CN107274446A - 一种利用法向一致性的尖锐几何边缘点识别方法 - Google Patents

一种利用法向一致性的尖锐几何边缘点识别方法 Download PDF

Info

Publication number
CN107274446A
CN107274446A CN201710413114.2A CN201710413114A CN107274446A CN 107274446 A CN107274446 A CN 107274446A CN 201710413114 A CN201710413114 A CN 201710413114A CN 107274446 A CN107274446 A CN 107274446A
Authority
CN
China
Prior art keywords
point
normal direction
points
edge
neighborhood
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.)
Granted
Application number
CN201710413114.2A
Other languages
English (en)
Other versions
CN107274446B (zh
Inventor
李嘉
邓辉
蓝秋萍
李子宽
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710413114.2A priority Critical patent/CN107274446B/zh
Publication of CN107274446A publication Critical patent/CN107274446A/zh
Application granted granted Critical
Publication of CN107274446B publication Critical patent/CN107274446B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种利用法向一致性在三维点云中识别尖锐几何边缘点的方法，具体实现方法是：对三维点云中的每一个点计算法向和法向一致性；在每一个点的邻域范围内寻找法向一致性的局部极值点；根据邻域内局部极值点的个数判断附近是否存在尖锐边缘，如果存在，再对该邻域内的所有点依据法向分布情况做进一步分类，根据邻域中心点是否位于分类边缘最终判定该点是否是尖锐边缘点；利用上述方法定位点云中的所有尖锐边缘点。本发明的边缘点探测方法能够适应边缘形态的任意变化，不需要对形成尖锐边缘的相交表面做任何模型假设，能够探测直线和曲线边缘、以及多面相交形成的角点，对于从三维点云中识别各类尖锐几何边缘都具有广泛的适应性。

