CN104143210B - 一种多尺度法向特征点云配准方法 - Google Patents

一种多尺度法向特征点云配准方法 Download PDF

Info

Publication number
CN104143210B
CN104143210B CN201410373145.6A CN201410373145A CN104143210B CN 104143210 B CN104143210 B CN 104143210B CN 201410373145 A CN201410373145 A CN 201410373145A CN 104143210 B CN104143210 B CN 104143210B
Authority
CN
China
Prior art keywords
point
relation
point cloud
cloud
feature
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
Application number
CN201410373145.6A
Other languages
English (en)
Other versions
CN104143210A (zh
Inventor
陆军
彭仲涛
苏航
夏桂华
蔡成涛
朱齐丹
刘伟
华威
韩吉瑞
方莹
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201410373145.6A priority Critical patent/CN104143210B/zh
Publication of CN104143210A publication Critical patent/CN104143210A/zh
Application granted granted Critical
Publication of CN104143210B publication Critical patent/CN104143210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明涉及一种多尺度法向特征点云配准方法。读入由点云获取设备采集的目标点云和源点云两视角点云;计算点的三个尺度半径邻域的曲率,从目标点云和源点云中抽取关键点;计算每一个关键点在不同尺度半径邻域的法向量角度偏差和曲率,构成关键点的特征描述子,得到目标点云关键点特征向量集和源点云关键点特征向量集;根据关键点特征描述子的相似程度,确定目标点云关键点和源点云关键点的对应关系;去除错误的对应关系,获得精确对应关系;对精确对应关系使用聚类分析方法进行精简,得到分布均匀的对应关系;对最终的对应关系进行奇异值分解得到刚体变换矩阵。本发明特征计算数据量少,计算效率和计算精度高,为实时高精度点云配准奠定了基础。

Description

一种多尺度法向特征点云配准方法
技术领域
[0001] 本发明涉及一种多尺度法向特征点云配准方法。
背景技术
[0002] 三维点云数据配准技术一直是逆向工程、计算机视觉、曲面质量检测及摄影测量 学等领域的研究热点与难点。随着点云数据获取方法越来越简单,成本也越来越低,点云处 理技术在文物保护、考古研究、3D影视、医学、工业等领域得到不断的实践和发展。在三维测 量过程中,受被测物体空间位置、几何外形和测量方式的影响,单视角测量受到限制,设备 仪器需从不同视角对物体定位测量,并且要将多视角测量的结果整合到同一坐标下,点云 配准方法的选择尤为重要。主流的配准方法是通过计算点的特征(比如FPFH,Fast Point Feature Histogram)来寻找对应点,从而获得多视角点云之间的旋转平移关系;还有Besl 等人提出的迭代最近点(ICP,Iterative Closest Point)以及在此基础上的改进算法,通 过迭代采样的方式计算使点之间的欧氏距离达到最小的旋转平移关系。FPFH特征需要计算 任意点以及它的k紧邻点之间两两相互连接的角度特征,计算量比较大,计算效率较低。ICP 对原始点云初始位置要求比较高。并且主流的配准方法在抗噪声性能,配准精度和计算效 率方面都存在不足。
发明内容
[0003] 本发明目的在于提供一种多尺度法向特征点云配准方法,配准精度和计算效率 尚。
[0004] 实现本发明目的技术方案:
[0005] -种多尺度法向特征点云配准方法,其特征在于:
[0006] 步骤1:读入由点云获取设备采集的目标点云和源点云两视角点云;
[0007] 步骤2 :计算点的三个尺度半径邻域的曲率,根据目标函数,从目标点云和源点云 中抽取关键点;
[0008] 步骤3:计算每一个关键点在不同尺度半径邻域的法向量角度偏差和曲率,将其作 为特征分量,构成关键点的特征描述子,从而得到目标点云关键点特征向量集和源点云关 键点特征向量集;
[0009] 步骤4:根据关键点特征描述子的相似程度,初步确定目标点云关键点和源点云关 键点的对应关系;
[0010] 步骤5:去除错误的对应关系,获得精确对应关系;
[0011] 步骤6:对获得的精确对应关系使用聚类分析方法进行精简,得到分布均匀的对应 关系;
[0012] 步骤7:对最终的对应关系进行奇异值分解得到刚体变换矩阵。
[0013] 步骤2中,具体包括以下步骤,
[0014] 步骤2.1:根据不同点云数据选取适当半径r,作为任意一点p的邻域计算半径,计 算点云每一个点P半径为r时邻域的3X3的协方差矩阵E,并计算特征值λη、λ12、λ13,
Figure CN104143210BD00061
[0016] Ε · Vj = Aj · vj, j e {1,2,3}
[0017] 式中,Pi是p半径为r邻域内的点,k是点p半径为r邻域内点的数量,尹表示这个邻 域的质心,λ」、 V1分别是协方差矩阵的特征向量和对应的特征值,j = 1,2,3;
[0018] 步骤2.2:按照步骤2.1计算点p半径为2r时邻域的协方差矩阵,获得特征值λ21、 入22、入23;
[0019] 步骤2.3:按照步骤2.1计算点ρ半径为3r时邻域的协方差矩阵,获得特征值λ31、 入32、入33;
[0020] 步骤2.4:由以上所得的特征值估算曲率,曲率Ci由如下公式所得:
Figure CN104143210BD00062
[0022]由此,得到点云数据中每个点的三个半径的曲率d,C2,C3。选择满足如下关系的点 为特征点,
Figure CN104143210BD00063
[0024] 其中,ε为关键点选择阈值。
[0025] 步骤3中,每一个关键点在原点云中分别以r、2r、3r、4r、5r为半径,按照步骤2.1计 算特征值,按照步骤2.4计算曲率;将最小特征值对应的特征向量作为法向量;以不同邻域 求得的法向量之间的角度变化作为特征,可得到10个角度偏差作为特征分量,如下:
Figure CN104143210BD00064
[0027]以m作为标准,其他法向量与其做差,可得到另外四个向量,计算这四个向量两两 之间角度,可得到6个偏差作为特征分量,如下:
