CN107798696A - 一种基于保局pca的三维点云配准方法 - Google Patents
一种基于保局pca的三维点云配准方法 Download PDFInfo
- Publication number
- CN107798696A CN107798696A CN201710975571.0A CN201710975571A CN107798696A CN 107798696 A CN107798696 A CN 107798696A CN 201710975571 A CN201710975571 A CN 201710975571A CN 107798696 A CN107798696 A CN 107798696A
- Authority
- CN
- China
- Prior art keywords
- point
- pca
- point cloud
- cloud
- 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.)
- Pending
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Generation (AREA)
Abstract
本发明公开一种基于保局PCA的三维点云配准方法,为了保留点云局部特征,采用保局投影LPP的思想,通过K近邻准则构造点云的邻接图及其补图;对邻近点和非邻近点采取不同的处理方式进行特征提取,通过特征矩阵求得转换参数,进行坐标归一化完成配准。采用本发明的技术方案,在对局部特征结构明显的点云进行配准时有较好效果。
Description
技术领域
本发明属于三维重建技术领域,尤其涉及一种基于保局PCA的三维点云配准方法。
背景技术
三维激光扫描仪采用激光测距方法,能够高效地获取目标物的三维数据。为了得到物体完整的三维点云数据,需要通过数据配准将不同视角的点云数据转换到同一个坐标系下。三维点云配准是三维重建的重要环节,在逆向工程、计算机视觉等领域均有广泛的应用。点云配准方法分为手动配准、依赖仪器的配准和自动配准。目前自动配准主要分为基于特征寻找对应关系的配准、基于统计学计算刚体变换的配准和迭代计算最小误差的配准3类方法。
基于主成分分析(PCA)的配准方法是属于基于特征寻找对应关系的配准方法。该方法主要利用点云数据体积的主轴方向进行配准。可以利用PCA算法计算源点云与目标点云的协方差矩阵,根据协方差矩阵求出源点云和目标点云之间的旋转矩阵和变换矩阵。
在处理三维点云时,初始获取的三维点云维数过高,在进行特征提取分析时需要耗费大量的时间。PCA利用降维处理的数学方法,把多指标转化为少数几个综合指标,并保持数据集的整体方差结构。考虑到PCA的特征矢量具有旋转不变性的特点,基于PCA的点云配准算法具有较好的稳定性和效率。但PCA点云配准算法在特征提取时只考虑整体结构,无法提取局部结构特征。因此,需要改进PCA点云配准算法的局部结构保留特性。
保局投影算法(LPP),进行线性降维时可以保留数据局部结构。当采样的数据集位于一个嵌入在高维空间中的低维流形上时,LPP算法可以较好地保留数据集的局部结构。可以保留具有复杂纹路结构点云模型的细节纹路,提高点云模型的配准效率和精度。
发明内容
本发明提出了一种基于保局PCA的三维点云配准方法,为了保留点云局部特征,采用保局投影LPP的思想,通过K近邻准则构造点云的邻接图及其补图。对邻近点和非邻近点采取不同的处理方式进行特征提取,通过特征矩阵求得转换参数,进行坐标归一化完成配准。
本发明思路为首先使用采用K近邻准则判断得到物体完整的三维点云数据中各点是否相邻近,并且根据K近邻准则生成邻接图和补图,构造权值矩阵;然后采用保局PCA算法进行特征提取,求得特征值对应的特征向量并且将特征值从大到小排序,选取排序靠前的r个特征值对应的特征向量构造特征矩阵;最后根据特征矩阵求出转换参数,进行坐标归一化,完成三维点云的配准。
为了实现三维点云配准快速且精准的问题,一种基于保局PCA的三维点云配准方法,具体实现过程包括:
1)、使用三维激光扫描仪扫描得到物体完整的三维点云数据,采用K近邻准则判断点云数据中各点是否相邻近,通过K近邻准则生成邻接图和补图,构造权值矩阵,具体步骤如下:(高维空间Rd中的点云数据记为U=(u1,u2,…,un),其中,点ui的K-邻域是指集中在点ui周围并与点ui直线距离最短的k个数据点)
①建立空间包围盒,即建立包含所有点云数据的最小长方体空间,边长为xmax-xmin, ymax-ymin,zmax-zmin;
②采用空间单元格法对包围盒进行划分,按三个坐标轴方向将包围盒划分为a×b×c 个边长为l的子立方体,a、b、c分别为空间包围盒x、y、z方向上的子立方体数量;并且,计算点ui所在子立方体的索引号,其所在子立方体的三个坐标轴方向的索引号分别为i,j,k;
③在点ui所在子立方体及周围相邻的27(3×3×3)个子立方体中查找点ui的k个邻近点。为点ui建立一个链表,点ui与周围27个子立方体中的点按距离从小到大的顺序存放在链表中,链表中前k个点即为点ui的k个邻近点。如此可以求出每个数据点的k近邻。
④根据k近邻准则建立邻接图F,如果点ui和点uj邻近,则两点之间用边连接。建立图F',与图F相反,如果点ui和点uj非邻近,则两点之间用边连接。给边赋权值,构造权值矩阵。图F中,邻近点ui和uj的权值Sij可以通过式子sij=exp(-||ui-uj||2/t)得到;非邻近点之间由于没有边相连,可定义其权值Sij为0。图F'中,非邻近点ui和uj的权值 Sij'为1;邻近点的权值Sij'为0。
2)采用保局PCA算法进行特征提取,使非邻近点在投影空间尽可能分散,又保留点云数据原有的邻近关系,求得特征值对应的特征向量,具体步骤如下:
①结合LPP算法特性,对邻近点使用约束等式,让邻近点投影到低维空间中仍保持较 近的距离。因此,保局PCA特征提取的优化函数可表示为式子由于邻近点的权值Sij'设为0,非邻近点的权值Sij'设为1,因此,可使得非邻近点在投影空间中尽 可能地被分散。在对邻近点的约束等式中,邻近点的距离越小,Sij的值越大,它们对应的低 维空间投影vi和vj的距离就越小。因此,高维空间中离得较近的点投影到低维空间中时仍 保持近的距离,这样保留了点云数据的局部结构。
②假设W为最优投影方向,通过拉格朗日乘数法计算,该优化问题可转化为广义特征分解问题;然后求出特征值λ(λ1,λ2,…,λm)和对应的标准特征向量矩阵W(w1,w2,…,wm)。
3)将该函数的m个特征值从大到小排列,得到λ1≥λ2≥…≥λr≥…≥λm,w1、w2、…、wr、…、 wm是相应的标准特征向量;如果需要保留前r个成分,则保留的百分比计算公式为式子一般选择百分比超过80%就可以代表数据的绝大多数特征。按照百分比公式求出r,则λ1≥λ2≥…≥λr是该函数最大的r个特征值,w1≥w2≥…≥wr是相应的标准特征向量。则高维数据在低维空间中的投影就可以得出。
1)根据特征矩阵求出转换参数,进行坐标归一化,完成三维点云的配准,具体步骤如下:
①设P=(p1,p2,...,pn),Q=(q1,q2,...,qm)分别为目标点云数据和测量点云数据。对目标点云和测量点云进行矩阵构建,得到点云矩阵;
②对点云P和Q分别进行保局PCA特征提取,把两个点云的特征向量和相应特征值按特征值从大到小排序;再选取能代表点云主要特征的特征矩阵WP和WQ,根据P和Q的特征矩阵得到转换矩阵;
③把测量点云中的点坐标通过转换矩阵,变换到目标点云所在的空间坐标系,进行坐标归一化,实现点云配准。
附图说明
图1(a)、图1(b)是Bunny模型配准结果,其中,图1(a)配准前点云,图1(b)保局PCA配准算法;
图2(a)、图2(b)、图2(c)是杯子模型配准结果,其中,图2(a)配准前点云,图2(b)PCA 配准算法,图2(c)改进的PCA算法图2(d)保局PCA配准算法;
图3(a)、图3(b)、图3(c)是杯子模型的2个局部细节,其中,图3(a)PCA配准算法,图3(b)改进的PCA算法,图3(c)保局PCA配准算法;
图4(a)、图4(b)、图4(c)、图4(d)是玩具模型配准结果,其中,图4(a)配准前点云,图4(b)PCA配准算法,图4(c)改进的PCA算法,图4(d)保局PCA配准算法;
图5(a)、图5(b)、图5(c)是玩具模型某个局部细节,其中,图5(a)PCA配准算法,图5(b)改进的PCA算法,图5(c)保局PCA配准算法;
图6为本发明的基于保局PCA的三维点云配准方法流程图。
表一是配准误差比较(μm)
表二是配准平均时间比较(s)
具体实施方式
下面结合实例对本发明进行验证其相对于其他算法的优越性。
如图6所示,本发明提供一种基于保局PCA的三维点云配准方法,首先使用采用K近邻准则判断得到物体完整的三维点云数据中各点是否相邻近,并且根据K近邻准则生成邻接图和补图,构造权值矩阵;然后采用保局PCA算法进行特征提取,求得特征值对应的特征向量并且将特征值从大到小排序,选取排序靠前的r个特征值对应的特征向量构造特征矩阵;最后根据特征矩阵求出转换参数,进行坐标归一化,完成三维点云的配准。
为了验证改进算法的准确性和效率,分别选择三组点云模型,利用Matlab进行仿真实验。第一组实验采用经典的Bunny点云模型,第二组实验采用普通三维激光扫描仪扫描得到的玩具点云模型,第三组实验采用扫描得到的瓶子点云模型。实验采用了PCA点云配准算法、一种基于K-D树优化的ICP三维点云配准算法和本文的基于保局PCA的点云配准算法。
1)第一组实验对Bunny模型点云采用基于保局PCA的点云配准算法进行配准,实验结果如图1所示。图1(a)为配准前的初始点云,两个点云分别包含40835个点和40869个点,图1(b)为配准结果。实验结果表明,基于保局PCA的点云配准算法能够取的较好的变换参数,将两点云调整到准确的位置,获得较好的配准效果。
2)第二组实验对瓶子模型点云采用三种不同的配准算法进行配准,两个点云分别包含16209个点和16178个点,实验配准结果如图2(a)、图2(b)、图2(c)所示,配准结果的2个局部细节如图3(a)、图3(b)、图3(c)所示。实验结果表明,基于保局PCA的点云配准算法与PCA点云配准算法、按点云大小给定尺度的改进PCA算法相比,配准精度明显提高,模型局部细节的清晰度和完整性有明显的改进。
3)第三组实验对一个普通玩具模型点云进行配准,两个点云分别包含25947个点和 25869个点,实验配准结果如图4(a)、图4(b)、图4(c)、图4(d)所示,配准结果的某个局部细节如图5(a)、图5(b)、图5(c)所示。实验结果表明,基于保局PCA的点云配准算法在局部结构特征保留方面有明显的改进,模型上一些细节复杂的纹路可以更清晰的表示出来,局部细节“米老鼠”图案更加清晰。并且,在获得整体和局部特征同时,能够有效地剔除冗余点和错误的匹配点。
对三种点云配准算法进行误差比较,不同规模点云的配准误差如表1所示。通过表1 可以看出,无论模型点云数据的规模多大,按点云大小给定尺度的改进PCA算法的配准精度优于PCA点云配准算法,基于保局PCA的点云配准算法的配准精度优于其他2种配准算法。
对三种点云配准算法进行时间效率分析,三种算法配准的平均时间如表2所示。通过表 2可以看出,按点云大小给定尺度的改进PCA算法的配准时间最大,说明该算法的配准精度的提高是以牺牲时间效率为代价的,而基于保局PCA的点云配准算法的配准时间没有明显的变化。基于保局PCA的点云配准算法使用K近邻准则建立邻接图,采用空间包围盒发对空间进行分割,通过建立索引减少了权值矩阵计算时间。
表1
表2。
Claims (6)
1.一种基于保局PCA的三维点云配准方法,其特征在于,首先使用采用K近邻准则判断得到物体完整的三维点云数据中各点是否相邻近,并且根据K近邻准则生成邻接图和补图,构造权值矩阵;然后采用保局PCA算法进行特征提取,求得特征值对应的特征向量并且将特征值从大到小排序,选取排序靠前的r个特征值对应的特征向量构造特征矩阵;最后根据特征矩阵求出转换参数,进行坐标归一化,完成三维点云的配准。
2.一种基于保局PCA的三维点云配准方法,其特征在于,包括以下步骤:
1)使用三维激光扫描仪扫描得到物体完整的三维点云数据;
2)采用K近邻准则判断点云数据中各点是否相邻近,通过K近邻准则生成邻接图和补图,构造权值矩阵;
3)为了使非邻近点在投影空间尽可能分散,又保留点云数据原有的邻近关系,采用保局PCA算法进行特征提取,求得特征值对应的特征向量;
4)选取排序靠前的r个特征值对应的特征向量构造特征矩阵;
5)根据特征矩阵求出转换参数,进行坐标归一化,完成三维点云的配准。
3.如权利要求1基于保局PCA的三维点云配准方法,其特征在于,所述步骤2)具体为:
点ui的K-邻域是指集中在点ui周围并与点ui直线距离最短的k个数据点;
①建立空间包围盒,即建立包含所有点云数据的最小长方体空间,边长为xmax-xmin,ymax-ymin,zmax-zmin;
②采用空间单元格法对包围盒进行划分,按三个坐标轴方向将包围盒划分为a×b×c个边长为l的子立方体,a、b、c分别为空间包围盒x、y、z方向上的子立方体数量;并且,计算点ui所在子立方体的索引号,其所在子立方体的三个坐标轴方向的索引号分别为i,j,k;
③在点ui所在子立方体及周围相邻的27(3×3×3)个子立方体中查找点ui的k个邻近点;为点ui建立一个链表,点ui与周围27个子立方体中的点按距离从小到大的顺序存放在链表中,链表中前k个点即为点ui的k个邻近点,如此可以求出每个数据点的k近邻;
④根据k近邻准则建立邻接图F,如果点ui和点uj邻近,则两点之间用边连接;建立图F',与图F相反,如果点ui和点uj非邻近,则两点之间用边连接;给边赋权值,构造权值矩阵;图F中,邻近点ui和uj的权值Sij可以通过式子sij=exp(-||ui-uj||2/t)得到;非邻近点之间由于没有边相连,可定义其权值Sij为0;图F'中,非邻近点ui和uj的权值Sij'为1;邻近点的权值Sij'为0。
4.如权利要求1所述的基于保局PCA的三维点云配准方法,其特征在于,所述步骤3)具体为:
①结合LPP算法特性,对邻近点使用约束等式,让邻近点投影到低维空间中仍保持较近的距离,保局PCA特征提取的优化函数可表示为式子
②假设W为最优投影方向,通过拉格朗日乘数法计算,该优化问题可转化为广义特征分解问题;然后求出特征值λ(λ1,λ2,…,λm)和对应的标准特征向量矩阵W(w1,w2,…,wm)。
5.如权利要求1所述基于保局PCA的三维点云配准方法,其特征在于,所述步骤4)具体为:
①将该函数的m个特征值从大到小排列,得到λ1≥λ2≥…≥λr≥…≥λm,w1、w2、…、wr、…、wm是相应的标准特征向量;
②如果需要保留前r个成分,则保留的百分比计算公式为式子按照百分比公式求出r,则λ1≥λ2≥…≥λr是该函数最大的r个特征值,w1≥w2≥…≥wr是相应的标准特征向量,则高维数据在低维空间R'中的投影就可以得出。
6.如权利要求1基于保局PCA的三维点云配准方法,其特征在于,所述步骤5)具体为:
①设P=(p1,p2,...,pn),Q=(q1,q2,...,qm)分别为目标点云数据和测量点云数据,对目标点云和测量点云进行矩阵构建,得到点云矩阵;
②对点云P和Q分别进行保局PCA特征提取,把两个点云的特征向量和相应特征值按特征值从大到小排序;再选取能代表点云主要特征的特征矩阵WP和WQ,根据P和Q的特征矩阵得到转换矩阵;
③把测量点云中的点坐标通过转换矩阵,变换到目标点云所在的空间坐标系,进行坐标归一化,实现点云配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710975571.0A CN107798696A (zh) | 2017-10-19 | 2017-10-19 | 一种基于保局pca的三维点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710975571.0A CN107798696A (zh) | 2017-10-19 | 2017-10-19 | 一种基于保局pca的三维点云配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107798696A true CN107798696A (zh) | 2018-03-13 |
Family
ID=61534230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710975571.0A Pending CN107798696A (zh) | 2017-10-19 | 2017-10-19 | 一种基于保局pca的三维点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798696A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846809A (zh) * | 2018-05-28 | 2018-11-20 | 河海大学 | 一种面向密集点云的噪声剔除方法 |
CN109448135A (zh) * | 2018-09-26 | 2019-03-08 | 速度时空信息科技股份有限公司 | 一种基于多源数据的三维模型修补的方法 |
CN109872352A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 基于杆塔特征点的电力巡线LiDAR数据自动配准方法 |
CN110097581A (zh) * | 2019-04-28 | 2019-08-06 | 西安交通大学 | 基于点云配准icp算法构建k-d树的方法 |
CN110210500A (zh) * | 2019-06-06 | 2019-09-06 | 上海黑塞智能科技有限公司 | 一种基于多尺度局部特征嵌入的点云分类方法 |
CN110363800A (zh) * | 2019-06-19 | 2019-10-22 | 西安交通大学 | 一种基于点集数据与特征信息相融合的精确刚体配准方法 |
CN111159646A (zh) * | 2019-12-24 | 2020-05-15 | 一汽解放汽车有限公司 | 喷油器多工况性能数据的分组方法 |
CN111899152A (zh) * | 2019-05-06 | 2020-11-06 | 上海交通大学 | 基于投影及视频拼接的点云数据压缩方法及系统 |
CN113111612A (zh) * | 2021-06-15 | 2021-07-13 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于自适应空间剖分的离散点云重复点快速查找方法 |
CN113160129A (zh) * | 2021-03-08 | 2021-07-23 | 南京理工大学 | 组合式精简点云数据的快速配准方法 |
CN114118181A (zh) * | 2021-08-26 | 2022-03-01 | 西北大学 | 一种高维回归点云配准方法、系统、计算机设备及应用 |
CN118135289A (zh) * | 2024-02-02 | 2024-06-04 | 青海师范大学 | 一种三维点云处理方法及装置、存储介质、设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299260A (zh) * | 2014-09-10 | 2015-01-21 | 西南交通大学 | 一种基于sift和lbp的点云配准的接触网三维重建方法 |
CN106886980A (zh) * | 2015-12-11 | 2017-06-23 | 北京智行者科技有限公司 | 一种基于三维激光雷达目标识别的点云密度增强的方法 |
-
2017
- 2017-10-19 CN CN201710975571.0A patent/CN107798696A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299260A (zh) * | 2014-09-10 | 2015-01-21 | 西南交通大学 | 一种基于sift和lbp的点云配准的接触网三维重建方法 |
CN106886980A (zh) * | 2015-12-11 | 2017-06-23 | 北京智行者科技有限公司 | 一种基于三维激光雷达目标识别的点云密度增强的方法 |
Non-Patent Citations (5)
Title |
---|
严剑锋 等: "基于PCA和Delaunay剖分点云配准算法研究", 《现代测绘》 * |
常江: "基于特征匹配的三维点云配准算法研究", 《万方学位论文》 * |
朱新宇 等: "改进的ICP点云配准算法", 《海洋测绘》 * |
李兰兰: "基于近邻传播聚类的点云简化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王庆刚 等: "具有局部结构保留性质的PCA改进算法", 《模式识别与人工智能》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846809A (zh) * | 2018-05-28 | 2018-11-20 | 河海大学 | 一种面向密集点云的噪声剔除方法 |
CN108846809B (zh) * | 2018-05-28 | 2022-08-12 | 河海大学 | 一种面向密集点云的噪声剔除方法 |
CN109448135A (zh) * | 2018-09-26 | 2019-03-08 | 速度时空信息科技股份有限公司 | 一种基于多源数据的三维模型修补的方法 |
CN109448135B (zh) * | 2018-09-26 | 2022-12-23 | 速度时空信息科技股份有限公司 | 一种基于多源数据的三维模型修补的方法 |
CN109872352B (zh) * | 2018-12-29 | 2021-02-12 | 中国科学院遥感与数字地球研究所 | 基于杆塔特征点的电力巡线LiDAR数据自动配准方法 |
CN109872352A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 基于杆塔特征点的电力巡线LiDAR数据自动配准方法 |
CN110097581A (zh) * | 2019-04-28 | 2019-08-06 | 西安交通大学 | 基于点云配准icp算法构建k-d树的方法 |
CN111899152A (zh) * | 2019-05-06 | 2020-11-06 | 上海交通大学 | 基于投影及视频拼接的点云数据压缩方法及系统 |
CN110210500A (zh) * | 2019-06-06 | 2019-09-06 | 上海黑塞智能科技有限公司 | 一种基于多尺度局部特征嵌入的点云分类方法 |
CN110363800B (zh) * | 2019-06-19 | 2021-08-13 | 西安交通大学 | 一种基于点集数据与特征信息相融合的精确刚体配准方法 |
CN110363800A (zh) * | 2019-06-19 | 2019-10-22 | 西安交通大学 | 一种基于点集数据与特征信息相融合的精确刚体配准方法 |
CN111159646A (zh) * | 2019-12-24 | 2020-05-15 | 一汽解放汽车有限公司 | 喷油器多工况性能数据的分组方法 |
CN111159646B (zh) * | 2019-12-24 | 2023-08-15 | 一汽解放汽车有限公司 | 喷油器多工况性能数据的分组方法 |
CN113160129A (zh) * | 2021-03-08 | 2021-07-23 | 南京理工大学 | 组合式精简点云数据的快速配准方法 |
CN113160129B (zh) * | 2021-03-08 | 2022-09-30 | 南京理工大学 | 组合式精简点云数据的快速配准方法 |
CN113111612A (zh) * | 2021-06-15 | 2021-07-13 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于自适应空间剖分的离散点云重复点快速查找方法 |
CN114118181A (zh) * | 2021-08-26 | 2022-03-01 | 西北大学 | 一种高维回归点云配准方法、系统、计算机设备及应用 |
CN114118181B (zh) * | 2021-08-26 | 2022-06-21 | 西北大学 | 一种高维回归点云配准方法、系统、计算机设备及应用 |
CN118135289A (zh) * | 2024-02-02 | 2024-06-04 | 青海师范大学 | 一种三维点云处理方法及装置、存储介质、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798696A (zh) | 一种基于保局pca的三维点云配准方法 | |
JP6681729B2 (ja) | オブジェクトの3d姿勢およびオブジェクトのランドマーク点の3dロケーションを求める方法、およびオブジェクトの3d姿勢およびオブジェクトのランドマークの3dロケーションを求めるシステム | |
CN108604301B (zh) | 用于大rgb-d扫描的可缩放自动全局配准的基于关键点的点对特征 | |
CN107742102B (zh) | 一种基于深度传感器的手势识别方法 | |
CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
CN104331699B (zh) | 一种三维点云平面化快速搜索比对的方法 | |
CN103984362B (zh) | 位置和姿势测量装置、信息处理装置以及信息处理方法 | |
Hirschmuller | Stereo vision in structured environments by consistent semi-global matching | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
Zhong | Intrinsic shape signatures: A shape descriptor for 3D object recognition | |
CN103631928B (zh) | 一种基于局部敏感哈希的聚类索引方法及系统 | |
JP5251080B2 (ja) | 物体認識方法 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
Keselman et al. | Many-to-many graph matching via metric embedding | |
Qian et al. | Calculation method of surface shape feature of rice seed based on point cloud | |
Yang et al. | The effect of spatial information characterization on 3D local feature descriptors: A quantitative evaluation | |
JP2009093611A (ja) | 三次元オブジェクト認識のためのシステムおよび方法 | |
CN107192350A (zh) | 一种三维激光扫描仪内参数标定方法及装置 | |
CN109101981B (zh) | 一种街景场景下基于全局图像条纹码的回环检测方法 | |
CN106780551B (zh) | 一种三维运动目标检测方法和系统 | |
Ion et al. | Matching 2D and 3D articulated shapes using the eccentricity transform | |
CN109697729A (zh) | 基于平面多边形匹配的3d岩体点云配准方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN110533774A (zh) | 一种基于智能手机的三维模型重建方法 | |
CN107123138B (zh) | 基于vanilla-R点对剔除策略的点云配准方法 |
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 |
Application publication date: 20180313 |
|
RJ01 | Rejection of invention patent application after publication |