CN107590347A - 一种基于设计模型匹配孤立点识别与删除方法及系统 - Google Patents
一种基于设计模型匹配孤立点识别与删除方法及系统 Download PDFInfo
- Publication number
- CN107590347A CN107590347A CN201710867457.6A CN201710867457A CN107590347A CN 107590347 A CN107590347 A CN 107590347A CN 201710867457 A CN201710867457 A CN 201710867457A CN 107590347 A CN107590347 A CN 107590347A
- Authority
- CN
- China
- Prior art keywords
- point
- model
- matching
- cloud
- isolated
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于设计模型匹配孤立点识别与删除方法及系统,其中,方法包括:S1:获取设计模型点云和测量模型点云,执行步骤S2;S2:匹配设计模型点云和测量模型点云,执行步骤S3;S3:计算匹配前后的均方误差,如果匹配前后的均方误差的差值的绝对值大于第一阈值,执行步骤S2;否则执行步骤S4;S4:识别测量模型点云中的远距离孤立点,如果识别到远距离孤立点则将远距离孤立点删除,执行步骤S2;否则,执行步骤S5;S5:识别并删除测量模型点云中的近距离孤立点。有益效果:引入了设计模型为参考,增强了孤立点的识别度;对孤立点具备较高的识别速度;可以识别不同规模孤立点与不同尺度的孤立点,孤立点删除比较干净;自动化程度高。
Description
技术领域
本发明涉及三维形貌检测数据处理技术领域,尤其是涉及一种基于设计模型匹配孤立点识别与删除方法及系统。
背景技术
三维测量模型点云是通过三维扫描仪扫描工件的表面而获取的一系列的坐标集合P={p1,p2,...,pi(xi,yi,zi),...pn},可以克服二维图形立体信息的缺失。随着三维扫描仪及计算机视觉技术的快速发展,三维点云的应用越来越广泛如三维质量检测、三维定位、逆向工程、地形重建、视觉导航中的障碍物检测。以三维质量检测为例,通过扫描仪获得工件的三维测量模型点云,可以在计算机上测量其三维尺寸、工件任何部位的几何变形,与人工检测相比,检测信息更丰富,精度更高,速度更快,特别适合多尺寸零件的大批量检测,如曲轴等汽车零部件。设计模型用于根据设计模型生产工件,用三维扫描仪扫描根据设计模型生产的工件获取工件的测量模型点云。
在对点云进行实际应用前一般都要对点云进行预处理,主要流程包括孤立点删除、点云精简、点云光顺等关键步骤。其结果的好坏决定了后续尺寸检测的精确性和真实性。在孤立点处理方面,若删除不干净,在进行尺寸检测时,容易将孤立点作为工件表面点进行处理,最终导致检测结果失真;在点云匹配方面,由于孤立点是独立于工件之外,在设计模型上不存在对应点,在进行匹配时易陷入局部最优。此外,孤立点的产生通常不可避免,其来源于设备抖动、人为因素、扫描仪精度、光照、背景、工件材料等。因此如何准确的识别并删除孤立点对于推动三维自动检测等领域的发展具有重要意义。
目前常用的孤立点检测方法有统计法,基于距离的方法和基于密度的方法,统计法是对点云数据进行曲面拟合(NURBS曲面,Bezier曲面等),孤立点是点云中偏离大部分测点的测点,通过判断测点与曲面的位置关系来识别并删除测点。统计法缺点是若孤立点数量过多,易导致曲面拟合的不准确,进而导致工件表面测点的错误删除;基于距离的方法是利用测点到周围测点的距离来标识测点的孤立程度,首先是查找测点Pi邻域的若干个测点,并计算测点Pi到邻域测点的平均距离,如果该距离大于事先给定的阈值,则认为该测点是孤立点并进行删除。该方法的缺点是无法识别工件表面之外的一大块孤立点,如背景。基于密度的孤立点算法是计算测点Pi周围局部区域的密度来标识测点的孤立程度,具有高密度的测点不是孤立点,该方法也无法识别大块孤立点。
三维检测软件Geomagic qualify是常用的孤立点处理软件,有三种方式:第一种是手动选择删除,该方法耗时,不利于自动化处理的实现;第二种方法是将测点封装成三角网格,然后再将三角网格离散成点,网格化过程会过滤掉一定程度的孤立点,但是测点到网格之间的来回操作造成了测点精度的丧失。第三种方法是采用软件自带的孤立点检测功能,该方法需要进行多次操作,且识别度不高。
以上方法都存在孤立点删除不干净或者删除效率不高等问题,在三维自动检测过程中,如何快速准确的识别孤立点,减少人为干预,对于取代人工,促进自动化检测过程显得尤为重要。
发明内容
本发明的目的在于克服上述技术不足,提出一种基于设计模型匹配孤立点识别与删除方法及系统,解决现有技术中的上述技术问题。
为达到上述技术目的,本发明的技术方案提供一种基于设计模型匹配孤立点识别与删除方法,包括:
S1、获取设计模型点云和测量模型点云,然后执行步骤S2,设计模型点云通过设计模型获取,设计模型用于根据设计模型生产工件,测量模型点云通过使用三维扫描仪扫描根据设计模型生产的工件获取;
S2、匹配设计模型点云和测量模型点云,然后执行步骤S3;
S3、计算匹配前的均方误差、匹配后的均方误差,如果匹配前的均方误差、匹配后的均方误差的差值的绝对值大于第一阈值,则执行步骤S2;如果匹配前的均方误差、匹配后的均方误差的差值的绝对值小于或等于第一阈值,则执行步骤S4;
S4、识别测量模型点云中的远距离孤立点,如果识别到远距离孤立点则将远距离孤立点删除,然后执行步骤S2;如果没有识别到远距离孤立点,则执行步骤S5;
S5、识别测量模型点云中的近距离孤立点,如果识别到近距离孤立点则将近距离孤立点删除,然后输出测量模型点云,如果没有识别到近距离孤立点,则直接输出测量模型点云。
本发明还提供一种基于设计模型匹配孤立点识别与删除系统,包括:
点云获取模块:用于获取设计模型点云和测量模型点云,然后执行匹配模块的操作,设计模型点云通过设计模型获取,设计模型用于根据设计模型生产工件,测量模型点云通过使用三维扫描仪扫描根据设计模型生产的工件获取;
匹配模块:用于匹配设计模型点云和测量模型点云,然后执行均方差计算模块的操作;
均方差计算模块:用于计算匹配前的均方误差、匹配后的均方误差,如果匹配前的均方误差、匹配后的均方误差的差值的绝对值大于第一阈值,则执行匹配模块的操作;如果匹配前的均方误差、匹配后的均方误差的差值的绝对值小于或等于第一阈值,则执行远距离孤立点识别删除模块的操作;
远距离孤立点识别删除模块:用于识别测量模型点云中的远距离孤立点,如果识别到远距离孤立点则将远距离孤立点删除,然后执行匹配模块的操作;如果没有识别到远距离孤立点,则执行近距离孤立点识别删除模块的操作;
近距离孤立点识别删除模块:用于识别测量模型点云中的近距离孤立点,如果识别到近距离孤立点则将近距离孤立点删除,然后输出测量模型点云,如果没有识别到近距离孤立点,则直接输出测量模型点云。
与现有技术相比,本发明的有益效果包括:引入了设计模型作为参考,大大增强了孤立点的识别度;由于设计模型表面质量高,可以提高距离计算的真实度,有效的减少识别错误的问题。本发明对孤立点具备较高的识别速度:匹配过程中可以实现二阶快速收敛;在匹配过程中可以只选取部分测点(测量模型点云中的点)进行匹配,可以有效提高匹配速度,而不受测点规模的影响,也不会影响后续所有测点中的孤立点识别与删除。可以识别不同规模孤立点与不同尺度的孤立点:采用迭代匹配与迭代孤立点识别删除的方法,可以先识别并删除较为明显的孤立点,以减少孤立点对匹配和距离计算真实度的影响,然后再重复匹配与识别删除过程,一步一步将孤立点删除,孤立点删除比较干净;采用了远距离孤立点和近距离孤立点识别删除两个过程,远距离孤立点通过给定距离阈值(第二阈值)进行识别和删除,近距离孤立点通过比例阈值(p%)进行识别和删除,以适应不同规模不同尺寸的孤立点。本发明不需要人为多次干预,有效地提高了孤立点自动化处理的进程,不仅可用于三维检测,也可以用于其他存在设计模型的孤立点删除过程。
附图说明
图1是本发明提供的一种基于设计模型匹配孤立点识别与删除方法流程图;
图2是本发明提供的一种基于设计模型匹配孤立点识别与删除系统结构框图。
附图中:1、基于设计模型匹配孤立点识别与删除系统,11、点云获取模块,12、匹配模块,13、均方差计算模块,14、远距离孤立点识别删除模块,15、近距离孤立点识别删除模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于设计模型匹配孤立点识别与删除方法,包括:
S1、获取设计模型点云和测量模型点云,然后执行步骤S2,设计模型点云通过设计模型获取,设计模型用于根据设计模型生产工件,测量模型点云通过使用三维扫描仪扫描根据设计模型生产的工件获取;
