CN106874916B - 一种复杂外板点云场景对比提取方法及装置 - Google Patents

一种复杂外板点云场景对比提取方法及装置 Download PDF

Info

Publication number
CN106874916B
CN106874916B CN201710090971.3A CN201710090971A CN106874916B CN 106874916 B CN106874916 B CN 106874916B CN 201710090971 A CN201710090971 A CN 201710090971A CN 106874916 B CN106874916 B CN 106874916B
Authority
CN
China
Prior art keywords
point cloud
cloud data
precision
data set
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
Application number
CN201710090971.3A
Other languages
English (en)
Other versions
CN106874916A (zh
Inventor
程良伦
吴伟波
徐金雄
李静瑶
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710090971.3A priority Critical patent/CN106874916B/zh
Publication of CN106874916A publication Critical patent/CN106874916A/zh
Application granted granted Critical
Publication of CN106874916B publication Critical patent/CN106874916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明实施例公开了一种复杂外板点云场景对比提取方法及装置，用于解决现有的水火弯板曲面提取通过对板材进行拍摄，提取二维轮廓信息，同时结合相机的内部参数和板材的二维轮廓信息，计算板材的三维数据集，二维数据转换三维数据过程中会存在采集点和曲面之间存在点偏差，造成数据精度不足的缺陷，而通过激光扫描技术采集高精度的三维点云数据，然后对海量点云数据进行处理，会存在提取速度较慢的技术问题。

