CN113706381A - 一种三维点云数据的拼接方法及装置 - Google Patents
一种三维点云数据的拼接方法及装置 Download PDFInfo
- Publication number
- CN113706381A CN113706381A CN202110993313.1A CN202110993313A CN113706381A CN 113706381 A CN113706381 A CN 113706381A CN 202110993313 A CN202110993313 A CN 202110993313A CN 113706381 A CN113706381 A CN 113706381A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- splicing
- clouds
- voxel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 239000013598 vector Substances 0.000 claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013519 translation Methods 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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 Generation (AREA)
Abstract
一种三维点云数据的拼接方法及装置,能够解决重叠率低的两片点云拼接难度大、精度低的问题,有效提高初始重叠程度较低的点云数据的拼接精度和时间效率。方法包括:(1)点云采集***获取部分重叠的源点云和目标点云,并对点云进行预处理;(2)通过两次扫描空间位置的坐标变换使源点云和目标点云得到良好的初始位置;(3)计算点云的曲率特征并利用Kdtree加快最近邻的搜索过程寻找初始匹配点对,然后使用方向向量阈值法设置约束条件剔除错误的点对;(4)利用奇异值分解SVD方法,得到两个点云之间的旋转矩阵R和平移向量t,完成拼接。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种三维点云数据的拼接方法,以及三维点云数据的拼接装置。
背景技术
点云拼接是三维点云处理过程中的重要一环,同时在逆向工程、虚拟现实、文物修复等领域是一个非常关键的任务。在实际测量中,由于相机和投影仪视角的限制,很难通过一个视角的测量获得物体的完整形貌,这就需要从不同视角进行测量并把各视角下得到的点云数据拼接成一个完整的三维模型,这个过程就是点云的拼接。
目前常见的拼接方法有依赖外部辅助信息的拼接方法和依赖测量数据本身的拼接方法。其中表面标记点法是依赖外部辅助信息的拼接方法,通过粘贴在被测物表面的标记点获取初始点云中的标记点和目标点云中的标记点之间的坐标转换关系,从而将不同视角下的点云数据进行拼接,但这种方法的适用范围受到限制。依赖测量数据本身的拼接方法有迭代最近点法(ICP)、主成分分析法(PCA)等。ICP算法通过迭代搜索两片点云之间的最近点,寻找欧式距离达到最小时的转换关系。然而,使用ICP算法有两个前提条件,一是两个点云应该足够相似,二是需要两点云有良好的初始位置。此外,传统ICP的收敛速度通常较低,算法需要大量的计算时间。PCA首先通过协方差矩阵计算点云的特征向量,然后由特征向量计算点云的主方向以及与其垂直的两个次方向,利用这三个方向完成点云的拼接。这种方法计算效率高,但是需要相邻点云具有足够高的重叠率。
发明内容
为克服现有技术的缺陷,本发明要解决的技术问题是提供了一种三维点云数据的拼接方法,其能够解决重叠率低的两片点云拼接难度大、精度低的问题,有效提高了初始重叠程度较低的点云数据的拼接精度和时间效率。
本发明的技术方案是:这种三维点云数据的拼接方法,其包括以下步骤:
(1)点云采集***获取部分重叠的源点云和目标点云,并对点云进行预处理;
(2)通过两次扫描空间位置的坐标变换使源点云和目标点云得到良好的初始位置;
(3)计算点云的曲率特征并利用Kdtree加快最近邻的搜索过程寻找初始匹配点对,然后使用方向向量阈值法设置约束条件剔除错误的点对;
(4)利用奇异值分解SVD方法,得到两个点云之间的旋转矩阵R和平移向量t,完成拼接。
本发明首先通过点云采集***获取具有部分重叠的源点云和目标点云,并对点云进行预处理;然后通过两次扫描空间位置的坐标变换使源点云和目标点云获取良好的初始位置;通过计算点云的曲率特征并使用Kdtree最近邻搜索方法获取两个点云的初始匹配点对,并通过方向向量阈值法设置约束条件剔除错误的点对;最后利用奇异值分解得到两个点云之间的旋转矩阵R和平移向量t。因此能够解决重叠率低的两片点云拼接难度大、精度低的问题,有效提高了初始重叠程度较低的点云数据的拼接精度和时间效率。
还提供了一种三维点云数据的拼接装置,其包括:
数据预处理模块,其配置来通过点云采集***获取部分重叠的源点云和目标点云,并对点云进行预处理;
初始位置获取模块,其配置来通过两次扫描空间位置的坐标变换使源点云和目标点云得到良好的初始位置;
数据剔除模块,其配置来计算点云的曲率特征并利用Kdtree加快最近邻的搜索过程寻找初始匹配点对,然后使用方向向量阈值法设置约束条件剔除错误的点对;
拼接模块,其配置来利用奇异值分解SVD方法,得到两个点云之间的旋转矩阵R和平移向量t,完成拼接。
附图说明
图1是根据本发明的三维点云数据的拼接方法的流程图。
图2示出了本发明一个实施例的流程示意图。
图3是根据对应点法线之间的夹角剔除错误匹配点对的结构示意图。
具体实施方式
如图1所示,这种三维点云数据的拼接方法,其包括以下步骤:
(1)点云采集***获取部分重叠的源点云和目标点云,并对点云进行预处理;
(2)通过两次扫描空间位置的坐标变换使源点云和目标点云得到良好的初始位置;
(3)计算点云的曲率特征并利用Kdtree加快最近邻的搜索过程寻找初始匹配点对,然后使用方向向量阈值法设置约束条件剔除错误的点对;
(4)利用奇异值分解SVD方法,得到两个点云之间的旋转矩阵R和平移向量t,完成拼接。
本发明首先通过点云采集***获取具有部分重叠的源点云和目标点云,并对点云进行预处理;然后通过两次扫描空间位置的坐标变换使源点云和目标点云获取良好的初始位置;通过计算点云的曲率特征并使用Kdtree最近邻搜索方法获取两个点云的初始匹配点对,并通过方向向量阈值法设置约束条件剔除错误的点对;最后利用奇异值分解得到两个点云之间的旋转矩阵R和平移向量t。因此能够解决重叠率低的两片点云拼接难度大、精度低的问题,有效提高了初始重叠程度较低的点云数据的拼接精度和时间效率。
优选地,所述步骤(1)中,所述点云预处理包括滤波、下采样,采用统计滤波、半径滤波、高斯滤波的方法对原始点云噪声、离群点进行去除,提高后续操作的计算效率和精度;采用改进的体素滤波对点云进行下采样,在不改变原始点云数据结构的同时减少点云的数量,提高后续拼接的速度。
优选地,所述步骤(1)中,PCL的VoxelGrid类是通过输入的点云数据创建一个三维体素栅格,在每个体素内用体素中所有点的重心来近似显示体素中其他点,这样该体素内所有点都用一个重心点来表示,该重心点不一定就是原始点云中的点,有失原始点云的细小特征;所述改进的体素滤波用原始点云数据中距离体素重心点最近的点代替体素重心点,以便提高点云数据的表达精确性。
优选地,所述步骤(3)包括以下分步骤:
(3.1)曲率特征通过点云中一查询点x及其k邻域点,构造协方差矩阵:
(3.2)通过奇异值分解(SVD)方法求得协方差矩阵的三个特征值,按从大到小排列,依次是λd1>λd2>λd3;
(3.3)查询点x处的表面曲率用sd表示:
(3.4)为了增强鲁棒性,选择不同的邻域搜索半径,并以不同搜索半径下计算出的曲率信息之差作为匹配信息
Δsd=sd+1-sd
(3.5)使用相同的方法计算另一个点云的曲率信息,记为Δsd′,设定阈值τ,若满足Δsd-Δsd′<τ,认为是匹配点对;
(3.6)方向向量阈值法对于点云中的点pi及其k邻域点,使用最小二乘法为邻域点拟合一个局部平面,平面方程的一般表达式为Ax+By+Cz-D=0,需要求解的四个参数中,元素不同时为0的向量(A,B,C)的实际意义为平面方程的法向量n,而D则为原点到平面的距离;根据最小二乘法推导的局部平面Pl拟合过程表示为:
同时使得yi=Xi-m
这样,目标函数转化为:
(3.7)令S=(YYT),用SVD算法进行分解,得到
Y=U∑VT
U中最后一列就是要求解的法向量n,也就是最小特征值对应的特征向量;
(3.8)将求得的法向量单位化,计算各匹配点对法向量之间的夹角余弦值,设定阈值ε,若夹角余弦值cosθ<ε,则认为此对应点对为错误点对,从对应点集中剔除。
优选地,所述步骤(3.5)中,在搜索查询点的邻域点时采用Kdtree加快最近邻的搜索过程。
优选地,所述步骤(3.7)中,在计算法向量的过程中,采用OpenMP多线程并行计算的方法。
如图2所示,本发明的一个实施例及其实施过程如下步骤:
步骤1:获取实验所需的部分重叠的源点云和目标点云。
第1组为bunny部分数据集,其中源点云4156个点,目标点云3679个点,不需要预处理;第2组为结构光***实际获取得到的点云数据,源点云204833个点,目标点云218594个点,利用改进的体素滤波对两点云进行下采样,经过预处理后源点云51797个点,目标点云58216个点。在预处理点云之前,结构光采集得到的点云数据格式为.txt,而实验所需的点云格式为.pcd,这里采用软件Visual Studio 2017配置PCL 1.9.1环境下将.txt转换成.pcd格式的点云数据,后续拼接过程也是在这个配置环境下。
步骤2:利用CorrespondenceEstimationNormalShooting类确定两点云的初始匹配点对。
