CN109035207A - 密度自适应的激光点云特征检测方法 - Google Patents

密度自适应的激光点云特征检测方法 Download PDF

Info

Publication number
CN109035207A
CN109035207A CN201810711625.7A CN201810711625A CN109035207A CN 109035207 A CN109035207 A CN 109035207A CN 201810711625 A CN201810711625 A CN 201810711625A CN 109035207 A CN109035207 A CN 109035207A
Authority
CN
China
Prior art keywords
point
characteristic
candidate
neighborhood
cloud
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
Application number
CN201810711625.7A
Other languages
English (en)
Other versions
CN109035207B (zh
Inventor
左琳
赵绍安
张昌华
刘宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810711625.7A priority Critical patent/CN109035207B/zh
Publication of CN109035207A publication Critical patent/CN109035207A/zh
Application granted granted Critical
Publication of CN109035207B publication Critical patent/CN109035207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757Matching configurations of points or features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开一种密度自适应的激光点云特征检测方法,为了解决现有特征检测算法对点云密度变化鲁棒性差的问题;本发明通过密度自适应的特征点提取,使得算法具备可重复性、鲁棒性和敏感性三个重要特征;并且以当前观测中其他特征点的相对位置作为描述信息,构建几何形状特征描述子;提高了特征匹配的鲁棒性。

Description

密度自适应的激光点云特征检测方法
技术领域
本发明属于计算机视觉领域,特别涉及一种密度自适应的激光点云特征检测技术。
背景技术
二维激光雷达将激光发射装置安装在旋转机械上,通过计算激光发射和接收的相位差,获取被观测点到雷达的距离。二维激光雷达获取的障碍物相对雷达的角度以及距离信息,通过余弦和正弦操作就可以转换为激光点云,常用于同步定位与构图算法、定位算法和避障算法。机器人定位算法常采用扫描匹配的方法和基于特征的匹配方法。扫描匹配的方法在机器人先验位姿空间中搜索使得当前点云和地图最匹配最优的位姿。扫描匹配主要缺陷在于随着机器人位姿先验不确定性增大,搜索方法的计算效率随之降低。基于特征匹配的方法通过对当前点云提取特征,然后通过匹配当前特征与历史观测特征方法实现定位。激光点云特征是环境几何形状的高效表示方式,根据所处环境的不同,常用于检测的环境特征也有所不同,室内的特征主要包括角点、线和平面,室外的特征主要包括树木、建筑物轮廓等。基于特征匹配的方法,不依赖于运动先验,是实现同步定位与构图算法中回环检测的重要手段。因此,激光点云特征提取是一项十分有意义研究。但与图像信息不同,点云主要包含了环境的几何特征,并不包含环境的颜色和纹理信息,并且由于激光传感器噪声、点的离散误差和数据缺失等问题,要实现可重复的点云特征提取是一项极具挑战性的任务。
特征点提取最早出现在图像领域,在多视几何的三维重构中发挥着十分重要的作用。通过发现不同图像中的相同特征点,可找到两幅图像的关联点对,并用于求解相机参数以及恢复图像深度。因此,特征点提取在计算机视觉领域扮演着不可或缺的角色。随着计算机视觉的不断发展,特征点应具有的属性有了越来越清晰的定义,设计良好的特征点应该具备如下性质:
(1)敏感性。即要求能够响应环境的变化。
(2)可复现性。在不同观测条件下,相同的特征点应该能够被重复检测到,如:不同的观测距离或观测视角。
(3)鲁棒性。尽可能地减小光照和天气变化等观测噪声对特征点检测的影响。
(4)具有距离测度。能够检测不同特征点之间的相似程度。
由于图像本身容易受到光照和环境变化的影响,因此特征点检测也受限于这些条件,对光照条件恶劣和环境变化较快的场合稳定性很差。激光扫描仪由于利用激光发射和接受的相位差直接计算光源到物体的距离,其所得点云受环境光线干扰很小,因此点云特征具有更好的稳定性。与图像不同,由于点云描述了物体的形状,因此点云的特征能描述被检测物体的一些特定形状,如:角点、直线和平面。Blongie等提出了形状语境(ShapeContext)的概念,被广泛用于数字识别领域。由于形状语境能很好的表述点周围物体的形状,因此也被广泛用于激光点云的特征点描述。Tipaldi等提出了FLIRT(Fast LaserInterest Region Transform)特征用于检测二维激光雷达获取的距离数据所包含的特征,FLIRT利用了尺度空间的理论,设计了三种特征点响应函数:①直接使用距离数据作为响应函数的输入;②使用法向量作为响应函数的输入;③使用曲率作为响应函数的输入。FLIRT使用形状语境进行描述,同时新增加栅格描述子用于描述特征点周围空间的占有状态。Li等把二维和三维的激光转换为图像,然后利用多尺度的Kanade-Tomasi角点检测算子在图像中检测特征点的位置。随后,Li等在此基础上进行改进,通过在激光点云而非图像上使用结构张量来检测特征点,使特征提取算法变得更加鲁棒。Steder等通过把点云转换为深度图,在深度图中提取物体边界作为特征点,同时提出了NARF(Normal Aligned RadialFeature)用作点云几何特征的描述子。NARF是目前点云几何特征中相对完善的一类特征,其整体设计借鉴了视觉领域特征提取的思想。Zhang等提出通过比较点与邻域内点云重心的距离用来检测点云边和面特征,这些特征点被用于加速激光雷达里程计(LaserOdometry And Mapping,LOAM)位姿计算。Serafin等针对先前点云特征提取算法处理稀疏点云时鲁棒性差的缺陷,提出了利用主成分分析法(Principal ComponentsAnalysis,PCA)对点邻域进行分析,最终得到点云的线和面特征。Kallasi等提出了FALKO(FastAdaptiveLaser Keypoint Orientation),用于提取二维激光点云中角点特征,通过实验与现有的FLIRT算法进行对比,发现该算法在可复现性上具有优势,并被用于同步定位与构图算法的回环检测中。以上方法依然存在众多局限,主要表现在:
(1)对点云密度变化的鲁棒性差。激光扫描仪装置主要是通过在旋转机械上安装一个激光发射装置,采用飞行时间原理计算光源到被观测物体的距离。受限于旋转机械的精度,激光雷达都具有一定的旋转分辨率。旋转分辨率不可避免地导致激光点云是一种离散的结构。激光点云密度与激光相对被观测物体的视角和距离紧密相关。现有的特征点检测算法对点云密度发生变化的适应性很差,不同的点云密度通常需要设置不同的参数。然而,由于视角和距离的变化,在一次观测点云中可能存在着不同密度的点云,为了实现稳定的特征点检测,就需要克服密度变化对特征检测的影响。
(2)局部形状特征描述子缺乏全局信息且不稳定。以往的方法采用特征点邻域内的点云对特征点进行描述,它不能提供全局信息,很容易造成误匹配。例如,在一个室内结构中,往往有很多相同结构特征,这时采用局部形状构描述子,难以区分特征点之间的差异。另一方面,局部形状特征受对点云密度的变化影响大,当邻域内点很稀疏的时候,局部形状描述就会产生很大的变化,影响匹配的准确性。
发明内容
为了解决上述技术问题,本发明提出了一种密度自适应的激光点云特征检测方法,克服了现有特征检测算法对点云密度变化鲁棒性差的缺点,能够重复稳定地检测激光点云特征,可用于机器人定位和构图算法。
本发明实现的核心包括提取特征点和构建特征描述子。在提取特征点步骤中,针对点云密度变化的特性,本发明设计了一种密度自适应的特征点提取算法,它具备可重复性、鲁棒性和敏感性的特征。在构建特征描述子的步骤中,针对以往特征描述子匹配效率低、鲁棒性差的缺点,本发明设计了几何形状语境,它以当前观测中其他特征点的相对位置作为描述信息,提高了特征匹配的鲁棒性。本发明涉及的技术如下:
1、几何形状语境
特征点集合为K,用向量G表示特征点ki∈K的几何形状描述子,向量G中元素gj具体计算方法为:
gj=ln||kjc-ki||2 (1)
其中,kjc是特征点ki的第j个扇形分区中距离其最近的特征点。当第j个扇形分区没有特征点时,gj=0。
2、特征点提取
21、根据设置的聚类半径对点云进行聚类,具体为:
如果当前扫描点与前一个扫描点的距离在预设范围内,则当前点与前一个扫描点属于同一类;否则,把当前扫描点设置为新的聚类种子,对剩余的点进行聚类。重复以上步骤,直到点云中所有的点都被聚到不同的类中。对尺寸小于预设的类尺寸域值κ的类进行剔除。
22、提取候选点,具体为:遍历当前点的左邻域与右邻域,从左邻域与右邻域中各选取一点,记录每一种取值可以与当前点连成三角形的个数n,以及记录所述三角形中面积大于对应面积响应值的三角形个数m,计算响应比例α:
如果响应比例α超出了预设值τ,则将该点选为候选点。
23、评估当前候选点
假设激光点云中第k个点pk被选为候选点,则对检测到的候选点pk进行打分,用以评估当前候选点。具体的打分函数为:
且有:
其中,nl为候选点pk左邻内点的个数;nr为候选点pk右邻域内点的个数;sij三角形Δlipkrj的面积,表示sij对应的面积值;th为候选点邻域内满足条件的三角形面积sij,ζh为对应的面积阈值m为满足该条件的三角形个数,h=1,2,…,m。
24、孤立点抑制。
判断邻域内候选点个数是否达到预设阈值λ,如果没有,则剔除该候选点。
25、非极大值抑制。
首先在候选特征点中找出打分最高的候选点,选为特征点,将其从候选点中剔除。在剩余的候选点中,剔除在极大值抑制半径rnms内的点。迭代该过程,直到候选点为空。
综上,本发明的流程为:
S1、数据预处理,根据聚类半径对点云进行聚类;
S2、从每个类的点云中提取候选点;
S3、对步骤S2提取的候选点进行打分处理;
S4、若当前候选点邻域内的候选点个数超过预设阈值,则保留当前候选点,否则剔除;得到候选点集合;
S5、选出打分最高的候选点作为特征点,并将选出的候选点从候选点集合中剔除,然后更新候选点集合;
S6、在候选点集合中剔除极大值抑制半径内的候选点,然后更新候选点集合,若更新后的候选点集合为空,则得到特征点集合,然后执行步骤S7;否则返回步骤S5;
S7、将特征点周围区域在极坐标下划分为若干个扇形分区,从而得到该特征点方向在扇形分区中的位置;
S8、根据特征点集合以及各特征点的方向在扇形分区中的位置,得到各特征点的几何形状描述子。
本发明的有益效果:本发明通过数据预处理、对提取的候选点进行打分,然后进行孤立点抑制以及非极大值点抑制,从而得到特征点集合,能够实现自适应的特征点检测;并且以当前观测中其他特征点的相对位置作为描述信息设计了几何形状语境,得到各特征点的集合形状描述子,使得匹配效率更高,算法鲁棒性更好;本发明的方法适用于二维激光雷达获取的点云数据;相比现有的FALKO算法,本发明所提出的方法对激光点云密度变化更加鲁棒,可用于机器人同步定位与构图算法、导航定位算法。
附图说明
图1为本发明提供的密度自适应的激光点云特征点检测算法的流程图。
图2为本发明实施例对稠密点云步骤S2、S4、S5结束所得特征点检测效果图。
图3为本发明实施例DALKO与FALKO算法对稠密点云的特征检测效果对比图。
图4为本发明实施例DALKO与FALKO算法对稀疏点云的特征检测效果对比图。
图5为本发明实施例DALKO与FALKO算法对非结构点云的特征检测效果对比图。
图6为本发明实施例进行特征匹配的效果图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
如图1所示,本发明的具体步骤如下:
初始化参数值,这些参数包括:聚类半径rc、类尺寸阈值κ、邻域半径计算参数a和b、响应角度θ、响应比例阈值τ、非极大值抑制半径rnms、扇形分区个数sn、匹配阈值dt、孤立点抑制阈值λ。具体的参数设置,如表1所示。
表1参数设置
参数 rc θ τ rnms κ
取值 0.2m π/6 0.6 0.2m 4
参数 a b sn dt λ
取值 0.2 0.07 144 0.2 1
本发明的密度自适应的激光点云特征检测算法(DALKO),包括以下步骤:
S1、数据预处理。设置聚类半径rc,根据该半径对点云进行聚类,具体为:如果当前扫描点与前一个扫描点的距离在预设范围内,则当前点与前一个扫描点属于同一类;否则,把当前扫描点设置为新的聚类种子,对剩余的点进行聚类。重复以上步骤,直到点云中所有的点都被聚到不同的类中。由于噪声点所在类的尺寸通常较小,因此对尺寸小于预设的类尺寸域值κ的类进行剔除。预设的类尺寸域值κ根据实际情况设定。
S2、对每个类中点云进行特征点检测。根据aexp(b||pk||)计算当前点pk的邻域半径Rk,其中,a和b为预设参数,||pk||表示点pk到原点的距离。根据Rk计算出点pk的邻域C(pk):
C(pk)={pj:||pk-pj||<Rk} (5)
其中,||·||为欧式距离函数。pk邻域C(pk)内的点可以分为左邻域CL(pk)和右邻域CR(pk)两部分,分别为:
CL(pk)={pj∈C(pk):j<k} (6)
CR(pk)={pj∈C(pk):j>k} (7)
计算三角形Δlipkrj的面积sij,则有:
其中,li∈CL(pk)、rj∈CR(pk),(lix,liy)为点li坐标;(pkx,pky)为点pk坐标;(rjx,rjy)为点rj坐标;det(·)表示矩阵的行列式。计算sij对应的面积值则有:
其中,pkli为顶点pk与顶点li构成的边长;pkrj为顶点pk与顶点rj构成的边长;θ为预设值,表示预期的两边夹角大小。遍历li和rj的可能取值,计算响应比例α:
其中,m表示满足条件sij>ζΔlipkrj的三角形的个数;n为邻域内遍历li和rj的可能取值得到的三角形个数。如果响应比例α超出了预设值τ,则将该点选为候选点。该步骤结果如图2中S2所示。
S3、对检测到的候选点pk进行打分,用以评估当前候选点。具体的打分函数为:
且有:
其中,u没有具体的物理含义,是为了便于计算所提供的中间变量,nl为候选点pk左邻内点的个数;nr为候选点pk右邻域内点的个数;sij可由式(9)计算,由式(10)计算。th为候选点邻域内满足条件的三角形面积sij,ζh为对应的面积阈值m为满足该条件的三角形个数。
S4、孤立点抑制。判断邻域内候选点个数是否达到预设阈值λ,如果没有,则剔除该候选点。该步骤结果如图2中S4所示。
S5、非极大值抑制。首先在候选特征点中找出打分最高的候选点,选为特征点,将其从候选点中剔除。在剩余的候选点中,剔除在极大值抑制半径rnms内的点。
S6、重复步骤S5,直到候选点为空,输出特征点集合。
S7、构建特征点方向。将特征点pk的周围区域在极坐标下划分为sn个扇形,计算左右邻域点重心ol和or
则ol和or在扇形分区中的位置φl和φr分别为:
其中,(pkx,pky)为点pk的坐标;(olx,oly)为点ol的坐标,(orx,ory)为点or的坐标。tan-1(y/x)表示值域在(-π,π)上的反正切函数,表示向下取整,mod(·)表示求余函数。则特征点方向在扇形分区的位置φb为:
扇形分区上的距离函数定义为:
如果:
则:
S8、构建几何形状描述子。对扇形分区进行重新编号,将特征点方向逆时针方向起的第一个分区标记为1,其它分区编号依次递增。根据步骤S1~S6,可以求得特征点集合为K。则特征点ki∈K的几何形状描述子用向量G进行表示,向量G中元素gj具体计算方法如式(1)所示。
通过特征匹配对本发明方法中的几何形状语境效果进行验证。
特征点p具有几何特征描述子GP,特征点q具有几何特征描述子Gq,gp(i)和gq(i)分别GP和Gq中的第i分区元素,描述子的长度为N,N的取值大小与扇形分区个数sn大小相同,则两点之间匹配的打分函数为:
其中,dt是预设的阈值;i是一个取值1~N的循环变量,表示了一个迭代的过程。且仅当gp(i)和gq(i)都不为零时,执行式(23);否则,分值不变,i取下一个值。最终打分超过200/N的则成功匹配。匹配结果如图6所示。
描述子的长度为N的取值大小与扇形分区数sn大小相同;sn值越大,特征描述子的长度就相应越长;取值过小,特征描述子容易缺乏区分度,取值过大,容易对噪声敏感;sn为可调参数,本实施例中取值为144。
本发明实施例采用SICK公司的LMS151激光雷达采集数据。本发明实施例分别对三种不同情况的点云进行了特征提取,分别为:稠密点云、稀疏点云和非结构点云。通过改变激光雷达距离被观测物体的距离获得稀疏点云,通过在原房间中放置一些杂乱的家具获得非结构点云。本发明实施例也给出了FALKO算法提取点云特征的效果图,用以证实本发明的有益效果。同时,为了验证本发明所设计的特征点描述子的鲁棒性,对不同视点观测到的点云进行特征点匹配。
通过对稠密点云、稀疏点云和非结构点云应用步骤S1~S6可以获得分别如图3、图4、图5中DALKO的特征提取效果示意图。通过对比图3、图4、图5中DAKLO与FALKO算法的结果,可知本发明所提出的DAKLO征检测方法对激光点云密度变化更加鲁棒。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。

Claims (7)

1.密度自适应的激光点云特征检测方法,其特征在于,包括:
S1、数据预处理,根据聚类半径对点云进行聚类;
S2、从每个类的点云中提取候选点;
S3、对步骤S2提取的候选点进行打分处理;
S4、若当前候选点邻域内的候选点个数超过预设阈值,则保留当前候选点,否则剔除;得到候选点集合;
S5、选出打分最高的候选点作为特征点,并将选出的候选点从候选点集合中剔除,然后更新候选点集合;
S6、在候选点集合中剔除极大值抑制半径内的候选点,然后更新候选点集合,若更新后的候选点集合为空,则得到特征点集合,然后执行步骤S7;否则返回步骤S5;
S7、将每个特征点周围区域在极坐标下划分为若干个扇形分区,通过分析各自邻域点在其扇形分区的位置计算得到每个特征点的方向在扇形分区中的位置;
S8、根据特征点集合以及各特征点方向在扇形分区中的位置,得到各特征点的几何形状描述子。
2.根据权利要求1所述的密度自适应的激光点云特征检测方法,其特征在于,步骤S1具体为:通过设置聚类半径对点云进行聚类,并对小于预设类尺寸的类进行剔除。
3.根据权利要求1所述的密度自适应的激光点云特征检测方法,其特征在于,步骤S2具体为:
S21、根据aexp(b||pk||)计算当前点pk的邻域半径Rk
其中,a和b为预设参数,||·||为欧式距离函数;
S22、根据Rk计算出点pk的邻域C(pk):
C(pk)={pj:||pk-pj||<Rk}
pk的邻域C(pk)内的点可以分为左邻域CL(pk)和右邻域CR(pk)两部分,分别为:
CL(pk)={pj∈C(pk):j<k}
CR(pk)={pj∈C(pk):j>k}
其中,下标k表示点pk在激光点云中的索引,下标j表示点pj在激光点云中的索引,且k≠j;
S23、计算三角形Δlipkrj的面积sij,则有:
其中,li∈CL(pk),rj∈CR(pk),(lix,liy)为点li坐标;(pkx,pky)为点pk坐标;(rjx,rjy)为点rj坐标;det(·)表示矩阵的行列式;CL(pk)表示pk的左邻域,CR(pk)表示pk的右邻域;
S24、计算sij对应的面积值则有:
其中,pkli为顶点pk与顶点li构成的边长;pkrj为顶点pk与顶点rj构成的边长;θ为预设值;
S25、遍历li和rj的可能取值,计算响应比例α:
其中,m表示满足条件的三角形的个数;n为邻域内遍历li和rj的可能取值得到的三角形个数;
S26、如果响应比例α超出了预设值τ,则将该点选为候选点。
4.根据权利要求3所述的密度自适应的激光点云特征检测方法,其特征在于,步骤S3所述打分函数为:
且有:
其中,nl为候选点pk左邻内点的个数;nr为候选点pk右邻域内点的个数;th为候选点邻域内满足条件的三角形面积sij,ζh为对应的面积阈值
5.根据权利要求4所述的密度自适应的激光点云特征检测方法,其特征在于,所述步骤S7具体为:
S71、将特征点pk的周围区域在极坐标下划分为sn个扇形区域,并计算左右邻域点重心ol和or
S72、计算ol和or所在的扇形区域φl和φr
其中,(pkx,pky)为点pk的坐标;(olx,oly)为点ol的坐标,(orx,ory)为点or的坐标;tan-1(y/x)表示值域在(-π,π)上的反正切函数;表示向下取整;
S73、角点方向所在扇形区域的位置φb为:
6.根据权利要求5所述的密度自适应的激光点云特征检测方法,其特征在于,如果:
则:
其中,dθ(·)表示扇形分区上的距离函数,表达式为:
7.根据权利要求6所述的密度自适应的激光点云特征检测方法,其特征在于,步骤S8所述几何形状描述子具体为:特征点集合为K,特征点ki∈K,特征点ki的几何形状描述子用向量G进行表示,向量G中元素gj具体计算方法为:
gj=ln||kjc-ki||2
其中,kjc是第j个分区中距离点ki最近的特征点。
CN201810711625.7A 2018-07-03 2018-07-03 密度自适应的激光点云特征检测方法 Active CN109035207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810711625.7A CN109035207B (zh) 2018-07-03 2018-07-03 密度自适应的激光点云特征检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810711625.7A CN109035207B (zh) 2018-07-03 2018-07-03 密度自适应的激光点云特征检测方法

Publications (2)

Publication Number Publication Date
CN109035207A true CN109035207A (zh) 2018-12-18
CN109035207B CN109035207B (zh) 2021-07-02

Family

ID=65521300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810711625.7A Active CN109035207B (zh) 2018-07-03 2018-07-03 密度自适应的激光点云特征检测方法

Country Status (1)

Country Link
CN (1) CN109035207B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709508A (zh) * 2019-01-17 2019-05-03 电子科技大学 一种基于传感器节点的光学aoa定位方法
CN112036417A (zh) * 2020-08-26 2020-12-04 北京航空航天大学 一种基于三角网格的激光点云特征点提取方法
CN112327325A (zh) * 2020-09-16 2021-02-05 安徽意欧斯物流机器人有限公司 一种基于特征路标的提升2d-slam精度和稳定性的方法
CN112596063A (zh) * 2020-11-27 2021-04-02 北京迈格威科技有限公司 点云描述子构建方法及装置,闭环检测方法及装置
CN112967230A (zh) * 2021-02-06 2021-06-15 东华理工大学 一种考虑局部点云密度的自适应阈值3d变化检测方法
CN113033564A (zh) * 2021-02-20 2021-06-25 意欧斯物流科技(上海)有限公司 一种高精度和鲁棒性的2d激光点云匹配的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8553989B1 (en) * 2010-04-27 2013-10-08 Hrl Laboratories, Llc Three-dimensional (3D) object recognition system using region of interest geometric features
CN106780591A (zh) * 2016-11-21 2017-05-31 北京师范大学 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法
CN107274423A (zh) * 2017-05-26 2017-10-20 中北大学 一种基于协方差矩阵和投影映射的点云特征曲线提取方法
CN108052912A (zh) * 2017-12-20 2018-05-18 安徽信息工程学院 一种基于矩傅里叶描述子的立体面像识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8553989B1 (en) * 2010-04-27 2013-10-08 Hrl Laboratories, Llc Three-dimensional (3D) object recognition system using region of interest geometric features
CN106780591A (zh) * 2016-11-21 2017-05-31 北京师范大学 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法
CN107274423A (zh) * 2017-05-26 2017-10-20 中北大学 一种基于协方差矩阵和投影映射的点云特征曲线提取方法
CN108052912A (zh) * 2017-12-20 2018-05-18 安徽信息工程学院 一种基于矩傅里叶描述子的立体面像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FABJAN KALLASI ET AL: "Fast Keypoint Features From Laser Scanner for Robot Localization and Mapping", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709508A (zh) * 2019-01-17 2019-05-03 电子科技大学 一种基于传感器节点的光学aoa定位方法
CN109709508B (zh) * 2019-01-17 2020-09-01 电子科技大学 一种基于传感器节点的光学aoa定位方法
CN112036417A (zh) * 2020-08-26 2020-12-04 北京航空航天大学 一种基于三角网格的激光点云特征点提取方法
CN112036417B (zh) * 2020-08-26 2022-07-26 北京航空航天大学 一种基于三角网格的激光点云特征点提取方法
CN112327325A (zh) * 2020-09-16 2021-02-05 安徽意欧斯物流机器人有限公司 一种基于特征路标的提升2d-slam精度和稳定性的方法
CN112327325B (zh) * 2020-09-16 2024-05-14 安歌智慧科技(上海)有限公司 一种基于特征路标的提升2d-slam精度和稳定性的方法
CN112596063A (zh) * 2020-11-27 2021-04-02 北京迈格威科技有限公司 点云描述子构建方法及装置,闭环检测方法及装置
CN112596063B (zh) * 2020-11-27 2024-04-02 北京迈格威科技有限公司 点云描述子构建方法及装置,闭环检测方法及装置
CN112967230A (zh) * 2021-02-06 2021-06-15 东华理工大学 一种考虑局部点云密度的自适应阈值3d变化检测方法
CN113033564A (zh) * 2021-02-20 2021-06-25 意欧斯物流科技(上海)有限公司 一种高精度和鲁棒性的2d激光点云匹配的方法
CN113033564B (zh) * 2021-02-20 2022-10-14 意欧斯物流科技(上海)有限公司 一种高精度和鲁棒性的2d激光点云匹配的方法

Also Published As

Publication number Publication date
CN109035207B (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN109035207A (zh) 密度自适应的激光点云特征检测方法
KR102204818B1 (ko) 3d 정렬 알고리즘들을 위한 밸런싱된-프로브 사이트들의 선택
CN105469388B (zh) 基于降维的建筑物点云配准方法
Tazir et al. CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration
Kang et al. Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model
WO2018138516A1 (en) Apparatus, method, and system for alignment of 3d datasets
Li et al. Structure tensors for general purpose LIDAR feature extraction
CN107833250B (zh) 语义空间地图构建方法及装置
CN107907124A (zh) 基于场景重识的定位方法、电子设备、存储介质、系统
Hu et al. An automatic 3D registration method for rock mass point clouds based on plane detection and polygon matching
Zhang et al. Three-dimensional cooperative mapping for connected and automated vehicles
Drost et al. Local hough transform for 3d primitive detection
CN109463003A (zh) 对象识别
CN110335282B (zh) 一种基于栅格的轮廓线段特征提取方法
Tamas et al. 3D semantic interpretation for robot perception inside office environments
Elkhrachy Feature extraction of laser scan data based on geometric properties
Olson Adaptive-scale filtering and feature detection using range data
Langer et al. On-the-fly detection of novel objects in indoor environments
Usman et al. An extensive approach to features detection and description for 2-d range data using active b-splines
CN108731679A (zh) 移动机器人环境特征定位方法
Sohn et al. Sequential modelling of building rooftops by integrating airborne LiDAR data and optical imagery: preliminary results
WO2022258947A1 (en) Aligning 3d datasets
Armenakis et al. Co-registration of aerial photogrammetric and LiDAR point clouds in urban environments using automatic plane correspondence
Ma et al. Global localization in 3d maps for structured environment
Harshit et al. Geometric Features Interpretation of Photogrammetric Point Cloud from Unmanned Aerial Vehicle

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