CN107481274A - 一种三维作物点云的鲁棒性重构方法 - Google Patents
一种三维作物点云的鲁棒性重构方法 Download PDFInfo
- Publication number
- CN107481274A CN107481274A CN201710687199.3A CN201710687199A CN107481274A CN 107481274 A CN107481274 A CN 107481274A CN 201710687199 A CN201710687199 A CN 201710687199A CN 107481274 A CN107481274 A CN 107481274A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional
- points
- crop
- point
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种三维作物点云的鲁棒性重构方法,在该方法特别在噪声干扰的环境下,配准效果得到明显提升。本发明首先输入待配准的点云深度图数据,然后采用基于势函数的方法进行启发式的迭代搜索,求解全局的配准最优变换,根据求解得到的最优变换矩阵将原始数据进行旋转和平移操作,得到基于点云重构的三维模型,最后将得到的三维模型用来作为参数提取的样本,采用不同的度量方式进行各种性状参数的提取,并与事先人工采集的批量真实的作物基准性状数据进行对比,计算两者之间的误差百分比,尽可能降低标准误差,本发明可以对主要经济作物的果实以及植株进行真实3D构建,用于对作物生长发育情况进行观测,具有较好的实用性。
Description
技术领域
本发明涉及三维点云配准问题,具体地指一种三维作物点云的鲁棒性重构方法,属于三维视觉领域。
背景技术
随着生物技术的飞速发展和应用,未来我们将面临更复杂的知识发现任务。图像技术的发展有效提高了果实、叶片以及植株形态等表型数据的精度(precision)和通量(throughput)。建立植物果实的三维可视化模型对分析植物的生长规律具有重要的理论意义,依据果实的三维数字化模型可以进行植物的品种鉴定,生长跟踪,产量评价,形状参数测量等。在三维外形测量中,想获取物体的完整表面三维数据,必须将多次测量的深度图(RGBD)数据配准到同一个世界坐标系中。目前,对于植物果实的三维点云配准技术主要有两种:1、依靠硬件设备进行全方位的立体拍摄,像旋转台等,或者在拟建模的物体周围添加易于识别的标志点,通过分析标志点的相对位置确定各帧图像之间的平移以及旋转因子,还原出最终的模型。这类技术降低了后期数据处理的难度,却增加了数据采集阶段的工作,而且比较依赖于测量和设备的准确性。2、通过提取视图中的特征关键点,度量特征点的相似度进行数据融合。这类方法也被广泛的应用到三维重构场景当中。
传统ICP配准方法的两个最大的问题是,首先,他是一个点为基础的不考虑每个点周围表面的局部特征的方法;其次,在方法的中心循环中的最近邻搜索计算昂贵;最后,对于覆盖面(overlapping)相对较小的情况,方法的全局最优解并不适用。
目前尚无采用启发式搜索的方法对农作物植株和果实进行重构的方法,这就是本发明的主要研究背景。
发明内容
本发明的目的在于克服上述现有技术的不足,而提出的一种作物三维重建方法,该方法包括:
一种三维作物点云的鲁棒性重构方法,其特征在于,该方法包括如下步骤:
步骤1,输入待配准的点云深度图数据,包括颜色RGB三通道数值以及空间坐标(X,Y,Z),根据输入的点云数据首先进行滤波操作,利用直通滤波器去除离群点,利用体素滤波器进行抽稀处理减少冗余点,利用半径滤波器与统计滤波器对噪声点进行处理,多种滤波器相互结合,达到数据预处理的目的;然后,采用遗传算法,设置初始30次迭代,每代50个个体,迭代误差δ设置为0.0001,进行粗配准得到点云初始位姿;
步骤2,采用基于势函数的方法进行启发式的迭代搜索,求解全局的配准最优变换,根据求解得到的最优变换矩阵将原始数据进行旋转和平移操作,得到基于点云重构的三维模型,详细过程如下所示,
首先采用最小包围盒原理,遍历Pt中的点,判断点是否在Qt的最小包围盒中;将在彼此包围盒中的点集命名为Pk,Qk;从初始点云Pk中选取N个关键点,记为Pk’,对于参考点云Qk建立kd-tree;
将Pk’中一个点Pi与点云Qk进行匹配,利用基于势函数方法寻找最临近点Qi:
min||Pi-Qi||2*weight(Pi,Qi)
其中wieght(Pi,Qi)为匹配权重,得到匹配点对的个数n;
根据匹配点对(Pi,Qi),计算相对应的变换矩阵R,T,更新Pk’,Pk’=R*Pk’+T,得到匹配代价
其中w是度量的权重,U(pk)为该点的势能;
当e=disk-disk-1<δ,δ为既定阈值,判断为得到收敛结果R、T;否则,返回重新执行,直到e<δ或者超过预先设定迭代次数t;
步骤3,根据以上过程的重建结果,将得到的三维模型用来作为参数提取的样本,采用不同的度量方式(欧式距离与势能函数结合)进行各种性状参数(长度,平均宽度,体积,表面积,平均曲率)的提取,并与事先人工采集的批量真实的作物基准性状数据进行对比,计算两者之间的误差百分比,尽可能降低标准误差,实验结果表明此方法提取的作物性状数据能保持10%以内的标准误差。
在上述的一种三维作物点云的鲁棒性重构方法,定义将基因表示为一个七元组,即平移旋转量(θx,θy,θz,x,y,z,fitness)
其中θx,θy,θz表示三维空间下旋转角度
x,y,z 表示空间平移量
fitness 表示当前基因的适应值(以“所有匹配点对的距离之和”衡量)
参数配置:
代数 30
每代个体数 50。
在上述的一种三维作物点云的鲁棒性重构方法,将配准好的三维模型作为表型性状参数提取的样本,采用不同的方式进行各个参数的提取工作,规定的参数有:长度,平均宽度,体积,表面积,平均曲率等;我们采用骨架法,即将模型的中心骨架点提取出来,通过相邻点累加的方式提取作物果实长度;采用邻域求和法,即把重建的点云模型的进行三角化处理,计算每个三角形面积并累加,提取表面积参数;采用切面积分的方式,即用横切面去截取三维模型,并将每个横切面面积累加得到空间体积性状参数;曲率的计算与长度的计算过程类似,通过相邻骨架点的空间曲率来求取平均以及最大。
本发明方法算法复杂度低、简单易行,可操作性强,目前尚无采用启发式搜索的方法对农作物植株和果实进行重构的方法,因此,本发明方法可用于对主要经济作物的三维表型重建与性状提取工作。
附图说明
附图1a是在monkey点云数据集下,待配准的两片点云数据,其中左侧为目标点云,右侧为初始点云;
附图1b是1a在所提出配准方法下的实验结果;
附图2a是在Stanford点云数据集下进行的算法鲁棒性实验结果,此是ICP算法在无噪声环境下的配准结果;
附图2b是在Stanford点云数据集下进行的算法鲁棒性实验结果,此是ICP算法在增加一倍随机噪声环境下的配准结果;
附图2c是在Stanford点云数据集下进行的算法鲁棒性实验结果,所提出算法在无噪声环境下的配准结果;
附图2d是在Stanford点云数据集下进行的算法鲁棒性实验结果,所提出算法在增加一倍随机噪声环境下的配准结果;
附图3是所提算法的流程图细节;
附图4a是六个数据采集视角下采集的黄瓜作物果实的点云数据图像;
附图4b是将6帧点云深度图融合之后的结果;
附图4c是将6帧图像采用所提出方法进行配准,之后的三维模型图像;
具体实施方式
本文中提出的点云配准方法实现原理如下:
1.依次读取初始点云和参考点云数据,Pt和Qt;
2.将初始点云Pt以及参考点云Qt,按照各点为中心的邻域内计算颜色直方图统计,作为局部特征进行匹配,使用计算得到的变换参数R,T,对初始点云进行第一步变换操作;
3.采用最小包围盒原理,遍历Pt中的点,判断点是否在Qt的最小包围盒中。将在彼此包围盒中的点集命名为Pk,Qk;从初始点云Pk中选取N个关键点,记为Pk’,对于参考点云Qk建立kd-tree;
4.将Pk’中一个点Pi与点云Qk进行匹配,利用基于势函数方法寻找最临近点Qi:
min||Pi-Qi||2*weight(Pi,Qi)
其中wieght(Pi,Qi)为匹配权重,得到匹配点对的个数n;
5.根据匹配点对(Pi,Qi),计算相对应的变换矩阵R,T,更新Pk’,Pk’=R*Pk’+T,得到匹配代价
其中w是度量的权重,U(pk)为该点的势能。
6.当e=disk-disk-1<δ,δ为既定阈值,判断为得到收敛结果R、T;否则,返回第四步重新执行,直到e<δ或者超过预先设定迭代次数t。
7.将最终确定的变换系数R、T作为初始点云Pt到参考点云Qt坐标系的映射关系,完成匹配过程。具体的算法描述见图3。
以黄瓜果实为例进行了三维模型重构实验,使用Microsoft Kinect V2硬件设备,从6个不同的角度对果实进行RGBD数据采集,配准后的结果如图4所示。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种三维作物点云的鲁棒性重构方法,其特征在于,该方法包括如下步骤:
步骤1,输入待配准的点云深度图数据,包括颜色RGB三通道数值以及空间坐标(X,Y,Z),根据输入的点云数据首先进行滤波操作,利用直通滤波器去除离群点,利用体素滤波器进行抽稀处理减少冗余点,利用半径滤波器与统计滤波器对噪声点进行处理,多种滤波器相互结合,达到数据预处理的目的;然后,采用遗传算法,设置初始30次迭代,每代50个个体,迭代误差δ设置为0.0001,进行粗配准得到点云初始位姿;
步骤2,采用基于势函数的方法进行启发式的迭代搜索,求解全局的配准最优变换,根据求解得到的最优变换矩阵将原始数据进行旋转和平移操作,得到基于点云重构的三维模型,详细过程如下所示,
首先采用最小包围盒原理,遍历Pt中的点,判断点是否在Qt的最小包围盒中;将在彼此包围盒中的点集命名为Pk,Qk;从初始点云Pk中选取N个关键点,记为Pk’,对于参考点云Qk建立kd-tree;
将Pk’中一个点Pi与点云Qk进行匹配,利用基于势函数方法寻找最临近点Qi:
min||Pi-Qi||2*weight(Pi,Qi)
其中wieght(Pi,Qi)为匹配权重,得到匹配点对的个数n;
根据匹配点对(Pi,Qi),计算相对应的变换矩阵R,T,更新Pk’,Pk’=R*Pk’+T,得到匹配代价
<mrow>
<msub>
<mi>F</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<msup>
<mi>Gm</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<msup>
<mi>m</mi>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
</msup>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>r</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msup>
<mo>-</mo>
<msup>
<mi>r</mi>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
</msup>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>w</mi>
<mo>&lsqb;</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>r</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msup>
<mo>-</mo>
<msup>
<mi>r</mi>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
</msup>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>F</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>&rsqb;</mo>
</mrow>
其中w是度量的权重,U(pk)为该点的势能;
当e=disk-disk-1<δ,δ为既定阈值,判断为得到收敛结果R、T;否则,返回重新执行,直到e<δ或者超过预先设定迭代次数t;
步骤3,根据以上过程的重建结果,将得到的三维模型用来作为参数提取的样本,采用不同的度量方式进行各种性状参数的提取,并与事先人工采集的批量真实的作物基准性状数据进行对比,计算两者之间的误差百分比,尽可能降低标准误差,实验结果表明此方法提取的作物性状数据能保持10%以内的标准误差。
2.根据权利要求1所述的三维作物点云的鲁棒性重构方法,其特征在于:定义将基因表示为一个七元组,即平移旋转量:θx,θy,θz,x,y,z,fitness;
其中θx,θy,θz表示三维空间下旋转角度
x,y,z表示空间平移量
fitness表示当前基因的适应值
参数配置:
代数 30
每代个体数 50。
3.根据权利要求1所述的三维作物点云的鲁棒性重构方法,其特征在于:将配准好的三维模型作为表型性状参数提取的样本,采用不同的方式进行各个参数的提取工作,规定的参数有:长度,平均宽度,体积,表面积,平均曲率等;用骨架法,即将模型的中心骨架点提取出来,通过相邻点累加的方式提取作物果实长度;采用邻域求和法,即把重建的点云模型的进行三角化处理,计算每个三角形面积并累加,提取表面积参数;采用切面积分的方式,即用横切面去截取三维模型,并将每个横切面面积累加得到空间体积性状参数;曲率的计算与长度的计算过程类似,通过相邻骨架点的空间曲率来求取平均以及最大曲率参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710687199.3A CN107481274B (zh) | 2017-08-11 | 2017-08-11 | 一种三维作物点云的鲁棒性重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710687199.3A CN107481274B (zh) | 2017-08-11 | 2017-08-11 | 一种三维作物点云的鲁棒性重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107481274A true CN107481274A (zh) | 2017-12-15 |
CN107481274B CN107481274B (zh) | 2021-05-18 |
Family
ID=60599400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710687199.3A Active CN107481274B (zh) | 2017-08-11 | 2017-08-11 | 一种三维作物点云的鲁棒性重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481274B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472816A (zh) * | 2018-09-17 | 2019-03-15 | 西北大学 | 一种点云配准方法 |
CN109636779A (zh) * | 2018-11-22 | 2019-04-16 | 华南农业大学 | 识别家禽体积体尺的方法、装置及存储介质 |
CN110227876A (zh) * | 2019-07-15 | 2019-09-13 | 西华大学 | 基于3d点云数据的机器人焊接路径自主规划方法 |
CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
CN110516564A (zh) * | 2019-08-06 | 2019-11-29 | 深兰科技(上海)有限公司 | 路面检测方法和装置 |
CN111369600A (zh) * | 2020-02-12 | 2020-07-03 | 苏州大学 | 一种基于参照物的激光雷达点云数据配准方法 |
CN112802194A (zh) * | 2021-03-31 | 2021-05-14 | 电子科技大学 | 一种基于点云数据的核设施高精度重构方法 |
CN112837271A (zh) * | 2021-01-11 | 2021-05-25 | 浙江大学 | 一种甜瓜种质资源性状提取方法及系统 |
CN114310875A (zh) * | 2021-12-20 | 2022-04-12 | 珠海格力智能装备有限公司 | 一种曲轴定位识别方法、装置、存储介质和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456038A (zh) * | 2013-08-19 | 2013-12-18 | 华中科技大学 | 一种井下环境三维场景重建方法 |
CN103679807A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种带边界约束的散乱点云重构方法 |
CN105976353A (zh) * | 2016-04-14 | 2016-09-28 | 南京理工大学 | 基于模型和点云全局匹配的空间非合作目标位姿估计方法 |
CN106447708A (zh) * | 2016-10-10 | 2017-02-22 | 吉林大学 | 一种oct眼底图像数据配准方法 |
US20170094245A1 (en) * | 2015-09-24 | 2017-03-30 | Intel Corporation | Drift correction for camera tracking |
-
2017
- 2017-08-11 CN CN201710687199.3A patent/CN107481274B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456038A (zh) * | 2013-08-19 | 2013-12-18 | 华中科技大学 | 一种井下环境三维场景重建方法 |
CN103679807A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种带边界约束的散乱点云重构方法 |
US20170094245A1 (en) * | 2015-09-24 | 2017-03-30 | Intel Corporation | Drift correction for camera tracking |
CN105976353A (zh) * | 2016-04-14 | 2016-09-28 | 南京理工大学 | 基于模型和点云全局匹配的空间非合作目标位姿估计方法 |
CN106447708A (zh) * | 2016-10-10 | 2017-02-22 | 吉林大学 | 一种oct眼底图像数据配准方法 |
Non-Patent Citations (2)
Title |
---|
GELARD, WILLIAM ET AL.: "Model-based Segmentation of 3D Point Clouds for Phenotyping Sunflower Plants", 《12TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS (VISIGRAPP)》 * |
王丽辉: "三维点云数据处理的技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472816A (zh) * | 2018-09-17 | 2019-03-15 | 西北大学 | 一种点云配准方法 |
CN109472816B (zh) * | 2018-09-17 | 2021-12-28 | 西北大学 | 一种点云配准方法 |
CN109636779A (zh) * | 2018-11-22 | 2019-04-16 | 华南农业大学 | 识别家禽体积体尺的方法、装置及存储介质 |
CN109636779B (zh) * | 2018-11-22 | 2021-02-19 | 华南农业大学 | 识别家禽体积体尺的方法、装置及存储介质 |
CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
CN110227876A (zh) * | 2019-07-15 | 2019-09-13 | 西华大学 | 基于3d点云数据的机器人焊接路径自主规划方法 |
CN110227876B (zh) * | 2019-07-15 | 2021-04-20 | 西华大学 | 基于3d点云数据的机器人焊接路径自主规划方法 |
CN110516564A (zh) * | 2019-08-06 | 2019-11-29 | 深兰科技(上海)有限公司 | 路面检测方法和装置 |
CN111369600A (zh) * | 2020-02-12 | 2020-07-03 | 苏州大学 | 一种基于参照物的激光雷达点云数据配准方法 |
CN111369600B (zh) * | 2020-02-12 | 2024-02-09 | 苏州大学 | 一种基于参照物的激光雷达点云数据配准方法 |
CN112837271B (zh) * | 2021-01-11 | 2023-11-10 | 浙江大学 | 一种甜瓜种质资源性状提取方法及系统 |
CN112837271A (zh) * | 2021-01-11 | 2021-05-25 | 浙江大学 | 一种甜瓜种质资源性状提取方法及系统 |
CN112802194A (zh) * | 2021-03-31 | 2021-05-14 | 电子科技大学 | 一种基于点云数据的核设施高精度重构方法 |
CN112802194B (zh) * | 2021-03-31 | 2023-09-19 | 电子科技大学 | 一种基于点云数据的核设施高精度重构方法 |
CN114310875B (zh) * | 2021-12-20 | 2023-12-05 | 珠海格力智能装备有限公司 | 一种曲轴定位识别方法、装置、存储介质和设备 |
CN114310875A (zh) * | 2021-12-20 | 2022-04-12 | 珠海格力智能装备有限公司 | 一种曲轴定位识别方法、装置、存储介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107481274B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481274B (zh) | 一种三维作物点云的鲁棒性重构方法 | |
CN110717983B (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
CN110340891B (zh) | 基于点云模板匹配技术的机械臂定位抓取系统及方法 | |
WO2019042232A1 (zh) | 一种快速鲁棒的多模态遥感影像匹配方法和系统 | |
CN109816664B (zh) | 一种三维点云分割方法及装置 | |
CN108303037B (zh) | 一种基于点云分析的工件表面形状差异的检测方法及装置 | |
Yang et al. | Ransac matching: Simultaneous registration and segmentation | |
Li et al. | An automatic tree skeleton extracting method based on point cloud of terrestrial laser scanner | |
CN112257722B (zh) | 基于抗差非线性高斯-赫尔默特模型的点云拟合方法 | |
CN103049906A (zh) | 一种图像深度提取方法 | |
CN103727930A (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN107492107B (zh) | 基于平面与空间信息融合的物体识别与重建方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN110009745B (zh) | 根据平面基元和模型驱动对点云提取平面的方法 | |
Polewski et al. | A voting-based statistical cylinder detection framework applied to fallen tree mapping in terrestrial laser scanning point clouds | |
CN112634335A (zh) | 面向非线性辐射畸变的稳健遥感影像特征点对提取方法 | |
CN112288859B (zh) | 一种基于卷积神经网络的三维人脸建模方法 | |
CN110766782A (zh) | 基于多无人机视觉协同的大型施工场景实时重构方法 | |
CN112164145A (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN108921170B (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN111664845A (zh) | 交通标志定位、视觉地图制作方法及装置、定位系统 | |
Xiao et al. | A topological approach for segmenting human body shape |
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 |