CN117274339A - 一种基于改进的iss-3dsc特征结合icp的点云配准方法 - Google Patents
一种基于改进的iss-3dsc特征结合icp的点云配准方法 Download PDFInfo
- Publication number
- CN117274339A CN117274339A CN202311381815.4A CN202311381815A CN117274339A CN 117274339 A CN117274339 A CN 117274339A CN 202311381815 A CN202311381815 A CN 202311381815A CN 117274339 A CN117274339 A CN 117274339A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- registration
- point
- 3dsc
- algorithm
- 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 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进的ISS‑3DSC特征结合ICP的点云配准方法，包括以下步骤：(1)使用改进的八叉树滤波对原始点云和目标点云进行下采样；(2)使用内部形状描述子ISS算法对下采样的点云数据提取特征点，得到特征点集P和Q；(3)使用三维形状上下文描述子3DSC算法对提取的特征点集P和Q进行描述；(4)使用SAC‑IA‑NDT算法对点云进行粗配准，得到一个粗配准变换矩阵，并依此变换矩阵获取粗配准的点云数据；(5)使用双向KD树结合方向向量约束的ICP算法对粗配准的点云数据进行精配准，得到精配准变换矩阵，并依此变换矩阵获取最终的精配准点云数据，完成精配准；本发明提高了点云配准算法的精度和配准的效率。
Description
技术领域
本发明涉及三维点云配准技术领域，具体涉及一种基于改进的ISS-3DSC特征结合ICP的点云配准方法。
背景技术
工业构件的三维扫描在工业产品安装中的需求越来越多，其中点云配准作为三维数据处理的重要步骤，配准结果的好坏严重影响着最终的结果。由于受到采集设备分辨率与环境因素等影响，在实物数字化的过程中，采集的每帧点云数据只覆盖了模型表面的部分信息，而且可能存在一定程度上的旋转、平移、错位等问题，因此，为了获取三维物体表面的完整信息，必须通过配准或拼接将采集的不同角度点云数据变换到同一坐标系下。
点云配准的本质就是寻找一个最优变换矩阵，使得两组不同坐标系的点云经过矩阵变换后能够尽可能的匹配。目前采用的点云配准技术一般分两步：粗配准和精配准。粗配准是为了缩小点云之间的旋转和平移错位等误差，以提高配准效率。
又由于点云的拓扑结构、稀疏程度、噪声等的存在，导致初始配准结果很难逼近真实模型，因此，需要对初始配准结果进行精配准，点云精配准是指在粗配准的基础上进行配准，得到一个更加精确的变换矩阵，使得两组点云尽可能的重合，精配准可以使两个点云之间的配准误差达到最小。当前应用最广且最为经典的精配准算法是迭代最近点(ICP)算法。传统的ICP算法计算简便直观，但其对初始配准位置依赖性强，容易陷入局部最优，导致配准效率不高。
发明内容
发明目的：本发明的目的是提供种一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，提高点云配准算法的精度和配准的效率。
技术方案：本发明所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，包括以下步骤：
(1)使用改进的八叉树滤波对原始点云和目标点云进行下采样；
(2)使用内部形状描述子ISS算法对下采样的点云数据提取特征点，得到特征点集P和Q；
(3)使用三维形状上下文描述子3DSC算法对提取的特征点集P和Q进行描述；
(4)使用SAC-IA-NDT算法对点云进行粗配准，得到一个粗配准变换矩阵，并依此变换矩阵获取粗配准的点云数据；
(5)使用双向KD树结合方向向量约束的ICP算法对粗配准的点云数据进行精配准，得到精配准变换矩阵，并依此变换矩阵获取最终的精配准点云数据，完成精配准。
进一步的，所述步骤(1)具体为：求解八叉树的体素中心，以八叉树的体素中心点来代替每一个体素内的点，本发明对其进行改进，以距离八叉树体素中心点最近的点来代替体素的中心点，从而做到下采样后的点都还是原始点云数据中的点，以提高点云数据的表达准确性。
进一步的，所述步骤(2)具体如下：采用八叉树采样和ISS特征点提取相结合的方法提取特征点。八叉树是一种有效的组织点云数据的方法。通过循环递归对数据进行划分，直到达到最大递归深度。本发明采用八叉树采样方法对点云数据进行简化，保留了点云的形状、特征等重要数据。然后，利用ISS特征点算法进一步保留周围数据，使点云的局部特征得到很好的保留。具体为对进行八叉树采样后的点云数据进行ISS特征提取，筛选邻域中所有能反映局部特征的点，保留满足条件的特征点作为特征点。
进一步的，所述步骤(3)实现过程如下：对步骤(2)获得的特征点集P和Q，用3DSC算法进行描述，3DSC是2DSC的扩展，3DSC特征空间的意义是建立一个对局部区域点分布的表示形式，在每一个点的临近区域内，需要将点的密度以及对应分布的几何特征清晰地表示出来。经过上一步提取的点云数据更加均匀，而3DSC算法也可用更少的字节来描述特征点，将两者结合起来能提取出更具代表性的特征点。
进一步的，所述步骤(4)包括以下步骤：
(41)使用SAC-IA算法完成粗配准；
(42)进行NDT粗配准，为ICP提供初始位姿。
进一步的，所述步骤(5)具体为：经过粗匹配之后，源点云P与目标点云Q已大致重合，但配准精度有所欠缺，为了进一步提高配准精度，本发明使用方向向量约束的ICP算法作精匹配并在其中加入了双向KD树来提高配准效率；
进一步的，所述步骤(41)包括以下步骤：
(411)从源点云特征点集P中选取s个采样点，选择的采样点两两之间距离大于设定的最小值，然后得到所选择的采样点的3DSC特征；
(412)从目标点云关键点集Q中查找与s个采样点有近似3DSC特征的特征点，将具有相似特征的特征点保存在一个集合中，并通过随机抽取的方式与采样点构造对应点对；
(413)根据两点云数据集的对应关系计算刚体变换矩阵，并通过计算度量错误来评价转换矩阵的质量；
(414)重复步骤(411)-(413)直至达到最佳度量错误结果；错误度量可由Huber评价公式决定，计算公式如式(1)所示：
式中Lh(ei)表示第i组对应点的匹配错误度，te表示预先设定的误差阈值，ei表示第i组对应点变换后的距离差。
进一步的，所述步骤(42)包括以下步骤：
(421)将点云空间划分成网格，设网格内有n个点，任一点设为xk，计算网格中点的均值向量f和协方差矩阵Covk：
(422)为点xk构造概率模型：
(423)根据变换矩阵将两片点云变换到同一坐标系下，计算对应点落在对应网格中的概率之和，作为配准得分：
x′k＝Rkxk+Tk
其中，Rk为旋转矩阵，Tk为平移矩阵。
(424)根据牛顿优化算法寻找变换参数使得score的值最大。迭代上述步骤直到达到收敛条件，从而得到最优变换矩阵。
本发明所述的一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现任一项所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法中的步骤。
本发明所述的一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被设计为运行时实现任一项所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法中的步骤。
有益效果：与现有技术相比，本发明具有如下显著优点：
1、在下采样过程中，使用改进的八叉树体素滤波的方法进行下采样。在减少点云数据量的同时对其进行均匀化处理，并能够保存点云的形状特征；
2、在粗配准过程中，用SAC-IA算法和NDT算法两种算法进行粗配准，可以为后续的ICP算法提供一个更好的初始位姿；
3、在ICP精配准阶段，本发明使用双向KD树算法结合方向向量约束的ICP算法来提高配准精度和效率，大大缩短了ICP阶段的耗时，提高了配准的效率和速度。
附图说明
图1为本发明的流程图；
图2为本发明源点云和目标点云的初始位姿图；
图3为本发明中八叉树采样后的ISS特征点提取图。
图4为本发明算法对工业构件齿轮点云的配准结果图；
图5为ISS-FPFH+ICP算法和ISS-3DSC-NDT算法对齿轮点云的配准结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1-3所示，本发明实施例提供一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，包括以下步骤：
(1)使用改进的八叉树滤波对原始点云和目标点云进行下采样；具体为：根据给定的目标点云和源点云，对源点云和目标点云分别构造八叉树，八叉树的每个节点表示一个正方体的体素，求解八叉树的体素中心，以八叉树的体素中心点来代替每一个体素内的点，本发明对其进行改进，以距离八叉树体素中心点最近的点来代替体素的中心点，从而做到下采样后的点都还是原始点云数据中的点，以提高点云数据的表达准确性。算法的具体步骤如下：1)创建一个八叉树对象，用于处理点云数据；2)将点云数据映射到八叉树中；3)遍历八叉树，获取所有体素的中点；4)用距离体素中心最近的点来代替体素中心点。
(2)使用内部形状描述子(ISS)算法对下采样的点云数据提取特征点；具体为：经过八叉树采样后，对点云数据进行的简化，保留了点云的形状、特征等重要数据。之后需要进行ISS关键点的提取，筛选出邻域内可以反映局部特征的点，保存满足条件的点作为特征点。内部形状描述子(ISS)是一种利用邻域信息建立局部坐标系，并利用特征值之间的关系来表征点特征的方法，该算法具有丰富的几何特征信息，适用于高精度的点云配准。设点云P中含有n个点(xi，yi，zi)，设pi＝(xi，yi，zi)，提取ISS关键点的具体流程如下：
(21)对点云P上的每个点pi定义一个局部坐标系，并对所有点设定一个搜索半径r；
(22)查询点云数据中每个点pi在半径r周围内的所有点，并计算其权值，如下：
(23)通过下式每个点pi的协方差矩阵：
(24)分解协方差矩阵，得到特征值并按从大到小的顺序排列；
(25)设置阈值ε1和ε2，若查询点满足下式的两个约束条件则视为ISS特征点：
(3)使用三维形状上下文描述子(3DSC)算法对提取的特征点集进行描述；具体为：对上一步获得的特征点集P和Q，用3DSC算法进行描述，3DSC是2DSC的扩展，3DSC特征空间的意义是建立一个对局部区域点分布的表示形式，在每一个点的临近区域内，需要将点的密度以及对应分布的几何特征清晰地表示出来。经过上一步提取的点云数据更加均匀，而3DSC算法也可用更少的字节来描述特征点，将两者结合起来能提取出更具代表性的特征点。
3DSC由P0为圆心、R0为半径扩展为以P0为球心、R0为半径，球的北极点由重建法线来估计，和2DSC相同的是，3DSC也存在不同大小的同心球，半径计算公式如下：
相对比2DSC的点数统计方式，3DSC增加了统计区域内点集的每个点的不同权重，其权重公式如下：
式中：V＝(j，k，l)为第j个第k个方位方向、第l个仰角方向区域对应的体积；ρ反应了局部点的密度。之后将的ω(ρi)值组成一个同心球，特征向量fpi＝{ω1，ω2，...，ωk}，其中k＝{1，2，...，n}，这个向量也包含了特征点周围的形状上下文信息。
(4)使用SAC-IA-NDT算法对点云进行粗配准，得到一个粗配准变换矩阵，并依此变换矩阵获取粗配准的点云数据；包括以下步骤：
(41)使用SAC-IA算法完成粗配准；
(411)从源点云特征点集P中选取s个采样点，选择的采样点两两之间距离大于设定的最小值，然后得到所选择的采样点的3DSC特征。
(412)从目标点云关键点集Q中查找与s个采样点有近似3DSC特征的特征点，将具有相似特征的特征点保存在一个集合中，并通过随机抽取的方式与采样点构造对应点对；
(413)根据两点云数据集的对应关系计算刚体变换矩阵，并通过计算度量错误来评价转换矩阵的质量。
(414)重复(41)-(43)直至达到最佳度量错误结果。错误度量可由Huber评价公式决定，计算公式如下：
式中Lh(ei)表示第i组对应点的匹配错误度，te表示预先设定的误差阈值，ei表示第i组对应点变换后的距离差。由于SAC-IA算法的粗配准精度不高，难以为ICP精配准提供一个很好的初始位姿，因此本发明在SAC-IA算法之后，
(42)接着进行一步NDT配准，使得两片点云的粗配准精度更高，精度更好，为ICP提供一个更好的初始位姿。NDT算法既可以作为精配准，也可以作为粗配准。NDT粗配准具体步骤如下：
(421)将点云空间划分成网格，设网格内有n个点，任一点设为xk，计算网格中点的均值向量f和协方差矩阵Covk：
(422)为点xk构造概率模型：
(423)根据变换矩阵将两片点云变换到同一坐标系下，计算对应点落在对应网格中的概率之和，作为配准得分：
x′k＝Rkxk+Tk
上式中Rk为旋转矩阵，Tk为平移矩阵。
(5)最后使用双向KD树结合方向向量约束的ICP算法对粗配准的点云数据进行精配准，得到精配准变换矩阵，并依此变换矩阵获取最终的精配准点云数据，完成精配准；
经典的ICP配准算法需要在配准之前拥有一个良好的初始位姿，本发明提出的SAC-IA-NDT粗配准算法，为后续的ICP算法提供了一个良好的初始位姿。避免了进行ICP算法后出现局部最优的情况。此外，在配准计算时，为解决ICP算法收敛速度慢和对应点误匹配的问题，本发明以双向KD树结合方向向量约束的ICP算法，来提高配准效率和精度。改进的ICP算法的具体流程如下：
(51)将初始配准后的两片点云A’(经过坐标变换后的源点云)和B，作为精配准的初始点集；
(52)对于源点云A’中的每个点Ai，在目标点云B中寻找距离最近的对应点Bi，并将他们组成初始对应点对；
(53)初始对应点集中的对应关系不一定都是正确的，采用方向向量阈值剔除错误的对应点对，以确保最终的配准结果的准确性。；
(54)计算旋转矩阵R和平移向量T，使最小，即对应点集之间的均方根误差最小。
(55)设定某一阈值ε＝dk-dk-1和最大迭代次数Nmax，将上一步得到的刚体变换作用于源点云A’上，得到新点云A”，计算A”和B的距离误差，如果两次迭代误差小于阈值ε或者当前的迭代次数大于Nmax，则迭代结束，否则将初始配准的点集更新为A”和B，并继续重复上述步骤，直至满足收敛条件。
双向KD-tree搜索法具体步骤：
(S1)分别构建A、B点云的KD-tree；
(S2)在B内搜索Ai的最近点Bi；
(S3)若在A内搜索Bi的最近点为Ai，则说明Ai和Bi为一对具有一一对应关系的最近点；
(S4)若在A内搜索Bi的最近点不为Ai，则继续寻找下一点Bi+1在B内的最近点；
(S5)遍历点云A内的各点。
双向KD-tree的优势在于能够确定一一对应的最近点对，算法的迭代时间得到了大幅度的缩减，使得ICP算法的效率得到提升。
经过上述配准处理后，得到最终的结果图如图4所示。
为了证明本发明算法的有效性和实用性，以三维激光扫描仪扫描得到的工业构件齿轮点云为对象，点云数量为49820个，使用经典ISS-FPFH+ICP算法、ISS-3DSC+NDT以及本发明的算法对其进行配准实验，并对三者结果进行对比分析，主要从配准时间和配准误差两方面进行对比。本发明采用欧式适合度评分作为配准误差的评判指标，它是计算配准后点云对应的最近点距离的平方和，能够更加全面地反映配准的效果。值越小，说明配准精度越高。
表1三种算法的配准误差和配准时间
由图4和图5对比分析可得，相比于ISS-PFPH+ICP和ISS-3DSC-NDT算法来说，本发明算法的原始点云和目标点云的重合率更高，说明本发明的效果更好。
根据表1结果分析可得，ISS-3DSC-NDT算法的配准时间为1.68s，配准误差为6.35*10-7m，ISS-FPFH+ICP算法的配准时间17.55s，配准误差为8.39*10-4m。本发明算法配准时间为1.53s，配准误差为1.63*10-7m。本发明算法的配准误差比另外两种算法小，且本发明算法的配准效率比另外两种算法高，本发明算法可以在保证较高配准精度的前提下，大大缩短了配准的时间。本发明算法配准精度较高，执行速度快。
本发明实施例还提供一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现任一项所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法中的步骤。
本发明实施例还提供一种存储介质，存储有计算机程序，所述计算机程序被设计为运行时实现任一项所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法中的步骤。
Claims (10)
1.一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，包括以下步骤：
(1)使用改进的八叉树滤波对原始点云和目标点云进行下采样；
(2)使用内部形状描述子ISS算法对下采样的点云数据提取特征点，得到特征点集P和Q；
(3)使用三维形状上下文描述子3DSC算法对提取的特征点集P和Q进行描述；
(4)使用SAC-IA-NDT算法对点云进行粗配准，得到一个粗配准变换矩阵，并依此变换矩阵获取粗配准的点云数据；
(5)使用双向KD树结合方向向量约束的ICP算法对粗配准的点云数据进行精配准，得到精配准变换矩阵，并依此变换矩阵获取最终的精配准点云数据，完成精配准。
2.根据权利要求1所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，所述步骤(1)具体为：求解八叉树的体素中心，以八叉树的体素中心点来代替每一个体素内的点，本发明对其进行改进，以距离八叉树体素中心点最近的点来代替体素的中心点，从而做到下采样后的点都还是原始点云数据中的点，以提高点云数据的表达准确性。
3.根据权利要求1所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，所述步骤(2)具体如下：采用八叉树采样和ISS特征点提取相结合的方法提取特征点。八叉树是一种有效的组织点云数据的方法。通过循环递归对数据进行划分，直到达到最大递归深度。本发明采用八叉树采样方法对点云数据进行简化，保留了点云的形状、特征等重要数据。然后，利用ISS特征点算法进一步保留周围数据，使点云的局部特征得到很好的保留。具体为对进行八叉树采样后的点云数据进行ISS特征提取，筛选邻域中所有能反映局部特征的点，保留满足条件的特征点作为特征点。
