CN103745459B - 一种非结构化点云特征点检测方法及其提取方法 - Google Patents
一种非结构化点云特征点检测方法及其提取方法 Download PDFInfo
- Publication number
- CN103745459B CN103745459B CN201310737477.3A CN201310737477A CN103745459B CN 103745459 B CN103745459 B CN 103745459B CN 201310737477 A CN201310737477 A CN 201310737477A CN 103745459 B CN103745459 B CN 103745459B
- Authority
- CN
- China
- Prior art keywords
- point
- neighborhood
- matrix
- centerdot
- response value
- 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.)
- Active
Links
Landscapes
- Complex Calculations (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种非结构化点云特征点检测方法及其提取方法,(1)计算采样点在不同尺度空间中的Harris响应值;(2)选取最优尺度空间下的Harris响应值作为采样点的Harris响应值,得到特征点集合Q;(3)将Harris响应值在尺度空间邻域和几何邻域都具有极大性的点作为候选特征点,最后选择优化策略提取最终的特征点。在极坐标系下对得到的特征点所在切平面进行网格化分割,然后将特征点的邻域点投影到该切平面上,将每个网格中的投影点对应的投影长度向网格的四个顶点投票生成特征信息统计矩阵,然后分别对特征统计的行向量和列向量进行DCT变换和DFT变换,变换后的矩阵的左上角元素即特征描述向量。
Description
技术领域
本发明属于三维空间目标识别领域,涉及一种非结构化点云特征点检测方法及其提取方法。具体涉及一个面向非结构化三维点云数据的多尺度特征点检测算法和一个基于形状信息统计和空间变换思想的特征点描述算法。
背景技术
随着三维建模技术的大量普及,三维点云数据被广泛应用于文物保护、空间目标识别等诸多领域。面对信息量庞大的三维点云,如何提取符合实际应用要求的、有意义的信息是处理三维点云数据必须要解决的问题。
点云数据特征点提取作为三维点云数据处理中的关键技术是目前点云处理中的研究热点。现有的三维模型特征提取算法主要针对网格数据,无法满足对非结构化点云特征提取的要求。与网格化点云数据相比,非结构化点云数据量大、无点云拓扑信息、特征点检测容易受噪声影响,因此特征点检测和描述难度大。
发明内容
本发明提供了一种非结构化点云特征点检测方法及其提取方法,满足对非结构化点云特征的检测及提取要求。
为解决以上技术问题,本发明采用以下技术方案:
一种非结构化点云特征点检测方法,包括以下步骤:(1)利用采样点不同尺度空间的邻域信息计算采样点在不同尺度空间中的Harris响应值;(2)通过迭代算法选取最优尺度空间下的Harris响应值作为采样点的Harris响应值,得到特征点集合Q;(3)将Harris响应值在尺度空间邻域和几何邻域都具有极大性的点作为候选特征点,最后利用候选特征点选择优化策略提取最终的特征点。
作为本发明的优选实施例,所述步骤(1)中,采样点在不同尺度空间中的Harris响应值根据以下方法计算:(1.1)设Nr(pi)是pi的邻域点集合,pj∈Nr(pi),分别在pj的[1,0,0]方向和[-1,0,0]方向确定两个点pj+和pj-,计算pj+的邻域点集合Nr(pj+)和pj-的邻域点集合Nr(pj+)之间的Hausdorff距离;其中,i、r、j均为正整数;(1.2)根据步骤(1.1)的Hausdorff距离计算pj在X轴方向的偏导数fx;(1.3)计算pj在Y方向的偏导数fy;(1.4)根据pj在X轴方向和Y方向的偏导数fx和fy计算每个邻域点的高斯权重,即E矩阵;(1.5)根据E矩阵计算pj的Harris响应值,计算公式为:Harris(x,y)=det(E)–k·(Trace(E))2,k为经验系数。
所述步骤(1.1)的Hausdorff距离根据以下公式计算:
所述(1.4)的高斯权重E矩阵根据以下公式计算:
其中,(xi,yi,zi)∈Nr(pi),σ为尺度因子,第k个尺度因子根据以下公式计算:
所述步骤(2)的方法为:首先选取一个K邻域点集合作为初始尺度空间大小,计算初始尺度因子σ0;如果采样点pi在当前尺度k下计算出的响应值hk(pi)不足以判定点pi是否是特征点,那么尺度因子将更新到下一个尺度,继续计算下一个尺度pi的响应值;随着尺度因子的增加,响应值变化最大的那个尺度称为最优的尺度;当迭代算法停止,将上一尺度及其响应值作为最优尺度和最优的响应值;具体方法为:(2.1)令k=0,特征点集合为空,其中,k为尺度因子索引;(2.2)判断σ0<σmax是否成立,其中,σ0为初始尺度因子,σmax为最大尺度因子,如果成立,则提取pi的邻域点集合其中,其中,pi为点云数据集P中的任意一点;(2.3)计算pi的法向量并建立局部坐标系;(2.4)将pj的坐标平移、旋转变换转化为步骤(2.3)中建立的局部坐标系中的坐标,其中,(2.5)计算pj在X轴方向和Y轴方向的偏导数,更新E矩阵;(2.6)计算k尺度下点pi的Harris特征值hk(pi);(2.7)判断hk(pi)>τ·hk-1(pi)是否成立,如果成立,令hk(pi)=hk-1(pi),将pi,添加到Q中;(2.8)重复以上步骤,得到特征点集合Q。
所述步骤(3)中,候选特征点的优化策略方法为:(3.1)初始化后,判断特征点集合Q是否为空,如果不为空,则进行步骤(3.2);(3.2)如果并且则将qi加入π中,即π=π∪qi,其中,qi∈Q,为所有与qi相连的边的最小权值,π为特征点选择优化后的特征点集合。
一种基于以上非结构化点云特征点检测方法对非结构化点云进行提取的方法,在极坐标系下对特征点所在切平面进行网格化分割,然后将特征点的邻域点投影到该切平面上,将每个网格中的投影点对应的投影长度向网格的四个顶点投票生成特征信息统计矩阵,然后分别对特征统计的行向量和列向量进行DCT变换和DFT变换,将由变换后得到的矩阵的左上角元素构成的向量作为该特征点的特征描述向量,所述左上角为A×A,其中,1<A<10。
利用双线性插值将投影长度向特征统计矩阵的对应位置进行投票的方法为:定义一个N×M的实数矩阵S,划分的网格在半径方向将半径划分为M等份,每等份长度用binR表示,则binR=r(k)/M,在每一个同心圆上,按逆时针顺序将圆周角划分为M等份,每等份的角度用binθ表示,则binθ=2π/N;记第j个特征点fi j在fi切平面上的投影点为fi j^,投票方法为:(A)计算fi j^与坐标原点的连线从x方向按逆时针旋转到当前位置的旋转角度,记为thetaR;判断是否成立,若成立,令否则,令(B)计算行索引h和列索引l,其中, (C)计算行方向的投票权重a和列方向的投票权重b,其中,(D)利用双线性差值和当前投影点周围的四个网格节点的投票权重计算当前投影点的位置;(E)根据步骤(D)计算投影点周围的四个网格节点形成的区域内的投影点个数;(F)当所有投影点投票结束后,对S矩阵中的元素进行平均,得到特征统计矩阵。
步骤(D)根据以下公式计算: 式中:为点fi j的法向量在点fi所在切平面的投影。
所述DCT变换和DFT变换的方法为:首先对特征统计矩阵S的行向量进行DCT变换,用DCT变换后的行向量替换原始S矩阵中的行向量,得到新的S矩阵,然后对S矩阵的列向量进行DFT变换,DFT变换后的结果是复数,将变换后复数的模作为新的列向量元素。
本发明所提供的非结构化点云特征点检测方法及其提取方法至少具有以下优点:(1)能够直接应用于非结构化点云数据,完成非结构化点云特征的检测和描述;(2)检测效率高,本发明所提供的方法不受点云大小的限制;(3)算法鲁棒性强,本发明所提供的方法受噪声干扰的影响较小,结果准确、稳定。
附图说明
图1是本发明非结构化点云特征点的检测方法流程图;
图2是本发明非结构化点云特征点的描述方法流程图;
图3是本发明特征点的投影和投票示意图;
图4是本发明投票权重计算示意图。
具体实施方式
本发明提供了一种非结构化点云特征点提取方法,设计并实现了面向非结构化点云的特征检测和描述算法。具体内容如下:
一是设计并实现了面向非结构化三维点云数据的多尺度3D Harris特征点检测算法。通过利用采样点不同尺度空间的邻域信息计算采样点在不同尺度空间中的Harris响应值,然后通过迭代算法选取最优尺度空间下的Harris响应值作为采样点的Harris响应值,得到特征点集合Q,然后将Harris响应值在尺度空间邻域和几何邻域都具有极大性的点作为候选特征点,最后利用特征点选择优化策略提取最终的特征点。根据实际应用需求的不同,特征点选择优化策略可以采用最小生成树算法或者聚类算法。
二是设计并实现了ST-RIFT(Spatial Transform-Rotation Invariant FeatureTransform)特征点描述算法。首先,在极坐标系中将特征点所在切平面进行网格化划分,然后将特征点的邻域点投影到特征点所在切平面,然后利用双线性插值将领域点在切平面的投影长度向投影点所在网格的角点进行投票,统计采样点所在局部区域投影分布信息,得到特征统计矩阵。然后对特征统计矩阵的每一行进行DCT(Discrete Cosine Transform)变换,再对特征统计矩阵的每一列进行DFT(Discrete Fourier Transform)变换。最后,取变换后的特征统计矩阵左上角区域元素作为特征点的特征描述向量。
本发明面向非结构化点云数据提出了一种有效的三维特征点检测算法和一种特征点描述算法。具体技术包括:
1)利用Hausdorff距离对采样点邻域点云集合相似性测量,代替采样点的Harris响应值计算中偏导数的计算。
2)计算采样点在多个尺度空间中的Harris响应值,采用迭代算法提取采样点最优尺度下的Harris响应值。
3)根据不同的应用需求,候选特征点优化策略可以采用基于MST算法的优化策略或基于欧氏距离的聚类策略。前者检测到的特征点主要分布在三维点云的边缘等表面变化明显的区域;后者检测到的特征点均匀分布在三维点云的表面上。
4)采样点邻域信息统计策略。在极坐标系中对特征点所在切平面进行网格化划分,将特征点邻域点投影到特征点所在切平面,统计所有领域点的投影信息,得到特征统计矩阵。
5)对特征统计矩阵的行向量进行DCT变换,再对特征统计矩阵的列向量进行DFT变换。
按照上述技术方案,本发明给出了以下的实施例。
图1给出了多尺度3D Harris特征点检测算法流程。
设计思想是利用不同尺度下采样点的邻域信息计算多个尺度下采样点的Harris响应值,然后利用迭代算法的思想提取最优尺度下的Harris响应值作为采样点的Harris响应值。将Harris响应值在几何邻域和尺度邻域中具有局部极大性的采样点作为候选特征点。在候选特征点选择优化策略中,可以由用户根据实际应用的不同选择MST算法或聚类算法对候选特征点进行选择优化,提取最终的特征点。
图2给出了ST-RIFT特征描述算法流程。设计思想是首先在极坐标系下对特征点所在切平面进行网格化分割,然后将特征点的邻域点投影到该切平面上,将每个网格中的投影点对应的投影长度向网格的四个顶点投票生成特征信息统计矩阵,然后分别对特征统计的行向量和列向量进行DCT变换和DFT变换,将由变换后得到的矩阵的左上角元素构成的向量作为该特征点的特征描述向量。
多尺度3D Harris特征点检测算法设计,具体包括:
多尺度3D Harris响应值计算。即在采样点的多个尺度空间中分别计算Harris响应值。设Nr(pi)是pi的邻域点集合,pj∈Nr(pi),分别在pj的[1,0,0]方向和[-1,0,0]方向确定两个点pj+和pj-,pj+的邻域点集合Nr(pj+)和pj-的邻域点集合Nr(pj+)之间的Hausdorff距离为:其中,i、r、j均为正整数,因此,pj在X轴方向的偏导数为:fx=dH(Nr(pj+),Nr(pj-)),pj在Y方向的偏导数计算方法与X方向相似,这里不再赘述。
为了消除噪声对计算偏导数的影响,为每个邻域点分配一个高斯权重。因此E矩阵可以写成如下形式:其中,(xi,yi,zi)∈Nr(pi),σ的选择与点云噪声情况以及扫描的质量有关,其计算公式为:因此可得pi的Harris响应值Harris(x,y)=det(E)–k·(Trace(E))2。
多尺度空间中最优尺度下的候选特征点检测策略。为了自适应选择最优尺度下的特征点,算法首先选取一个K邻域点集合作为初始尺度空间大小,计算初始尺度因子σ0。如果采样点pi在当前尺度k下计算出的响应值hk(pi)不足以判定点pi是否是特征点,那么尺度因子将更新到下一个尺度,继续计算下一个尺度pi的响应值。随着尺度因子的增加,响应值变化最大的那个尺度称为最优的尺度。当迭代算法停止,将上一尺度及其响应值作为最优尺度和最优的响应值。算法的实现过程如下:
(1)令K=0,令特征点集合为空,其中,k为尺度因子索引;
(2)判断σ0<σmax,其中,σ0为初始尺度因子,σmax为最大尺度因子,如果是,进行进入第(3)步骤;
(3)对点云数据中任意一个点pi∈P,提取pi的邻域点集合
(4)利用PCA计算pi的法向量并建立局部坐标系;
(5)对任意的一个点将pj的坐标平移、旋转变换转化为步骤(4)中建立的局部坐标系中的坐标;
(6)对任意的一个点计算pj在X轴方向和Y轴方向的偏导数,更新E矩阵;
(7)计算k尺度下点pi的Harris特征值hk(pi);
(8)判断hk(pi)>τ·hk-1(pi)是否成立,如果成立,令hk(pi)=hk-1(pi),从集合P中删除pi,将pi添加到Q中;
(9)重复以上步骤,得到特征点集合Q。
基于MST算法的候选特征点优化策略。首先,设Q表示将候选特征点按照Harris响应值按降序排列得到的特征点集合,设qi∈Q,是qi的K邻域Nk(qi)中的点。定义表示qi和之间边的权值,那么的计算公式为:式中:γ为常系数;设q表示候选特征点集合Q中Harris响应值最大的候选特征点;key[qi]表示所有与qi相连的边的最小权值,约定如果不存在这样的边,key[qi]=∞;设π[qi]表示qi的父节点,那么特征点选择优化算法如下:
(1)初始化;
(2)判断Q是否为空,,如果不为空,则根据以下步骤寻找Q中harris(qi)最小的候选特征点qi;
(3)如果并且则将qi加入π中,即π=π∪qi,其中,qi∈Q,为所有与qi相连的边的最小权值,π为特征点选择优化后的特征点集合。
ST-RIFT特征描述算法设计,主要涉及的技术有:
1、在极坐标系中,对特征点所在切平面进行网格化分割。附图1显示了邻域点在特征点切平面的投影和投票过程。其中红色点代表N×M个网格节点,黑色点表示邻域点的投影点。
2、统计特征点邻域点在特征点切平面的投影长度信息,然后利用双线性插值将投影长度向特征统计矩阵的对应位置进行投票。定义一个N×M的实数矩阵S,划分的网格在半径方向将半径划分为M等份,每等份长度用binR表示,则binR=r(k)/M,在每一个同心圆上,按逆时针顺序将圆周角划分为N等份,每等份的角度用binθ表示,则binθ=2π/N。记fi j在fi切平面上的投影点为fi j^,投票过程原理如下:
i.计算fi j^与坐标原点的连线从x方向按逆时针旋转到当前位置的旋转角度,记为thetaR。判断是否成立,若成立,令否则,
ii.计算行索引h和列索引l。
iii.计算行方向的投票权重a和列方向的投票权重b。
iv.利用双线性差值和当前投影点周围的四个网格节点的投票权重计算当前投影点的位置。图3表示了投票权重的计算过程。如图3所示,可以得出:
式中:——点fi j的法向量在点fi所在切平面的投影。
v.再定义一个N×M维的实数矩阵Count,Count中的每一个元素Count(h,l)存储向S(h,l)投票的投影点的个数。同样的,为了准确计算投影点个数,利用双线性插值对Count矩阵赋值(即计算投影点周围的四个网格节点形成的区域内的投影点个数)。计算公式为:
Count(h,l)=Count(h,l)+(1-a)(1-b)·1;
Count(h,l+1)=Count(h,l+1)+(1-a)b·1;
Count(h+1,l)=Count(h+1,l)+a(1-b)·1;
Count(h+1,l+1)=Count(h+1,l+1)+ab·1。
vi.当所有投影点投票结束后,对S矩阵中的元素进行平均,即:
S(h,l)=S(h,l)/Count(h,l)
对特征统计矩阵的行和列进行DCT变换和DFT变换。首先对特征统计矩阵S的行向量进行DCT变换,用DCT变换后的行向量替换原始S矩阵中的行向量,得到新的S矩阵,然后对S矩阵的列向量进行DFT变换,DFT变换后的结果是复数,将变换后复数的模作为新的列向量元素。
以上所述仅为本发明的一种实施方式,不是全部或唯一的实施方式,本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换,均为本发明的权利要求所涵盖。
Claims (8)
1.一种非结构化点云特征点检测方法,其特征在于:包括以下步骤:
(1)利用采样点不同尺度空间的邻域信息计算采样点在不同尺度空间中的Harris响应值;
(2)通过迭代算法选取最优尺度空间下的Harris响应值作为采样点的Harris响应值,得到特征点集合Q;
(3)将Harris响应值在尺度空间邻域和几何邻域都具有极大性的点作为候选特征点,最后利用候选特征点选择优化策略提取最终的特征点;
所述步骤(1)中,采样点在不同尺度空间中的Harris响应值根据以下方法计算:
(1.1)设Nr(pi)是pi的邻域点集合,pj∈Nr(pi),分别在pj的[1,0,0]方向和[-1,0,0]方向确定两个点pj+和pj-,计算pj+的邻域点集合Nr(pj+)和pj-的邻域点集合Nr(pj+)之间的Hausdorff距离;其中,i、r、j均为正整数;
(1.2)根据步骤(1.1)的Hausdorff距离计算pj在X轴方向的偏导数fx;
(1.3)计算pj在Y方向的偏导数fy;
(1.4)根据pj在X轴方向和Y方向的偏导数fx和fy计算每个邻域点的高斯权重,即E矩阵,其中,高斯权重E矩阵根据以下公式计算:
其中,(xi,yi,zi)∈Nr(pi),σ为尺度因子,第k个尺度因子根据以下公式计算:其中,为当前尺度点pi的第j个邻域点,为当前尺度下点pi的所有邻域点;
(1.5)根据E矩阵计算pj的Harris响应值,计算公式为:Harris(x,y)=det(E)–k·(Trace(E))2,k为经验系数。
2.根据权利要求1所述的一种非结构化点云特征点检测方法,其特征在于:所述步骤(1.1)的Hausdorff距离根据以下公式计算:
3.根据权利要求1所述的一种非结构化点云特征点检测方法,其特征在于:所述步骤(2)的方法为:首先选取一个K邻域点集合作为初始尺度空间大小,计算初始尺度因子σ0;如果采样点pi在当前尺度k下计算出的响应值hk(pi)不足以判定点pi是否是特征点,那么尺度因子将更新到下一个尺度,继续计算下一个尺度pi的响应值;随着尺度因子的增加,响应值变化最大的那个尺度称为最优的尺度;当迭代算法停止,将上一尺度及其响应值作为最优尺度和最优的响应值;具体方法为:
(2.1)令k=0,特征点集合为空,其中,k为尺度因子索引;
(2.2)判断σ0<σmax是否成立,其中,σ0为初始尺度因子,σmax为最大尺度因子,如果成立,则提取pi的邻域点集合其中,其中,pi为点云数据集P中的任意一点;
(2.3)计算pi的法向量并建立局部坐标系;
(2.4)将pj的坐标平移、旋转变换转化为步骤(2.3)中建立的局部坐标系中的坐标,其中,
(2.5)计算pj在X轴方向和Y轴方向的偏导数,更新E矩阵;
(2.6)计算k尺度下点pi的Harris特征值hk(pi);
(2.7)判断hk(pi)>τ·hk-1(pi)是否成立,如果成立,令hk(pi)=hk-1(pi),将pi添加到Q中;
(2.8)重复以上步骤,得到特征点集合Q。
4.根据权利要求1所述的一种非结构化点云特征点检测方法,其特征在于:所述步骤(3)中,候选特征点的优化策略方法为:
(3.1)初始化后,判断特征点集合Q是否为空,如果不为空,则进行步骤(3.2);
(3.2)如果并且则将qi加入π中,即π=π∪qi,其中,qi∈Q,为所有与qi相连的边的最小权值,π为特征点选择优化后的特征点集合。
5.一种基于权利要求1所述的非结构化点云特征点检测方法对非结构化点云进行提取的方法,其特征在于:在极坐标系下对权利要求1得到的特征点所在切平面进行网格化分割,然后将特征点的邻域点投影到该切平面上,将每个网格中的投影点对应的投影长度向网格的四个顶点投票生成特征信息统计矩阵,然后分别对特征统计的行向量和列向量进行DCT变换和DFT变换,将由变换后得到的矩阵的左上角元素构成的向量作为该特征点的特征描述向量,所述左上角为A×A,其中,1<A<10。
6.根据权利要求5所述的方法,其特征在于:利用双线性插值将投影长度向特征统计矩阵的对应位置进行投票的方法为:定义一个N×M的实数矩阵S,划分的网格在半径方向将半径划分为M等份,每等份长度用binR表示,则binR=r(k)/M,其中,r(k)为当前尺度下邻域的半径长度,在每一个同心圆上,按逆时针顺序将圆周角划分为N等份,每等份的角度用binθ表示,则binθ=2π/N;记第j个特征点fi j在fi切平面上的投影点为 投票方法为:
(A)计算与坐标原点的连线从x方向按逆时针旋转到当前位置的旋转角度,记为thetaR;判断是否成立,若成立,令否则,令
(B)计算行索引h和列索引l,其中,
(C)计算行方向的投票权重a和列方向的投票权重b,其中,
(D)利用双线性差值和当前投影点周围的四个网格节点的投票权重计算当前投影点的位置;
(E)根据步骤(D)计算投影点周围的四个网格节点形成的区域内的投影点个数;
(F)当所有投影点投票结束后,对S矩阵中的元素进行平均,得到特征统计矩阵。
7.根据权利要求6所述的方法,其特征在于:步骤(D)根据以下公式计算:
式中:为点的法向量在点fi所在切平面的投影。
8.根据权利要求5所述的方法,其特征在于:所述DCT变换和DFT变换的方法为:首先对特征统计矩阵S的行向量进行DCT变换,用DCT变换后的行向量替换原始S矩阵中的行向量,得到新的S矩阵,然后对新的S矩阵的列向量进行DFT变换,DFT变换后的结果是复数,将变换后复数的模作为新的列向量元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310737477.3A CN103745459B (zh) | 2013-12-26 | 2013-12-26 | 一种非结构化点云特征点检测方法及其提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310737477.3A CN103745459B (zh) | 2013-12-26 | 2013-12-26 | 一种非结构化点云特征点检测方法及其提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103745459A CN103745459A (zh) | 2014-04-23 |
CN103745459B true CN103745459B (zh) | 2017-01-18 |
Family
ID=50502474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310737477.3A Active CN103745459B (zh) | 2013-12-26 | 2013-12-26 | 一种非结构化点云特征点检测方法及其提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103745459B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106031644A (zh) * | 2015-03-11 | 2016-10-19 | 青岛海信医疗设备股份有限公司 | 一种超声检测方法及主控制器 |
CN106204705B (zh) * | 2016-07-05 | 2018-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
CN106373118B (zh) * | 2016-08-30 | 2017-09-22 | 华中科技大学 | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 |
CN107689048B (zh) * | 2017-09-04 | 2022-05-31 | 联想(北京)有限公司 | 一种检测图像特征点的方法及一种服务器集群 |
EP3769530A1 (en) * | 2018-03-20 | 2021-01-27 | PCMS Holdings, Inc. | System and method for optimizing dynamic point clouds based on prioritized transformations |
CN108961271B (zh) * | 2018-06-27 | 2022-01-07 | 西安工程大学 | 一种彩色3d点云超体素凹凸分割算法 |
CN109697733A (zh) * | 2018-12-26 | 2019-04-30 | 广州文远知行科技有限公司 | 点云空间寻点方法、装置、计算机设备和存储介质 |
CN112101229B (zh) * | 2020-09-16 | 2023-02-24 | 云南师范大学 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
CN112232248B (zh) * | 2020-10-22 | 2023-04-07 | 中国人民解放军战略支援部队信息工程大学 | 一种多线LiDAR点云数据平面特征的提取方法及装置 |
CN112750144B (zh) * | 2020-12-28 | 2023-03-28 | 西安理工大学 | 点云匹配中一种基于特征直方图的点云特征提取方法 |
CN113111548B (zh) * | 2021-03-27 | 2023-07-21 | 西北工业大学 | 一种基于周角差值的产品三维特征点提取方法 |
CN113435256B (zh) * | 2021-06-04 | 2022-04-26 | 华中科技大学 | 一种基于几何一致性约束的三维目标识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510308A (zh) * | 2009-03-26 | 2009-08-19 | 山东理工大学 | 产品模型点云边界特征快速提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639042B2 (en) * | 2010-06-22 | 2014-01-28 | Microsoft Corporation | Hierarchical filtered motion field for action recognition |
-
2013
- 2013-12-26 CN CN201310737477.3A patent/CN103745459B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510308A (zh) * | 2009-03-26 | 2009-08-19 | 山东理工大学 | 产品模型点云边界特征快速提取方法 |
Non-Patent Citations (4)
Title |
---|
A Fast and Accurate Interest Points Detection Algorithm on 3D Meshes using Extension of Harris Operator Combined with Hilbert Scanning Distance;Tibyani Tibyani等;《2012 IEEE Symposium on Industrial Electronics and Applications (ISIEA2012)》;20120926;第367-371页 * |
Harris 3D:a robust extension of the Harris operator for interest point detection on 3D meshes;Ivan Sipiran等;《The Visual Computer》;20111130;第27卷(第11期);第963-976页 * |
一种改进的Harris多尺度角点检测算法;温文雅;《重庆理工大学学报(自然科学)》;20120831;第26卷(第8期);第94-97、122页 * |
一种改进的多尺度Harris特征点检测方法;徐贤锋等;《计算机工程》;20120930;第38卷(第17期);第174-177页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103745459A (zh) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103745459B (zh) | 一种非结构化点云特征点检测方法及其提取方法 | |
Wu et al. | An extended minimum spanning tree method for characterizing local urban patterns | |
CN102945569B (zh) | 一种基于热核信号的三维模型对称性分析方法 | |
CN105405133B (zh) | 一种遥感影像变化检测方法 | |
CN103927511B (zh) | 基于差异特征描述的图像识别方法 | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN106250895A (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN104504709B (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
CN104090972A (zh) | 用于三维城市模型检索的图像特征提取和相似性度量方法 | |
Yu et al. | Rotation-invariant object detection in high-resolution satellite imagery using superpixel-based deep Hough forests | |
CN103489191B (zh) | 一种遥感图像显著目标变化检测方法 | |
CN104881671A (zh) | 一种基于2D-Gabor的高分遥感影像局部特征提取方法 | |
CN107885787A (zh) | 基于谱嵌入的多视角特征融合的图像检索方法 | |
Chen et al. | Measuring the effectiveness of various features for thematic information extraction from very high resolution remote sensing imagery | |
Wang et al. | The isotropic organization of DEM structure and extraction of valley lines using hexagonal grid | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
CN106897722A (zh) | 一种基于区域形状特征的商标图像检索方法 | |
CN105678047A (zh) | 融合经验模态分解降噪和复杂网络分析的风场表征方法 | |
Guo et al. | Exploring GIS knowledge to improve building extraction and change detection from VHR imagery in urban areas | |
CN116008671A (zh) | 一种基于时差和聚类的闪电定位方法 | |
Ji et al. | A divisive hierarchical clustering approach to hyperspectral band selection | |
Yang et al. | Extracting buildings from airborne laser scanning point clouds using a marked point process | |
CN102982552B (zh) | 一种基于里奇流的表面配准方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210621 Address after: 2105, Haowei technology building, No.2, Keji South 8th Road, high tech community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Patentee after: SHENZHEN LIAORAN VISION TECHNOLOGY Co.,Ltd. Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28 Patentee before: XI'AN JIAOTONG University |