活性。
附图说明
图1是本发明基于FARO扫描仪和点云的地形扫描分析方法的流程图；
图2为本发明基于FARO扫描仪和点云的地形扫描分析装置的结构示意图；
图3是本发明所选取的点云模型；
图4是本发明球面分割并标记后的点云模型示意图；
图5是本发明点云数据转TIF高程图示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本发明提供一种基于FARO扫描仪和点云的地形扫描分析方法，包括：
步骤1、远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；
步骤2、利用PCA(Principal ComponentAnalysis)算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；
步骤3、根据小车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿。
进一步，步骤2中利用PCA主成分分析法计算点云数据的法向量，通过点云所在的区域的局部拟合的表面进行计算，具体过程包括：
步骤201、初始化输入点云对象cloud_find；
步骤202、初始化KdTree对象search_tree；
步骤203、将cloud_find载入Kdtree，用于遍历查询；
步骤204、初始化法线估计对象NormalEstimation；
步骤205、设置NormalEstimation以search_tree方式搜索；
步骤206、设置搜索半径Radius＝0.06；
步骤207、初始化输出法线数据集对象cloud_with_normals；
步骤208、对点云cloud中的每个点p：
(1)搜索p点的最近邻元素得到searchForNeighbors；
(2)使用computePointNormal方法计算p点的表面法向n；
(3)通过PCA来计算法向方向，由于具有二义性，必须检查n的方向是否一致指向视点，如果不是则使用setViewPoint()方法来翻转。
进一步，步骤2中点云分割具体过程为：
步骤209、设置k近邻搜索的k＝20；
步骤210、初始化k近邻域搜索的索引k_nebor_index；
步骤211、初始化k近邻域搜索的索引点之间的距离k_nebor_index_dis；
步骤212、初始化保存每个点区域位置的曲率及索引的集合对象vec_curvature；
步骤213、遍历输入的点云对象cloud_find，以k、k_nebor_index、k_nebor_index_dis为参数计算每个点p的曲率及对应的索引位置，保存到vec_curvature集合中；
步骤214、使用sort函数，对vec_curvature集合中的曲率按照由小到大进行排序；
步骤215、设置曲率阈值curvature_threshold＝0.07，法向量阈值normal_threshold＝cosf(5.0/180.0*M_PI)；
步骤216、将曲率最小的点设置为初始种子点seed_orginal，保证算法从点云中最平滑的区域开始，以减少分割数；
步骤217、遍历种子队列seed，测试每个邻近点与种子点法向量的夹角，如果角度小于临界值，则添加进当前的种子区域；测试每个临近点的曲率，如果曲率小于临界值，则将该点添加进当前区域的种子列表；直到一个种子队列全部判断完毕；
步骤218、将满足上述条件的分割后的结果保存再列表clusters中；
步骤219、遍历聚类点集列表clusters，利用采样一致性分割算法对每一个cluster进行球面拟合，利用RANSAC算法计算出球面的球心和半径参数。
进一步，RANSAC算法计算出球面的球心和半径参数具体过程为：
步骤2001、设定球面方程模型，并随机抽取Nums个样本点，对模型进行拟合；
步骤2002、设定容差范围为sigma，找出距离拟合曲线容差范围内的点，并统计点的个数；
步骤2003、设定抽样迭代次数，重新随机选取Nums个点，重复步骤2001)～2002)，直到迭代结束；
步骤2004、每一次拟合后，容差范围都有对应的数据点数，找出数据点个数最多的情况，即为最终的拟合结果。
如图2所示，本发明提供一种基于FARO扫描仪和点云的地形扫描分析装置，包括：
获取模块，用于远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；
第一计算模块，用于利用PCA(Principal ComponentAnalysis)算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；
第二计算模块，用于根据小车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿。
本发明利用球形靶标具有一般规则对称的特点，借助空间球面方程建立数学模型和改进的识别算法快速拟合出靶标球中心的三维坐标，以解决点云坐标系的转换，最后实现精准定位问题。
实施例1：
本发明提供一种基于FARO扫描仪和点云的地形扫描分析方法，包括以下步骤：
步骤1)、根据IP地址连接FARO扫描仪；
步骤2)、设置扫描分辨率、测量率、噪声压缩、垂直角度和水平角度参数；
步骤3)、开始扫描并获取散乱点云数据，如图3所示；
步骤4)、利用PAC主成分分析法计算点云法向量；
步骤5)、根据改进的区域增长算法分割点云；
步骤6)、对分割后的点云簇集进行球面拟合，计算靶标球的球心和半径参数，如图4所示；
步骤7)、建立新的坐标系，并进行坐标系的转换，矩阵信息输出到磁盘本文中
步骤8)、再次加载点云数据，转为只包含一个高度通道的TIF高程图，输出到本地磁盘中，如图5所示；
步骤9)、打开子窗口，加载点云数据预览和编辑地形。
本发明基于FARO扫描仪和点云的地形扫描分析方法，通过本地局域网IP地址来获取控制FRAO S70扫描仪的权限，实现远程控制扫描仪的开启和关闭以及关键参数设置。对复杂场景进行扫描后获取散乱三维点云数据，先进行法向量的计算，再通过本文提供的改进的区域增长算法对点云进行分割，把点云分割成一个个点云切片簇集，筛选出包含球面的点云簇集。接着利用一种点云分割技术，即采样一致性分割算法拟合出球形靶标的球心坐标和半径。根据场景中探测车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出两个坐标系的转换关系来获取小车的位姿，为双目摄像机的精度评估提供参数。根据点云数据，将其转换为规则网格的TIF格式高程图，每个像素位置保存了场景中该位置的高度值即Z值，供评估人员进行参数的校验。主窗口用于显示实时扫描的点云数据并标记特征物体的位置和颜色，子界面包含两个界面，即地形预览界面和编辑界面。同时具有与其他服务端进行通信功能，实现数据端到端的传输和指令驱动***工作功能。
应当注意的是，尽管在上文详细描述中提及了用于各功能实现的设备的若干组件或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多组件或者单元的特征和功能可以在一个组件或者单元中具体化。反之，上文描述的一个组件或者单元的特征和功能可以进一步划分为由多个组件或者单元来具体化。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (7)

