CN104331699B - 一种三维点云平面化快速搜索比对的方法 - Google Patents
一种三维点云平面化快速搜索比对的方法 Download PDFInfo
- Publication number
- CN104331699B CN104331699B CN201410671969.1A CN201410671969A CN104331699B CN 104331699 B CN104331699 B CN 104331699B CN 201410671969 A CN201410671969 A CN 201410671969A CN 104331699 B CN104331699 B CN 104331699B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- point cloud
- cloud
- dimensional
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Abstract
本发明公开一种三维点云平面化快速搜索比对的方法,该方法首先获取物体的点云数据,并对其进行光顺和精简处理,然后按照要求选定二维视图,找到该视图的边界,然后以此边界为基准,对图像按需求进行网格化分割,对分割后的图像的每一个网格进行遍历,根据每一格网格内的点云密度对网格进行标记,之后用得到的标记结果做出近似二值图像,该图像拥有能够反映点云数据情况的特征点,再使用尺度不变特征变换匹配算法将近似二值图像与标准库中按照采用相同方法处理过的图像进行特征点比对,采用遍历方式找出特征点匹配最多的一组数据。该方法具有精度高、速度快、高度灵活等特点,适用于各种需要建立标准库,并将点云数据与库中图像进行快速配准的场合。
Description
技术领域
本发明涉及三维点云处理和三维点云匹配的方法,属于计算机视觉和模式识别的领域,具体涉及一种三维点云平面化快速搜索比对的方法。
背景技术
三维点云数据是指通过三维数字化技术得到物体的形态结构的空间分布海量点集合。高精度的点云数据能够较好地表现被测物体的三维形态特征,在汽车、五金家电、航空、陶瓷等模具及产品开发,古董、工艺品、雕塑、人像制品等快速原型制作,机械外形设计、医学整容、人体外形制作、人体形状测量及植物形态获取等领域均有重要的应用。
传统的三维图形匹配大多是直接将待匹配的点云数据同标准点云数据进行比较,通过平移、旋转、缩放等几何变换后,进行相似性或相同性分析。这种技术广泛应用在医学、土木建筑、以及工业上的反向工程等各个领域。精度高,匹配效果好,但是传统的匹配方法时空复杂度高,并且当模型的点云数据过多时,其计算时间将大大增加,这种方法虽然适合精确匹配,但该方法只适合两两单独匹配,不适合同标准库中数个点云数据进行匹配的场合,也不适合需要快速识别的场合。
发明内容
有鉴于此,本发明针对现有方法的快速性不足的缺点提出一种三维点云平面化快速搜索比对的方法,此方法具有精度高,快速性好,高度灵活等特点,适用于各种需要同标准库中点云数据进行快速配准的场合。
本发明的技术解决方案为:对三维点云进行预处理,将三维点云图像转化为二维图形,将二维图形进行网格化分割,根据分割后的图形生成用于匹配的近似二值图像,根据该近似二值图像同标准库中的图像进行匹配,从而找出标准库中与待测物体三维点云数据最接近的一组点云数据。具体包括以下步骤:
步骤一:获得待测物体的三维点云,然后利用双边滤波去噪算法对点云数据进行光顺处理,之后利用随机采样法对光顺后的点云数据进行数据精简,最后对精简后的点云数据进行二维变换,选取的视图(指正视图、侧视图)要同标准库中建库时采用的视图保持一致,降维后生成二维点云图像;
步骤二:通过快速排序,找到二维点云图像的四个边界点,然后根据这四个边界点生成二维点云图像边界,并对图像进行网格化分割,之后检索每一个被分割的网格,根据不同网格中点云的密度差异,做出对应标记,并根据标记填充相应的颜色,生成对应梯度的近似二值图像;
步骤三:采用尺度不变特征变换匹配算法将得到的图像同标准库中的近似二值图像进行比较,全部比较完毕后,采用顺序查找,通过遍历标准库中每一组图像,比较每一组的特征点匹配情况,找到对应特征点最多的一组,从而完成比对。
进一步,所述步骤一中的二维变换是指:根据比对需要选择生成三维图像的三视图的某一种,所采用的视图必须与标准库中的图像的视图为同一视图,保证准确性。
进一步,所述步骤一中双边滤波去噪算法具体的步骤是:3.1建立K-邻域;3.2法矢估算;3.3定义视平面;3.4引入双边滤波算子得到光顺后的坐标。
进一步,所述步骤一中的随机采样法是指:建立一个函数,使它产生的随机数能刚好包括所有的点云,然后产生接连不断的一组随机数,再从原始点云中找到其对应的点并剔除,直到总点数达到既定的要求。
进一步,所述步骤二中的边界点特指图像中上下左右的最远点,例如在正视图中,则采用快速排序法分别找出X值最小和最大的两点,Y值最小和最大的两点,共四个坐标点为它的边界点。
进一步,所述步骤二中的网格化分割是指:以本步骤确定的边界为基准,将图像分割为n×n(n∈R,n>0)个网格块。
进一步,所述步骤二中的近似二值图像是指:由于做出的图像颜色和步骤二中标定的密度标记有关,所做出的图像介于灰度图像和二值图像之间,为了方便表达,将用于比对的二维图像统一称为近似二值图,该图像通过标记密度能产生较多特征点,提高方法准确性。
进一步,所述步骤二中生成对应梯度的近似二值图像具体包括以下步骤:遍历每一个网格中的点云,根据点云在网格中的数量,对每一格网格做出标记,根据得到的对应标记,依次向对应的网格填充相应的颜色,生成大小为n×n(n∈R,n>0)的像素图,为了计算方便且在保证能够产生足够特征点的情况下,取黑色和灰色两种颜色表示不同密度,无点云网格以白色表示。
进一步,所述步骤三中的尺度不变特征变换匹配算法具体包括以下步骤:9.1建立图像尺度空间;9.2检测关键点;9.3关键点方向的分配;9.4特征点描述符;9.5采用穷举法,比较两幅图的特征点,统计出相匹配的特征点数量,用于搜索比对。
本发明与现有技术相比的优点在于:(1)时空复杂度低,在保证较高精度的情况下,提高了搜索比对的快速性。(2)适用于各种需要快速比对识别的场合,不仅适用于两两单独匹配,也可以自行建立标准库,同标准库中数据进行比对。(3)抗干扰能力强,通过对关键作图参数(网格中点云密度的标记)的修改,可以再光顺效果不佳的情况下依然保证比对精度。(4)本算法的重点在于识别,所以在建立标准库时可以仅扫描物体特征最明显的某一面,也可以全部扫描,根据不同需求采用不同方法,具有极高的灵活性,可以大量节省存储空间,提高比对速度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述一种三维点云平面化快速搜索比对的方法的流程图
图2为本发明所述网格化分割示意图
图3为本发明所述近似二值图像示意图
图4为点云数据采用斯坦福Bunny兔的效果图
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的流程图,本方法包括以下步骤:
步骤一:根据需要决定扫描单个视场或多个视场。
步骤二:用三维测量系统对待比对物体进行扫描,获得待比对物体的三维点云。
步骤三:如需扫描多个视场,则将所有单视场三维点云拼接到同一个测量坐标系下。采用的拼接方法包括:机械臂辅助拼接法、粘贴标志点等,是三维点云拼接的通用方法。
步骤四:将得到的点云数据c={p1,p2,…,pn}pi∈R3采用双边滤波去噪算法进行光顺。
步骤五:将光顺后的三维点云数据按照随机采样法进行精简,保留其中40%的点云数据。
步骤六:完成预处理的点云数据c",根据需要变换成正视图或俯视图,在此例中变换成正视图。将c"中点云数据的Z轴部分去掉,保留为(X,Y),二维化的点云数据记为c*。
步骤七:通过遍历c*找到四个边界点,图像最右侧即X的最大值的点图像最左侧即X的最小值点图像最上侧即Y的最大值点图像最下侧即Y的最小值点
步骤八:将图像以四个点为边界,按图2示意,分割为n×n(n∈R,n>0)个网格,每个网格大小为长宽其中表示点中X的值,以此类推。
步骤九:遍历每一个网格中的点云,根据点云密度,对每一格网格做出标记,如图2所示意,当点云数量少于X1时,标记为0,当点云数量大于X1,小于X2时,标记为1,当点云数量大于X2时,标记为2,直到Xi。其中X1、X2至Xi的大小和数量根据实际情况自行设置,在此例中,只设置X1和X2。
步骤十:根据得到的网格和对应标记,做出近似二值图像,在此例中,标记为0的网格画白色,标记为1的网格画黑色,标记为2的网格画灰色,所作颜色可自行调整,画图效果如图3和图4所示。
步骤十一:采用尺度不变特征变换匹配算法将得到的图像同标准库中的近似二值图像进行比较,全部比较完毕后,采用顺序查找,通过遍历标准库中每一组图像,比较每一组的特征点匹配情况,找到对应特征点最多的一组,从而完成比对。
进一步,在步骤四中采用的双边滤波去噪算法具体包括以下步骤:
4.1:建立K-邻域
点云数据c中任意测点p,满足p∈c,则与测点p距离最近的k个点,称为p的K-邻域,记作N(p)。其中k取25。
4.2:法矢估算
将上一步骤得到的N(p),通过最小二乘法在N(p)内构造平面,该平面称为点p在邻域N(p)上的切平面,记为T(p)。T(p)的单位法矢即是点p处的单位法矢
4.3:定义视平面
将空间R3分解为两个子空间的直和:其中,N为邻域在p点沿法矢方向的一维空间,而S2为过点p的二维切平面空间。在局部范围内,定义S2为视平面,邻域点在S2平面上的投影为像素点的位置,领域点到投影点的距离定义为像素值的大小,类似于图像处理。
4.4:双边滤波算子
引入双边滤波算子
其中,N(p)为p的邻域,pi∈N(p)。p’为p在S2上的投影。这里并没有直接采用直接的三维空间距离而是利用的投影平面上的距离。为p点法矢,为pi法矢。WC和Ws分别是以σc、σs为标准差的高斯核函数,σc控制光顺程度而σs控制特征保持程度,Wc为空间域权重;Ws为特征域权重。d为法矢方向调整的距离,根据式子得到光顺后的坐标c^。
进一步,在步骤十一中采用的尺度不变特征变换匹配算法具体包括以下步骤:
11.1:建立图像尺度空间(或高斯金字塔),并检测极值点,这里和下文所说的点,均为图中的像素。
本算法采用高斯函数来建立尺度空间,高斯函数公式为:
上述公式G(x,y,σ)为尺度可变高斯函数。
一个图像的尺度空间,L(x,y,σ)定义为一个尺度可变的高斯函数G(x,y,σ)与原图像I(x,y)的卷积
L(x,y,σ)=G(x,y,σ)*I(x,y) (3)
尺度空间在实现时使用高斯金字塔表示,图像的金字塔模型是指,将原始图像不断降阶采样,得到一系列大小不一的图像,由大到小,从下到上构成的塔状模型。原图像为金子塔的第一层,每次降采样所得到的新图像为金字塔的一层(每层一张图像),每个金字塔共n层。金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定,其计算公式如下:
n=log2{min(M,N)}-t,t∈[0,log2{min(M,N)}] (4)
其中M,N为原图像的大小,t为塔顶图像的最小维数的对数值。
在尺度空间在尺度空间建立完毕后,为了能够找到稳定的特征点,采用高斯差分的方法来检测那些在局部位置的极值点,即采用两个相邻的尺度中的图像相减,即公式定义为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y) (5)
=L(x,y,kσ)-L(x,y,σ)
11.2:检测关键点
为了找到尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。因为需要同相邻尺度进行比较,所以在一组高斯差分图像中只能检测到两个尺度的极值点,而其他尺度的极值点检测需要在图像金字塔的上一层高斯差分图像中进行,从而依次完成图像金字塔中不同层的高斯差分图像中不同尺度极值的检测。
11.3:关键点方向的分配
为了让描述符具有旋转不变性需要利用图像的局部特征为每一个特征点分配一个方向。利用关键点邻域像素的梯度及方向分布的特性,可以得到梯度模值和方向如下:
尺度为每个特征点各自所在的尺度。
在以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0~360度,其中每10度一个方向,总共36个方向。
直方图的峰值则代表了该关键点处邻域梯度的主方向,即作为该关键点的方向。
11.4:特征点描述符
经过上述步骤计算,已经对每一个特征点赋予了三个信息:位置、尺度以及方向。在这之后就可以为每一个特征点建立描述符,最终形成特征向量,此时的特征向量已经具有尺度不变性和旋转不变性。
11.5:采用穷举方法,对两幅图中的特征点进行比对,取待测图像中的某个特征点,找出它在标准图像中欧氏距离最近的前两个特征点,在这两个特征点中,如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点,这个阈值一般在0.4到0.6之间。
如上所述,本发明将三维点云数据转化为二维平面数据,将复杂的三维点云间的比对简化为图形匹配,大大缩短比对时间,网格化的图像处理对三维点云的光顺要求大大降低,适用于各种快速扫描快速比对的场合,仅需在进行比对前,采用同样的方法建立好标准库即可,而且可以根据需要随时改变分割数量,显示颜色,随时增加删减库中数据,灵活性高,拓展性强,尺度不变特征变换匹配算法保证了匹配的旋转不变性,尺度不变性,保证了比对的准确性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种三维点云平面化快速搜索比对的方法,其特征在于包括以下步骤:
步骤一:获得待测物体的三维点云,然后利用双边滤波去噪算法对点云数据进行光顺处理,之后利用随机采样法对光顺后的点云数据进行数据精简,最后对精简后的点云数据进行二维变换,选取的视图要同标准库中建库时采用的视图保持一致,降维后生成二维点云图像;
步骤二:通过快速排序,找到二维点云图像的四个边界点,然后根据这四个边界点生成二维点云图像边界,并对图像进行网格化分割,之后检索每一个被分割的网格,根据不同网格中点云的密度差异,做出对应标记,并根据标记填充相应的颜色,生成对应梯度的近似二值图像;
步骤三:采用尺度不变特征变换匹配算法将得到的图像同标准库中的近似二值图像进行比较,全部比较完毕后,采用顺序查找,通过遍历标准库中每一组图像,比较每一组的特征点匹配情况,找到对应特征点最多的一组,从而完成比对;
所述步骤一中双边滤波去噪算法具体的步骤是
3.1:建立K-邻域
点云数据c中任意测点p,满足p∈c,则与测点p 距离最近的k个点,称为p的K-邻域,记作N(p);
3.2:法矢估算
将上一步骤得到的N(p),通过最小二乘法在N(p)内构造平面,该平面称为点p在邻域N(p)上的切平面,记为T(p);T(p)的单位法矢即是点p处的单位法矢;
3.3:定义视平面将空间R3分解为两个子空间的直和:,N为邻域在p点沿法矢方向的一维空间,而S2为过点p的二维切平面空间;在局部范围内,定义S2为视平面,邻域点在S2平面上的投影为像素点的位置,领域点到投影点的距离定义为像素值的大小;
3.4 :双边滤波算子
引入双边滤波算子
其中,N(p)为p的邻域,pi∈N(p),p’为p在S2上的投影,为p点法矢,为pi法矢,Wc和WS分别是以σc、σs为标准差的高斯核函数,σc控制光顺程度,而σs控制特征保持程度,Wc为空间域权重;WS为特征域权重;d为法矢方向调整的距离,根据式子得到光顺后的坐标。
2.根据权利要求1所述的一种三维点云平面化快速搜索比对的方法,其特征在于:所述步骤一中的二维变换是指:根据比对需要选择生成三维图像的三视图的某一种,所采用的视图必须与标准库中的图像的视图为同一视图,保证准确性。
3.根据权利要求1所述的一种三维点云平面化快速搜索比对的方法,其特征在于:所述步骤一中的随机采样法是指:建立一个函数,使它产生的随机数能刚好包括所有的点云,然后产生接连不断的一组随机数,再从原始点云中找到其对应的点并剔除,直到总点数达到既定的要求。
4.根据权利要求1所述的一种三维点云平面化快速搜索比对的方法,其特征在于:所述步骤二中的边界点特指图像中上下左右的最远点,例如在正视图中,则采用快速排序法分别找出X值最小和最大的两点,Y值最小和最大的两点,共四个坐标点为它的边界点。
5.根据权利要求1所述的一种三维点云平面化快速搜索比对的方法,其特征在于:所述步骤二中的网格化分割是指:以本步骤确定的边界为基准,将图像分割为n×n(n∈R,n>0)个网格块。
6.根据权利要求1所述的一种三维点云平面化快速搜索比对的方法,其特征在于:所述步骤二中的近似二值图像是指:由于做出的图像颜色和步骤二中标定的密度标记有关,所做出的图像介于灰度图像和二值图像之间,为了方便表达,将用于比对的二维图像统一称为近似二值图,该图像通过标记密度能产生较多特征点,提高方法准确性。
7.根据权利要求1所述的一种三维点云平面化快速搜索比对的方法,其特征在于:所述步骤二中生成对应梯度的近似二值图像具体包括以下步骤:遍历每一个网格中的点云,根据点云在网格中的数量,对每一格网格做出标记,根据得到的对应标记,依次向对应的网格填充相应的颜色,生成大小为n×n(n∈R,n>0) 的像素图,为了计算方便且在保证能够产生足够特征点的情况下,取黑色和灰色两种颜色表示不同密度,无点云网格以白色表示。
8.根据权利要求1所述的一种三维点云平面化快速搜索比对的方法,其特征在于:所述步骤三中的尺度不变特征变换匹配算法具体包括以下步骤:9.1建立图像尺度空间;9.2检测关键点;9.3关键点方向的分配;9.4特征点描述符;9.5采用穷举法,比较两幅图的特征点,统计出相匹配的特征点数量,用于搜索比对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410671969.1A CN104331699B (zh) | 2014-11-19 | 2014-11-19 | 一种三维点云平面化快速搜索比对的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410671969.1A CN104331699B (zh) | 2014-11-19 | 2014-11-19 | 一种三维点云平面化快速搜索比对的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331699A CN104331699A (zh) | 2015-02-04 |
CN104331699B true CN104331699B (zh) | 2017-11-14 |
Family
ID=52406421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410671969.1A Active CN104331699B (zh) | 2014-11-19 | 2014-11-19 | 一种三维点云平面化快速搜索比对的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331699B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404898B (zh) * | 2015-11-26 | 2018-11-06 | 福州华鹰重工机械有限公司 | 一种松散型点云数据分割方法和设备 |
CN106251353A (zh) * | 2016-08-01 | 2016-12-21 | 上海交通大学 | 弱纹理工件及其三维位姿的识别检测方法及系统 |
CN107590829B (zh) * | 2017-09-18 | 2020-06-30 | 西安电子科技大学 | 一种适用于多视角密集点云数据配准的种子点拾取方法 |
CN108109150B (zh) * | 2017-12-15 | 2021-02-05 | 上海兴芯微电子科技有限公司 | 图像分割方法、终端 |
CN108466265B (zh) * | 2018-03-12 | 2020-08-07 | 珠海市万瑙特健康科技有限公司 | 机械手臂路径规划与作业方法、装置以及计算机设备 |
CN108961419B (zh) * | 2018-06-15 | 2023-06-06 | 重庆大学 | 微装配系统的显微视觉系统的显微视场空间数字化方法及系统 |
CN108986162B (zh) * | 2018-06-28 | 2022-02-22 | 杭州吉吉知识产权运营有限公司 | 基于惯性测量单元和视觉信息的菜品和背景分割方法 |
CN109118500B (zh) * | 2018-07-16 | 2022-05-10 | 重庆大学产业技术研究院 | 一种基于图像的三维激光扫描点云数据的分割方法 |
CN109840882B (zh) * | 2018-12-24 | 2021-05-28 | 中国农业大学 | 基于点云数据的站位匹配方法及装置 |
CN109767464B (zh) * | 2019-01-11 | 2023-03-28 | 西南交通大学 | 一种低重叠率的点云配准方法 |
CN109978885B (zh) * | 2019-03-15 | 2022-09-13 | 广西师范大学 | 一种树木三维点云分割方法及系统 |
CN110458805B (zh) * | 2019-03-26 | 2022-05-13 | 华为技术有限公司 | 一种平面检测方法、计算设备以及电路系统 |
CN110555824B (zh) * | 2019-07-22 | 2022-07-08 | 深圳供电局有限公司 | 开关位置判别方法及开关位置检测系统的控制方法 |
CN111091594B (zh) * | 2019-10-17 | 2023-04-11 | 如你所视(北京)科技有限公司 | 多点云平面融合方法及装置 |
CN111445385B (zh) * | 2020-03-28 | 2023-06-09 | 哈尔滨工程大学 | 一种基于rgb色彩模式的三维物体平面化方法 |
CN112287481B (zh) * | 2020-10-27 | 2023-11-21 | 上海设序科技有限公司 | 基于三维点云的机械设计方案搜索方法及装置 |
CN113362461B (zh) * | 2021-06-18 | 2024-04-02 | 盎锐(杭州)信息科技有限公司 | 基于语义分割的点云匹配方法、系统及扫描终端 |
CN113658238B (zh) * | 2021-08-23 | 2023-08-08 | 重庆大学 | 一种基于改进特征检测的近红外静脉图像高精度匹配方法 |
CN115641553B (zh) * | 2022-12-26 | 2023-03-10 | 太原理工大学 | 掘进机作业环境侵入物的在线检测装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268363A (zh) * | 2013-06-06 | 2013-08-28 | 哈尔滨工业大学 | 一种基于弹性hog特征和ddtw匹配的中国书法图像检索方法 |
CN104007444A (zh) * | 2014-06-09 | 2014-08-27 | 北京建筑大学 | 一种基于中心投影的地面激光雷达反射强度图像的生成方法 |
CN104112115A (zh) * | 2014-05-14 | 2014-10-22 | 南京国安光电科技有限公司 | 一种三维人脸检测与识别技术 |
-
2014
- 2014-11-19 CN CN201410671969.1A patent/CN104331699B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268363A (zh) * | 2013-06-06 | 2013-08-28 | 哈尔滨工业大学 | 一种基于弹性hog特征和ddtw匹配的中国书法图像检索方法 |
CN104112115A (zh) * | 2014-05-14 | 2014-10-22 | 南京国安光电科技有限公司 | 一种三维人脸检测与识别技术 |
CN104007444A (zh) * | 2014-06-09 | 2014-08-27 | 北京建筑大学 | 一种基于中心投影的地面激光雷达反射强度图像的生成方法 |
Non-Patent Citations (2)
Title |
---|
《三维点云数据处理的技术研究》;王丽辉;《中国博士学位论文全文数据库 信息科技辑 》;20120115;I138-46 * |
《格网划分的最邻近点搜索方法》;杨容浩等;《测绘科学》;20120930;第37卷(第5期);第90-93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104331699A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331699B (zh) | 一种三维点云平面化快速搜索比对的方法 | |
CN109872397B (zh) | 一种基于多目立体视觉的飞机零件的三维重建方法 | |
Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
CN109655019B (zh) | 一种基于深度学习和三维重建的货物体积测量方法 | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN109740665A (zh) | 基于专家知识约束的遮挡图像船只目标检测方法及系统 | |
CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及系统 | |
CN106709947A (zh) | 一种基于rgbd相机的三维人体快速建模系统 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN105809194B (zh) | 一种sar影像翻译为光学影像的方法 | |
CN110728671B (zh) | 基于视觉的无纹理场景的稠密重建方法 | |
CN108921939A (zh) | 一种基于图片的三维场景重建方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN110189339A (zh) | 深度图辅助的主动轮廓抠图方法及系统 | |
JP2004078659A (ja) | パターン輪郭の抽出方法、画像処理方法、パターンエッジの探索方法、プローブの走査方法、半導体装置の製造方法、パターン検査装置およびプログラム | |
CN108648194A (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN109087323A (zh) | 一种基于精细cad模型的图像车辆三维姿态估计方法 | |
CN111640158A (zh) | 基于对应掩模的端到端的摄像头与激光雷达外参标定方法 | |
CN113343976B (zh) | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 | |
Condorelli et al. | A comparison between 3D reconstruction using nerf neural networks and mvs algorithms on cultural heritage images | |
CN109345570B (zh) | 一种基于几何形状的多通道三维彩色点云配准方法 | |
CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 |
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 |