CN109272524B - 一种基于阈值分割的小尺度点云噪声去噪方法 - Google Patents
一种基于阈值分割的小尺度点云噪声去噪方法 Download PDFInfo
- Publication number
- CN109272524B CN109272524B CN201810977357.3A CN201810977357A CN109272524B CN 109272524 B CN109272524 B CN 109272524B CN 201810977357 A CN201810977357 A CN 201810977357A CN 109272524 B CN109272524 B CN 109272524B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- cloud data
- threshold
- small
- 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 40
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 230000002146 bilateral effect Effects 0.000 claims abstract description 20
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000725 suspension Substances 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/2433—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures for measuring outlines by shadow casting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于阈值分割的小尺度点云噪声去噪方法属于计算机视觉和逆向工程领域，涉及一种基于阈值分割的小尺度点云噪声去噪方法。该方法采用激光结合双目视觉的方式，利用双目摄像机拍摄获取代表被测物表面信息的点云数据。根据主成分分析法对获得的点云数据进行坐标变换，分别获得点云数据的两个主成分方向。再根据点云数据的方向划分若干网格，并求解网格内所有点Z坐标的中值，最后设置分割阈值，将大于阈值的数据进行中值滤波，小于阈值的数据进行双边滤波，实现小尺度点云噪声的去除。本发明在双边滤波的基础上，应用阈值分割的方法，改进了现有小尺度点云噪声去噪的局限性，克服了传统的滤波方法无法有效去除边界噪声点问题。
Description
技术领域
本发明属于计算机视觉和逆向工程领域，涉及一种基于阈值分割的小尺度点云噪声去噪方法。
背景技术
随着航空事业的不断发展，对于大型航空零部件的生产要求越来越高，由于逆向工程技术具有操作简单，实时获取，方便分析等特点，所以发展针对飞机零件的逆向建模技术迫在眉睫。
点云获取作为逆向工程的第一步，具有至关重要的作用。在激光扫描系统获取点云数据过程中，由于被测物本身和测量环境等原因造成的误差会产生脉冲噪声点。这些噪声一般可分为大尺度噪声和小尺度噪声两种，其中大尺度噪声可分为两类，第一类是偏离点云悬浮点云上方的稀疏点，第二类是距离点云主体较远，小而密集的点云；小尺度噪声是与主体点云混在一起的噪声点。这些不同种类的噪声会对逆向重建的结果产生很大的影响，因此研究虑及一种基于阈值分割的小尺度点云噪声去噪方法对于确保逆向重建精度，实现零部件装配偏差的测量具有重要意义。目前，针对小尺度噪声，传统滤波算法易受邻域点影响，当主体点云附近存在多而密集的噪声点时，滤波效果不是十分明显，尤其面向大型零件线激光扫描点云，被测零件边界外存在部分噪声点，传统的滤波方法无法有效去除这些噪声点，难以应用于现场测量过程。针对小尺度点云噪声的去除，河海大学的曹爽等人在《东南大学学报》第43卷增刊《基于特征选择的双边滤波点云去噪算法》一文中提出了一种基于特征选择的双边滤波去噪方法，通过最小包围盒法去除第一和第二类噪声点，并通过邻域点和栅格点分别计算不同的双边滤波因子，避免了双边滤波算法过光顺的问题，但特征选择的过程较为繁琐。桂林电子科技大学的袁华等人在《计算机应用》第35卷8期《基于噪声分类的双边滤波点云去噪算法》一文中利用统计滤波和半径滤波相结合的方式，去除第一第二类噪声点，并对双边滤波因子进行了改进，考虑了法向量夹角对权值的影响，但损失了点云的深度信息。
