CN108564605B - 一种三维测量点云优化配准方法 - Google Patents
一种三维测量点云优化配准方法 Download PDFInfo
- Publication number
- CN108564605B CN108564605B CN201810308961.7A CN201810308961A CN108564605B CN 108564605 B CN108564605 B CN 108564605B CN 201810308961 A CN201810308961 A CN 201810308961A CN 108564605 B CN108564605 B CN 108564605B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- registration
- theta
- matching parameter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005259 measurement Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000002922 simulated annealing Methods 0.000 claims abstract description 11
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 6
- 238000009616 inductively coupled plasma Methods 0.000 claims description 20
- 238000013519 translation Methods 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 4
- 238000011555 rabbit model Methods 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明一种三维测量点云优化配准方法属于数字化制造技术领域,特别涉及一种三维测量点云优化配准方法。方法中,首先获取源点云及目标点云;其次对三维点云进行去噪预处理;然后采用基于Markov蒙特卡洛的模拟退火配准算法求解全局最优配准变换矩阵;最后利用ICP配准法迭代完成精配准。该方法解决了ICP配准法中收敛至局部最优解的问题,实现了三维点云配准过程中变换矩阵全局优化求解,避免了陷入局部最优,提高了三维点云配准精确度,优于传统的ICP配准法。采用基于Markov蒙特卡洛法实现了参数采样,加快了算法收敛速度,提高了点云配准精确度,对点云的适应能力强,算法鲁棒性好。
Description
技术领域
本发明属于数字化制造技术领域,特别涉及一种三维测量点云优化配准方法。
背景技术
点云数据配准技术的迅速发展,从最初的几何误差评定和逆向工程扩展到误差溯源分析、精密装配等数字化制造领域。源点云须与目标点云相匹配,才能得到理想的评估方案,其配准精度是工件定位、误差评定中的一个重要保证。点云数据配准关键是求解源点云和目标点云之间的变换矩阵。点云精配准大多采用迭代最近点法,即ICP配准法,其核心是迭代寻找最优变换矩阵,直至两点云间匹配误差小于设定阈值。然而,ICP配准法往往基于最邻近算法找到最优配准状态,对点云初始位置要求较为严格,否则易陷入局部最优,造成配准失败。而且,ICP配准法是计算密集型算法,配准参数计算耗时长,配准效率较低。
基于Markov蒙特卡洛的模拟退火法,是基于迭代求解策略的全局优化算法,可以在多个局部最优解中求解出全局最优解。将基于Markov蒙特卡洛的模拟退火法应用到点云配准中,改进传统的ICP配准法,可以加快参数采样过程,避免配准求解陷入局部最优,提高精确配准算法的收敛速度。因此,利用基于Markov蒙特卡洛的模拟退火法为三维测量点云优化配准提供了可行方案。
2012年,岳建平等在发明专利CN102779345A中发明了“一种基于重心欧氏距离的点云精确配准方法”,通过计算点云重叠部分有效点集的重心以及各点集中所有点相对于其重心的欧氏距离,利用危险球判定得到稳定的全局同名点,进而求得转换参数,实现两测站点云的精配准。2015年,刘惠等在发明专利CN104700451A中发明了“基于迭代就近点算法的点云配准方法”,将待配准点云划分为多个子空间,利用迭代就近点算法找到最优子空间,最终将整个待扫描物体的点云完成配准。
然而,上述方法均未提及基于Markov蒙特卡洛的模拟退火法的三维测量点云优化配准方法。
发明内容
本发明主要解决的技术难题是克服现有方法的不足,面向三维测量点云精确配准及位姿解算要求,发明了一种三维测量点云优化配准方法。该方法中,通过模拟退火,解决了ICP配准法中收敛至局部最优解的问题,实现了三维点云配准过程中变换矩阵全局优化求解,避免陷入局部最优;通过Markov蒙特卡洛处理,实现了参数采样,加快了算法收敛速度;对点云的适应能力强,算法鲁棒性好。提高了三维点云配准精确度,优于传统的ICP配准法。
本发明采用的技术方案是一种三维测量点云优化配准方法,其特征是,该方法三维点云配准过程中,首先获取源点云及目标点云;其次对三维点云进行预处理;然后采用基于Markov蒙特卡洛的模拟退火配准算法求解全局最优配准变换矩阵;最后利用ICP配准法迭代完成精配准;方法的具体步骤如下:
第一步,源点云与目标点云获取
采用测量仪器对工件轮廓进行三维数字化测量,得到工件实际测量点云,即源点云。利用三维设计软件平台,提取设计模型点云,即目标点云。
第二步,三维点云预处理
采用邻域平均法对源点云及目标点云进行去噪处理,剔除离群值。对;两点云建立拓扑关系,搜索点云中点dm的k-邻域N(dm),计算点dm与其k- 邻域N(dm)内各点间的平均距离Dmean(dm),
其中,dn为k-邻域N(dm)内一点,m为点索引,n为k-邻域N(dm)内点索引, k为邻域内点数量。
判断平均距离Dmean(dm)与阈值ε的关系。当满足Dmean(dm)>ε时,则点dm为噪点,删除该点,否则保留。循环遍历两个点云中的所有点。
第三步,源点云与目标点云的对应点对确定
对源点云P中的每一点,在目标点云Q中搜索出距离最近的点作为最佳匹配点,组成初始对应点对。
第四步,基于Markov蒙特卡洛法的参数采样
首先,计算源点云P与目标点云Q匹配误差。计算源点云P与目标点云 Q对应点的权重wi,
其中,pi、pj均为源点云P中的点,qi、qj均为目标点云Q中的对应点,d(pi,qi) 为第i对对应点距离,maxd(pj,qj)为对应点中最大距离,i、j均为点索引。
匹配参数θ含有6个独立变量,θ=(α,β,γ,tx,ty,tz),其中(α,β,γ)分别为绕坐标轴x轴、y轴、z轴的旋转角度,(tx,ty,tz)分别为坐标轴x轴、y轴、z轴方向的平移量。按如下公式计算匹配参数θ,使误差f(θ)最小,
其中,Rx(α)、Ry(β)和Rz(γ)分别与旋转角度(α,β,γ)对应的旋转矩阵, t=[tx,ty,tz]T为平移矩阵,ni为点qi的单位法向量,N为两点云对应点对总数。
然后,确定源点云P与目标点云Q初始变换参数。初始旋转角度从定义域中随机产生,通过计算两点云重心获得初始平移参数t0,
所求初始匹配参数为θ(0),匹配参数方差为σ2=[π2/4,π2/4,π2/4,σ2(t)]。
最后,在Markov链长度M、初始温度T中参数采样,按正态分布随机产生任意匹配参数θ*,计算两次误差变化Δf,
Δf=f(θ*)-f(θ(s-1)) (5)
其中,f(θ*)为匹配参数θ*的误差,f(θ(s-1))为第s-1次匹配参数θ(s-1)的误差,s为匹配参数索引。
判断从均匀分布U(0,1)中产生的随机数u与接受概率r的关系,以确定是否接受匹配参数θ*。若u<r,接受匹配参数θ*,则第s次匹配参数θ(s)为,
θ(s)=θ* (6)
采用Metropolis抽样方法指导随机游走收敛,接受概率r计算如下,
计算第s次匹配参数θ(s)的方差,
第五步,基于模拟退火法的最优匹配参数计算
T=T/η (10)
其中,η为温度衰减因子,η<1。
其中,εr和εt分别为旋转角度方差与平移量方差的对应阈值。
确定最优匹配参数为θopt,
否则,降低温度T和增加正态分布的峰度,返回第四步。
第六步,利用ICP配准法迭代完成精配准
利用第五步求得的最优匹配参数θopt对源点云P进行旋转和平移变换,得到源点云P的新点集P′,
P′=RP+t (13)
其中,R、t分别为第五步求得的最优旋转矩阵和最优平移矩阵。
返回第三步,迭代计算,直到迭代次数达到预先设定的最大值或最近三次连续迭代中变换矩阵的平均差小于设定阈值。
本发明的有益效果是:发明了一种三维测量点云优化配准方法,解决了ICP配准法中收敛至局部最优解的问题,实现了三维点云配准过程中变换矩阵全局优化求解,避免了陷入局部最优,提高了三维点云配准精确度,优于传统的ICP配准法,实现了源点云与目标点云之间的精确配准,可满足各类点云模型的精确配准。采用基于Markov蒙特卡洛法实现了参数采样,加快了算法收敛速度,提高了点云配准精确度,对点云的适应能力强,算法鲁棒性好。
附图说明
图1-点云配准流程图。
图2-源点云与目标点云模型对比。
图3-配准结果。
具体实施方式
结合附图详细说明本发明的具体实施方案。
本实施例采用兔子模型进行配准,源点云与目标点云摆放位置相差45 度,源点云的数据点40097个,目标点云的数据点40256个,Markov链长度M为350,初始温度T为2,衰减因子η为0.7,峰度增长因子μ为0.7,旋转角度方差阈值εr为4.8456e-5,平移量方差阈值εt为8.3e-6。点云配准的流程如附图1所示。方法的具体步骤如下:
第一步,源点云与目标点云获取
采用3D扫描仪测量兔子模型,得到源点云。在三维设计软件平台中导出兔子的设计模型,形成目标点云。两点云存储为ASCII码格式,见附图2。
第二步,三维点云预处理
采用邻域平均法对源点云P及目标点云Q进行去噪处理,剔除离群值。对两点云建立拓扑关系,搜索点云中点dm的k-邻域N(dm),按公式(1)计算点dm与其k-邻域N(dm)内各点间的平均距离Dmean(dm)。判断平均距离Dmean(dm) 与阈值ε的关系。当满足Dmean(dm)>ε时,则点dm为噪点,删除该点,否则保留。循环遍历两点云中的所有点。
第三步,源点云与目标点云的对应点对确定
对源点云P中的每一点,在目标点云Q中搜索出距离最近的点作为最佳匹配点,组成初始对应点对。
第四步,基于Markov蒙特卡洛法的参数采样
首先,计算源点云与目标点云匹配误差。为减少错误对应点对匹配参数的影响,计算源点云与目标点云对应点的权重wi。对于刚性配准,匹配参数θ含有6个独立变量,须按照公式(3)计算匹配参数θ使误差f(θ)最小。
然后,确定源点云与目标点云初始变换参数。初始旋转角度从定义域Ω=[-π,+π]×[-π,+π]×[-π,+π]中随机产生。利用公式(4),通过计算两点云重心获得初始平移参数t0。所求初始匹配参数为θ(0),匹配参数方差为σ2=[π2/4,π2/4,π2/4,σ2(t)]。
最后,在Markov链长度为M,初始温度T中参数采样,按正态分布 N(θ(s-1),σ2)随机产生匹配参数θ*。为确定是否接受匹配参数θ*,须判断从均匀分布U中产生的随机数u与接受概率r关系。若u<r,则接受。采样完所有匹配参数θ(s),取平均值为并计算匹配参数θ(s)的方差。
第五步,基于模拟退火法的最优匹配参数计算
然后,判断匹配参数θ(s)的方差和与阈值关系。当匹配参数θ(s)的方差均小于给定阈值时,停止寻优,确定最优匹配参数为θopt。否则降低温度T和增加正态分布N(θ(s-1),σ2)的峰度,返回第四步,继续进行寻优。
第六步,ICP法迭代完成精配准
使用第五步求得的最优匹配参数θopt对源点云P进行旋转和平移变换,得到源点云的新点集P′。返回第三步继续迭代计算,直到迭代次数达到预先设定的最大值或最近三次连续迭代中变换矩阵的平均差小于设定的阈值。附图3表示出配准结果,配准后均方根误差为0.0021。
本发明避免了点云匹配中陷入局部最优解的问题,实现了源点云与目标点云之间的精确配准;可满足各类点云模型的精确配准;采用Markov蒙特卡洛法对参数进行采样,改进了传统ICP配准法,提高了算法收敛速度,提高了配准效率。
Claims (1)
1.一种三维测量点云优化配准方法,其特征是:该方法在三维点云配准过程中,首先获取源点云及目标点云;其次对三维点云进行预处理;然后采用基于Markov蒙特卡洛的模拟退火配准算法求解全局最优配准变换矩阵;最后利用ICP配准法迭代完成精配准;方法的具体步骤如下:
第一步,源点云与目标点云获取
采用测量仪器对工件轮廓进行三维数字化测量,得到工件实际测量点云,即源点云;利用三维设计软件平台,提取设计模型点云,即目标点云;
第二步,三维点云预处理
采用邻域平均法对源点云及目标点云进行去噪处理,剔除离群值;对两点云建立拓扑关系,搜索点云中点dm的k-邻域N(dm),计算点dm与其k-邻域N(dm)内各点间的平均距离Dmean(dm),
其中,dn为k-邻域N(dm)内一点,m为点索引,n为k-邻域N(dm)内点索引,k为邻域内点数量;
判断平均距离Dmean(dm)与阈值ε的关系;当满足Dmean(dm)>ε时,则点dm为噪点,删除该点,否则保留;循环遍历两个点云中的所有点;
第三步,源点云与目标点云的对应点对确定
对源点云P中的每一点,在目标点云Q中搜索出距离最近的点作为最佳匹配点,组成初始对应点对;
第四步,基于Markov蒙特卡洛法的参数采样
首先,计算源点云P与目标点云Q匹配误差;计算源点云P与目标点云Q对应点的权重wi,
其中,pi、pj均为源点云P中的点,qi、qj均为目标点云Q中的对应点,d(pi,qi)为第i对对应点距离,maxd(pj,qj)为对应点中最大距离,i、j均为点索引;
匹配参数θ含有6个独立变量,θ=(α,β,γ,tx,ty,tz),其中,(α,β,γ)分别为绕坐标轴x轴、y轴、z轴的旋转角度,(tx,ty,tz)分别为坐标轴x轴、y轴、z轴方向的平移量;按公式(3)计算匹配参数θ,使误差f(θ)最小,
其中,Rx(α)、Ry(β)和Rz(γ)分别与旋转角度(α,β,γ)对应的旋转矩阵,t=[tx,ty,tz]T为平移矩阵,ni为点qi的单位法向量,N为两点云对应点对总数;
然后,确定源点云P与目标点云Q初始变换参数;初始旋转角度从定义域中随机产生,通过计算两点云重心获得初始平移参数t0,
所求初始匹配参数为θ(0),匹配参数方差为σ2=[π2/4,π2/4,π2/4,σ2(t)];
最后,在Markov链长度M、初始温度T中参数采样,按正态分布随机产生任意匹配参数θ*,计算两次误差变化Δf,
Δf=f(θ*)-f(θ(s-1)) (5)
其中,f(θ*)为匹配参数θ*的误差,f(θ(s-1))为第s-1次匹配参数θ(s-1)的误差,s为匹配参数索引;
判断从均匀分布U(0,1)中产生的随机数u与接受概率r的关系,以确定是否接受匹配参数θ*;若u<r,接受匹配参数θ*,则第s次匹配参数θ(s)为,
θ(s)=θ* (6)
采用Metropolis抽样方法指导随机游走收敛,接受概率r计算如下,
计算第s次匹配参数θ(s)的方差,
第五步,基于模拟退火法的最优匹配参数计算
T=T/η (10)
其中,η为温度衰减因子,η<1;
其中,εr和εt分别为旋转角度方差与平移量方差的对应阈值;
确定最优匹配参数为θopt,
否则,降低温度T和增加正态分布的峰度,返回第四步;