Description

一种复杂外板点云场景对比提取方法及装置
技术领域
本发明涉及船体外板加工领域，尤其涉及一种复杂外板点云场景对比提取方法及装置。
背景技术
水火弯板是指沿预定的加热线对板材进行局部线状加热，并用水跟踪冷却使板材产生局部塑性变形，从而将板材弯成所要求的曲面形状的弯板方法。有的国家称为线状加热法。在复杂工业环境下，如何在保证复杂外板精度的情况下，提高点云数据集提取速度成为自动化加工过程中一项挑战。
水火弯板曲面提取的现有方法是通过对板材进行拍摄，提取二维轮廓信息，同时结合相机的内部参数和板材的二维轮廓信息，计算板材的三维数据集。虽然这种办法能够提取出弯板三维数据，但是二维数据转换三维数据过程中会存在采集点和曲面之间存在点偏差问题，造成数据精度不足的缺陷。现有的另外方法是通过激光扫描技术采集高精度的三维点云数据，然后对海量点云数据进行处理，虽然这种办法能够获取高精度的三维点云数据，但是直接对海量点云数据进行处理，会存在提取速度较慢问题。
发明内容
本发明实施例提供了一种复杂外板点云场景对比提取方法及装置，解决了现有的水火弯板曲面提取通过对板材进行拍摄，提取二维轮廓信息，同时结合相机的内部参数和板材的二维轮廓信息，计算板材的三维数据集，二维数据转换三维数据过程中会存在采集点和曲面之间存在点偏差，造成数据精度不足的缺陷，而通过激光扫描技术采集高精度的三维点云数据，然后对海量点云数据进行处理，直接对海量点云数据进行处理，会存在提取速度较慢的技术问题。
本发明实施例提供的一种复杂外板点云场景对比提取方法，包括
S1：获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
S2：通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；
S3：判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面，若否，则继续判断所述高精度三维点云数据集的点云数据所在的网格。
优选地，所述步骤S2具体包括：
S21：接收预定的行缩放比例和半径规则，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集；
S22：通过所述基准点数据集获取三个相邻的基准点建立对应的三角网格；
S23：计算所述三角网格的对应的取值范围和对应的平面函数。
优选地，所述步骤S3具体包括：
S31：接收预定的阈值，获取所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的横坐标xc2、纵坐标yc2、所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数，通过把所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的X轴坐标xc2、Y轴坐标yc2代入所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数计算得到高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1；
S32：判断高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值是否大于预定的阈值，若是，则述高精度三维点云数据集的点云数据(xc2,yc2,zc2)为复杂外板的点云数据，对所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)进行提取，获得复杂外板三维曲面，若否，则继续获取所述高精度三维点云数据集的点云数据的横坐标、纵坐标、高精度三维点云数据集的点云数据对应行列网格的平面函数。
本发明实施例中提供的一种复杂外板点云场景对比提取装置，包括：
第一获取单元，用于获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
计算单元，用于通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；
第二获取单元，用于判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面，若否，则继续判断所述高精度三维点云数据集的点云数据所在的网格。
优选地，所述计算单元具体包括：
缩放子单元，具体用于接收预定的行缩放比例和半径规则，对所述低精度三维点云数据集进行缩放；
第一获取子单元，具体用于获得所述低精度三维点云数据集的基准点数据集；
第二获取子单元，具体用于通过所述基准点数据集获取三个相邻的基准点建立对应的三角网格；
第一计算子单元，具体用于计算所述三角网格的对应的取值范围和对应的平面函数。
优选地，所述第二获取单元具体包括：
接收子单元，具体用于接收预定的阈值，获取所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的横坐标xc2、纵坐标yc2、所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数；
第二计算子单元，具体用于通过把所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的X轴坐标xc2、Y轴坐标yc2代入所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数计算得到高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1；
判断子单元，具体用于判断高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值是否大于预定的阈值；
第三获取子单元，具体用于若高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值大于预定的阈值，则所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)为复杂外板的点云数据，对所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)进行提取，获得复杂外板三维曲面；
