CN109345617A - 一种基于长条带多站点云的链式高精度拼接与平差方法 - Google Patents
一种基于长条带多站点云的链式高精度拼接与平差方法 Download PDFInfo
- Publication number
- CN109345617A CN109345617A CN201811077248.2A CN201811077248A CN109345617A CN 109345617 A CN109345617 A CN 109345617A CN 201811077248 A CN201811077248 A CN 201811077248A CN 109345617 A CN109345617 A CN 109345617A
- Authority
- CN
- China
- Prior art keywords
- point
- cloud
- chain type
- error
- point set
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于长条带多站点云的链式高精度拼接与平差方法,包括基于随机采样一致定理的扫描数据拼接、条带点云数据的配准及平差方法:然后利用平差后的旋转平移矩阵重新整体拼接。本发明采用的随机采样一致定理算法能自动寻找靶标对应点求解拼接模型矩阵方法,不需要点云模型之间的变换初始值,并可分析链式高精度拼接过程中的误差来源。随机采样一致定理方法点云的链式拼接算法具有很好的鲁棒性,能够利用靶标点实现多测站点云之间的链式自动拼接,利用闭合条件的整体平差方法可以很好的消除点云拼接累积的闭合差,在长条带激光扫描点云的高精度链式拼接中有很好的效果。
Description
技术领域
本发明涉及计算机图像处理领域,尤其涉及一种基于长条带多站点云的链式高精度拼接与平差方法。
背景技术
在点云链式拼接算法研究方面,自动点云拼接算法通常是利用点云本身特征进行拼接,其中最为常见的是ICP算法,但是该算法需要点云之间相对精确的初始位置关系,且存在计算量大的缺点,虽然国内外学者对其进行了一系列改进,但仍难以实现大数据量的地面激光扫描数据的配准。另一类点云配准算法是以点云中具有可描述性的点、线、面作为配准基元来实现点云的自动配准,但是目前对此类特征的描述缺乏统一的标准,且该算法要求待配准点云中有明显的特征,没有良好的鲁棒性。在多站点云拼接误差处理方面,有些算法给出了多站拼接中误差传播的模型并进行了验证,但是没有给出消除累积误差平差方法。也有些研究利用最终的累积拼接误差对所有测站进行了误差分配,但这并不是严格意义上的平差,可靠性和鲁棒性不够理想。
发明内容
为解决上述技术问题,本发明提出了一种减少累计误差平差影响、链式点云拼接平滑、稳定、可靠的基于长条带多站点云的链式高精度拼接与平差方法。
本发明的技术方案是这样实现的:一种基于长条带多站点云的链式高精度拼接与平差方法,包括以下步骤:
一种基于长条带多站点云的链式高精度拼接与平差方法,包括以下步骤:
A)基于随机采样一致定理的扫描数据拼接:在地面三维扫描仪完成数据采集后,从中提取出扫描靶标点的坐标,然后利用随机采样一致定理从两组不同的靶标点之间的寻找靶标点之间的对应关系,实现两站点云之间的拼接;
B)条带点云数据的配准及平差:对产生的误差进行配准与平差的主要过程包括:利用靶标进行点云配准;配准误差的传播规律;利用多余观测条件进行整体平差;
首先,利用靶标进行点云配准,利用靶标的空间位置不变性,从不同角度扫描靶标,得到了靶标在不同扫描坐标系下的坐标,利用坐标信息进行刚体变换,完成拼接;
然后配准误差的传播规律;
最后,利用多余观测条件的整体平差;
C)利用平差后的旋转平移矩阵重新整体拼接。
在以上技术方案的基础上,优选的,两站点云之间的拼接的具体步骤为:给定两组点集A和B,随机挑选出3个点a1,a2,a3∈A,计算向量的模,并从点集B中寻找向量使得threshold1为值域;以同样的方式在点集B中寻找向量的对应关系,如果三组对应关系在点集B中恰好为三个点b1,b2,b3,那么即认为点集A1(a1,a2,a3)和点集B1(b1,b2,b3)为一组对应关系;利用以下公式:
R0an+T0=bn(n∈0,1,2)
可求得两测站之间的旋转矩阵R和平移向量T的初值R0,T0,并同时计算点残差向量
两站拼接的中误差计算公式为:
利用上述得到的矩阵初值R0,V0计算点集A中所有的点在点集B坐标系中的映射C,再计算点集C中每个点cn在点集B中的最邻近点bn,如果threshold2为值域,则认为(an,bn)也为一组对应点,an为cn在点集A中的对应点;找到全部的对应点,更新点集A1(a1,a2,...,an),B1(b1,b2,...,bn),从而得到新的旋转矩阵R1和T1;重复上述步骤,在第k次迭代时如果满足下列条件之一时即更新矩阵R和T:
(1)点集A1,B1中对应点的个数nk>nk-1;
(2)点集A1,B1中对应点的个数nk=nk-1,但残差值mk<mk-1;
当对应点点数n>nthreshold,且拼接中误差m<mthreshold终止迭代,nthershold为对应点点数n的阈值,mthershold为中误差m的阈值,获得最终的旋转矩阵R和平移向量T。
在以上技术方案的基础上,优选的,配准误差的传播规律的方法如下:
建立点云配准的数学模型:
其中(XA,YA,ZA)和(XB,YB,ZB)分别为同一靶标点在两次扫描中的坐标;(y,p,r)为旋转坐标系中的三个旋转角度,(tx,ty,tz)平移向量,数学模型简写为B=RA+T,其中A,B为模型点坐标,R为旋转矩阵,T为平移向量;选(y,p,r,tx,ty,tz)作为独立量,则可以建立间接平差模型;按照非线性平差模型的原则,将上述非线性方程组微分处理,得到方程组:
其中L向量是将(y,p,r,tx,ty,tz)初值带入后的结果;将方程组简写为即得到间接平差的误差函数;令P为(y,p,r,tx,ty,tz)的权矩阵,用最小二乘的方法求解,单位权方差其中n为对应点的个数;由协因数传播定律知,(y,p,r,tx,ty,tz)的方差为其中Qxx为六参数的协因数阵Qxx=(BTB)-1,为单位全方差。
在以上技术方案的基础上,优选的,利用多余观测条件的整体平差的方法如下:
在三维扫描数据的拼接中多余观测条件方程如下:
在该方程中,(XA,YA,ZA)和(XB,YB,ZB)为同一靶标点在两个扫描坐标系下的坐标;而Q1Q2...Qn和Q'1Q'2...Q'n代表从两条不同的线路拼接至基站的旋转平移矩阵,可得到平差方程组:
在前n个必要观测中,Ai(i∈1,2,...,n)为第i测站与后一测站(i+1测站)配准时的对应点,Bi(i∈1,2,...,n)为第i测站与前一测站(i-1测站)配准时的对应点集,M0为单位矩阵,Mi=Q1Q2...Qi,即第i个测站到统一坐标系的旋转平移矩阵,每一个方程代表相邻两测站的对应点在归入统一坐标系后坐标相等;在m个多余观测中,Aki(i∈1,2,...m)为第i个测量站与后一测站配准时的对应点;Bli(i∈1,2,...m)第i测站与前一测站配准时的对应点集,Mki和Mli(i∈1,2,...,m)为同一组靶标点沿两条不同的线路拼接至基站的旋转平移矩阵;将该非线性方程组线性化处理,按照最小二乘的方法求解得到平差后的每一站的旋转平移矩阵Mi。
在以上技术方案的基础上,优选的,值域threshold1、threshold2是根据点云密度平均间距的0.3-3倍来确定的。
在以上技术方案的基础上,优选的,对应点点数n的阈值3<nthreshold<100。
在以上技术方案的基础上,优选的,中误差m的阈值3<mthreshold<100。
本发明一种基于长条带多站点云的链式高精度拼接与平差方法,相比现有技术,具有如下优点:
(1)采用的随机采样一致定理(RANSAC)算法能自动寻找靶标对应点求解拼接模型矩阵方法,不需要点云模型之间的变换初始值,并可分析链式高精度拼接过程中的误差来源,具有很好的鲁棒性;
(2)能够利用靶标点实现多测站点云之间的链式自动拼接,利用闭合条件的整体平差方法可以很好的消除点云拼接累积的闭合差,保证最终链式拼接结果的正确性与可靠性;
(3)本发明在隧道、桥梁、道路等城市三维可视化建模、条带状地形图测量和矿山测量、森林及农业资源调查、地面景观形体测量、复杂工业设备的测量与建模等长条带激光扫描点云的高精度链式拼接中有很好的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的条带点云数据的配准的流程图;
图2为本发明实施例的扫描场景示意图;
图3为本发明实施例中一测站在平差前后旋转矩阵及平移向量的变化表;
图4为本发明实施例中平差前后闭合差的变化情况;
图5为本发明实施例利用平差结果再次拼接的桥墩截面局部放大示意图:
图6为本发明实施例平差后的整体拼接结果示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
图1为本发明的条带点云数据的配准的流程图,如图1所示,本发明提供了一种基于长条带多站点云的链式高精度拼接与平差方法,包括以下步骤:
A)基于随机采样一致定理的扫描数据拼接:在地面三维扫描仪完成数据采集后,即可从中提取出扫描靶标点的坐标,然后利用随机采样一致定理从两组不同的靶标点之间的寻找靶标点之间的对应关系,从而实现两站点云之间的拼接;利用随机采样一致定理寻找靶标的对应关系,其核心是利用靶标在空间中的相对位置不变性,两站点云之间的拼接的具体步骤为:给定两组点集A和B,随机挑选出3个点a1,a2,a3∈A,计算向量的模,并从点集B中寻找向量使得threshold1为值域;以同样的方式在点集B中寻找向量的对应关系,如果三组对应关系在点集B中恰好为三个点b1,b2,b3,那么即认为点集A1(a1,a2,a3)和点集B1(b1,b2,b3)为一组对应关系;利用以下公式:
R0an+T0=bn(n∈0,1,2)
可求得两测站之间的旋转矩阵R和平移向量T的初值R0,T0,并同时计算点残差向量
两站拼接的中误差计算公式为:
利用上述得到的矩阵初值R0,V0计算点集A中所有的点在点集B坐标系中的映射C,再计算点集C中每个点cn在点集B中的最邻近点bn,如果threshold2为值域,则认为(an,bn)也为一组对应点,an为cn在点集A中的对应点;找到全部的对应点,更新点集A1(a1,a2,...,an),B1(b1,b2,...,bn),从而得到新的旋转矩阵R1和T1;重复上述步骤,在第k次迭代时如果满足下列条件之一时即更新矩阵R和T:
(1)点集A1,B1中对应点的个数nk>nk-1;
(2)点集A1,B1中对应点的个数nk=nk-1,但残差值mk<mk-1;
当对应点点数n>nthreshold,且拼接中误差m<mthreshold终止迭代,nthershold为对应点点数n的阈值,mthershold为中误差m的阈值,获得最终的旋转矩阵R和平移向量T。
值域threshold1、threshold2是根据点云密度平均间距的0.3-3倍来确定的,倍数越小,精度越高,此处选择0.5倍点云密度平均间距。
对应点点数n的阈值3<nthreshold<100,中误差m的阈值3<mthreshold<100,此处均选择40。
B)条带点云数据的配准及平差:对产生的误差进行配准与平差的主要过程包括:利用靶标进行点云配准;配准误差的传播规律;利用多余观测条件进行整体平差;
首先,利用靶标进行点云配准,利用靶标的空间位置不变性,从不同角度扫描靶标,得到了靶标在不同扫描坐标系下的坐标,利用坐标信息进行刚体变换,完成拼接;
然后配准误差的传播规律;
最后,利用多余观测条件的整体平差。
配准误差的传播规律的方法如下:
建立点云配准的数学模型:
其中(XA,YA,ZA)和(XB,YB,ZB)分别为同一靶标点在两次扫描中的坐标;(y,p,r)为旋转坐标系中的三个旋转角度,(tx,ty,tz)平移向量,数学模型简写为B=RA+T,其中A,B为模型点坐标,R为旋转矩阵,T为平移向量;选(y,p,r,tx,ty,tz)作为独立量,则可以建立间接平差模型;按照非线性平差模型的原则,将上述非线性方程组微分处理,得到方程组:
其中L向量是将(y,p,r,tx,ty,tz)初值带入后的结果;将方程组简写为即得到间接平差的误差函数;令P为(y,p,r,tx,ty,tz)的权矩阵,用最小二乘的方法求解,单位权方差其中n为对应点的个数;由协因数传播定律知,(y,p,r,tx,ty,tz)的方差为其中Qxx为六参数的协因数阵Qxx=(BTB)-1,为单位全方差。
在以上技术方案的基础上,优选的,利用多余观测条件的整体平差的方法如下:
在三维扫描数据的拼接中多余观测条件方程如下:
在该方程中,(XA,YA,ZA)和(XB,YB,ZB)为同一靶标点在两个扫描坐标系下的坐标;而Q1Q2...Qn和Q'1Q'2...Q'n代表从两条不同的线路拼接至基站的旋转平移矩阵,可得到平差方程组:
在前n个必要观测中,Ai(i∈1,2,...,n)为第i测站与后一测站(i+1测站)配准时的对应点,Bi(i∈1,2,...,n)为第i测站与前一测站(i-1测站)配准时的对应点集,M0为单位矩阵,Mi=Q1Q2...Qi,即第i个测站到统一坐标系的旋转平移矩阵,每一个方程代表相邻两测站的对应点在归入统一坐标系后坐标相等;在m个多余观测中,Aki(i∈1,2,...m)为第i个测量站与后一测站配准时的对应点;Bli(i∈1,2,...m)第i测站与前一测站配准时的对应点集,Mki和Mli(i∈1,2,...,m)为同一组靶标点沿两条不同的线路拼接至基站的旋转平移矩阵;将该非线性方程组线性化处理,按照最小二乘的方法求解得到平差后的每一站的旋转平移矩阵Mi。
C)利用平差后的旋转平移矩阵重新整体拼接。
本实施例设计了一组地面激光扫描实验,扫面场景示意图如图2所示,在20个桥墩两侧等距对应设置有40个测站,分别进行编号。在扫描试验的设计中为了保证链式拼接结果的可靠性,沿拼接方向两两测站布设不少于6个圆形标靶(标靶半径5cm)。在每两个桥墩间布设了一定数量的靶标作为检查点,利用这些检查点可以计算平差前后闭合差的大小,验证平差方法的正确性和必要性。
按照步骤B中介绍的平差方法,在引入闭合条件后进行整体平差,重新计算每一个测站的旋转平移矩阵。计算结果如图3表格所示。
利用平差后的旋转平移矩阵重新进行整体拼接,并利用桥洞之间的检查点检查闭合差,得到平差前后闭合差的变化情况如图4所示,可以看出在平差后闭合差最大不超过0.01m,远远小于平差前的0.59m,证明了该平差方法的有效性。
图5为本发明实施例利用平差结果再次拼接的桥墩截面局部放大示意图。图中是1号、5号、10号、15号、20号桥墩在利用平差结果进行拼接后的截面并进行局部放大,图6是平差后的整体拼接结果示意图。从图5、图6中可以看出,利用平差结果再次整体拼接,所有桥墩均未出现畸变,桥墩表面平滑,无明显“分层”现象。
本发明采用的随机采样一致定理(RANSAC)算法能自动寻找靶标对应点求解拼接模型矩阵方法,不需要点云模型之间的变换初始值,并可分析链式高精度拼接过程中的误差来源。随机采样一致定理(RANSAC)方法点云的链式拼接算法具有很好的鲁棒性,能够利用靶标点实现多测站点云之间的链式自动拼接。利用闭合条件的整体平差方法可以很好的消除点云拼接累积的闭合差,保证最终链式拼接结果的正确性与可靠性,该方法在大规模的测站的链式拼接中有着非常广泛的用途。在常见工程如隧道、桥梁、道路等城市三维可视化建模、条带状地形图测量和矿山测量、森林及农业资源调查、地面景观形体测量、复杂工业设备的测量与建模等长条带激光扫描点云的高精度链式拼接中有很好的效果。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,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保护范围之内。
Claims (7)
1.一种基于长条带多站点云的链式高精度拼接与平差方法,包括以下步骤:
A)基于随机采样一致定理的扫描数据拼接:在地面三维扫描仪完成数据采集后,从中提取出扫描靶标点的坐标,然后利用随机采样一致定理从两组不同的靶标点之间的寻找靶标点之间的对应关系,实现两站点云之间的拼接;
B)条带点云数据的配准及平差:对产生的误差进行配准与平差的主要过程包括:利用靶标进行点云配准;配准误差的传播规律;利用多余观测条件的整体平差;
首先,利用靶标进行点云配准,利用靶标的空间位置不变性,从不同角度扫描靶标,得到了靶标在不同扫描坐标系下的坐标,利用坐标信息进行刚体变换,完成拼接;
然后配准误差的传播规律;
最后,利用多余观测条件的整体平差,
C)利用平差后的旋转平移矩阵重新整体拼接。
2.如权利要求1所述的一种基于长条带多站点云的链式高精度拼接与平差方法,其特征在于:两站点云之间的拼接的具体步骤为:给定两组点集A和B,随机挑选出3个点a1,a2,a3∈A,计算向量的模,并从点集B中寻找向量使得||a1a2|-|b1b2||<threshold1,threshold1为值域;以同样的方式在点集B中寻找向量 的对应关系,如果三组对应关系在点集B中恰好为三个点b1,b2,b3,那么即认为点集A1(a1,a2,a3)和点集B1(b1,b2,b3)为一组对应关系;利用以下公式:
R0an+T0=bn(n∈0,1,2)
可求得两测站之间的旋转矩阵R和平移向量T的初值R0,T0,并同时计算点残差向量
两站拼接的中误差计算公式为:
利用上述得到的矩阵初值R0,V0计算点集A中所有的点在点集B坐标系中的映射C,再计算点集C中每个点cn在点集B中的最邻近点bn,如果threshold2为值域,则认为(an,bn)也为一组对应点,an为cn在点集A中的对应点;找到全部的对应点,更新点集A1(a1,a2,...,an),B1(b1,b2,...,bn),从而得到新的旋转矩阵R1和T1;重复上述步骤,在第k次迭代时如果满足下列条件之一时即更新矩阵R和T:
(1)点集A1,B1中对应点的个数nk>nk-1;
(2)点集A1,B1中对应点的个数nk=nk-1,但残差值mk<mk-1;
当对应点点数n>nthreshold,且拼接中误差m<mthreshold终止迭代,nthershold为对应点点数n的阈值,mthershold为中误差m的阈值,获得最终的旋转矩阵R和平移向量T。
3.如权利要求1所述的一种基于长条带多站点云的链式高精度拼接与平差方法,其特征在于:配准误差的传播规律的方法如下:
建立点云配准的数学模型:
其中(XA,YA,ZA)和(XB,YB,ZB)分别为同一靶标点在两次扫描中的坐标;(y,p,r)为旋转坐标系中的三个旋转角度,(tx,ty,tz)平移向量,数学模型简写为B=RA+T,其中A,B为模型点坐标,R为旋转矩阵,T为平移向量;选(y,p,r,tx,ty,tz)作为独立量,则可以建立间接平差模型;按照非线性平差模型的原则,将上述非线性方程组微分处理,得到方程组:
其中L向量是将(y,p,r,tx,ty,tz)初值带入后的结果;将方程组简写为即得到间接平差的误差函数;令P为(y,p,r,tx,ty,tz)的权矩阵,用最小二乘的方法求解,单位权方差其中n为对应点的个数;由协因数传播定律知,(y,p,r,tx,ty,tz)的方差为其中Qxx为六参数的协因数阵Qxx=(BTB)-1,为单位全方差。
4.如权利要求1所述的一种基于长条带多站点云的链式高精度拼接与平差方法,其特征在于:利用多余观测条件的整体平差的方法如下:
在三维扫描数据的拼接中多余观测条件方程如下:
在该方程中,(XA,YA,ZA)和(XB,YB,ZB)为同一靶标点在两个扫描坐标系下的坐标;而Q1Q2...Qn和Q′1Q'2...Q'n代表从两条不同的线路拼接至基站的旋转平移矩阵,可得到平差方程组:
在前n个必要观测中,Ai(i∈1,2,...,n)为第i测站与后一测站(i+1测站)配准时的对应点,Bi(i∈1,2,...,n)为第i测站与前一测站(i-1测站)配准时的对应点集,M0为单位矩阵,Mi=Q1Q2...Qi,即第i个测站到统一坐标系的旋转平移矩阵,每一个方程代表相邻两测站的对应点在归入统一坐标系后坐标相等;在m个多余观测中,Aki(i∈1,2,...m)为第i个测量站与后一测站配准时的对应点;Bli(i∈1,2,...m)第i测站与前一测站配准时的对应点集,Mki和Mli(i∈1,2,...,m)为同一组靶标点沿两条不同的线路拼接至基站的旋转平移矩阵;将该非线性方程组线性化处理,按照最小二乘的方法求解得到平差后的每一站的旋转平移矩阵Mi。
5.如权利要求2所述的一种基于长条带多站点云的链式高精度拼接与平差方法,其特征在于:值域threshold1、threshold2是根据点云密度平均间距的0.3-3倍来确定的。
6.如权利要求2所述的一种基于长条带多站点云的链式高精度拼接与平差方法,其特征在于:对应点点数n的阈值3<nthreshold<100。
7.如权利要求2所述的一种基于长条带多站点云的链式高精度拼接与平差方法,其特征在于:中误差m的阈值3<mthreshold<100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811077248.2A CN109345617B (zh) | 2018-09-15 | 2018-09-15 | 一种基于长条带多站点云的链式高精度拼接与平差方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811077248.2A CN109345617B (zh) | 2018-09-15 | 2018-09-15 | 一种基于长条带多站点云的链式高精度拼接与平差方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345617A true CN109345617A (zh) | 2019-02-15 |
CN109345617B CN109345617B (zh) | 2022-10-18 |
Family
ID=65305753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811077248.2A Active CN109345617B (zh) | 2018-09-15 | 2018-09-15 | 一种基于长条带多站点云的链式高精度拼接与平差方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345617B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163900A (zh) * | 2019-05-31 | 2019-08-23 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
CN110309618A (zh) * | 2019-07-10 | 2019-10-08 | 中煤航测遥感集团有限公司 | 建筑信息模型的建模方法、建模装置和建模系统 |
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
CN113537238A (zh) * | 2021-07-05 | 2021-10-22 | 上海闪马智能科技有限公司 | 一种信息处理方法及图像识别装置 |
CN113763570A (zh) * | 2020-06-01 | 2021-12-07 | 武汉海云空间信息技术有限公司 | 隧道点云高精度快速自动拼接方法 |
CN114820604A (zh) * | 2022-06-27 | 2022-07-29 | 四川大学 | 基于最邻近点距离损失的叶片型线数据拼接方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609940A (zh) * | 2012-01-17 | 2012-07-25 | 安徽建筑工业学院 | 利用地面激光扫描技术进行测量对象表面重建时点云配准误差处理方法 |
CN103307999A (zh) * | 2013-06-14 | 2013-09-18 | 河海大学 | 一种三维激光扫描控制架及其外业扫描和点云配准方法 |
US20150195489A1 (en) * | 2014-01-06 | 2015-07-09 | Arun Sobti & Associates, Llc | System and apparatus for smart devices based conferencing |
CN107274481A (zh) * | 2017-06-07 | 2017-10-20 | 苏州大学 | 一种基于多站站点点云拼接的三维模型重建方法 |
-
2018
- 2018-09-15 CN CN201811077248.2A patent/CN109345617B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609940A (zh) * | 2012-01-17 | 2012-07-25 | 安徽建筑工业学院 | 利用地面激光扫描技术进行测量对象表面重建时点云配准误差处理方法 |
CN103307999A (zh) * | 2013-06-14 | 2013-09-18 | 河海大学 | 一种三维激光扫描控制架及其外业扫描和点云配准方法 |
US20150195489A1 (en) * | 2014-01-06 | 2015-07-09 | Arun Sobti & Associates, Llc | System and apparatus for smart devices based conferencing |
CN107274481A (zh) * | 2017-06-07 | 2017-10-20 | 苏州大学 | 一种基于多站站点点云拼接的三维模型重建方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163900A (zh) * | 2019-05-31 | 2019-08-23 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
CN110163900B (zh) * | 2019-05-31 | 2021-04-20 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
CN110309618A (zh) * | 2019-07-10 | 2019-10-08 | 中煤航测遥感集团有限公司 | 建筑信息模型的建模方法、建模装置和建模系统 |
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN111461981B (zh) * | 2020-03-30 | 2023-09-01 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN113763570A (zh) * | 2020-06-01 | 2021-12-07 | 武汉海云空间信息技术有限公司 | 隧道点云高精度快速自动拼接方法 |
CN113763570B (zh) * | 2020-06-01 | 2024-05-10 | 武汉海云空间信息技术有限公司 | 隧道点云高精度快速自动拼接方法 |
CN113537238A (zh) * | 2021-07-05 | 2021-10-22 | 上海闪马智能科技有限公司 | 一种信息处理方法及图像识别装置 |
CN113537238B (zh) * | 2021-07-05 | 2022-08-05 | 上海闪马智能科技有限公司 | 一种信息处理方法及图像识别装置 |
CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
CN114820604A (zh) * | 2022-06-27 | 2022-07-29 | 四川大学 | 基于最邻近点距离损失的叶片型线数据拼接方法及设备 |
CN114820604B (zh) * | 2022-06-27 | 2022-09-09 | 四川大学 | 基于最邻近点距离损失的叶片型线数据拼接方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109345617B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345617A (zh) | 一种基于长条带多站点云的链式高精度拼接与平差方法 | |
CN106127771B (zh) | 基于激光雷达lidar点云数据获取隧道正射影像系统及方法 | |
Brenner | Building reconstruction from images and laser scanning | |
CN104931022B (zh) | 基于星载激光测高数据的卫星影像立体区域网平差方法 | |
Sirmacek et al. | Performance evaluation for 3-D city model generation of six different DSMs from air-and spaceborne sensors | |
CN107093206A (zh) | 利用3d激光扫描技术快速bim建模的方法 | |
CN106896213B (zh) | 一种基于点云数据的岩体结构面智能识别与信息提取方法 | |
CN109508508B (zh) | 一种露天矿山治理勘查设计方法 | |
CN110398246A (zh) | 基于沙漠地区无人机航拍影像自动生成线划图的方法 | |
CN107421501A (zh) | 一种结合倾斜摄影、rtk和bim技术的土石方测量计算方法 | |
CN101950433A (zh) | 利用激光三维扫描技术建立变电站真三维模型的方法 | |
CN105512287B (zh) | 一种建立综合管廊信息数据库的方法 | |
CN104376598A (zh) | 利用飞机航拍影像的露天矿采剥量计算方法 | |
CN113514041B (zh) | 一种工程建设项目多测合一数据采集和建库方法 | |
Roncella et al. | Photogrammetry for geological applications: automatic retrieval of discontinuity orientation in rock slopes | |
CN111667569B (zh) | 一种基于Rhino及Grasshopper的三维实景土方可视化精准测算方法 | |
WO2006113580A2 (en) | Linear correspondence assessment | |
CN102609940A (zh) | 利用地面激光扫描技术进行测量对象表面重建时点云配准误差处理方法 | |
CN1312633C (zh) | 大规模三维场景多视点激光扫描数据自动配准方法 | |
Furgale | Extensions to the visual odometry pipeline for the exploration of planetary surfaces | |
CN111964599A (zh) | 基于倾斜摄影测量技术的公路高边坡表面变形监测及分析方法 | |
CN104964669B (zh) | 类柱面文物对象正射影像生成方法 | |
Milde et al. | Building reconstruction using a structural description based on a formal grammar | |
CN109782355A (zh) | Obs检波点漂移的检测方法及装置 | |
Siriba et al. | Improvement of volume estimation of stockpile of earthworks using a concave hull-footprint |
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 |