CN107301648A - 基于重叠区域边界角度的冗余点云去除方法 - Google Patents
基于重叠区域边界角度的冗余点云去除方法 Download PDFInfo
- Publication number
- CN107301648A CN107301648A CN201710429577.8A CN201710429577A CN107301648A CN 107301648 A CN107301648 A CN 107301648A CN 201710429577 A CN201710429577 A CN 201710429577A CN 107301648 A CN107301648 A CN 107301648A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- cloud
- point
- overlapping region
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Abstract
本发明基于重叠区域边界角度的冗余点云去除方法属于逆向工程领域,涉及一种基于重叠区域边界角度的冗余点云去除方法。该方法首先通过激光结合双目视觉的方式,获取代表被测物表面信息的点云数据。求解每个点云区域上的四条边界,识别点云数据中的重叠区域,并判断点云重叠区域的左、右边界方向向量的夹角。以扫描点云区域中的点作为基准,求解扫描点云区域的坐标点到点云重叠区域的左、右边界垂线的方向向量,根据向量积的大小,去除重叠区域中扫描点云区域的冗余数据。本方法不需要先建立拓扑结构,以及计算点云的密度等信息来删除多余的点云,提高了冗余数据去除的效率,并保证了点云数据的局部信息的准确性。
Description
技术领域
本发明属于逆向工程领域,涉及一种基于重叠区域边界角度的冗余点云去除方法。
背景技术
随着航空事业的不断发展,对于大型航空零部件的生产要求越来越高,由于逆向工程技术具有操作简单,实时获取,方便分析等特点,所以发展针对飞机零件的逆向建模技术迫在眉睫。点云数据的获取作为逆向工程的第一步,其获取的方式尤为重要。
针对零件逆向重建技术中点云获取的方法,国内外诸多学者开展了结合数字化测量的获取点云数据研究,如激光跟踪仪在线测量法、iGPS在线测量法、三坐标测量法等,但目前这些方法操作复杂,对使用者要求较高,测量时间较长。在应用视觉测量技术对大型航空零件表面进行点云数据的获取时,由于扫描范围和相机视场的限制,完成一个零件的数据采集,需要进行多视数据拼接。拼接之后相邻两次测量的点云数据需要具有一定的重叠区域,以保证采集数据的完整性。由于这些重叠区域的点云密度远远大于其他区域,这样便形成了冗余数据。这些冗余数据使整个点云图像分布不均,影响曲面重构等后续处理工作,并会对重建精度造成影响,因此去除冗余数据对整个逆向建模的过程尤为重要。
针对冗余数据的去除,西安工程大学的黄文明等人,在《光学学报》第37卷第7期《保留几何特征的散乱点云简化方法》一文中提出了一种保留几何特征的简化方法,该方法以点云中的数据点为球心构建包围球,并在包围球中查找数据点的K邻域;随后构造一个非负函数用于度量重建曲面在各点处的曲率,进而提取并保留点云中的特征点;最后根据法向量的内积阈值对包围球中的非特征点进行适度简化。但该方法需要先建立拓扑结构,并通过计算点云的曲率、密度等信息来删除多余的点云,具有计算量大,效率低,无法保证原始扫描数据信息等问题。
发明内容
本发明为了解决现有多视数据拼接下大型航空平板类零件点云数据处理过程中的局限性,发明了一种基于重叠区域边界角度的冗余点云去除方法。针对冗余点云数据去除过程中需要先建立拓扑结构,并通过计算点云的曲率、密度等信息来删除多余的点云,计算量大,效率低,无法保证原始扫描数据信息等问题,通过对获取的点云数据进行区域划分,按照扫描线的方向拟合点云数据,实现点云重叠区域冗余数据的快速、高精度去除。克服了现有点云重叠区域冗余数据去除过程中计算量大,效率低,无法保证原始扫描数据信息等问题,具有广泛的应用前景。
本发明采用的技术方案是一种基于重叠区域边界角度的冗余点云去除方法,其特征是,该方法首先通过激光结合双目视觉的方式,利用左、右摄像机1、2拍摄激光发射器3在被测物5上形成的辅助激光条纹6,获取代表被测物5表面信息的点云数据;其次求解每个点云区域上的四条边界,识别点云数据中的重叠区域9,并判断点云重叠区域的左、右边界10、11方向向量的夹角;最后以扫描点云区域Ⅰ7中的点作为基准,求解扫描点云区域Ⅱ8的坐标点到点云重叠区域的左、右边界垂线的方向向量根据向量积的大小,去除重叠区域9中扫描点云区域Ⅱ8的冗余数据;方法的具体步骤如下:
第一步,获取点云数据
安装测量设备,打开辅助激光发射器3并照射被测物5,在开始采集之后,打开转台4带动激光发射器3转动,使激光扫描被测物5。然后,整体平移左右摄像机1、2的位置,进行多次拍摄,保证被测物5形面信息的完整性。通过信息采集系统采集到辅助激光光条6图像之后,需要对激光光条6的中心线进行提取,本文是利用光条图像中心灰度重心提取的方法,其原理如下
其中:,(ui,vi)为第i行光条灰度重心坐标,Iij为第i行第j列灰度值;。通过此方法可以获取辅助激光光条6的特征点二维信息,再结合标定结果以及重建公式,得到边界点和光条中心点在世界坐标系下的三维坐标值,重建公式如下:
其中,假设x′i=(X′i,Y′i),X′i,Y′i分别为左摄像机1采集的图像边界点或光条中心点x′i在像面坐标系下的横、纵坐标;x′i′=(X′i′,Y′i′),X′i′,Y′i′分别为右摄像机2采集的图像光斑中心点xi‘'在像面坐标系下的横、纵坐标;f1、f2分别为左、右摄像机1、2标定得到的焦距;是右摄像机2相对于左摄像机1的旋转矩阵,[tx ty tz]是右摄像机2相对于左摄像机1的平移矩阵,由标定实验得到;则(xi,yi,zi)为重建出来的对应点的三维坐标,由此获取整个被测物5表面的三维点云数据。
第二步,识别点云重叠区域
针对获得的点云,沿着激光扫描的方向对激光扫描线上的点云进行搜索,先识别其左右边界,通过设置每条点云线上点云之间的距离阈值,将超过这个距离阈值的点标记为上下边界点,连接标记点,识别其上下边界。每个点云区域上的四条边界识别出来后,点云重叠区域9就是由扫描点云区域Ⅰ7的上、下、右边界和扫描点云区域Ⅱ8的左边界组成。根据最小二乘法,对点云重叠区域的左、右边界10、11进行拟合,拟合后的点云重叠区域左边界10的公式为:
A1x+B1Y+C1=0 (3)
其方向向量为:其斜率为:
点云重叠区域右边界11的公式为:
A2x+B2Y+C2=0 (5)
其方向向量为:其斜率为
当时,点云重叠区域的左、右边界10、11的夹角θ为锐角;
当时,点云重叠区域的左、右边界10、11的夹角θ为直角;
当时,点云重叠区域的左、右边界10、11的夹角θ为钝角;
第三步,去除冗余数据
识别到点云重叠区域9后,求解扫描点云区域Ⅱ8的坐标点到点云重叠区域的左、右边界垂线的方向向量并以扫描点云区域Ⅰ7的点作为基准,对重叠区域9中扫描点云区域Ⅱ8上的点进行去除。扫描点云区域Ⅱ8上任意点的坐标为(x0,y0),过此点与点云重叠区域的左边界10的垂线公式为:
通过公式(3)—(8),可以求得扫描点云区域Ⅱ8的坐标点到点云重叠区域的左、右边界垂线的方向向量
当点云重叠区域的左、右边界的夹角θ为锐角时,若则坐标点在重叠区域9内,去除此点,反之,则保留;
当点云重叠区域的左、右边界的夹角θ为直角时,若则坐标点在重叠区域9内,去除此点,反之,则保留;
当点云重叠区域的左、右边界的夹角θ为钝角时,若则坐标点在重叠区域9内,去除此点,反之,则保留;
这样就完成了重叠区域9冗余点云的去除。
本发明的效果和益处是:本方法主要采用激光结合双目视觉的方式获得扫描式点云,并通过设置每条点云线上点云之间的距离阈值,将超过这个距离阈值的点标记为上下边界点,并将扫描点云区域Ⅰ7的上、下、右边界和扫描点云区域Ⅱ8的左边界作为点云重叠区域9的边界,完成点云重叠区域9的识别,可以较好的保存点云数据的局部特征。之后,根据最小二乘法,对点云重叠区域的左、右边界10、11进行拟合,求得其方向向量,并判断其夹角θ,最后,以扫描点云区域Ⅰ7的点作为基准,对重叠区域9中扫描点云区域Ⅱ8上的点进行去除,即求解扫描点云区域Ⅱ8的坐标点到点云重叠区域的左、右边界垂线的方向向量根据向量积的大小,完成重叠区域9冗余点云的去除。本方法不需要先建立拓扑结构,以及计算点云的密度等信息来删除多余的点云,大大提高了冗余数据去除的效率,并保证了点云数据的局部信息的准确性。
附图说明
图1是点云数据的获取示意图,其中,1‐左摄像机,2‐右摄像机,3‐激光发射器,4‐转台,5‐被测物,6‐激光光条。
图2是重叠区域点云的识别示意图,其中,7‐扫描点云区域Ⅰ,8‐扫描点云区域Ⅱ,9‐重叠点云区域,10‐点云重叠区域的左边界,11‐点云重叠区域的右边界,12‐点云重叠区域的上边界,13‐点云重叠区域的下边界;
图3是重叠区域冗余点云的去除示意图,其中,坐标点到点云重叠区域的左边界垂线的方向向量,‐坐标点到点云重叠区域的右边界垂线的方向向量,θ‐点云重叠区域的左、右边界的夹角;
具体实施方式
以下结合技术方法和附图详细叙述本发明的具体实施方式。
图1是点云数据的获取示意图,方法首先通过激光结合双目视觉的方式,利用左、右摄像机1、2拍摄激光发射器3在被测物5上形成的辅助激光条纹6,获取代表被测物5表面信息的点云数据;其次求解每个点云区域上的四条边界,识别点云数据中的重叠区域9,并判断点云重叠区域的左、右边界10、11方向向量的夹角;最后求解扫描点云区域Ⅱ8的坐标点到点云重叠区域的左、右边界垂线的方向向量根据向量积的大小,去除重叠区域9中的冗余数据;;方法的具体步骤如下:
第一步,获取点云数据
本次测量选取韩国Vieworks公司生产的VC‐12MC‐M/C 65型号工业相机,此相机为逐行扫描式面扫描工业相机,本文选用的是激光发射器为Coherent公司生产的LasirisPowerLine激光发射器,被测物5为航空平板类零件。安装实验设备后,打开激光发射器3并照射被测物5,在开始采集之后,打开转台4带动激光发射器3转动,使激光扫描被测物5。然后,变换左右摄像机1、2的位置,进行多次拍摄,保证被测物5形面信息的完整性。通过信息采集系统采集到辅助激光光条6图像之后,利用公式(1)对激光光条6的中心线进行提取,获取激光光条6的特征点二维信息,再结合标定结果重建公式(2),可以将左右相机1、2拍摄的光条信息进行匹配,由此将二维信息还原成为三维点信息。之后根据标定结果,最终获取整个被测物5表面的三维点云数据。
第二步,识别点云区域
针对获得的点云,沿着激光扫描的方向对激光扫描线上的点云进行搜索,先识别其左右边界,通过设置每条点云线上点云之间的距离阈值,将超过这个距离阈值的点标记为上下边界点,连接标记点,识别其上下边界。每个点云区域上的四条边界识别出来后,点云重叠区域9就是由扫描点云区域Ⅰ7的上、下、右边界和扫描点云区域Ⅱ8的左边界组成,如图2所示。根据最小二乘法,对点云重叠区域的左、右边界进行拟合,根据公式(3)、(5),获得其方向向量和斜率为a、b;
当时,点云重叠区域的左、右边界10、11的夹角θ为锐角;
当时,点云重叠区域的左、右边界10、11的夹角θ为直角;
当时,点云重叠区域的左、右边界10、11的夹角θ为钝角;
第三步,去除冗余数据
图3是重叠区域冗余点云的去除示意图,如图所示,识别到点云重叠区域9后,求解扫描点云区域Ⅱ8的坐标点到点云重叠区域的左、右边界垂线的方向向量并以扫描点云区域Ⅰ7的点作为基准,对重叠区域9中扫描点云区域Ⅱ8上的点进行去除。扫描点云区域Ⅱ8上任意点的坐标为(x0,y0),通过公式(3)—(8),可以求得扫描点云区域Ⅱ8的坐标点到点云重叠区域的左、右边界垂线的方向向量
当点云重叠区域的左、右边界的夹角θ为锐角时,若则坐标点在重叠区域9内,去除此点,反之,则保留;
当点云重叠区域的左、右边界的夹角θ为直角时,若则坐标点在重叠区域9内,去除此点,反之,则保留;
当点云重叠区域的左、右边界的夹角θ为钝角时,若则坐标点在重叠区域9内,去除此点,反之,则保留;
这样就完成了重叠区域9冗余点云的去除。
本发明在最小二乘法的基础上,应用激光结合双目视觉的测量方法,改进了现有逆向重建过程中重叠区域冗余点云去除方法的局限性,实现了点云冗余数据快速、高精度的去除。
Claims (1)
1.一种基于重叠区域边界角度的冗余点云去除方法,其特征是,该方法首先通过激光结合双目视觉的方式,利用左、右摄像机(1、2)拍摄激光发射器(3)在被测物(5)上形成的辅助激光条纹(6),获取代表被测物(5)表面信息的点云数据;其次求解每个点云区域上的四条边界,识别点云数据中的重叠区域(9),并判断点云重叠区域的左、右边界(10、11)方向向量的夹角;最后以扫描点云区域Ⅰ(7)中的点作为基准,求解扫描点云区域Ⅱ(8)的坐标点到点云重叠区域的左、右边界垂线的方向向量根据向量积的大小,去除重叠区域(9)中扫描点云区域Ⅱ(8)的冗余数据;方法的具体步骤如下:
第一步,获取点云数据
安装测量设备,打开辅助激光发射器(3)并照射被测物(5),在开始采集之后,打开转台(4)带动激光发射器(3)转动,使激光扫描被测物(5);然后,整体平移左右摄像机(1、2)的位置,进行多次拍摄,保证被测物(5)形面信息的完整性;通过信息采集系统采集到辅助激光光条(6)图像之后,需要对激光光条(6)的中心线进行提取,本文是利用光条图像中心灰度重心提取的方法,其原理如下:
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>p</mi>
</mrow>
<mi>q</mi>
</munderover>
<mi>j</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>p</mi>
</mrow>
<mi>q</mi>
</munderover>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:(ui,vi)为第i行光条灰度重心坐标,Iij为第i行第j列灰度值;通过此方法可以获取辅助激光光条(6)的特征点二维信息,再结合标定结果以及重建公式,得到边界点和光条中心点在世界坐标系下的三维坐标值,重建公式如下:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>zX</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>zY</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>Y</mi>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>&prime;</mo>
</msup>
<msub>
<mi>t</mi>
<mi>z</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>7</mn>
</msub>
<msup>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>8</mn>
</msub>
<msup>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>9</mn>
</msub>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>4</mn>
</msub>
<msup>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>5</mn>
</msub>
<msup>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>6</mn>
</msub>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,假设xi'=(Xi',Yi'),Xi',Yi'分别为左摄像机(1)采集的图像边界点或光条中心点xi'在像面坐标系下的横、纵坐标;xi′′=(Xi′′,Yi′′),Xi′′,Yi′′分别为右摄像机(2)采集的图像光斑中心点xi‘′在像面坐标系下的横、纵坐标;f1、f2分别为左、右摄像机(1、2)标定得到的焦距;是右摄像机(2)相对于左摄像机(1)的旋转矩阵,[tx ty tz]是右摄像机(2)相对于左摄像机(1)的平移矩阵,由标定实验得到;则(xi,yi,zi)为重建出来的对应点的三维坐标,由此获取整个被测物(5)表面的三维点云数据;
第二步,识别点云重叠区域
针对获得的点云,沿着激光扫描的方向对激光扫描线上的点云进行搜索,先识别其左右边界,通过设置每条点云线上点云之间的距离阈值,将超过这个距离阈值的点标记为上下边界点,连接标记点,识别其上下边界;每个点云区域上的四条边界识别出来后,点云重叠区域(9)就是由扫描点云区域Ⅰ(7)的上、下、右边界和扫描点云区域Ⅱ(8)的左边界组成;根据最小二乘法,对点云重叠区域的左、右边界(10、11)进行拟合,拟合后的点云重叠区域左边界(10)的公式为:
A1x+B1Y+C1=0 (3)
其方向向量为:其斜率为:
<mrow>
<mi>a</mi>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
点云重叠区域右边界(11)的公式为:
A2x+B2Y+C2=0 (5)
其方向向量为:其斜率为
<mrow>
<mi>b</mi>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>B</mi>
<mn>2</mn>
</msub>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
当时,点云重叠区域的左、右边界(10、11)夹角θ为锐角;
当时,点云重叠区域的左、右边界(10、11)夹角θ为直角;
当时,点云重叠区域的左、右边界(10、11)夹角θ为钝角;
第三步,去除冗余数据
识别到点云重叠区域(9)后,求解扫描点云区域Ⅱ(8)的坐标点到点云重叠区域的左、右边界垂线的方向向量并以扫描点云区域Ⅰ(7)的点作为基准,对重叠区域(9)中扫描点云区域Ⅱ(8)上的点进行去除;扫描点云区域Ⅱ(8)上任意点的坐标为(x0,y0),过此点与点云重叠区域的左边界(10)的垂线公式为:
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>a</mi>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
</mrow>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>b</mi>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
</mrow>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
通过公式(3)—(8),可以求得扫描点云区域Ⅱ(8)的坐标点到点云重叠区域的左、右边界垂线的方向向量
当点云重叠区域的左、右边界的夹角θ为锐角时,若则坐标点在重叠区域(9)内,去除此点,反之,则保留;
当点云重叠区域的左、右边界的夹角θ为直角时,若则坐标点在重叠区域(9)内,去除此点,反之,则保留;
当点云重叠区域的左、右边界的夹角θ为钝角时,若则坐标点在重叠区域(9)内,去除此点,反之,则保留;
这样就完成了重叠区域(9)冗余点云的去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429577.8A CN107301648B (zh) | 2017-06-09 | 2017-06-09 | 基于重叠区域边界角度的冗余点云去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429577.8A CN107301648B (zh) | 2017-06-09 | 2017-06-09 | 基于重叠区域边界角度的冗余点云去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301648A true CN107301648A (zh) | 2017-10-27 |
CN107301648B CN107301648B (zh) | 2020-04-07 |
Family
ID=60134688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710429577.8A Active CN107301648B (zh) | 2017-06-09 | 2017-06-09 | 基于重叠区域边界角度的冗余点云去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301648B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037503A (zh) * | 2017-12-22 | 2018-05-15 | 杭州视熵科技有限公司 | 一种面向家居板材上下料的基于激光雷达的平面多板材定位方法 |
CN108876744A (zh) * | 2018-06-27 | 2018-11-23 | 大连理工大学 | 一种基于区域分割的大尺度点云噪声去噪方法 |
CN110136077A (zh) * | 2019-04-29 | 2019-08-16 | 东南大学 | 一种基于投影的多视角点云融合方法 |
CN110415362A (zh) * | 2019-07-31 | 2019-11-05 | 易思维(杭州)科技有限公司 | 重叠点云融合方法 |
CN111398985A (zh) * | 2018-12-29 | 2020-07-10 | 北京北科天绘科技有限公司 | 一种激光雷达点云数据超分辨处理方法、系统及存储介质 |
WO2020176238A1 (en) * | 2019-02-25 | 2020-09-03 | Sony Corporation | Method of merging point clouds that identifies and retains preferred points |
CN111833451A (zh) * | 2020-07-13 | 2020-10-27 | 林嘉恒 | 一种区块化的可见光数据重组立体扫描重构的方法 |
CN112060630A (zh) * | 2020-07-15 | 2020-12-11 | 成都飞机工业(集团)有限责任公司 | 一种基于自动铺丝技术的铺层理论厚度测算方法 |
CN112907759A (zh) * | 2019-11-19 | 2021-06-04 | 南京理工大学 | 基于点云投影和点云增长的拼接冗余点云去除方法 |
CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
CN116755065A (zh) * | 2023-08-23 | 2023-09-15 | 深圳玩智商科技有限公司 | 一种固态激光雷达结构及其扫描建图方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971353A (zh) * | 2014-05-14 | 2014-08-06 | 大连理工大学 | 采用激光辅助大型锻件测量图像数据的拼接方法 |
CN104930985A (zh) * | 2015-06-16 | 2015-09-23 | 大连理工大学 | 基于时空约束的双目视觉三维形貌测量方法 |
WO2016003340A1 (en) * | 2014-07-03 | 2016-01-07 | Telefonaktiebolaget L M Ericsson (Publ) | Encoding and decoding of light fields |
CN105698699A (zh) * | 2016-01-26 | 2016-06-22 | 大连理工大学 | 一种基于时间转轴约束的双目视觉测量方法 |
CN105716539A (zh) * | 2016-01-26 | 2016-06-29 | 大连理工大学 | 一种快速高精度的三维形面测量方法 |
-
2017
- 2017-06-09 CN CN201710429577.8A patent/CN107301648B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971353A (zh) * | 2014-05-14 | 2014-08-06 | 大连理工大学 | 采用激光辅助大型锻件测量图像数据的拼接方法 |
WO2016003340A1 (en) * | 2014-07-03 | 2016-01-07 | Telefonaktiebolaget L M Ericsson (Publ) | Encoding and decoding of light fields |
CN104930985A (zh) * | 2015-06-16 | 2015-09-23 | 大连理工大学 | 基于时空约束的双目视觉三维形貌测量方法 |
CN105698699A (zh) * | 2016-01-26 | 2016-06-22 | 大连理工大学 | 一种基于时间转轴约束的双目视觉测量方法 |
CN105716539A (zh) * | 2016-01-26 | 2016-06-29 | 大连理工大学 | 一种快速高精度的三维形面测量方法 |
Non-Patent Citations (2)
Title |
---|
WEI LIU ET AL.: "A Measurement Method for Large Parts Combining with Feature Compression Extraction and Directed Edge-Point Criterion", 《SENSORS》 * |
郭进 等: "基于多视几何的重叠点云删除算法", 《计算机工程与设计》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037503A (zh) * | 2017-12-22 | 2018-05-15 | 杭州视熵科技有限公司 | 一种面向家居板材上下料的基于激光雷达的平面多板材定位方法 |
CN108876744A (zh) * | 2018-06-27 | 2018-11-23 | 大连理工大学 | 一种基于区域分割的大尺度点云噪声去噪方法 |
CN108876744B (zh) * | 2018-06-27 | 2020-01-17 | 大连理工大学 | 一种基于区域分割的大尺度点云噪声去噪方法 |
CN111398985A (zh) * | 2018-12-29 | 2020-07-10 | 北京北科天绘科技有限公司 | 一种激光雷达点云数据超分辨处理方法、系统及存储介质 |
CN111398985B (zh) * | 2018-12-29 | 2022-02-15 | 北京北科天绘科技有限公司 | 一种激光雷达点云数据超分辨处理方法、系统及存储介质 |
WO2020176238A1 (en) * | 2019-02-25 | 2020-09-03 | Sony Corporation | Method of merging point clouds that identifies and retains preferred points |
CN110136077A (zh) * | 2019-04-29 | 2019-08-16 | 东南大学 | 一种基于投影的多视角点云融合方法 |
CN110415362A (zh) * | 2019-07-31 | 2019-11-05 | 易思维(杭州)科技有限公司 | 重叠点云融合方法 |
CN112907759A (zh) * | 2019-11-19 | 2021-06-04 | 南京理工大学 | 基于点云投影和点云增长的拼接冗余点云去除方法 |
CN111833451B (zh) * | 2020-07-13 | 2023-01-17 | 林嘉恒 | 一种区块化的可见光数据重组立体扫描重构的方法 |
CN111833451A (zh) * | 2020-07-13 | 2020-10-27 | 林嘉恒 | 一种区块化的可见光数据重组立体扫描重构的方法 |
CN112060630A (zh) * | 2020-07-15 | 2020-12-11 | 成都飞机工业(集团)有限责任公司 | 一种基于自动铺丝技术的铺层理论厚度测算方法 |
CN114609591B (zh) * | 2022-03-18 | 2022-12-20 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
CN116755065A (zh) * | 2023-08-23 | 2023-09-15 | 深圳玩智商科技有限公司 | 一种固态激光雷达结构及其扫描建图方法 |
CN116755065B (zh) * | 2023-08-23 | 2023-11-10 | 深圳玩智商科技有限公司 | 一种固态激光雷达结构及其扫描建图方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107301648B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301648A (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
CN108399649B (zh) | 一种基于级联回归网络的单张图片三维人脸重建方法 | |
Wu et al. | Virtual sparse convolution for multimodal 3d object detection | |
CN104930985B (zh) | 基于时空约束的双目视觉三维形貌测量方法 | |
CN107392954A (zh) | 一种基于序列图像的粗大误差点剔除方法 | |
CN103971406A (zh) | 基于线结构光的水下目标三维重建方法 | |
CN102930602B (zh) | 一种基于断层图像的面皮三维表面模型重建方法 | |
CN102938142A (zh) | 基于Kinect的室内LiDAR缺失数据填补方法 | |
CN107767453A (zh) | 一种基于规则约束的建筑物lidar点云重构优化方法 | |
CN104021588A (zh) | 一种实时恢复车辆三维真实模型的系统及方法 | |
CN112347987A (zh) | 一种多模数据融合的三维目标检测方法 | |
CN107545602B (zh) | 基于LiDAR点云的空间拓扑关系约束下的建筑物建模方法 | |
CN104156997A (zh) | 一种基于渲染的快速体数据骨架提取方法 | |
CN104036541A (zh) | 一种视觉测量中的快速三维重建方法 | |
CN105913444A (zh) | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 | |
CN115171096A (zh) | 一种基于rgb图像与激光点云融合的3d目标检测方法 | |
CN107464258A (zh) | 一种从图像中提取三维平面的方法 | |
CN104766336A (zh) | 一种固体发动机三维ct缺陷提取及标记方法 | |
CN114639115A (zh) | 一种人体关键点与激光雷达融合的3d行人检测方法 | |
CN111383330A (zh) | 一种复杂环境三维重建方法和系统 | |
Guo et al. | 3D modeling for mine roadway from laser scanning point cloud | |
CN114022602B (zh) | 一种基于渲染的三维物体检测器训练方法 | |
Hyeon et al. | Automatic spatial template generation for realistic 3d modeling of large-scale indoor spaces | |
CN115690138A (zh) | 一种融合车载影像与点云的道路边界提取与矢量化方法 | |
Lv et al. | Semantically guided multi-view stereo for dense 3d road mapping |
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 |