CN109285184A - 基于重心与质心变换的三维点云初始配准算法 - Google Patents

基于重心与质心变换的三维点云初始配准算法 Download PDF

Info

Publication number
CN109285184A
CN109285184A CN201810998358.6A CN201810998358A CN109285184A CN 109285184 A CN109285184 A CN 109285184A CN 201810998358 A CN201810998358 A CN 201810998358A CN 109285184 A CN109285184 A CN 109285184A
Authority
CN
China
Prior art keywords
center
point cloud
gravity
registration
point
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
CN201810998358.6A
Other languages
English (en)
Other versions
CN109285184B (zh
Inventor
孙水发
夏坤
许安宁
李准
董方敏
汪龙志
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201810998358.6A priority Critical patent/CN109285184B/zh
Publication of CN109285184A publication Critical patent/CN109285184A/zh
Application granted granted Critical
Publication of CN109285184B publication Critical patent/CN109285184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images

Abstract

基于重心与质心变换的三维点云初始配准算法，针对三维点云配准中ICP等精确配准算法容易陷入局部最优的问题，首先对点云进行滤波处理；然后，通过点云数据重心与质心建立点云数据之间的旋转变换初步模型；其次，根据旋转角度与配准误差的关系，建立迭代旋转模型，找出最佳旋转角度，进而完成初始配准；最后，结合ICP算法进一步精确配准验证该初始配准算法的有效性。本发明算法与通过重心重合的初始配准方法进行了对比实验，结果表明：本发明提出的算法初始配准效果，明显优于基于重心重合的初始配准方法，初始配准效果较好。

Description

基于重心与质心变换的三维点云初始配准算法
技术领域
本发明涉及技术计算机应用领域，具体涉及一种基于重心与质心变换的三维点云初始 配准算法。
背景技术
随着三维点云扫描与处理技术的不断进步，点云配准在逆向工程、3D打印、三维重建、 工业测量等领域是非常重要的基本问题。同时，多视角点云配准是生成完整三维点云模型 的基础工作，也是三维建模技术中的研究重点和难点。
点云配准应用最广泛的算法是最近点迭代(iterative closest point,ICP)算法。该算法 在待配准点云比较接近时有较好的配准效果，但在点云初始位置相差较大时，容易收敛于 局部最优化。因此点云的初始配准变得尤为重要，这个过程中，配准精度不高，因此又称 为粗配准。目前，有关点云初始配准的算法可以分为：基于几何特征描述的算法(FPFH)， 基于全局搜索策略的算法(4PCS)，基于统计学概率的算法(NDT)，重心重合法。
重心重合法就是简单的将两点云数据的重心重合，计算两点云数据集的重心，并进行 相对平移，该方法只能减小平移方向的误差，不能减小旋转误差，初始配准的精度往往达 不到检测的要求，在实际应用中使用较少。
发明内容
针对三维点云配准中ICP等精确配准算法容易陷入局部最优的问题，本发明提供一种 基于重心与质心变换的三维点云初始配准算法，主要是基于重心重合的改进，该算法与通 过重心重合的初始配准方法进行了对比实验，本发明提出的算法初始配准效果明显优于基 于重心重合的初始配准方法，初始配准效果较好。
为达到上述目的，本发明采取的技术方案为：
一种基于重心与质心变换的三维点云初始配准算法，首先对点云进行滤波处理；然后 通过点云数据重心与质心建立点云数据之间的旋转变换初步模型；其次，根据旋转角度与 配准误差的关系，建立迭代旋转模型，找出最佳旋转角度，进而完成初始配准；最后，结 合ICP算法进一步精确配准。
一种基于重心与质心变换的三维点云初始配准算法，包括以下步骤：
步骤1，分别读取TXT格式的三维点云文件，设P和Q分别为初始位置不同且旋转角度偏差较大的两个点云数据集；
步骤2，运用点云数据处理中的统计滤波器，对点云数据集进行滤波处理.统计滤波 器对点云数据中每个数据点的邻域进行统计分析,过滤掉不符合要求的数据点,以减小噪声和离群值的影响；
步骤3，建立初始旋转变换模型；
步骤4，利用点云数据集的空间信息，计算点云P重心和质心，点云Q的重心和质心；
步骤5，计算点云P和Q重心与质心形成的向量；
步骤6，根据初始旋转变换模型，分别计算得到初始旋转变换矩阵R和初始平移矩阵 T0；
步骤7，建立迭代旋转变换模型；
步骤8，取旋转角度为根据配准误差函数公式求出dis[0]，并赋给最小配准误 差dis0，即dis0＝dis[0]；
步骤9，将旋转角度的值加1，计算出dis
步骤10，判断是否满足终止条件，若不满足终止条件，比较dis与dis0的大小，并将小的值赋给dis0，再执行步骤9；若满足终止条件，则输出dis0最小时对应的
步骤11，根据迭代旋转变换模型，得到初始配准后的点云数据集；
步骤12，通过ICP算法对初始配准的点云集进行精确配准；
步骤13，以TXT格式输出精准配准后的点云数据集。
本发明考虑刚性点云的旋转平移几何特征不变，且只有点云质量均匀时，点云重心与 质心重合，待配准点云数据集的重心与质心往往不重合。利用点云几何重心与质心方向向 量不变的特性，提出一种基于点云几何重心与质心变换的初始配准算法。并利用ICP算法 进行精确配准。实验表明，新的初始配准算法相比于单纯的点云几何重心重合的方法有较 好的初始配准效果。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为有噪声完整点云数据实验结果图。
图2为有噪声非闭合点云数据实验结果图。
图3是本发明基于重心与质心变换的三维点云初始配准算法的流程图。
具体实施方式
考虑到实际数据采集中不可避免包含有噪声。本发明中主要对有噪声的情况进行了讨 论，分别展示了算法对封闭数据和非闭合点云集的配准效果，并与通过点云重心重合的配 准方法进行了对比。实验数据采用斯坦福大学标准数据库bunny和dragon点云数据，为使 实验更具普遍性，实施例还采用一般扫描仪扫描得到的toy点云数据。
在有噪声、点云数据封闭时，实验结果如图1所示。第一行为使用本发明算法进行的 初始配准以及最终的精确配准，第二行为通过点云数据重心重合的后的配准结果。
第一列为经过处理后的原始点云数据，这些原始点云数据的初始位置旋转角度相差较 大，直接通过ICP算法进行配准时会陷入局部最优，不能完成配准。第二列为经过初始配 准后的点云数据。第三列为使用ICP算法进一步精确配准后的效果图。
图中第一、三、五行为使用本发明方法进行的初始配准以及最终的精确配准，第二、四、六行 为通过点云数据重心重合的后的配准结果。从图中第一、三、五行的第二列可以看出本发明方法进 行初始配准后，初始位置相差较大的两个点云集基本重合，完成了初始配准，第三列中成功完成了 ICP精确配准；从图中第二、四、六行的第二列是使用重心重合后做的初始配准对比实验，从图中 第二列可以看出完成了重心重合，但是由于旋转角度相差较大，在第三列中使用ICP精确配准时配 准失败。
结果评价指标：1、点云初始配准误差，即εreg＝∑||P-P′||2，其中P为原始点云，P′是算法得 到的初始配准点云；2、点云精确配准误差，εicp＝∑||Q-G||2，其中Q为原始点云，G为P通过本 发明算法变换后的到的点云数据集；3、是否精确配准成功，根据观察经过ICP算法配准后的两点 云数据集的位置，判断是否成功配准。具体实验数据如表1。
表1有噪声完整点云数据实验结果
下面以bunny点云数据集为例对实验步骤进行具体说明：
步骤1，分别读取TXT格式的三维点云文件，设P和Q设P和Q分别为初始位置不 同且旋转角度偏差较大的两个点云数据集。
步骤2，运用点云数据处理中的统计滤波器，对点云数据集进行滤波处理.统计滤波器 对点云数据中每个数据点的邻域进行统计分析,过滤掉不符合要求的数据点,以减小噪声 和离群值的影响。
步骤3，建立初始旋转变换模型。
步骤4，利用点云数据集的空间信息，计算点云P重心和质心分别为：
pm(-0.2611,0.9594,0.0947)、pw(-0.2782,0.9683,0.0988)
点云Q的重心和质心，分别为：qm(0.3872,-0.7907,0.2135)、qw(0.3965,-0.8039,0.2021)；
步骤5，计算点云P和Q重心与质心形成的向量分别为：
步骤6，根据初始旋转变换模型，计算得到初始旋转变换矩阵R和初始平移矩阵T0分 别为：
T0＝(-0.5119,-1.2996,0.2332)；
步骤7，建立迭代旋转变换模型。
步骤8，取旋转角度为根据配准误差函数公式求出dis[0]，并赋给最小配准误差 dis0，即dis0＝dis[0]。
步骤9，将旋转角度的值加1，计算出dis
步骤10，判断是否满足终止条件，若不满足终止条件，比较dis与dis0的大小， 并将小的值赋给dis0，再执行步骤9，若满足终止条件，输出dis0最小时对应的对 应的dis0＝2.5119。
步骤11，根据迭代旋转变换模型得到初始配准后的点云数据集。
步骤12，通过ICP算法对初始配准的点云集进行精确配准，，配准后得到配准误差为 dis＝1.8811e-06。
步骤13，以TXT格式输出精准配准后的点云数据集。
步骤3-1，设pi和qi分别为点云集P和Q上的点，pm(x1,y1,z1)、pw(a1,b1,c1)分别为点云 P重心和质心，qm(x2,y2,z2)、qw(a2,b2,c2)分别为点云Q重心和质心，其中x1,y1,z1表示对应 点pm的三维空间中x，y，z的坐标值,a1,b1,c1表示对应点pw的三维空间中x，y，z的坐标值,x2,y2,z2表示对应点qm的三维空间中x，y，z的坐标值,a2,b2,c2表示对应点qw的三维空 间中x，y，z的坐标值。N为点云数据中点的数量，mi为质心因子，ri为点云数据中各点 到点云重心的距离，满足
则可得到：
点云集P和Q重心与质心形成的向量分别为：
步骤3-2，在三维空间中，和空间旋转可以通过旋转角度θ和所围绕的单位向量来定义，不妨设是由旋转得到的，则可得：
从而可以得到和的空间旋转矩阵R0：
即点云集P和Q重心与质心形成线段的空间旋转R0，点云集P旋转后的点云集定义为 M，则可得：
步骤3-3，设点云集M对应的重心和质心分别为：mm(x'1,y'1,z'1)、mw(a'1,b'1,c'1)，根据点云 集M和Q重心与质心重点的距离计算得到初始平移矩阵T0，可得：
T0＝(mg+qg)/2-(mm+qm)/2
初始平移后的点云集H为：
H＝M+T0
其中，步骤4包括如下步骤：
步骤4-1，通过初始旋转变换模型得到点云集H，计算点云集H重心和质心分别为：hm(x"1,y"1,z"1)、hw(a,b,c)，其中x"1,y"1,z"1表示对应点pm的三维空间中x，y，z的坐标值,a,b,c表 示对应点pw的三维空间中x，y，z的坐标值；
步骤4-2，计算得到点云集H重心与质心形成的向量为：对应的单位向量为
步骤4-3，以点云集H重心与质心形成的向量为旋转轴，点云集H为旋转对象，顺时针旋转角度为自变量，点云集Q匹配欧式距离误差dis0为因变量，由取dis0最小时的旋转角度
步骤4-4，求点云集H绕向量旋转对应的旋转变换矩阵如下：
得到完成初始配准后的点云集G如下：
实验结果：
从表1和图1中可以看出，实验结果举例说明：本发明提出的方法具有较好的匹配。bunny、dragon和toy点云数据通过本发明算法初始配准后，配准误差数量级为100～10-1，精确误差数量级为10-6，而且经过本发明的初始配准算法后最终能够精确配准成功，相对而言，单纯的通过点云重心重合再使用ICP进行精确配准，在待配准点云数据初始位置相差较大时，会导致结果陷入局部最优，最终配准失败。
在有噪声、点云数据不封闭时，实验结果如图2所示。第一行为使用本发明算法进行 的初始配准以及最终的精确配准，第二行为通过点云数据重心重合的后的配准结果。
第一列为经过处理后的原始点云数据，这些原始点云数据的初始位置旋转角度相差较 大，直接通过ICP算法进行配准时会陷入局部最优，不能完成配准。
第二列为经过初始配准后的点云数据。
第三列为使用ICP算法进一步精确配准后的效果。
图中第一、三、五行为使用本发明方法进行的初始配准以及最终的精确配准，第二、四、六行 为通过点云数据重心重合的后的配准结果。从图中第一、三、五行的第二列可以看出本发明方法进 行初始配准后，初始位置相差较大的两个点云集基本重合，完成了初始配准，第三列中成功完成了 ICP精确配准；从图中第二、四、六行的第二列是使用重心重合后做的初始配准对比实验，从图中 第二列可以看出完成了重心重合，但是由于旋转角度相差较大，在第三列中使用ICP精确配准时配 准失败。
结果评价指标：1、点云初始配准误差，即εreg＝∑||P-P′||2，其中P为原始点云，P′是算法得 到的初始配准点云；2、点云精确配准误差，εicp＝∑||Q-G||2，其中Q为原始点云，G为P通过本 发明算法变换后的到的点云数据集；3、是否精确配准成功，根据观察经过ICP算法配准后的两点 云数据集的位置，判断是否成功配准。具体实验数据如表2。
表2有噪声非闭合点云数据实验结果
下面以bunny点云数据集为例，对实验步骤进行说明：
1、计算点云重心与质心，得到pm(-0.5680,1.3632,0.1383)、pw(-0.5551,1.3766,0.1338)分别为 点云P重心和质心，qm(-0.9839,0.6652,-0.8528)、qw(-0.9816,0.6617,-0.8715)分别为点云 Q重心和质心；
2、分别计算点云P和Q重心与质心形成的向量为：
3、根据初始旋转变换模型，计算得到初始旋转变换矩阵R和T0分别为：T0＝(-0.0134,-0.1261,-0.6571)；
4、根据迭代旋转模型，计算得到最佳的旋转变换角度对应的dis0＝0.4027。
5、通过ICP算法进行精确配准，配准后得到配准误差为dis＝5.09e-07。
实验结果：
从表2和图2中可以看出，实验结果举例说明，本发明提出的方法具有较好的匹配结 果。bunny、dragon和toy点云数据通过本发明算法初始配准后，配准误差数量级为101～10-1， 精确误差数量级为10-7，而且经过本发明的初始配准算法后，最终能够精确配准成功，相 对而言，单纯的通过点云重心重合再使用ICP进行精确配准，在待配准点云数据初始位置 相差较大时，会导致结果陷入局部最优，最终配准失败。
本发明利用点云几何重心与质心方向向量不变的特性，提出一种基于点云几何重心与 质心变换的初始配准算法。并利用ICP算法进行精确配准。实验表明，本发明新的初始配 准算法，相比于单纯的点云几何重心重合的方法有较好的初始配准效果。

Claims (4)

1.一种基于重心与质心变换的三维点云初始配准算法，其特征在于：首先对点云进行滤波处理；然后通过点云数据重心与质心建立点云数据之间的旋转变换初步模型；其次，根据旋转角度与配准误差的关系，建立迭代旋转模型，找出最佳旋转角度，进而完成初始配准；最后，结合ICP算法进一步精确配准。
2.一种基于重心与质心变换的三维点云初始配准算法，其特征在于包括以下步骤：
步骤1，分别读取TXT格式的三维点云文件，设P和Q分别为初始位置不同且旋转角度偏差较大的两个点云数据集；
步骤2，运用点云数据处理中的统计滤波器，对点云数据集进行滤波处理.统计滤波器对点云数据中每个数据点的邻域进行统计分析,过滤掉不符合要求的数据点,以减小噪声和离群值的影响；
步骤3，建立初始旋转变换模型；
步骤4，利用点云数据集的空间信息，计算点云P重心和质心，点云Q的重心和质心；
步骤5，计算点云P和Q重心与质心形成的向量；
步骤6，根据初始旋转变换模型，分别计算得到初始旋转变换矩阵R和初始平移矩阵T0；
步骤7，建立迭代旋转变换模型；
步骤8，取旋转角度为根据配准误差函数公式求出dis[0]，并赋给最小配准误差dis0，即dis0＝dis[0]；
步骤9，将旋转角度的值加1，计算出
步骤10，判断是否满足终止条件，若不满足终止条件，比较与dis0的大小，并将小的值赋给dis0，再执行步骤9；若满足终止条件，则输出dis0最小时对应的
步骤11，根据迭代旋转变换模型，得到初始配准后的点云数据集；
步骤12，通过ICP算法对初始配准的点云集进行精确配准；
步骤13，以TXT格式输出精准配准后的点云数据集。
3.根据权利要求2所述一种基于重心与质心变换的三维点云初始配准算法，其特征在于：
所述步骤3中，建立初始旋转变换模型包括以下步骤：
步骤3-1，设pi和qi分别为点云集P和Q上的点，pm(x1,y1,z1)、pw(a1,b1,c1)分别为点云P重心和质心，qm(x2,y2,z2)、qw(a2,b2,c2)分别为点云Q重心和质心，N为点云数据中点的数量，mi为质心因子，ri为点云数据中各点到点云重心的距离，满足则可得到：
点云集P和Q重心与质心形成的向量分别为：
步骤3-2，在三维空间中，和空间旋转可以通过旋转角度θ和所围绕的单位向量来定义，不妨设是由旋转得到的，则可得：
从而可以得到和的空间旋转矩阵R0：
即点云集P和Q重心与质心形成线段的空间旋转R0，点云集P旋转后的点云集定义为M，则可得：
步骤3-3，设点云集M对应的重心和质心分别为：mm(x′1,y′1,z′1)、mw(a′1,b′1,c′1)，根据点云集M和Q重心与质心重点的距离计算得到初始平移矩阵T0，可得：
T0＝(mg+qg)/2-(mm+qm)/2
初始平移后的点云集H为：H＝M+T0。
4.根据权利要求2所述一种基于重心与质心变换的三维点云初始配准算法，其特征在于：
所述步骤7包括以下步骤：
步骤7-1，通过初始旋转变换模型得到点云集H，计算点云集H重心和质心分别为：hm(x"1,y"1,z"1)、hw(a,b,c)；
步骤7-2，计算得到点云集H重心与质心形成的向量为：对应的单位向量为
步骤7-3，以点云H集重心与质心形成的向量为旋转轴，点云H集为旋转对象，顺时针旋转角度为自变量，点云集Q匹配欧式距离误差dis0为因变量，由得，取dis0最小时的旋转角度
步骤7-4，求点云集H绕向量旋转对应的旋转变换矩阵如下：
得到初始配准后的点云集G如下：
CN201810998358.6A 2018-08-29 2018-08-29 基于重心与质心变换的三维点云初始配准算法 Active CN109285184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810998358.6A CN109285184B (zh) 2018-08-29 2018-08-29 基于重心与质心变换的三维点云初始配准算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810998358.6A CN109285184B (zh) 2018-08-29 2018-08-29 基于重心与质心变换的三维点云初始配准算法

Publications (2)

Publication Number Publication Date
CN109285184A true CN109285184A (zh) 2019-01-29
CN109285184B CN109285184B (zh) 2021-09-10

Family

ID=65183726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810998358.6A Active CN109285184B (zh) 2018-08-29 2018-08-29 基于重心与质心变换的三维点云初始配准算法

Country Status (1)

Country Link
CN (1) CN109285184B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110118526A (zh) * 2019-03-08 2019-08-13 浙江中海达空间信息技术有限公司 一种支持实时监测的船载砂石体积自动计算方法
CN110728623A (zh) * 2019-08-27 2020-01-24 深圳市华讯方舟太赫兹科技有限公司 云点拼接方法、终端设备、计算机存储介质
CN111161327A (zh) * 2019-12-31 2020-05-15 电子科技大学 一种结合旋转平台和icp的点云配准方法
CN111415377A (zh) * 2020-02-19 2020-07-14 重庆邮电大学 一种基于部分质量最优传输理论的不完整点云配准方法
CN111768490A (zh) * 2020-05-14 2020-10-13 华南农业大学 基于迭代最近点与人工干预的植物三维建模方法及系统
CN112525161A (zh) * 2021-02-09 2021-03-19 南京景曜智能科技有限公司 一种旋转轴标定方法
CN113362446A (zh) * 2021-05-25 2021-09-07 上海奥视达智能科技有限公司 基于点云数据重建对象的方法及装置
CN114216485A (zh) * 2022-02-23 2022-03-22 广州骏天科技有限公司 一种用于无人机航拍测绘的图像校准方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317898A1 (en) * 2010-06-29 2011-12-29 Lin Shi Registration of 3D tomography images
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
CN103345757A (zh) * 2013-07-19 2013-10-09 武汉大学 多层次多特征约束下的光学和sar影像自动配准方法
CN107330929A (zh) * 2017-06-08 2017-11-07 三峡大学 一种基于几何重心和质心距离比不变性的多尺度点云配准方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317898A1 (en) * 2010-06-29 2011-12-29 Lin Shi Registration of 3D tomography images
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
CN103345757A (zh) * 2013-07-19 2013-10-09 武汉大学 多层次多特征约束下的光学和sar影像自动配准方法
CN107330929A (zh) * 2017-06-08 2017-11-07 三峡大学 一种基于几何重心和质心距离比不变性的多尺度点云配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAO MEN ET AL: "Color point cloud registration with 4D ICP algorithm", 《 2011 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》 *
孙水发等: "变尺度点云配准算法", 《系统仿真学报》 *
王卉: "三维图像的滤波与配准算法研究", 《中国优秀硕士学位论文全文数据（电子期刊）信息科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110118526A (zh) * 2019-03-08 2019-08-13 浙江中海达空间信息技术有限公司 一种支持实时监测的船载砂石体积自动计算方法
CN110728623A (zh) * 2019-08-27 2020-01-24 深圳市华讯方舟太赫兹科技有限公司 云点拼接方法、终端设备、计算机存储介质
CN110728623B (zh) * 2019-08-27 2024-04-19 深圳市重投华讯太赫兹科技有限公司 云点拼接方法、终端设备、计算机存储介质
CN111161327A (zh) * 2019-12-31 2020-05-15 电子科技大学 一种结合旋转平台和icp的点云配准方法
CN111415377B (zh) * 2020-02-19 2023-09-15 湖南贝靼科技有限公司 一种基于部分质量最优传输理论的不完整点云配准方法
CN111415377A (zh) * 2020-02-19 2020-07-14 重庆邮电大学 一种基于部分质量最优传输理论的不完整点云配准方法
CN111768490A (zh) * 2020-05-14 2020-10-13 华南农业大学 基于迭代最近点与人工干预的植物三维建模方法及系统
CN112525161B (zh) * 2021-02-09 2021-05-14 南京景曜智能科技有限公司 一种旋转轴标定方法
CN112525161A (zh) * 2021-02-09 2021-03-19 南京景曜智能科技有限公司 一种旋转轴标定方法
CN113362446B (zh) * 2021-05-25 2023-04-07 上海奥视达智能科技有限公司 基于点云数据重建对象的方法及装置
CN113362446A (zh) * 2021-05-25 2021-09-07 上海奥视达智能科技有限公司 基于点云数据重建对象的方法及装置
CN114216485A (zh) * 2022-02-23 2022-03-22 广州骏天科技有限公司 一种用于无人机航拍测绘的图像校准方法
CN114216485B (zh) * 2022-02-23 2022-04-29 广州骏天科技有限公司 一种用于无人机航拍测绘的图像校准方法

Also Published As

Publication number Publication date
CN109285184B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN109285184A (zh) 基于重心与质心变换的三维点云初始配准算法
Li et al. Evaluation of the ICP algorithm in 3D point cloud registration
CN109269430A (zh) 基于深度提取模型的多株立木胸径被动测量方法
CN105913489A (zh) 一种利用平面特征的室内三维场景重构方法
CN109559371B (zh) 一种用于三维重建的方法和装置
CN107818598B (zh) 一种基于视觉矫正的三维点云地图融合方法
CN111986219B (zh) 一种三维点云与自由曲面模型的匹配方法
Sharp et al. Invariant features and the registration of rigid bodies
Yang et al. Aligning 2.5 D scene fragments with distinctive local geometric features and voting-based correspondences
CN114972459B (zh) 一种基于低维点云局部特征描述符的点云配准方法
CN109903319A (zh) 一种基于多分辨率的快速迭代最近点配准算法
CN111145232A (zh) 一种基于特征信息变化度的三维点云自动配准方法
Chen et al. Robust affine-invariant line matching for high resolution remote sensing images
CN106023183B (zh) 一种实时的直线段匹配方法
CN107025449A (zh) 一种视角不变局部区域约束的倾斜影像直线特征匹配方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
JP2017532695A (ja) Ｒｇｂ−ｄセンサを使用して物体を走査する方法とシステム
CN102938147A (zh) 一种基于快速鲁棒特征的低空无人机视觉定位方法
Yan et al. Flower reconstruction from a single photo
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
Wu et al. Multiview point cloud registration based on minimum potential energy for free-form blade measurement
CN109934859B (zh) 一种基于特征增强多维权重描述子的icp配准方法
CN116434208B (zh) 一种用于仪表扇形区域的视觉识别方法
CN107330929B (zh) 一种基于几何重心和质心距离比不变性的多尺度点云配准方法
CN111612767B (zh) 一种基于视觉的精密结构件识别方法

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