类CorrespondenceEstimationNormalShooting实现通过法线计算输入点云和目标点云在最小距离约束下的对应点对。输入为目标和源点云,输出为点对,即输出两组点云之间的对应点集合。需要注意的是,这里计算得到的法线是源点云对应的法线,并非目标点云对应的法线。在确定源点云和目标点云的对应关系时有两种方式,一种是determineCorrespondences,输入源点云和对应目标点云之间允许的最大距离max_distance,输出找到的对应关系(查询点索引、目标点索引和它们之间的距离)存储在correspondences中;另一种是determineReciprocalCorrespondences,该函数与上述相同,但不需要输入源点云和目标点云之间允许的最大距离,这里查找的对应点是相互的。第1组点云确定的初始匹配点对为2498对,第2组点云确定的初始匹配点对为22286对。
步骤3:利用方向向量阈值法剔除错误的匹配点对。
类CorrespondenceRejectorSurfaceNormal实现了一种基于对应点法线角度的对应关系去除方法。输入为源点云和目标点云的法线、初始对应关系correspondences和设定的对应点法线之间的夹角阈值,输出为剔除错误对应关系后的精确匹配点对,存储在correspondences_after_rejector中。在计算法线的过程中采用OpenMP多线程并行加速的方法,并且在近邻点搜索的过程中采用Kdtree加速的搜索方法,提高了算法的计算效率,实验设置的OpenMP的线程数为8。
如图3所示,为通过对应点法线之间的夹角剔除错误匹配点对的示意图。其中,q1,q2,q3,……为点云中的部分点,n表示q1点处的法向量,(q1,q′1),(q2,q′2),(q3,q′3)为正确的对应点对。q4点处的法向量为n4,q′4点处的法向量为n′4,n4与n′4之间的夹角为θ,设定阈值ε,若cosθ<ε,则认为(q4,q′4)是错误的匹配点对,从初始匹配点对中予以剔除。实验中第1组点云设定的夹角阈值为4°,剔除后的点对个数为44对;第2组点云设定的夹角阈值为1°,剔除后的点对个数为127对。
步骤4:利用奇异值分解法(SVD)得到两个点云之间的旋转矩阵R和平移向量t。
类TransformationEstimationSVD是基于SVD方法的对于给定对应关系估计变换矩阵的算法的实现,该算法的输入为两组需要配准的点云及其对应点对,输出为利用SVD方法来求解的变换矩阵,储存在transformation中。
实验中两组点云数据的结果数据,如表1所示:
表1
在本实施例中,两组实验数据采用的是bunny部分数据集和结构光***实际采集到的点云数据,在通过方向向量阈值法剔除错误匹配点对的过程中,不仅减少了匹配点对,加快了后续的计算速度,而且剔除掉影响拼接的错误对应点对,提高了算法的精度。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括上述实施例方法的各步骤,而所述的存储介质可以是:ROM/RAM、磁碟、光盘、存储卡等。因此,与本发明的方法相对应的,本发明还同时包括一种三维点云数据的拼接装置,该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括:
数据预处理模块,其配置来通过点云采集***获取部分重叠的源点云和目标点云,并对点云进行预处理;
初始位置获取模块,其配置来通过两次扫描空间位置的坐标变换使源点云和目标点云得到良好的初始位置;
数据剔除模块,其配置来计算点云的曲率特征并利用Kdtree加快最近邻的搜索过程寻找初始匹配点对,然后使用方向向量阈值法设置约束条件剔除错误的点对;
拼接模块,其配置来利用奇异值分解SVD方法,得到两个点云之间的旋转矩阵R和平移向量t,完成拼接。
本发明的有益效果是:本发明针对重叠率低的两片点云拼接难度大、精度低等问题,提供了一种基于曲率特征并使用Kdtree加速的最近邻搜索方法,在匹配点对的搜索方法中,对于海量点云数据计算耗时的问题,使用点云数据的曲率特征实现更为精确的匹配,同时加入Kdtree最近邻搜索方法,提高了搜索速度。在得到两个点云的匹配点对后,为了进一步减小拼接误差,通过方向向量阈值法剔除错误点对,在计算法向量的过程中,采用OpenMP多线程并行计算的方法,以提高算法效率。最后使用奇异值分解法得到两点云之间的旋转矩阵R和平移向量t。有效提高了初始重叠程度较低的点云数据的拼接精度和时间效率。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (7)
1.一种三维点云数据的拼接方法,其特征在于:其包括以下步骤:
(1)点云采集***获取部分重叠的源点云和目标点云,并对点云进行预处理;
(2)通过两次扫描空间位置的坐标变换使源点云和目标点云得到良好的初始位置;
(3)计算点云的曲率特征并利用Kdtree加快最近邻的搜索过程寻找初始匹配点对,然后使用方向向量阈值法设置约束条件剔除错误的点对;
(4)利用奇异值分解SVD方法,得到两个点云之间的旋转矩阵R和平移向量t,完成拼接。
2.根据权利要求1所述的三维点云数据的拼接方法,其特征在于:所述步骤(1)中,所述点云预处理包括滤波、下采样,采用统计滤波、半径滤波、高斯滤波的方法对原始点云噪声、离群点进行去除,提高后续操作的计算效率和精度;采用一种改进的体素滤波对点云进行下采样,在不改变原始点云数据结构的同时减少点云的数量,提高后续拼接的速度。
3.根据权利要求2所述的三维点云数据的拼接方法,其特征在于:所述步骤(1)中,PCL的VoxelGrid类是通过输入的点云数据创建一个三维体素栅格,在每个体素内用体素中所有点的重心来近似显示体素中其他点,这样该体素内所有点都用一个重心点来表示,该重心点不一定就是原始点云中的点,有失原始点云的细小特征;所述改进的体素滤波用原始点云数据中距离体素重心点最近的点代替体素重心点,以便提高点云数据的表达精确性。
4.根据权利要求3所述的三维点云数据的拼接方法,其特征在于:所述步骤(3)包括以下分步骤:
(3.1)曲率特征通过点云中一查询点x及其k邻域点,构造协方差矩阵:
(3.2)通过奇异值分解(SVD)方法求得协方差矩阵的三个特征值,按从大到小排列,依次是λd1>λd2>λd3;
(3.3)查询点x处的表面曲率用sd表示:
(3.4)为了增强鲁棒性,选择不同的邻域搜索半径,并以不同搜索半径下计算出的曲率信息之差作为匹配信息
Δsd=sd+1-sd
(3.5)使用相同的方法计算另一个点云的曲率信息,记为Δsd′,设定阈值τ,若满足Δsd-Δsd′<τ,认为是匹配点对;
(3.6)方向向量阈值法对于点云中的点pi及其k邻域点,使用最小二乘法为邻域点拟合一个局部平面,平面方程的一般表达式为Ax+By+Cz-D=0,需要求解的四个参数中,元素不同时为0的向量(A,B,C)的实际意义为平面方程的法向量n,而D则为原点到平面的距离;根据最小二乘法推导的局部平面Pl拟合过程表示为:
通过最小化目标函数,使得该点与其每个近邻点所构成的向量与法向量的点乘为0;上式中m为点xi及其邻域点的质心
同时使得yi=Xi-m
这样,目标函数转化为:
(3.7)令S=(YYT),用SVD算法进行分解,得到
Y=U∑VT
U中最后一列就是要求解的法向量n,也就是最小特征值对应的特征向量;
(3.8)将求得的法向量单位化,计算各匹配点对法向量之间的夹角余弦值,设定阈值ε,若夹角余弦值cosθ<ε,则认为此对应点对为错误点对,从对应点集中剔除。
5.根据权利要求4所述的三维点云数据的拼接方法,其特征在于:所述步骤(3.5)中,在搜索查询点的邻域点时采用Kdtree加快最近邻的搜索过程。
6.根据权利要求5所述的三维点云数据的拼接方法,其特征在于:所述步骤(3.7)中,在计算法向量的过程中,采用OpenMP多线程并行计算的方法。
7.一种三维点云数据的拼接装置,其特征在于:其包括:
数据预处理模块,其配置来通过点云采集***获取部分重叠的源点云和目标点云,并对点云进行预处理;
初始位置获取模块,其配置来通过两次扫描空间位置的坐标变换使源点云和目标点云得到良好的初始位置;
数据剔除模块,其配置来计算点云的曲率特征并利用Kdtree加快最近邻的搜索过程寻找初始匹配点对,然后使用方向向量阈值法设置约束条件剔除错误的点对;
拼接模块,其配置来利用奇异值分解SVD方法,得到两个点云之间的旋转矩阵R和平移向量t,完成拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993313.1A CN113706381A (zh) | 2021-08-26 | 2021-08-26 | 一种三维点云数据的拼接方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993313.1A CN113706381A (zh) | 2021-08-26 | 2021-08-26 | 一种三维点云数据的拼接方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706381A true CN113706381A (zh) | 2021-11-26 |
Family
ID=78655734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110993313.1A Pending CN113706381A (zh) | 2021-08-26 | 2021-08-26 | 一种三维点云数据的拼接方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706381A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677322A (zh) * | 2021-12-30 | 2022-06-28 | 东北农业大学 | 基于注意力引导点云特征学习的奶牛体况自动评分方法 |
CN116452648A (zh) * | 2023-06-15 | 2023-07-18 | 武汉科技大学 | 一种基于法向量约束纠正的点云配准方法及*** |
CN117961197A (zh) * | 2024-04-01 | 2024-05-03 | 贵州大学 | 一种无人化涡轮叶片微孔电加工单元的自适应纠偏方法 |
-
2021
- 2021-08-26 CN CN202110993313.1A patent/CN113706381A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677322A (zh) * | 2021-12-30 | 2022-06-28 | 东北农业大学 | 基于注意力引导点云特征学习的奶牛体况自动评分方法 |
CN116452648A (zh) * | 2023-06-15 | 2023-07-18 | 武汉科技大学 | 一种基于法向量约束纠正的点云配准方法及*** |
CN116452648B (zh) * | 2023-06-15 | 2023-09-22 | 武汉科技大学 | 一种基于法向量约束纠正的点云配准方法及*** |
CN117961197A (zh) * | 2024-04-01 | 2024-05-03 | 贵州大学 | 一种无人化涡轮叶片微孔电加工单元的自适应纠偏方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | 3dmatch: Learning local geometric descriptors from rgb-d reconstructions | |
CN113706381A (zh) | 一种三维点云数据的拼接方法及装置 | |
Zhang et al. | Vision-based pose estimation for textureless space objects by contour points matching | |
CN106204574B (zh) | 基于目标平面运动特征的相机位姿自标定方法 | |
Li et al. | Robust point set registration using signature quadratic form distance | |
CN112001955A (zh) | 一种基于二维投影平面匹配约束的点云配准方法及*** | |
JP2014081347A (ja) | 3dシーンにおける3d物体の認識および姿勢決定のための方法 | |
WO2009021959A1 (en) | Method and system for aligning three-dimensional surfaces | |
CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN111986219B (zh) | 一种三维点云与自由曲面模型的匹配方法 | |
CN111145232A (zh) | 一种基于特征信息变化度的三维点云自动配准方法 | |
CN111768447B (zh) | 一种基于模板匹配的单目相机物***姿估计方法及*** | |
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 | |
CN112200915A (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 | |
CN116091727A (zh) | 一种基于多尺度特征描述的复杂曲面点云配准方法、电子设备及存储介质 | |
CN113313200B (zh) | 一种基于法向约束的点云精匹配方法 | |
Kraft et al. | Efficient RGB-D data processing for feature-based self-localization of mobile robots | |
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 | |
CN111553410B (zh) | 基于关键点局部曲面特征直方图和空间关系的点云识别方法 | |
Liu et al. | A fast weighted registration method of 3d point cloud based on curvature feature | |
Guo et al. | A fast global method combined with local features for 6d object pose estimation | |
Qiao et al. | G3reg: Pyramid graph-based global registration using gaussian ellipsoid model | |
CN113256693A (zh) | 基于K-means与正态分布变换的多视角配准方法 | |
Kang et al. | 3D urban reconstruction from wide area aerial surveillance video | |
Wang et al. | Stereo rectification based on epipolar constrained neural network |
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 |