CN104063898B - 一种三维点云自动补全方法 - Google Patents
一种三维点云自动补全方法 Download PDFInfo
- Publication number
- CN104063898B CN104063898B CN201410308951.5A CN201410308951A CN104063898B CN 104063898 B CN104063898 B CN 104063898B CN 201410308951 A CN201410308951 A CN 201410308951A CN 104063898 B CN104063898 B CN 104063898B
- Authority
- CN
- China
- Prior art keywords
- point
- block
- source block
- radius
- point cloud
- 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
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种三维点云自动补全方法,包括以下步骤:S1、基于最后一次回波的点云数据,对三维点云进行缺失边界检测,获取用来反映缺失边界的边缘点;S2、在三维点云中提取与所述边缘点相匹配的点云数据,并将其补入到原始三维点云中的缺失位置,实现对三维点云的补全。本发明基于最后一次回波的点云数据来获取三维点云的缺失边界,并根据缺失边界数据进行三维点云的补全,能够获得完整的三维点云数据,有利于进行三维重建等后续处理;同时,本发明补全精度高,处理速度快。
Description
技术领域
本发明涉及三维点云处理领域,尤其涉及一种三维点云自动补全方法。
背景技术
三维点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合。
随着三维激光扫描技术的快速发展并广泛应用,三维点云数据尤其是包含点云颜色信息的三维彩色点云数据,已经成为了一种重要的记录目标空间分布及表面特性的重要数据形式。
由于在三维点云的获取过程中,被扫描的对象往往会面临被其他对象遮挡的问题,使其被遮挡的部分无法被激光扫到,从而造成这部分的数据缺失。这就使得对点云缺失数据的补全显得尤为重要。由于全波形数据的出现,使得最后一次回波能够成为点云由于遮挡产生的缺失数据位置的指示,为由遮挡产生的缺失数据的检测提供了一种手段。
发明内容
本发明的目的在于提供一种三维点云自动补全方法。
为实现上述目的,本发明采用以下技术方案:
一种三维点云自动补全方法,包括以下步骤:
S1、基于最后一次回波的点云数据,对三维点云进行缺失边界检测,获取用来反映缺失边界的边缘点;
S2、在三维点云中提取与所述边缘点相匹配的点云数据,并将其补入到原始三维点云中的缺失位置,实现对三维点云的补全。
优选地,所述步骤S1具体通过以下方法实现:对最后一次回波的点云数据中的每一个点,在非最后一次回波的点云数据中找出距离该点最近的点作为边缘点,遍历最后一次回波的点云数据中的所有点,获得所有用来反映缺失边界边缘点,然后删除最后一次回波的点云数据。
优选地,所述步骤S2包括以下分步骤:
S21、对步骤S1中得到的每个边缘点,提取与其对应的源块作为该边缘点的周围数据的表达,所述源块定义为以边缘点为中心,块半径r内的所有点的集合;
S22、对步骤S21中得到的每个源块,在三维点云中提取与其相匹配的点云数据,并补入到该源块中。
优选地,所述步骤S22包括以下子步骤:
S221、对步骤S21中得到的每个源块,提取与其对应的扩展块,所述扩展块定义为以该源块的中心点为中心,1倍块半径r到2倍块半径r之间的所有点的集合;
S222、对所述扩展块中的每一个点,提取与其对应的目标块,所述目标块定义为以该点为中心,块半径r内的所有点的集合。
S223、采用迭代最近点方法,将步骤S222中得到的每个目标块分别与对应的源块进行匹配,获得最佳匹配目标块,并获取最佳匹配目标块与源块匹配过程中的变换矩阵,对该变换矩阵求逆获得逆变换矩阵。
S224、计算源块的影响半径,在源块中随机选取一个点,找出到其距离最近的两个点,取这两个点到该点的平均距离,即为该源块的影响半径。
S225、对于每个源块,将其对应的最佳匹配目标块通过逆变换矩阵变换形成要补入源块中的数据集,对于该数据集中的每一个点,在源块中以影响半径搜索,如果有源块中的点在影响半径内,则该点不加入源块中,如果没有,则将该点加入源块中。
优选地,所述步骤S2还包括以下分步骤:
S23、对于每个源块,根据补入到其内的点云数据,更新其对应的边缘点;
