CN105469388B - 基于降维的建筑物点云配准方法 - Google Patents
基于降维的建筑物点云配准方法 Download PDFInfo
- Publication number
- CN105469388B CN105469388B CN201510783548.2A CN201510783548A CN105469388B CN 105469388 B CN105469388 B CN 105469388B CN 201510783548 A CN201510783548 A CN 201510783548A CN 105469388 B CN105469388 B CN 105469388B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- building
- point
- cloud
- perspective plane
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于降维的建筑物点云配准方法,包括如下步骤:在两个不同视角的采样点分别获取建筑物点云数据,并对点云中的每个点标号;选取两个视角建筑物点云的重叠区域,利用最小二乘法分别对所述重叠区域进行建筑物点云平面拟合,得到建筑物点云的投影面;将建筑物点云投影到建筑物投影面,确定点云中所有点垂直投影到建筑物投影面上的投影点坐标;对投影点进行重采样,确定建筑物点云降维后的二维图像;在二维图像中利用基于平方差的模板匹配搜索同名点;将搜索到的二维图像的同名点通过标号索引回三维点云中;根据同名点索引到的三维点云中的点,利用单位四元数法,得到旋转、平移变量,并应用到整体建筑物点云。本发明可提高配准效率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于降维的建筑物点云配准方法。
背景技术
数字城市建设是地理信息系统和城市信息化领域关注的焦点,在城市规划、公共安全、公众地理服务等方面有着广阔的应用前景。数字城市的关键技术是地物,特别是建筑物三维模型的构建,如以Google Earth、百度地图、高德地图为代表的三维城市模型产品正在崛起,建筑物的三维重建一直是数字城市建立的核心研究内容。
三维激光扫描技术(3D Laser Scanning Technology)可以连续、自动、不接触、快速地采集大量的目标物表面三维点数据,即建点云(Point Clouds)。地面三维激光扫描仪侧重于获取高精度的数字城市建筑物里面信息,弥补了数字地图、航空摄影和遥感等在这方面的缺陷,可作为城市街道、建筑物垂直面的几何数据和纹理信息的获取手段。由于建筑物表面存在遮挡以及测量设备视域的限制,通常的三维扫描仪一次只能获取建筑物的一个视角点的点云数据,要得到建筑物完整的三维信息,需要,从多个视角对建筑物进行三维数据采集。对于分站获取的建筑物点云数据,在将其拼接成一个完整建筑物点云的过程中,拼接的依据是分站点云中的公共点,寻找公共点的过程称为点云配准。相对于二维图像而言,点云的本质是三维图像,它是由一系列已知三维坐标及其辐射信息的足点构成。对于二维图像配准来说,图像配准是寻找同名点,而对于点云数据而言,点云配准是找到相同的足点或者最邻近足点。当前,点云的配准算法可分为两类:基于足点分布的配准算法和基于特征的配准算法。
第一类是基于足点分布的配准算法。最经典的配准算法是Bsel和Mckay在1992年《IEEE Transactions on Pattern Analysis and Machine Intelligence》上发表的“Amethod for registration of 3-D shapes”文章中提出迭代最近点(Iterative ClosestPoint,ICP)算法,它重复进行“确定对应点关系点集——计算最优刚体变换”的过程,直到两片点云对应点的均方误差最小。
但对于传统的ICP配准算法及其改进形式,它们对于点云的初始位置要求极高,容易陷入局部最大值,只适用于存在明确对应关系的点集之间的定位;需要有极高的重叠度,甚至有时需要一个点集是另一个点集的子集,这一要求在很多时候是难以满足的;这些算法在搜索对应点的过程中,计算代价大,对于实际测量的海量数据,无法直接使用。基于统计学来估计概率密度的算法,对两视角点云的重叠度要求也非常高,且在大规模配准情况下,这些概率模型数据集中每个点都与另一个数据集中的点有关联,这使得它们的运行速度变慢。对于建筑物点云,这些算法都难以直接采用。
第二类是基于特征的配准算法,它主要是通过点云数据的特征描述子,寻找点云对应的特征点。最具代表的是Rusu在《Proceedings of the IEEE/RSJ InternationalConference on Intelligent Robots and Sstems(IROS)》上发表的“Aligning pointcloud views using persistent feature hisrograms”提出的基于点特征直方图(PointFeature Histograms,PFH)的三维点云配准算法,PFH计算方式通过参数化查询点与邻域点之间的空间差异,并形成一个多维直方图对点的k邻域集合属性进行描述,他是基于点与其k邻域之间的关系以及它们的估计法线,考虑估计法线方向之间所有的相互作用,试图捕获最好的样本表面变化情况,以描述样本的几何特征,通过寻找最为相似的点特征直方图实现了点云的配准。此外,在PFH的基础上,2009年Rusu在《Proceeding of the IEEEInernational Conference on Robotics and Automation(ICRA)》发表的“Fast pointfeature histograms(FPFH)for 3D registration”提出了基于快速点特征直方图(FastPoint Feature Histograms,FPFH)三维点云配准算法,降低了算法的计算复杂度,保留了PFH大部分的识别特性,提高了点云配准的效率。
基于特征的点云配准算法本质上是将二维图像的特征推广到三维,如:Sift-3D、Harris-3D、ISS关键点的提取,还有PFH、FPFH特征直方图的计算。相对于这些特征在二维图像中的成熟应用,这些特征在三维点云中的应用还是不成熟的。对于建筑物点云,在采用关键点的PFH和FPFH进行特征提取时,由于建筑结构的相似,导致了局部点特征特征向量的趋同,进而导致点云特征匹配可靠性的严重衰退。
发明内容
本发明所要解决的技术问题是:提供一种基于降维的建筑物点云配准方法,简化点云的数据量,提高点云特征匹配可靠性。
为了解决上述技术问题,本发明采用的技术方案为:一种基于降维的建筑物点云配准方法,包括如下步骤:
S1、在两个不同视角的采样点分别获取建筑物点云数据,并对点云中的每个点标号;
S2、选取两个视角建筑物点云的重叠区域,利用最小二乘法分别对所述重叠区域进行建筑物点云平面拟合,得到建筑物点云的投影面;
S3、将建筑物点云投影到建筑物投影面,确定点云中所有点垂直投影到建筑物投影面上的投影点坐标;
S4、对投影点进行重采样,确定建筑物点云降维后的二维图像;
S5、在二维图像中利用基于平方差的模板匹配搜索同名点;
S6、将搜索到的二维图像的同名点通过标号索引回三维点云中;
S7、根据同名点索引到的三维点云中的点,利用单位四元数法,得到旋转、平移变量,并应用到整体建筑物点云。
本发明的有益效果在于:通过将建筑物点云投影到建筑物的投影面,在最大限度保持建筑物固有的结构信息的同时,大大简化了建筑物点云的数据量;利用基于平方差的模板匹配在投影后的二维图像中寻找同名点,将所找到的同名点索引回到三维点云中,提高点云特征匹配可靠性。
附图说明
图1为本发明实施例一的流程图;
图2为本发明实施例一中视角A的建筑物点云数据;
图3为本发明实施例一中视角B的建筑物点云数据;
图4为本发明实施例一中视角A重叠区域的点云数据;
图5为本发明实施例一中视角B重叠区域的点云数据;
图6为本发明实施例一中视角A点云数据降维后的二维图像;
图7为本发明实施例一中视角B点云数据降维后的二维图像;
图8为本发明实施例一的模板匹配示意图;
图9为本发明实施例一的整体配准结果。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图详予说明。
本发明最关键的构思在于:采用降维的思想,并在二维图像中寻找同名点,根据标号索引回三维点云中。
请参阅图1,一种基于降维的建筑物点云配准方法,包括如下步骤:
S1、在两个不同视角的采样点分别获取建筑物点云数据,并对点云中的每个点标号;
S2、选取两个视角建筑物点云的重叠区域,利用最小二乘法分别对所述重叠区域进行建筑物点云平面拟合,得到建筑物点云的投影面;
S3、将建筑物点云投影到建筑物投影面,确定点云中所有点垂直投影到建筑物投影面上的投影点坐标;
S4、对投影点进行重采样,确定建筑物点云降维后的二维图像;
S5、在二维图像中利用基于平方差的模板匹配搜索同名点;
S6、将搜索到的二维图像的同名点通过标号索引回三维点云中;
S7、根据同名点索引到的三维点云中的点,利用单位四元数法,得到旋转、平移变量,并应用到整体建筑物点云。
从上述描述可知,本发明的有益效果在于:大大简化了建筑物点云的数据量;提高点云特征匹配可靠性。
进一步地,所述步骤S2,具体包括:
S21、假设拟合平面的平面方程为:z=a0x+a1y+a2;
S22、对于n个点的点云集合(xi,yi,zi),i=0,1,…,n-1,n≥3,用最小二乘法拟合所述平面方程,使最小,并结合所述的平面方程计算a0,a1和a2,确定投影面方程z=a0x+a1y+a2。
进一步地,所述步骤S3,具体包括:
S31、对点云中每一点(x0,y0,z0)过点作投影面的垂线,垂足为(x,y,z);
S32、根据所述投影面方程,确定投影面的法向量为n=(a0,a1,-1),垂线方程为其中t为参数;
S33、根据所述投影面方程和垂线方程,得到参数t:从而得到点云中所有点垂直投影到建筑物投影面上的点坐标。
进一步地,所述步骤S4具体为:将投影面等距栅格化,若栅格内存在投影点,则将灰度值设置为1,反之设置为0,得到建筑物点云降维后的二维图像。
由上述描述可知,通过将建筑物点云投影到建筑物的投影面,在最大限度保持建筑物固有的结构信息的同时,大大简化了建筑物点云的数据量。
进一步地,所述步骤S5,具体包括:
S51、将二维图像分为若干个大区域;
S52、在视角A对应的二维图像的每个大区域中,以大区域的中心设置一个a×b的模板T,所述模板T不大于所在的大区域;在视角B对应的二维图像的每个大区域中,以大区域的中心设置一个(a+p)×(a+q)的搜索窗口S,其中,p,q>0;
S53、将模板T放到搜索窗口S中进行搜索,根据判别式对模板匹配进行判断,其中D(i,j)为相关系数,若返回值为1,则为最佳匹配;若不是1,则取最大值为最佳匹配。
进一步地,所述步骤S7,具体包括:
S71、分别计算视角A的目标点云D和视角B的参考点云X的中心,目标点云D的中心根据公式计算,参考点云X的中心根据公式计算,其中ND是目标点云的个数,NX是参考点云的个数;
S72、根据点集D和X构造协方差矩阵
S73、根据协方差矩阵构造4×4对称矩阵
其中tr∑D,X是协方差矩阵∑D,X的迹,Δ=[A23,A31,A12]T,I3为3×3单位矩阵;
S74、计算Q(∑D,X)的特征值和特征向量,根据最大特征值确定旋转向量和旋转矩阵;所述旋转向量为最大特征值对应的特征向量qR=[q0,q1,q2,q3]T,所述旋转矩阵为
S75、计算平移向量;所述平移向量根据公式qT=μx-μDR(qR)计算。
由上述描述可知,利用基于平方差的模板匹配在投影后的二维图像中寻找同名点,将所找到的同名点索引回到三维点云中,提高点云特征匹配可靠性。
实施例一
请参照图1,本发明的实施例一为:一种基于降维的建筑物点云配准方法,包括如下步骤:
S1、在两个不同视角的采样点,如视角A、视角B分别获取建筑物点云数据,如图2和图3所示,并对点云中的每个点标号,例如,对点云中的每个点都设置一个ID号。
在本实施例中,两个视角的采样点之间的距离为6cm左右,点云扫描的密度为垂直方向和水平方向各为0.05度,扫描频率为300HZ。
S2、如图4和图5所示,选取两个视角建筑物点云的重叠区域,利用最小二乘法分别对所述重叠区域进行建筑物点云平面拟合,得到建筑物点云的投影面;
假设拟合平面的平面方程为:z=a0x+a1y+a2;
对于n个点的点云集合(xi,yi,zi),i=0,1,…,n-1,n≥3,用最小二乘法拟合所述平面方程,使最小,即k=0,1,2,并结合所述的平面方程计算a0,a1和a2,确定投影面方程z=a0x+a1y+a2。
S3、将建筑物点云投影到建筑物投影面,确定点云中所有点垂直投影到建筑物投影面上的投影点坐标;
先对点云中每一点(x0,y0,z0)过点作投影面的垂线,垂足为(x,y,z);根据S2中得到的投影面方程,确定投影面的法向量为n=(a0,a1,-1),则垂线方程为其中t为参数,可转化为关于t的参数方程组:x=xo-a0t,y=y0-a1t,z=z0+t,然后将参数方程组代入投影面方程,得到参数t:从而得到点云中所有点垂直投影到建筑物投影面上的点坐标。
S4、对投影点进行重采样,确定建筑物点云降维后的二维图像,如图6和图7所示;
将投影面等距栅格化,若栅格内存在投影点,则将灰度值设置为1,反之设置为0,得到建筑物点云降维后的二维二值图像。栅格的步长根据点云的密度而确定,使点云中的点不会落到栅格的边缘。
S5、如图8所示,在二维图像中利用基于平方差的模板匹配搜索同名点;
先将二维图像分为若干个大区域,例如分为3×3个大区域;
在视角A对应的二维图像的每个大区域中,以大区域的中心设置一个a×b的模板T,所述模板T不大于所在的大区域;在视角B对应的二维图像的每个大区域中,以大区域的中心设置一个(a+p)×(a+q)的搜索窗口S,其中,p,q>0;也就是说,搜索窗口S大于模板T;定义模板的中心以及搜索到的匹配位置的中心为同名点;
将模板T放到搜索窗口S中进行搜索,根据判别式对模板匹配进行判断,其中D(i,j)为相关系数,范围为0-1,若返回值D(i,j)为1,则为最佳匹配;若不是1,则取最大值为最佳匹配。根据最佳匹配确定两个视角点云中的同名点。
S6、将搜索到的二维图像的同名点通过步骤S1的标号分别索引回三维点云中。
S7、根据同名点索引到的三维点云中的点,利用单位四元数法,得到旋转、平移变量,并应用到整体建筑物点云。
将视角A的点云配准到视角B的点云,则视角A的点云为目标点云,视角B的点云为参考点云。分别计算目标点云D和参考点云X的中心,目标点云D的中心根据公式计算,参考点云X的中心根据公式计算,其中ND是目标点云的个数,NX是参考点云的个数;
根据点集D和X构造协方差矩阵
根据协方差矩阵构造4×4对称矩阵
其中tr∑D,X是协方差矩阵∑D,X的迹,Δ=[A23,A31,A12]T,I3为3×3单位矩阵;
计算Q(∑D,X)的特征值和特征向量,根据最大特征值确定旋转向量和旋转矩阵;最大特征值对应的特征向量即为旋转向量qR=[q0,q1,q2,q3]T,则旋转矩阵为
计算平移向量;所述平移向量根据公式qT=μx-μDR(qR)计算。
最后将得到的旋转、平移变量应用到整体建筑物点云,配准结构如图9所示。
综上所述,本发明提供的一种基于降维的建筑物点云配准方法,通过将建筑物点云投影到建筑物的投影面,在最大限度保持建筑物固有的结构信息的同时,大大简化了建筑物点云的数据量;利用基于平方差的模板匹配在投影后的二维图像中寻找同名点,将所找到的同名点索引回到三维点云中,提高点云特征匹配可靠性;同时,本发明也很好地解决了低重叠度建筑物点云的配准,提高了配准的效率。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于降维的建筑物点云配准方法,其特征在于:包括如下步骤:
S1、在两个不同视角的采样点分别获取建筑物点云数据,并对点云中的每个点标号;
S2、选取两个视角建筑物点云的重叠区域,利用最小二乘法分别对所述重叠区域进行建筑物点云平面拟合,得到建筑物点云的投影面;
S3、将建筑物点云投影到建筑物投影面,确定点云中所有点垂直投影到建筑物投影面上的投影点坐标;
S4、对投影点进行重采样,确定建筑物点云降维后的二维图像;
S5、在二维图像中利用基于平方差的模板匹配搜索同名点;
S6、将搜索到的二维图像的同名点通过标号索引回三维点云中;
S7、根据同名点索引到的三维点云中的点,利用单位四元数法,得到旋转、平移变量,并应用到整体建筑物点云;
所述步骤S4具体为:将投影面等距栅格化,若栅格内存在投影点,则将灰度值设置为1,反之设置为0,得到建筑物点云降维后的二维图像。
2.根据权利要求1所述的基于降维的建筑物点云配准方法,其特征在于:所述步骤S2,具体包括:
S21、假设拟合平面的平面方程为:z=a0x+a1y+a2;
S22、对于n个点的点云集合(xi,yi,zi),i=0,1,…,n-1,n≥3,用最小二乘法拟合所述平面方程,使最小,并结合所述的平面方程计算a0,a1和a2,确定投影面方程z=a0x+a1y+a2。
3.根据权利要求2所述的基于降维的建筑物点云配准方法,其特征在于:所述步骤S3,具体包括:
S31、对点云中每一点(x0,y0,z0)过点作投影面的垂线,垂足为(x,y,z);
S32、根据所述投影面方程,确定投影面的法向量为n=(a0,a1,-1),垂线方程为其中t为参数;
S33、根据所述投影面方程和垂线方程,得到参数t:从而得到点云中所有点垂直投影到建筑物投影面上的点坐标。
4.根据权利要求1所述的基于降维的建筑物点云配准方法,其特征在于:所述步骤S5,具体包括:
S51、将二维图像分为若干个大区域;
S52、在视角A对应的二维图像的每个大区域中,以大区域的中心设置一个a×b的模板T,所述模板T不大于所在的大区域;在视角B对应的二维图像的每个大区域中,以大区域的中心设置一个(a+p)×(a+q)的搜索窗口S,其中,p,q>0;
S53、将模板T放到搜索窗口S中进行搜索,根据判别式对模板匹配进行判断,其中D(i,j)为相关系数,若返回值为1,则为最佳匹配;若不是1,则取最大值为最佳匹配。
5.根据权利要求1所述的基于降维的建筑物点云配准方法,其特征在于:所述步骤S7,具体包括:
S71、分别计算视角A的目标点云D和视角B的参考点云X的中心,目标点云D的中心根据公式计算,参考点云X的中心根据公式计算,其中ND是目标点云的个数,NX是参考点云的个数;
S72、根据点集D和X构造协方差矩阵
S73、根据协方差矩阵构造4×4对称矩阵
其中tr∑D,X是协方差矩阵∑D,X的迹,Δ=[A23,A31,A12]T,I3为3×3单位矩阵;
S74、计算Q(∑D,X)的特征值和特征向量,根据最大特征值确定旋转向量和旋转矩阵;所述旋转向量为最大特征值对应的特征向量qR=[q0,q1,q2,q3]T,所述旋转矩阵为
S75、计算平移向量;所述平移向量根据公式qT=μx-μDR(qR)计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510783548.2A CN105469388B (zh) | 2015-11-16 | 2015-11-16 | 基于降维的建筑物点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510783548.2A CN105469388B (zh) | 2015-11-16 | 2015-11-16 | 基于降维的建筑物点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469388A CN105469388A (zh) | 2016-04-06 |
CN105469388B true CN105469388B (zh) | 2019-03-15 |
Family
ID=55607047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510783548.2A Expired - Fee Related CN105469388B (zh) | 2015-11-16 | 2015-11-16 | 基于降维的建筑物点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469388B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334802B (zh) * | 2017-01-20 | 2022-10-28 | 腾讯科技(深圳)有限公司 | 道路特征物的定位方法及装置 |
CN106970375B (zh) * | 2017-02-28 | 2020-02-18 | 河海大学 | 一种机载激光雷达点云中自动提取建筑物信息的方法 |
CN107220995B (zh) * | 2017-04-21 | 2020-01-03 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107657656B (zh) * | 2017-08-31 | 2023-11-10 | 成都通甲优博科技有限责任公司 | 同名点匹配及三维重建方法、系统和光度立体摄像终端 |
CN107886528B (zh) * | 2017-11-30 | 2021-09-03 | 南京理工大学 | 基于点云的配电线路作业场景三维重建方法 |
CN108847121A (zh) * | 2018-07-04 | 2018-11-20 | 深圳地平线机器人科技有限公司 | 构建高精度地图的方法和装置 |
CN109186551B (zh) * | 2018-08-08 | 2021-02-12 | 广州市城市规划勘测设计研究院 | 倾斜摄影测量建筑物特征点提取方法、装置与存储介质 |
US11334969B2 (en) * | 2019-03-19 | 2022-05-17 | Sony Group Corporation | Point cloud geometry padding |
CN111739111B (zh) * | 2019-03-20 | 2023-05-30 | 上海交通大学 | 一种点云投影编码的块内偏移优化方法及系统 |
CN109919984A (zh) * | 2019-04-15 | 2019-06-21 | 武汉惟景三维科技有限公司 | 一种基于局部特征描述子的点云自动配准方法 |
CN110136077B (zh) * | 2019-04-29 | 2023-05-12 | 东南大学 | 一种基于投影的多视角点云融合方法 |
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 |
CN110322492B (zh) * | 2019-07-03 | 2022-06-07 | 西北工业大学 | 一种基于全局优化的空间三维点云配准方法 |
CN112381919B (zh) | 2019-07-29 | 2022-09-27 | 浙江商汤科技开发有限公司 | 信息处理方法、定位方法及装置、电子设备和存储介质 |
CN110942522B (zh) * | 2019-10-14 | 2024-04-16 | 北京奇艺世纪科技有限公司 | 一种用于模型间重叠判定的处理方法及装置 |
CN112105956A (zh) * | 2019-10-23 | 2020-12-18 | 北京航迹科技有限公司 | 用于自动驾驶的系统和方法 |
CN112270698B (zh) * | 2019-12-31 | 2024-02-27 | 山东理工大学 | 基于最邻近曲面的非刚性几何配准方法 |
CN112184783A (zh) * | 2020-09-22 | 2021-01-05 | 西安交通大学 | 一种结合图像信息的三维点云配准方法 |
CN113223062B (zh) * | 2021-06-04 | 2024-05-07 | 武汉工控仪器仪表有限公司 | 一种基于角点特征点选取与快速描述子的点云配准方法 |
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 |
CN113807366B (zh) * | 2021-09-16 | 2023-08-08 | 电子科技大学 | 一种基于深度学习的点云关键点提取方法 |
CN114020015A (zh) * | 2021-10-29 | 2022-02-08 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于障碍物地图双向搜索的无人机路径规划系统及方法 |
CN114882085B (zh) * | 2022-05-20 | 2023-02-14 | 中山大学 | 一种基于单一立方体三维点云配准方法及系统 |
CN114972675B (zh) * | 2022-07-07 | 2024-04-26 | 中国科学院东北地理与农业生态研究所 | 建筑物的三维点云简化方法 |
CN115290097B (zh) * | 2022-09-30 | 2022-12-30 | 安徽建筑大学 | 基于bim的实时精确地图构建方法、终端及存储介质 |
CN116030103B (zh) * | 2023-03-07 | 2024-02-27 | 北京百度网讯科技有限公司 | 确定砌筑质量的方法、装置、设备和介质 |
CN116416223B (zh) * | 2023-03-20 | 2024-01-09 | 北京国信会视科技有限公司 | 一种复杂装备调试方法、系统、电子设备及存储介质 |
CN116168066B (zh) * | 2023-04-25 | 2023-07-21 | 河海大学 | 基于数据分析的建筑物三维点云配准预处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779345A (zh) * | 2012-07-03 | 2012-11-14 | 河海大学 | 一种基于重心欧氏距离的点云精确配准方法 |
CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5182042B2 (ja) * | 2008-11-28 | 2013-04-10 | 富士通株式会社 | 画像処理装置、画像処理方法及びコンピュータプログラム |
-
2015
- 2015-11-16 CN CN201510783548.2A patent/CN105469388B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779345A (zh) * | 2012-07-03 | 2012-11-14 | 河海大学 | 一种基于重心欧氏距离的点云精确配准方法 |
CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
Non-Patent Citations (2)
Title |
---|
变窗口均值限差法得点云噪声滤除方法;刘文龙 等;《测绘科学》;20141031;第39卷(第10期);正文第2.2节 |
地面LiDAR点云数据配准与影像融合方法研究;严剑峰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115;正文第35-36页 |
Also Published As
Publication number | Publication date |
---|---|
CN105469388A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469388B (zh) | 基于降维的建筑物点云配准方法 | |
CN106296693B (zh) | 基于3d点云fpfh特征实时三维空间定位方法 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN112767490B (zh) | 一种基于激光雷达的室外三维同步定位与建图方法 | |
CN112927360A (zh) | 一种基于倾斜模型与激光点云数据融合的三维建模方法和系统 | |
CN110443840A (zh) | 实物表面采样点集初始配准的优化求解方法 | |
CN106886794B (zh) | 顾及高阶结构特征的异源遥感影像同名点匹配方法 | |
CN111046776A (zh) | 基于深度相机的移动机器人行进路径障碍物检测的方法 | |
CN104536009A (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
Zhong et al. | A method for extracting trees from vehicle-borne laser scanning data | |
CN112396641B (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
CN103295239A (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
CN113052881A (zh) | 提取极点的室内三维点云自动化配准方法 | |
CN108804714A (zh) | 点云数据存储方法及装置 | |
Liang et al. | Automatic registration of terrestrial laser scanning data using precisely located artificial planar targets | |
CN101794459A (zh) | 一种立体视觉影像与三维虚拟物体的无缝融合方法 | |
CN112464812A (zh) | 一种基于车辆的凹陷类障碍物检测方法 | |
CN114140539A (zh) | 一种室内物体的位置获取方法和装置 | |
CN104751451B (zh) | 基于无人机低空高分辨率影像的密集点云提取方法 | |
CN112070800A (zh) | 一种基于三维点云极化地图表征的智能车定位方法及系统 | |
CN116563377A (zh) | 一种基于半球投影模型的火星岩石测量方法 | |
CN115082716A (zh) | 一种面向道路精细重建的多源点云粗匹配算法 | |
CN112365592B (zh) | 一种基于双向高程模型的局部环境特征描述方法 | |
CN114137564A (zh) | 一种室内物体自动标识定位方法和装置 | |
CN112581511A (zh) | 基于近似直立扫描点云快速配准的三维重建方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190315 Termination date: 20211116 |