CN109241901B - 一种对具有孔洞的三维点云的检测与识别方法 - Google Patents
一种对具有孔洞的三维点云的检测与识别方法 Download PDFInfo
- Publication number
- CN109241901B CN109241901B CN201811001384.3A CN201811001384A CN109241901B CN 109241901 B CN109241901 B CN 109241901B CN 201811001384 A CN201811001384 A CN 201811001384A CN 109241901 B CN109241901 B CN 109241901B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud
- formula
- tested
- follows
- 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.)
- Expired - Fee Related
Links
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
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于零阶球谐函数的针对具有孔洞点云的检测与识别的方法，其技术特点在于：步骤1、利用待测点云数据描述某一物体，完成待测点云的直角坐标系到球坐标系的转换；步骤2、将待测点云与标准数据库中的点云进行快速对齐；步骤3、得到多组点云间对应的局部点云区块对；步骤4、针对每组局部点云区块对，计算SRT结果；步骤5、将每组区块对得出的SRT值与预设的阈值T进行比较，给出识别结果。本发明能够实现对具有孔洞的三维点云的检测与识别。
Description
技术领域
本发明属于待测点云处理技术领域，涉及三维点云检测与识别方法，尤其是一种对具有孔洞的三维点云的检测与识别方法。
背景技术
点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，需要对点云模型进行特征描述，分类，根据模型的特征信息进行模型的检索。如何从场景中检索某类特定的物体是目前亟待解决的问题。在过去的几年中，基于物体3D点云识别的一般方法需要先将两模型的待测点云对齐到同一坐标系下(又可称为粗配准)，然后通过ICP算法进行精确配准，当点云之间的配准误差小于阈值时认为识别成功。随后，Rusu等人提出了具有鲁棒性的全局特征描述子：视角特征直方图方法(VFH)。VFH方法包含了视角和几何特征信息，此方法在识别精度上有所不足。
Drost等人根据点对特征提出一种投票算法。在预处理阶段，将待测点云中提取出的点对特征进行哈希索引。在识别阶段，随机选出一些特征点，并与周围的其他点构成新的点对特征，在模型库中寻找匹配的特征，每一对匹配的特征都构成对全体候选的一个投票，筛选出得票最多的即为识别结果，此方法在识别过程中需要耗费大量时间。
但上述视角特征直方图方法(VFH)和投票算法在实际应用场景中，待测点云是通过扫描仪获取的，所以点云往往会包含一些不规则的孔洞，该两种识别算法均不能精确的对其进行识别。
经检索，未发现与本发明相同或相似的已公开的专利文献。
发明内容
本发明的目的在于克服现有技术的不足，提供一种设计合理、识别精度高且计算速度快的对具有孔洞的三维点云的检测与识别方法。
一种对具有孔洞的三维点云的检测与识别方法，包括以下步骤：
步骤1、利用待测点云数据描述某一物体，并对待测点云进行平移，将待测点云的质心与直角坐标系的坐标原点重合，完成待测点云的直角坐标系到球坐标系的转换；
步骤2、将待测点云与标准数据库中的点云进行快速对齐；
步骤3、将对齐后的待测点云按照最小包围盒的范围进行均匀分割，然后读取标准库点云，根据分割位置可以得到多组点云间对应的局部点云区块对；
步骤4、针对每组局部点云区块对，计算SRT结果；
步骤5、将每组区块对得出的SRT值与预设的阈值T进行比较，如果SRT值小于阈值，则会对待测点云的识别构成投票；若最终投票数与局部点云区块对的个数的比值大于阈值H，则点云识别成功，给出识别结果。
而且，所述步骤1的具体方法为：
通过如下所示公式1将待测点云从笛卡尔坐标系(xi，y，zi)，i∈[1，N]转换为球坐标系其中，R为当前点到原点的距离，θ为当前点与Z轴的夹角，为当前点与Y轴的夹角：
而且，所述步骤2的具体步骤包括：
(1)利用主成分分析法将待测点云与标准点云分别求得主轴，依、跟据主轴分别得到了两点云最小包围盒，进而可以分别得到两点云最小包围盒的8个顶点；
(2)根据两点云的最小包围盒的顶点可以找到点云间的旋转矩阵T1，通过T1对待测点云进行变换；
(3)分别对于X轴，Y轴，Z轴进行至少两次反转180度的变换，在至少六次计算中取待测点云与标准点云间欧氏距离最小的变换矩阵作为点云间的旋转矩阵T，将T应用于待测点云即可完成快速对齐操作。
而且，所述步骤4的具体步骤包括：
(1)把N个顶点的代入球谐函数中，利用l阶m次球谐波函数逼近原模型，l为球谐函数的阶数，m为-l<m<l的整数，可以得到期望值E，即如下所示公式2：
其中，cj是点云模型的球谐系数，为Cj对应的球谐函数；
(2)将公式2中的期望表达式对Ck求偏导数，k∈[0，1，2，...，(l+1)2-1]，获得如下所示公式3：
其中，为Ck对应的球谐函数；
(3)将公式3中的偏导数方程的值设为0，可得驻点方程，即如下所示公式4：
(4)为了简化计算表达，我们可以假设，即如下所示公式5：
那么公式4中的驻点方程可改写为内积形式，即如下所示公式6：
(5)将公式6中的内积方程展开为矩阵方程，即如下所示公式7：
(6)求解公式7的矩阵方程可以求得模型的球谐扩展系数并通过零阶球谐系数c0与零阶球谐函数可拟合出点云向量描述形式，即如下所示公式8：
其中，SRT为最终的点云的描述向量。
而且，所述步骤5的阈值T的取值范围是10-7-10-3；阈值H的取值范围是0.7-0.85。
本发明的优点和积极效果是：
1、本发明将物体的待测点云分解为局部点云区块，利用零阶球谐波函数的正交基扩展系数去识别局部点云区块，最后根据待测点云与标准库中存储的点云包含的区块对的相似度的投票结果给出点云的识别结果，从而实现对具有孔洞的三维点云的检测与识别。
2、本发明成功的引入零阶球谐函数解决了其他识别算法时间复杂度较高的问题，在保证识别准确的基础上进一步缩短的识别所需要的时间，为今后实时识别提供了一种新的解决方法。
附图说明
图1是本发明的处理流程图；
图2是本发明的步骤1的点云坐标-笛卡尔坐标系到球坐标系变换示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
本发明公开了一种基于零阶球谐函数的针对具有孔洞点云的检测与识别的方法，运用快速对齐方法将点云对齐到同一坐标系下并将点云坐标从之间坐标系转换到球坐标系下，分别将待测点云依照最小包围盒范围均匀分割成若干个局部点云区块，标记待测点云与标准库中的点云对应的区块对，针对每一组区块对中的局部点云使用零阶球谐函数及其对应的球谐系数组合成一组描述待测点云的向量SRT，运用欧氏距离判定局部区块的SRT误差值。如果误差值小于设定的阈值，则会对整体点云的识别构成投票。若最终投票数与区块对的个数的比值大于0.8，则点云识别成功，给出识别结果。为实现上述目的，提出了一种对具有孔洞的三维点云的检测与识别方法。
一种对具有孔洞的三维点云的检测与识别方法，包括以下步骤：
步骤1、利用待测点云数据描述某一物体，并对待测点云进行平移，将待测点云的质心与直角坐标系的坐标原点重合，完成待测点云的直角坐标系到球坐标系的转换；
所述步骤1的具体方法为：
通过如下所示公式1将待测点云从笛卡尔坐标系(xi，y，zi)，i∈[1，N]转换为球坐标系其中，R为当前点到原点的距离，θ为当前点与Z轴的夹角，为当前点与Y轴的夹角：
步骤2、将待测点云与标准数据库中的点云进行快速对齐；
所述步骤2的具体步骤包括：
(4)利用主成分分析法将待测点云与标准点云分别求得主轴，依、跟据主轴分别得到了两点云最小包围盒，进而可以分别得到两点云最小包围盒的8个顶点；
(5)根据两点云的最小包围盒的顶点可以找到点云间的旋转矩阵T1，通过T1对待测点云进行变换；
(6)在这种情况下，会产生轴向反转的问题，需要进一步分别对于X轴，Y轴，Z轴进行至少两次反转180度的变换，在至少六次计算中取待测点云与标准点云间欧氏距离最小的变换矩阵作为点云间的旋转矩阵T，将T应用于待测点云即可完成快速对齐操作。
步骤3、将对齐后的待测点云按照最小包围盒的范围进行均匀分割，然后读取标准库点云，根据分割位置可以得到多组点云间对应的局部点云区块对；
步骤4、针对每组局部点云区块对，计算SRT结果；
所述步骤4的具体步骤包括：
(1)把N个顶点的代入球谐函数中，利用l阶m次球谐波函数逼近原模型，l为球谐函数的阶数，m为-l<m<l的整数，可以得到期望值E，即如下所示公式2：
其中，cj是点云模型的球谐系数，为cj对应的球谐函数；
(2)将公式2中的期望表达式对Ck求偏导数，k∈[0，1，2，...，(l+1)2-1]，获得如下所示公式3：
其中，为Ck对应的球谐函数；
(3)将公式3中的偏导数方程的值设为0，可得驻点方程，即如下所示公式4：
(4)为了简化计算表达，我们可以假设，即如下所示公式5：
那么公式4中的驻点方程可改写为内积形式，即如下所示公式6：
(5)将公式6中的内积方程展开为矩阵方程，即如下所示公式7：
(6)求解公式7的矩阵方程可以求得模型的球谐扩展系数并通过零阶球谐系数C0与零阶球谐函数可拟合出点云向量描述形式，即如下所示公式8：
其中，SRT为最终的点云的描述向量。
步骤5、将每组区块对得出的SRT值与预设的阈值T进行比较，如果SRT值小于阈值，则会对待测点云的识别构成投票；若最终投票数与局部点云区块对的个数的比值大于阈值H，则点云识别成功，给出识别结果。
在本实施例中，阈值T的取值范围是10-7-10-3；阈值H的取值范围是0.7-0.85；
本发明还可应用在人脸识别领域，在实际应用场景中，人脸点云是通过扫描仪获取的，但扫描仪往往会得到具有孔洞的非完整点云，这时可以利用本发明的算法进行识别计算，在保证识别准确性的同时快速的分析出人脸的特征，经过比对后可以给出人脸识别的结果，避免孔洞带来的影响。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (4)
1.一种对具有孔洞的三维点云的检测与识别方法，其特征在于：包括以下步骤：
步骤1、利用待测点云数据描述某一物体，并对待测点云进行平移，将待测点云的质心与直角坐标系的坐标原点重合，完成待测点云的直角坐标系到球坐标系的转换；
步骤2、将待测点云与标准数据库中的点云进行快速对齐；
步骤3、将对齐后的待测点云按照最小包围盒的范围进行均匀分割，然后读取标准库点云，根据分割位置可以得到多组点云间对应的局部点云区块对；
步骤4、针对每组局部点云区块对，计算SRT结果；
所述步骤4的具体步骤包括：
(1)把N个顶点的代入球谐函数中，利用l阶m次球谐波函数逼近原模型，l为球谐函数的阶数，m为-l<m<l的整数，可以得到期望值E，即如下所示公式2：
其中，Cj是点云模型的球谐系数，为Cj对应的球谐函数；
(2)将公式2中的期望表达式对Ck求偏导数，k∈[0,1,2,...,(l+1)2-1]，获得如下所示公式3：
其中，为Ck对应的球谐函数；
(3)将公式3中的偏导数方程的值设为0，可得驻点方程，即如下所示公式4：
(4)为了简化计算表达，我们可以假设，即如下所示公式5：
那么公式4中的驻点方程可改写为内积形式，即如下所示公式6：
(5)将公式6中的内积方程展开为矩阵方程，即如下所示公式7：
(6)求解公式7的矩阵方程可以求得模型的球谐扩展系数并通过零阶球谐系数C0与零阶球谐函数可拟合出点云向量描述形式，即如下所示公式8：
其中，SRT为最终的点云的描述向量；
步骤5、将每组区块对得出的SRT值与预设的阈值T进行比较，如果SRT值小于阈值，则会对待测点云的识别构成投票；若最终投票数与局部点云区块对的个数的比值大于阈值H，则点云识别成功，给出识别结果。
2.根据权利要求1所述的一种对具有孔洞的三维点云的检测与识别方法，其特征在于：所述步骤1的具体方法为：
通过如下所示公式1将待测点云从笛卡尔坐标系(xi,y,zi),i∈[1,N]转换为球坐标系其中，R为当前点到原点的距离，θ为当前点与Z轴的夹角，为当前点与Y轴的夹角：
3.根据权利要求1所述的一种对具有孔洞的三维点云的检测与识别方法，其特征在于：所述步骤2的具体步骤包括：
(1)利用主成分分析法将待测点云与标准点云分别求得主轴，依、跟据主轴分别得到了两点云最小包围盒，进而可以分别得到两点云最小包围盒的8个顶点；
(2)根据两点云的最小包围盒的顶点可以找到点云间的旋转矩阵T1，通过T1对待测点云进行变换；
(3)分别对于X轴，Y轴，Z轴进行至少两次反转180度的变换，在至少六次计算中取待测点云与标准点云间欧氏距离最小的变换矩阵作为点云间的旋转矩阵T，将T应用于待测点云即可完成快速对齐操作。
4.根据权利要求1所述的一种对具有孔洞的三维点云的检测与识别方法，其特征在于：所述步骤5的阈值T的取值范围是10-7-10-3；阈值H的取值范围是0.7-0.85。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811001384.3A CN109241901B (zh) | 2018-08-30 | 2018-08-30 | 一种对具有孔洞的三维点云的检测与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811001384.3A CN109241901B (zh) | 2018-08-30 | 2018-08-30 | 一种对具有孔洞的三维点云的检测与识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109241901A CN109241901A (zh) | 2019-01-18 |
| CN109241901B true CN109241901B (zh) | 2019-08-06 |
Family
ID=65069870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811001384.3A Expired - Fee Related CN109241901B (zh) | 2018-08-30 | 2018-08-30 | 一种对具有孔洞的三维点云的检测与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241901B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255815B (zh) * | 2018-08-30 | 2019-11-12 | 天津理工大学 | 一种基于零阶球谐函数的物体检测与识别方法 |
| CN110008207B (zh) * | 2019-03-28 | 2020-08-07 | 武汉大学 | 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法 |
| CN113033270B (zh) * | 2019-12-27 | 2023-03-17 | 深圳大学 | 采用辅助轴的3d物体局部表面描述方法、装置及存储介质 |
| CN112287907B (zh) * | 2020-12-24 | 2021-03-19 | 湖南联智科技股份有限公司 | 一种基于点云密度梯度的孔洞识别方法 |
| CN112614120A (zh) * | 2020-12-29 | 2021-04-06 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 一种基于局部特征对齐的管件三维点云对比检测方法 |
| CN112802070B (zh) * | 2021-01-06 | 2022-03-25 | 南京航空航天大学 | 一种基于多描述子投票的飞机蒙皮局部点云定位方法 |
| CN114111628A (zh) * | 2021-12-07 | 2022-03-01 | 西安理工大学 | 一种水下目标激光点云数据三维重建算法 |
| CN114612534B (zh) * | 2022-03-17 | 2023-04-07 | 南京航空航天大学 | 一种基于球谐特征的多视飞机整机点云配准方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106384383A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 一种基于fast和freak特征匹配算法的rgb‑d和slam场景重建方法 |
| CN106778790A (zh) * | 2017-02-15 | 2017-05-31 | 苏州博众精工科技有限公司 | 一种基于三维点云的目标识别与定位方法及系统 |
| CN105205858B (zh) * | 2015-09-18 | 2018-04-13 | 天津理工大学 | 一种基于单个深度视觉传感器的室内场景三维重建方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104282038A (zh) * | 2014-09-26 | 2015-01-14 | 北京航空航天大学 | 基于局部子邻域划分的点云特征点提取方法 |
| JP6728865B2 (ja) * | 2016-03-25 | 2020-07-22 | 富士ゼロックス株式会社 | 手上げ検出装置及び手上げ検出プログラム |
| CN107330894B (zh) * | 2017-06-22 | 2018-06-29 | 同济大学 | 面向平面舱壁类型船舱的点云数据自动分割方法 |
| CN107633539A (zh) * | 2017-09-25 | 2018-01-26 | 潍坊学院 | 一种基于四边面片分割的三维点云模型数据压缩方法 |
| CN108053482A (zh) * | 2018-02-05 | 2018-05-18 | 喻强 | 一种基于手机扫描的人体3d建模方法 |
-
2018
- 2018-08-30 CN CN201811001384.3A patent/CN109241901B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205858B (zh) * | 2015-09-18 | 2018-04-13 | 天津理工大学 | 一种基于单个深度视觉传感器的室内场景三维重建方法 |
| CN106384383A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 一种基于fast和freak特征匹配算法的rgb‑d和slam场景重建方法 |
| CN106778790A (zh) * | 2017-02-15 | 2017-05-31 | 苏州博众精工科技有限公司 | 一种基于三维点云的目标识别与定位方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 散乱点云局部点集最小包围盒快速求解算法;刘健 等;《农业装备与车辆工程》;20100630;第27-29页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109241901A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241901B (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
| Lin et al. | Discriminatively trained and-or graph models for object shape detection | |
| US20190318158A1 (en) | Multi-pose face feature point detection method based on cascade regression | |
| Bariya et al. | Scale-hierarchical 3d object recognition in cluttered scenes | |
| CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
| 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 | |
| CN110188225B (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
| CN102324042B (zh) | 视觉识别系统及视觉识别方法 | |
| CN111149108A (zh) | 识别对象实例和/或对象的定向的方法 | |
| CN105654122B (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
| CN108764157B (zh) | 基于法向量高斯分布的建筑物激光脚点提取方法及系统 | |
| CN109255815B (zh) | 一种基于零阶球谐函数的物体检测与识别方法 | |
| CN110443295A (zh) | 改进的图像匹配与误匹配剔除算法 | |
| CN108564130B (zh) | 一种基于单演特征与多核学习的红外目标识别方法 | |
| CN114648445B (zh) | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 | |
| CN115690803A (zh) | 数字图像的识别方法、装置、电子设备及可读存储介质 | |
| Jiang et al. | Learned local features for structure from motion of uav images: A comparative evaluation | |
| CN105930859A (zh) | 基于线性流形聚类的雷达信号分选方法 | |
| Fei et al. | Fingerprint singular points extraction based on the properties of orientation model | |
| CN108090396A (zh) | 一种指纹匹配方法和装置 | |
| CN112733758B (zh) | 黎曼几何不变性下基于曲线的三维人脸识别方法及系统 | |
| Li et al. | A novel fingerprint indexing approach focusing on minutia location and direction | |
| Liu et al. | An improved local descriptor based object recognition in cluttered 3D point clouds | |
| Liu et al. | Fingerprint singular points extraction based on orientation tensor field and Laurent series | |
| Zhao et al. | A Lightweight Generalizable Evaluation and Enhancement Framework for Generative Models and Generated Samples |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190806 Termination date: 20200830 |