CN108629315A - 一种针对三维点云的多平面识别方法 - Google Patents
一种针对三维点云的多平面识别方法 Download PDFInfo
- Publication number
- CN108629315A CN108629315A CN201810426032.6A CN201810426032A CN108629315A CN 108629315 A CN108629315 A CN 108629315A CN 201810426032 A CN201810426032 A CN 201810426032A CN 108629315 A CN108629315 A CN 108629315A
- Authority
- CN
- China
- Prior art keywords
- point
- plane
- point cloud
- scoring
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims description 13
- 229910052814 silicon oxide Inorganic materials 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 244000062793 Sorghum vulgare Species 0.000 description 2
- 235000019713 millet Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
-
- 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
- G06F18/2163—Partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种针对三维点云的多平面识别方法,其特征在于:包括步骤:步骤1,在存在多个平面的三维点云中,为每一个点评估附近存在平面的可能性,使每个点获得一个可靠性评分;步骤2,利用点的可靠性评分、点与点间的法向偏差与位面偏差来为平面分割构建整片点云的空间密度树;步骤3,对构建好的空间密度树进行裁剪,使不同平面上的点分别聚集在不同子树上,从而实现多平面识别。本发明对三维点云建立适用于平面分割的空间密度树模型,在无需指定平面个数的情况下,自然地将点云中的多个平面分割出来,尤其对于距离很近的平行平面有很强的区分能力,具有识别高效、准确的特点,对各类拥有平面的点云都具有广泛的适用性。
Description
技术领域
本发明涉及计算机视觉三维感知与三维点云处理领域,具体涉及一种针对三维点云的多平面识别方法。
背景技术
随着三维扫描技术、摄影测量和深度传感器的发展与普及,我们能够便捷地获得到海量的三维点云信息。相比于二维图像信息,三维点云能够更为准确直观地描述物体的几何属性。事实上,生活与工业产品的几何外形由平面、球面、柱面及锥面等几何基元构成的。从含丰富信息的点云数据利用计算机自动高效地分析出零件的几何基元是三维点云处理领域的一个重要部分。
平面作为基本几何基元是最常见、最有特点的一类物体,大量存在于生活与工业产品中。从无序点云中高效识别其中的所有平面,获取其准确几何属性是点云处理中的关键问题。有效解决平面识别问题可以降低计算机的运算难度,确定目标物体的姿态和属性,进而使机器能够更好的感知世界。
三维点云是目标物体的表面采样点,具有高精度、高密度的特点。现主要三维点云平面识别方法有Hough变换法与RANSAC算法。在实际应用过程中,Hough变换法检测时需要庞大的参数空间,参数空间中各个轴的单位尺度严重影响平面参数估计的准确度;RANSAC算法在处理大场景或者多平面的情况下,常常出现错误拟合,造成错误识别。这些方法都不能很好的解决多平面识别问题。
发明内容
为解决现有技术中的不足,本发明提供一种针对三维点云的多平面识别方法,解决了现有三维点云平面识别方法估计不准确的问题。
为了实现上述目标,本发明采用如下技术方案:一种针对三维点云的多平面识别方法,其特征在于:包括步骤:
步骤1,在存在多个平面的三维点云中,为每一个点评估附近存在平面的可能性,使每个点获得一个可靠性评分mi;
步骤2,利用点的可靠性评分mi、点与点间的法向偏差eij与位面偏差fij来为平面分割构建整片点云的空间密度树;
步骤3,对构建好的空间密度树进行裁剪,使不同平面上的点分别聚集在不同子树上,从而实现多平面识别。
前述的一种针对三维点云的多平面识别方法,其特征是:所述步骤1具体步骤包括:
1),假设输入点云为含有n个点的点集P={P1,......,Pn},其中Pi(1≤i≤n)代表点云中第i个三维点,根据点Pi的坐标(xi,yi,zi)与其法向Ni(nxi,nyi,nzi)建立该点的局部平面模型假设Si,Si的平面方程为:
nxi×(x-xi)+nyi×(y-yi)+nzi×(z-zi)=0 (1)
式中,nxi,nyi,nzi分别表示法向量在x,y,z轴方向上的分量;
2),对该局部平面模型假设Si进行平面可靠性评价,并将评价结果mi作为点Pi的可靠性评分。
前述的一种针对三维点云的多平面识别方法,其特征是:所述步骤2),对该局部平面模型假设Si进行平面可靠性评价,并将评价结果mi作为点Pi的可靠性评分具体过程为:
以Si为基准从整幅点云中截取厚度为2ε1的点云切片,假设点云切片包括k个点aj(xj,yj,zj),j=1,2,…,k,计算点aj到局部平面模型假设Si的距离dj,其中,
以距离dj作为权值对局部平面模型假设Si进行可靠性评价,获得可靠性评分mi:
前述的一种针对三维点云的多平面识别方法,其特征是:所述步骤2,具体步骤包括:
1),以点Pi可靠性评分mi和点Pi与点Pj(1≤j≤n)的法向偏差eij与位面偏差fij作为依据,将具有最高评分mmax的点作为密度树的根节点,然后对于其余点寻找评分大于等于自身评分mi且(eij+fij)最小的点Pj,将其作为父节点,连接父子节点作为边PiPj,并将(eij+fij)作为点Pi与父节点Pj的边长δi,即:
其中,mi与mj分别为点Pi与点Pj的可靠性评分;
2),按照步骤1)将整幅点云构建为描述平面可靠性评分变化规律的树状结构,即为整幅点云构建密度树。
前述的一种针对三维点云的多平面识别方法,其特征是:所述法向偏差eij是指两个局部平面模型假设Si与Sj的夹角,而位面偏差fij为点Pi与点Pj的连线PiPj与局部平面模型假设Si的夹角。
前述的一种针对三维点云的多平面识别方法,其特征是:所述密度树包括上层节点、下层节点、连接上下层节点的边,节点用圆圈表示;圆圈中记录了该点的可靠性评分,上层节点是下层节点的父节点,即:上层节点是评分高于下层节点且两者总偏差最小的点,每条边具有一个边长属性值,记录其所连接的两个点的总偏差。
前述的一种针对三维点云的多平面识别方法,其特征是:所述步骤3,具体步骤包括:
1),删除空间密度树上评分低于阈值ε2的点;
2),断开空间密度树中大于阈值ε3的边长δi,空间密度树被拆分成若干个子树,每一个子树对应着一个平面,此时目标点云中多个平面的点云聚在不同子树上;
3),使用最小二乘法对每一个子树进行平面拟合得到平面几何参数,进而识别出三维点云中的多平面。
前述的一种针对三维点云的多平面识别方法,其特征是:所述步骤3),使用最小二乘法对每一个子树进行平面拟合得到平面几何参数,进而识别出三维点云中的多平面,具体步骤为:
假设平面方程表达式为,
Ax+By+Cz+D=0,(C≠0) (5)
其中,x,y,z表示三维点云中点的坐标,A、B、C、D分别为平面几何参数,记:则:z=a0x+a1y+a2,设一个子树中包含v个点(xi,yi,zi),(v≥3),用子树中的所有点拟合平面方程,使公式(6)中的S最小:
要使得S最小,应满足:可以得到:
解上述线性方程组,得到a0,a1,a2,至此确定该子树对应平面的几何方程z=a0x+a1y+a2。
本发明所达到的有益效果:本发明基于聚类思想,在不指定平面个数的情况下,识别三维点云中多个平面的位置与几何属性:对点云中每个点建立局部平面模型假设并对其进行可靠性评分;根据点的可靠性评分、点与点间的法向偏差和位面偏差来构建整片点云的空间密度树;对空间密度树进行裁剪操作,使不同平面上的点分别聚集在不同的子树上,至此实现多平面识别。本发明针对三维点云建立适用于平面分割的空间密度树模型,在无需指定平面个数的情况下,自然地将点云中的多个平面分割出来,尤其对于距离很近的平行平面有很强的区分能力,具有识别高效、准确的特点,对各类拥有平面的点云都具有广泛的适用性。
附图说明
图1为本发明方法流程图;
图2为本发明的局部平面模型假设评分示意图;
图3为本发明的法线偏差与位面偏差示意图;
图4为本发明空间密度树的构建示意图;
图5为本发明空间密度树的拆分示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种针对三维点云的多平面识别方法,包括步骤:
步骤1,在存在多个平面的三维点云中,为每一个点评估附近存在平面的可能性,使每个点获得一个可靠性评分mi,具体步骤包括:
1),假设输入点云为含有n个点的点集P={P1,......,Pn},其中Pi(1≤i≤n)代表点云中第i个三维点,如图2(a)所示,根据点Pi的坐标(xi,yi,zi)与其法向Ni(nxi,nyi,nzi)建立该点的局部平面模型假设Si,Si的平面方程为:
nxi×(x-xi)+nyi×(y-yi)+nzi×(z-zi)=0 (1)
式中,nxi,nyi,nzi分别表示法向量在x,y,z轴方向上的分量;
2),对该局部平面模型假设Si进行平面可靠性评价,并将评价结果mi作为点Pi的可靠性评分;
如图2(b)所示,以Si为基准从整幅点云中截取厚度为2ε1的点云切片,假设点云切片包括k个点aj(xj,yj,zj),j=1,2,…,k,计算点aj到局部平面模型假设Si的距离dj,其中,
以距离dj作为权值对局部平面模型假设Si进行可靠性评价,获得可靠性评分mi,
步骤2,利用点的可靠性评分mi、点与点间的法向偏差eij与位面偏差fij来为平面分割构建整片点云的空间密度树,具体步骤包括:
1),在整片点云的空间密度树的构建过程中,以点Pi可靠性评分mi和点Pi与点Pj(Pj(1≤j≤n)代表点云中第j个三维点)的法向偏差eij与位面偏差fij作为依据,如图3所示,法向偏差eij是指两个局部平面模型假设Si与Sj的夹角,而位面偏差fij为点Pi与点Pj的连线PiPj与局部平面模型假设Si的夹角;
可靠性评分mi代表点Pi的局部平面Si是真实平面的可靠性,而总偏差(eij+fij)代表点Pi与点Pj两个点在同一平面的可能性,总偏差(eij+fij)越小,点Pi与点Pj越在同一平面上。根据以上规律,本发明设计如下规则来为输入点云构建密度树:
首先将具有最高评分mmax的点作为密度树的根节点,然后对于其余点寻找评分大于等于自身评分mi且(eij+fij)最小的点Pj,将其作为父节点,连接父子节点作为边PiPj,并将(eij+fij)作为点Pi与父节点Pj的边长δi,即:
其中,mi与mj分别为点Pi与点Pj的可靠性评分;
2),按照步骤1)将整幅点云构建为描述平面可靠性评分变化规律的树状结构,即为整幅点云构建密度树,以图4为例,密度树上的每个圆圈代表一个点,圆圈中记录了该点的可靠性评分m,每条边都连接一个上层节点和一个下层节点,上层节点是下层节点的父节点,即:这个上层节点是评分高于这个下层节点且两者总偏差最小的点,每条边都具有一个边长属性值,记录其所连接的两个点的总偏差;
步骤3,对构建好的空间密度树进行裁剪,使不同平面上的点分别聚集在不同子树上,从而实现多平面识别,具体步骤包括:
1),可靠性评分m可以看作每个点属于平面的程度,如果评分过低说明该点很可能为非平面点,删掉空间密度树上评分低于阈值ε2的点,如图5所示的虚线圆圈,由于评分很低所以被归为非平面点直接排除掉;
2),密度树具有如下特征:密度树上的边仅用于连接一个子节点(下层)和一个父节点(上层),暗示了父子节点同属一个平面的可能性,①如果边长(总偏差)越小,说明两个节点属于同一平面的可能性越大,且父节点评分更高,更能够精确确定这个平面;②如果边长(总偏差)越大,则说明它们属于同一个平面的可能性越小,应该被打断。根据上述特征断开空间密度树中大于阈值ε3的边长δi,如图5所示的虚线边被断开,此时空间密度树被拆分成若干(实施例中为3)个子树,其根节点分别是如图5中灰色填充的节点,每一个子树对应着一个平面。此时目标点云中多个平面的点云自然地聚在不同子树上;
3),使用最小二乘法对每一个子树进行平面拟合得到平面几何参数,进而识别出三维点云中的多平面,假设平面方程表达式为,
Ax+By+Cz+D=0,(C≠0) (5)
其中,x,y,z表示三维点云中点的坐标,A、B、C、D分别为平面几何参数,记:则:z=a0x+a1y+a2,设一个子树中包含v个点(xi,yi,zi),(v≥3),用子树中的所有点拟合平面方程,使公式(6)中的S最小:
要使得S最小,应满足:可以得到:
解上述线性方程组,得到a0,a1,a2,至此确定该子树对应平面的几何方程z=a0x+a1y+a2。
本发明基于聚类思想,在不指定平面个数的情况下,识别三维点云中多个平面的位置与几何属性:对点云中每个点建立局部平面模型假设并对其进行可靠性评分;根据点的可靠性评分、点与点间的法向偏差和位面偏差来构建整片点云的空间密度树;对空间密度树进行裁剪操作,使不同平面上的点分别聚集在不同的子树上,至此实现多平面识别。本发明针对三维点云建立适用于平面分割的空间密度树模型,在无需指定平面个数的情况下,自然地将点云中的多个平面分割出来,尤其对于距离很近的平行平面有很强的区分能力,具有识别高效、准确的特点,对各类拥有平面的点云都具有广泛的适用性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种针对三维点云的多平面识别方法,其特征在于:包括步骤:
步骤1,在存在多个平面的三维点云中,为每一个点评估附近存在平面的可能性,使每个点获得一个可靠性评分mi;
步骤2,利用点的可靠性评分mi、点与点间的法向偏差eij与位面偏差fij来为平面分割构建整片点云的空间密度树;
步骤3,对构建好的空间密度树进行裁剪,使不同平面上的点分别聚集在不同子树上,从而实现多平面识别。
2.根据权利要求1所述的一种针对三维点云的多平面识别方法,其特征是:所述步骤1具体步骤包括:
1),假设输入点云为含有n个点的点集P={P1,......,Pn},其中Pi(1≤i≤n)代表点云中第i个三维点,根据点Pi的坐标(xi,yi,zi)与其法向Ni(nxi,nyi,nzi)建立该点的局部平面模型假设Si,Si的平面方程为:
nxi×(x-xi)+nyi×(y-yi)+nzi×(z-zi)=0 (1)
式中,nxi,nyi,nzi分别表示法向量在x,y,z轴方向上的分量;
2),对该局部平面模型假设Si进行平面可靠性评价,并将评价结果mi作为点Pi的可靠性评分。
3.根据权利要求2所述的一种针对三维点云的多平面识别方法,其特征是:所述步骤2),对该局部平面模型假设Si进行平面可靠性评价,并将评价结果mi作为点Pi的可靠性评分具体过程为:
以Si为基准从整幅点云中截取厚度为2ε1的点云切片,假设点云切片包括k个点aj(xj,yj,zj),j=1,2,…,k,计算点aj到局部平面模型假设Si的距离dj,其中,
以距离dj作为权值对局部平面模型假设Si进行可靠性评价,获得可靠性评分mi:
4.根据权利要求1所述的一种针对三维点云的多平面识别方法,其特征是:所述步骤2,具体步骤包括:
1),以点Pi可靠性评分mi和点Pi与点Pj(1≤j≤n)的法向偏差eij与位面偏差fij作为依据,将具有最高评分mmax的点作为密度树的根节点,然后对于其余点寻找评分大于等于自身评分mi且(eij+fij)最小的点Pj,将其作为父节点,连接父子节点作为边PiPj,并将(eij+fij)作为点Pi与父节点Pj的边长δi,即:
其中,mi与mj分别为点Pi与点Pj的可靠性评分;
2),按照步骤1)将整幅点云构建为描述平面可靠性评分变化规律的树状结构,即为整幅点云构建密度树。
5.根据权利要求4所述的一种针对三维点云的多平面识别方法,其特征是:所述法向偏差eij是指两个局部平面模型假设Si与Sj的夹角,而位面偏差fij为点Pi与点Pj的连线PiPj与局部平面模型假设Si的夹角。
6.根据权利要求4所述的一种针对三维点云的多平面识别方法,其特征是:所述密度树包括上层节点、下层节点、连接上下层节点的边,节点用圆圈表示;圆圈中记录了该点的可靠性评分,上层节点是下层节点的父节点,即:上层节点是评分高于下层节点且两者总偏差最小的点,每条边具有一个边长属性值,记录其所连接的两个点的总偏差。
7.根据权利要求1所述的一种针对三维点云的多平面识别方法,其特征是:所述步骤3,具体步骤包括:
1),删除空间密度树上评分低于阈值ε2的点;
2),断开空间密度树中大于阈值ε3的边长δi,空间密度树被拆分成若干个子树,每一个子树对应着一个平面,此时目标点云中多个平面的点云聚在不同子树上;
3),使用最小二乘法对每一个子树进行平面拟合得到平面几何参数,进而识别出三维点云中的多平面。
8.根据权利要求7所述的一种针对三维点云的多平面识别方法,其特征是:所述步骤3),使用最小二乘法对每一个子树进行平面拟合得到平面几何参数,进而识别出三维点云中的多平面,具体步骤为:
假设平面方程表达式为,
Ax+By+Cz+D=0,(C≠0) (5)
其中,x,y,z表示三维点云中点的坐标,A、B、C、D分别为平面几何参数,记:则:z=a0x+a1y+a2,设一个子树中包含v个点(xi,yi,zi),(v≥3),用子树中的所有点拟合平面方程,使公式(6)中的S最小:
要使得S最小,应满足:可以得到:
解上述线性方程组,得到a0,a1,a2,至此确定该子树对应平面的几何方程z=a0x+a1y+a2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426032.6A CN108629315B (zh) | 2018-05-07 | 2018-05-07 | 一种针对三维点云的多平面识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426032.6A CN108629315B (zh) | 2018-05-07 | 2018-05-07 | 一种针对三维点云的多平面识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629315A true CN108629315A (zh) | 2018-10-09 |
CN108629315B CN108629315B (zh) | 2020-09-25 |
Family
ID=63695553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810426032.6A Expired - Fee Related CN108629315B (zh) | 2018-05-07 | 2018-05-07 | 一种针对三维点云的多平面识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629315B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517220A (zh) * | 2019-06-10 | 2019-11-29 | 长安大学 | 一种基于激光三维数据的集料表面数量检测方法 |
CN111145182A (zh) * | 2019-12-30 | 2020-05-12 | 芜湖哈特机器人产业技术研究院有限公司 | 一种视觉定位三维点云分割方法 |
CN111716340A (zh) * | 2019-03-22 | 2020-09-29 | 达明机器人股份有限公司 | 3d相机与机械手臂坐标系统的校正装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722907A (zh) * | 2012-05-22 | 2012-10-10 | 清华大学 | 基于管道工厂点云的几何建模方法 |
CN102945551A (zh) * | 2012-10-16 | 2013-02-27 | 同济大学 | 一种基于图论的三维点云数据平面提取方法 |
US20150154467A1 (en) * | 2013-12-04 | 2015-06-04 | Mitsubishi Electric Research Laboratories, Inc. | Method for Extracting Planes from 3D Point Cloud Sensor Data |
CN105740798A (zh) * | 2016-01-27 | 2016-07-06 | 西安理工大学 | 一种基于结构分析的点云场景物体识别方法 |
CN107194998A (zh) * | 2017-05-23 | 2017-09-22 | 哈尔滨工业大学 | 一种多层三维点云单层化的方法 |
-
2018
- 2018-05-07 CN CN201810426032.6A patent/CN108629315B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722907A (zh) * | 2012-05-22 | 2012-10-10 | 清华大学 | 基于管道工厂点云的几何建模方法 |
CN102945551A (zh) * | 2012-10-16 | 2013-02-27 | 同济大学 | 一种基于图论的三维点云数据平面提取方法 |
US20150154467A1 (en) * | 2013-12-04 | 2015-06-04 | Mitsubishi Electric Research Laboratories, Inc. | Method for Extracting Planes from 3D Point Cloud Sensor Data |
CN105740798A (zh) * | 2016-01-27 | 2016-07-06 | 西安理工大学 | 一种基于结构分析的点云场景物体识别方法 |
CN107194998A (zh) * | 2017-05-23 | 2017-09-22 | 哈尔滨工业大学 | 一种多层三维点云单层化的方法 |
Non-Patent Citations (2)
Title |
---|
MUSLIMIN 等: "AUTOMATIC SEGMENTATION AND FEATURE IDENTIFICATION OF LASER SCANNING POINT CLOUD DATA FOR REVERSE ENGINEERING", 《INTERNATIONAL SYMPOSIUM ON FLEXIBLE AUTOMATION (ISFA)》 * |
方军 等: "顾及几何特征的规则激光点云分割方法", 《测绘通报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111716340A (zh) * | 2019-03-22 | 2020-09-29 | 达明机器人股份有限公司 | 3d相机与机械手臂坐标系统的校正装置及方法 |
CN110517220A (zh) * | 2019-06-10 | 2019-11-29 | 长安大学 | 一种基于激光三维数据的集料表面数量检测方法 |
CN111145182A (zh) * | 2019-12-30 | 2020-05-12 | 芜湖哈特机器人产业技术研究院有限公司 | 一种视觉定位三维点云分割方法 |
CN111145182B (zh) * | 2019-12-30 | 2022-05-27 | 芜湖哈特机器人产业技术研究院有限公司 | 一种视觉定位三维点云分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108629315B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801337B (zh) | 一种基于实例分割网络和迭代优化的6d位姿估计方法 | |
CN109541997B (zh) | 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法 | |
CN109272523B (zh) | 基于改进cvfh和crh特征的随机堆放活塞位姿估计方法 | |
CN107369161B (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
CN108830902A (zh) | 一种基于点云处理的散乱工件识别与定位方法 | |
CN105427317B (zh) | 一种适用于多视角自动化配准多站地面激光点云数据的方法 | |
CN108629315A (zh) | 一种针对三维点云的多平面识别方法 | |
CN107818598B (zh) | 一种基于视觉矫正的三维点云地图融合方法 | |
CN110807781B (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN115409886B (zh) | 一种基于点云的零件几何特征测量方法、装置及系统 | |
CN111179321A (zh) | 一种基于模板匹配的点云配准方法 | |
CN110599506A (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN101894254A (zh) | 一种基于等高线法的三维人脸识别方法 | |
CN112529844A (zh) | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 | |
CN113177983B (zh) | 基于点云几何特征的角焊缝定位方法 | |
CN110990952B (zh) | 一种飞机结构件自动化扫描轨迹规划方法 | |
CN109143980B (zh) | 基于数控工艺解析的相交加工特征识别与重用方法 | |
CN111145129A (zh) | 基于超体素的点云去噪方法 | |
CN111820545A (zh) | 一种结合离线与在线扫描自动生成鞋底喷胶轨迹的方法 | |
CN116309847A (zh) | 一种基于二维图像和三维点云结合的堆叠工件位姿估计方法 | |
CN112396641A (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
Liao et al. | Fuzzypsreg: Strategies of fuzzy cluster-based point set registration | |
CN110942102B (zh) | 一种概率松弛核线匹配方法及系统 | |
CN116721144A (zh) | 一种基于点云切片的锥形孔尺寸测量方法 | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200925 |