CN109389626B - 一种基于采样球扩散的复杂异形曲面点云配准方法 - Google Patents

一种基于采样球扩散的复杂异形曲面点云配准方法 Download PDF

Info

Publication number
CN109389626B
CN109389626B CN201811179788.1A CN201811179788A CN109389626B CN 109389626 B CN109389626 B CN 109389626B CN 201811179788 A CN201811179788 A CN 201811179788A CN 109389626 B CN109389626 B CN 109389626B
Authority
CN
China
Prior art keywords
sampling
point cloud
points
sphere
ball
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
Application number
CN201811179788.1A
Other languages
English (en)
Other versions
CN109389626A (zh
Inventor
毛建旭
姚盼盼
王耀南
朱青
刘彩苹
代扬
吴昊天
田吉委
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN201811179788.1A priority Critical patent/CN109389626B/zh
Publication of CN109389626A publication Critical patent/CN109389626A/zh
Application granted granted Critical
Publication of CN109389626B publication Critical patent/CN109389626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种基于采样球扩散的复杂异形曲面点云配准方法，步骤S100：获取点云源点云和目标点云；步骤S200：源点云构造采样球；步骤S300：目标点云构造采样球；步骤S400：对两个采样球的两点与球心构成的夹角进行判断；步骤S500：在源点云构造的采样球选取若干个采样点，并计算其FPFH特征；步骤S600：在目标点云构造的采样球查找与采样点具有相似FPFH特征的对应点；步骤S700：判断是否找到足够多的对应点；步骤S800：完成对源点云和目标点云粗配准；步骤S900：重新构造采样球和通过改变采样球的半径构造新的采样球进行扩散；步骤S1000：对对应点对进行变换，若不满足预设阈值则继续扩散，反之则停止扩散。减少了迭代次数，降低时间复杂度，提高鲁棒性和配准精度。

Description

一种基于采样球扩散的复杂异形曲面点云配准方法
技术领域
本发明涉及三维图像处理技术领域，尤其涉及一种基于采样球扩散的复杂异形曲面点云配准方法。
背景技术
近年来，船舶制造、航空、航天科技的迅猛发展，各种复杂的异形曲面器件被愈来愈多的应用于这些领域。随着“中国制造2025”的概念越来越深入人心，机器视觉产业也得到了越来越多的关注。三维重建技术是计算机视觉的一个重要组成部分，复杂异形曲面物体的三维重建在船舶制造、航空航天领域有着非常广泛的应用前景。目前随着三维扫描技术的不断成熟，点云数据配准方法的研究逐渐成为了点云配准的关键。
传统的点云配准方法难以完成复杂异形曲面的高精度的点云配准。目前，传统的点云配准方法主要有两个缺点：两个待匹配点集必须有相当大的重叠区域，且初始位置应尽可能接近，否则，将影响配准的结果，从而产生错误的匹配结果；其次迭代次数太多导致时间复杂性增加，时间复杂度高，收敛速度慢。
因此，如何能够减少迭代次数，缩短计算时间，降低时间复杂度，提高鲁棒性和配准的精度，以适应复杂异性曲面的工程生产成为本领域技术人员亟需解决的问题。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种基于采样球扩散的复杂异形曲面点云配准方法能够减少迭代次数，缩短计算时间，降低时间复杂度，提高鲁棒性和配准的精度，以适应复杂异性曲面的工程生产。
本发明解决其技术问题采用的技术方案是：
一种基于采样球扩散的复杂异形曲面点云配准方法，所述方法包括以下步骤：
步骤S100：基于机器视觉的复杂异性曲面点云获取技术，获取复杂异性曲面两片点云源点云和目标点云；
步骤S200：源点云构造采样球，寻找采样球球面上距离最大的两点；
步骤S300：目标点云构造采样球，寻找采样球球面上距离最大的两点；
步骤S400：对两个采样球的两点与球心构成的夹角进行判断，若满足预设条件则进入步骤S500，若不满足预设条件则返回步骤S300；
步骤S500：在源点云构造的采样球的球表面选取若干个采样点，计算所有采样点的FPFH特征；
步骤S600：在目标点云构造的采样球的球表面查找与源点云构造的采样球的球表面选取的采样点具有相似FPFH特征的对应点，并统计对应点对数；
步骤S700：判断是否找到了足够多的对应点，若不够则返回步骤S300，若足够则进入步骤S800；
步骤S800：根据步骤S700确定的对应点完成对源点云和目标点云粗配准；
步骤S900：分别以源点云构造采样球球面上的对应点对中采样点作球心和目标点云构造采样球球面上的对应点对中对应点作球心，构造源点云扩散采样球和目标点云扩散球，通过改变源点云构造采样球和目标点云构造采样球的半径构造新的采样球进行扩散；
步骤S1000：从所获得的对应点对中剔除外点，剔除外点后对所有对应点对进行变换，若不满足预设阈值则继续扩散，若满足预设阈值则停止扩散。
优选地，所述步骤S200具体为：在源点云中选取任意一个点o作为球心，以预设r为半径构造一个采样球，遍历采样球表面的数据集，寻找出球面上欧氏距离最大的两个点ac1，和ac2。
优选地，所述步骤S300具体为：目标点云中选取任意一个点o'作为球心，以预设r为半径也构造一个采样球，遍历采样球表面的数据集，寻找出球面上欧氏距离最大的两个点bc1，和bc2。
优选地，所述步骤S400具体为：分别利用源点云构造的采样球的两点与球心构成夹角θ1＝∠ac1oac2和目标点云构造的采样球的两点与球心构成夹角θ2＝∠bc1o'bc2，判断|∠ac1oac2-∠bc1o'bc2|的值是否在预设阈值范围θ内，若在阈值范围θ内则进入步骤S500，若不在阈值范围内则返回步骤S300。
优选地，所述步骤S500具体为：
步骤S510：在源点云构造的采样球的球表面选取若干个采样点，采样点之间的距离应大于预先设定最小距离阈值d；
步骤S520：对于每个采样点计算其与其邻域点之间的一个元组，得到简化的点特征直方图SPFH；
步骤S530：重新确定每个采样点的k邻域，使用邻近的SPFH值来计算最终直方图：
Figure BDA0001824711670000031
pq为待计算FPFH特征的采样点，pi为采样点pq的k邻域的点，wi为第i个邻域点SPFH特征的加权值，1/wi代表pq与其第i个邻域点的距离值，用于表示点对(pq,pi)的关系。
优选地，所述步骤S700具体为：建立目标函数pc＝nc1/nc，当pc大于预设门限值ε，即找到了足够多的对应点则进入步骤S800，否则返回步骤S300；
其中，nc1为步骤S600统计出的对应点对数，nc为步骤S510所述在源点云构造的采样球的球表面选取采样点个数。
优选地，所述步骤S800具体为：根据步骤S700确定的对应点，计算对应点之间刚体变换矩阵，通过求解对应点变换后的“距离误差和”函数来判断当前配准变换的性能，在所有变换中找到一组最优的变换，即得到使误差函数的值最小的一组最优的变换，进一步根据采样球的对应点对源点云和目的点云粗配准，得到采样球的匹配结果，即一组对应采样球的配准。
优选地，所述步骤S900具体为：以步骤S200中构造的源点云采样球球面上的对应点对中采样点为球心，以预设r1为半径构造源点云扩散采样球；以步骤S300中构造的目标点云采样球球面上的对应对中对应点为球心，以预设r1为半径构造目标点云扩散采样球；利用多维二元搜索树搜索预设r1为半径的两个扩散采样球最近点可得到大量对应点对，接着分别通过改变步骤S200中构造的源点云采样球的半径和步骤S300中构造的目标点云采样球的半径，，此时的半径设置为r+r1，构造新的采样球进行扩散，同样通过扩散利用多维二元搜索树搜索采样球最近点可得到大量对应点对。
优选地，所述步骤S1000具体为：从步骤S900中所获得的对应点对中剔除外点，通过对所有对应点对中源点云采样点的内点使用最小二乘法得到最终的变换矩阵R和t，并进行变换，定义精度函数E，当E的值小于预设阈值则停止扩散，否则继续扩散。
本方法能够减少迭代次数，缩短计算时间，降低时间复杂度，提高鲁棒性和配准的精度。配准方法逻辑清晰、实用性强，易用计算机实现，可直接应用于复杂异性曲面的工程生产中。
附图说明
图1为第一种实施方式提供的基于采样球扩散的复杂异形曲面点云配准方法的流程图；
图2为第二种实施方式提供的基于采样球扩散的复杂异形曲面点云配准方法的流程图；
图3为源点云构造采样球和目标点云构造采样球示意图；
图4为源点云采样球扩散方式示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
参见图1，图1为第一种实施方式提供的基于采样球扩散的复杂异形曲面点云配准方法的流程图。
一种基于采样球扩散的复杂异形曲面点云配准方法，所述方法包括以下步骤：
步骤S100：基于机器视觉的复杂异性曲面点云获取技术，获取复杂异性曲面两片点云源点云和目标点云；
步骤S200：源点云构造采样球，寻找采样球球面上距离最大的两点；
步骤S300：目标点云构造采样球，寻找采样球球面上距离最大的两点；
步骤S400：对两个采样球的两点与球心构成的夹角进行判断，若满足预设条件则进入步骤S500，若不满足预设条件则返回步骤S300；
步骤S500：在源点云构造的采样球的球表面选取若干个采样点，计算所有采样点的FPFH特征；
步骤S600：在目标点云构造的采样球的球表面查找与源点云构造的采样球的球表面选取的采样点具有相似FPFH特征的对应点，并统计对应点对数；
步骤S700：判断是否找到了足够多的对应点，若不够则返回步骤S300，若足够则进入步骤S800；
步骤S800：根据步骤S700确定的对应点完成对源点云和目标点云粗配准；
步骤S900：分别以源点云构造采样球球面上的对应点对中采样点作球心和目标点云构造采样球球面上的对应点对中对应点作球心，构造源点云扩散采样球和目标点云扩散球，通过改变源点云构造采样球和目标点云构造采样球的半径构造新的采样球进行扩散；
步骤S1000：从所获得的对应点对中剔除外点，剔除外点后对所有对应点对进行变换，若不满足预设阈值则继续扩散，若满足预设阈值则停止扩散。
本方法能够减少迭代次数，缩短计算时间，降低时间复杂度，提高鲁棒性和配准的精度。配准方法逻辑清晰、实用性强，易用计算机实现，可直接应用于复杂异性曲面的工程生产中。
参见图2至图4，图2为第二种实施方式提供的基于采样球扩散的复杂异形曲面点云配准方法的流程图，图3为源点云构造采样球和目标点云构造采样球示意图，图4为采样球扩散方式示意图。
一种基于采样球扩散的复杂异形曲面点云配准方法，所述方法包括以下步骤：
步骤S100：基于机器视觉的复杂异性曲面点云获取技术，获取复杂异性曲面两片点云源点云和目标点云。
步骤S200：在源点云中选取任意一个点o作为球心，以预设r为半径构造一个采样球，遍历采样球表面的数据集，寻找出球面上欧氏距离最大的两个点ac1和ac2。
预设r满足的条件为：
Figure BDA0001824711670000051
源点云采样球球心心坐标为o(x0,y0,z0)，源点云采样球球表面数据集构成的点集为w1＝{x1,y1,z1}…wi＝{xi,yi,zi}，r_max＝max{sqrt((x0-xi)*(x0-xi)+(y0-yi)*(y0-yi)+(z0-zi)*(z0-zi))}。其中r_max为数据集中距离球心最大的距离。
球面上欧氏距离最大的两个点ac1和ac2和球心o不在一条直线上。
步骤S300：目标点云中选取任意一个点o'作为球心，以预设r为半径也构造一个采样球，遍历采样球表面的数据集，寻找出球面上欧氏距离最大的两个点bc1，和bc2。
球面上欧氏距离最大的两个点bc1，和bc2ac2和球心o'不在一条直线上。
步骤S400：分别利用源点云构造的采样球的两点与球心构成夹角θ1＝∠ac1oac2和目标点云构造的采样球的两点与球心构成夹角θ2＝∠bc1o'bc2，判断|∠ac1oac2-∠bc1o'bc2|的值是否在预设阈值范围θ内，若在阈值范围θ内则进入步骤S510，若不在阈值范围内则返回步骤S300。
参见图3，分别利用源点云和目标点云中的三个点{ac1,ac2,o}，{bc1,bc2,o'}的信息，θ1＝∠ac1oac2，θ2＝∠bc1o'bc2。阈值范围θ为θ∈(-π/36,π/36)，判断|∠ac1oac2-∠bc1o'bc2|的值是否在预设阈值范围θ内，若在阈值范围θ内则进入步骤S500，若不在阈值范围内则返回步骤S300。
步骤S510：在源点云构造的采样球的球表面选取若干个采样点，即nc个采样点，采样点之间的距离应大于预先设定最小距离阈值d；
步骤S520：对于每个采样点计算其与其邻域点之间的一个元组，得到简化的点特征直方图SPFH；
所述元组指角度差或法线的差异。
步骤S530：重新确定每个采样点的k邻域，使用邻近的SPFH值来计算最终直方图：
Figure BDA0001824711670000061
pq为待计算FPFH特征的采样点，pi为采样点pq的k邻域的点，wi为第i个邻域点SPFH特征的加权值，1/wi代表pq与其第i个邻域点的距离值，用于表示点对(pq,pi)的关系。
步骤S600：在目标点云构造的采样球的球表面查找与源点云构造的采样球的球表面选取的采样点具有相似FPFH特征的对应点，并统计对应点对数；
在目标点云构造的采样球的球表面查找与源点云构造的采样球的球表面选取的每个采样点具有相似FPFH特征的一个或多个点。从这些相似点中随机选取一个点作为源点云中该采样点在目标点云中的对应点，并统计所有找到对应点的采样点对应点对数nc1。
步骤S700：建立目标函数pc＝nc1/nc，当pc大于预设门限值ε，即找到了足够多的对应点则进入步骤S800，否则返回步骤S300。
步骤S800：根据步骤S700确定的对应点，计算对应点之间刚体变换矩阵，通过求解对应点变换后的“距离误差和”函数来判断当前配准变换的性能，在所有变换中找到一组最优的变换，即得到使误差函数的值最小的一组最优的变换，完成了对源点云和目标点云粗配准，即一组对应采样球的配准。
所述“距离误差和”函数使用Huber罚函数表示，记为
Figure BDA0001824711670000071
其中，
Figure BDA0001824711670000072
其中，|li|为第i组对应点变换之后的距离差，ml为预设给定值。上述配准的最终目的是在所有变换中找到一组最优的变换，使得误差函数的值最小。此时找到的最优变换即为粗配准最终的配准变换矩阵，完成了对源点云和目标点云粗配准，即一组对应采样球的配准。
步骤S900：以步骤S200中构造的源点云采样球球面上的对应点对中采样点为球心，以预设r1为半径构造源点云扩散采样球；以步骤S300中构造的目标点云采样球球面上的对应对中对应点为球心，以预设r1为半径构造目标点云扩散采样球；利用多维二元搜索树搜索预设r1为半径的两个扩散采样球最近点可得到大量对应点对，接着分别通过改变步骤S200中构造的源点云采样球的半径和步骤S300中构造的目标点云采样球的半径，此时的半径设置为r+r1，构造新的采样球进行扩散，同样通过扩散利用多维二元搜索树搜索采样球最近点可得到大量对应点对。
预设r1满足的条件为：
Figure BDA0001824711670000073
参见图4，图4(a)为源点云构造半径为r的采样球，图4(b)为以球面点云为球心半径为r1进行一级扩散,图4(c)为改变采样球半径为r+r1，球心与图4(a)相同进行二级扩散。
步骤S1000：从步骤S900中所获得的对应点对中剔除外点，对剔除外点后所有对应点对使用最小二乘法得到最终的变换矩阵R和t，并进行变换，定义精度函数E，当E的值小于预设阈值则停止扩散，否则继续扩散，得到大量对应点对后返回步骤S1000直至得到精度函数的值小于预设阈值。
使用RANSAC算法从步骤S900中获得的对应点对中剔除外点。通过对剔除外点后所有对应点对使用最小二乘法得到最终的变换矩阵R和t。剔除外点后的对应点对中源点云采样点的点集S中的每一个点Si运用变换关系得到点集S1，定义精度函数E。
Figure BDA0001824711670000081
其中，Di为Si的对应点，Np为剔除外点后的对应点对数。
所述继续扩散是指如图4(d)和图(e)所示，在步骤S900的基础上构造新的扩散采样球，然后通过改变源点云构造采样球和目标点云构造采样球的半径构造新的采样球再继续扩散，以得到更多的对应点对。图4(c)最外圈的球表面为球心，设定半径r2，构造扩散采样球，再以步骤S200源点云构造的采样球的球心为球心，半径改为r+r1+r2为半径扩散。
通过在目标点云构造的采样球的球表面查找与源点云构造的采样球的球表面选取的采样点具有相似FPFH特征的对应点来寻找采样球配准对，在此前提下进行采样球扩散，进一步完成全局点云的精配准。该方法具备配准的自我判断能力，提高了配准的鲁棒性和准确性，并降低了时间复杂度。通过源点云采样球和目标点云的采样球对应角寻找和目标点云的采样球，并利用目标点云构造的采样球的球表面查找与源点云构造的采样球的球表面选取的采样点具有相似FPFH特征的对应点寻找球面对应点对，获取与之对应的全等采样球，达到良好的采样球配准效果。在全等采样球的基础上利用可变半径和能量函数进行扩散配准，可实现全局点云的快速搜素与精确配准。针对源点云和目标点云局部配准所导致的点云全局配准不精确的问题，利用寻找全等采样球的源点云和目标点云局部配准和扩散方法，找到配准的全局最优结果，提高了源点云和目标点云的配准精度。
以上对本发明所提供的一种基于采样球扩散的复杂异形曲面点云配准方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述方法包括以下步骤：
步骤S100：基于机器视觉的复杂异性曲面点云获取技术，获取复杂异性曲面两片点云源点云和目标点云；
步骤S200：源点云构造采样球，寻找采样球球面上距离最大的两点；
步骤S300：目标点云构造采样球，寻找采样球球面上距离最大的两点；
步骤S400：对两个采样球的两点与球心构成的夹角进行判断，若满足预设条件则进入步骤S500，若不满足预设条件则返回步骤S300；
步骤S500：在源点云构造的采样球的球表面选取若干个采样点，计算所有采样点的FPFH特征；
步骤S600：在目标点云构造的采样球的球表面查找与源点云构造的采样球的球表面选取的采样点具有相似FPFH特征的对应点，并统计对应点对数；
步骤S700：判断是否找到了满足要求的对应点，若不满足要求则返回步骤S300，若满足要求则进入步骤S800；
步骤S800：根据步骤S700确定的对应点完成对源点云和目标点云粗配准；
步骤S900：分别以源点云构造采样球球面上的对应点对中采样点作球心和目标点云构造采样球球面上的对应点对中对应点作球心，构造源点云扩散采样球和目标点云扩散采样球，通过改变源点云构造采样球和目标点云构造采样球的半径构造新的采样球进行扩散；
步骤S1000：从所获得的对应点对中剔除外点，剔除外点后对所有对应点对进行变换，若不满足预设阈值则继续扩散，若满足预设阈值则停止扩散；
所述步骤S700具体为：建立目标函数pc＝nc1/nc，当pc大于预设门限值ε，即找到了满足要求的对应点则进入步骤S800，否则返回步骤S300；
其中，nc1为步骤S600统计出的对应点对数，nc为步骤S510所述在源点云构造的采样球的球表面选取采样点个数。
2.根据权利要求1所述的基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述步骤S200具体为：在源点云中选取任意一个点o作为球心，以预设r为半径构造一个采样球，遍历采样球表面的数据集，寻找出球面上欧氏距离最大的两个点ac1，和ac2。
3.根据权利要求2所述的基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述步骤S300具体为：目标点云中选取任意一个点o’作为球心，以预设r为半径也构造一个采样球，遍历采样球表面的数据集，寻找出球面上欧氏距离最大的两个点bc1，和bc2。
4.根据权利要求3所述的基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述步骤S400具体为：分别利用源点云构造的采样球的两点与球心构成夹角θ1＝∠ac1oac2和目标点云构造的采样球的两点与球心构成夹角θ2＝∠bc1o’bc2，判断|∠ac1oac2-∠bc1o’bc2|的值是否在预设阈值范围θ内，若在阈值范围θ内则进入步骤S500，若不在阈值范围内则返回步骤S300。
5.根据权利要求4所述的基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述步骤S500具体为：
步骤S510：在源点云构造的采样球的球表面选取若干个采样点，采样点之间的距离应大于预先设定最小距离阈值d；
步骤S520：对于每个采样点计算其与其邻域点之间的一个元组，得到简化的点特征直方图SPFH；
步骤S530：重新确定每个点的k邻域，使用邻近的SPFH值来计算最终直方图：
Figure FDA0003131003120000021
pq为待计算FPFH特征的采样点，pi为采样点pq的k邻域的点，wi为第i个邻域点SPFH特征的加权值，1/wi代表pq与其第i个邻域点的距离值，用于表示点对(pq，pi)的关系。
6.根据权利要求5所述的基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述步骤S800具体为：根据步骤S700确定的对应点，计算对应点之间刚体变换矩阵，通过求解对应点变换后的“距离误差和”函数来判断当前配准变换的性能，在所有变换中找到一组最优的变换，即得到使误差函数的值最小的一组最优的变换，进一步根据采样球的对应点对源点云和目的点云粗配准，得到采样球的匹配结果，即一组对应采样球的配准。
7.根据权利要求6所述的基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述步骤S900具体为：以步骤S200中构造的源点云采样球球面上的对应点对中采样点为球心，以预设r1为半径构造源点云扩散采样球；以步骤S300中构造的目标点云采样球球面上的对应对中对应点为球心，以预设r1为半径构造目标点云扩散采样球；利用多维二元搜索树搜索预设r1为半径的两个扩散采样球最近点可得到大量对应点对，接着分别通过改变步骤S200中构造的源点云采样球的半径和步骤S300中构造的目标点云采样球的半径，此时的半径设置为r+r1，构造新的采样球进行扩散，同样通过扩散利用多维二元搜索树搜索采样球最近点可得到大量对应点对。
8.根据权利要求7所述的基于采样球扩散的复杂异形曲面点云配准方法，其特征在于，所述步骤S1000具体为：从步骤S900中所获得的对应点对中剔除外点，通过对所有对应点对中源点云采样点的内点使用最小二乘法得到最终的变换矩阵R和t，并进行变换，定义精度函数E，当E的值小于预设阈值则停止扩散，否则继续扩散。
CN201811179788.1A 2018-10-10 2018-10-10 一种基于采样球扩散的复杂异形曲面点云配准方法 Active CN109389626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811179788.1A CN109389626B (zh) 2018-10-10 2018-10-10 一种基于采样球扩散的复杂异形曲面点云配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811179788.1A CN109389626B (zh) 2018-10-10 2018-10-10 一种基于采样球扩散的复杂异形曲面点云配准方法

Publications (2)

Publication Number Publication Date
CN109389626A CN109389626A (zh) 2019-02-26
CN109389626B true CN109389626B (zh) 2021-08-20

Family

ID=65426981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811179788.1A Active CN109389626B (zh) 2018-10-10 2018-10-10 一种基于采样球扩散的复杂异形曲面点云配准方法

Country Status (1)

Country Link
CN (1) CN109389626B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110202318B (zh) * 2019-06-18 2021-11-05 华东理工大学 一种基于双侧超声滚压加工的航空叶片定位与姿态调节方法
CN114782508A (zh) * 2022-06-21 2022-07-22 杭州三坛医疗科技有限公司 髋关节配准点筛选方法及装置
CN115578524B (zh) * 2022-12-09 2023-03-31 华东交通大学 红外三维重构方法、系统、存储介质及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646156A (zh) * 2013-12-30 2014-03-19 北京建筑大学 一种基于球标靶探测的激光点云数据自动配准方法
CN104134216A (zh) * 2014-07-29 2014-11-05 武汉大学 基于16维特征描述的激光点云自动配准方法及系统
CN106204557A (zh) * 2016-06-30 2016-12-07 扬州大学 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法
CN107038717A (zh) * 2017-04-14 2017-08-11 东南大学 一种基于立体栅格自动分析3d点云配准误差的方法
CN108133458A (zh) * 2018-01-17 2018-06-08 视缘(上海)智能科技有限公司 一种基于目标物体空间点云特征的自动拼接方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2013106319A (ru) * 2013-02-13 2014-08-20 ЭлЭсАй Корпорейшн Основанная на характерных точках надежная регистрация трехмерного твердого тела
CN103489218B (zh) * 2013-09-17 2016-06-29 中国科学院深圳先进技术研究院 点云数据质量自动优化方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646156A (zh) * 2013-12-30 2014-03-19 北京建筑大学 一种基于球标靶探测的激光点云数据自动配准方法
CN104134216A (zh) * 2014-07-29 2014-11-05 武汉大学 基于16维特征描述的激光点云自动配准方法及系统
CN106204557A (zh) * 2016-06-30 2016-12-07 扬州大学 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法
CN107038717A (zh) * 2017-04-14 2017-08-11 东南大学 一种基于立体栅格自动分析3d点云配准误差的方法
CN108133458A (zh) * 2018-01-17 2018-06-08 视缘(上海)智能科技有限公司 一种基于目标物体空间点云特征的自动拼接方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Accelerated Coherent Point Drift for Automatic Three-Dimensional Point Cloud Registration";Min Lu等;《IEEE Geoscience and Remote Sensing Letters》;20151222;第162-166页 *
严剑锋." 地面LiDAR点云数据配准与影像融合方法研究".《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》.2015, *
孟禹." 基于采样球和ICP算法的点云配准方法研究".《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》.2013, *

Also Published As

Publication number Publication date
CN109389626A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN109389626B (zh) 一种基于采样球扩散的复杂异形曲面点云配准方法
CN108376408B (zh) 一种基于曲率特征的三维点云数据快速加权配准方法
CN108665491B (zh) 一种基于局部参考点的快速点云配准方法
CN109887015B (zh) 一种基于局部曲面特征直方图的点云自动配准方法
CN111080684B (zh) 一种点邻域尺度差异描述的点云配准方法
CN105118059A (zh) 一种多尺度坐标轴夹角特征的点云快速配准方法
CN108022262A (zh) 一种基于点的邻域重心向量特征的点云配准方法
CN113516695B (zh) 激光轮廓仪平面度测量中的点云配准策略
CN116401794B (zh) 基于注意力引导的深度点云配准的叶片三维精确重建方法
CN112381862B (zh) 一种cad模型与三角网格全自动配准方法和装置
WO2021082380A1 (zh) 一种基于激光雷达的托盘识别方法、系统和电子设备
CN113989547B (zh) 基于图卷积深度神经网络的三维点云数据分类系统及方法
CN112396641A (zh) 一种基于全等二基线匹配的点云全局配准方法
CN113204871B (zh) 一种航空叶片气膜孔的识别方法、装置和系统
CN110910492A (zh) 非刚性三维模型之间点点匹配的方法
CN116258903A (zh) 基于层次化图卷积网络和空间注意力机制的三维点云数据分类方法
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN115797414A (zh) 一种考虑测头半径的复杂曲面测量点云数据配准方法
CN108647388A (zh) 一种汽车造型轮廓描述及其效果评价的方法
CN115631341A (zh) 一种基于多尺度特征投票的点云配准方法及系统
CN117475170A (zh) 基于fpp的由局部到全局结构引导的高精度点云配准方法
CN112365528A (zh) 一种基于主成分分析的三维点云模型逐步求精快速配准方法
CN114898069A (zh) 一种曲面蒙皮三维数据拼合方法
CN114565774A (zh) 基于局部几何与全局结构联合学习的3d图卷积分类方法
CN112767429B (zh) 一种地面-雪面点云快速分割方法

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