Figure CN104143210BD00065
[0029] 特征分量ciij、特征分量、曲率共同组成每个关键点的特征分量。
[0030] 步骤4中,设定阈值,寻找目标点云中关键点的特征描述子在源点云中最小和次小 欧氏距离的点并计算最小距离与次小距离的比值,小于阈值则认定为对应关系;
[0031]目标点云中关键点特征描述子:Ri= (ril ri2 . . . ri2i)
[0032] 源点云中关键点特征描述子:Sj=(Sjl Sj2 ... Sj21)
[0033] 任意两个特征描述子的相似性度量:
Figure CN104143210BD00066
[0034] 被认定的对应关系,需满足:
Figure CN104143210BD00067
[0036] sm是源点云中与Ri相似性度量最小的特征描述子,Sn是源点云中与Ri相似性度量 次小的特征描述子,0是最小与次小距离比值阈值,▽表示相似性度量阈值;
[0037] 满足条件的特征向量心和Sm对应的关键点被认为是一个对应的关键点对。
[0038] 步骤5中,通过如下方法实现去除错误的对应关系,获得精确对应关系,
[0039] 从已获得的对应关系样本集中随机地选择出一个大小为η的样本子集S,并根据样 本子集评估总样本集参数模型,计算总样本集中的所有对应关系的源点经参数模型变换后 与目标点的距离偏差,如果偏差小于设定的阈值,此对应关系属于模型内样本,否则即为模 型外样本,保存所有内样本;再次随机选择样本子集S,重复上述过程;每一次重复都保存内 样本,并统计内样本数量,直到迭代次数达到设定值,迭代结束;之后,找到内样本个数最大 的参数模型,并令其为最终参数模型,认为此时的内样本为精确的对应关系。
[0040] 步骤6中,通过如下方法实现对获得的精确对应关系进行精简,得到分布均匀的对 应关系;
[0041] 把对应关系中所有源点分离出来组成源点集,任意选曲一个点作为聚类中心,获 取半径为r的邻域内所有点,这个聚类中心和其邻域内所有点被认为属于一类;选取这一类 中的点所在的对应关系中相似程性度量最小的作为这一类的对应关系,在去除这一类所有 点的剩余点集中再次随机选取一个点作为聚类中心,重复上述过程,直到源点集中的点都 被分类;每一类中选取的对应关系被认为最终的对应关系。
[0042] 步骤7中,对最终的对应关系进行奇异值分解得到刚体变换矩阵。
[0043] 对应点协方差矩阵并奇异值分解,获取R (旋转矩阵)、T (平移矩阵)。源点集Μ和目 标点集Ν的质心分别为
Figure CN104143210BD00071
[0045] k是对应关系的数量,Pmi和Pni分别是是对应关系中的源点和目标点。
[0046] 构造矩阵
Figure CN104143210BD00072
[0048] 其中,E为3 X 3矩阵。解E = U Λ VT,得X = UVT,即得:
[0049] R=X,T = Cn-RCm
Figure CN104143210BD00073
[0051] 矩阵TR就是两幅点云之间的刚体变换矩阵。通过刚体变换矩阵就可以将多视角点 云数据共同部分重叠在一起,从而得到完整的物体模型。
[0052] 本发明具有的有益效果:
[0053] 本发明根据不同尺度半径所得到的曲率找到曲面变化程度比较大的点作为关键 点,这些点特征比较明显,可辨识性强,能很好地表现点邻域曲面变化;同时,以关键点在原 点云中的邻域计算法向量以及法向量之间的角度偏差,计算过程简单、计算数据量小。通过 对欧氏距离阈值、最小和次小欧氏距离比阈值法计算的初步对应关系进行两次优化,去除 了错误对应关系,并使得对应关系分布均匀,避免由于对应关系集中导致的局部配准精度 高而整体精度差,使得整体配准精度得到提高。本发明点云配准方法特征计算数据量少,计 算效率和计算精度高,并且能够不依赖点云初始位置、抗噪声能力强,无需二次配准,为实 时高精度点云配准奠定了基础。
附图说明
[0054]图1是三组点云数据原始位置图;
[0055]图2是三种点云关键点分布图;
[0056] 图3是特征向量计算图;
[0057] 图4是对应关系聚类选择图;
[0058]图5是三组点云数据配准结果图;
[0059] 图6是添加噪声后的配准结果图;
[0060] 图7是配准过程及结果参数表。
具体实施方式
[0061] 使用131111117、(1抑8〇11和1^口口5〇^〇1^(11'(^三组点云数据给出实施方式,图1是三组点 云数据初始位置,同一组点云数据中含有两个视角的点云数据。
[0062] 步骤1:输入两幅点云(源点云,目标点云)。读入三维点云获取设备,如激光三角测 距扫描仪采集的点云数据。点云数据必须包含从两个不同视角,并且具有重叠部分的两幅 点云数据。
[0063] 步骤2:计算点的三个尺度半径邻域的曲率,根据目标函数,从目标点云和源点云 中抽取关键点;
[0064] 步骤2.1:根据不同点云数据选取适当半径r,作为任意一点p的邻域计算半径。本 发明中设定r为根据点云中点之间的最小距离2~4倍。计算点云每一个点p半径为r时邻域 的3X3的协方差矩阵E,并计算特征值λη、λ12、λ13,
Figure CN104143210BD00081
[0066] Ε · Vj = Aj · vj, je {1,2,3} (2)
[0067] 此处,Pi是p半径为r邻域内的点,k是点p半径为r邻域内点的数量,F表示这个邻 域的质心,λ」、 V1分别是协方差矩阵的特征向量和对应的特征值,j = 1,2,3;
[0068] 步骤2.2:按照步骤2.1计算点p半径为2r时邻域的协方差矩阵,获得特征值λ21、 人22、人23〇
[0069] 步骤2.3:按照步骤2.1计算点ρ半径为3r时邻域的协方差矩阵,获得特征值λ31、 入32、入33〇
[0070] 步骤2.4:由以上所得的特征值估算曲率,曲率Ci由如下公式所得:
Figure CN104143210BD00082
[0072]由此,得到点云数据中每个点的三个半径的曲率d,C2,C3。选择满足如下关系的点 为特征点。
Figure CN104143210BD00091
[0074] 其中,ε为关键点选择阈值。对于bunny、dragon和happy_backdro三组点云数据,阈 值ε分别为0.1、0.15、0.13,见图7。图2展示了三组点云数据其中一个视角点云关键点分布 情况,由图可以看出被选作关键点的点都是邻域曲面变化剧烈的点。
[0075] 步骤3:计算每一个关键点在不同尺度半径邻域的法向量角度偏差和曲率,将其作 为特征分量,构成关键点的特征描述子,从而得到目标点云关键点特征向量集和源点云关 键点特征向量集;
[0076] 每一个关键点在原点云中分别以r、2r、3r、4r、5 r为半径,按照公式⑴计算协方差 矩阵,求得特征值和特征向量。最小特征值对应的特征向量可以近似为法向量,按照公式 (3)计算曲率。这样每一个关键点拥有五个不同法向量和五个不同的曲率。
[0077] 在图3中每两个法向量之间存在角度偏差,我们以不同邻域求得的法向量之间的 角度变化作为特征。可得到10个角度偏差作为特征分量,如下:
Figure CN104143210BD00092
[0079] 图3中n2-m与n3-m之间存在角度偏差β23,这个偏差表明多个法向量之间三维空间 里的变化情况。以m作为标准,其他法向量与其做差,可得到另外四个向量。计算这四个向 量两两之间角度,因此,可得到6个偏差作为特征分量,如下:
Figure CN104143210BD00093
[0081]曲率变化也是点的基本特征之一,每一个点计算了五个曲率,这样对于每一个关 键点,我们就有了拥有21个特征分量的特征描述子。
[0082] 步骤4:根据关键点特征描述子的相似程度,初步确定目标点云关键点和源点云关 键点的对应关系;
[0083] 设定阈值,寻找目标点云中关键点的特征描述子在源点云中最小和次小欧氏距离 的点,并计算最小距离与次小距离的比值,小于阈值则认定为对应关系。三组点云最小距离 与次小距离的比值阈值和距离阈值如图7所示。
[0084]目标点云中关键点特征描述子:
[0085] Ri= (ril ri2 …ri2i) (7)
[0086] 源点云中关键点特征描述子:
[0087] Sj= (sji sj2 ... sj2i) (8)
[0088] 任意两个特征描述子的相似性度量:
Figure CN104143210BD00094
[0090] 被认定的对应关系,需满足:
Figure CN104143210BD00101
[0092] Sm是源点云中与Ri相似性度量最小的特征描述子,Sn是源点云中与Ri相似性度量 次小的特征描述子,δ是最小与次小距离比值阈值,▽表示相似性度量阈值;满足条件的特 征向量Ri和Sm对应的关键点被认为是一个对应的关键点对。这样,源点云和目标点云的对应 关系被初步确定下来。
[0093] 步骤5:去除错误的对应关系,获得精确对应关系;
[0094] -对对应关系中的两个点,一个称为源点,另一个称为目标点。从已获得的对应关 系样本集中随机地选择出一个大小为η (在三维点云中η多3)的样本子集S,并根据样本子集 评估总样本集参数模型(在点云数据中参数模型是指源点与目标点之间的变换矩阵)。计算 总样本集中的所有对应关系的源点经参数模型变换后与目标点的距离偏差,如果偏差小于 设定的阈值,此对应关系属于模型内样本,否则即为模型外样本,保存所有内样本。再次随 机选择样本子集S,重复上述过程。每一次重复都保存内样本,并统计内样本数量,直到迭代 次数达到设定值,迭代结束。之后,找到内样本个数最大的参数模型,并令其为最终参数模 型,认为此时的内样本为精确的对应关系。
[0095] 步骤6:对获得的精确对应关系使用聚类分析方法进行精简,得到分布均匀的对应 关系;
[0096] 如图4 (a)所示,当0较小时,会出现对应关系都集中在局部区域的现象,这会造成 局部配准精度比较高而整体配准效果比较差。增大δ,降低初步对应关系选择限制,这样对 应关系点云整体范围内分布均匀,如图4 (b)。但是对应关系太多,每一个对应关系之间的误 差都会对配准精度产生影响。提出聚类的方法使得对应关系即得到精简又分布均匀。
[0097] 把对应关系中所有源点分离出来组成源点集,任意选曲一个点作为聚类中心,获 取半径为r的邻域内所有点。这个聚类中心和其邻域内所有点被认为属于一类。选取这一类 中的点所在的对应关系中相似程性度量最小的作为这一类的对应关系。在去除这一类所有 点的剩余点集中再次随机选取一个点作为聚类中心,重复上述过程,直到源点集中的点都 被分类。每一类中选取的对应关系被认为最终的对应关系。如图4 (c),经过聚类分选后对应 关系分布比较均匀,并且对应关系数量较少。
[0098] 步骤7:对最终的对应关系进行奇异值分解得到刚体变换矩阵;
[0099] 求对应点协方差矩阵并奇异值分解,获取R (旋转矩阵)、T (平移矩阵)。源点集Μ和 目标点集Ν的质心分别为
Figure CN104143210BD00102
[0101] k是对应关系的数量,Pmi和Pni分别是是对应关系中的源点和目标点。
[0102] 构造矩阵
Figure CN104143210BD00103
[0104] 解 E = UAVT,得 X = UVT,即得:
[0105] R=X,T = Cn-RCm (13)
Figure CN104143210BD00111
[0107] 矩阵TR就是两幅点云之间的刚体变换矩阵。通过刚体变换矩阵就可以将多视角点 云数据共同部分重叠在一起,从而得到完整的物体模型。
[0108] 图5是三组点云配准结果。由配准结果可以看出使用本发明设计的方法配准结果 精度比较高,图7是配准过程中参数需选择和结果列表,其中显示了配准精度、转换矩阵、配 准时间等。Bunny和dragon两组点云数据量相近,用时大约5秒,happy_backdrop数据量比较 多,用时20秒左右,计算效率也比较高。图6中,(a)添加10%噪声配准结果,(b)添加30%噪 声配准结果,(c)添加50 %噪声配准结果,分别展示了点云添加10 %、30 %、50 %噪声的配准 结果,噪声对配准结果产生了影响,但是配准结果良好。
[0109] 综上可以看出,本发明配准方法无论在精度上,还是在速度上都很理想,在有大量 噪声影响下的配准结果良好,是一种非常好的点云快速高精度抗噪声配准方法。

Claims (7)

1. 一种多尺度法向特征点云配准方法,其特征在于: 步骤1:读入由点云获取设备采集的目标点云和源点云两视角点云; 步骤2:计算点的三个尺度半径邻域的曲率,根据目标函数,从目标点云和源点云中抽 取关键点; 步骤3:计算每一个关键点在不同尺度半径邻域的法向量角度偏差和曲率,将其作为特 征分量,构成关键点的特征描述子,从而得到目标点云关键点特征向量集和源点云关键点 特征向量集; 步骤4:根据关键点特征描述子的相似程度,初步确定目标点云关键点和源点云关键点 的对应关系; 步骤5:去除错误的对应关系,获得精确对应关系; 步骤6:对获得的精确对应关系使用聚类分析方法进行精简,得到分布均匀的对应关 系; 步骤7:对最终的对应关系进行奇异值分解得到刚体变换矩阵。
2. 根据权利要求1所述的多尺度法向特征点云配准方法,其特征在于:步骤2中,具体包 括以下步骤, 步骤2.1:根据不同点云数据选取适当半径r,作为任意一点p的邻域计算半径,计算点 云每一个点P半径为r时邻域的3X3的协方差矩阵E,并计算特征值λη、λ12、λ13,
Figure CN104143210BC00021
式中,?1是?半径为r邻域内的点,k是点ρ半径为r邻域内点的数量,歹表示这个邻域的质 心,\、Vj分别是协方差矩阵的特征向量和对应的特征值,j = 1,2,3; 步骤2.2:按照步骤2.1计算点p半径为2r时邻域的协方差矩阵,获得特征值λ21、λ22、λ 23; 步骤2.3:按照步骤2.1计算点ρ半径为3r时邻域的协方差矩阵,获得特征值λ31、λ32、λ 33; 步骤2.4:由以上所得的特征值估算曲率,曲率ci由如下公式所得:
Figure CN104143210BC00022
由此,得到点云数据中每个点的三个半径的曲率(^,(32,(33,选择满足如下关系的点为特 征点,
Figure CN104143210BC00023
其中,ε为关键点选择阈值。
3. 根据权利要求2所述的多尺度法向特征点云配准方法,其特征在于:步骤3中,每一个 关键点在原点云中分别以1'、21'、31'、41'、51'为半径,按照步骤2.1计算特征值,按照步骤2.4计 算曲率;将最小特征值对应的特征向量作为法向量;以不同邻域求得的法向量之间的角度 变化作为特征,可得到10个角度偏差作为特征分量,如下:
Figure CN104143210BC00024
以m作为标准,其他法向量与其做差,可得到另外四个向量,计算这四个向量两两之间 角度,可得到6个偏差作为特征分量βυ,如下:
Figure CN104143210BC00031
特征分量<^、特征分量曲率共同组成每个关键点的特征分量。
4. 根据权利要求3所述的多尺度法向特征点云配准方法,其特征在于:步骤4中,设定阈 值,寻找目标点云中关键点的特征描述子在源点云中最小和次小欧氏距离的点并计算最小 距离与次小距离的比值,小于阈值则认定为对应关系; 目标点云中关键点特征描述子:Ri= (mri2. . .ri2i) 源点云中关键点特征描述子:Sj=(Sjl Sj2 ... Sj21)
Figure CN104143210BC00032
任意两个特征描述子的相似性度量: 被认定的对应关系,需满足:
Figure CN104143210BC00033
Sm是源点云中与Ri相似性度量最小的特征描述子,Sn是源点云中与Ri相似性度量次小的 特征描述子,δ是最小与次小距离比值阈值,▽表示相似性度量阈值; 满足条件的特征向量R4PSm对应的关键点被认为是一个对应的关键点对。
5. 根据权利要求4所述的多尺度法向特征点云配准方法,其特征在于:步骤5中,通过如 下方法实现去除错误的对应关系,获得精确对应关系; 从已获得的对应关系样本集中随机地选择出一个大小为η的样本子集S,并根据样本子 集评估总样本集参数模型,计算总样本集中的所有对应关系的源点经参数模型变换后与目 标点的距离偏差,如果偏差小于设定的阈值,此对应关系属于模型内样本,否则即为模型外 样本,保存所有内样本;再次随机选择样本子集S,重复上述过程;每一次重复都保存内样 本,并统计内样本数量,直到迭代次数达到设定值,迭代结束;之后,找到内样本个数最大的 参数模型,并令其为最终参数模型,认为此时的内样本为精确的对应关系。
6. 根据权利要求5所述的多尺度法向特征点云配准方法,其特征在于:步骤6中,通过如 下方法实现对获得的精确对应关系进行精简,得到分布均匀的对应关系; 把对应关系中所有源点分离出来组成源点集,任意选曲一个点作为聚类中心,获取半 径为r的邻域内所有点,这个聚类中心和其邻域内所有点被认为属于一类;选取这一类中的 点所在的对应关系中相似程性度量最小的作为这一类的对应关系,在去除这一类所有点的 剩余点集中再次随机选取一个点作为聚类中心,重复上述过程,直到源点集中的点都被分 类;每一类中选取的对应关系被认为最终的对应关系。
7. 根据权利要求6所述的多尺度法向特征点云配准方法,其特征在于:步骤7中,通过如 下方法实现对最终的对应关系的奇异值分解得到刚体变换矩阵,源点集Μ和目标点集N的质 心分别为
Figure CN104143210BC00034
k是对应关系的数量,Pmi和Pni分别是对应关系中的源点和目标点; 构造矩阵
Figure CN104143210BC00041
其中,E为3X3矩阵,解E = UAVT,得X = UVT,即得:
Figure CN104143210BC00042
由此获得了旋转矩阵R、平移矩阵Τ,矩阵TR就是两幅点云之间的刚体变换矩阵。
CN201410373145.6A 2014-07-31 2014-07-31 一种多尺度法向特征点云配准方法 Active CN104143210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410373145.6A CN104143210B (zh) 2014-07-31 2014-07-31 一种多尺度法向特征点云配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410373145.6A CN104143210B (zh) 2014-07-31 2014-07-31 一种多尺度法向特征点云配准方法

Publications (2)

Publication Number Publication Date
CN104143210A CN104143210A (zh) 2014-11-12
CN104143210B true CN104143210B (zh) 2017-04-12

Family

ID=51852378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410373145.6A Active CN104143210B (zh) 2014-07-31 2014-07-31 一种多尺度法向特征点云配准方法

Country Status (1)

Country Link
CN (1) CN104143210B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110246166A (zh) * 2019-06-14 2019-09-17 北京百度网讯科技有限公司 用于处理点云数据的方法和装置

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046694B (zh) * 2015-07-02 2018-08-17 哈尔滨工程大学 一种基于曲面拟合系数特征的点云快速配准方法
CN105118059A (zh) * 2015-08-19 2015-12-02 哈尔滨工程大学 一种多尺度坐标轴夹角特征的点云快速配准方法
CN106250881A (zh) * 2016-08-25 2016-12-21 深圳大学 一种基于三维点云数据的目标识别方法及系统
CN106709943B (zh) * 2017-01-12 2019-09-24 重庆邮电大学 一种基于最优传输的点云配准方法
CN107886529B (zh) * 2017-12-06 2020-04-10 重庆理工大学 一种用于三维重建的点云配准方法
CN108228798B (zh) * 2017-12-29 2021-09-17 百度在线网络技术(北京)有限公司 确定点云数据之间的匹配关系的方法和装置
CN110069041B (zh) * 2018-01-24 2020-09-29 北京理工大学 一种基于在机测量的工件加工方法及系统
CN108376408B (zh) * 2018-01-30 2020-04-03 清华大学深圳研究生院 一种基于曲率特征的三维点云数据快速加权配准方法
CN108830888B (zh) * 2018-05-24 2021-09-14 中北大学 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法
CN109141431A (zh) * 2018-09-07 2019-01-04 北京数字绿土科技有限公司 航带匹配方法、装置、电子设备和可读存储介质
CN109523582B (zh) * 2018-09-10 2021-08-06 中国矿业大学(北京) 一种顾及法向量和多尺度稀疏特征的点云粗配准方法
CN109389625B (zh) * 2018-10-08 2021-09-14 湖南大学 一种基于多尺度描述子筛除误匹配的三维图像配准方法
CN109532021B (zh) * 2018-10-10 2020-08-25 浙江大学 基于结构光线性异常点的3d打印熔积缺陷逐层检测方法
CN109493372B (zh) * 2018-10-24 2021-10-01 华侨大学 大数据量、少特征的产品点云数据快速全局优化配准方法
CN109801316B (zh) * 2018-12-19 2021-02-23 中国农业大学 一种果树树冠三维点云自动化配准方法及重构方法
CN109872352B (zh) * 2018-12-29 2021-02-12 中国科学院遥感与数字地球研究所 基于杆塔特征点的电力巡线LiDAR数据自动配准方法
CN109685841B (zh) * 2019-01-03 2020-09-18 上海狮迈科技有限公司 三维模型与点云的配准方法及系统
CN109767463B (zh) * 2019-01-09 2021-04-13 重庆理工大学 一种三维点云自动配准方法
CN111582293A (zh) * 2019-02-19 2020-08-25 曜科智能科技(上海)有限公司 平面几何一致性检测方法、计算机设备、及存储介质
CN110211167A (zh) * 2019-06-14 2019-09-06 北京百度网讯科技有限公司 用于处理点云数据的方法和装置
CN110246167A (zh) * 2019-06-14 2019-09-17 北京百度网讯科技有限公司 用于处理点云数据的方法和装置
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
CN111027140B (zh) * 2019-12-11 2020-09-22 南京航空航天大学 基于多视角点云数据的飞机标准件模型快速重构方法
CN111860359B (zh) * 2020-07-23 2021-08-17 江苏食品药品职业技术学院 一种基于改进随机森林算法的点云分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533529A (zh) * 2009-01-23 2009-09-16 北京建筑工程学院 基于深度图像的三维空间数据处理方法与装置
CN101645170A (zh) * 2009-09-03 2010-02-10 北京信息科技大学 多视点云精确配准方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533529A (zh) * 2009-01-23 2009-09-16 北京建筑工程学院 基于深度图像的三维空间数据处理方法与装置
CN101645170A (zh) * 2009-09-03 2010-02-10 北京信息科技大学 多视点云精确配准方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
3D Point Cloud Registration based on the Vector Field Representation;Van Tung Nguyen et al.;《2013 Second IAPR Asian Conference on Pattern Recognition》;20131231;491-495 *
一种基于法向量的点云自动配准方法;陶海跻,达飞鹏;《中国激光》;20130831;第40卷(第8期);1-6 *
基于角不变特征的三维点云配准算法;姜军,程俊,陈兴林;《先进技术研究通报》;20091231;第3卷(第12期);15-20 *
散乱点云数据配准算法;朱延娟,周来水,张丽艳;《计算机辅助设计与图形学学报》;20060430;第18卷(第4期);475-481 *
点云FPFH特征提取优化配准算法;陆军,彭仲涛,董东来,宋景豪;《新型工业化》;20140720(第7期);75-81 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110246166A (zh) * 2019-06-14 2019-09-17 北京百度网讯科技有限公司 用于处理点云数据的方法和装置

Also Published As

Publication number Publication date
CN104143210A (zh) 2014-11-12

Similar Documents

Publication Publication Date Title
CN104143210B (zh) 一种多尺度法向特征点云配准方法
CN104867126B (zh) 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法
CN106780459A (zh) 一种三维点云数据自动配准方法
CN105300316B (zh) 基于灰度重心法的光条中心快速提取方法
CN105654483B (zh) 三维点云全自动配准方法
CN103954280B (zh) 一种快速和高鲁棒性自主恒星识别方法
CN101937453B (zh) 一种基于加权拓扑约束比较的三维模型检索方法
CN106485740B (zh) 一种结合稳定点和特征点的多时相sar图像配准方法
CN102799763B (zh) 一种基于点云姿态标准化的点云线特征提取方法
CN105004337B (zh) 基于直线匹配的农用无人机自主导航方法
CN109887015A (zh) 一种基于局部曲面特征直方图的点云自动配准方法
CN104504709A (zh) 一种基于特征球的室外场景三维点云数据的分类方法
CN107748871A (zh) 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法
CN103617328A (zh) 一种飞机三维姿态解算方法
CN103729651A (zh) 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法
CN106096621A (zh) 基于矢量约束的着降位置检测用随机特征点选取方法
CN101794459A (zh) 一种立体视觉影像与三维虚拟物体的无缝融合方法
CN102706348A (zh) 一种基于三角形的重力图快速匹配方法
CN105021199B (zh) 基于ls的多模型自适应状态估计方法及系统
CN104574519B (zh) 多源居民地面要素的免阈值自动稳健匹配方法
CN102968400A (zh) 一种基于空间直线识别与匹配的多视角三维数据拼接方法
Marcolin et al. Three-dimensional face analysis via new geometrical descriptors
CN105783785A (zh) 一种小波脊相位提取方法
CN104036494B (zh) 一种用于水果图像的快速匹配计算方法
Bouksim et al. New approach for 3D Mesh Retrieval using data envelopment analysis

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