CN103729872A - 一种基于分段重采样和表面三角化的点云增强方法 - Google Patents

一种基于分段重采样和表面三角化的点云增强方法 Download PDF

Info

Publication number
CN103729872A
CN103729872A CN201310742584.5A CN201310742584A CN103729872A CN 103729872 A CN103729872 A CN 103729872A CN 201310742584 A CN201310742584 A CN 201310742584A CN 103729872 A CN103729872 A CN 103729872A
Authority
CN
China
Prior art keywords
cloud
resampling
tif
method based
path
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
CN201310742584.5A
Other languages
English (en)
Other versions
CN103729872B (zh
Inventor
熊蓉
李千山
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.)
Which Hangzhou Science And Technology Co Ltd
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201310742584.5A priority Critical patent/CN103729872B/zh
Publication of CN103729872A publication Critical patent/CN103729872A/zh
Application granted granted Critical
Publication of CN103729872B publication Critical patent/CN103729872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于分段重采样和表面三角化的点云增强方法。它的具体步骤如下：对输入点云
Figure 2013107425845100004DEST_PATH_IMAGE001
进行分割，得到点云
Figure 835430DEST_PATH_IMAGE001
的子集的集合
Figure 752571DEST_PATH_IMAGE002
，对每个子集
Figure 2013107425845100004DEST_PATH_IMAGE003
进行重采样，滤除数据噪声，得到空间分布更为均匀的新点集
Figure DEST_PATH_IMAGE005
；合并重采样后的所有新点集的集合
Figure 250417DEST_PATH_IMAGE006
，得到新的点云
Figure DEST_PATH_IMAGE007
，对新的点云进行表面三角化，得到三角网格模型

Description

一种基于分段重采样和表面三角化的点云增强方法
技术领域
本发明涉及环境信息采集和点云处理领域，尤其涉及一种基于分段重采样和表面三角化的点云增强方法。
背景技术
传统的点云增强方法对点云直接进行重采样，然后进行表面三角化，或是不进行重采样而直接进行表面三角化。对于传感器采集的真实环境数据，噪声较大，若直接进行表面三角化，三角网格表面将凹凸不平，模型效果差。即便进行重采样，虽能提升点云密度，达到更好的模型近似效果，但也但也会因重采样的平滑作用削弱环境原有的边、角等结构。
发明内容
本发明的目的是克服现有技术的不足，提供一种基于分段重采样和表面三角化的点云增强方法。
基于分段重采样和表面三角化的点云增强方法的具体步骤如下：
1）对输入点云                                                
Figure 815930DEST_PATH_IMAGE001
进行分割，得到点云的子集的集合
Figure 981649DEST_PATH_IMAGE002
，每个子集
Figure 376858DEST_PATH_IMAGE003
均表示一块形状规则的表面；
2）单独对每个子集
Figure 909339DEST_PATH_IMAGE003
进行重采样，滤除数据噪声，得到空间分布更为均匀的新点集
Figure 731802DEST_PATH_IMAGE004
；
3）合并重采样后的所有新点集的集合
Figure 467677DEST_PATH_IMAGE005
，得到新的点云
Figure 135418DEST_PATH_IMAGE006
，对新的点云
Figure 804297DEST_PATH_IMAGE006
进行表面三角化，得到三角网格模型；若存在观测位姿已知的彩色图片，则将彩色纹理映射到三角网格表面，得到带彩色纹理的三角网格表面模型，否则只得到三角网格模型
Figure 20832DEST_PATH_IMAGE007
。
所述的步骤1）中对输入点云
Figure 475953DEST_PATH_IMAGE001
进行分割的方法为：使用区域增长算法，以每次在点云
Figure 999338DEST_PATH_IMAGE001
中随机选取的区域增长种子点为起始，以分割得到的点集所表示的表面一阶连续、二阶连续为条件，通过不断吸纳符合增长条件的新点，拓展该区域的范围，若不能再拓展，则另取种子点并拓展下一个区域，直至所有点被拓展完毕。
所述的一阶连续条件为：
Figure 898024DEST_PATH_IMAGE008
其中
Figure 139649DEST_PATH_IMAGE009
为点云中两近邻点
Figure 883615DEST_PATH_IMAGE010
、之间的距离，
Figure 862252DEST_PATH_IMAGE012
、
Figure 60015DEST_PATH_IMAGE013
分别为两点离传感器位置的距离，
Figure 138829DEST_PATH_IMAGE014
为阈值；所述的二阶连续条件为：
Figure 366635DEST_PATH_IMAGE015
其中
Figure 138282DEST_PATH_IMAGE016
、
Figure 88920DEST_PATH_IMAGE017
分别为两近邻点
Figure 440267DEST_PATH_IMAGE010
、
Figure 792751DEST_PATH_IMAGE011
两点处的局部表面法向量，
Figure 204141DEST_PATH_IMAGE018
为
Figure 642075DEST_PATH_IMAGE010
到的向量，
Figure 4104DEST_PATH_IMAGE019
和
Figure 117553DEST_PATH_IMAGE020
为阈值。
所述的步骤2）为，利用移动最小二乘法对每个子集
Figure 760893DEST_PATH_IMAGE003
进行重采样，搜索
Figure 985201DEST_PATH_IMAGE003
中每个点周围半径小于
Figure 515539DEST_PATH_IMAGE021
范围内的数量不超过
Figure 799890DEST_PATH_IMAGE022
的所有最近邻点，得到点集
Figure 681258DEST_PATH_IMAGE023
，为
Figure 709257DEST_PATH_IMAGE023
拟合平面，以
Figure 549354DEST_PATH_IMAGE023
在平面
Figure 449177DEST_PATH_IMAGE024
内的投影点位置为自变量，
Figure 733397DEST_PATH_IMAGE023
到平面
Figure 35065DEST_PATH_IMAGE024
的距离为函数值，拟合二元二次函数
Figure 864481DEST_PATH_IMAGE025
，在该局部区域以为
Figure 251600DEST_PATH_IMAGE025
采样函数、
Figure 90243DEST_PATH_IMAGE026
为采样密度进行重采样。
所述的为拟合平面
Figure 246735DEST_PATH_IMAGE024
的方法为：计算点集的均值，得到平面的中心；计算
Figure 194651DEST_PATH_IMAGE028
的特征向量，其最小特征值对应的特征向量即为平面
Figure 290783DEST_PATH_IMAGE024
的法向量
Figure 2387DEST_PATH_IMAGE029
；平面
Figure 336417DEST_PATH_IMAGE024
的中心和法向量
Figure 527544DEST_PATH_IMAGE029
即表示了一个经过中心、法向量为的平面。
所述的拟合二元二次函数
Figure 259242DEST_PATH_IMAGE025
的方法为：对于点集
Figure 329966DEST_PATH_IMAGE023
中每一点
Figure 852215DEST_PATH_IMAGE030
，假定
Figure 691995DEST_PATH_IMAGE028
另两个特征值对应的特征向量分别为
Figure 641496DEST_PATH_IMAGE031
和
Figure 933937DEST_PATH_IMAGE032
，计算一个以
Figure 791035DEST_PATH_IMAGE033
、
Figure 203430DEST_PATH_IMAGE034
为自变量，
Figure 854992DEST_PATH_IMAGE035
为值的键值对， 
Figure 369150DEST_PATH_IMAGE036
最终形成一组
Figure 764359DEST_PATH_IMAGE037
向
Figure 781993DEST_PATH_IMAGE035
的键值映射,并利用最小二乘法求取Hessian矩阵
Figure 870035DEST_PATH_IMAGE038
Figure 605910DEST_PATH_IMAGE039
，
则
Figure 804810DEST_PATH_IMAGE025
可表示为
Figure 208110DEST_PATH_IMAGE040
。
所述的以
Figure 185162DEST_PATH_IMAGE026
为采样密度进行重采样的方法为：采样密度与局部表面曲率
Figure 939491DEST_PATH_IMAGE041
的关系为
Figure 668730DEST_PATH_IMAGE043
为比例系数。
所述的局部表面曲率
Figure 98574DEST_PATH_IMAGE041
的计算方法为：对于点云中的一点
Figure 543462DEST_PATH_IMAGE010
，其周围半径小于
Figure 84165DEST_PATH_IMAGE021
范围内的数量不超过
Figure 196477DEST_PATH_IMAGE022
的所有最近邻点组成的点集为
Figure 531644DEST_PATH_IMAGE023
，、、
Figure 24308DEST_PATH_IMAGE046
为
Figure 530375DEST_PATH_IMAGE028
的三个特征值，则
Figure 746593DEST_PATH_IMAGE047
。
所述的步骤3）中对新的点云
Figure 97940DEST_PATH_IMAGE006
进行表面三角化的方法为：对于新的点云
Figure 450424DEST_PATH_IMAGE006
中的每个点，其周围半径小于
Figure 861814DEST_PATH_IMAGE021
范围内的数量不超过
Figure 299748DEST_PATH_IMAGE022
的所有最近邻点组成的点集为
Figure 438474DEST_PATH_IMAGE023
，为点集拟合的平面为
Figure 758914DEST_PATH_IMAGE024
，将点集
Figure 152987DEST_PATH_IMAGE023
包含的所有点投影到平面
Figure 377295DEST_PATH_IMAGE024
上得到二维点集，利用基于局部搜索的二维三角化算法，逐点建立与周围点的连接关系，将该连接关系映射回新的点云
Figure 457563DEST_PATH_IMAGE006
，即实现了新的点云的表面三角化。
所述的步骤3）中将彩色纹理映射到三角网格表面的方法为：记三角网格模型
Figure 101351DEST_PATH_IMAGE007
中某一顶点在相机坐标系下的位置为
Figure 1043DEST_PATH_IMAGE049
，其对应的图像像素
Figure 456295DEST_PATH_IMAGE050
计算公式为：
Figure 356118DEST_PATH_IMAGE051
 。
本发明与现有技术相比，具有的有益效果：
1.在对环境结构进行准确恢复的同时，避免了环境原有的边缘、转角被错误地平滑掉；
2.根据模型表面形状变化剧烈程度的不同而选择不同的采样密度，模型表示更为高效；
3.在模型局部将点集投影到二维平面上进行三角化，计算效率比直接在三维空间中进行三角化更高。
附图说明
图1是基于分段重采样和表面三角化的点云增强方法操作流程图；
图2是基于分段重采样的点云重采样效果图；
图3是基于分段重采样和表面三角化的点云增强效果图。
具体实施方式
基于分段重采样和表面三角化的点云增强方法的具体步骤如下：
1）对输入点云
Figure 391070DEST_PATH_IMAGE001
进行分割，得到点云
Figure 427159DEST_PATH_IMAGE001
的子集的集合，每个子集
Figure 909273DEST_PATH_IMAGE003
均表示一块形状规则的表面；
2）单独对每个子集
Figure 13495DEST_PATH_IMAGE003
进行重采样，滤除数据噪声，得到空间分布更为均匀的新点集
Figure 638512DEST_PATH_IMAGE004
；
3）合并重采样后的所有新点集的集合
Figure 435566DEST_PATH_IMAGE005
，得到新的点云
Figure 762511DEST_PATH_IMAGE006
，对新的点云进行表面三角化，得到三角网格模型；若存在观测位姿已知的彩色图片，则将彩色纹理映射到三角网格表面，得到带彩色纹理的三角网格表面模型，否则只得到三角网格模型
Figure 852324DEST_PATH_IMAGE007
。
所述的步骤1）中对输入点云
Figure 948456DEST_PATH_IMAGE001
进行分割的方法为：使用区域增长算法（Adams R, Bischof L. Seeded region growing[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1994, 16(6): 641-647.），以每次在点云中随机选取的区域增长种子点为起始，以分割得到的点集所表示的表面一阶连续、二阶连续为条件，通过不断吸纳符合增长条件的新点，拓展该区域的范围，若不能再拓展，则另取种子点并拓展下一个区域，直至所有点被拓展完毕。
所述的一阶连续条件为：
Figure 994090DEST_PATH_IMAGE008
其中
Figure 851056DEST_PATH_IMAGE009
为点云中两近邻点
Figure 434484DEST_PATH_IMAGE010
、
Figure 153041DEST_PATH_IMAGE011
之间的距离，
Figure 138315DEST_PATH_IMAGE012
、
Figure 916915DEST_PATH_IMAGE013
分别为两点离传感器位置的距离，
Figure 987639DEST_PATH_IMAGE014
为阈值；所述的二阶连续条件为：
Figure 41046DEST_PATH_IMAGE015
其中
Figure 349667DEST_PATH_IMAGE016
、分别为两近邻点、
Figure 697975DEST_PATH_IMAGE011
两点处的局部表面法向量，
Figure 392262DEST_PATH_IMAGE018
为
Figure 512664DEST_PATH_IMAGE010
到的向量，
Figure 422032DEST_PATH_IMAGE019
和
Figure 970825DEST_PATH_IMAGE020
为阈值。
所述的步骤2）为，利用移动最小二乘法（Lancaster P, Salkauskas K. Surfaces generated by moving least squares methods[J]. Mathematics of computation, 1981, 37(155): 141-158.）对每个子集