S2、匹配设计模型点云和测量模型点云,然后执行步骤S3;
S3、计算匹配前的均方误差、匹配后的均方误差,如果匹配前的均方误差、匹配后的均方误差的差值的绝对值大于第一阈值,则执行步骤S2;如果匹配前的均方误差、匹配后的均方误差的差值的绝对值小于或等于第一阈值,则执行步骤S4;
S4、识别测量模型点云中的远距离孤立点,如果识别到远距离孤立点则将远距离孤立点删除,然后执行步骤S2;如果没有识别到远距离孤立点,则执行步骤S5;
S5、识别测量模型点云中的近距离孤立点,如果识别到近距离孤立点则将近距离孤立点删除,然后输出测量模型点云,如果没有识别到近距离孤立点,则直接输出测量模型点云。
本发明所述的基于设计模型匹配孤立点识别与删除方法,步骤S2中匹配设计模型点云和测量模型点云的步骤具体为:
在三维坐标系中,测量模型点云为P={p1,p2,...pi,...pn},设计模型点云为Q={q1,q2,...qi,...ql},在设计模型点云中利用KD-tree方法或二叉树方法或八叉树方法寻找距离测量模型点云中的点的最近点,也即是在Q中寻找与Pi(i=1,2,...,n)距离最近的点qj(qj∈Q),令qi′=qj;
若干最近点q′i(i=1,2,...,n)组成最近点点集Q′={q′1,q′2,...q′i,...q′n},计算最近点的单位法向矢量最近点点集中各最近点的单位法向矢量组成最近点法矢集合N′={n1′,n′2,...ni′,...n′n};
一测量模型点云的点Pi对应且仅对应一个最近点q′i,一个最近点q′i对应一个单位法向矢量n′i;
根据 来计算微分平移矢量v、微分旋转矢量w,根据t=v,计算刚体变换参数t、R;其中,n′i为3×1的矢量矩阵,A为1×6的矩阵,矩阵B为6×1的矩阵,v和ω均为3×1的列向量,ξ为6×1的列向量,为ω的反对称矩阵,为3×3的矩阵,R也为3×3的矩阵;
根据p′i=R·pi+t更新测量模型点云中的所有点,Pi(i=1,2,…,n)为原测量模型点云中的点,p′i为更新后的测量模型点云中的点;
匹配设计模型点云和测量模型点云的目的在于在同一三维坐标系中使测量模型点云向设计模型点云靠近,当完成一次匹配后,测量模型点云的坐标发生变动,同时也导致测量模型点云对应的最近点点集、最近点法矢集合发生变动,所以,在测量模型点云更新后,更新最近点点集、最近点法矢集合。
本发明所述的基于设计模型匹配孤立点识别与删除方法,步骤S3中:
根据计算匹配前的均方误差和匹配后的均方误差;
由于每一次匹配设计模型点云和测量模型点云后,测量模型点云、最近点点集、最近点法矢集合均进行更新,测量模型点云、最近点点集、最近点法矢集合影响均方误差的计算;根据匹配前的测量模型点云、最近点点集、最近点法矢集合计算匹配前的均方误差为MSE1,根据匹配后的测量模型点云、最近点点集、最近点法矢集合计算匹配后的均方误差为MSE2,如果匹配前的均方误差MSE1、匹配后的均方误差MSE2的差值的绝对值|MSE1-MSE2|大于第一阈值,说明匹配没有达到预期效果,则执行步骤S2,再次进行匹配,直到某一次匹配后|MSE1-MSE2|小于或等于第一阈值,说明此次匹配达到预期效果,则执行步骤S4。
本发明所述的基于设计模型匹配孤立点识别与删除方法,步骤S4中:
构造距离集合D1={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点q′i的距离,di=(pi-q′i)T·n′i,对测量模型点云中所有点进行远距离孤立点识别,若di大于第二阈值S1,则将点Pi识别为远距离孤立点;
如果识别到远距离孤立点,则将远距离孤立点从测量模型点云中删除,删除远距离孤立点后的测量模型点云更加精确,此时,需要再次执行步骤S2进行重新匹配,当没有识别到远距离孤立点,说明此时测量模型点云的远距离孤立点已经删除完毕或者已经无法识别到符合条件的远距离孤立点,再次进行远距离孤立点的识别和删除已经没有意义,此时不对测量模型点云进行删除操作,并进行步骤S5;
另外,在将测量模型点云中远距离孤立点删除后,测量模型点云发生变化,测量模型点云对应的最近点点集、最近点法矢集合也相应发生变化,需要根据更新后的测量模型点云重新计算最近点点集、最近点法矢集合并将其更新。
本发明所述的基于设计模型匹配孤立点识别与删除方法,步骤S5中识别测量模型点云中的近距离孤立点的具体步骤为:
构造距离集合D2={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点q′i的距离,di=(pi-q′i)T·n′i;
对距离集合D2中的距离进行升序排序,得到集合D′={d′1,d′2,...d′i,...d′n},其中d′1≤d′2...d′i≤d′i+1...≤d′n;
对测量模型点云中所有点进行近距离孤立点识别,若d′i大于第三阈值S2,则将点d′i对应的测量模型点云中的点识别为近距离孤立点并将测量模型点云中的近距离孤立点删除;d′i为一个测量模型点云中的点到对应的最近点的距离,d′i与一测量模型点云中的点、一最近点具有关联关系,根据d′i可知对应的一测量模型点云中的点;其中,S2=d′m,m=[p%×n],p%为预设比例阈值,n为测量模型点云中点的总数量,[]为取整符号;
如果没有识别到近距离孤立点,则不会对测量模型点云中的点进行删除,直接输出测量模型点云。
上述技术方案中,各种矩阵、向量的运算、运算符号均遵循常规线性代数运算法则,例如A|B表示将A、B矩阵简单合并,中║║表示范数。
本发明还提供一种基于设计模型匹配孤立点识别与删除系统1,包括:
点云获取模块11:用于获取设计模型点云和测量模型点云,然后执行匹配模块的操作,设计模型点云通过设计模型获取,设计模型用于根据设计模型生产工件,测量模型点云通过使用三维扫描仪扫描根据设计模型生产的工件获取;
匹配模块12:用于匹配设计模型点云和测量模型点云,然后执行均方差计算模块的操作;
均方差计算模块13:用于计算匹配前的均方误差、匹配后的均方误差,如果匹配前的均方误差、匹配后的均方误差的差值的绝对值大于第一阈值,则执行匹配模块的操作;如果匹配前的均方误差、匹配后的均方误差的差值的绝对值小于或等于第一阈值,则执行远距离孤立点识别删除模块的操作;
远距离孤立点识别删除模块14:用于识别测量模型点云中的远距离孤立点,如果识别到远距离孤立点则将远距离孤立点删除,然后执行匹配模块的操作;如果没有识别到远距离孤立点,则执行近距离孤立点识别删除模块的操作;
近距离孤立点识别删除模块15:用于识别测量模型点云中的近距离孤立点,如果识别到近距离孤立点则将近距离孤立点删除,然后输出测量模型点云,如果没有识别到近距离孤立点,则直接输出测量模型点云。
本发明所述的基于设计模型匹配孤立点识别与删除系统1,匹配模块12中:
测量模型点云为P={p1,p2,...pi,...pn},设计模型点云为Q={q1,q2,...qi,...ql},在设计模型点云中寻找距离测量模型点云中的点的最近点,一测量模型点云的点Pi对应一最近点q′i,若干最近点组成最近点点集Q′={q′1,q′2,...q′i,...q′n},计算最近点的单位法向矢量最近点点集中各最近点的单位法向矢量组成最近点法矢集合N′={n1′,n′2,...ni′,...n′n};
根据 来计算微分平移矢量v、微分旋转矢量w,根据t=v,计算刚体变换参数t、R,根据p′i=R·pi+t更新测量模型点云中的所有点,p′i为更新后的测量模型点云中的点;
测量模型点云更新后,更新最近点点集、最近点法矢集合。
本发明所述的基于设计模型匹配孤立点识别与删除系统1,均方差计算模块13中:
根据计算匹配前的均方误差和匹配后的均方误差。
本发明所述的基于设计模型匹配孤立点识别与删除系统1,远距离孤立点识别删除模块14中:
构造距离集合D1={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点q′i的距离,di=(pi-q′i)T·n′i,若di大于第二阈值S1,则将点Pi识别为远距离孤立点;
将测量模型点云中远距离孤立点删除后,更新最近点点集、最近点法矢集合。
本发明所述的基于设计模型匹配孤立点识别与删除系统1,近距离孤立点识别删除模块15中:
构造距离集合D2={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点q′i的距离,di=(pi-q′i)T·n′i;
对距离集合D2中的距离进行升序排序,得到集合D′={d′1,d′2,...d′i,...d′n},其中d′1≤d′2...d′i≤d′i+1...≤d′n;
若d′i大于第三阈值S2,则将点d′i对应的测量模型点云中的点识别为近距离孤立点,其中S2=d′m,m=[p%×n],p%为预设比例阈值,n为测量模型点云中点的总数量,[]为取整符号。
与现有技术相比,本发明的有益效果包括:引入了设计模型作为参考,大大增强了孤立点的识别度;现有方法基于测点模型自身的特征信息识别孤立点,在该过程中难以区分大块孤立点以及近距离的孤立点,容易出现误识别和没识别等问题;在本发明中,由于设计模型表面质量高,可以提高距离计算的真实度,有效的减少识别错误的问题。本发明对孤立点具备较高的识别速度:匹配过程中可以实现二阶快速收敛;在匹配过程中可以只选取部分测点(测量模型点云中的点)进行匹配,可以有效提高匹配速度,而不受测点规模的影响,也不会影响后续所有测点中的孤立点识别与删除。可以识别不同规模孤立点与不同尺度的孤立点:采用迭代匹配与迭代孤立点识别删除的方法,可以先识别并删除较为明显的孤立点,以减少孤立点对匹配和距离计算真实度的影响,然后再重复匹配与识别删除过程,一步一步将孤立点删除,孤立点删除比较干净;采用了远距离孤立点和近距离孤立点识别删除两个过程,远距离孤立点通过给定距离阈值(第二阈值)进行识别和删除,近距离孤立点通过比例阈值(p%)进行识别和删除,以适应不同规模不同尺寸的孤立点。本发明不需要人为多次干预,有效地提高了孤立点自动化处理的进程,不仅可用于三维检测,也可以用于其他存在设计模型的孤立点删除过程。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种基于设计模型匹配孤立点识别与删除方法,其特征在于,包括:
S1、获取设计模型点云和测量模型点云,然后执行步骤S2,所述设计模型点云通过设计模型获取,所述设计模型用于根据设计模型生产工件,所述测量模型点云通过使用三维扫描仪扫描根据设计模型生产的工件获取;
S2、匹配所述设计模型点云和所述测量模型点云,然后执行步骤S3;
S3、计算匹配前的均方误差、匹配后的均方误差,如果匹配前的均方误差、匹配后的均方误差的差值的绝对值大于第一阈值,则执行步骤S2;如果匹配前的均方误差、匹配后的均方误差的差值的绝对值小于或等于第一阈值,则执行步骤S4;
S4、识别所述测量模型点云中的远距离孤立点,如果识别到所述远距离孤立点则将远距离孤立点删除,然后执行步骤S2;如果没有识别到远距离孤立点,则执行步骤S5;
S5、识别所述测量模型点云中的近距离孤立点,如果识别到所述近距离孤立点则将近距离孤立点删除,然后输出测量模型点云,如果没有识别到近距离孤立点,则直接输出测量模型点云。
2.如权利要求1所述的基于设计模型匹配孤立点识别与删除方法,其特征在于,步骤S2中匹配设计模型点云和测量模型点云的步骤具体为:
所述测量模型点云为P={p1,p2,...pi,...pn},所述设计模型点云为Q={q1,q2,...qi,...ql},在设计模型点云中寻找距离测量模型点云中的点的最近点,一测量模型点云的点Pi对应一最近点qi′,若干最近点组成最近点点集Q′={q′1,q′2,...q′i,...q′n},计算最近点的单位法向矢量最近点点集中各最近点的单位法向矢量组成最近点法矢集合N′={n1′,n′2,...ni′,...n′n};
根据 来计算微分平移矢量v、微分旋转矢量w,根据t=v,计算刚体变换参数t、R,根据pi′=R·pi+t更新测量模型点云中的所有点,pi′为更新后的测量模型点云中的点;
所述测量模型点云更新后,更新所述最近点点集、所述最近点法矢集合。
3.如权利要求2所述的基于设计模型匹配孤立点识别与删除方法,其特征在于,步骤S3中:
根据计算匹配前的均方误差和匹配后的均方误差。
4.如权利要求2所述的基于设计模型匹配孤立点识别与删除方法,其特征在于,步骤S4中:
构造距离集合D1={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点qi′的距离,di=(pi-qi′)T·ni′,若di大于第二阈值S1,则将点Pi识别为远距离孤立点;
将所述测量模型点云中远距离孤立点删除后,更新所述最近点点集、所述最近点法矢集合。
5.如权利要求4所述的基于设计模型匹配孤立点识别与删除方法,其特征在于,步骤S5中识别测量模型点云中的近距离孤立点的具体步骤为:
构造距离集合D2={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点qi′的距离,di=(pi-qi′)T·ni′;
对距离集合D2中的距离进行升序排序,得到集合D′={d1′,d2′,...di′,...dn′},其中d1′≤d2′...di′≤di′+1...≤dn′;
若di′大于第三阈值S2,则将点di′对应的测量模型点云中的点识别为近距离孤立点,其中S2=d′m,m=[p%×n],p%为预设比例阈值,n为测量模型点云中点的总数量,[]为取整符号。
6.一种基于设计模型匹配孤立点识别与删除系统,其特征在于,包括:
点云获取模块:用于获取设计模型点云和测量模型点云,然后执行匹配模块的操作,所述设计模型点云通过设计模型获取,所述设计模型用于根据设计模型生产工件,所述测量模型点云通过使用三维扫描仪扫描根据设计模型生产的工件获取;
匹配模块:用于匹配所述设计模型点云和所述测量模型点云,然后执行均方差计算模块的操作;
均方差计算模块:用于计算匹配前的均方误差、匹配后的均方误差,如果匹配前的均方误差、匹配后的均方误差的差值的绝对值大于第一阈值,则执行匹配模块的操作;如果匹配前的均方误差、匹配后的均方误差的差值的绝对值小于或等于第一阈值,则执行远距离孤立点识别删除模块的操作;
远距离孤立点识别删除模块:用于识别所述测量模型点云中的远距离孤立点,如果识别到所述远距离孤立点则将远距离孤立点删除,然后执行匹配模块的操作;如果没有识别到所述远距离孤立点,则执行近距离孤立点识别删除模块的操作;
近距离孤立点识别删除模块:用于识别所述测量模型点云中的近距离孤立点,如果识别到所述近距离孤立点则将近距离孤立点删除,然后输出测量模型点云,如果没有识别到所述近距离孤立点,则直接输出测量模型点云。
7.如权利要求6所述的基于设计模型匹配孤立点识别与删除系统,其特征在于,匹配模块中:
所述测量模型点云为P={p1,p2,...pi,...pn},所述设计模型点云为Q={q1,q2,...qi,...ql},在设计模型点云中寻找距离测量模型点云中的点的最近点,一测量模型点云的点Pi对应一最近点qi′,若干最近点组成最近点点集Q′={q′1,q′2,...q′i,...q′n},计算最近点的单位法向矢量最近点点集中各最近点的单位法向矢量组成最近点法矢集合N′={n1′,n′2,...ni′,...n′n};
根据 来计算微分平移矢量v、微分旋转矢量w,根据t=v,计算刚体变换参数t、R,根据pi′=R·pi+t更新测量模型点云中的所有点,pi′为更新后的测量模型点云中的点;
所述测量模型点云更新后,更新所述最近点点集、所述最近点法矢集合。
8.如权利要求7所述的基于设计模型匹配孤立点识别与删除系统,其特征在于,均方差计算模块中:
根据计算匹配前的均方误差和匹配后的均方误差。
9.如权利要求7所述的基于设计模型匹配孤立点识别与删除系统,其特征在于,远距离孤立点识别删除模块中:
构造距离集合D1={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点qi′的距离,di=(pi-qi′)T·ni′,若di大于第二阈值S1,则将点Pi识别为远距离孤立点;
将所述测量模型点云中所述远距离孤立点删除后,更新所述最近点点集、所述最近点法矢集合。
10.如权利要求9所述的基于设计模型匹配孤立点识别与删除系统,其特征在于,近距离孤立点识别删除模块中:
构造距离集合D2={d1,d2,...di,...dn},其中di为测量模型点云中的点Pi到Pi对应的最近点qi′的距离,di=(pi-qi′)T·ni′;
对距离集合D2中的距离进行升序排序,得到集合D′={d1′,d2′,...di′,...dn′},其中d1′≤d2′...di′≤di′+1...≤dn′;
若di′大于第三阈值S2,则将点di′对应的测量模型点云中的点识别为所述近距离孤立点,其中S2=d′m,m=[p%×n],p%为预设比例阈值,n为测量模型点云中点的总数量,[]为取整符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710867457.6A CN107590347A (zh) | 2017-09-22 | 2017-09-22 | 一种基于设计模型匹配孤立点识别与删除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710867457.6A CN107590347A (zh) | 2017-09-22 | 2017-09-22 | 一种基于设计模型匹配孤立点识别与删除方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590347A true CN107590347A (zh) | 2018-01-16 |
Family
ID=61047686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710867457.6A Pending CN107590347A (zh) | 2017-09-22 | 2017-09-22 | 一种基于设计模型匹配孤立点识别与删除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590347A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845244A (zh) * | 2018-06-28 | 2018-11-20 | 北京汉能光伏投资有限公司 | 一种电路检测方法及装置 |
CN110515054A (zh) * | 2019-08-23 | 2019-11-29 | 斯坦德机器人(深圳)有限公司 | 滤波方法和装置、电子设备、计算机存储介质 |
CN111062255A (zh) * | 2019-11-18 | 2020-04-24 | 苏州智加科技有限公司 | 三维点云的标注方法、装置、设备及存储介质 |
CN111932465A (zh) * | 2020-06-22 | 2020-11-13 | 杭州思看科技有限公司 | 用于三维扫描仪的实时去孤立点方法及装置 |
CN112489052A (zh) * | 2020-11-24 | 2021-03-12 | 江苏科技大学 | 一种复杂环境下的线结构光中心线提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867136A (zh) * | 2015-05-06 | 2015-08-26 | 华中科技大学 | 一种基于距离方差最小的工件点云匹配算法 |
CN106441311A (zh) * | 2016-07-15 | 2017-02-22 | 上海宇航系统工程研究所 | 一种基于激光成像雷达的非合作航天器相对位姿测量方法 |
CN106952344A (zh) * | 2017-05-04 | 2017-07-14 | 西安新拓三维光测科技有限公司 | 一种用于再制造修复的破损模型解算方法 |
CN107123138A (zh) * | 2017-04-28 | 2017-09-01 | 电子科技大学 | 基于vanilla‑R点对剔除策略的点云配准算法 |
-
2017
- 2017-09-22 CN CN201710867457.6A patent/CN107590347A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867136A (zh) * | 2015-05-06 | 2015-08-26 | 华中科技大学 | 一种基于距离方差最小的工件点云匹配算法 |
CN106441311A (zh) * | 2016-07-15 | 2017-02-22 | 上海宇航系统工程研究所 | 一种基于激光成像雷达的非合作航天器相对位姿测量方法 |
CN107123138A (zh) * | 2017-04-28 | 2017-09-01 | 电子科技大学 | 基于vanilla‑R点对剔除策略的点云配准算法 |
CN106952344A (zh) * | 2017-05-04 | 2017-07-14 | 西安新拓三维光测科技有限公司 | 一种用于再制造修复的破损模型解算方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845244A (zh) * | 2018-06-28 | 2018-11-20 | 北京汉能光伏投资有限公司 | 一种电路检测方法及装置 |
CN108845244B (zh) * | 2018-06-28 | 2024-06-11 | 北京汉能光伏投资有限公司 | 一种电路检测方法及装置 |
CN110515054A (zh) * | 2019-08-23 | 2019-11-29 | 斯坦德机器人(深圳)有限公司 | 滤波方法和装置、电子设备、计算机存储介质 |
CN111062255A (zh) * | 2019-11-18 | 2020-04-24 | 苏州智加科技有限公司 | 三维点云的标注方法、装置、设备及存储介质 |
CN111932465A (zh) * | 2020-06-22 | 2020-11-13 | 杭州思看科技有限公司 | 用于三维扫描仪的实时去孤立点方法及装置 |
CN112489052A (zh) * | 2020-11-24 | 2021-03-12 | 江苏科技大学 | 一种复杂环境下的线结构光中心线提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590347A (zh) | 一种基于设计模型匹配孤立点识别与删除方法及系统 | |
Li et al. | A leaf segmentation and phenotypic feature extraction framework for multiview stereo plant point clouds | |
CN105678757B (zh) | 一种物体位移测量方法 | |
CN110610505A (zh) | 一种融合深度和色彩信息的图像分割方法 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN110533774B (zh) | 一种基于智能手机的三维模型重建方法 | |
CN104240264A (zh) | 一种运动物体的高度检测方法和装置 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
Ren et al. | Overall filtering algorithm for multiscale noise removal from point cloud data | |
Zhang et al. | SaltISCG: Interactive salt segmentation method based on CNN and graph cut | |
CN110458938B (zh) | 一种散货料堆实时三维重建方法及系统 | |
Zheng et al. | Adaptive edge detection algorithm based on grey entropy theory and textural features | |
CN116051540B (zh) | 基于点云模型的互感器接线端子定位位姿获取方法及系统 | |
CN112561975A (zh) | 基于层次化闭合环约束的多视点云全局优化配准方法 | |
CN113205465B (zh) | 点云数据集分割方法及系统 | |
CN107358655B (zh) | 基于离散平稳小波变换的半球面和圆锥面模型的辨识方法 | |
CN116579949B (zh) | 适用于城市多噪声环境下机载点云地面点滤波方法 | |
Chen et al. | Nonrigid object motion and deformation estimation from three‐dimensional data | |
Ye et al. | Gaussian mixture model of ground filtering based on hierarchical curvature constraints for airborne lidar point clouds | |
Silván-Cárdenas | A multiscale erosion operator for discriminating ground points in LiDAR point clouds | |
Liab et al. | Growth Measurement of Arabidopsis in 2.5 D from a High Throughput Phenotyping Platform | |
CN112183473B (zh) | 一种地质曲面视觉语义特征提取方法 | |
Chen et al. | Hierarchical denoising method of crop 3D point cloud based on multi-view image reconstruction | |
Zuo et al. | A Review of Plant Phenotype Research Based on 3D Point Cloud Technology | |
Li et al. | Plane Detection Based on an Improved RANSAC Algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |