CN113313200B - 一种基于法向约束的点云精匹配方法 - Google Patents
一种基于法向约束的点云精匹配方法 Download PDFInfo
- Publication number
- CN113313200B CN113313200B CN202110685466.XA CN202110685466A CN113313200B CN 113313200 B CN113313200 B CN 113313200B CN 202110685466 A CN202110685466 A CN 202110685466A CN 113313200 B CN113313200 B CN 113313200B
- Authority
- CN
- China
- Prior art keywords
- point
- model
- scene
- point cloud
- matching
- 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 40
- 230000009466 transformation Effects 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于法向约束的点云精匹配方法,涉及机器视觉领域,步骤包括:S1:获取点云粗匹配下的位姿,将模型点云位姿作为初值;S2:取一模型点,搜索距离近的多个场景点,将模型点与场景点配对;S3:计算配对后点距序列和法向夹角序列;S4:根据点距序列和夹角序列计算配对点的概率;S5:将点距匹配概率和对应夹角匹配概率相乘再除以全体概率乘积之和作为联合概率;S6:将ICP和联合概率结合获得模型到场景的坐标变换;S7:若最后获得的模型点云坐标与前一次获得的模型点云坐标变化小于给定的阈值,则结束迭代;否则重复S2至S7。本申请提高了场景相似区域位姿变换的准确度。
Description
技术领域
本发明涉及机器视觉技术领域,尤其是涉及一种基于法向约束的点云精匹配方法。
背景技术
点云精匹配是在已将模型点云与场景点云中的相似区域大致对齐的基础上,进一步调整模型位姿,使之与场景中的相似区域更加接近的方法。目前被广泛使用的点云精匹配方法,是一种通过不断寻找模型点云各点对应的最近场景点,并以迭代计算的方式来更新模型的位姿,即迭代最近点算法(ICP)。在此迭代框架的基础上,又衍生出点到点的ICP、点到面的ICP、面到面的ICP等精匹配方式,这些方法之间的区别在于优化指标,点到点的优化指标是模型点与场景点之间的距离最小化,点到面和面到面的优化指标则是要求模型点与场景点之间的法向偏差最小化。但这些方法在选择模型与场景中的匹配点对时,都是采用模型各点及其最近的场景点,这在很多情况下是不合理的。例如当模型点云的上下表面较为接近时,上表面法向朝上,下表面法向朝下。对于由3D相机从上方拍摄生成的场景点云,其法向都是朝上的。当模型点云与此场景点云完成粗匹配后,由于匹配精度不高,会造成此时与场景点云最接近的模型点,有可能时模型的下表面,而非模型的上表面,如果仍用此配对结果进行ICP迭代,获得的最近匹配位姿显然不会准确。
中国专利CN109767463B提供了一种三维点云自动配准方法,为解决传统ICP 算法计算效率、精度及易受噪声干扰的问题,本发明首先对源点云和目标点云建立KD-tree以加快临近点的搜索;然后采用基于法向量和特征直方图的配准方法实现粗配准,并对其中的特征提取部分进行了改进,能有效提取特征点,且不会损失大量特征不明显的点云信息。为了进一步提高配准精度,精配准提出一种改进的多分辨率迭代最近点算法,算法提出利用特征点的稠密度计算点云分辨率,同时对关键点采样方法进行了改进。改专利虽然公开了针对法向量和迭代最近点算法的技术方案,但是未公开结合点距序列进行精匹配的技术方案,仍会存在匹配不精准的问题。
中国专利CN111932628A公开了一种位姿确定方法及装置、电子设备、存储介质,能够提高确定位姿的效率。该方法包括:根据真实场景图像生成场景点云图,并从场景点云图中提取场景坐标点集合;获取与场景点云图对应的模型点云图,并从模型点云图中并行选取出与场景坐标点集合对应的模型坐标点集合;基于场景坐标点与模型坐标点集合,通过并行迭代计算,求取出场景点云图与模型点云图之间对应的空间变换关系;根据空间变换关系,确定场景点云图与模型点云图之间的相对位姿。该专利虽然公开了迭代计算方法和点距的技术方案,但是未公开结合法向夹角序列进行精匹配的技术方案,仍会存在匹配不精准的问题。
发明内容
为了解决现有技术中采用单一匹配方式导致模型点云和场景点云中的点对匹配精度不高的问题,本发明提供了一种基于法向约束的点云精匹配方法。
为了实现本发明的目的,本发明采用的具体技术方案如下:
一种基于法向约束的点云精匹配方法,步骤包括:
步骤S1:采用点对特征匹配实现模型点云和场景点云的点云粗匹配,获取点云粗匹配下的位姿,并将获取的位姿作为初始值;
步骤S2:选取模型点云中的一模型点,在场景点云中采用KD树搜索方法搜索若干个场景点,所述搜索的若干个场景点为选取的模型点距离近的场景点,将所述模型点与若干个场景点进行配对;
步骤S3:计算配对后的若干个场景点和一模型点的点距序列和法向夹角序列,并删除所有大于点距指定值的点距和所有大于法向夹角指定值的法向夹角,未被删除的配对点作为候选匹配点对;
步骤S4:对于每个模型点的候选匹配点对,根据点距序列和法向夹角序列计算场景点是模型点的配对点的概率;
步骤S5:对于每个模型点的候选匹配点对,将点距匹配概率和对应的法向夹角匹配概率相乘,再除以全体候选匹配点对的概率乘积之和,作为同时考虑点距和法向夹角情况下,每个场景点和模型点匹配的联合概率;
步骤S6:基于模型点云与场景点云的全体候选匹配点对,建立ICP算法所用的坐标变换方程组,其中每个方程使用一对候选匹配点对,并在方程两端同时乘以该点对对应的联合概率,作为该方程的权重系数,求解此方程组,可获得当前迭代步中,模型点云到场景点云的最优变换阵与平移量;
步骤S7:若在当前迭代步执行完成后获得的模型点云坐标,与当前迭代步未执行时的模型点云坐标的初始值相比,不满足当前迭代步执行前和迭代步执行后的模型点云的平均偏差小于给定的阈值的情况,则重复步骤S2至步骤S7,将当前迭代步执行后的模型点云坐标,作为迭代后的下一次模型点云坐标的初始值进行迭代;若在当前迭代步执行完成后获得的模型点云坐标,与当前迭代步未执行时的模型点云坐标的初始值相比,当前迭代步执行前和迭代步执行后的模型点云的平均偏差小于给定的阈值,则结束迭代。
进一步地,所述步骤S1中的位姿是由模型点云坐标变换到场景中对齐区域的场景点云坐标,所需的坐标变换旋转阵的三个旋转角以及三维平移向量构成的六维向量。
进一步地,所述步骤S3中的法向夹角为模型点的法向与邻近的场景点的法向之间的夹角。
进一步地,所述步骤S4中点距序列中场景点是模型点的配对点的概率计算方法,步骤包括:
步骤1:先计算若干个场景点分别与所选取的模型点的点距,并将计算获得的若干个点距进行求和,得到全体点距之和;
步骤2:将各个场景点和模型点的点距分别与步骤1中的全体点距之和进行相比,得到若干个点距比值;
步骤3:用1分别减去步骤2中的若干个点距比值,获得仅考虑点距大小的情况下,各个点对匹配的概率。
进一步地,所述步骤S4中法向夹角序列中场景点是模型点的配对点的概率计算方法,步骤包括:
步骤A:先计算若干个场景点分别与所选取的模型点的法向夹角,并将计算获得的若干个法向夹角进行求和,得到全体法向夹角之和;
步骤B:将各个场景点和模型点的法向夹角分别与步骤1中的全体法向夹角之和进行相比,得到若干个法向夹角比值;
步骤C:用1分别减去步骤2中的若干个法向夹角比值,获得仅考虑法向夹角大小的情况下,各个点对匹配的概率。
进一步地,所述步骤S6中的模型点云到场景点云的坐标变换方法,包括:
步骤a:基于模型点云与场景点云的全体候选匹配点对,获取经过一模型点的一平面,所述平面与一模型点的法向垂直,建立模型点到平面的ICP优化方程组;
步骤b:在步骤a中建立的ICP优化方程组的两端同时乘以联合概率;
步骤c:求解步骤b中乘以联合概率后的ICP优化方程组,进而获得模型点云到场景点云的坐标变换。
进一步地,所述步骤S6中的坐标变换包括三维旋转阵和三维平移向量两部分的变换。
进一步地,所述步骤S7中,在模型与场景中的物体点云迭代对齐的过程中,将模型点云通过每次迭代计算出的坐标变换更新出模型点云坐标在每次迭代后的新坐标,进而使得模型点的位置与姿态不断向场景中的一模型点云去靠近。
进一步地,所述步骤S7中的阈值为模型点云在迭代前和迭代后,一模型点的坐标值变化距离的平均值。
与现有技术相比,本发明的有益效果具体体现在:
(1)本申请相较于现有的点云精匹配方法,在选择待对齐的模型与场景配对点时,同时考虑了点距因素与法向夹角因素,而不是仅依赖点距作为判断,更符合模型与场景中相似区域对齐时的真实情况,且对齐效果也更加精确;
(2)本申请能够有效的弱化模型点与场景点中那些距离接近但法向相反的明显错误的配对情况对匹配计算的干扰,从而使模型在正确的匹配的引导下,计算出到场景相似区域的准确位姿变换;
(3)本申请根据模型点云邻域内的所有候选点对分别建立位姿变换的优化方程,并对各方程两端乘以该点对为正确匹配点对的发生概率,最后求解使全体方程组左右两端误差最小的位姿,并不断迭代,进而获得精确的匹配位姿。
附图说明
图1为本发明中点云精匹配方法的流程框图。
具体实施方式
为使本发明的目的和技术方案更加清楚,下面将结合实施例,对本发明的技术方案进行清楚、完整地描述。
实施例1
根据图1所示的基于法向约束的点云精匹配方法,包括:
步骤S1:采用点对特征匹配实现模型点云和场景点云的点云粗匹配,获取点云粗匹配下的位姿,并将获取的位姿作为初始值;
步骤S2:选取模型点云中的一模型点,在场景点云中采用KD树搜索方法搜索若干个场景点,所述搜索的若干个场景点为选取的模型点距离近的场景点,将所述模型点与若干个场景点进行配对;
步骤S3:计算配对后的若干个场景点和一模型点的点距序列和法向夹角序列,并删除所有大于点距指定值的点距和所有大于法向夹角指定值的法向夹角,未被删除的配对点作为候选匹配点对;
步骤S4:对于每个模型点的候选匹配点对,根据点距序列和法向夹角序列计算场景点是模型点的配对点的概率;
步骤S5:对于每个模型点的候选匹配点对,将点距匹配概率和对应的法向夹角匹配概率相乘,再除以全体候选匹配点对的概率乘积之和,作为同时考虑点距和法向夹角情况下,每个场景点和模型点匹配的联合概率;
步骤S6:基于模型点云与场景点云的全体候选匹配点对,建立ICP算法所用的坐标变换方程组,其中每个方程使用一对候选匹配点对,并在方程两端同时乘以该点对对应的联合概率,作为该方程的权重系数,求解此方程组,可获得当前迭代步中,模型点云到场景点云的最优变换阵与平移量;
步骤S7:若在当前迭代步执行完成后获得的模型点云坐标,与当前迭代步未执行时的模型点云坐标的初始值相比,不满足当前迭代步执行前和迭代步执行后的模型点云的相对应的各个点对的平均偏差小于给定的阈值的情况,则重复步骤S2至步骤S7,将当前迭代步执行后的模型点云坐标,作为迭代后的下一次模型点云坐标的初始值进行迭代;若在当前迭代步执行完成后获得的模型点云坐标,与当前迭代步未执行时的模型点云坐标的初始值相比,当前迭代步执行前和迭代步执行后的模型点云的平均偏差小于给定的阈值,则结束迭代。
具体的,步骤S1中的位姿指的是由模型点云坐标,变换到到场景中对齐区域的点云坐标,所需的坐标变换旋转阵的三个旋转角,以及三维平移向量,所以位姿是一个由三个位移量和绕三个坐标轴的旋转角组成的六维向量。初始值就是经过粗匹配后获得的位姿。
具体的,步骤S2中的KD树搜索方法指的是先建立场景点云的KD树,然后针对每个模型点,通过KD树可快速查找出与该模型点最接近的几个场景点。
具体的,步骤S3中的点距就是计算两点间的欧式距离,法向夹角就是先算两个法线的点积,再用反余弦函数计算角度。其中,法向夹角指的是模型点的法向与邻近的场景点的法向之间的夹角。
具体的,场景点云是3D相机拍摄后的输出,是场景表面的3D坐标集合,可能包含放在场景中的多个模型和其他背景物体。模型点云可以由3D相机拍摄单个模型,并删除背景点云后后获得,它是位于一个模型上的3D坐标集合。在模型与场景中的物体点云迭代对齐的过程中,会将模型点云通过每次迭代计算出的坐标变换,更新出模型点云坐标在每次迭代后的新坐标,从而使得模型点的位置与姿态,不断向场景中的一个模型点云去靠近。
具体的,步骤S6中的坐标变换包括三维旋转阵和三维平移向量两部分,它们是通过点到面的ICP算法来获得的。坐标变换是对模型点云的各点,先乘以ICP 算法获得的旋转阵,在加上获得的平移向量,从而得到模型在一次迭代后的新坐标。且在坐标变换的过程中,模型点云和场景点云都是基于场景坐标系建立的。初始时刻,二者有距离较大,最终是要将模型点云变换到场景点云附近,直至尽量重合。即匹配迭代会使模型点云逐步靠近场景点云,直到最终模型点云和场景点云重合。
具体的,步骤S7中的阈值指的是模型点云在本次迭代前和迭代后,其相同点的坐标值变化距离的平均值。阈值是根据期望得到的模型点云与场景点云的重合程度而定的,若期望最终模型点云越贴近场景点云,则阈值要越小,但过小的阈值会增加迭代次数,影响匹配效率。所以阈值设定需要根据实际需求,通过实验设置。
具体的,所述点距序列中场景点是模型点的配对点的概率计算方法,步骤包括:
步骤1:先计算若干个场景点分别与所选取的模型点的点距,并将计算获得的若干个点距进行求和,得到全体点距之和;
步骤2:将各个场景点和模型点的点距分别与步骤1中的全体点距之和进行相比,得到若干个点距比值;
步骤3:用1分别减去步骤2中的若干个点距比值,获得仅考虑点距大小的情况下,各个点对匹配的概率。
具体的,所述夹角序列中场景点是模型点的配对点的概率计算方法,步骤包括:
步骤A:先计算若干个场景点分别与所选取的模型点的法向夹角,并将计算获得的若干个法向夹角进行求和,得到全体法向夹角之和;
步骤B:将各个场景点和模型点的法向夹角分别与步骤1中的全体法向夹角之和进行相比,得到若干个法向夹角比值;
步骤C:用1分别减去步骤2中的若干个法向夹角比值,获得仅考虑法向夹角大小的情况下,各个点对匹配的概率。
具体的,所述步骤S6中的模型点云到场景点云的坐标变换方法,包括:
步骤a:基于模型点云与场景点云的全体候选匹配点对,获取经过一模型点的一平面,所述平面与一模型点的法向垂直,建立模型点到平面的ICP优化方程组;
步骤b:在步骤a中建立的ICP优化方程组的两端同时乘以联合概率;
步骤c:求解步骤b中乘以联合概率后的ICP优化方程组,进而获得模型点云到场景点云的坐标变换。
具体的,点到面的ICP方程是一组基于各模型点与其要对齐的场景点建立的坐标变换方程组。每个方程是这样建立的:模型点的3D坐标,乘以3维旋转阵,再加上3维平移向量,减去该模型点要对齐的那个场景点的3D坐标,获得的新向量与该场景点法向的点积要等于0。待求的变量包括形成三维旋转阵的三个旋转角,以及三维平移向量共六位未知数。
以上仅为本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (6)
1.一种基于法向约束的点云精匹配方法,其特征在于,包括:
步骤S1:采用点对特征匹配实现模型点云和场景点云的点云粗匹配,获取点云粗匹配下的位姿,并将获取的位姿作为初始值;
步骤S2:选取模型点云中的一模型点,在场景点云中采用KD树搜索方法搜索若干个场景点,所述搜索的若干个场景点为选取的模型点距离近的场景点,将所述模型点与若干个场景点进行配对;
步骤S3:计算配对后的若干个场景点和一模型点的点距序列和法向夹角序列,并删除所有大于点距指定值的点距和所有大于法向夹角指定值的法向夹角,未被删除的配对点作为候选匹配点对;
其中,所述步骤S3中的法向夹角为模型点的法向与邻近的场景点的法向之间的夹角;
步骤S4:对于每个模型点的候选匹配点对,根据点距序列和法向夹角序列计算场景点是模型点的配对点的概率;
其中,所述步骤S4中点距序列中场景点是模型点的配对点的概率计算方法,步骤包括:
步骤1:先计算若干个场景点分别与所选取的模型点的点距,并将计算获得的若干个点距进行求和,得到全体点距之和;
步骤2:将各个场景点和模型点的点距分别与步骤1中的全体点距之和进行相比,得到若干个点距比值;
步骤3:用1分别减去步骤2中的若干个点距比值,获得仅考虑点距大小的情况下,各个点对匹配的概率;
所述步骤S4中法向夹角序列中场景点是模型点的配对点的概率计算方法,步骤包括:
步骤A:先计算若干个场景点分别与所选取的模型点的法向夹角,并将计算获得的若干个法向夹角进行求和,得到全体法向夹角之和;
步骤B:将各个场景点和模型点的法向夹角分别与步骤1中的全体法向夹角之和进行相比,得到若干个法向夹角比值;
步骤C:用1分别减去步骤2中的若干个法向夹角比值,获得仅考虑法向夹角大小的情况下,各个点对匹配的概率;
步骤S5:对于每个模型点的候选匹配点对,将点距匹配概率和对应的法向夹角匹配概率相乘,再除以全体候选匹配点对的概率乘积之和,作为同时考虑点距和法向夹角情况下,每个场景点和模型点匹配的联合概率;
步骤S6:基于模型点云与场景点云的全体候选匹配点对,建立ICP算法所用的坐标变换方程组,其中每个方程使用一对候选匹配点对,并在方程两端同时乘以该场景点和模型点匹配对应的联合概率,作为该方程的权重系数,求解此方程组,获得当前迭代步中,模型点云到场景点云的最优变换阵与平移量;
步骤S7:若在当前迭代步执行完成后获得的模型点云坐标,与当前迭代步未执行时的模型点云坐标的初始值相比,不满足当前迭代步执行前和迭代步执行后的模型点云的平均偏差小于给定的阈值的情况,则重复步骤S2至步骤S7,将当前迭代步执行后的模型点云坐标,作为迭代后的下一次模型点云坐标的初始值进行迭代;若在当前迭代步执行完成后获得的模型点云坐标,与当前迭代步未执行时的模型点云坐标的初始值相比,当前迭代步执行前和迭代步执行后的模型点云的平均偏差小于给定的阈值,则结束迭代。
2.根据权利要求1所述的一种基于法向约束的点云精匹配方法,其特征在于,所述步骤S1中的位姿是由模型点云坐标变换到场景中对齐区域的场景点云坐标,所需的坐标变换旋转阵的三个旋转角以及三维平移向量构成的六维向量。
3.根据权利要求1所述的一种基于法向约束的点云精匹配方法,其特征在于,所述步骤S6中的模型点云到场景点云的最优变换阵与平移量方法,包括:
步骤a:基于模型点云与场景点云的全体候选匹配点对,获取经过一模型点的一平面,所述平面与一模型点的法向垂直,建立模型点到平面的ICP优化方程组;
步骤b:在步骤a中建立的ICP优化方程组的两端同时乘以联合概率;
步骤c:求解步骤b中乘以联合概率后的ICP优化方程组,进而获得模型点云到场景点云的坐标变换。
4.根据权利要求1所述的一种基于法向约束的点云精匹配方法,其特征在于,所述步骤S6中的坐标变换包括三维旋转阵和三维平移向量两部分的变换。
5.根据权利要求1所述的一种基于法向约束的点云精匹配方法,其特征在于,所述步骤S7中,在模型与场景中的物体点云迭代对齐的过程中,将模型点云通过每次迭代计算出的坐标变换更新为模型点云坐标在每次迭代后的新坐标,进而使得模型点的位置与姿态不断向场景中的一模型点云去靠近。
6.根据权利要求1所述的一种基于法向约束的点云精匹配方法,其特征在于,所述步骤S7中的阈值为模型点云在迭代前和迭代后,一模型点的坐标值变化距离的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685466.XA CN113313200B (zh) | 2021-06-21 | 2021-06-21 | 一种基于法向约束的点云精匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685466.XA CN113313200B (zh) | 2021-06-21 | 2021-06-21 | 一种基于法向约束的点云精匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313200A CN113313200A (zh) | 2021-08-27 |
CN113313200B true CN113313200B (zh) | 2024-04-16 |
Family
ID=77379685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685466.XA Active CN113313200B (zh) | 2021-06-21 | 2021-06-21 | 一种基于法向约束的点云精匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313200B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642681B (zh) * | 2021-10-13 | 2022-01-04 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种飞行器模型表面标记点的匹配方法 |
CN114442101B (zh) * | 2022-01-28 | 2023-11-14 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