S24、重复步骤S21至步骤S23并循环,直至将三维点云的所有缺失位置补全。
优选地,所述步骤S23包括以下子步骤:
S231、对于每个源块,计算源块中心点到所有补入到该源块内的点的方向向量的平均值作为补全向量,将补全向量的长度归一化为块半径r,找出距离补全向量的终点最近的点p;
S232、计算点p到源块中心点的距离;
S233、判断点p到源块中心点的距离是否大于边缘阈值,若是,则以点p作为新的边缘点,若否,则先计算源块中心点到点p的方向向量,再归一化其长度为块半径r,寻找到该向量最近的点p'作为新的边缘点。
优选地,所述步骤S233中的边缘阈值为2R/3。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:本发明基于最后一次回波的点云数据来获取三维点云的缺失边界,并根据缺失边界数据进行三维点云的补全,能够获得完整的三维点云数据,有利于进行三维重建等后续处理;同时,本发明补全精度高,处理速度快。
附图说明
图1为本发明的工作流程示意图。
图2为本发明步骤S2的流程示意图。
图3显示了边缘点周围数据表达的结果。
图4本发明步骤S22的流程示意图。
图5显示了扩展块和目标块的提取结果。
图6显示了影响半径的计算过程。
图7本发明步骤S23的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
请参阅图1,本发明公开了一种三维点云自动补全方法,其包括以下步骤:
S1、基于最后一次回波的点云数据,对三维点云进行缺失边界检测,获取用来反映缺失边界的边缘点。该步骤具体通过以下方法实现:对最后一次回波的点云数据中的每一个点,在非最后一次回波的点云数据中找出距离该点最近的点作为边缘点,遍历最后一次回波的点云数据中的所有点,获得所有用来反映缺失边界边缘点,,然后删除最后一次回波的点云数据。
根据先知经验,最后一次回波的点云数据中的点的坐标误差比较大,而非最后一次回波的点云数据中的点的误差相对较小,因此,本步骤中选取边缘点的方式既能够较准确的反映出三维点云的缺失边界信息,又能能够有效消除最后一次回波的点云数据所带来的误差。
S2、在三维点云中提取与边缘点相匹配的点云数据,并将其补入到原始三维点云中的缺失位置,实现对三维点云的补全。参考图2所示,该步骤具体通过以下步骤实现:
S21、对步骤S1中得到的每个边缘点,提取与其对应的源块作为该边缘点的周围数据的表达,源块定义为以边缘点为中心,块半径r内的所有点的集合。为了能够更直观的理解本发明,参考图3所示,图中的点f为步骤S1中得到的边缘点,图中的源块S为以点f为中心,块半径r内的所有点的集合。
对于块半径r的值,用户可根据实际情况自行设定,块半径r取值过大,会使得降低点云数据补全的稳健性,取值过小会降低补全处理的效率。在本实施例中,块半径r取值为15cm。
S22、对步骤S21中得到的每个源块,在三维点云中提取与其相匹配的点云数据,并补入到该源块中。
参考图4所示,步骤S22具体通过以下步骤实现:
S221、对步骤S21中得到的每个源块,提取与其对应的扩展块,扩展块定义为以该源块的中心点为中心,1倍块半径r到2倍块半径r之间的所有点的集合。为了便于理解,参考图5所示,点f(边缘点)为源块S的中心点,扩展块D与源块S相对应,扩展块D为以点f为中心,1倍块半径r到2倍块半径r之间的所有点的集合。本领域技术人员应该理解的是,在本发明中所提到“源块”和“目标块”指的是以块半径r为球半径的球形区域内的点的集合,本发明中所提到“扩展块”指的是具有同一球心的两个球形区域(球半径为1倍块半径的球形区域、球半径为2倍块半径的球形区域)之间的点的集合。
S222、对扩展块中的每一个点,提取与其对应的目标块,目标块定义为以该点为中心,块半径r内的所有点的集合。
S223、采用迭代最近点方法,将步骤S222中得到的每个目标块分别与对应的源块进行匹配,获得最佳匹配目标块,并获取最佳匹配目标块与源块匹配过程中的变换矩阵,对该变换矩阵求逆获得逆变换矩阵。
在本实施例中,目标块与源块匹配过程中实际上是源块到目标块的变换过程,其变换矩阵为:
T=t*S*Rx*Ry*Rz
其中,t为平移矩阵,s为放缩矩阵,Rx为绕x轴旋转矩阵,Ry为绕y轴旋转矩阵,Rz为绕z轴旋转矩阵。
S224、计算源块的影响半径,在源块中随机选取一个点,找出到其距离最近的两个点,取这两个点到该点的平均距离,即为该源块的影响半径。参考图6所示,假定在源块中随机选取的点为点q,与点q距离最近的两个点为点q1、q2,则分别计算点q1到点q的距离d1、点q2到点q的距离d2,然后计算d1和d2的平均值,即为该源块的影响半径。