Description

一种利用法向一致性的尖锐几何边缘点识别方法
技术领域
本发明涉及利用法向一致性的尖锐几何边缘点识别方法，属于三维点云数据处理领域。
背景技术
三维激光扫描是一种近年来快速发展的三维空间成像技术，利用双轴伺服电机驱动激光测距器，对扫描场景的目标表面进行等间隔的连续采样，输出与三维场景几何形态完全一致的三维点云。这种技术正在被越来越广泛地应用于测绘、考古、机械加工制造、三维打印、机器人、无人驾驶等领域。
几何边缘点是指，在三维点云中那些分布在尖锐几何边缘附近的点。几何边缘不仅能够清晰地勾勒出对象的整体轮廓，还能够表达显著的局部细节特征。相比于三维点云中孤立的点而言，边缘特征蕴含了更加丰富的语义信息，同时表达形式也非常简洁。因此，在基于三维点云的形状表达与匹配、目标识别与跟踪、场景理解与测图等视觉相关的任务中，识别尖锐几何边缘点几乎成为完成任务不可或缺的重要步骤。
现有的三维点云边缘点识别方法可以分为两大类：第一类是将三维点云转换为二维图像，利用图像领域已有的边缘提取方法间接完成三维点云中的边缘点识别；另一类则是直接在三维空间中，根据法向突变或曲率极大值等特征，定位边缘点，又或者对点云构建三角网，根据相邻面片的差异性定位几何边缘。相比于第一类间接法，第二类方法具有更加广泛的适用性，适用于非结构化的散乱点云，能够直接应用于复杂的场景的三维点云。
现有的基于法向突变和曲率极大值的边缘点识别方法(属于第二类)，都对噪声较为敏感，一个较大的噪声点都有可能使邻近点被错误识别为边缘点；对噪声的敏感性也导致这些方法难以识别不太明显的几何边缘，比如两个夹角接近180°的相交面形成的几何边缘。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种利用法向一致性的尖锐几何边缘点识别方法，从三维点云中找出位于尖锐几何边缘位置的特征点，识别准确率高。
技术方案：为解决上述技术问题，本发明的一种利用法向一致性识别尖锐几何边缘点的方法，对于一幅给定点云，该识别方法包含以下步骤：
S1，计算每一个点的法向；
S2，计算每一个点在邻域范围内的法向一致性；
S3，针对每一个点，在其邻域范围内寻找法向一致性局部极值点；
S4，如果某个点q的邻域内局部极值点个数≥2，则将邻域点集的所有点都分配到以局部极值点为中心的分类中，如果点q正好在分类的边缘上，那么该点就是一个尖锐几何边缘点。
作为优选，所述步骤S1包含：
S1.1，对于点云中的每一个点q，搜索它的邻近点组成邻域点集
S1.2，根据中的所有点，通过局部表面拟合或者PCA(主成分分析)方法计算点q的法向。
作为优选，所述步骤S2包含：
S2.1，对于点云中的每一个点q，搜索它的邻近点组成邻域点集的邻域半径r2小于或等于的邻域半径r1；
S2.2，计算中的所有点与q的法向夹角，根据这些夹角计算点q的局部法向一致性cq。
作为优选，所述步骤S2.1中，r2在0.8倍r1与1倍r1之间取值。
作为优选，所述步骤S3包含：
S3.1，对于点云中的每一个点q，搜索它的邻近点组成邻域点集的邻域半径r3应当大于的邻域半径r1；
S3.2，对于中的每一个点pi，假设pi的局部法向一致性是ci，在中寻找法向一致性大于ci且与pi的法向夹角相对最小的点pj，将这个相对最小法向夹角记为θi，并记录下pi→pj的指向关系；
S3.3，对于中的每一个点pi，计算ci*θi；
S3.4，在中找出ci*θi特别大的显著点，这些点就是点q的邻域范围内的法向一致性局部极值点。
作为优选，所述步骤S3.1中，r3在1.2倍r1与2倍r1之间取值。
作为优选，所述步骤S3.4中，根据拉依达准则(3σ准则)判定显著点：假设中包含k3个点，计算它们ci*θi值的平均值μ和标准差σ，
若ci*θi大于(μ+3σ)，则为显著点。
作为优选，所述步骤S4包含：
S4.1，如果点q的邻域内的局部极值点个数m≥2，创建m个分类，每一个极值点属于一个分类；
S4.2，按照S3.2中确定的pi→pj的指向关系，将中的剩余点pi分配到与pj相同的分类中；
S4.3，检查点q是否在分类边缘上，如果是，则判定点q即为一个尖锐几何边缘点。
在本发明中，在为三维点云计算法向的过程中，尖锐几何边缘会引起附近法向的整体偏差，从而间接影响法向的自然分布状态，本发明正是利用了点云法向对尖锐边缘的敏感性设计了边缘点的识别方法，能够适应边缘形态的任意变化。能够根据局部邻域中的法向分布状态来识别边缘点，对点云噪声具有较强的鲁棒性，并且能够识别以较大钝角相交面形成的边缘。
在本发明中，几何边缘是反映物体表面几何形态的重要特征，在几乎所有基于点云的三维表面建模、目标识别、对象几何尺寸量测等应用中，都需要从点云中提取精确几何边缘点的工作步骤。在三维表面建模应用中，识别出的几何边缘点被用来约束表面构网过程，确保构建的三角网在边缘位置具有正确边连接关系；随后，在纹理贴图过程中，几何边缘点能够保证三角网边缘与彩色图像边缘的一致性，提高边缘位置纹理映射的精确性。在目标识别应用中，几何边缘点有助于区分前景对象与背景环境，提高目标匹配的计算效率和精度。在对象几何尺寸测量中，识别出的尖锐几何边缘点，有助于测量人员定位精确的边缘位置，实现真正边到边的精确测量。
有益效果：本发明的利用法向一致性识别尖锐几何边缘点的方法，能够适应边缘形态的任意变化，不需要对形成尖锐边缘的相交表面做任何模型假设，能够探测直线和曲线边缘、以及多面相交形成的角点。该方法对于点云噪声具有较强的鲁棒性，识别出的边缘点连续性很强，并且具有很强的敏感性，能够识别大钝角相交面形成的几何边缘，对于从三维点云中识别各类尖锐几何边缘都具有广泛的适应性。
附图说明
图1为根据邻域点集计算点云法向的示意图。
图2为相交面夹角与它们法向夹角的几何关系示意图。
图3为邻域点集内基于法向一致性的自动分类方法示意图。
图4为邻域内分类中心点识别方法示意图。
具体实施方式
本发明的利用法向一致性识别尖锐几何边缘点的方法，给定一幅点云，该识别方法包含以下步骤：
S1，计算每一个点q的法向，该步骤S1包含：
S1.1，搜索点q的邻近点组成邻近点集对于点q，搜索以q为中心、半径为r1的球形范围内的所有点，组成点q的邻域点集如图1中黑色加大的点所示；
S1.2，根据中所有点估计点q的法向量，点云中所有点的法向量均这样求解，对于点云中的每一个点都按照这种方法计算它的法向量，假设中包含k1个点，<方法①>采用平面拟合的方法计算法向：如图1所示，对中的点计算最小二乘意义上的拟合平面S，将平面S的法向作为点q的法向。平面S可以按照如下公式计算
其中，n是平面S的法向量，d是原点到平面S的垂直距离。<方法②>采用主成分分析的方法计算法向：计算的质心并构建半正定协方差矩阵A，
对A进行特征值分解，最小特征值对应的特征向量即为点q的法向。
S2，计算点云中每一个点q在邻域范围内的法向一致性，该步骤S2包括：
S2.1，搜索点q的邻近点组成邻近点集对于点q，搜索以q为中心、半径为r2的球形范围内的所有点，组成点q的邻域点集其中，r2＝0.9*r1；
S2.2，根据中所有点的法向计算点q的邻域法向一致性c：假设中包含k2个点，根据这k2个点与q的法向夹角计算点q的局部法向一致性cq，
其中，nq和ni分别是点q和它的邻近点的法向，θ(nE,ni％是点q与邻近点pi之间的法向夹角，σθ是用来评价两个法向一致性的角度阈值，σθ的选取与几何边缘的尖锐程度定义有关。如图2所示，面S1和面S2相交形成夹角为θS的几何边缘，θS越小，几何边缘越尖锐。法向n1和法向n2之间的夹角为θn，且θn+θS＝180°。如果可以接受的尖锐几何边缘夹角最大为θS，那么就将法向一致性夹角阈值σθ设置为180°-θS。例如：如果边缘点探测过程中，最大只能接受150°夹角的几何边缘，那么可以将σθ设置为30°。
S3，针对点云中的每一个点q，在其邻域范围内寻找法向一致性局部极值点，该步骤S3包括：
S3.1，搜索点q的邻近点组成邻近点集对于点q，搜索以q为中心、半径为r3的球形范围内的所有点，组成点q的邻域点集其中，r3＝1.2*r1，如图3所示，在点q附近找出36个最邻近点(如图3中的黑色高亮点)，连同点q一起组成包含37个点的最邻近点集
S3.2，对于中的每一个点pi，在中寻找法向一致性更强且与pi的法向夹角相对最小的点pj，将这个相对最小的法向夹角记为θi，即：
其中，ci和cj分别是pi和pj的局部法向一致性。同时，记录下pi→pj的指向关系。而中一定存在一个局部法向一致性最高的点，中不存在比它的法向一致性更高的点，因此对该点不保存pi→pj的指向关系，但需要给该点赋一个特殊的θ值：等于它与中所有点的法向夹角的最大值，即
对于图3中的为每一个点pi找出各自pj的，在图中以带箭头的虚线标记出所有pi→pj的指向关系，b22是中的法向一致性最高点，因此无指向点。
S3.3，对于中的每一个点pi，计算ci*θi：图4的散点图记录了图3中37个邻域点的计算结果；
S3.4，在中找出ci*θi特别大的显著点，这些点就是点q的邻域范围内的法向一致性局部极值点。可以根据拉依达准则(3σ准则)判定显著点：假设中包含k3个点，计算它们ci*θi值的平均值μ和标准差σ，
那些ci*θi值大于μ+3σ的点就是中的法向一致性局部极值点。如图4中的37个邻域点，μ+3σ＝70.2，只有b16和b22两个点高于该值，因此，点b16和点b22是点q最邻近点集中的法向一致性局部极值点。
S4，如果某个点q的邻域内局部极值点个数≥2，则将邻域点集中的所有点都分配到以局部极值点为中心的分类中。如果点q正好在分类的边缘上，那么该点就是一个尖锐几何边缘点。该步骤S4包括：
S4.1，如果点q在它的领域内的局部极值点个数m＝1，没有尖锐边缘经过邻域范围，点q也一定不是尖锐几何边缘点；如果局部极值点个数m≥2，邻域范围内存在尖锐边缘，为所有邻域点创建m个分类，为每一个极值点分配一个分类；
S4.2，按照S3.2中确定的pi→pj的指向关系，将中的剩余点pi分配到与pj相同的分类中，直至将中的所有点都分配到这m个分类中。如图3，b16和b22是步骤S3.4得到的点q的邻域局部极值点，根据它们分别创建两个分类，并按照指向关系将剩余点分配到这两个类中，b16创建的类包含15个点，b22创建的类包含22个点。
S4.3，检查点q是否是某个分类的边缘上，如果是，则判定点q即为一个尖锐几何边缘点，如图3，点q位于b22对应分类的边缘上，所以点q是一个尖锐几何边缘点。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.利用法向一致性识别尖锐几何边缘点的方法，对于一幅给定点云，其特征在于，该识别方法包含以下步骤：
S1，计算每一个点的法向；
S2，计算每一个点在邻域范围内的法向一致性；
S3，针对每一个点，在其邻域范围内寻找法向一致性局部极值点；
S4，如果某个点q的邻域内局部极值点个数≥2，则将邻域点集的所有点都分配到以局部极值点为中心的分类中，如果点q正好在分类的边缘上，那么该点就是一个尖锐几何边缘点。
2.如权利要求1所述的利用法向一致性的尖锐几何边缘点识别方法，其特征在于，所述步骤S1包含：
S1.1，对于点云中的每一个点q，搜索它的邻近点组成邻域点集
S1.2，根据中的所有点，通过局部表面拟合或者PCA方法计算点q的法向。
3.如权利要求1所述的利用法向一致性的尖锐几何边缘点识别方法，其特征在于，所述步骤S2包含：
S2.1，对于点云中的每一个点q，搜索它的邻近点组成邻域点集的邻域半径r2小于或等于的邻域半径r1；
S2.2，计算中的所有点与q的法向夹角，根据这些夹角计算点q的局部法向一致性cq。
4.如权利要求3所述的利用法向一致性的尖锐几何边缘点识别方法，其特征在于，所述步骤S2.1中，r2在0.8倍r1与1倍r1之间取值。
5.如权利要求1所述的利用法向一致性的尖锐几何边缘点识别方法，其特征在于，所述步骤S3包含：
S3.1，对于点云中的每一个点q，搜索它的邻近点组成邻域点集的邻域半径r3大于的邻域半径r1；
S3.2，对于中的每一个点pi，假设pi的局部法向一致性是ci，在中寻找法向一致性大于ci且与pi的法向夹角相对最小的点pj，将这个相对最小法向夹角记为θi，并记录下pi→pj的指向关系；
S3.3，对于中的每一个点pi，计算ci*θi；
S3.4，在中找出ci*θi特别大的显著点，这些点就是点q的邻域范围内的法向一致性局部极值点。
6.如权利要求5所述的利用法向一致性的尖锐几何边缘点识别方法，其特征在于，所述步骤S3.1中，r3在1.2倍r1与2倍r1之间取值。
7.如权利要求5所述的利用法向一致性的尖锐几何边缘点识别方法，其特征在于，所述步骤S3.4中，根据拉依达准则判定显著点：假设中包含k3个点，计算它们ci*θi值的平均值μ和标准差σ，
<mrow> <mi>&amp;mu;</mi> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>k</mi> <mn>3</mn> </msub> </mfrac> <msub> <mi>&amp;Sigma;</mi> <mi>i</mi> </msub> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>*</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>,</mo> </mrow> 1
若ci*θi大于(μ+3σ)，则为显著点。
8.如权利要求1所述的利用法向一致性的尖锐几何边缘点识别方法，其特征在于，所述步骤S4包含：
S4.1，如果点q的邻域内的局部极值点个数m≥2，创建m个分类，每一个极值点属于一个分类；
S4.2，按照S3.2中确定的pi→pj的指向关系，将中的剩余点pi分配到与pj相同的分类中；
S4.3，检查点q是否在分类边缘上，如果是，则判定点q即为一个尖锐几何边缘点。
CN201710413114.2A 2017-06-05 2017-06-05 一种利用法向一致性的尖锐几何边缘点识别方法 Expired - Fee Related CN107274446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710413114.2A CN107274446B (zh) 2017-06-05 2017-06-05 一种利用法向一致性的尖锐几何边缘点识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710413114.2A CN107274446B (zh) 2017-06-05 2017-06-05 一种利用法向一致性的尖锐几何边缘点识别方法

Publications (2)

Publication Number Publication Date
CN107274446A true CN107274446A (zh) 2017-10-20
CN107274446B CN107274446B (zh) 2020-11-20

Family

ID=60064926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710413114.2A Expired - Fee Related CN107274446B (zh) 2017-06-05 2017-06-05 一种利用法向一致性的尖锐几何边缘点识别方法

Country Status (1)

Country Link
CN (1) CN107274446B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166096A (zh) * 2018-07-16 2019-01-08 歌尔股份有限公司 一种图像处理方法、装置及电子设备
CN110726625A (zh) * 2019-11-14 2020-01-24 中北大学 一种岩石类材料断裂过程区长度的确定方法
CN112907722A (zh) * 2019-11-19 2021-06-04 广东博智林机器人有限公司 建筑信息模型生成方法、系统、设备和存储介质
US11170510B2 (en) 2018-09-25 2021-11-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for detecting flying spot on edge of depth image, electronic device, and computer readable storage medium

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530899A (zh) * 2013-10-10 2014-01-22 浙江万里学院 基于几何特征性的点云简化方法
CN104200507A (zh) * 2014-08-12 2014-12-10 南京理工大学 一种三维点云点法向量估计方法
CN105512665A (zh) * 2015-12-11 2016-04-20 中国测绘科学研究院 一种机载激光雷达点云数据边缘提取方法
CN106127677A (zh) * 2016-06-22 2016-11-16 山东理工大学 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530899A (zh) * 2013-10-10 2014-01-22 浙江万里学院 基于几何特征性的点云简化方法
CN104200507A (zh) * 2014-08-12 2014-12-10 南京理工大学 一种三维点云点法向量估计方法
CN105512665A (zh) * 2015-12-11 2016-04-20 中国测绘科学研究院 一种机载激光雷达点云数据边缘提取方法
CN106127677A (zh) * 2016-06-22 2016-11-16 山东理工大学 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAO SONG ET AL: ""Automatic Detection of Tangential Discontinuities in Point Cloud Data"", 《JOURNAL OF COMPUTING AND INFORMATION SCIENCE IN ENGINEERING》 *
万松: ""煤矿井下三维点云边缘检测及配准研究"", 《中国优秀硕士学位论文全文数据库·信息科技辑》 *
万松等: ""基于法向量和曲率的三维边缘检测方法"", 《计算机与数字工程》 *
陈西江等: ""于法向量夹角信息熵的点云简化算法"", 《中国激光》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166096A (zh) * 2018-07-16 2019-01-08 歌尔股份有限公司 一种图像处理方法、装置及电子设备
CN109166096B (zh) * 2018-07-16 2021-03-30 歌尔光学科技有限公司 一种图像处理方法、装置及电子设备
US11170510B2 (en) 2018-09-25 2021-11-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for detecting flying spot on edge of depth image, electronic device, and computer readable storage medium
CN110726625A (zh) * 2019-11-14 2020-01-24 中北大学 一种岩石类材料断裂过程区长度的确定方法
CN112907722A (zh) * 2019-11-19 2021-06-04 广东博智林机器人有限公司 建筑信息模型生成方法、系统、设备和存储介质

Also Published As

Publication number Publication date
CN107274446B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
US8830229B2 (en) Recognition and pose determination of 3D objects in 3D scenes
US8994723B2 (en) Recognition and pose determination of 3D objects in multimodal scenes
WO2021082380A1 (zh) 一种基于激光雷达的托盘识别方法、系统和电子设备
CN106373118B (zh) 可有效保留边界和局部特征的复杂曲面零件点云精简方法
CN107274446B (zh) 一种利用法向一致性的尖锐几何边缘点识别方法
WO2021248908A1 (zh) 基于高斯过程回归的室外场景三维点云的地面提取方法
US11468609B2 (en) Methods and apparatus for generating point cloud histograms
US11321953B2 (en) Method and apparatus for posture, dimension and shape measurements of objects in 3D scenes
CN109035207A (zh) 密度自适应的激光点云特征检测方法
Dong et al. Fast ellipse detection via gradient information for robotic manipulation of cylindrical objects
Ecins et al. Cluttered scene segmentation using the symmetry constraint
Sun et al. Oriented point sampling for plane detection in unorganized point clouds
CN110310322A (zh) 一种10微米级高精度器件装配表面检测方法
Ji et al. Adaptive Denoising-Enhanced LiDAR Odometry for Degeneration Resilience in Diverse Terrains
SANDOVAL et al. Robust sphere detection in unorganized 3D point clouds using an efficient Hough voting scheme based on sliding voxels
Li et al. Pose estimation of metal workpieces based on RPM-Net for robot grasping from point cloud
He et al. 6D pose measurement of metal parts based on virtual geometric feature point matching
CN117576653A (zh) 目标追踪方法、装置、计算机设备和存储介质
Bazazian et al. Segmentation-based multi-scale edge extraction to measure the persistence of features in unorganized point clouds
Asif et al. Model-free segmentation and grasp selection of unknown stacked objects
Pham et al. Feature descriptors: A review of multiple cues approaches
Chen et al. Point Cloud Segmentation Algorithm Based on Improved Euclidean Clustering
Ali et al. Segmentation and pose estimation of planar metallic objects
Cupec et al. Fast 2.5 D Mesh Segmentation to Approximately Convex Surfaces.
Liao et al. Gnn-based point cloud maps feature extraction and residual feature fusion for 3d object detection

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
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: 20201120