返回子单元，具体用于若高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值不大于预定的阈值，则继续获取所述高精度三维点云数据集的点云数据的横坐标、纵坐标、高精度三维点云数据集的点云数据对应行列网格的平面函数。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中提供的一种复杂外板点云场景对比提取方法及装置，其中，一种复杂外板点云场景对比提取方法包括：S1：获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；S2：通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；S3：判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面，若否，则继续判断所述高精度三维点云数据集的点云数据所在的网格。本实施例中，通过采集一个高精度的包含加工板的海量点云数据集，同时采集一个低精度的不包含加工板的点云数据集；然后提取低精度三维点云数据集的基准点，在提取的基准点数据集上建立网格，并计算每个网格的平面函数；最后通过点云场景对比提取复杂外板的三维点云数据，能避免大规模数据量的对比，从而在保证提取精度的情况下提高提取速度，解决了现有的水火弯板曲面提取通过对板材进行拍摄，提取二维轮廓信息，同时结合相机的内部参数和板材的二维轮廓信息，计算板材的三维数据集，二维数据转换三维数据过程中会存在采集点和曲面之间存在点偏差，造成数据精度不足的缺陷，而通过激光扫描技术采集高精度的三维点云数据，然后对海量点云数据进行处理，会存在提取速度较慢的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1本发明实施例中提供的一种复杂外板点云场景对比提取方法的一个实施例的流程示意图；
图2本发明实施例中提供的一种复杂外板点云场景对比提取装置的一个实施例的结构示意图；
图3本发明实施例中提供的一种复杂外板点云场景对比提取装置的另一个实施例的结构示意图；
图4本发明实施例中提供的一种船体外板三维曲面提取方法的网格图；
图5本发明实施例中提供的一种加工板点云数据提取流程图。
具体实施方式
本发明实施例提供了一种复杂外板点云场景对比提取方法及装置，用于解决现有的水火弯板曲面提取通过对板材进行拍摄，提取二维轮廓信息，同时结合相机的内部参数和板材的二维轮廓信息，计算板材的三维数据集，二维数据转换三维数据过程中会存在采集点和曲面之间存在点偏差，造成数据精度不足的缺陷，而通过激光扫描技术采集高精度的三维点云数据，然后对海量点云数据进行处理，会存在提取速度较慢的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中提供的一种复杂外板点云场景对比提取方法的一个实施例包括：
101、获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
采用3D激光扫描技术采集两个数据集，为保证提取的速度采集一个低精度的不包含加工板的点云数据集C1，为保证提取的精度采集一个高精度的包含加工板的点云数据集C2。
102、通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；
在获取的低精度的三维点云数据集C1中，根据设定的缩放比例，对行、列点云数据进行缩放，提取网格基准点；基于提取的基准点，建立三角网格，对应每个网格，计算网格取值范围和对应的平面函数；
所谓网格，即人为地对扫描区域进行分区域处理，如图4所示。当网格数量越多，区域内点云数据相似性越高，误差越小；当网格数量越少，区域内点云数据相似性降低，误差变大，但是处理速度相对变快。
103、判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面，若否，则继续判断所述高精度三维点云数据集的点云数据所在的网格。
判断高精度三维点云数据集C2的点云数据所处网格，根据网格平面函数计算值判断该点是否是加工板点云数据，将属于加工板的点云数据提取，得到船体外板三维曲面。
上面是对一种复杂外板点云场景对比提取方法进行详细的描述，下面将对一种复杂外板点云场景对比提取方法的过程进行详细的描述，本发明实施例中提供的一种复杂外板点云场景对比提取方法的另一个实施例包括：
201、获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
采集不含加工板的低精度的三维点云数据集C1，主要功能是避免直接对高精度的海量点云数据集进行处理，用于建立基准网格；
采集包含加工板的高精度的三维点云数据集C2，主要功能是用于提供高精度的加工板的三维点云数据。
202、接收预定的行缩放比例和半径规则，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集；
通过所述基准点数据集获取三个相邻的基准点建立对应的三角网格；
计算所述三角网格的对应的取值范围和对应的平面函数；
S2.1：可根据时间要求和精度要求设置一个符合精度要求的行缩放比例，缩减至SN行；如图4所示，缩减后只包含SN为8行；
S2.2：可根据时间要求和精度要求设置一个符合精度要求的初始半径SR1；同时，为了使落入每个网格的点云数据数量相对均匀，使相邻的两个半径形成的环形面积相等。所以对于第二个半径SR2有ΠSR1 2＝ΠSR2 2-ΠSR1 2，得
Figure BDA0001228913700000071
同理有
Figure BDA0001228913700000072
S2.3：根据行缩放比例和半径规则，遍历三维点云数据集C1，提取基准点，并将提取的基准点存放于预定义的数据结构中。
基准点的提取规则如下：获取点云数据集C1的点云数据，提取行值，对SN取余，若结果为零，则该行数据存在基准点；在一行基准行数据上遍历，计算点云数据到原点距离，并依次同半径SR1,SR2,…SRm进行比较，差值最小的则为该行的基准点。同理，对所有存在基准点的行数据进行遍历则可获得所有基准点。如图4所示，提取的基准点为{a1，a2,…,am,b1，b2,…,bm,c1，c2,…,cm,…}，半径
Figure BDA0001228913700000073
S2.4：根据基准点的相对位置，取相邻的三个基准点建立三角网络；如图4所示，点a1,a2,b1构成三角网格A2，点b1,b2,c1构成三角网格B2；
S2.5：计算三角网格的取值范围；如图4所示，根据点a1,a2,b1的三维坐标可以获取网格A2的三条边的取值范围；
S2.6：计算三角网格的平面函数；如图4所示，平面函数建立规则如下：对构成一个区域的三个点云数据，设为A(x1,y1,z1)，B(x2,y2,z2)，C(x3,y3,z3)；
则有向量
Figure BDA0001228913700000074
故可取它们的向量积为
Figure BDA0001228913700000075
即
Figure BDA0001228913700000076
令a＝(y2-y1)(z3-z1)-(y3-y1)(z3-z1)，
b＝-((x2-x1)(z3-z1)-(x3-x1)(z2-z1))，
c＝(x2-x1)(y3-y1)-(x3-x1)(y2-y1)；
则
Figure BDA0001228913700000081
其中向量
Figure BDA0001228913700000082
为单位向量；
所以平面方程为a(x-x1)+b(y-y1)+c(z-z1)＝0。
网格建立完成时，将由基准点{a1，a2,…,am,b1，b2,…,bm,c1，c2,…,cm,…}构成三角网格{A1，A2，…,A2m-1，B1，B2，…,B2m-1，…}。
203、接收预定的阈值，获取所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的横坐标xc2、纵坐标yc2、所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数，通过把所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的X轴坐标xc2、Y轴坐标yc2代入所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数计算得到高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1；
判断高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值是否大于预定的阈值，若是，则述高精度三维点云数据集的点云数据(xc2,yc2,zc2)为复杂外板的点云数据，对所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)进行提取，获得复杂外板三维曲面，若否，则继续获取所述高精度三维点云数据集的点云数据的横坐标、纵坐标、高精度三维点云数据集的点云数据对应行列网格的平面函数。
如图5所示，具体步骤如下：
S3.1：设置一个满足精度要求的阈值；
S3.2：设置数据集C2的原点数据为数据处理的初始点云数据；
S3.3：判断数据集C2是否有未处理的行数据，如果有，则进入步骤S3.4，如果不存在未处理的行，则曲面点云处理工作结束；
S3.4：判断一行数据中是否有未处理的列数据，如果有，则获取该点云数据(xc2,yc2,zc2)，进入步骤S3.5，如果不存在未处理的列，则返回步骤S3.3；
S3.5：确定步骤S3.4获取的点云数据对应行、列所处网格区域，获取对应区域的平面函数；
S3.6：将步骤S3.4获取的点云集C2的点云数据中X轴坐标和Y轴坐标代入步骤S3.5获取的平面函数中，得到Z轴坐标zc1；
S3.7：将zc1和zc2进行比较，若两者差值超过在步骤S3.1设置的阈值，则判定该点云数据为加工板点云数据，进行提取。步骤3.7结束返回步骤S3.4。
本实施例中，通过采集一个高精度的包含加工板的海量点云数据集，同时采集一个低精度的不包含加工板的点云数据集；然后提取低精度三维点云数据集的基准点，基于提取的基准点建立网格，并计算每个网格的平面函数；最后通过点云场景对比提取复杂外板的三维点云数据，避免直接对海量点云数据集的复杂处理，提高了处理速度，解决了现有的水火弯板曲面提取通过对板材进行拍摄，提取二维轮廓信息，同时结合相机的内部参数和板材的二维轮廓信息，计算板材的三维数据集，二维数据转换三维数据过程中会存在采集点和曲面之间存在点偏差，造成数据精度不足的缺陷，而通过激光扫描技术采集高精度的三维点云数据，然后对海量点云数据进行处理，会存在提取速度较慢的技术问题。
请参阅图2，本发明实施例提供的一种复杂外板点云场景对比提取装置的一个实施例包括：
第一获取单元301，用于获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
计算单元302，用于通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；
第二获取单元303，用于判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面，若否，则继续判断所述高精度三维点云数据集的点云数据所在的网格。
上面是对一种复杂外板点云场景对比提取装置各单元进行详细的描述，下面将对一种复杂外板点云场景对比提取装置各附加单元进行详细的描述，请参阅图3，本发明实施例中提供的一种复杂外板点云场景对比提取装置的另一个实施例包括：
第一获取单元401，用于获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
计算单元402，用于通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；
计算单元402具体包括：
缩放子单元4021，具体用于接收预定的行缩放比例和半径规则，对所述低精度三维点云数据集进行缩放；
第一获取子单元4022，具体用于获得所述低精度三维点云数据集的基准点数据集；
第二获取子单元4023，具体用于通过所述基准点数据集获取三个相邻的基准点建立对应的三角网格；
第一计算子单元4024，具体用于计算所述三角网格的对应的取值范围和对应的平面函数。
第二获取单元403，用于判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面。
第二获取单元403具体包括：
接收子单元4031，具体用于接收预定的阈值，获取所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的横坐标xc2、纵坐标yc2、所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数；
第二计算子单元4032，具体用于通过把所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的X轴坐标xc2、Y轴坐标yc2代入所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数计算得到高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1；
判断子单元4033，具体用于判断高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值是否大于预定的阈值；
第三获取子单元4034，具体用于若高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值大于预定的阈值，则所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)为复杂外板的点云数据，对所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)进行提取，获得复杂外板三维曲面；
返回子单元4035，具体用于若高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值不大于预定的阈值，则继续获取所述高精度三维点云数据集的点云数据的横坐标、纵坐标、高精度三维点云数据集的点云数据对应行列网格的平面函数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种复杂外板点云场景对比提取方法，其特征在于，包括：
S1：获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
S2：通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；
S3：判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面，若否，则继续判断所述高精度三维点云数据集的点云数据所在的网格；
所述步骤S2具体包括：
S21：接收预定的行缩放比例和半径规则，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集；
S22：通过所述基准点数据集获取三个相邻的基准点建立对应的三角网格；
S23：计算所述三角网格的对应的取值范围和对应的平面函数；
所述步骤S3具体包括：
S31：接收预定的阈值，获取所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的横坐标xc2、纵坐标yc2、所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数，通过把所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的X轴坐标xc2、Y轴坐标yc2代入所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数计算得到高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1；
S32：判断高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值是否大于预定的阈值，若是，则述高精度三维点云数据集的点云数据(xc2,yc2,zc2)为复杂外板的点云数据，对所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)进行提取，获得复杂外板三维曲面，若否，则继续获取所述高精度三维点云数据集的点云数据的横坐标、纵坐标、高精度三维点云数据集的点云数据对应行列网格的平面函数。
2.一种复杂外板点云场景对比提取装置，其特征在于，包括：
第一获取单元，用于获取一个包含复杂外板的高精度三维点云数据集和一个不包含复杂外板的低精度三维点云数据集；
计算单元，用于通过预定的缩放比例，对所述低精度三维点云数据集进行缩放，获得所述低精度三维点云数据集的基准点数据集，在所述基准点数据集上建立网格，计算所述网格对应的平面函数；
第二获取单元，用于判断所述高精度三维点云数据集的点云数据所在的网格，根据网格对应的平面函数判断所述高精度三维点云数据集的点云数据是否属于复杂外板的点云数据，若是，则将属于复杂外板的所述高精度三维点云数据集的点云数据进行提取，获得复杂外板三维曲面，若否，则继续判断所述高精度三维点云数据集的点云数据所在的网格；
所述计算单元具体包括：
缩放子单元，具体用于接收预定的行缩放比例和半径规则，对所述低精度三维点云数据集进行缩放；
第一获取子单元，具体用于获得所述低精度三维点云数据集的基准点数据集；
第二获取子单元，具体用于通过所述基准点数据集获取三个相邻的基准点建立对应的三角网格；
第一计算子单元，具体用于计算所述三角网格的对应的取值范围和对应的平面函数；
所述第二获取单元具体包括：
接收子单元，具体用于接收预定的阈值，获取所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的横坐标xc2、纵坐标yc2、所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数；
第二计算子单元，具体用于通过把所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)的X轴坐标xc2、Y轴坐标yc2代入所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)对应行列网格的平面函数计算得到高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1；
判断子单元，具体用于判断高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值是否大于预定的阈值；
第三获取子单元，具体用于若高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值大于预定的阈值，则所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)为复杂外板的点云数据，对所述高精度三维点云数据集的点云数据(xc2,yc2,zc2)进行提取，获得复杂外板三维曲面；
返回子单元，具体用于若高精度三维点云数据集的点云数据(xc2,yc2,zc2)的新的Z轴坐标zc1和高精度三维点云数据集的点云数据(xc2,yc2,zc2)的Z轴坐标zc2的差值不大于预定的阈值，则继续获取所述高精度三维点云数据集的点云数据的横坐标、纵坐标、高精度三维点云数据集的点云数据对应行列网格的平面函数。
CN201710090971.3A 2017-02-20 2017-02-20 一种复杂外板点云场景对比提取方法及装置 Active CN106874916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710090971.3A CN106874916B (zh) 2017-02-20 2017-02-20 一种复杂外板点云场景对比提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710090971.3A CN106874916B (zh) 2017-02-20 2017-02-20 一种复杂外板点云场景对比提取方法及装置

Publications (2)

Publication Number Publication Date
CN106874916A CN106874916A (zh) 2017-06-20
CN106874916B true CN106874916B (zh) 2020-04-28

Family

ID=59166589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710090971.3A Active CN106874916B (zh) 2017-02-20 2017-02-20 一种复杂外板点云场景对比提取方法及装置

Country Status (1)

Country Link
CN (1) CN106874916B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109798830B (zh) * 2017-11-17 2020-09-08 上海勘察设计研究院(集团)有限公司 隧道附属物几何特征测量方法
CN116626706B (zh) * 2023-05-12 2024-01-16 北京交通大学 轨道交通隧道侵限检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105444692A (zh) * 2015-11-18 2016-03-30 广东工业大学 一种水火弯板曲面提取方法
CN105894586A (zh) * 2016-03-29 2016-08-24 北方工业大学 一种三维图书模型的单侧页面提取方法
CN106096555A (zh) * 2016-06-15 2016-11-09 湖南拓视觉信息技术有限公司 三维面部检测的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105444692A (zh) * 2015-11-18 2016-03-30 广东工业大学 一种水火弯板曲面提取方法
CN105894586A (zh) * 2016-03-29 2016-08-24 北方工业大学 一种三维图书模型的单侧页面提取方法
CN106096555A (zh) * 2016-06-15 2016-11-09 湖南拓视觉信息技术有限公司 三维面部检测的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种优化的船体外板三维点云数据提取方法;刘建成 等;《船舶工程》;20151231;第37卷(第8期);第74-78页 *
基于Kinect的个性化人体建模技术研究与实践;薛均强;《中国优秀硕士学位论文全文数据库信息科技辑》;20150115(第01期);第I138-1080页 *
船体外板三维曲面的有效提取;吴伟波 等;《船舶工程》;20161231;第38卷(第9期);第84-88页 *

Also Published As

Publication number Publication date
CN106874916A (zh) 2017-06-20

Similar Documents

Publication Publication Date Title
CN107705333B (zh) 基于双目相机的空间定位方法及装置
CN109697728B (zh) 数据处理方法、装置、系统和存储介质
CN109978901B (zh) 一种快速、精确的圆形检测和圆心定位方法
CN108225334B (zh) 一种基于三维实景数据的定位方法及装置
CN109977466B (zh) 一种三维扫描视点规划方法、装置及计算机可读存储介质
CN106257497B (zh) 一种图像同名点的匹配方法及装置
CN102169581A (zh) 一种基于特征向量的快速高精度鲁棒性匹配方法
CN110930503B (zh) 一种服装三维模型建立方法、系统、存储介质及电子设备
CN106127701A (zh) 鱼眼镜头图像畸变校正方法及装置
CN108122280A (zh) 一种三维点云的重建方法及装置
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
CN106874916B (zh) 一种复杂外板点云场景对比提取方法及装置
CN114241018A (zh) 一种牙齿点云配准方法、系统及可读存储介质
CN115601574A (zh) 一种改进akaze特征的无人机影像匹配方法
CN109344750B (zh) 一种基于结构描述子的复杂结构三维对象识别方法
CN111476812A (zh) 地图分割方法、装置、位姿估计方法和设备终端
CN113129328B (zh) 一种目标热点区域精细化分析方法
CN117132737B (zh) 一种三维建筑模型构建方法、系统及设备
CN110223356A (zh) 一种基于能量生长的单目相机全自动标定方法
CN116186864B (zh) 一种基于bim技术的深基坑模型快速建模方法及系统
CN111145266B (zh) 一种鱼眼相机标定方法、装置、鱼眼相机及可读存储介质
CN117372663A (zh) 原木端面遮挡的补全方法、装置、设备及存储介质
CN109712230B (zh) 三维模型补充方法、装置、存储介质及处理器
CN115546437A (zh) 用于机械设备的斜坡检测方法、处理器和斜坡检测装置
CN112446952B (zh) 三维点云法向量的生成方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant