CN103810747A - 基于二维主流形的三维点云物体形状相似性比较方法 - Google Patents
基于二维主流形的三维点云物体形状相似性比较方法 Download PDFInfo
- Publication number
- CN103810747A CN103810747A CN201410042334.5A CN201410042334A CN103810747A CN 103810747 A CN103810747 A CN 103810747A CN 201410042334 A CN201410042334 A CN 201410042334A CN 103810747 A CN103810747 A CN 103810747A
- Authority
- CN
- China
- Prior art keywords
- main flow
- flow shape
- point cloud
- dimensional
- shape
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种可降低计算复杂度、提高计算效率、对三维点云的分辨率和噪音等干扰因素具有较高健壮性的基于二维主流形的三维点云物体形状相似性比较方法,按照如下步骤进行:以球参数域上的二次曲面网格逼近三维点云物体形状的二次主流形;对所逼近的二次曲面网格进行优化;对优化的二次曲面网格进行三维空间几何变换,将待测物体与库存物体的二次曲面网格极轴对齐;利用ICNP迭代比较极轴对齐的两个二次曲面网格,进行精准对齐,对齐误差为两个三维点云物体形状相似精度。
Description
技术领域
本发明涉及一种三维物体点云处理技术,尤其是一种可降低计算复杂度、提高计算效率、对三维点云的分辨率和噪音等干扰因素具有较高健壮性的基于二维主流形的三维点云物体形状相似性比较方法。
背景技术
三维形状检索即对每个三维模型建立形状特征描述符,比较形状特征描述向量,得到模型之间的形状差异距离,以实现分类检索。三维模型的形状描述及匹配的实质是将多个局部空间的三维数据统一到世界坐标系中,然后基于几何学与统计学的算法,寻找模型之间的最优变换以及最小化模型点集之间的距离。由于三维点云物体形状空间分布不均匀且无序,给三维形状带来困难,现有的三维形状描述方法有基于直方图、基于变换、基于二维视角以及基于图等几类。
主流形是嵌入高维空间的非欧氏低维流形,即点集的非线性主成分和子空间的概括,在分子生物学分析、动态系统分析等领域应用比较广泛。1984年Hastie将穿过数据中心的平滑曲线或曲面定义为主流形曲线或曲面,主流形上的每个点都是该点在原始点集中的局部平均,不同于其他的非线性扩展,主流形具有形式简单、自身一致性、几何解释清晰等特点。常用的线性降维方法PCA在处理多元正态分布的椭圆分布数据效果较好,但对一般的非线性数据结构的效果比较差,比如二次、三次或高次多项式数据;同时,线性的主成分分析受随机扰动的影响也比较大。而以二次主流形应用于非线性主成分分析方法,可较好地回避了上述缺陷,并能够消除高维数据的统计冗余,降低了数据信息的损失。
但是,迄今为止还没有关于基于二维主流形对三维点云物体形状进行描述及匹配的相关报道。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种可降低计算复杂度、提高计算效率、对三维点云的分辨率和噪音等干扰因素具有较高健壮性的基于二维主流形的三维点云物体形状相似性比较方法。
本发明的技术解决方案是:一种基于二维主流形的三维点云物体形状相似性比较方法,其特征在于按照如下步骤进行:
a. 以球参数域上的二次曲面网格逼近三维点云物体形状的二次主流形;
b. 对所逼近的二次曲面网格进行优化;
c. 对优化的二次曲面网格进行三维空间几何变换,将待测物体与库存物体的二次曲面网格极轴对齐;
d. 利用ICNP迭代比较极轴对齐的两个二次曲面网格,进行精准对齐,对齐误差为两个三维点云物体形状相似精度。
所述a步骤如下:对于三维点云模型的顶点集合P={p i, i=1, 2, …, m},进行主成分分析,得到P的第一、第二和第三主轴Ψ 1 、Ψ 2 、Ψ 3,以三个主轴为轴构建椭球面;以Ψ 3与椭球的两个交点为极点,以Ψ 1 、Ψ 2形成的主椭圆为赤道,以椭球面的经度和纬度方向为参数(λ1, λ2)的方向,沿(λ1, λ2)进行均匀的20*20采样;以20*20的采样点为结点集合V,在采样点间沿参数(λ1, λ2)方向顺次连接,构造边的集合,记作E,从而得到封闭的二维主流形的逼近网格M G ,记为M G ={V, E}。
所述 b步骤如下:二维主流形的逼近网格M G ={V, E},V={v i , i=1, 2, …, t}为M G 的结点集合,E={e i , i=1, 2, …, s}为M G 的无向边集合;设边e i 的一个相邻边为e k ,则定义结构R i ={e i , e k },将所有结构的集合记为R={R i , i=1, 2, …, r};对于给定三维模型,其顶点集合P={p i , i=1, 2, …, m},根据点p i 距离M G 上t个结点中的结点v i 距离最近的分类原则,将集合P划分为t个子集,记为K={K i ,i=1, 2, …, t},其中K i ={p j :||p j -v i ||≤||p j -v a ||, a=1, 2, …, i-1, i+1,…,t; j=1, 2, …, m },令:
其中w j 为点p j 的权重,λ i 为边e i 的权重,μ i 为R i 的权重,w j 、λ i 、μ i 为常参数,令U=U Y +U E +U R ,最小化U,得到更新后的点集V,迭代进行该过程,直到U的变化小于给定阈值,此时M G 即为三维模型顶点集合P的二维主流形优化逼近;这里U Y 控制二维主流形的宏观位置,U E 控制二维主流形的面积,U R 控制二维主流形的平滑性。
所述c步骤如下:待测物体和库存物体主流形的优化二次曲面网格分别为M G 和M G ’,分别连接它们的两个极点p1和p2、p1’和p2’作为它们各自的极轴,记为L、L’;平移主流形网格M G ,使其极点p1与M G ’的极点p1’对齐;旋转主流形网格M G ,使其极轴L与与M G ’的极轴L’重合;以p1为缩放中心、以L’/L为缩放系数对M G 缩放,使M G 的极点p2与M G ’的极点p2’重合。
所述d步骤如下:对于经过粗对齐的两个主流形网格M G 和M G ’,首先对M G 中的每一个结点v i ,在M G ’中寻找与其欧式距离最小的点,其中,这里;然后在以为中心的邻域点集内,迭代寻找与v i 法向夹角最小值的点,其中,Ω为相应邻域内的点在原点集中的索引值集合,αi和βj分别为点v i 和的单位法向量,将记作的CNP,对M G 进行平移旋转变换以减小和的距离总和,即最小化目标函数。
使用奇异值分解(SVD,Singular Value Decomposition)计算最优旋转矩阵R以及平移矩阵T,使F(R,T)取得最小值;反复迭代此过程,直到两次迭代的F(R,T)的差异小于一个阈值,则迭代结束,算法取得了最优旋转矩阵R0和平移矩阵T0;记d(M G , M G ’)=F(R0,T0),令d(M G , M G ’)为两个二维主流形的二次逼近曲面的形状相似测度。
本发明是以二次曲面网格优化逼近三维点云模型的二维主流形,在位于球面参数域的均匀有序网格上建立了空间分布不均匀且无序的三维点云模型的形状描述,降低计算复杂度;以三维平移、旋转和缩放等基本几何变换,将待测物体及库存物体的两个二次曲面网格的极轴对齐,作为初始粗对,提高了计算效率;以ICNP迭代比较两个二次曲面网格,实现快速精准对齐;本发明同时对三维点云的分辨率和噪音等干扰因素具有较高的健壮性。
具体实施方式
a. 以球参数域上的二次曲面网格逼近三维点云物体形状的二次主流形;
三维点云模型存在有限的二阶矩,故定义三维点云模型的一维主流形和二维主流形(或主曲面)。二维主流形由两个参数(λ1, λ2)控制生成,可表示为G(λ1, λ2)={G1(λ1, λ2), G2(λ1, λ2), …, Gr(λ1, λ2)},二维主流形上的点同样是原始投影点的局部均值,可最小化重构误差。对于三维点云模型输入的点集合P={p i, i=1, 2, …, m},给出球形拓扑点云二维主流体的二次曲面逼近网格构建算法描述如下:
Step 1:对其进行主成分分析PCA,得到P的第一、第二和第三主轴Ψ 1、Ψ 2、Ψ 3,以三个主轴为轴构建椭球面;
Step 2:以Ψ3与椭球的两个交点为极点,以Ψ 1、Ψ 2形成的主椭圆为赤道,以椭球面的经度和纬度方向为参数(λ1, λ2)的方向,沿(λ1, λ2)进行均匀的20*20采样;
Step 3:以20*20的采样点为结点集合V、在采样点间沿参数(λ1, λ2)方向顺次连接,构造边的集合,记作E,从而得到封闭的二维主流形的逼近网格M G ,记为M G ={V, E}。
b. 对所逼近的二次曲面网格进行优化;
对于主流形的初始网格M G ={V, E},V={v i, i=1, 2, …, t}为M G 的结点集合,E={e i , i=1, 2, …, s}为M G 的无向边集合;设边e i的一个相邻边为e k,则定义结构R i ={ e i , e k},将所有结构的集合记为R={R i , i=1, 2, …, r};
对于给定三维模型,令其顶点集合P={p i, i=1, 2, …, m},根据点p i 距离M G 上t个结点中的结点v i距离最近的分类原则,将集合P划分为t个子集,记为K={Ki, i=1, 2, …, t},其中Ki={p j:||p j-v i||≤||p j-v a||, a=1, 2, …, i-1, i+1,…,t; j=1, 2, …, m }。令:
其中w j为点p j的权重,λ i为边e i 的权重,μ i 为R i 的权重,w j 、λ i 、μ i 为常参数。令U=U Y +U E +U R ,最小化U,得到更新后的点集V,迭代进行该过程,直到U的变化小于给定阈值,此时图M G 即为三维模型顶点集合P的二维主流形优化逼近。这里U Y 控制二维主流形的宏观位置,U E 控制二维主流形的面积,U R 控制二维主流形的平滑性。二维主流形表现为封闭的二次曲面网格,可以精确地描述三维模型的整体形状特征。
c. 对优化的二次曲面网格进行三维空间几何变换,将待测物体与库存物体的二次曲面网格极轴对齐;
对于需要比较的待测和库存两个三维点云物体,设其主流形的初始网格分别为M G 和M G ’,为比较二者的形状差异,首先通过简单的平移、旋转和缩放等基本几何变化、简单快速地消除三维模型数据点集之间的位置和姿态差异,为后续基于ICNP的精准对齐提供好的初始条件,并降低ICNP的迭代次数、提高对齐精准度,此过程称为粗对齐,具体步骤如下:
Step 1: 分别连接它们的两个极点p1和p2、p1’和p2’作为它们各自的极轴,记为L、L’;
Step 2: 平移主流形网格M G ,使其极点p1与M G ’的极点p1’对齐;
Step 3: 旋转主流形网格M G ,使其极轴L与与M G ’的极轴L’重合;
Step 4: 以p1为缩放中心、以L’/L为缩放系数对M G 缩放,使M G 的极点p2与M G ’的极点p2’重合。
至此完成基于基本几何变换的主流形网格粗对齐。
d. 利用ICNP迭代比较极轴对齐的两个二次曲面网格,进行精准对齐,对齐误差为两个三维点云物体形状相似精度;
ICNP算法是ICP算法一种改进,同样通过反复迭代以确定模型之间最佳刚性变换。与ICP不同,ICNP在寻找最近点时考虑法向夹角,迭代过程中利用了更多的几何信息,故所得的对齐结果更加精准。具体过程如下:
所述d步骤如下:
对于经过粗对齐的两个主流形网格M G 和M G ’,首先对M G 中的每一个结点v i ,在M G ’中寻找与其欧式距离最小的点,其中,这里;然后在以为中心的邻域点集内,迭代寻找与v i 法向夹角最小值的点,其中,Ω为相应邻域内的点在原点集中的索引值集合,αi和βj分别为点v i 和的单位法向量,将记作的CNP,对M G 进行平移旋转变换以减小和的距离总和,即最小化目标函数。
使用奇异值分解(SVD,Singular Value Decomposition)计算最优旋转矩阵R以及平移矩阵T,使F(R,T)取得最小值。反复迭代此过程,直到两次迭代的F(R,T)的差异小于一个阈值,则迭代结束,算法取得了最优旋转矩阵R0和平移矩阵T0。记d(M G , M G ’)=F(R0,T0),令d(M G , M G ’)为两个二维主流形的二次逼近曲面的形状相似测度,显然d(M G , M G ’)越小,两个二维主流形之间形状差异就越小,对应的两个三维点云模型的形状相似度就越高。
Claims (5)
1.一种基于二维主流形的三维点云物体形状相似性比较方法,其特征在于按照如下步骤进行:
a. 以球参数域上的二次曲面网格逼近三维点云物体形状的二次主流形;
b. 对所逼近的二次曲面网格进行优化;
c. 对优化的二次曲面网格进行三维空间几何变换,将待测物体与库存物体的二次曲面网格极轴对齐;
d. 利用ICNP迭代比较极轴对齐的两个二次曲面网格,进行精准对齐,对齐误差为两个三维点云物体形状相似精度。
2.根据权利要求1所述的基于二维主流形的三维点云物体形状相似性比较方法,其特征在于所述a步骤如下:对于三维点云模型的顶点集合P={p i, i=1, 2, …, m},进行主成分分析,得到P的第一、第二和第三主轴Ψ 1 、Ψ 2 、Ψ 3,以三个主轴为轴构建椭球面;以Ψ 3与椭球的两个交点为极点,以Ψ 1 、Ψ 2形成的主椭圆为赤道,以椭球面的经度和纬度方向为参数(λ1, λ2)的方向,沿(λ1, λ2)进行均匀的20*20采样;以20*20的采样点为结点集合V,在采样点间沿参数(λ1, λ2)方向顺次连接,构造边的集合,记作E,从而得到封闭的二维主流形的逼近网格M G ,记为M G ={V, E}。
3.根据权利要求2所述的基于二维主流形的三维点云物体形状相似性比较方法,其特征在于所述 b步骤如下:二维主流形的逼近网格M G ={V, E},V={v i , i=1, 2, …, t}为M G 的结点集合,E={e i , i=1, 2, …, s}为M G 的无向边集合;设边e i 的一个相邻边为e k ,则定义结构R i ={e i , e k },将所有结构的集合记为R={R i , i=1, 2, …, r};对于给定三维模型,其顶点集合P={p i , i=1, 2, …, m},根据点p i 距离M G 上t个结点中的结点v i 距离最近的分类原则,将集合P划分为t个子集,记为K={K i ,i=1, 2, …, t},其中K i ={p j :||p j -v i ||≤||p j -v a ||, a=1, 2, …, i-1, i+1,…,t; j=1, 2, …, m },令:
其中w j 为点p j 的权重,λ i 为边e i 的权重,μ i 为R i 的权重,w j 、λ i 、μ i 为常参数,令U=U Y +U E +U R ,最小化U,得到更新后的点集V,迭代进行该过程,直到U的变化小于给定阈值,此时M G 即为三维模型顶点集合P的二维主流形优化逼近;这里U Y 控制二维主流形的宏观位置,U E 控制二维主流形的面积,U R 控制二维主流形的平滑性。
4.根据权利要求3所述的基于二维主流形的三维点云物体形状相似性比较方法,其特征在于所述c步骤如下:待测物体和库存物体主流形的优化二次曲面网格分别为M G 和M G ’,分别连接它们的两个极点p1和p2、p1’和p2’作为它们各自的极轴,记为L、L’;平移主流形网格M G ,使其极点p1与M G ’的极点p1’对齐;旋转主流形网格M G ,使其极轴L与与M G ’的极轴L’重合;以p1为缩放中心、以L’/L为缩放系数对M G 缩放,使M G 的极点p2与M G ’的极点p2’重合。
5.根据权利要求4所述的基于二维主流形的三维点云物体形状相似性比较方法,其特征在于所述d步骤如下:对于经过粗对齐的两个主流形网格M G 和M G ’,首先对M G 中的每一个结点v i ,在M G ’中寻找与其欧式距离最小的点,其中,这里;然后在以为中心的邻域点集内,迭代寻找与v i 法向夹角最小值的点,其中,Ω为相应邻域内的点在原点集中的索引值集合,αi和βj分别为点v i 和的单位法向量,将记作的CNP,对M G 进行平移旋转变换以减小和的距离总和,即最小化目标函数;
使用奇异值分解计算最优旋转矩阵R以及平移矩阵T,使F(R,T)取得最小值;反复迭代此过程,直到两次迭代的F(R,T)的差异小于一个阈值,则迭代结束,算法取得了最优旋转矩阵R0和平移矩阵T0;记d(M G , M G ’)=F(R0,T0),令d(M G , M G ’)为两个二维主流形的二次逼近曲面的形状相似测度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410042334.5A CN103810747A (zh) | 2014-01-29 | 2014-01-29 | 基于二维主流形的三维点云物体形状相似性比较方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410042334.5A CN103810747A (zh) | 2014-01-29 | 2014-01-29 | 基于二维主流形的三维点云物体形状相似性比较方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103810747A true CN103810747A (zh) | 2014-05-21 |
Family
ID=50707462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410042334.5A Pending CN103810747A (zh) | 2014-01-29 | 2014-01-29 | 基于二维主流形的三维点云物体形状相似性比较方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810747A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809743A (zh) * | 2016-03-03 | 2016-07-27 | 浙江大学 | 一种基于变换对数空间的对称及orbit检测方法 |
CN108717424A (zh) * | 2018-04-25 | 2018-10-30 | 鹰霆(天津)科技有限公司 | 一种基于分解式图匹配的三维模型检索方法 |
CN109344786A (zh) * | 2018-10-11 | 2019-02-15 | 深圳步智造科技有限公司 | 目标识别方法、装置及计算机可读存储介质 |
CN114596426A (zh) * | 2022-03-14 | 2022-06-07 | 深圳市凌云视迅科技有限责任公司 | 基于点线面几何特征的数模对齐方法及装置 |
CN117456109A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种三维场景轻量化优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232355A1 (en) * | 2008-03-12 | 2009-09-17 | Harris Corporation | Registration of 3d point cloud data using eigenanalysis |
CN101847262A (zh) * | 2010-05-19 | 2010-09-29 | 北京航空航天大学 | 一种快速三维点云搜索匹配方法 |
-
2014
- 2014-01-29 CN CN201410042334.5A patent/CN103810747A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232355A1 (en) * | 2008-03-12 | 2009-09-17 | Harris Corporation | Registration of 3d point cloud data using eigenanalysis |
CN101847262A (zh) * | 2010-05-19 | 2010-09-29 | 北京航空航天大学 | 一种快速三维点云搜索匹配方法 |
Non-Patent Citations (3)
Title |
---|
MOHAMMADZADE H 等: "Iterative closet normal point for 3D face recognition", 《IEEE TRANS. ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
ZINOVYEV ANDREI: "Method and software for fast construction of principal manifolds approximations", 《TECHNICAL REPORT,FRANCE:INSTITUTE OF ADVANCED SCIENTIFIC STUDIES》 * |
张贺 等: "基于点云数据的主成分分析重构表面算法", 《黑龙江工程学院学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809743A (zh) * | 2016-03-03 | 2016-07-27 | 浙江大学 | 一种基于变换对数空间的对称及orbit检测方法 |
CN105809743B (zh) * | 2016-03-03 | 2018-10-26 | 浙江大学 | 一种基于变换对数空间的对称及orbit检测方法 |
CN108717424A (zh) * | 2018-04-25 | 2018-10-30 | 鹰霆(天津)科技有限公司 | 一种基于分解式图匹配的三维模型检索方法 |
CN108717424B (zh) * | 2018-04-25 | 2021-06-11 | 鹰霆(天津)科技有限公司 | 一种基于分解式图匹配的三维模型检索方法 |
CN109344786A (zh) * | 2018-10-11 | 2019-02-15 | 深圳步智造科技有限公司 | 目标识别方法、装置及计算机可读存储介质 |
CN114596426A (zh) * | 2022-03-14 | 2022-06-07 | 深圳市凌云视迅科技有限责任公司 | 基于点线面几何特征的数模对齐方法及装置 |
CN114596426B (zh) * | 2022-03-14 | 2024-04-02 | 深圳市凌云视迅科技有限责任公司 | 基于点线面几何特征的数模对齐方法及装置 |
CN117456109A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种三维场景轻量化优化方法 |
CN117456109B (zh) * | 2023-12-25 | 2024-03-15 | 北京飞渡科技股份有限公司 | 一种三维场景轻量化优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | PUGeo-Net: A geometry-centric network for 3D point cloud upsampling | |
Liu et al. | Relative pose estimation for cylinder-shaped spacecrafts using single image | |
CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
CN111783838A (zh) | 一种用于激光slam的点云特征空间表征方法 | |
CN104019799A (zh) | 一种利用局部参数优化计算基础矩阵的相对定向方法 | |
CN103810747A (zh) | 基于二维主流形的三维点云物体形状相似性比较方法 | |
CN113160287B (zh) | 一种基于特征融合的复杂构件点云拼接方法及系统 | |
US20210390776A1 (en) | Method and apparatus for three-dimensional (3d) object and surface reconstruction | |
Wang et al. | A novel GCN-based point cloud classification model robust to pose variances | |
CN104318552A (zh) | 基于凸包投影图匹配的模型配准方法 | |
CN109862510B (zh) | 一种基于压缩感知的凸区域定位方法 | |
Dong et al. | Probability driven approach for point cloud registration of indoor scene | |
CN110942077A (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN108010114B (zh) | 基本图元点云曲面的几何形状识别方法以及特征识别方法 | |
CN109738852A (zh) | 基于低秩矩阵重建的分布式源二维空间谱估计方法 | |
CN108595373B (zh) | 一种无控制dem配准方法 | |
CN106023314A (zh) | 一种基于回转轴方向映射的b样条母曲线拟合方法 | |
CN104680586A (zh) | 空间任意位置椭球面最小区域拟合方法 | |
Zhang et al. | Pose estimation of space objects based on hybrid feature matching of contour points | |
CN108387897B (zh) | 基于改进高斯牛顿-遗传混合算法的弹体定位方法 | |
CN106570894B (zh) | 基于g-w距离的3d图形匹配方法 | |
Shang et al. | Coaxiality prediction for aeroengines precision assembly based on geometric distribution error model and point cloud deep learning | |
CN117541614B (zh) | 基于改进icp算法的空间非合作目标近距离相对位姿跟踪方法 | |
Cheng et al. | LESC: Superpixel cut‐based local expansion for accurate stereo matching | |
Huang et al. | Skeleton-based coordinate system construction method for non-cooperative targets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140521 |