Figure 527708DEST_PATH_IMAGE003
进行重采样，搜索
Figure 794741DEST_PATH_IMAGE003
中每个点周围半径小于
Figure 728062DEST_PATH_IMAGE021
范围内的数量不超过的所有最近邻点，得到点集
Figure 373993DEST_PATH_IMAGE023
，为
Figure 331585DEST_PATH_IMAGE023
拟合平面
Figure 334176DEST_PATH_IMAGE024
，以
Figure 326403DEST_PATH_IMAGE023
在平面
Figure 490668DEST_PATH_IMAGE024
内的投影点位置为自变量，
Figure 201135DEST_PATH_IMAGE023
到平面的距离为函数值，拟合二元二次函数
Figure 119729DEST_PATH_IMAGE025
，在该局部区域以为
Figure 438584DEST_PATH_IMAGE025
采样函数、
Figure 901926DEST_PATH_IMAGE026
为采样密度进行重采样。
所述的为
Figure 715162DEST_PATH_IMAGE023
拟合平面
Figure 213139DEST_PATH_IMAGE024
的方法为：计算点集
Figure 188048DEST_PATH_IMAGE023
的均值，得到平面
Figure 404266DEST_PATH_IMAGE024
的中心
Figure 286771DEST_PATH_IMAGE027
；计算的特征向量，其最小特征值对应的特征向量即为平面
Figure 785066DEST_PATH_IMAGE024
的法向量
Figure 941109DEST_PATH_IMAGE029
；平面
Figure 627306DEST_PATH_IMAGE024
的中心
Figure 303138DEST_PATH_IMAGE027
和法向量
Figure 416587DEST_PATH_IMAGE029
即表示了一个经过中心、法向量为
Figure 34967DEST_PATH_IMAGE029
的平面。
所述的拟合二元二次函数
Figure 362044DEST_PATH_IMAGE025
的方法为：对于点集中每一点
Figure 262183DEST_PATH_IMAGE030
，假定
Figure 832510DEST_PATH_IMAGE028
另两个特征值对应的特征向量分别为
Figure 14093DEST_PATH_IMAGE031
和
Figure 469345DEST_PATH_IMAGE032
，计算一个以、
Figure 404120DEST_PATH_IMAGE034
为自变量，
Figure 909051DEST_PATH_IMAGE035
为值的键值对， 
Figure 535204DEST_PATH_IMAGE036
最终形成一组
Figure 125585DEST_PATH_IMAGE037
向
Figure 495387DEST_PATH_IMAGE035
的键值映射,并利用最小二乘法求取Hessian矩阵
Figure 651562DEST_PATH_IMAGE038
，
则
Figure 775561DEST_PATH_IMAGE025
可表示为
Figure 152316DEST_PATH_IMAGE040
。
所述的以
Figure 162997DEST_PATH_IMAGE026
为采样密度进行重采样的方法为：采样密度与局部表面曲率
Figure 599795DEST_PATH_IMAGE041
的关系为
Figure 695927DEST_PATH_IMAGE052
Figure 407531DEST_PATH_IMAGE043
为比例系数。
所述的局部表面曲率
Figure 7140DEST_PATH_IMAGE041
的计算方法为：对于点云中的一点
Figure 145997DEST_PATH_IMAGE010
，其周围半径小于
Figure 181955DEST_PATH_IMAGE021
范围内的数量不超过
Figure 697250DEST_PATH_IMAGE022
的所有最近邻点组成的点集为
Figure 151365DEST_PATH_IMAGE023
，
Figure 461124DEST_PATH_IMAGE044
、
Figure 266269DEST_PATH_IMAGE045
、
Figure 788517DEST_PATH_IMAGE046
为的三个特征值，则
Figure 577798DEST_PATH_IMAGE047
。
所述的步骤3）中对新的点云
Figure 135819DEST_PATH_IMAGE006
进行表面三角化的方法为：对于新的点云中的每个点，其周围半径小于
Figure 405312DEST_PATH_IMAGE021
范围内的数量不超过
Figure 56873DEST_PATH_IMAGE022
的所有最近邻点组成的点集为
Figure 305452DEST_PATH_IMAGE023
，为点集
Figure 700661DEST_PATH_IMAGE023
拟合的平面为，将点集
Figure 806337DEST_PATH_IMAGE023
包含的所有点投影到平面
Figure 542212DEST_PATH_IMAGE024
上得到二维点集
Figure 741112DEST_PATH_IMAGE048
，利用基于局部搜索的二维三角化算法（Hardwick J C. Nested parallel 2D Delaunay triangulation method: U.S. Patent 6,088,511[P]. 2000-7-11.）逐点建立与周围点的连接关系，将该连接关系映射回新的点云
Figure 128100DEST_PATH_IMAGE006
，即实现了新的点云
Figure 121464DEST_PATH_IMAGE006
的表面三角化。
所述的步骤3）中将彩色纹理映射到三角网格表面的方法为：记三角网格模型
Figure 875793DEST_PATH_IMAGE007
中某一顶点在相机坐标系下的位置为
Figure 347226DEST_PATH_IMAGE049
，其对应的图像像素
Figure 870611DEST_PATH_IMAGE050
计算公式为：
Figure 503718DEST_PATH_IMAGE051
 。
本发明的对点云模型进行重采样和表面网格模型构建。激光测距仪、深度相机等设备采集到的点云存在误差，且点云的空间分布不均匀，近处密，远处疏，某些方向密，其它方向疏。经过本发明所述的重采样后，点云噪声水平降低，模型精度提高，且点的空间分布更为均一。进一步进行表面三角化后，可得到连续的表面结构，相对与原始点云的离散、稀疏，三角化后的网格表面视觉效果更好。

Claims (10)

1.一种基于分段重采样和表面三角化的点云增强方法，其特征在于，它的具体步骤如下：
1）对输入点云                                                进行分割，得到点云的子集的集合
Figure 330648DEST_PATH_IMAGE002
，每个子集
Figure 257015DEST_PATH_IMAGE003
均表示一块形状规则的表面；
2）单独对每个子集
Figure 71388DEST_PATH_IMAGE003
进行重采样，滤除数据噪声，得到空间分布更为均匀的新点集
Figure 549642DEST_PATH_IMAGE004
；
3）合并重采样后的所有新点集的集合
Figure 816676DEST_PATH_IMAGE005
，得到新的点云
Figure 15576DEST_PATH_IMAGE006
，对新的点云
Figure 215613DEST_PATH_IMAGE006
进行表面三角化，得到三角网格模型
Figure 208977DEST_PATH_IMAGE007
；若存在观测位姿已知的彩色图片，则将彩色纹理映射到三角网格表面，得到带彩色纹理的三角网格表面模型，否则只得到三角网格模型。
2.根据权利要求1所述的基于分段重采样和表面三角化的点云增强方法，其特征在于，所述的步骤1）中对输入点云
Figure 106843DEST_PATH_IMAGE001
进行分割的方法为：使用区域增长算法，以每次在点云
Figure 630228DEST_PATH_IMAGE001
中随机选取的区域增长种子点为起始，以分割得到的点集所表示的表面一阶连续、二阶连续为条件，通过不断吸纳符合增长条件的新点，拓展该区域的范围，若不能再拓展，则另取种子点并拓展下一个区域，直至所有点被拓展完毕。
3.根据权利要求2所述的基于分段重采样和表面三角化的点云增强方法，其特征在于，所述的一阶连续条件为：
其中
Figure 832856DEST_PATH_IMAGE009
为点云中两近邻点
Figure 262307DEST_PATH_IMAGE010
、
Figure 905778DEST_PATH_IMAGE011
之间的距离，
Figure 772103DEST_PATH_IMAGE012
、分别为两点离传感器位置的距离，
Figure 579839DEST_PATH_IMAGE014
为阈值；所述的二阶连续条件为：
Figure 484341DEST_PATH_IMAGE015
其中
Figure 255988DEST_PATH_IMAGE016
、
Figure 737785DEST_PATH_IMAGE017
分别为两近邻点
Figure 620290DEST_PATH_IMAGE010
、
Figure 972774DEST_PATH_IMAGE011
两点处的局部表面法向量，
Figure 571115DEST_PATH_IMAGE018
为到的向量，
Figure 433394DEST_PATH_IMAGE019
和
Figure 953369DEST_PATH_IMAGE020
为阈值。
4.根据权利要求2所述的基于分段重采样和表面三角化的点云增强方法，其特征在于，所述的步骤2）为，利用移动最小二乘法对每个子集进行重采样，搜索
Figure 102907DEST_PATH_IMAGE003
中每个点周围半径小于范围内的数量不超过的所有最近邻点，得到点集
Figure 549697DEST_PATH_IMAGE023
，为
Figure 577696DEST_PATH_IMAGE023
拟合平面
Figure 759279DEST_PATH_IMAGE024
，以
Figure 480110DEST_PATH_IMAGE023
在平面
Figure 379933DEST_PATH_IMAGE024
内的投影点位置为自变量，
Figure 352568DEST_PATH_IMAGE023
到平面
Figure 654236DEST_PATH_IMAGE024
的距离为函数值，拟合二元二次函数
Figure 545969DEST_PATH_IMAGE025
，在该局部区域以为
Figure 933088DEST_PATH_IMAGE025
采样函数、
Figure 302890DEST_PATH_IMAGE026
为采样密度进行重采样。
5.根据权利要求4所述的基于分段重采样和表面三角化的点云增强方法，其特征在于，所述的为拟合平面
Figure 646332DEST_PATH_IMAGE024
的方法为：计算点集
Figure 786326DEST_PATH_IMAGE023
的均值，得到平面
Figure 959819DEST_PATH_IMAGE024
的中心
Figure 970500DEST_PATH_IMAGE027
；计算
Figure 344981DEST_PATH_IMAGE028
的特征向量，其最小特征值对应的特征向量即为平面
Figure 441113DEST_PATH_IMAGE024
的法向量
Figure 683875DEST_PATH_IMAGE029
；平面
Figure 549063DEST_PATH_IMAGE024
的中心
Figure 842248DEST_PATH_IMAGE027
和法向量
Figure 425676DEST_PATH_IMAGE029
即表示了一个经过中心
Figure 675392DEST_PATH_IMAGE027
、法向量为
Figure 191824DEST_PATH_IMAGE029
的平面。
6.根据权利要求4所述的基于分段重采样和表面三角化的点云增强方法，其特征在于，所述的拟合二元二次函数
Figure 501582DEST_PATH_IMAGE025
的方法为：对于点集
Figure 978831DEST_PATH_IMAGE023
中每一点
Figure 32238DEST_PATH_IMAGE030
，假定
Figure 872018DEST_PATH_IMAGE028
另两个特征值对应的特征向量分别为和
Figure 176277DEST_PATH_IMAGE032
，计算一个以
Figure 689167DEST_PATH_IMAGE033
、
Figure 383454DEST_PATH_IMAGE034
为自变量，
Figure 566173DEST_PATH_IMAGE035
为值的键值对， 
最终形成一组
Figure 6699DEST_PATH_IMAGE037
向
Figure 962017DEST_PATH_IMAGE035
的键值映射,并利用最小二乘法求取Hessian矩阵
Figure 50058DEST_PATH_IMAGE038
Figure 848250DEST_PATH_IMAGE039
，
则
Figure 47150DEST_PATH_IMAGE025
可表示为
Figure 450450DEST_PATH_IMAGE040
。
7.根据权利要求4所述的基于分段重采样和表面三角化的点云增强方法，其特征在于，所述的以为采样密度进行重采样的方法为：采样密度与局部表面曲率
Figure 620979DEST_PATH_IMAGE041
的关系为
Figure 412535DEST_PATH_IMAGE043
为比例系数。
8.根据权利要求7所述基于分段重采样和表面三角化的点云增强方法，其特征在于，所述的局部表面曲率
Figure 248904DEST_PATH_IMAGE041
的计算方法为：对于点云中的一点
Figure 224950DEST_PATH_IMAGE010
，其周围半径小于
Figure 296811DEST_PATH_IMAGE021
范围内的数量不超过
Figure 940282DEST_PATH_IMAGE022
的所有最近邻点组成的点集为
Figure 275448DEST_PATH_IMAGE023
，
Figure 660162DEST_PATH_IMAGE044
、
Figure 738977DEST_PATH_IMAGE045
、
Figure 768113DEST_PATH_IMAGE046
为
Figure 274180DEST_PATH_IMAGE028
的三个特征值，则
Figure 896923DEST_PATH_IMAGE047
。
9.根据权利要求1所述的基于分段重采样和表面三角化的点云增强方法，其特征为，所述的步骤3）中对新的点云
Figure 779428DEST_PATH_IMAGE006
进行表面三角化的方法为：对于新的点云
Figure 131912DEST_PATH_IMAGE006
中的每个点，其周围半径小于
Figure 605619DEST_PATH_IMAGE021
范围内的数量不超过的所有最近邻点组成的点集为
Figure 630216DEST_PATH_IMAGE023
，为点集
Figure 633944DEST_PATH_IMAGE023
拟合的平面为
Figure 481815DEST_PATH_IMAGE024
，将点集
Figure 407045DEST_PATH_IMAGE023
包含的所有点投影到平面上得到二维点集
Figure 364954DEST_PATH_IMAGE048
，利用基于局部搜索的二维三角化算法逐点建立与周围点的连接关系，将该连接关系映射回新的点云，即实现了新的点云
Figure 592990DEST_PATH_IMAGE006
的表面三角化。
10.根据权利要求1所述的基于分段重采样和表面三角化的点云增强方法，其特征为，所述的步骤3）中将彩色纹理映射到三角网格表面的方法为：记三角网格模型
Figure 355410DEST_PATH_IMAGE007
中某一顶点在相机坐标系下的位置为
Figure 192785DEST_PATH_IMAGE049
，其对应的图像像素
Figure 648037DEST_PATH_IMAGE050
计算公式为：
Figure 79018DEST_PATH_IMAGE051
 。
CN201310742584.5A 2013-12-30 2013-12-30 一种基于分段重采样和表面三角化的点云增强方法 Active CN103729872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310742584.5A CN103729872B (zh) 2013-12-30 2013-12-30 一种基于分段重采样和表面三角化的点云增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310742584.5A CN103729872B (zh) 2013-12-30 2013-12-30 一种基于分段重采样和表面三角化的点云增强方法

Publications (2)

Publication Number Publication Date
CN103729872A true CN103729872A (zh) 2014-04-16
CN103729872B CN103729872B (zh) 2016-05-18

Family

ID=50453933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310742584.5A Active CN103729872B (zh) 2013-12-30 2013-12-30 一种基于分段重采样和表面三角化的点云增强方法

Country Status (1)

Country Link
CN (1) CN103729872B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331927A (zh) * 2014-10-15 2015-02-04 中国石油天然气股份有限公司 一种储层数字露头表层模拟的方法和系统
CN104835137A (zh) * 2014-12-31 2015-08-12 中国科学院深圳先进技术研究院 空间采样方法及装置
CN106485244A (zh) * 2016-10-12 2017-03-08 上海联影医疗科技有限公司 采样方法及装置
CN106504332A (zh) * 2016-10-19 2017-03-15 未来科技（襄阳）有限公司 三维点云的曲面重建方法和装置
CN107316343A (zh) * 2016-04-26 2017-11-03 腾讯科技（深圳）有限公司 一种基于数据驱动的模型处理方法及设备
CN107680168A (zh) * 2017-09-15 2018-02-09 电子科技大学 三维重建中基于平面拟合的网格简化方法
CN109191584A (zh) * 2018-08-16 2019-01-11 Oppo广东移动通信有限公司 三维模型处理方法、装置、电子设备及可读存储介质
CN109389672A (zh) * 2018-09-29 2019-02-26 广东工业大学 一种反光工件点云的处理方法
CN110006372A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于局部优化的三维点云平面度计算方法
CN110047099A (zh) * 2019-02-27 2019-07-23 视缘(上海)智能科技有限公司 一种基于3d点云表示模型的方法
WO2020155142A1 (zh) * 2019-02-02 2020-08-06 深圳市大疆创新科技有限公司 一种点云重采样的方法、装置和系统
CN112598737A (zh) * 2020-12-24 2021-04-02 中建科技集团有限公司 室内机器人定位方法、装置、终端设备及存储介质
CN114821541A (zh) * 2022-06-23 2022-07-29 深圳大学 一种基于网格模型的道路面损伤检测方法及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2389500A (en) * 2002-04-20 2003-12-10 Virtual Mirrors Ltd Generating 3D body models from scanned data
CN102930597A (zh) * 2012-09-28 2013-02-13 中国科学院自动化研究所 一种外存三维模型的处理方法
CN103279980A (zh) * 2013-05-08 2013-09-04 西安理工大学 基于点云数据的树叶建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2389500A (en) * 2002-04-20 2003-12-10 Virtual Mirrors Ltd Generating 3D body models from scanned data
CN102930597A (zh) * 2012-09-28 2013-02-13 中国科学院自动化研究所 一种外存三维模型的处理方法
CN103279980A (zh) * 2013-05-08 2013-09-04 西安理工大学 基于点云数据的树叶建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUI XIE 等: "Piecewise C1 continuous surface reconstruction of noisy point clouds via local implicit quadric regression", 《VISUALIZATION，2003，VIS 2003，IEEE》, 24 October 2003 (2003-10-24), pages 91 - 98, XP010671742, DOI: doi:10.1109/VISUAL.2003.1250359 *
杨客 等: "基于自适应八叉树分割点云的表面模型重建", 《计算机应用与软件》, vol. 30, no. 6, 30 June 2013 (2013-06-30) *
胡怀宇 等: "基于区域生长法的散乱点云分区方法", 《计算机应用》, vol. 29, no. 10, 31 October 2009 (2009-10-31) *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331927A (zh) * 2014-10-15 2015-02-04 中国石油天然气股份有限公司 一种储层数字露头表层模拟的方法和系统
CN104331927B (zh) * 2014-10-15 2017-09-15 中国石油天然气股份有限公司 一种储层数字露头表层模拟的方法和系统
CN104835137A (zh) * 2014-12-31 2015-08-12 中国科学院深圳先进技术研究院 空间采样方法及装置
CN104835137B (zh) * 2014-12-31 2017-12-01 中国科学院深圳先进技术研究院 空间采样方法及装置
CN107316343A (zh) * 2016-04-26 2017-11-03 腾讯科技（深圳）有限公司 一种基于数据驱动的模型处理方法及设备
CN107316343B (zh) * 2016-04-26 2020-04-07 腾讯科技（深圳）有限公司 一种基于数据驱动的模型处理方法及设备
CN106485244A (zh) * 2016-10-12 2017-03-08 上海联影医疗科技有限公司 采样方法及装置
CN106504332A (zh) * 2016-10-19 2017-03-15 未来科技（襄阳）有限公司 三维点云的曲面重建方法和装置
CN107680168B (zh) * 2017-09-15 2020-03-27 电子科技大学 三维重建中基于平面拟合的网格简化方法
CN107680168A (zh) * 2017-09-15 2018-02-09 电子科技大学 三维重建中基于平面拟合的网格简化方法
CN109191584A (zh) * 2018-08-16 2019-01-11 Oppo广东移动通信有限公司 三维模型处理方法、装置、电子设备及可读存储介质
US11403819B2 (en) 2018-08-16 2022-08-02 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Three-dimensional model processing method, electronic device, and readable storage medium
CN109389672A (zh) * 2018-09-29 2019-02-26 广东工业大学 一种反光工件点云的处理方法
CN109389672B (zh) * 2018-09-29 2023-03-21 广东工业大学 一种反光工件点云的处理方法
WO2020155142A1 (zh) * 2019-02-02 2020-08-06 深圳市大疆创新科技有限公司 一种点云重采样的方法、装置和系统
CN110047099A (zh) * 2019-02-27 2019-07-23 视缘(上海)智能科技有限公司 一种基于3d点云表示模型的方法
CN110006372A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于局部优化的三维点云平面度计算方法
WO2022134415A1 (zh) * 2020-12-24 2022-06-30 中建科技集团有限公司 室内机器人定位方法、装置、终端设备及存储介质
CN112598737A (zh) * 2020-12-24 2021-04-02 中建科技集团有限公司 室内机器人定位方法、装置、终端设备及存储介质
CN112598737B (zh) * 2020-12-24 2024-08-16 中建科技集团有限公司 室内机器人定位方法、装置、终端设备及存储介质
CN114821541A (zh) * 2022-06-23 2022-07-29 深圳大学 一种基于网格模型的道路面损伤检测方法及相关设备

Also Published As

Publication number Publication date
CN103729872B (zh) 2016-05-18

Similar Documents

Publication Publication Date Title
CN103729872A (zh) 一种基于分段重采样和表面三角化的点云增强方法
CN107123164B (zh) 保持锐利特征的三维重建方法及系统
CN106600622B (zh) 一种基于超体素的点云数据分割方法
CN109272537B (zh) 一种基于结构光的全景点云配准方法
CN110838115B (zh) 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法
CN104952107A (zh) 基于车载LiDAR点云数据的桥梁三维重建方法
CN110807781B (zh) 一种保留细节与边界特征的点云精简方法
CN106709947A (zh) 一种基于rgbd相机的三维人体快速建模系统
CN113066162B (zh) 一种用于电磁计算的城市环境快速建模方法
WO2018061010A1 (en) Point cloud transforming in large-scale urban modelling
CN107657659A (zh) 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法
CN107862735B (zh) 一种基于结构信息的rgbd三维场景重建方法
CN109472802A (zh) 一种基于边缘特征自约束的表面网格模型构建方法
CN113920275B (zh) 三角网格构建方法、装置、电子设备及可读存储介质
CN110910435B (zh) 建筑物点云提取方法、装置、计算机设备及可读存储介质
CN110375712A (zh) 巷道断面提取方法、装置、设备及存储介质
CN113689535A (zh) 基于无人机影像的建筑物模型的生成方法和装置
CN117557617A (zh) 一种基于平面先验优化的多视密集匹配方法、系统及设备
CN110021041B (zh) 基于双目相机的无人驾驶场景增量式网格化结构重建方法
Yao et al. Research on three-dimensional model reconstruction of slope erosion based on sequence images
CN113066161B (zh) 一种城市电波传播模型的建模方法
CN114660611A (zh) 一种机载LiDAR测深与多波束声呐测深点云的融合方法
CN113763280A (zh) 用于点云去噪的基于空间层次拓扑关系的区域生长算法
Wu et al. Fast estimation of loader’s shovel load volume by 3D reconstruction of material piles
Li et al. Fast, High-precision Subregion Stereo Matching Method

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180724

Address after: 310052 208, room 6, 1197 Binan Road, Binjiang District, Hangzhou, Zhejiang.

Patentee after: Which Hangzhou science and Technology Co Ltd

Address before: 310027 No. 38, Zhejiang Road, Hangzhou, Zhejiang, Xihu District

Patentee before: Zhejiang University