CN103489218A - 点云数据质量自动优化方法及系统 - Google Patents

点云数据质量自动优化方法及系统 Download PDF

Info

Publication number
CN103489218A
CN103489218A CN201310424344.0A CN201310424344A CN103489218A CN 103489218 A CN103489218 A CN 103489218A CN 201310424344 A CN201310424344 A CN 201310424344A CN 103489218 A CN103489218 A CN 103489218A
Authority
CN
China
Prior art keywords
point cloud
model
point
cloud
weight
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
CN201310424344.0A
Other languages
English (en)
Other versions
CN103489218B (zh
Inventor
黄惠
陈楠
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201310424344.0A priority Critical patent/CN103489218B/zh
Priority to US14/893,035 priority patent/US9684817B2/en
Priority to PCT/CN2013/087824 priority patent/WO2015039375A1/zh
Publication of CN103489218A publication Critical patent/CN103489218A/zh
Application granted granted Critical
Publication of CN103489218B publication Critical patent/CN103489218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Numerical Control (AREA)
  • Laser Beam Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种点云数据质量自动优化方法，包括如下步骤：对待重建的目标物采集初始点云数据，以得到初始离散点云；对上述得到的初始离散点云进行初步的数据清洗得到LOP采样模型；在上述得到的初始离散点云上采用Possion曲面重建的方法，得到Possion重建点云模型；将所述得到的Possion重建点云模型与上述得到的初始离散点云进行迭代最近点算法配准；针对当前配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。本发明还涉及一种点云数据质量自动优化系统。

Description

点云数据质量自动优化方法及系统
技术领域
本发明涉及一种点云数据质量自动优化方法及系统。
背景技术
三维建模是计算机科学领域中的一个热门问题。其建模方法按照数据的来源主要分为两类：基于三维散乱点数据的建模方法和基于图像（单帧、多帧、序列）的建模方法。三维激光扫描系统可以快速获取目标对象表面的三维位置和几何纹理信息，因其获取的数据相对精度高而在三维建模领域得到广泛应用。然而，现有的建模方法大多是通过特定扫描仪器对目标物进行扫描得到建模所需的原始点云数据，然后在后期离线状态下采用一系列人为设计的精度优化算法，人工对获取的点云数据进行了拼接、去噪、简化、特征提取和融合等处理，从而得到高精度的三维模型。这里一个对建模精度影响重大的关键因子即是初始采集数据的扫描仪的测量精度。
现有的三维建模技术多是应用在已经经过前期处理的相对质量较高的点云数据上。即是离线将采集到的离散点云经过一定的人工清洗和填补，再运用对输入数据规整度要求高，人为设计的优化算法——基于计算几何的方法或基于隐式曲面的方法，将这些离散点云计算成网格模型，加上一定的纹理和渲染，最终达到三维建模的目的。可见，现有的高精度三维建模技术大多对硬件设备的测量精度依赖很高，同时需要较多的人工参与。
发明内容
有鉴于此，有必要提供一种点云数据质量自动优化方法及系统。
本发明提供一种点云数据质量自动优化方法，该方法包括如下步骤：a.对待重建的目标物采集初始点云数据，以得到初始离散点云；b.对上述得到的初始离散点云进行初步的数据清洗得到局部最优投影算子（Locally Optimal Projection operator，LOP）采样模型；c.在上述得到的初始离散点云上采用Possion曲面重建的方法，得到Possion重建点云模型；d.将所述得到的Possion重建点云模型与上述得到的初始离散点云进行迭代最近点算法配准；及e.针对当前配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。
其中，所述的a具体包括：采用三维激光扫描仪对待重建的目标物采集初始点云数据。
所述的三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的普通激光扫描装置。
所述的e具体包括：针对当前配准的模型上每一点，在上述得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较；若权重较大，则表明在所述步骤a得到的初始离散点云中该点附近的点云分布较密集，符合当前建模精度要求，无需重复扫描该区域；若权重较小，则表明在所述步骤a得到的初始离散点云中该点附近的点云分布较稀疏，后期应针对该局部区域有选择地再次扫描，并重复上述分析过程，直到满足当前的建模精度要求；若权重为零，则可以肯定该点是在所述步骤c中，由真实三维激光扫描点经过Possion算法中的插值计算得出，则后期有必要对该点所在的盲区位置重点扫描，重复上述分析过程，直到满足当前的建模精度要求或人为设定终止条件。
所述的人为设定终止条件为某些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
本发明提供一种点云数据质量自动优化系统，该系统包括相互电性连接的数据收集模块、原始数据采样模块、原始数据重建模块、模型初配准模块及模型质量分析模块，其中：所述数据收集模块用于对待重建的目标物采集初始点云数据，以得到初始离散点云；所述原始数据采样模块用于对上述得到的初始离散点云进行初步的数据清洗得到局部最优投影算子（Locally Optimal Projection operator，LOP）采样模型；所述原始数据重建模块用于在上述得到的初始离散点云上采用Possion曲面重建的方法，得到Possion重建点云模型；所述模型初配准模块用于将所述得到的Possion重建点云模型与上述得到的初始离散点云进行迭代最近点算法配准；所述模型质量分析模块用于针对当前配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。
其中，所述的数据收集模块采用三维激光扫描仪对待重建的目标物采集初始点云数据。
所述的三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的普通激光扫描装置。
所述的模型质量分析模块针对当前配准的模型上每一点，在上述得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较；若权重较大，则表明在所述数据收集模块得到的初始离散点云中该点附近的点云分布较密集，符合当前建模精度要求，无需重复扫描该区域；若权重较小，则表明在所述数据收集模块得到的初始离散点云中该点附近的点云分布较稀疏，后期应针对该局部区域有选择地再次扫描，并重复上述分析过程，直到满足当前的建模精度要求；若权重为零，则可以肯定该点是在所述原始数据重建模块中，由真实三维激光扫描点经过Possion算法中的插值计算得出，则后期有必要对该点所在的盲区位置重点扫描，重复上述分析过程，直到满足当前的建模精度要求或人为设定终止条件。
所述的人为设定终止条件为某些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
本发明所提供的点云数据质量自动优化方法及系统，完全无人工干涉，通过多尺度局部空间信息分析得出的反馈自动完成三维建模中输入点云数据质量优化的方法，选择性地进行重复扫描，进而为后期的高精度建模提供更丰富的多尺度真实扫描数据，减少了对硬件固有测量精度的依赖性。
附图说明
图1为本发明点云数据质量自动优化方法的流程图；
图2为本发明点云数据质量自动优化系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示，是本发明点云数据质量自动优化方法较佳实施例的作业流程图。
步骤S401，对待重建的目标物采集初始点云数据，以得到初始离散点云。具体而言，采用三维激光扫描仪，对待重建的目标物，尤其针对体积较大、几何结构较复杂的重建对象，如博物馆中制作精美的雕塑等工艺品等，初步按照从上到下，从左到右的全方位扫描。其中，所述三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的普通激光扫描装置。暂不考虑某些因激光测量精度，或目标物的复杂几何纹理结构而带来的测量盲区，在本步骤中得到一个表示真实三维位置局部点密度分布不均匀的初始离散点云。
步骤S402，对上述得到的初始离散点云进行初步的数据清洗得到LOP采样模型，也即选择局部最优投影算子（Locally Optimal Projectionoperator，LOP）针对数据进行初步的下采样及规整操作。具体而言，选用LOP算子，对原始采集数据进行清洗。采用LOP算子的理由是因为能够生成一个相对简洁的点云，同时保持了原始输入点云的几何特征，即在降采样和剔除噪声和野值点的同时，还可以来近似表示复杂几何形态的三维物体表面信息。LOP算子使用方便，它使用无参数建模，不依赖于局部法向量、局部面片匹配等其他局部信息，因此它可以高效地处理掉那些干扰原始输入数据中点方向判断的噪声。LOP算子尤其适用于以下两种不容易判断输入点方向的应用情形：1）一个外观有多个褶皱并且彼此靠的很近；2）针对那些用局部面片拟合方法难以重建的复杂几何形态物体。
步骤S403，在所述得到的初始离散点云上采用Possion曲面重建的方法，得到Possion重建点云模型。具体而言，使用泊松（Possion）曲面重建方法。泊松曲面重建过程是一个多尺度空间自适应分析的过程，它将空间中所有的离散点当做一个整体来一次性考虑，而不借助于启发式空间分区或混合等操作，通过求解泊松方程完成重建出一个完整的封闭性网格模型，从而得出网格数据级别的三维模型。特别要说明的是Possion曲面重建机制减少了对一个良好的线性稀疏系统的依赖度，对噪声干扰具有很高的鲁棒性。
步骤S404，将所述得到的Possion重建点云模型与上述得到的初始离散点云进行ICP配准。具体而言，将所述得到的Possion重建点云模型与初始离散点云通过迭代最近点（Interative Closest Points，ICP）算法进行配准，融合后获得下一步的输入模型。所述的ICP算法通过寻找两个点集的对应匹配点之间的关系，计算两个点集的变换参数，以满足收敛精度，最终求得两个点集之间的评议和旋转参数，来完成配准过程。
步骤S405，针对当前融合配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。具体而言，针对当前融合配准的模型上每一点，在上述得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较。若权重较大，则表明在所述步骤S401得到的初始离散点云中该点附近的点云分布较密集，符合当前建模精度要求，无需重复扫描该区域；若权重较小，则表明在所述步骤S401得到的初始离散点云中该点附近的点云分布较稀疏，后期应针对该局部区域有选择地再次扫描，并重复上述分析过程，直到满足当前的建模精度要求；若权重为零，则可以肯定该点是在所述步骤S403中，由真实三维激光扫描点经过Possion算法中的插值计算得出，则后期有必要对该点所在的盲区位置重点扫描，重复上述分析过程，直到满足当前的建模精度要求或人为设定终止条件。所述的人为设定终止条件包括：某些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
参阅图2所示，是本发明点云数据质量自动优化系统的硬件架构图。该系统包括相互电性连接的数据收集模块、原始数据采样模块、原始数据重建模块、模型初配准模块及模型质量分析模块。
所述数据收集模块用于对待重建的目标物采集初始点云数据。具体而言，所述数据收集模块采用三维激光扫描仪，对待重建的目标物，尤其针对体积较大、几何结构较复杂的重建对象，如博物馆中制作精美的雕塑等工艺品等，初步按照从上到下，从左到右的全方位扫描。其中，所述三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的普通激光扫描装置。暂不考虑某些因激光测量精度，或目标物的复杂几何纹理结构而带来的测量盲区，所述数据收集模块得到一个表示真实三维位置，局部点密度分布不均匀的初始离散点云。
所述原始数据采样模块用于对上述得到的初始离散点云进行初步的数据清洗得到LOP采样模型，也即选择局部最优投影算子（LocallyOptimal Projection operator，LOP）针对数据进行初步的下采样及规整操作。具体而言，所述原始数据采样模块选用LOP算子，对原始采集数据进行清洗。采用LOP算子的理由是因为能够生成一个相对简洁的点云，同时保持了原始输入点云的几何特征，即在降采样和剔除噪声和野值点的同时，还可以来近似表示复杂几何形态的三维物体表面信息。LOP算子使用方便，它使用无参数建模，不依赖于局部法向量、局部面片匹配等其他局部信息，因此它可以高效地处理掉那些干扰原始输入数据中点方向判断的噪声。LOP算子尤其适用于以下两种不容易判断输入点方向的应用情形：1）一个外观有多个褶皱并且彼此靠的很近；2）针对那些用局部面片拟合方法难以重建的复杂几何形态物体。
所述原始数据重建模块用于在所述数据收集模块得到的真实初始离散点云上采用Possion曲面重建的方法，得到一个Possion重建点云模型。具体而言，所述原始数据重建模块使用泊松（Possion）曲面重建方法。泊松曲面重建过程是一个多尺度空间自适应分析的过程，它将空间中所有的离散点当做一个整体来一次性考虑，而不借助于启发式空间分区或混合等操作，通过求解泊松方程完成重建出一个完整的封闭性网格模型，从而得出网格数据级别的三维模型。特别要说明的是Possion曲面重建机制减少了对一个良好的线性稀疏系统的依赖度，对噪声干扰具有很高的鲁棒性。
所述模型初配准模块用于将所述得到的Possion重建点云模型与上述得到的初始离散点云，通过ICP配准方法，融合后得出所述模型质量分析模块的输入模型。具体而言，所述模型初配准模块用于将所述原始数据重建模块得到的Possion重建点云模型与初始离散点云通过迭代最近点（Interative Closest Points，ICP）算法进行配准，融合后获得所述模型质量分析模块的输入模型。所述的ICP算法通过寻找两个点集的对应匹配点之间的关系，计算两个点集的变换参数，以满足收敛精度，最终求得两个点集之间的评议和旋转参数，来完成配准过程。
所述的模型质量分析模块用于针对当前融合配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。具体而言，所述模型质量分析模块针对当前融合配准的模型上每一点，在上述得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较。若权重较大，则表明在所述数据收集模块中该点附近的点云分布较密集，符合当前建模精度要求，无需重复扫描该区域；若权重较小，则表明在所述数据收集模块中该点附近的点云分布较稀疏，后期应针对该局部区域有选择地再次扫描，并重复上述分析过程，直到满足当前的建模精度要求；若权重为零，则可以肯定该点是在所述原始数据重建模块中，由真实三维激光扫描点经过Possion算法中的插值计算得出，则后期有必要对该点所在的盲区位置重点扫描，重复上述分析过程，直到满足当前的建模精度要求或人为设定终止条件。所述的人为设定终止条件包括：某些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (10)

1.一种点云数据质量自动优化方法，其特征在于，该方法包括如下步骤：
a.对待重建的目标物采集初始点云数据，以得到初始离散点云；
b.对上述得到的初始离散点云进行初步的数据清洗得到局部最优投影算子（Locally Optimal Projection operator，LOP）采样模型；
c.在上述得到的初始离散点云上采用Possion曲面重建的方法，得到Possion重建点云模型；
d.将所述得到的Possion重建点云模型与上述得到的初始离散点云进行迭代最近点算法配准；及
e.针对当前配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。
2.如权利要求1所述的方法，其特征在于，所述的a具体包括：采用三维激光扫描仪对待重建的目标物采集初始点云数据。
3.如权利要求2所述的方法，其特征在于，所述的三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的普通激光扫描装置。
4.如权利要求1所述的方法，其特征在于，所述的e具体包括：
针对当前配准的模型上每一点，在上述得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较；
若权重较大，则表明在所述步骤a得到的初始离散点云中该点附近的点云分布较密集，符合当前建模精度要求，无需重复扫描该区域；
若权重较小，则表明在所述步骤a得到的初始离散点云中该点附近的点云分布较稀疏，后期应针对该局部区域有选择地再次扫描，并重复上述分析过程，直到满足当前的建模精度要求；
若权重为零，则可以肯定该点是在所述步骤c中，由真实三维激光扫描点经过Possion算法中的插值计算得出，则后期有必要对该点所在的盲区位置重点扫描，重复上述分析过程，直到满足当前的建模精度要求或人为设定终止条件。
5.如权利要求4所述的方法，其特征在于，所述的人为设定终止条件为某些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
6.一种点云数据质量自动优化系统，其特征在于，该系统包括相互电性连接的数据收集模块、原始数据采样模块、原始数据重建模块、模型初配准模块及模型质量分析模块，其中：
所述数据收集模块用于对待重建的目标物采集初始点云数据，以得到初始离散点云；
所述原始数据采样模块用于对上述得到的初始离散点云进行初步的数据清洗得到局部最优投影算子（Locally Optimal Projection operator，LOP）采样模型；
所述原始数据重建模块用于在上述得到的初始离散点云上采用Possion曲面重建的方法，得到Possion重建点云模型；
所述模型初配准模块用于将所述得到的Possion重建点云模型与上述得到的初始离散点云进行迭代最近点算法配准；
所述模型质量分析模块用于针对当前配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。
7.如权利要求6所述的系统，其特征在于，所述的数据收集模块采用三维激光扫描仪对待重建的目标物采集初始点云数据。
8.如权利要求7所述的系统，其特征在于，所述的三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的普通激光扫描装置。
9.如权利要求6所述的系统，其特征在于，所述的模型质量分析模块针对当前配准的模型上每一点，在上述得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较；
若权重较大，则表明在所述数据收集模块得到的初始离散点云中该点附近的点云分布较密集，符合当前建模精度要求，无需重复扫描该区域；
若权重较小，则表明在所述数据收集模块得到的初始离散点云中该点附近的点云分布较稀疏，后期应针对该局部区域有选择地再次扫描，并重复上述分析过程，直到满足当前的建模精度要求；
若权重为零，则可以肯定该点是在所述原始数据重建模块中，由真实三维激光扫描点经过Possion算法中的插值计算得出，则后期有必要对该点所在的盲区位置重点扫描，重复上述分析过程，直到满足当前的建模精度要求或人为设定终止条件。
10.如权利要求9所述的系统，其特征在于，所述的人为设定终止条件为某些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
CN201310424344.0A 2013-09-17 2013-09-17 点云数据质量自动优化方法及系统 Active CN103489218B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310424344.0A CN103489218B (zh) 2013-09-17 2013-09-17 点云数据质量自动优化方法及系统
US14/893,035 US9684817B2 (en) 2013-09-17 2013-11-26 Method and system for automatically optimizing quality of point cloud data
PCT/CN2013/087824 WO2015039375A1 (zh) 2013-09-17 2013-11-26 点云数据质量自动优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310424344.0A CN103489218B (zh) 2013-09-17 2013-09-17 点云数据质量自动优化方法及系统

Publications (2)

Publication Number Publication Date
CN103489218A true CN103489218A (zh) 2014-01-01
CN103489218B CN103489218B (zh) 2016-06-29

Family

ID=49829413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310424344.0A Active CN103489218B (zh) 2013-09-17 2013-09-17 点云数据质量自动优化方法及系统

Country Status (3)

Country Link
US (1) US9684817B2 (zh)
CN (1) CN103489218B (zh)
WO (1) WO2015039375A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103978488A (zh) * 2014-05-14 2014-08-13 常州信息职业技术学院 基于云模型控制系统的搬运机器人
CN104063894A (zh) * 2014-06-13 2014-09-24 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统
CN105651202A (zh) * 2016-02-29 2016-06-08 内蒙古伊泰煤炭股份有限公司 一种用于测量矿山体积的三维扫描方法及装置
CN105787933A (zh) * 2016-02-19 2016-07-20 武汉理工大学 基于多视角点云配准的岸线三维重建装置及方法
CN106023298A (zh) * 2016-06-22 2016-10-12 山东理工大学 基于局部泊松曲面重建的点云刚性配准方法
CN106033622A (zh) * 2015-03-19 2016-10-19 联想(北京)有限公司 一种数据采集及目标对象的重建方法、装置
CN108399609A (zh) * 2018-03-06 2018-08-14 北京因时机器人科技有限公司 一种三维点云数据的修补方法、装置和机器人
CN110348620A (zh) * 2019-07-02 2019-10-18 深圳大学 基于激光扫描的建筑拆除废弃物产生量预测方法及装置
WO2021087785A1 (zh) * 2019-11-05 2021-05-14 深圳市大疆创新科技有限公司 地形检测方法、可移动平台、控制设备、系统及存储介质
WO2021142843A1 (zh) * 2020-01-19 2021-07-22 Oppo广东移动通信有限公司 图像扫描方法及装置、设备、存储介质
CN113487479A (zh) * 2021-06-30 2021-10-08 北京易控智驾科技有限公司 车端实时检测识别高精度地图边界方法和系统
WO2022183500A1 (zh) * 2021-03-05 2022-09-09 中国科学院深圳先进技术研究院 基于投影的点云质量评价方法、装置、设备和存储介质

Families Citing this family (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI701018B (zh) * 2015-01-29 2020-08-11 日商新力股份有限公司 資訊處理裝置、資訊處理方法、及程式
WO2017155970A1 (en) 2016-03-11 2017-09-14 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
US10989542B2 (en) 2016-03-11 2021-04-27 Kaarta, Inc. Aligning measured signal data with slam localization data and uses thereof
US11567201B2 (en) 2016-03-11 2023-01-31 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
US11573325B2 (en) 2016-03-11 2023-02-07 Kaarta, Inc. Systems and methods for improvements in scanning and mapping
CN106370670B (zh) * 2016-10-12 2023-08-22 上海建工集团股份有限公司 基于3d激光扫描的建筑预制构件质量检测系统及方法
US10304256B2 (en) * 2016-12-13 2019-05-28 Indoor Reality Inc. Point cloud cleaning method
CN108694741B (zh) * 2017-04-07 2021-11-12 杭州海康威视数字技术股份有限公司 一种三维重建方法及装置
CN107102339A (zh) * 2017-04-28 2017-08-29 上海华测导航技术股份有限公司 一种地面线数据的自动生成方法
CN107167815A (zh) * 2017-04-28 2017-09-15 上海华测导航技术股份有限公司 一种公路公路地面线数据的自动生成系统及方法
CN107085219A (zh) * 2017-04-28 2017-08-22 上海华测导航技术股份有限公司 一种地面线数据的自动生成系统
CN107103153B (zh) * 2017-05-17 2023-09-19 南怀方 一种基于三维激光扫描技术的矿产资源消耗量评估方法
CN107288016B (zh) * 2017-06-07 2019-12-31 长安大学 一种基于三维激光检测技术的沥青路面铣刨质量评价方法
WO2019099605A1 (en) 2017-11-17 2019-05-23 Kaarta, Inc. Methods and systems for geo-referencing mapping systems
WO2019165194A1 (en) 2018-02-23 2019-08-29 Kaarta, Inc. Methods and systems for processing and colorizing point clouds and meshes
WO2019195270A1 (en) 2018-04-03 2019-10-10 Kaarta, Inc. Methods and systems for real or near real-time point cloud map data confidence evaluation
WO2020009826A1 (en) 2018-07-05 2020-01-09 Kaarta, Inc. Methods and systems for auto-leveling of point clouds and 3d models
CN110969693A (zh) * 2018-09-30 2020-04-07 天津理工大学 一种获取锻模缺损部位模型的方法
CN109389626B (zh) * 2018-10-10 2021-08-20 湖南大学 一种基于采样球扩散的复杂异形曲面点云配准方法
CN111127315B (zh) * 2018-10-31 2023-07-21 北京北科天绘科技有限公司 激光点云数据的超分辨处理方法、装置、系统和存储介质
CN109783854B (zh) * 2018-12-11 2023-07-21 浙江深康汽车车身模具有限公司 扫描点云与数字cad曲面位移偏差提取方法
CN109887012B (zh) * 2019-01-09 2023-03-31 天津大学 一种结合自适应搜索点集的点云配准方法
CN111462297B (zh) * 2019-01-22 2023-06-23 国网上海市电力公司 一种10kv开关柜三维实景模型的建模方法
CN109900298B (zh) * 2019-03-01 2023-06-30 武汉光庭科技有限公司 一种车辆定位校准方法及系统
CN109934859B (zh) * 2019-03-18 2023-03-24 湖南大学 一种基于特征增强多维权重描述子的icp配准方法
CN110363857B (zh) * 2019-06-14 2022-09-20 西北农林科技大学 降雨过程中土壤侵蚀地表形态dem构建、观测方法及装置
CN110335297B (zh) * 2019-06-21 2021-10-08 华中科技大学 一种基于特征提取的点云配准方法
CN110264572B (zh) * 2019-06-21 2021-07-30 哈尔滨工业大学 一种融合几何特性与力学特性的地形建模方法及系统
CN110473239A (zh) * 2019-08-08 2019-11-19 刘秀萍 一种三维激光扫描的高精度点云配准方法
CN112419164B (zh) * 2019-08-23 2022-08-19 南京理工大学 一种基于曲率和邻域重构的加权引导点云模型去噪方法
CN110533645A (zh) * 2019-08-23 2019-12-03 上海交通大学 基于视觉任务的点云数据压缩质量评价方法及系统
CN110796741B (zh) * 2019-09-24 2023-04-25 山东科技大学 一种基于双向布料模拟的机载激光测深点云滤波方法
CN110807832B (zh) * 2019-11-13 2023-08-15 国网河北省电力有限公司沧州供电分公司 一种基于地面三维扫描仪的电力线自动提取方法
CN111127667B (zh) * 2019-11-19 2023-03-31 西北大学 基于区域曲率二进制描述符的点云初始配准方法
CN111009005A (zh) * 2019-11-27 2020-04-14 天津大学 几何信息与光度信息相结合的场景分类点云粗配准方法
CN111127613B (zh) * 2019-12-25 2023-06-16 华南理工大学 基于扫描电子显微镜的图像序列三维重构方法及系统
CN112270698B (zh) * 2019-12-31 2024-02-27 山东理工大学 基于最邻近曲面的非刚性几何配准方法
CN111241615A (zh) * 2019-12-31 2020-06-05 国网山西省电力公司晋中供电公司 一种高度真实感的变电站多源融合三维建模方法
CN111311650B (zh) * 2020-01-20 2023-05-05 南方电网数字电网研究院有限公司 一种点云数据的配准方法、装置及存储介质
CN111258320B (zh) * 2020-02-14 2023-06-06 广东博智林机器人有限公司 一种机器人避障的方法及装置、机器人、可读存储介质
CN111583309B (zh) * 2020-04-14 2023-02-28 西北工业大学 一种复杂曲面上实现Z-pin植入的方法
CN111583388B (zh) * 2020-04-28 2023-12-08 光沦科技(深圳)有限公司 一种三维扫描系统的扫描方法及设备
CN111679288B (zh) * 2020-06-19 2022-10-21 中国林业科学研究院资源信息研究所 一种点云数据的空间分布度量方法
CN111951307B (zh) * 2020-07-23 2023-09-19 西北大学 基于伪Huber损失函数的三维点云仿射配准方法及系统
CN112150606B (zh) * 2020-08-24 2022-11-08 上海大学 一种基于点云数据的螺纹表面三维重构方法
CN112241997B (zh) * 2020-09-14 2024-03-26 西北大学 基于多尺度点云上采样的三维模型建立、修复方法及系统
CN112233249B (zh) * 2020-10-29 2024-05-21 上海应用技术大学 基于密集点云的b样条曲面拟合方法及装置
CN112257722B (zh) * 2020-11-11 2023-08-01 南京工业大学 基于抗差非线性高斯-赫尔默特模型的点云拟合方法
CN112381940A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种点云数据生成数字高程模型的处理方法、装置及终端设备
CN112562078A (zh) * 2020-12-04 2021-03-26 嘉兴恒创电力设计研究院有限公司 一种三维地质分析预测模型构建方法
CN112581607B (zh) * 2020-12-28 2024-04-30 武汉中仪物联技术股份有限公司 一种管道三维模型的构建方法、系统和介质
CN112819869A (zh) * 2021-01-22 2021-05-18 辽宁工程技术大学 一种基于IHarris-TICP算法的三维点云配准方法
CN113140036B (zh) * 2021-04-30 2024-06-07 中德（珠海）人工智能研究院有限公司 一种三维建模方法、装置、设备及存储介质
CN113432572B (zh) * 2021-06-04 2022-04-12 南京淳铁建设有限公司 一种基于三维扫描的复杂结构最优测点规划方法
CN113592711B (zh) * 2021-07-22 2024-01-12 中山大学 点云数据不均匀的三维重建方法、系统、设备及存储介质
CN113870123B (zh) * 2021-08-19 2023-01-03 中国铁路设计集团有限公司 基于车载移动激光点云的接触网导高与拉出值自动检测方法
CN113625301B (zh) * 2021-09-03 2024-01-19 国网山东省电力公司济宁供电公司 一种基于单扫描头激光雷达扩大建图视场的方法及系统
CN113762154B (zh) * 2021-09-07 2024-04-09 西安理工大学 一种基于点云数据集的零件特征识别方法
CN113962945B (zh) * 2021-10-09 2024-06-07 厦门大学 一种低重复度线激光点云数据拼接方法
CN113936070B (zh) * 2021-10-14 2024-06-04 厦门大学 基于最优传输理论的二维点云形状分区域并行重建方法
CN113808276B (zh) * 2021-10-18 2024-02-20 西安热工研究院有限公司 一种基于外接球策略区域增长的点云表面重建方法及系统
CN114036643B (zh) * 2021-11-10 2024-05-14 中国科学院沈阳自动化研究所 一种变形舱段数字孪生体建模方法
CN114066723A (zh) * 2021-11-11 2022-02-18 贝壳找房(北京)科技有限公司 设备检测方法、装置及存储介质
CN114417524B (zh) * 2021-12-27 2023-05-12 西北工业大学 基于点云薄壁圆筒尺寸精度分析与ar可视化方法
CN114373002B (zh) * 2022-01-04 2023-08-18 杭州三坛医疗科技有限公司 一种点云配准方法及装置
CN114419278A (zh) * 2022-01-19 2022-04-29 厦门大学 室内三维彩色网格模型生成方法及系统
CN114581449B (zh) * 2022-05-09 2022-08-12 北京建筑大学 城墙鼓胀的提取方法
CN115146405B (zh) * 2022-06-24 2024-02-20 南京航空航天大学 一种基于非刚性配准变形的薄壁零件模型重构方法
CN116468767B (zh) * 2023-03-28 2023-10-13 南京航空航天大学 基于局部几何特征和隐式距离场的飞机表面重建方法
CN116246121B (zh) * 2023-05-12 2023-08-11 山东科技大学 一种基于改进最远点采样的点云数据处理方法
CN116828485B (zh) * 2023-07-20 2023-12-22 山东科技大学 一种适用于厂房内复杂环境的uwb基站三维布设方法及系统
CN117036622B (zh) * 2023-10-08 2024-02-23 海纳云物联科技有限公司 融合航拍图像和地面扫描的三维重建方法、装置和设备
CN117315001B (zh) * 2023-11-27 2024-02-23 江苏房城建设工程质量检测有限公司 一种基于激光扫描的房建面积快速检测方法及系统
CN117579754B (zh) * 2024-01-16 2024-05-07 思看科技(杭州)股份有限公司 三维扫描方法、装置、计算机设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8274508B2 (en) * 2011-02-14 2012-09-25 Mitsubishi Electric Research Laboratories, Inc. Method for representing objects with concentric ring signature descriptors for detecting 3D objects in range images
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
CN103236064A (zh) * 2013-05-06 2013-08-07 东南大学 一种基于法向量的点云自动配准方法
CN103247074A (zh) * 2013-04-23 2013-08-14 苏州华漫信息服务有限公司 一种结合深度信息与人脸分析技术的3d照相方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5988862A (en) * 1996-04-24 1999-11-23 Cyra Technologies, Inc. Integrated system for quickly and accurately imaging and modeling three dimensional objects
US7272264B2 (en) * 2003-09-11 2007-09-18 International Business Machines Corporation System and method for hole filling in 3D models
PL1774465T3 (pl) * 2004-07-23 2009-10-30 3Shape As Adaptacyjne skanowanie 3D
US20170056057A1 (en) * 2006-05-12 2017-03-02 Vytronus, Inc. System and method for ultrasonically sensing and ablating tissue
CN100559398C (zh) * 2007-06-19 2009-11-11 北京航空航天大学 自动的深度图像配准方法
US20100328308A1 (en) * 2008-07-10 2010-12-30 C-True Ltd. Three Dimensional Mesh Modeling
US9245382B2 (en) * 2008-10-04 2016-01-26 Microsoft Technology Licensing, Llc User-guided surface reconstruction
CN102169579A (zh) 2011-03-31 2011-08-31 西北工业大学 密集点云模型快速精确配准方法
FR2981772B1 (fr) 2011-10-21 2017-12-22 Thales Sa Procede de reconstruction 3d d'un objet d'une scene
US20160000518A1 (en) * 2013-02-11 2016-01-07 Neomedz Sàrl Tracking apparatus for tracking an object with respect to a body
US8872818B2 (en) * 2013-03-15 2014-10-28 State Farm Mutual Automobile Insurance Company Methods and systems for capturing the condition of a physical structure
CN104063894B (zh) * 2014-06-13 2017-02-22 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统
EP3192057A4 (en) * 2014-09-10 2018-03-21 Vangogh Imaging Inc. Real-time dynamic three-dimensional adaptive object recognition and model reconstruction
KR20160147491A (ko) * 2015-06-15 2016-12-23 한국전자통신연구원 3차원 모델 생성 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8274508B2 (en) * 2011-02-14 2012-09-25 Mitsubishi Electric Research Laboratories, Inc. Method for representing objects with concentric ring signature descriptors for detecting 3D objects in range images
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
CN103247074A (zh) * 2013-04-23 2013-08-14 苏州华漫信息服务有限公司 一种结合深度信息与人脸分析技术的3d照相方法
CN103236064A (zh) * 2013-05-06 2013-08-07 东南大学 一种基于法向量的点云自动配准方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103978488A (zh) * 2014-05-14 2014-08-13 常州信息职业技术学院 基于云模型控制系统的搬运机器人
US10062207B2 (en) 2014-06-13 2018-08-28 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method and system for reconstructing a three-dimensional model of point clouds
CN104063894A (zh) * 2014-06-13 2014-09-24 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统
WO2015188445A1 (zh) * 2014-06-13 2015-12-17 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统
CN104063894B (zh) * 2014-06-13 2017-02-22 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统
CN106033622A (zh) * 2015-03-19 2016-10-19 联想(北京)有限公司 一种数据采集及目标对象的重建方法、装置
CN105787933A (zh) * 2016-02-19 2016-07-20 武汉理工大学 基于多视角点云配准的岸线三维重建装置及方法
CN105787933B (zh) * 2016-02-19 2018-11-30 武汉理工大学 基于多视角点云配准的岸线三维重建装置及方法
CN105651202A (zh) * 2016-02-29 2016-06-08 内蒙古伊泰煤炭股份有限公司 一种用于测量矿山体积的三维扫描方法及装置
CN106023298B (zh) * 2016-06-22 2018-06-19 山东理工大学 基于局部泊松曲面重建的点云刚性配准方法
CN106023298A (zh) * 2016-06-22 2016-10-12 山东理工大学 基于局部泊松曲面重建的点云刚性配准方法
CN108399609A (zh) * 2018-03-06 2018-08-14 北京因时机器人科技有限公司 一种三维点云数据的修补方法、装置和机器人
CN108399609B (zh) * 2018-03-06 2020-07-31 北京因时机器人科技有限公司 一种三维点云数据的修补方法、装置和机器人
CN110348620A (zh) * 2019-07-02 2019-10-18 深圳大学 基于激光扫描的建筑拆除废弃物产生量预测方法及装置
WO2021087785A1 (zh) * 2019-11-05 2021-05-14 深圳市大疆创新科技有限公司 地形检测方法、可移动平台、控制设备、系统及存储介质
WO2021142843A1 (zh) * 2020-01-19 2021-07-22 Oppo广东移动通信有限公司 图像扫描方法及装置、设备、存储介质
WO2022183500A1 (zh) * 2021-03-05 2022-09-09 中国科学院深圳先进技术研究院 基于投影的点云质量评价方法、装置、设备和存储介质
CN113487479A (zh) * 2021-06-30 2021-10-08 北京易控智驾科技有限公司 车端实时检测识别高精度地图边界方法和系统