1.一种基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，包括以下步骤：
步骤1、远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；
步骤2、利用PCA算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；
步骤3、根据小车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿。
2.如权利要求1所述的基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，步骤2中利用PCA主成分分析法计算点云数据法向量，通过点云所在的区域的局部拟合的表面进行计算，具体过程包括：
步骤201、初始化输入点云对象cloud_find；
步骤202、初始化KdTree对象search_tree；
步骤203、将cloud_find载入Kdtree，用于遍历查询；
步骤204、初始化法线估计对象NormalEstimation；
步骤205、设置NormalEstimation以search_tree方式搜索；
步骤206、设置搜索半径Radius；
步骤207、初始化输出法线数据集对象cloud_with_normals；
步骤208、对点云cloud中的每个点p：
(1)搜索p点的最近邻元素得到searchForNeighbors；
(2)使用computePointNormal方法计算p点的表面法向n；
(3)通过PCA来计算法向方向，检查n的方向是否一致指向视点，如果不是则使用setViewPoint()方法来翻转。
3.如权利要求2所述的基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，步骤206中，搜索半径Radius＝0.06。
4.如权利要求2所述的基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，步骤2中点云分割具体过程为：
步骤209、设置k近邻搜索的k＝20；
步骤210、初始化k近邻域搜索的索引k_nebor_index；
步骤211、初始化k近邻域搜索的索引点之间的距离k_nebor_index_dis；
步骤212、初始化保存每个点区域位置的曲率及索引的集合对象vec_curvature；
步骤213、遍历输入的点云对象cloud_find，以k、k_nebor_index、k_nebor_index_dis为参数计算每个点p的曲率及对应的索引位置，保存到vec_curvature集合中；
步骤214、使用sort函数，对vec_curvature集合中的曲率按照由小到大进行排序；
步骤215、设置曲率阈值和法向量阈值；
步骤216、将曲率最小的点设置为初始种子点seed_orginal；
步骤217、遍历种子队列seed，测试每个邻近点与种子点法向量的夹角，如果角度小于临界值，则添加进当前的种子区域；测试每个临近点的曲率，如果曲率小于临界值，则将该点添加进当前区域的种子列表；直到一个种子队列全部判断完毕；
步骤218、将满足上述条件的分割后的结果保存再列表clusters中；
步骤219、遍历聚类点集列表clusters，利用采样一致性分割算法对每一个cluster进行球面拟合，利用RANSAC算法计算出球面的球心和半径参数。
5.如权利要求4所述的基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，步骤215中，设置曲率阈值curvature_threshold＝0.07，法向量阈值normal_threshold＝cosf(5.0/180.0*M_PI) 。
6.如权利要求4所述的基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，RANSAC算法计算出球面的球心和半径参数具体过程为：
步骤2001、设定球面方程模型，并随机抽取Nums个样本点，对模型进行拟合；
步骤2002、设定容差范围为sigma，找出距离拟合曲线容差范围内的点，并统计点的个数；
步骤2003、设定抽样迭代次数，重新随机选取Nums个点，重复步骤2001)～2002)，直到迭代结束；
步骤2004、每一次拟合后，容差范围都有对应的数据点数，找出数据点个数最多的情况，即为最终的拟合结果。
7.一种基于FARO扫描仪和点云的地形扫描分析装置，其特征在于，包括：
获取模块，用于远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；
第一计算模块，用于利用PCA(Principal ComponentAnalysis)算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；
第二计算模块，用于根据小车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿。
CN202110529295.1A 2021-05-14 2021-05-14 一种基于faro扫描仪和点云的地形扫描分析方法和装置 Active CN113295142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110529295.1A CN113295142B (zh) 2021-05-14 2021-05-14 一种基于faro扫描仪和点云的地形扫描分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110529295.1A CN113295142B (zh) 2021-05-14 2021-05-14 一种基于faro扫描仪和点云的地形扫描分析方法和装置

Publications (2)

Publication Number Publication Date
CN113295142A true CN113295142A (zh) 2021-08-24
CN113295142B CN113295142B (zh) 2023-02-21

Family

ID=77322173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110529295.1A Active CN113295142B (zh) 2021-05-14 2021-05-14 一种基于faro扫描仪和点云的地形扫描分析方法和装置

Country Status (1)

Country Link
CN (1) CN113295142B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808124A (zh) * 2021-09-27 2021-12-17 河南中检工程检测有限公司 一种基于点云技术的桥头跳车判定方法
CN115344727A (zh) * 2022-08-22 2022-11-15 南京航空航天大学 基于法向球谐的大规模三维点云检索方法、装置及***

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101982836A (zh) * 2010-10-14 2011-03-02 西北工业大学 运动捕获***中基于pca的标记点标识初始化方法
CN102393183A (zh) * 2011-04-19 2012-03-28 程效军 基于控制网的海量点云快速配准方法
CN103065354A (zh) * 2012-12-24 2013-04-24 中国科学院深圳先进技术研究院 点云优化方法及其装置
CN104021259A (zh) * 2014-06-25 2014-09-03 山东理工大学 地面扫描大点云定向方法
CN104315978A (zh) * 2014-11-10 2015-01-28 北京理工大学 一种管路端面中心点的测量方法及装置
CN105014679A (zh) * 2015-08-03 2015-11-04 华中科技大学无锡研究院 一种基于扫描仪的机器人手眼标定方法
CN105447855A (zh) * 2015-11-13 2016-03-30 中国人民解放军空军装备研究院雷达与电子对抗研究所 一种地面三维激光扫描点云球面目标自动识别方法
CN105651160A (zh) * 2014-11-04 2016-06-08 北京浩宇天地测绘科技发展有限公司 一种安装定位装置的三维激光扫描仪球形标靶及其使用方法
CN106959080A (zh) * 2017-04-10 2017-07-18 上海交通大学 一种大型复杂曲面构件三维形貌光学测量***和方法
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
CN107223268A (zh) * 2015-12-30 2017-09-29 中国科学院深圳先进技术研究院 一种三维点云模型重建方法及装置
CN108692688A (zh) * 2018-04-28 2018-10-23 武汉理工大学 一种机器人测量-加工***扫描仪坐标系自动标定方法
CN108868268A (zh) * 2018-06-05 2018-11-23 西安交通大学 基于点到面距离和互相关熵配准的无人车位姿估计方法
CN109297510A (zh) * 2018-09-27 2019-02-01 百度在线网络技术（北京）有限公司 相对位姿标定方法、装置、设备及介质
CN110260786A (zh) * 2019-06-26 2019-09-20 华中科技大学 一种基于外部跟踪的机器人视觉测量***及其标定方法
AU2019101141A4 (en) * 2019-09-30 2019-10-31 Bao, Jincheng MR Human face recognition based on Principal Component Analysis