发明内容
本发明为了解决现有小尺度点云噪声去噪方法在点云数据处理过程中的局限性，发明了一种基于阈值分割的小尺度点云噪声去噪方法，采用激光结合双目视觉的方式，其目的是针对传统滤波算法易受邻域点影响，当主体点云附近存在多而密集的噪声点时，滤波效果不是十分明显，尤其面向大型零件线激光扫描点云，被测零件边界外存在部分噪声点的情况。获得点云数据的两个主成分方向，根据点云数据的方向划分若干网格，并求解网格内所有点Z坐标的中值，最后设置分割阈值，将大于阈值的数据进行中值滤波，小于阈值的数据进行双边滤波，实现小尺度点云噪声的去除。该方法克服了传统的滤波方法无法有效去除这些噪声点，难以应用于现场测量过程等问题，方法具有广泛的应用前景。
本发明采用的技术方案是一种基于阈值分割的小尺度点云噪声去噪方法，其特征是，该方法采用激光结合双目视觉的方式，利用左、右摄像机1、2拍摄激光发射器3在被测物5上形成的辅助激光条纹6，获取代表被测物5表面信息的点云数据；根据主成分分析法对获得的点云数据进行坐标变换，分别获得点云数据的两个主成分方向；再根据点云数据的方向划分若干网格，并求解网格内所有点Z坐标的中值，最后设置分割阈值，将大于阈值的数据进行中值滤波，小于阈值的数据进行双边滤波，实现小尺度点云噪声的去除；方法的具体步骤如下：
第一步，获取点云数据
安装测量设备，打开辅助激光发射器3并照射被测物5，在开始采集之后，打开转台4带动激光发射器3转动，使激光扫描被测物5。然后，整体平移左右摄像机1、2的位置，进行多次拍摄，保证被测物5形面信息的完整性。通过信息采集系统采集到辅助激光光条6图像之后，需要对激光光条6的中心线进行提取，采用光条图像中心灰度重心提取的方法，公式为：
其中：(ui,vi)为第i行光条灰度重心坐标，Iij为第i行第j列灰度值；通过此方法可以获取辅助激光光条(6)的特征点二维信息，再结合标定结果以及重建公式，得到边界点和光条中心点在世界坐标系下的三维坐标值，重建公式为：
其中，假设xi'＝(Xi',Yi')，Xi'，Yi'分别为左摄像机(1)采集的图像边界点或光条中心点xi′在像面坐标系下的横、纵坐标；xi′′＝(Xi′′,Yi′′)，Xi′′，Yi′′分别为右摄像机(2)采集的图像光斑中心点xi‘'在像面坐标系下的横、纵坐标；f1、f2分别为左、右摄像机(1、2)标定得到的焦距；
是右摄像机(2)相对于左摄像机(1)的旋转矩阵，[tx ty tz]是右摄像机(2)相对于左摄像机(1)的平移矩阵，由标定实验得到；则(xi,yi,zi)为重建出来的对应点的三维坐标，由此获取整个被测物(5)表面的三维点云数据；
第二步，转换点云坐标
通过第一步获取的点云，建立在摄像机坐标系下，无法直接获取点云数据的主成分方向，因此需要采用主成分分析法进行求解：
假设三维点云数据的矩阵为P＝[X Y Z]，其中向量X＝[x1 x2 … xn]T，Y＝[y1 y2… yn]T，Z＝[z1 z2 … zn]T，然后对向量X、Y、Z进行归一化处理，得到点云数据中心
其中，
分别为点云X、Y、Z三个方向的数据中心，n为点云数量，(xi,yi,zi)为第i个点的三维坐标；
数据去中心化得P'＝[X' Y' Z']，其中X',Y',Z'如下所示：
数据P′的协方差矩阵C可求得：
因矩阵C是一个实对称矩阵，所以C可对角化：
其中λ是矩阵C的特征值，U是特征向量所组成的矩阵；
将D中的特征值按照从大到小排列，得到与其对应的前两个特征向量u1和u2，投影方向可得：
因此可建立一个新的u1u2u坐标系，将XYZ坐标系下的点云转换到u1u2u坐标系下，转换公式如下：
其中Q为u1u2u坐标系下点云的集合；
第三步，划分点云网格
将点云数据分别沿着u1轴、u2轴方向划分网格，网格内u坐标集合为
dl表示划分网格的长度，
表达式为：
其中z″k表示网格内数据点的u坐标值，其中k＝1,2…,s；s表示区域内数据点的u坐标值的个数；x″和y″为网格边界坐标值；
第四步，去除点云噪声
在网格内对
的元素进行排序，求取网格内元素的中值
计算
各元素与
的距离，记为
将
按照从小到大的顺序排列，并设置阈值
将
值大于阈值
的z″k进行中值滤波，并将符合要求的元素对应的三维数据作为邻域点计算光顺滤波权函数和特征保持权函数，并得到新的双边滤波因子；
为提高运算效率，改进后的双边滤波因子表示为：
其中N为邻域点个数，定义
为光顺滤波权函数，
为特征保持权函数，σc为网格的长度，σs为网格内点到q点距离的标准差；
滤波后的点云数据为：
q′＝q-α′v (11)
其中q为滤波前的点云数据，q′为滤波后的点云数据，v为单位向量(0，0，1)；这样就完成了小尺度点云噪声的去噪。
本发明的有益效果是该方法采用激光结合双目视觉的方式获得扫描式点云；再利用主成分分析法进行坐标系转换可直接获取点云数据主成分方向，减少信息的丢失；然后，根据点云数据的方向划分若干网格，并求解网格内所有点Z坐标的中值；最后设置分割阈值，将大于阈值的数据进行中值滤波，小于阈值的数据进行双边滤波，改善了传统滤波算法易受邻域点影响，当主体点云附近存在多而密集的噪声点时，滤波效果不是十分明显，尤其面向大型零件线激光扫描点云，被测零件边界外存在部分噪声点的情况。本发明在双边滤波的基础上，应用阈值分割的方法，改进了现有小尺度点云噪声去噪的局限性。克服了传统的滤波方法无法有效去除边界噪声点，难以应用于现场测量过程等问题。
附图说明
图1是点云数据的获取示意图，其中，1-左摄像机，2-右摄像机，3-激光发射器，4-转台，5-被测物，6-激光光条。
图2是小尺度点云噪声去噪示意图，其中，a)-列出分割区域内元素，b)-判断阈值，c)-中值滤波，d)-双边滤波。
图3是小尺度点云噪声去噪流程图
具体实施方式
以下结合技术方法和附图详细叙述本发明的具体实施方式。
如图1所示，该方法首先通过激光结合双目视觉的方式，利用左、右摄像机1、2拍摄激光发射器3在被测物5上形成的辅助激光条纹6，获取代表被测物5表面信息的点云数据；其次根据主成分分析法对获得的点云数据进行坐标变换，分别获得点云数据的两个主成分方向；之后，根据点云数据的方向划分若干网格，并求解网格内所有点Z坐标的中值，最后设置分割阈值，将大于阈值的数据进行中值滤波，小于阈值的数据进行双边滤波，实现小尺度点云噪声的去除。
实施例选取韩国Vieworks公司生产的VC-12MC-M/C 65型号工业相机，此相机为逐行扫描式面扫描工业相机，本文选用的是激光发射器为Coherent公司生产的LasirisPowerLine激光发射器，被测物5为航空平板类零件。
图3是小尺度点云噪声去噪流程图，方法的具体步骤如下：
第一步，获取点云数据
按图1安装实验设备后，打开激光发射器3并照射被测物5，在开始采集之后，打开转台4带动激光发射器3转动，使激光扫描被测物5。然后，变换左右摄像机1、2的位置，进行多次拍摄，保证被测物5形面信息的完整性。通过信息采集系统采集到辅助激光光条6图像之后，利用公式(1)对激光光条6的中心线进行提取，获取激光光条6的特征点二维信息，再结合标定结果重建公式(2)，可以将左右相机1、2拍摄的光条信息进行匹配，由此将二维信息还原成为三维点信息。之后根据标定结果,最终获取整个被测物5表面的三维点云数据。
第二步，转换点云坐标
由第一步获取激光光条的原始点云，建立在摄像机坐标系下，通过主成分分析法求解主成分方向，具体步骤如下：
激光光条原始三维点云数据的矩阵为P，然后由公式(3)对向量X、Y、Z进行归一化处理，得到点云数据中心
由公式(4)和公式(5)进行数据去中心化可得P'，由公式(6)可得数据P'的协方差矩阵C；因矩阵C是一个实对称矩阵，所以由公式(7)对矩阵C进行对角化得到对角化矩阵D；
将D中的特征值按照从大到小排列，得到与其对应的前两个特征向量u1和u2，然后求解投影方向u；然后建立一个新的u1u2u坐标系，将XYZ坐标系下的点云转换到u1u2u坐标系下，转换关系如公式(8)；
第三步，划分点云网格
将点云数据分别沿着u1轴、u2轴方向划分网格，网格内u坐标集合为
dl表示划分网格的长度，
表达式如公式(9)所示
其中z″k(k＝1,2…,s)表示网格内数据点的u坐标值；s表示区域内数据点的u坐标值的个数；x″和y″为网格边界坐标值。
第四步，去除点云噪声
在网格内对
的元素进行排序，求取网格内元素的中值
计算
各元素与
的距离，记为
将
按照从小到大的顺序排列，并设置阈值
