CN115131424A - 一种聚类和边界特征保持的汽车后备箱点云体积计算方法 - Google Patents

一种聚类和边界特征保持的汽车后备箱点云体积计算方法 Download PDF

Info

Publication number
CN115131424A
CN115131424A CN202210666910.8A CN202210666910A CN115131424A CN 115131424 A CN115131424 A CN 115131424A CN 202210666910 A CN202210666910 A CN 202210666910A CN 115131424 A CN115131424 A CN 115131424A
Authority
CN
China
Prior art keywords
point
point cloud
points
cloud data
characteristic
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
Application number
CN202210666910.8A
Other languages
English (en)
Inventor
关佳希
冉茂平
周兴林
柳璐
耿密
蒋睿锲
袁静
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202210666910.8A priority Critical patent/CN115131424A/zh
Publication of CN115131424A publication Critical patent/CN115131424A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种聚类和边界特征保持的汽车后备箱点云体积计算方法。该方法包括：对汽车后备箱内表面进行扫描得到点云数据；通过k‑d树算法得到点云数据中各点及对应k邻域；基于各点及对应k邻域，得到各点的协方差矩阵；根据各点的协方差矩阵得到各点的法向量以及曲率；基于各点法向量以及曲率对点云数据进行特征分区，对不同区域点云数据采用不同的方法进行去噪精简；基于去噪、精简后点云数据计算得到汽车后备箱容积。通过本发明，对点云数据进行去噪及精简处理后，提高了后备箱容积的计算速度，且特征损失较少，保证了计算结果的准确性。

Description

一种聚类和边界特征保持的汽车后备箱点云体积计算方法
技术领域
本发明涉及数据处理领域，尤其涉及一种聚类和边界特征保持的汽车后备箱点云体积计算方法。
背景技术
汽车后备箱容积是衡量汽车装载携带行李物件能力的重要指标，直接关系到用户的使用体验，是购买者的主要关注点之一。随着科学技术的不断发展，以三维激光扫描技术为代表的非接触式测量方法因其测量准确高效、对物件无损伤、复杂场景适应性好等优势在容积测量领域的应用发展迅猛，其通过利用高频激光对物体进行全方位的扫描测量，然后接收记录反射回的激光信号并计算出物体表面及轮廓上大量密集点云的三维坐标，从而计算出物体体积。
而通过三维激光扫描获取的汽车后备箱点云数据由于其数据量大，形状不规则等特点，使得汽车后备箱容积计算较为困难。而传统的不规则物体点云体积计算方法需要通过对三维点云进行逆向建模后得到封闭三角面片模型，然后由计算机计算出各面片与中心点构成的体积元体积并求和，最终得到点云数据体积，这种方法需要通过逆向建模计算体积，复杂度较高，且计算精度受三角面片数量影响较大。
发明内容
本发明的主要目的在于提供一种聚类和边界特征保持的汽车后备箱点云体积计算方法及***，旨在解决现有技术中基于点云数据计算汽车后备箱容积的方法计算困难以及精度难以保证的技术问题。
第一方面，本发明提供一种聚类和边界特征保持的汽车后备箱点云体积计算方法，所述聚类和边界特征保持的汽车后备箱点云体积计算方法包括：
对汽车后备箱内表面进行扫描得到点云数据；
通过k-d树算法得到点云数据中各点及对应k邻域；
基于各点及对应k邻域，得到各点的协方差矩阵；
根据各点的协方差矩阵得到各点的法向量以及曲率；
基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；
对新的点云数据进行精简处理，得到精简点云数据；
基于精简点云数据计算得到汽车后备箱容积。
可选的，所述根据各点的协方差矩阵得到各点的法向量以及曲率的步骤包括：
对各点的协方差矩阵进行特征分解，得到各点的协方差矩阵对应的三个特征值；
以三个特征值中的最小特征值对应的特征向量为对应点的法向量；
以最小特征值与三个特征值的和的比值作为对应点的曲率。
可选的，所述基于各点的法向量以及曲率对点云数据进行去噪处理的步骤包括：
基于各点的曲率对点云数据进行特征分区；
对平坦区域点云数据采用正交最小二乘法进行去噪，基于各点的法向量对特征区域点云数据采用改进双边滤波进行去噪。
可选的，在所述基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据的步骤之前，还包括：
通过密度峰值聚类算法去除点云数据中的大尺度噪声。
可选的，所述对新的点云数据进行精简处理的步骤包括：
根据各点与其邻域点构成的向量和各点基准向量之间的夹角识别边界点；
根据各点的曲率识别特征点；
采用k均值聚类算法对新的点云数据进行聚类，对聚类得到的各簇进行区分，将包含边界点及特征点的簇视为特征区域，其余则为非特征区域；
针对特征区域的簇，根据其包含的边界点和特征点数量对簇采用k均值聚类算法进行聚类，将边界点及特征点保留，剩余点用聚类中心点代替；
针对非特征区域的簇，对次特征点进行提取并保留，其中，次特征点通过簇内各点到其k邻域拟合平面的距离进行判断，剩余点用聚类中心点代替。
第二方面，本发明还提供一种聚类和边界特征保持的汽车后备箱点云体积计算***，所述聚类和边界特征保持的汽车后备箱点云体积计算***包括：
扫描模块，用于对汽车后备箱内表面进行扫描得到点云数据；
k邻域构建模块，用于通过k-d树算法得到点云数据中各点及对应k邻域；
拓扑信息计算模块，用于基于各点及对应k邻域，得到各点的协方差矩阵；根据各点的协方差矩阵得到各点的法向量以及曲率；
去噪模块，用于基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；
精简模块，用于对新的点云数据进行精简处理，得到精简点云数据；
容积计算模块，用于基于精简点云数据计算得到汽车后备箱容积。
可选的，拓扑信息计算模块用于：
对各点的协方差矩阵进行特征分解，得到各点的协方差矩阵对应的三个特征值；
以三个特征值中的最小特征值对应的特征向量为对应点的法向量；
以最小特征值与三个特征值的和的比值作为对应点的曲率。
可选的，去噪模块用于：
基于各点的曲率对点云数据进行特征分区；
对平坦区域点云数据采用正交最小二乘法进行去噪，基于各点的法向量对特征区域点云数据采用改进双边滤波进行去噪。
可选的，聚类和边界特征保持的汽车后备箱点云体积计算***还包括粗去噪模块，用于：
通过密度峰值聚类算法去除点云数据中的大尺度噪声。
可选的，精简模块用于：
根据各点与其邻域点构成的向量和各点基准向量之间的夹角识别边界点；
根据各点的曲率识别特征点；
采用k均值聚类算法对新的点云数据进行聚类，对聚类得到的各簇进行区分，将包含边界点及特征点的簇视为特征区域，其余则为非特征区域；
针对特征区域的簇，根据其包含的边界点和特征点数量对簇采用k均值聚类算法进行聚类，将边界点及特征点保留，剩余点用聚类中心点代替；
针对非特征区域的簇，对次特征点进行提取并保留，其中，次特征点通过簇内各点到其k邻域拟合平面的距离进行判断，剩余点用聚类中心点代替。
本发明中，对汽车后备箱内表面进行扫描得到点云数据；通过k-d树算法得到点云数据中各点及对应k邻域；基于各点及对应k邻域，得到各点的协方差矩阵；根据各点的协方差矩阵得到各点的法向量以及曲率；基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；对新的点云数据进行精简处理，得到精简点云数据；基于精简点云数据计算得到汽车后备箱容积。通过本发明，对点云数据进行去噪以及精简处理，即降低了点云数据的数据量也剔除了噪声的影响，提高了基于点云数据计算汽车后备箱容积的速度，且特征损失较少，保证了计算结果的准确性。
附图说明
图1为本发明聚类和边界特征保持的汽车后备箱点云体积计算方法一实施例的流程示意图；
图2为本发明聚类和边界特征保持的汽车后备箱点云体积计算***一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
第一方面，本发明实施例提供了一种聚类和边界特征保持的汽车后备箱点云体积计算方法。
一实施例中，参照图1，图1为本发明聚类和边界特征保持的汽车后备箱点云体积计算方法一实施例的流程示意图。如图1所示，聚类和边界特征保持的汽车后备箱点云体积计算方法包括：
步骤S10，对汽车后备箱内表面进行扫描得到点云数据；
本实施例中，采用三维激光扫描设备对汽车后备箱内表面进行扫描采集其点云数据，获取到原始的包含大量噪声点及冗余点的汽车后备箱点云数据。
步骤S20，通过k-d树算法得到点云数据中各点及对应k邻域；
步骤S30，基于各点及对应k邻域，得到各点的协方差矩阵；
步骤S40，根据各点的协方差矩阵得到各点的法向量以及曲率；
本实施例中，对点云数据进行拓扑关系建立，包括：通过k-d树算法构建点云k邻域；运用主成元分析法估算点云法向量；将点云曲面变分近似代替曲率这三个部分实现，以便于保证后续点云数据去噪及精简的效率及准确性。
进一步地，一实施例中，步骤S40包括：
对各点的协方差矩阵进行特征分解，得到各点的协方差矩阵对应的三个特征值；以三个特征值中的最小特征值对应的特征向量为对应点的法向量；以最小特征值与三个特征值的和的比值作为对应点的曲率。
本实施例中，基于步骤S20～步骤S30，得到点pi(点云数据中任一点)及对应k邻域N(pi)＝{pj,j∈1,2,...k}得到其协方差矩阵：
Figure BDA0003691896180000051
对点pi的协方差矩阵C进行特征分解得到特征值λ1、λ2、λ3，令λ1<λ2<λ3，则最小特征值λ1对应的特征向量α1为点pi的法向量，以此类推，即可得到各点的法向量。
采用曲面变分r近似代替点云曲率R用以表征局部区域的几何特征，根据各点协方差矩阵C的特征值λ1、λ2、λ3计算出点p处曲率R为：
Figure BDA0003691896180000052
步骤S50，基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；
本实施例中，基于各点的曲率对点云数据进行分区，不同的区域按照不同的去噪方式进行去噪处理，从而得到新的点云数据。
进一步地，一实施例中，步骤S50包括：
基于各点的曲率对点云数据进行特征分区；
对平坦区域点云数据采用正交最小二乘法进行去噪，基于各点的法向量对特征区域点云数据采用改进双边滤波进行去噪。
本实施例中，通过后备箱形状特点，将后备箱点云平坦区域及包含凹凸结构的特征区域利用点曲率及其标准差进行特征划分。
已知点pi的曲率为Ri,其邻域内的平均曲率为
Figure BDA0003691896180000061
邻域点曲率标准差为
Figure BDA0003691896180000062
则定义特征判断值e：
Figure BDA0003691896180000063
其中：Rm为曲率阈值，δ为标准差阈值。
通过特征判断值e进行特征区域划分，若e＝3，代表点pi及其邻域点的曲率均较小，且邻域点曲率离散度较小，则判定pi为平坦区域点，反之，若e<3，则pi为特征区域点。
对特征区域点云数据采用改进双边滤波进行去噪，具体的：
改进双边滤波利用点邻域信息对点云数据进行法向量方向的移动从而修正点坐标位置达到光顺效果，公式如下：
p′＝p+α·n
其中：α为双边滤波因子，根据α及法向量n对原始坐标p进行调整得到新的坐标p′，α的计算公式如下：
Figure BDA0003691896180000064
Figure BDA0003691896180000065
Figure BDA0003691896180000066
其中：k为采样点p邻域中点个数，pi为邻域点，ωc，ωs分别为光顺滤波权函数和特征保持权函数，σc和σs分别对应着双边滤波的光顺程度和特征保持度。
通常情况下，σc取邻域半径：
σc＝max||p-pi||
当σc确定后，σs的取值对平滑效果影响较大，σs越大，代表p的法向修正距离越大，平滑程度越大，因此令
σs＝t·σc
Figure BDA0003691896180000071
其中t为特征保持权，R为点p的曲率，
Figure BDA0003691896180000072
为p邻域平均曲率，通过点p及其邻域曲率确定t的取值，使得t与特征保持度成正比，从而实现特征保持参数自适应调整。
对平坦区域点云数据采用正交最小二乘法进行去噪，具体的：
正交整体最小二乘法通过计算各点到拟合平面距离di并设定阈值剔除噪声，di计算公式如下：
Figure BDA0003691896180000073
其中，a、b、c为拟合平面参数，
Figure BDA0003691896180000074
分别为邻域点的坐标平均值。
进一步地，一实施例中，在步骤S50之前还包括：
通过密度峰值聚类算法去除点云数据中的大尺度噪声。
本实施例中，首先计算出点云的局部密度ρi和最邻高密度点距离δi。
局部密度ρi及最邻高密度点距离δi的计算公式如下：
Figure BDA0003691896180000075
Figure BDA0003691896180000076
其中：
Figure BDA0003691896180000077
dij为点pi到点pj的距离，dc为截断距离。
然后对ρi和δi作降序排列，根据噪声高低设置噪点判断阈值s，s取80～90，将δi位于前s％且ρi位于后s％的点标记为噪点并去除，得到粗去噪数据。
即在步骤S50之前进行粗去噪处理，步骤S50以经过粗去噪处理后的点云数据为基础，进一步进行去噪处理。
步骤S60，对新的点云数据进行精简处理，得到精简点云数据；
本实施例中，基于去噪处理后得到新的点云数据，然后对新的点云数据进行精简处理，从而得到精简点云数据。
进一步地，一实施例中，步骤S60包括：
根据各点与其邻域点构成的向量和各点基准向量之间的夹角识别边界点；根据各点的曲率识别特征点；采用k均值聚类算法对新的点云数据进行聚类，对聚类得到的各簇进行区分，将包含边界点及特征点的簇视为特征区域，其余则为非特征区域；针对特征区域的簇，根据其包含的边界点和特征点数量对簇采用k均值聚类算法进行聚类，将边界点及特征点保留，剩余点用聚类中心点代替；针对非特征区域的簇，对次特征点进行提取并保留，其中，次特征点通过簇内各点到其k邻域拟合平面的距离进行判断，剩余点用聚类中心点代替。
本实施例中，首先利用点pi的k邻域构建拟合平面，然后将pi及其邻域内各点投影到拟合平面上，连接pi和各邻域点得到一个向量集，再选取向量集中任意一个向量作为基准向量，计算各向量与基准向量间夹角。
设定角度阈值θs，一般取2/3π，将各向量与基准向量间夹角中的最大夹角θmax与阈值θs比较，若θmax>θs，则认为点pi为边界点。
特征点判断方法与上述步骤S50的细化实施例相同，在此不做赘述。
在确定了边界点以及特征点的基础上，聚类流程如下：
1、根据目标精简率设置聚类簇数目k，假设精简率为g，点云总数为N，则k＝N*(1-g)。
2、根据聚类簇数目k值的大小，在k-d tree中寻找与k值最为接近的节点个数的那一层，将该层中对应的所有节点作为初始聚类中心。
3、计算所有点与各个聚类中心距离，依次判断各点与各聚类中心距离，将各点分配到距离最近的聚类中心所在簇中。
4、通过计算簇内各点与簇中心点距离，得到与中心点最近的点，该点即为簇重心点。将其作为新的聚类中心并再次聚类，重复上述步骤直到聚类中心不再变化即完成聚类。
然后，对聚类后各簇进行区分，将包含边界点及特征点的簇视为特征区域，其余则为非特征区域：
针对特征区域的簇，根据其包含的边界点和特征点数量对簇再次进行改进k均值聚类细分，细分簇数取k’＝ns，ns为特征点总数量。
对非特征区域的簇，对次特征点进行提取并保留，次特征点通过簇内各点到其k邻域拟合平面的距离di进行判断，距离di计算公式与上述步骤S50的细化实施例相同，在此不做赘述。
最后在边界点、特征点以及次特征点均确认后进行保留，对各簇内剩余点采用聚类中心点进行替代，完成后备箱点云精简的同时保留了边界特征信息。
步骤S70，基于精简点云数据计算得到汽车后备箱容积。
本实施例中，在点云数据去噪、精简完毕后再进行点云体积计算以提高计算效率且保证计算结果的准确性。针对汽车后备箱点云轮廓变化平缓的特性，采用切片法计算点云数据体积。具体步骤如下：
1、根据点云模型高度H设置点云切片间距h，点云切片层数n＝H/h，最后无法切片的剩余部分高度hs＝H-n*h。
2、完成切片后采用α-shape算法对点云轮廓边界进行识别。具体地：
将切片层点云投影到XOY平面得到二维点集P0，从P0中任取一点p1作为圆心，以2α为半径建一个范围圆，并定义圆内所有点构成的点集为P01。
在P01任取一点p2，以p1、p2两点及半径α再构建新的范围圆，计算出新圆圆心po(pox,poy)及P01内剩余各点到po的距离，圆心坐标po计算公式如下：
Figure BDA0003691896180000091
若所有点距离均大于α，则判断p1、p2为轮廓点，并对P0内剩余未判断点重复上述步骤直到P0内所有点判断完毕；反之，则对P01内剩余未判断点重复上述步骤直到P01内所有点判断完毕。
P0内所有点均判断完毕后即实现该切片层点云轮廓提取。
3、提取完轮廓边界后利用多边形行列式公式计算出各切片层点云所围成的多边形面积Si。
假设第i层点云切片轮廓点集Pi中各点坐标为pj(xj,yj)(j＝0,1...m)，p0＝pm，则多边形面积行列式计算公式为：
Figure BDA0003691896180000092
4、在完成点云数据切片面积计算后将各部分体积进行累加即可得到点云整体的体积V，即汽车后备箱容积，此处根据后备箱空间特性，各切段视为台体，最后未切片部分视为柱体，则计算公式如下：
Figure BDA0003691896180000101
式中：V为点云体积，n为切片层数，h为切片间距，Si为第i层切片面积，hs为切片剩余高度。
本实施例中，对汽车后备箱内表面进行扫描得到点云数据；通过k-d树算法得到点云数据中各点及对应k邻域；基于各点及对应k邻域，得到各点的协方差矩阵；根据各点的协方差矩阵得到各点的法向量以及曲率；基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；对新的点云数据进行精简处理，得到精简点云数据；基于精简点云数据计算得到汽车后备箱容积。通过本实施例，对点云数据进行去噪以及精简处理，即保持特征信息的同时降低了点云数据的数据量也剔除了噪声的影响，提高了基于点云数据计算汽车后备箱容积的速度，且保证了计算结果的准确性
第二方面，本发明实施例还提供一种聚类和边界特征保持的汽车后备箱点云体积计算***。
一实施例中，参照图2，图2为本发明聚类和边界特征保持的汽车后备箱点云体积计算***一实施例的功能模块示意图。如图2所示，聚类和边界特征保持的汽车后备箱点云体积计算***包括：
扫描模块10，用于对汽车后备箱内表面进行扫描得到点云数据；
k邻域构建模块20，用于通过k-d树算法得到点云数据中各点及对应k邻域；
拓扑信息计算模块30，用于基于各点及对应k邻域，得到各点的协方差矩阵；根据各点的协方差矩阵得到各点的法向量以及曲率；
去噪模块40，用于基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；
精简模块50，用于对新的点云数据进行精简处理，得到精简点云数据；
容积计算模块60，用于基于精简点云数据计算得到汽车后备箱容积。
进一步地，一实施例中，拓扑信息计算模块30用于：
对各点的协方差矩阵进行特征分解，得到各点的协方差矩阵对应的三个特征值；
以三个特征值中的最小特征值对应的特征向量为对应点的法向量；
以最小特征值与三个特征值的和的比值作为对应点的曲率。
进一步地，一实施例中，去噪模块40用于：
基于各点的曲率对点云数据进行特征分区；
对平坦区域点云数据采用正交最小二乘法进行去噪，基于各点的法向量对特征区域点云数据采用改进双边滤波进行去噪。
进一步地，一实施例中，聚类和边界特征保持的汽车后备箱点云体积计算***还包括粗去噪模块，用于：
通过密度峰值聚类算法去除点云数据中的大尺度噪声。
进一步地，一实施例中，精简模块50用于：
根据各点与其邻域点构成的向量和各点基准向量之间的夹角识别边界点；
根据各点的曲率识别特征点；
采用k均值聚类算法对新的点云数据进行聚类，对聚类得到的各簇进行区分，将包含边界点及特征点的簇视为特征区域，其余则为非特征区域；
针对特征区域的簇，根据其包含的边界点和特征点数量对簇采用k均值聚类算法进行聚类，将边界点及特征点保留，剩余点用聚类中心点代替；
针对非特征区域的簇，对次特征点进行提取并保留，其中，次特征点通过簇内各点到其k邻域拟合平面的距离进行判断，剩余点用聚类中心点代替
其中，上述聚类和边界特征保持的汽车后备箱点云体积计算***中各个模块的功能实现与上述聚类和边界特征保持的汽车后备箱点云体积计算方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种聚类和边界特征保持的汽车后备箱点云体积计算方法，其特征在于，所述聚类和边界特征保持的点云数据处理及体积计算方法包括：
对汽车后备箱内表面进行扫描得到点云数据；
通过k-d树算法得到点云数据中各点及对应k邻域；
基于各点及对应k邻域，得到各点的协方差矩阵；
根据各点的协方差矩阵得到各点的法向量以及曲率；
基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；
对新的点云数据进行精简处理，得到精简点云数据；
基于精简点云数据计算得到汽车后备箱容积。
2.如权利要求1所述的聚类和边界特征保持的汽车后备箱点云体积计算方法，其特征在于，所述根据各点的协方差矩阵得到各点的法向量以及曲率的步骤包括：
对各点的协方差矩阵进行特征分解，得到各点的协方差矩阵对应的三个特征值；
以三个特征值中的最小特征值对应的特征向量为对应点的法向量；
以最小特征值与三个特征值的和的比值作为对应点的曲率。
3.如权利要求1所述的聚类和边界特征保持的汽车后备箱点云体积计算方法，其特征在于，所述基于各点的法向量以及曲率对点云数据进行去噪处理的步骤包括：
基于各点的曲率对点云数据进行特征分区；
对平坦区域点云数据采用正交最小二乘法进行去噪，基于各点的法向量对特征区域点云数据采用改进双边滤波进行去噪。
4.如权利要求3所述的聚类和边界特征保持的汽车后备箱点云体积计算方法，其特征在于，在所述基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据的步骤之前，还包括：
通过密度峰值聚类算法去除点云数据中的大尺度噪声。
5.如权利要求1所述的聚类和边界特征保持的汽车后备箱点云体积计算方法，其特征在于，所述对新的点云数据进行精简处理的步骤包括：
根据各点与其邻域点构成的向量和各点基准向量之间的夹角识别边界点；
根据各点的曲率识别特征点；
采用k均值聚类算法对新的点云数据进行聚类，对聚类得到的各簇进行区分，将包含边界点及特征点的簇视为特征区域，其余则为非特征区域；
针对特征区域的簇，根据其包含的边界点和特征点数量对簇采用k均值聚类算法进行聚类，将边界点及特征点保留，剩余点用聚类中心点代替；
针对非特征区域的簇，对次特征点进行提取并保留，其中，次特征点通过簇内各点到其k邻域拟合平面的距离进行判断，剩余点用聚类中心点代替。
6.一种聚类和边界特征保持的汽车后备箱点云体积计算***，其特征在于，所述聚类和边界特征保持的汽车后备箱点云体积计算***包括：
扫描模块，用于对汽车后备箱内表面进行扫描得到点云数据；
k邻域构建模块，用于通过k-d树算法得到点云数据中各点及对应k邻域；
拓扑信息计算模块，用于基于各点及对应k邻域，得到各点的协方差矩阵；根据各点的协方差矩阵得到各点的法向量以及曲率；
去噪模块，用于基于各点的法向量以及曲率对点云数据进行去噪处理，得到新的点云数据；
精简模块，用于对新的点云数据进行精简处理，得到精简点云数据；
容积计算模块，用于基于精简点云数据计算得到汽车后备箱容积。
7.如权利要求6所述的聚类和边界特征保持的汽车后备箱点云体积计算***，其特征在于，拓扑信息计算模块用于：
对各点的协方差矩阵进行特征分解，得到各点的协方差矩阵对应的三个特征值；
以三个特征值中的最小特征值对应的特征向量为对应点的法向量；
以最小特征值与三个特征值的和的比值作为对应点的曲率。
8.如权利要求6所述的聚类和边界特征保持的汽车后备箱点云体积计算***，其特征在于，去噪模块用于：
基于各点的曲率对点云数据进行特征分区；
对平坦区域点云数据采用正交最小二乘法进行去噪，基于各点的法向量对特征区域点云数据采用改进双边滤波进行去噪。
9.如权利要求8所述的聚类和边界特征保持的汽车后备箱点云体积计算***，其特征在于，聚类和边界特征保持的汽车后备箱点云体积计算***还包括粗去噪模块，用于：
通过密度峰值聚类算法去除点云数据中的大尺度噪声。
10.如权利要求6所述的聚类和边界特征保持的汽车后备箱点云体积计算***，其特征在于，精简模块用于：
根据各点与其邻域点构成的向量和各点基准向量之间的夹角识别边界点；
根据各点的曲率识别特征点；
采用k均值聚类算法对新的点云数据进行聚类，对聚类得到的各簇进行区分，将包含边界点及特征点的簇视为特征区域，其余则为非特征区域；
针对特征区域的簇，根据其包含的边界点和特征点数量对簇采用k均值聚类算法进行聚类，将边界点及特征点保留，剩余点用聚类中心点代替；
针对非特征区域的簇，对次特征点进行提取并保留，其中，次特征点通过簇内各点到其k邻域拟合平面的距离进行判断，剩余点用聚类中心点代替。
CN202210666910.8A 2022-06-13 2022-06-13 一种聚类和边界特征保持的汽车后备箱点云体积计算方法 Pending CN115131424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210666910.8A CN115131424A (zh) 2022-06-13 2022-06-13 一种聚类和边界特征保持的汽车后备箱点云体积计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210666910.8A CN115131424A (zh) 2022-06-13 2022-06-13 一种聚类和边界特征保持的汽车后备箱点云体积计算方法

Publications (1)

Publication Number Publication Date
CN115131424A true CN115131424A (zh) 2022-09-30

Family

ID=83378654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210666910.8A Pending CN115131424A (zh) 2022-06-13 2022-06-13 一种聚类和边界特征保持的汽车后备箱点云体积计算方法

Country Status (1)

Country Link
CN (1) CN115131424A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115575948A (zh) * 2022-12-13 2023-01-06 山东矩阵软件工程股份有限公司 一种基于雷达点云的货运列车形变判断方法及***
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115575948A (zh) * 2022-12-13 2023-01-06 山东矩阵软件工程股份有限公司 一种基于雷达点云的货运列车形变判断方法及***
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法
CN117132478B (zh) * 2023-04-25 2024-05-17 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Similar Documents

Publication Publication Date Title
CN109887015B (zh) 一种基于局部曲面特征直方图的点云自动配准方法
CN115131424A (zh) 一种聚类和边界特征保持的汽车后备箱点云体积计算方法
CN104331699B (zh) 一种三维点云平面化快速搜索比对的方法
US7995055B1 (en) Classifying objects in a scene
CN110599506B (zh) 一种复杂异形曲面机器人三维测量的点云分割方法
CN106484692B (zh) 一种三维模型检索方法
CN111696210A (zh) 一种基于三维点云数据特征轻量化的点云重构方法及***
CN112017220A (zh) 一种基于抗差约束最小二乘算法的点云精确配准方法
CN107680168B (zh) 三维重建中基于平面拟合的网格简化方法
CN105844602A (zh) 一种基于体元的机载lidar点云三维滤波方法
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
CN112669462B (zh) 一种适用于扫描点云的模型处理方法及***
CN112634457B (zh) 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法
CN114663373A (zh) 一种用于零件表面质量检测的点云配准方法及装置
CN115861397A (zh) 一种基于改进fpfh-icp的点云配准方法
CN115601574A (zh) 一种改进akaze特征的无人机影像匹配方法
CN111860359B (zh) 一种基于改进随机森林算法的点云分类方法
CN114840925A (zh) 一种车身部分测量数据到整体cad模型的配准方法
CN116862960A (zh) 工件形貌点云配准方法、装置、设备及存储介质
CN116310849A (zh) 基于三维形态特征的树木点云单体化提取方法
CN113744389B (zh) 一种面向复杂零件曲面特征保留的点云精简方法
CN117928385A (zh) 一种基于远程无人机和传感器的工程施工智能测量方法
CN112270746B (zh) 基于邻域协方差特征参数阈值的铝合金3d打印点云精简算法
CN115147433A (zh) 点云配准方法
CN109241628B (zh) 基于图谱理论和聚类的三维cad模型分割方法

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