CN110276790A (zh) * | 2019-06-28 | 2019-09-24 | 易思维(杭州)科技有限公司 | 基于形状约束的点云配准方法 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084840B (zh) * | 2019-04-24 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
-
2021
- 2021-06-21 CN CN202110685466.XA patent/CN113313200B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN110276790A (zh) * | 2019-06-28 | 2019-09-24 | 易思维(杭州)科技有限公司 | 基于形状约束的点云配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113313200A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301654B (zh) | 一种多传感器的高精度即时定位与建图方法 | |
CN109960402B (zh) | 一种基于点云和视觉特征融合的虚实注册方法 | |
CN104732518B (zh) | 一种基于智能机器人地面特征的ptam改进方法 | |
CN108615246B (zh) | 提高视觉里程计***鲁棒性和降低算法计算消耗的方法 | |
JP5393531B2 (ja) | 位置姿勢推定装置、位置姿勢推定方法、プログラム、記憶媒体 | |
CN113313200B (zh) | 一种基于法向约束的点云精匹配方法 | |
CN107358629B (zh) | 一种基于目标识别的室内建图与定位方法 | |
CN107862735B (zh) | 一种基于结构信息的rgbd三维场景重建方法 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN111986219B (zh) | 一种三维点云与自由曲面模型的匹配方法 | |
CN111815686A (zh) | 基于几何特征由粗到细点云配准方法 | |
CN111145232A (zh) | 一种基于特征信息变化度的三维点云自动配准方法 | |
CN110322492B (zh) | 一种基于全局优化的空间三维点云配准方法 | |
CN112484746B (zh) | 一种基于地平面的单目视觉辅助激光雷达里程计方法 | |
CN111612728A (zh) | 一种基于双目rgb图像的3d点云稠密化方法和装置 | |
CN112200915B (zh) | 一种基于靶标三维模型纹理影像的前后形变量检测方法 | |
CN110796691A (zh) | 一种基于形状上下文和hog特征的异源图像配准方法 | |
CN116309026A (zh) | 一种基于***部特征描述与匹配的点云配准方法及*** | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN113706381A (zh) | 一种三维点云数据的拼接方法及装置 | |
CN113642397B (zh) | 一种基于手机视频的物体长度测量方法 | |
JPH07103715A (ja) | 視覚に基く三次元位置および姿勢の認識方法ならびに視覚に基く三次元位置および姿勢の認識装置 | |
CN117392268A (zh) | 一种基于自适应结合cpd和icp算法的激光扫描建图方法及*** | |
Makovetskii et al. | An algorithm for rough alignment of point clouds in three-dimensional space | |
CN116883590A (zh) | 一种三维人脸点云优化方法、介质及*** |
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 |