Also Published As

Publication number Publication date
WO2015039375A1 (zh) 2015-03-26
US9684817B2 (en) 2017-06-20
US20160125226A1 (en) 2016-05-05
CN103489218B (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
CN103489218B (zh) 点云数据质量自动优化方法及系统
CN106600683B (zh) 一种面向骨骼ct序列图像的网格模型自适应重建方法
Hong et al. Semi-automated approach to indoor mapping for 3D as-built building information modeling
EP3090542B1 (en) Real-time 3d reconstruction with a depth camera
Tam et al. Shape simplification based on the medial axis transform
Bernardini et al. The ball-pivoting algorithm for surface reconstruction
CN106780751A (zh) 基于改进的屏蔽泊松算法的三维点云重建方法
CN110136072B (zh) 点云噪声的去除方法、去噪系统、计算机设备及存储介质
CN109948189A (zh) 一种挖掘机铲斗物料体积与重量测量系统
CN112233249B (zh) 基于密集点云的b样条曲面拟合方法及装置
CN106846392A (zh) 三维建模的方法和装置
RU2540829C2 (ru) Интерактивный итеративный алгоритм ближайших точек для сегментации органов
CN102881047B (zh) 一种自动的非封闭隐式曲面重建方法
CN110070567A (zh) 一种地面激光点云配准方法
CN106780721B (zh) 三维激光螺旋扫描点云三维重建方法
CN105654483A (zh) 三维点云全自动配准方法
CN106504332A (zh) 三维点云的曲面重建方法和装置
CN106952342B (zh) 基于重心Voronoi剖分的点云均一化方法
CN106251395A (zh) 一种三维模型快速重建方法及系统
CN105913492A (zh) 一种rgbd图像中物体形状的补全方法
Altantsetseg et al. 3d surface reconstruction of stone tools by using four-directional measurement machine
Shivakumar et al. Real time dense depth estimation by fusing stereo with sparse depth measurements
CN104821015B (zh) 实物表面样点α-shape曲面拓扑重建方法
CN113763529B (zh) 一种基于三维扫描的变电站建模方法
CN106570934B (zh) 针对大场景的空间隐函数建模方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20140101

Assignee: Guangdong Henghui Survey and Mapping Engineering Co.,Ltd.

Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES

Contract record no.: X2023980037198

Denomination of invention: Method and System for Automatic Optimization of Point Cloud Data Quality

Granted publication date: 20160629

License type: Common License

Record date: 20230628

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20140101

Assignee: Dongguan Fuhongxin Technology Co.,Ltd.

Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES

Contract record no.: X2023980040925

Denomination of invention: Method and System for Automatic Optimization of Point Cloud Data Quality

Granted publication date: 20160629

License type: Common License

Record date: 20230831

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20140101

Assignee: Dongguan Yingfeng Energy Saving Technology Co.,Ltd.

Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES

Contract record no.: X2023980041635

Denomination of invention: Method and System for Automatic Optimization of Point Cloud Data Quality

Granted publication date: 20160629

License type: Common License

Record date: 20230912

Application publication date: 20140101

Assignee: Dongguan Tianxia Huafeng Technology Co.,Ltd.

Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES

Contract record no.: X2023980041600

Denomination of invention: Method and System for Automatic Optimization of Point Cloud Data Quality

Granted publication date: 20160629

License type: Common License

Record date: 20230912

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20140101

Assignee: Dongguan Lanyu Diamond Abrasive Tool Co.,Ltd.

Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES

Contract record no.: X2023980044019

Denomination of invention: Method and System for Automatic Optimization of Point Cloud Data Quality

Granted publication date: 20160629

License type: Common License

Record date: 20231023

EE01 Entry into force of recordation of patent licensing contract