如图2a)、b)所示。将
值大于阈值
的z″k进行中值滤波，如图2c)所示。并将符合要求的元素对应的三维数据作为邻域点计算光顺滤波权函数和特征保持权函数，并得到新的双边滤波因子，如图2d)所示。为提高运算效率，改进后的双边滤波因子如公式(10)所示。滤波后的点云数据如公式(11)所示。这样就完成了小尺度点云噪声的去噪。
本发明在双边滤波的基础上，应用阈值分割的方法，改进了现有小尺度点云噪声去噪的局限性。通过选取5组不同数据量的点云数据进行实验，结果表明：精度相较于传统算法提高了至少16％以上，可以满足现场实验的要求。
Claims (1)
1.一种基于阈值分割的小尺度点云噪声去噪方法，其特征是，该方法采用激光结合双目视觉的方式，利用左、右摄像机(1、2)拍摄激光发射器(3)在被测物(5)上形成的辅助激光条纹(6)，获取代表被测物(5)表面信息的点云数据；其次根据主成分分析法对获得的点云数据进行坐标变换，分别获得点云数据的两个主成分方向；根据点云数据的方向划分若干网格，并求解网格内所有点Z坐标的中值，最后设置分割阈值，将大于阈值的数据进行中值滤波，小于阈值的数据进行双边滤波，实现小尺度点云噪声的去除；方法的具体步骤如下：
第一步，获取点云数据
安装测量设备，打开辅助激光发射器(3)并照射被测物(5)，在开始采集之后，打开转台(4)带动激光发射器(3)转动，使激光扫描被测物(5)；然后，整体平移左右摄像机(1、2)的位置，进行多次拍摄，保证被测物(5)形面信息的完整性；通过信息采集系统采集到辅助激光光条(6)图像之后，需要对激光光条(6)的中心线进行提取，采用光条图像中心灰度重心提取的方法，公式为：
其中：(ui,vi)为第i行光条灰度重心坐标，Iij为第i行第j列灰度值；通过此方法可以获取辅助激光光条(6)的特征点二维信息，再结合标定结果以及重建公式，得到边界点和光条中心点在世界坐标系下的三维坐标值，重建公式为：
其中，假设xi'＝(Xi',Yi')，Xi'，Yi'分别为左摄像机(1)采集的图像边界点或光条中心点xi'在像面坐标系下的横、纵坐标；xi''＝(Xi'',Yi'')，Xi''，Yi''分别为右摄像机(2)采集的图像光斑中心点xi‘'在像面坐标系下的横、纵坐标；f1、f2分别为左、右摄像机(1、2)标定得到的焦距；
是右摄像机(2)相对于左摄像机(1)的旋转矩阵，[tx ty tz]是右摄像机(2)相对于左摄像机(1)的平移矩阵，由标定实验得到；则(xi,yi,zi)为重建出来的对应点的三维坐标，由此获取整个被测物(5)表面的三维点云数据；
第二步，转换点云坐标
通过第一步获取的点云，建立在摄像机坐标系下，无法直接获取点云数据的主成分方向，因此需要采用主成分分析法进行求解：
假设三维点云数据的矩阵为P＝[X Y Z]，其中向量X＝[x1 x2 … xn]T，Y＝[y1 y2 …yn]T，Z＝[z1 z2 … zn]T，然后对向量X、Y、Z进行归一化处理，得到点云数据中心
其中，
分别为点云X、Y、Z三个方向的数据中心，n为点云数量，(xi,yi,zi)为第i个点的三维坐标；
数据去中心化得P'＝[X' Y' Z']，其中X',Y',Z'如下所示：
数据P'的协方差矩阵C可求得：
因矩阵C是一个实对称矩阵，所以C可对角化：
其中λ是矩阵C的特征值，U是特征向量所组成的矩阵；
将D中的特征值按照从大到小排列，得到与其对应的前两个特征向量u1和u2，投影方向可得：
因此可建立一个新的u1u2u坐标系，将XYZ坐标系下的点云转换到u1u2u坐标系下，转换公式如下：
其中Q为u1u2u坐标系下点云的集合；
第三步，划分点云网格
将点云数据分别沿着u1轴、u2轴方向划分网格，网格内u坐标集合为
dl表示划分网格的长度，
表达式为：
其中z”k表示网格内数据点的u坐标值，其中k＝1,2…,s；s表示区域内数据点的u坐标值的个数；x”和y”为网格边界坐标值；
第四步，去除点云噪声
在网格内对
的元素进行排序，求取网格内元素的中值
计算
各元素与
的距离，记为
将
按照从小到大的顺序排列，并设置阈值
将
值大于阈值
的z”k进行中值滤波，并将符合要求的元素对应的三维数据作为邻域点计算光顺滤波权函数和特征保持权函数，并得到新的双边滤波因子；
为提高运算效率，改进后的双边滤波因子表示为：
其中N为邻域点个数，定义
为光顺滤波权函数，
为特征保持权函数，σc为网格的长度，σs为网格内点到q点距离的标准差；
滤波后的点云数据为：
q'＝q-α'v (11)
其中q为滤波前的点云数据，q'为滤波后的点云数据，v为单位向量(0，0，1)；这样就完成了小尺度点云噪声的去噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810977357.3A CN109272524B (zh) | 2018-08-27 | 2018-08-27 | 一种基于阈值分割的小尺度点云噪声去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810977357.3A CN109272524B (zh) | 2018-08-27 | 2018-08-27 | 一种基于阈值分割的小尺度点云噪声去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109272524A CN109272524A (zh) | 2019-01-25 |
| CN109272524B true CN109272524B (zh) | 2020-08-25 |
Family
ID=65154432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810977357.3A Active CN109272524B (zh) | 2018-08-27 | 2018-08-27 | 一种基于阈值分割的小尺度点云噪声去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272524B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109901202A (zh) * | 2019-03-18 | 2019-06-18 | 成都希德瑞光科技有限公司 | 一种基于点云数据的机载系统位置修正方法 |
| 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 |
| CN110992274B (zh) * | 2019-11-12 | 2023-06-02 | 中国科学院自动化研究所 | 复杂曲面点云强噪音去除方法及系统 |
| CN111507919B (zh) * | 2020-04-16 | 2023-07-14 | 北京深测科技有限公司 | 一种三维点云数据的去噪处理方法 |
| CN111929657B (zh) * | 2020-08-26 | 2023-09-19 | 北京布科思科技有限公司 | 一种激光雷达的噪点滤除方法、装置和设备 |
| CN112418250B (zh) * | 2020-12-01 | 2024-05-10 | 怀化学院 | 一种复杂3d点云的优化匹配方法 |
| CN113554559B (zh) * | 2021-06-21 | 2023-03-10 | 中国人民解放军空军工程大学 | 带有多重复杂曲面旋转对称模型的三维重建方法及装置 |
| CN115471832A (zh) * | 2022-07-29 | 2022-12-13 | 武汉大学 | 基于三维点云数据的输电线路杆塔塔型识别方法及设备 |
| CN115824070B (zh) * | 2023-02-23 | 2023-05-30 | 湖南睿图智能科技有限公司 | 一种钢轨件尺寸测量方法及装置 |
| CN116452467B (zh) * | 2023-06-16 | 2023-09-22 | 山东曙岳车辆有限公司 | 基于激光数据的集装箱实时定位方法 |
| CN116681767B (zh) * | 2023-08-03 | 2023-12-29 | 长沙智能驾驶研究院有限公司 | 一种点云搜索方法、装置及终端设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2557537B1 (en) * | 2011-08-08 | 2014-06-25 | Vestel Elektronik Sanayi ve Ticaret A.S. | Method and image processing device for processing disparity |
| CN102880700A (zh) * | 2012-09-24 | 2013-01-16 | 常州大学 | 一种三维点模型数据去噪方法 |
| CN104657587B (zh) * | 2015-01-08 | 2017-07-18 | 华中科技大学 | 一种激光条纹的中心线提取方法 |
| SG10201700299QA (en) * | 2017-01-13 | 2018-08-30 | Otsaw Digital Pte Ltd | Three-dimensional mapping of an environment |
| CN107392954B (zh) * | 2017-07-04 | 2019-11-19 | 大连理工大学 | 一种基于序列图像的粗大误差点剔除方法 |
-
2018
- 2018-08-27 CN CN201810977357.3A patent/CN109272524B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109272524A (zh) | 2019-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272524B (zh) | 一种基于阈值分割的小尺度点云噪声去噪方法 | |
| CN110340891B (zh) | 基于点云模板匹配技术的机械臂定位抓取系统及方法 | |
| CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
| CN106127770B (zh) | 轮廓测量方法及系统 | |
| CN105300316B (zh) | 基于灰度重心法的光条中心快速提取方法 | |
| CN108986048B (zh) | 基于线激光扫描三维点云快速复合滤波处理方法 | |
| CN110866969B (zh) | 基于神经网络与点云配准的发动机叶片重构方法 | |
| CN110335234B (zh) | 一种基于古文物LiDAR点云的三维变化检测方法 | |
| CN108303037B (zh) | 一种基于点云分析的工件表面形状差异的检测方法及装置 | |
| CN110796728B (zh) | 一种基于扫描式激光雷达的非合作航天器三维重建方法 | |
| CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
| CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
| CN109816664B (zh) | 一种三维点云分割方法及装置 | |
| CN107392954B (zh) | 一种基于序列图像的粗大误差点剔除方法 | |
| CN107516324B (zh) | 一种基于光条几何特征突变的目标边界提取方法 | |
| CN110189257B (zh) | 点云获取的方法、装置、系统及存储介质 | |
| CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
| CN116204990B (zh) | 一种三维实测数据驱动的飞机大型骨架精准协调修配方法 | |
| CN101504770B (zh) | 一种结构光光条中心的提取方法 | |
| CN112669385A (zh) | 基于三维点云特征的工业机器人工件识别与位姿估计方法 | |
| CN102129716A (zh) | 一种用于水火弯板曲面拟合的方法 | |
| CN111028221A (zh) | 基于直线特征检测的飞机蒙皮对缝测量方法 | |
| CN111504191A (zh) | 一种基于三维激光扫描的航空零件自动快速测量方法 | |
| CN115482195A (zh) | 一种基于三维点云的列车部件变形检测方法 | |
| CN117422753A (zh) | 一种联合光学和sar图像的高精度场景实时三维重建方法 |
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 |