4.根据权利要求1所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，所述步骤(3)实现过程如下：对步骤(2)获得的特征点集P和Q，用3DSC算法进行描述，3DSC是2DSC的扩展，3DSC特征空间的意义是建立一个对局部区域点分布的表示形式，在每一个点的临近区域内，需要将点的密度以及对应分布的几何特征清晰地表示出来。经过上一步提取的点云数据更加均匀，而3DSC算法也可用更少的字节来描述特征点，将两者结合起来能提取出更具代表性的特征点。
5.根据权利要求1所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，所述步骤(4)包括以下步骤：
(41)使用SAC-IA算法完成粗配准；
(42)进行NDT粗配准，为ICP提供初始位姿。
6.根据权利要求1所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，所述步骤(5)具体为：经过粗匹配之后，源点云P与目标点云Q已大致重合，但配准精度有所欠缺，为了进一步提高配准精度，本发明使用方向向量约束的ICP算法作精匹配并在其中加入了双向KD树来提高配准效率。
7.根据权利要求1所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，所述步骤(41)包括以下步骤：
(411)从源点云特征点集P中选取s个采样点，选择的采样点两两之间距离大于设定的最小值，然后得到所选择的采样点的3DSC特征；
(412)从目标点云关键点集Q中查找与s个采样点有近似3DSC特征的特征点，将具有相似特征的特征点保存在一个集合中，并通过随机抽取的方式与采样点构造对应点对；
(413)根据两点云数据集的对应关系计算刚体变换矩阵，并通过计算度量错误来评价转换矩阵的质量；
(414)重复(411)-(413)直至达到最佳度量错误结果；错误度量可由Huber评价公式决定，计算公式如式(1)所示：
式中Lh(ei)表示第i组对应点的匹配错误度，te表示预先设定的误差阈值，ei表示第i组对应点变换后的距离差。
8.根据权利要求1所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法，其特征在于，所述步骤(42)包括以下步骤：
(421)将点云空间划分成网格，设网格内有n个点，任一点设为xk，计算网格中点的均值向量f和协方差矩阵Covk：
(422)为点xk构造概率模型：
(423)根据变换矩阵将两片点云变换到同一坐标系下，计算对应点落在对应网格中的概率之和，作为配准得分：
x′k＝Rkxk+Tk
其中，Rk为旋转矩阵，Tk为平移矩阵。
(424)根据牛顿优化算法寻找变换参数使得score的值最大；迭代上述步骤直到达到收敛条件，从而得到最优变换矩阵。
9.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8任一项所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法中的步骤。
10.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被设计为运行时实现根据权利要求1-8任一项所述的一种基于改进的ISS-3DSC特征结合ICP的点云配准方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381815.4A CN117274339A (zh) | 2023-10-24 | 2023-10-24 | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381815.4A CN117274339A (zh) | 2023-10-24 | 2023-10-24 | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117274339A true CN117274339A (zh) | 2023-12-22 |
Family