CN110440692A (zh) * 2019-08-27 2019-11-12 大连理工大学 激光跟踪仪与结构光3d扫描仪组合式测量标定方法
CN112122840A (zh) * 2020-09-23 2020-12-25 西安知象光电科技有限公司 一种基于机器人焊接的视觉定位焊接***及焊接方法
CN112356073A (zh) * 2020-11-18 2021-02-12 西安中科光电精密工程有限公司 用于工业机器人的三维立体相机位姿在线标定装置及方法
CN112659129A (zh) * 2020-12-30 2021-04-16 杭州思锐迪科技有限公司 机器人的定位方法、装置、***和计算机设备

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101982836A (zh) * 2010-10-14 2011-03-02 西北工业大学 运动捕获***中基于pca的标记点标识初始化方法
CN102393183A (zh) * 2011-04-19 2012-03-28 程效军 基于控制网的海量点云快速配准方法
CN103065354A (zh) * 2012-12-24 2013-04-24 中国科学院深圳先进技术研究院 点云优化方法及其装置
CN104021259A (zh) * 2014-06-25 2014-09-03 山东理工大学 地面扫描大点云定向方法
CN105651160A (zh) * 2014-11-04 2016-06-08 北京浩宇天地测绘科技发展有限公司 一种安装定位装置的三维激光扫描仪球形标靶及其使用方法
CN104315978A (zh) * 2014-11-10 2015-01-28 北京理工大学 一种管路端面中心点的测量方法及装置
CN105014679A (zh) * 2015-08-03 2015-11-04 华中科技大学无锡研究院 一种基于扫描仪的机器人手眼标定方法
CN105447855A (zh) * 2015-11-13 2016-03-30 中国人民解放军空军装备研究院雷达与电子对抗研究所 一种地面三维激光扫描点云球面目标自动识别方法
CN107223268A (zh) * 2015-12-30 2017-09-29 中国科学院深圳先进技术研究院 一种三维点云模型重建方法及装置
CN106959080A (zh) * 2017-04-10 2017-07-18 上海交通大学 一种大型复杂曲面构件三维形貌光学测量***和方法
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
CN108692688A (zh) * 2018-04-28 2018-10-23 武汉理工大学 一种机器人测量-加工***扫描仪坐标系自动标定方法
CN108868268A (zh) * 2018-06-05 2018-11-23 西安交通大学 基于点到面距离和互相关熵配准的无人车位姿估计方法
CN109297510A (zh) * 2018-09-27 2019-02-01 百度在线网络技术（北京）有限公司 相对位姿标定方法、装置、设备及介质
CN110260786A (zh) * 2019-06-26 2019-09-20 华中科技大学 一种基于外部跟踪的机器人视觉测量***及其标定方法
CN110440692A (zh) * 2019-08-27 2019-11-12 大连理工大学 激光跟踪仪与结构光3d扫描仪组合式测量标定方法
AU2019101141A4 (en) * 2019-09-30 2019-10-31 Bao, Jincheng MR Human face recognition based on Principal Component Analysis
CN112122840A (zh) * 2020-09-23 2020-12-25 西安知象光电科技有限公司 一种基于机器人焊接的视觉定位焊接***及焊接方法
CN112356073A (zh) * 2020-11-18 2021-02-12 西安中科光电精密工程有限公司 用于工业机器人的三维立体相机位姿在线标定装置及方法
CN112659129A (zh) * 2020-12-30 2021-04-16 杭州思锐迪科技有限公司 机器人的定位方法、装置、***和计算机设备

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
姚吉利等: "球形标靶的固定式扫描大点云自动定向方法", 《测绘学报》 *
李嘉等: "复杂场景三维点云中未知球形目标的自动识别方法", 《计算机辅助设计与图形学学报》 *
欧攀等: "基于球体及平面模型的双Kinect空间位置的标定方法", 《激光与光电子学进展》 *
程舒等: "一种提高球形标靶点云数据质量和中心定位精度方法", 《测绘地理信息》 *
蒋荣华等: "一种三维激光扫描点云拟合的抗差加权整体最小二乘法", 《测绘通报》 *
赵伟玲等: "保留边界特征的点云简化算法", 《黑龙江科技学院学报》 *
马学磊等: "基于改进区域生长法的羊体点云分割及体尺参数测量", 《中国农业大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808124A (zh) * 2021-09-27 2021-12-17 河南中检工程检测有限公司 一种基于点云技术的桥头跳车判定方法
CN113808124B (zh) * 2021-09-27 2024-05-10 河南中检工程检测有限公司 一种基于点云技术的桥头跳车判定方法
CN115344727A (zh) * 2022-08-22 2022-11-15 南京航空航天大学 基于法向球谐的大规模三维点云检索方法、装置及***

Also Published As

Publication number Publication date
CN113295142B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
JP6837467B2 (ja) 点群データ同士のマッチング関係を確定するための方法及び装置
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
RU2609434C2 (ru) Выявление расположения и местоположения объектов
CN111340797A (zh) 一种激光雷达与双目相机数据融合检测方法及***
CN113295142B (zh) 一种基于faro扫描仪和点云的地形扫描分析方法和装置
JP2016161569A (ja) オブジェクトの３ｄ姿勢およびオブジェクトのランドマーク点の３ｄロケーションを求める方法、およびオブジェクトの３ｄ姿勢およびオブジェクトのランドマークの３ｄロケーションを求めるシステム
CN110599489A (zh) 一种目标空间定位方法
CN113470090A (zh) 基于sift-shot特征的多固态激光雷达外参标定方法
CN112164115B (zh) 物***姿识别的方法、装置及计算机存储介质
CN110910341A (zh) 一种输电线路锈蚀区缺陷检测方法及装置
CN111598942A (zh) 一种用于对电力设施仪表进行自动定位的方法及***
Su et al. Extracting wood point cloud of individual trees based on geometric features
Zelener et al. Cnn-based object segmentation in urban lidar with missing points
CN108711172A (zh) 基于细粒度分类的无人机识别与定位方法
CN111104850A (zh) 一种基于残差网络的遥感影像建筑物自动提取方法和***
CN111028345B (zh) 一种港口场景下圆形管道的自动识别与对接方法
CN113160292B (zh) 一种基于智能移动终端的激光雷达点云数据三维建模装置及方法
CN111523392B (zh) 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法
Peng et al. Automatic recognition of pointer meter reading based on Yolov4 and improved U-net algorithm
CN116894876A (zh) 基于实时图像的6-dof的定位方法
CN116862832A (zh) 一种基于三维实景模型的作业人员定位方法
CN114882085B (zh) 一种基于单一立方体三维点云配准方法及***
CN116381650A (zh) 一种激光雷达点云位置和强度仿真模拟及测试方法
CN115761265A (zh) 一种用于提取激光雷达点云中变电站设备的方法及装置
CN115661446A (zh) 基于深度学习的指针式仪表示数自动读取***及方法

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