S225、对于每个源块,将其对应的最佳匹配目标块通过逆变换矩阵变换形成要补入源块中的数据集,对于该数据集中的每一个点,在源块中以影响半径搜索,如果有源块中的点在影响半径内,则该点不加入源块中,如果没有,则将该点加入源块中。
S23、对于每个源块,根据补入到其内的点云数据,更新其对应的边缘点。
参考图7所示,步骤S23具体通过以下步骤实现:
S231、对于每个源块,计算源块中心点到所有补入到该源块内的点的方向向量的平均值作为补全向量,将补全向量的长度归一化为块半径r,找出距离补全向量的终点最近的点p。
S232、计算点p到源块中心点的距离。
S233、判断点p到源块中心点的距离是否大于边缘阈值,若是,则以点p作为新的边缘点,若否,则先计算源块中心点到点p的方向向量,再归一化其长度为块半径r,寻找到该向量最近的点p'作为新的边缘点。寻找点p'作为新的边缘点,是为了解决源块中具有不同的表面特征,其平均方向偏差较大,检测到的点p距离中心点较近的情况。在本实施例中,边缘阈值取值为2R/3。
S24、重复步骤S21至步骤S23并循环,直至将三维点云的所有缺失位置补全。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种三维点云自动补全方法,其特征在于,包括以下步骤:
S1、对最后一次回波的点云数据中的每一个点,在非最后一次回波的点云数据中找出距离该点最近的点作为边缘点,遍历最后一次回波的点云数据中的所有点,获得所有用来反映缺失边界的 边缘点,然后删除最后一次回波的点云数据;
S2、在三维点云中提取与所述边缘点相匹配的点云数据,并将其补入到原始三维点云中的缺失位置,实现对三维点云的补全,具体为,
S21、对步骤S1中得到的每个边缘点,提取与其对应的源块作为该边缘点的周围数据的表达,所述源块定义为以边缘点为中心,块半径r内的所有点的集合;
S22、对步骤S21中得到的每个源块,在三维点云中提取与其相匹配的点云数据,并补入到该源块中;
S23、对于每个源块,根据补入到其内的点云数据,更新其对应的边缘点;
S24、重复步骤S21至步骤S23并循环,直至将三维点云的所有缺失位置补全。
2.如权利要求1所述的一种三维点云自动补全方法,其特征在于,所述步骤S22包括以下子步骤:
S221、对步骤S21中得到的每个源块,提取与其对应的扩展块,所述扩展块定义为以该源块的中心点为中心,1倍块半径r到2倍块半径r之间的所有点的集合;
S222、对所述扩展块中的每一个点,提取与其对应的目标块,所述目标块定义为以该点为中心,块半径r内的所有点的集合;
S223、采用迭代最近点方法,将步骤S222中得到的每个目标块分别与对应的源块进行匹配,获得最佳匹配目标块,并获取最佳匹配目标块与源块匹配过程中的变换矩阵,对该变换矩阵求逆获得逆变换矩阵;
S224、计算源块的影响半径,在源块中随机选取一个点,找出到其距离最近的两个点,取这两个点到该点的平均距离,即为该源块的影响半径;
S225、对于每个源块,将其对应的最佳匹配目标块通过逆变换矩阵变换形成要补入源块中的数据集,对于该数据集中的每一个点,在源块中以影响半径搜索,如果有源块中的点在影响半径内,则该点不加入源块中,如果没有,则将该点加入源块中。
3.如权利要求1所述的一种三维点云自动补全方法,其特征在于,所述步骤S23包括以下子步骤:
S231、对于每个源块,计算源块中心点到所有补入到该源块内的点的方向向量的平均值作为补全向量,将补全向量的长度归一化为块半径r,找出距离补全向量的终点最近的点p;
S232、计算点p到源块中心点的距离;
S233、判断点p到源块中心点的距离是否大于边缘阈值,若是,则以点p作为新的边缘点,若否,则先计算源块中心点到点p的方向向量,再归一化其长度为块半径r,寻找到该向量最近的点p'作为新的边缘点。
4.如权利要求3所述的一种三维点云自动补全方法,其特征在于,所述步骤S233中的边缘阈值为2r/3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410308951.5A CN104063898B (zh) | 2014-06-30 | 2014-06-30 | 一种三维点云自动补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410308951.5A CN104063898B (zh) | 2014-06-30 | 2014-06-30 | 一种三维点云自动补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063898A CN104063898A (zh) | 2014-09-24 |
CN104063898B true CN104063898B (zh) | 2017-05-03 |
Family
ID=51551590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410308951.5A Active CN104063898B (zh) | 2014-06-30 | 2014-06-30 | 一种三维点云自动补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063898B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107223268B (zh) * | 2015-12-30 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种三维点云模型重建方法及装置 |
CN106203335B (zh) * | 2016-07-11 | 2019-05-28 | 厦门大学 | 基于三维点云的标志牌可视度评价方法 |
CN107784666B (zh) * | 2017-10-12 | 2021-01-08 | 武汉市工程科学技术研究院 | 基于立体影像的地形地物三维变化检测和更新方法 |
CN108765571A (zh) * | 2018-05-29 | 2018-11-06 | 大连九州创智科技有限公司 | 一种大型料堆点云补全方法 |
CN108765535A (zh) * | 2018-05-30 | 2018-11-06 | 链家网(北京)科技有限公司 | 一种三维点云缺失数据区域的标记方法及装置 |
CN109613557B (zh) * | 2018-11-28 | 2022-04-29 | 南京莱斯信息技术股份有限公司 | 一种补全激光雷达三维点云目标的系统及方法 |
CN110008207B (zh) * | 2019-03-28 | 2020-08-07 | 武汉大学 | 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法 |
CN111383355B (zh) * | 2020-04-03 | 2023-06-27 | 如你所视(北京)科技有限公司 | 三维点云补全方法、装置和计算机可读存储介质 |
CN111783798B (zh) * | 2020-07-01 | 2023-09-15 | 北京大学深圳研究生院 | 基于显著性特征的模拟残缺点云的遮罩生成方法 |
CN111861941B (zh) * | 2020-07-31 | 2024-03-22 | 富德康(北京)科技股份有限公司 | 一种三维空间测量结果数据的补偿算法 |
CN112215881A (zh) * | 2020-10-12 | 2021-01-12 | 北京大学深圳研究生院 | 一种衡量缺失点云覆盖度的点云补全测评方法 |
CN112258651B (zh) * | 2020-10-20 | 2024-03-22 | 河北农业大学 | 一种遮挡情况下奶牛体表点云三维重建方法 |
CN112529952B (zh) * | 2020-12-15 | 2023-11-14 | 武汉万集光电技术有限公司 | 物体体积测量方法、装置及电子设备 |
CN112765304B (zh) * | 2021-04-06 | 2021-07-06 | 平安科技(深圳)有限公司 | polyline边界散点的自动补全方法、装置及相关设备 |
CN114310875B (zh) * | 2021-12-20 | 2023-12-05 | 珠海格力智能装备有限公司 | 一种曲轴定位识别方法、装置、存储介质和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127123A (zh) * | 2007-09-11 | 2008-02-20 | 东南大学 | 三维扫描点云中基于神经网络的标志点孔洞的填补方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014020529A1 (en) * | 2012-08-02 | 2014-02-06 | Earthmine, Inc. | Three-dimensional plane panorama creation through hough-based line detection |
-
2014
- 2014-06-30 CN CN201410308951.5A patent/CN104063898B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127123A (zh) * | 2007-09-11 | 2008-02-20 | 东南大学 | 三维扫描点云中基于神经网络的标志点孔洞的填补方法 |
Non-Patent Citations (2)
Title |
---|
PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing;Connelly Barnes等;《ACM Transactions on Graphics-TOG》;20091231;第28卷;第1-10页 * |
基于径向基函数的散乱点云孔洞修复算法;晏海平 等;《计算机工程与设计》;20140430;第35卷(第4期);第1253-1257段 * |
Also Published As
Publication number | Publication date |
---|---|
CN104063898A (zh) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063898B (zh) | 一种三维点云自动补全方法 | |
US11170558B2 (en) | Automatic rigging of three dimensional characters for animation | |
CN104933755B (zh) | 一种静态物体重建方法和系统 | |
US11900557B2 (en) | Three-dimensional face model generation method and apparatus, device, and medium | |
CN111035115B (zh) | 一种基于3d视觉鞋底涂胶路径规划方法和装置 | |
CN104899563A (zh) | 一种二维人脸关键特征点定位方法及系统 | |
CN110348496B (zh) | 一种人脸图像融合的方法及系统 | |
CN103606190A (zh) | 单张人脸正面照片自动转换为三维人脸模型的方法 | |
CN109746916B (zh) | 一种机器人书写书法的方法及系统 | |
CN102346913B (zh) | 一种图像的多边形模型的简化方法 | |
CN104573634A (zh) | 一种三维人脸识别方法 | |
CN101814196A (zh) | 基于图片的三维动漫玩具设计方法 | |
CN107730587A (zh) | 一种基于图片快速三维化交互式建模方法 | |
CN105261062A (zh) | 一种人物分段建模方法 | |
CN112270332A (zh) | 一种基于子流稀疏卷积的三维目标检测方法及系统 | |
CN103745209A (zh) | 一种人脸识别方法及系统 | |
CN104157002A (zh) | 一种基于色彩空间变换的彩色图像纹理力触觉再现方法 | |
CN112749611B (zh) | 人脸点云模型生成方法及装置、存储介质、电子设备 | |
CN105469103A (zh) | 基于低质量grb-d数据的场景恢复方法及装置 | |
CN108655571A (zh) | 一种数控激光雕刻机、控制系统及控制方法、计算机 | |
CN104992176B (zh) | 一种面向碑文的汉字提取方法 | |
CN114782645A (zh) | 虚拟数字人制作方法、相关设备及可读存储介质 | |
CN107123138A (zh) | 基于vanilla‑R点对剔除策略的点云配准算法 | |
CN108510591A (zh) | 一种基于非局部均值与双边滤波的改进泊松曲面重建方法 | |
JP2011258036A (ja) | 3次元形状検索装置、3次元形状検索方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210721 Address after: 361000 Floor 9, No. 171, Tapu East Road, Siming District, Xiamen City, Fujian Province Patentee after: Xiamen Sizhong Construction Co.,Ltd. Address before: 361000 Siming South Road, Xiamen, Fujian Province, No. 422 Patentee before: XIAMEN University |