ID=89210442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311381815.4A Pending CN117274339A (zh) | 2023-10-24 | 2023-10-24 | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274339A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495932A (zh) * | 2023-12-25 | 2024-02-02 | 国网山东省电力公司滨州供电公司 | 一种电力设备异源点云配准方法及*** |
| CN117817417A (zh) * | 2024-03-05 | 2024-04-05 | 中北大学 | 一种基于数字孪生的大型筒体最优加工位姿调整方法 |
-
2023
- 2023-10-24 CN CN202311381815.4A patent/CN117274339A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495932A (zh) * | 2023-12-25 | 2024-02-02 | 国网山东省电力公司滨州供电公司 | 一种电力设备异源点云配准方法及*** |
| CN117495932B (zh) * | 2023-12-25 | 2024-04-16 | 国网山东省电力公司滨州供电公司 | 一种电力设备异源点云配准方法及*** |
| CN117817417A (zh) * | 2024-03-05 | 2024-04-05 | 中北大学 | 一种基于数字孪生的大型筒体最优加工位姿调整方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
| CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
| CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
| CN111080684B (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
| CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
| CN112017220B (zh) | 一种基于抗差约束最小二乘算法的点云精确配准方法 | |
| CN105654483B (zh) | 三维点云全自动配准方法 | |
| CN109186608B (zh) | 一种面向重定位的稀疏化三维点云地图生成方法 | |
| CN109887015A (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
| 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*** | |
| CN111415379B (zh) | 一种基于布谷鸟优化的三维点云数据配准方法 | |
| CN110807781B (zh) | 一种保留细节与边界特征的点云精简方法 | |
| CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
| CN113327276B (zh) | 一种面向移动测量大体量点云数据配准的方法 | |
| CN113034554B (zh) | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 | |
| CN115861397A (zh) | 一种基于改进fpfh-icp的点云配准方法 | |
| CN109965979A (zh) | 一种无需标志点的稳健的神经导航自动注册方法 | |
| CN112381862A (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
| CN114663373A (zh) | 一种用于零件表面质量检测的点云配准方法及装置 | |
| CN113963138A (zh) | 三维激光点云特征点线完整准确提取方法 | |
| CN109598261B (zh) | 一种基于区域分割的三维人脸识别方法 | |
| CN109035311B (zh) | 一种弯骨骨折自动配准及内固定钢板预弯建模方法 | |
| CN117237428B (zh) | 一种面向三维点云的数据配准方法、装置及介质 | |
| CN112581511A (zh) | 基于近似直立扫描点云快速配准的三维重建方法及*** | |
| CN109887012B (zh) | 一种结合自适应搜索点集的点云配准方法 |
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 |