第六步,利用ICP配准法迭代完成精配准
利用第五步求得的最优匹配参数θopt对源点云P进行旋转和平移变换,得到源点云P的新点集P′,
P′=RP+t (13)
其中,R、t分别为第五步求得的最优旋转矩阵和最优平移矩阵;
返回第三步,迭代计算,直到迭代次数达到预先设定的最大值或最近三次连续迭代中变换矩阵的平均差小于设定阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810308961.7A CN108564605B (zh) | 2018-04-09 | 2018-04-09 | 一种三维测量点云优化配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810308961.7A CN108564605B (zh) | 2018-04-09 | 2018-04-09 | 一种三维测量点云优化配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564605A CN108564605A (zh) | 2018-09-21 |
CN108564605B true CN108564605B (zh) | 2020-04-07 |
Family
ID=63534281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810308961.7A Active CN108564605B (zh) | 2018-04-09 | 2018-04-09 | 一种三维测量点云优化配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564605B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801316B (zh) * | 2018-12-19 | 2021-02-23 | 中国农业大学 | 一种果树树冠三维点云自动化配准方法及重构方法 |
CN110009667B (zh) * | 2018-12-19 | 2022-09-06 | 南京理工大学 | 基于罗德里格斯变换的多视点云全局配准方法 |
CN109685891B (zh) * | 2018-12-28 | 2023-09-01 | 鸿视线科技(北京)有限公司 | 一种基于深度图像的建筑物三维建模与虚拟场景生成方法及系统 |
CN109859256B (zh) * | 2019-03-13 | 2023-03-31 | 大连理工大学 | 一种基于自动对应点匹配的三维点云配准方法 |
CN110060282B (zh) * | 2019-03-27 | 2021-06-08 | 东软睿驰汽车技术(沈阳)有限公司 | 一种点云配准的方法及装置 |
JP7206492B2 (ja) * | 2019-04-26 | 2023-01-18 | 富士通株式会社 | 最適化装置及び最適化装置の制御方法 |
CN110097582B (zh) * | 2019-05-16 | 2023-03-31 | 广西师范大学 | 一种点云优化配准与实时显示系统及工作方法 |
CN110322492B (zh) * | 2019-07-03 | 2022-06-07 | 西北工业大学 | 一种基于全局优化的空间三维点云配准方法 |
CN110689576B (zh) * | 2019-09-29 | 2023-04-07 | 桂林电子科技大学 | 一种基于Autoware的动态3D点云正态分布AGV定位方法 |
CN110782416B (zh) * | 2019-11-05 | 2022-05-17 | 北京深测科技有限公司 | 三维点云数据的去噪方法 |
US11688082B2 (en) * | 2019-11-22 | 2023-06-27 | Baidu Usa Llc | Coordinate gradient method for point cloud registration for autonomous vehicles |
CN111080517B (zh) * | 2019-11-26 | 2023-04-28 | 河北工业大学 | 基于改进蝴蝶优化算法的三维点云拼接方法 |
CN111223132A (zh) * | 2019-12-25 | 2020-06-02 | 华东师范大学 | 一种物体配准方法及系统 |
CN111340862B (zh) * | 2020-02-18 | 2023-07-07 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
CN111400798B (zh) * | 2020-03-11 | 2023-10-27 | 华南理工大学 | 一种建筑3d切片建造方法及3d打印装置 |
CN111862173A (zh) * | 2020-07-03 | 2020-10-30 | 广州大学 | 一种基于点云配准的线上试衣穿搭方法 |
CN111915661B (zh) * | 2020-07-24 | 2023-08-08 | 广州大学 | 基于ransac算法的点云配准方法、系统及计算机可读存储介质 |
CN112102377B (zh) * | 2020-08-04 | 2023-02-03 | 广东工业大学 | 基于切比雪夫的icp点云全局最优配准方法及装置 |
CN112396641B (zh) * | 2020-11-17 | 2023-07-21 | 中国矿业大学(北京) | 一种基于全等二基线匹配的点云全局配准方法 |
CN112508767B (zh) * | 2020-12-14 | 2023-10-13 | 北京超星未来科技有限公司 | 一种基于gpu的gmm点云配准方法 |
CN112669359B (zh) * | 2021-01-14 | 2023-05-26 | 武汉理工大学 | 一种三维点云配准方法、装置、设备及存储介质 |
CN112837354B (zh) * | 2021-02-02 | 2023-06-16 | 北京超星未来科技有限公司 | 一种基于gpu的ndt点云配准算法、装置及电子设备 |
CN112687001B (zh) * | 2021-03-15 | 2021-06-01 | 四川省公路规划勘察设计研究院有限公司 | 三维地质结构模型随机生成及不确定性分析方法 |
CN112950686B (zh) * | 2021-03-31 | 2024-05-03 | 苏州大学 | 点云数据的优化分步配准方法 |
CN113344992B (zh) * | 2021-05-31 | 2022-06-28 | 山东大学 | 一种全局点云配准方法、系统、存储介质及设备 |
CN113298951A (zh) * | 2021-06-07 | 2021-08-24 | 山东省科学院激光研究所 | 一种三维频率表面数字化及模型对比方法 |
CN113327276B (zh) * | 2021-06-30 | 2023-08-22 | 江苏海洋大学 | 一种面向移动测量大体量点云数据配准的方法 |
CN113627548A (zh) * | 2021-08-17 | 2021-11-09 | 熵智科技(深圳)有限公司 | 一种平面工件模板匹配方法、装置、介质及计算机设备 |
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 |
CN114119549B (zh) * | 2021-11-26 | 2023-08-29 | 卡本(深圳)医疗器械有限公司 | 一种多模态医学图像三维点云配准优化方法 |
CN114022526B (zh) * | 2021-11-29 | 2024-04-26 | 合肥工业大学 | 一种基于三维形状上下文的sac-ia点云配准方法 |
CN114485683B (zh) * | 2021-12-31 | 2023-04-21 | 武汉中海庭数据技术有限公司 | 一种基于蒙特卡洛优化的局部碎片地图匹配方法及装置 |
CN114529703B (zh) * | 2022-02-28 | 2024-09-06 | 湖南大学 | 一种基于熵增优化的大型复杂构件点云全局匹配方法 |
CN115060188B (zh) * | 2022-04-14 | 2024-07-02 | 北京交通大学 | 辙叉心轨型面处理方法及系统 |
CN115061656B (zh) * | 2022-06-06 | 2024-10-08 | 中国电信股份有限公司 | 一种随机数生成方法、装置、电子设备及存储介质 |
CN116342666B (zh) * | 2023-02-10 | 2024-03-19 | 西安电子科技大学 | 基于多形式优化的三维点云配准方法及电子设备 |
CN117572454B (zh) * | 2023-11-15 | 2024-05-10 | 武汉万曦智能科技有限公司 | 场车蓄电池安全间隙测量方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779345A (zh) * | 2012-07-03 | 2012-11-14 | 河海大学 | 一种基于重心欧氏距离的点云精确配准方法 |
CN104603836A (zh) * | 2012-08-06 | 2015-05-06 | 范德比尔特大学 | 用于在图像引导手术期间校正数据变形的改进的方法 |
CN104700451A (zh) * | 2015-03-14 | 2015-06-10 | 西安电子科技大学 | 基于迭代就近点算法的点云配准方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8634626B2 (en) * | 2010-06-29 | 2014-01-21 | The Chinese University Of Hong Kong | Registration of 3D tomography images |
-
2018
- 2018-04-09 CN CN201810308961.7A patent/CN108564605B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779345A (zh) * | 2012-07-03 | 2012-11-14 | 河海大学 | 一种基于重心欧氏距离的点云精确配准方法 |
CN104603836A (zh) * | 2012-08-06 | 2015-05-06 | 范德比尔特大学 | 用于在图像引导手术期间校正数据变形的改进的方法 |
CN104700451A (zh) * | 2015-03-14 | 2015-06-10 | 西安电子科技大学 | 基于迭代就近点算法的点云配准方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
Non-Patent Citations (3)
Title |
---|
A Stochastic Approach to Diffeomorphic Point Set Registration with Landmark Constraints;Ivan Kolesov 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20160201;第38卷(第2期);全文 * |
Go-ICP: Solving 3D Registration Efficiently and Globally Optimally;Jiaolong Yang 等;《2013 IEEE International Conference on Computer Vision》;20140303;全文 * |
基于局部搜索-模拟退火法的点云数据过滤研究;曹祖华 等;《黄金科学技术》;20170228;第25卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108564605A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564605B (zh) | 一种三维测量点云优化配准方法 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN111986219B (zh) | 一种三维点云与自由曲面模型的匹配方法 | |
CN109147040B (zh) | 基于模板的人体点云孔洞修补方法 | |
CN104484508A (zh) | 复杂曲面零件非接触式三维匹配检测优化方法 | |
CN112508895B (zh) | 一种基于曲面配准的螺旋桨叶片质量评估方法 | |
CN108986149A (zh) | 一种基于自适应阈值的点云精确配准方法 | |
CN110060342A (zh) | 一种三维曲面拟合方法 | |
CN116661469B (zh) | 机器人轨迹误差修正方法及系统 | |
Dong et al. | An improved signal processing method for the laser displacement sensor in mechanical systems | |
CN115797414A (zh) | 一种考虑测头半径的复杂曲面测量点云数据配准方法 | |
CN115356986A (zh) | 一种基于Be-SA算法的工业机器人绝对定位精度提高方法 | |
CN113345005B (zh) | 一种适用于靶球中心解算的有限随机搜索方法 | |
CN113567979B (zh) | 基于模拟退火算法的多时相InSAR相位解缠绕方法 | |
CN108074253B (zh) | 一种基于Delaunay三角剖分的多层级矢量道路网匹配方法 | |
Zhang et al. | Efficient sampling method based on co-kriging for free-form surface measurement | |
CN114273986A (zh) | 一种非球面离子束抛光方法 | |
Rajagopal et al. | Assessment of circularity error using a selective data partition approach | |
CN114882083B (zh) | 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置 | |
CN114018202B (zh) | 一种快速评定圆度的新算法 | |
CN108225252B (zh) | 基于变区间反向混沌优化的圆度误差评定方法 | |
CN113792359B (zh) | 一种航空发动机叶片准散乱点云数据曲面重构方法 | |
CN116703993A (zh) | 一种顾及测量机器人监测点约束的时序点云精配准方法 | |
CN114427839B (zh) | 基于线结构光的圆柱体直径及凸起高度的测量方法及系统 | |
CN113920180B (zh) | 一种基于正态分布变换假设校验的点云配准优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |