CN109472816A - 一种点云配准方法 - Google Patents
一种点云配准方法 Download PDFInfo
- Publication number
- CN109472816A CN109472816A CN201811080969.9A CN201811080969A CN109472816A CN 109472816 A CN109472816 A CN 109472816A CN 201811080969 A CN201811080969 A CN 201811080969A CN 109472816 A CN109472816 A CN 109472816A
- Authority
- CN
- China
- Prior art keywords
- point
- cloud
- gan
- adaptive
- neighborhood
- 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
- 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
- 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)
- Image Analysis (AREA)
Abstract
本发明提供了一种点云配准方法,包括以下步骤:步骤1,采集待配准的点云P和点云Q,其中pi∈P,i=1,2,...,t,qj∈Q,j=1,2,...,t,对点云P中的点pi在点云Q中寻找与点pi相配准的点qj,即得到初始匹配点对;步骤2,根据初始匹配点对,分别得到初始匹配点对点pi和qj的自适应邻域和步骤3,若初始匹配点对点pi和qj的特征区域相同且初始匹配点对点pi和qj的自适应邻域和的GAN形状相同,则对初始匹配点对点pi和qj的自适应邻域和进行自适应领域匹配,得到初始匹配点对点pi和qj的初始位置;否则,初始匹配点对点pi和qj为非匹配点;步骤4,根据初始匹配点对点pi和qj的初始位置,对点云P和点云Q进行精确配准。
Description
技术领域
本发明属于三维点云配准技术领域,具体涉及一种点云配准方法。
背景技术
近年来,用于获取三维物理物体点云模型的激光扫描技术取得了长足的发展,使得点云模型成为三维处理中的主流数据。高精度扫描设备虽然能够有效获取物理物体表面的细节特征,但是,由于受测量仪器和环境的限制,实体扫描无法一次性完成,需要在不同视角下分别进行扫描得到点云数据,然后将多视角点云进行配准,才能获得物理物体完整的点云模型。因此,点云自动配准在三维重建、逆向工程、目标识别等领域应用广泛,是点云数据处理的重要环节,点云配准的精度直接影响了后续处理技术的质量。
针对点云模型的自动配准,最经典的方法是迭代最近点法(Iterative ClosestPoint,ICP)及其改进算法,该方法基于点对点或点对面的搜索技术,通过最小化待配准点云间的距离实现点云配准。ICP方法步骤简单且易于实现,但要求两个待配准的点云之间存在包含关系,同时要求两片点云的相对位置比较接近,算法结果依赖于点云的初始位置,易造成快速收敛于局部最优的问题。因此有诸多工作针对ICP算法的改进展开。
先粗配准再精确对齐是一种行之有效的策略,在这种策略下,基于特征点匹配的方法广为流行,其主要思想是通过提取有效的匹配特征点对,确定两个待配准点云的初始位置,然后再利用ICP算法进行精确对齐。然而,现有的特征提取方法虽然可以有效提取出特征点,但由于点云中的特征点往往被定义为具有大尺度曲面梯度的点,因此,单一离散的特征点往往具有相似的几何特征,直接利用单一特征点进行匹配,忽略了特征点局部的结构信息,易出现误匹配,影响后续精确对齐的精度。
另外,由于扫描设备分辨率不同、扫描距离不同等,导致所获得的点云不在同一坐标系下,且不同视角的点云可能具有不同的缩放尺度。基于此种情况,即使利用匹配特征点对能准确定位两个待配准点云的初始位置,直接利用ICP算法精确对齐两个点云时也会陷入局部最优。而现存文献中提出的 SICP(Scaled Iterative Closest Point,SICP)算法,虽然有效解决了具有不同缩放尺度点云的配准问题,但是依然无法有效避免其陷入局部最优。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种点云配准方法,解决现有技术无法针对不同缩放尺度点云进行配准的技术问题。
为了解决上述技术问题,本申请采用如下技术方案予以实现:
一种点云配准方法,包括以下步骤:
步骤1,采集待配准的点云P和点云Q,其中pi∈P,i=1,2,...,t,qj∈Q, j=1,2,...,t,对点云P中的点pi在点云Q中寻找与点pi相配准的点qj∈Q,即得到初始匹配点对;
其中,点云Q中与点pi相配准的点qj满足式(1):
式(1)中,α为预设阈值,表示点pi的最大主曲率,表示点qj的最大主曲率,表示点pi的最小主曲率,表示点qj的最小主曲率;
步骤2,根据初始匹配点对,分别得到初始匹配点对点pi和qj的自适应邻域和
步骤3,若初始匹配点对点pi和qj的特征区域相同且初始匹配点对点pi和qj的自适应邻域和的GAN形状相同,则对初始匹配点对点 pi和qj的自适应邻域和进行自适应领域匹配,得到初始匹配点对点pi和qj的初始位置;否则,初始匹配点对点pi和qj为非匹配点;
其中,对初始匹配点对点pi和qj的自适应邻域和进行自适应领域匹配,包括:
步骤31,若自适应邻域和的GAN形状均为线状,则利用曲线匹配方法判断自适应邻域和自适应邻域是否相匹配;若自适应邻域和自适应邻域相匹配,执行步骤32;
若自适应邻域和的GAN形状为片状,将自适应邻域和的GAN形状分别进行三角剖分,分别得到多个三角面片构成的三角网格;
所述自适应邻域的三角面片包括点pi的一阶GAN三角面片、点 pi的二阶GAN三角面片、……、点pi的n阶GAN三角面片,所述点pi的一阶GAN三角面片的残差角为∠paopip′ao,点pi的二阶GAN三角面片的残差角为∠p(a+1)opip′(a+1)o,……,点pi的n阶GAN三角面片的残差角为∠p(a+n)opip′(a+n)o,即得到点pi的各阶GAN三角面片的残差角;
所述自适应邻域的三角面片包括点qj的一阶GAN三角面片、点 qj的二阶GAN三角面片、……、点qj的n阶GAN三角面片,所述点qj的一阶GAN三角面片的残差角为∠qaoqjq′ao,点pi的二阶GAN三角面片的残差角为∠q(a+1)oqjq′(a+1)o,……,点pi的n阶GAN三角面片的残差角为∠q(a+n)oqjq′(a+n)o,即得到点qj的各阶GAN三角面片的残差角;
若点pi的各阶GAN三角面片的残差角与点qj的各阶GAN三角面片的残差角相差小于预设阈值δ,δ≤0.5,则自适应邻域和自适应邻域相匹配,执行步骤32,;否则自适应邻域和自适应邻域不匹配
步骤32,若自适应邻域和的GAN形状均为线状,包括:
步骤321,在自适应邻域中选取距离点pi最远的两个点作为两个第一端点,在自适应邻域中选取距离点qj最远的两个点作为两个第二端点;
步骤322,将两个第一端点分别与点pi相连接,构成两个直线段,对该两个直线段进行归一化处理得到点pi的单位向量;
将两个第二端点分别与点qj相连接,构成两个直线段,对该两个直线段进行归一化处理得到点qj的单位向量;
步骤323,若点pi的单位向量与点qj的单位向量共线,则在自适应邻域中选取距离点pi次远的两个点作为两个第一端点,在自适应邻域中选取距离点qj次远的两个点作为两个第二端点;否则,执行步骤 324;
步骤324,根据点pi的单位向量和点qj的单位向量,利用奇异值分解法,对点云P和点云Q进行粗配准,即得到点云P和点云Q的初始位置;
步骤4,根据点云P和点云Q的初始位置,对点云P和点云Q进行精确配准。
进一步地,判断所述初始匹配点对点pi的自适应邻域的GAN形状,包括:
根据点pi的自适应邻域得到点pi的局部加权协方差矩阵Mi的特征值λ0、λ1和λ2,并根据点pi的局部加权协方差矩阵Mi的特征值λ0、λ1和λ2,判断点pi的自适应邻域的GAN形状;
其中,pm与pn表示点pi的邻域中的任意点,θ表示平滑函数;
若则点pi的自适应邻域的GAN形状为线状;否则,点pi的自适应邻域的GAN形状为片状;
若点pn分布于点pi的四周,则点pi的自适应邻域的GAN形状为第一类片状;若点pn分布于点pi的一侧,则点pi的自适应邻域的GAN 形状为第二类片状。
进一步地,步骤4中根据点云P和点云Q的初始位置,对点云P和点云Q进行精确配准,包括:
步骤41,通过式(2)得到对点云P和点云Q进行精确配准的空间变换参数:
式(2)中,hk表示第k次迭代时的尺度因子,Rk表示第k次迭代时旋转矩阵,表示第k迭代时的平移矩阵;
步骤42,当|RMSk-RMSk-1|<ε2或k>Stepmax时,迭代停止,将此时得到的空间变换参数用于对点云P和点云Q进行精确配准;其中,RMSk为第k次迭代时均方根误差,ε2为相邻两次迭代的均方根误差的差值,Stepmax为最大迭代次数。
本发明与现有技术相比,有益的技术效果是:
本发明利用点曲率的相似度筛选出匹配点对,然后构建匹配点对的自适应邻域,结合自适应邻域的形状信息(种子点所在特征区域)及几何信息(通过定义残差角作为局部曲面形状描述子)确定自适应邻域的匹配关系,将自适应邻域的匹配作为特征点对匹配的高层约束,使得到的特征点对更加准确,去除伪匹配点对,从而提高配准精度;最后,根据自适应邻域匹配关系确定的真实匹配特征点对,计算点云的初始位置,再利用尺度ICP算法将点云进行空间对齐得到完整点云数据。本发明能够在有效提高点对匹配准确率的同时,避免现有点云配准算法无法有效对齐存在不同缩放尺度点云的问题,具有较强的鲁棒性。
附图说明
图1是本发明的方法流程图;
图2(a)是点云模型上的初始匹配点;图2(b)是图2(a)上点的自适应邻域示意图;
图3(a)是第一类片状领域;图3(b)是第二类片状邻域。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例:
本实施例提供了一种点云配准方法,包括以下步骤:
步骤1,采集待配准的点云P和点云Q,其中pi∈P,i=1,2,...,t,qj∈Q, j=1,2,...,t,对点云P中的点pi在点云Q中寻找与点pi相配准的点qj∈Q,即得到初始匹配点对;
其中,点云Q中与点pi相配准的点qj满足式(1):
式(1)中,α为预设阈值,其是pi∈P到点云Q中点的曲率平均值的0.2-0.4 倍,表示点pi的最大主曲率,表示点qj的最大主曲率,表示点pi的最小主曲率,表示点qj的最小主曲率;
步骤2,根据初始匹配点对,分别得到初始匹配点对点pi和qj的自适应邻域和
步骤3,若初始匹配点对点pi和qj的特征区域相同且初始匹配点对点pi和qj的自适应邻域和的GAN形状相同,则对初始匹配点对点 pi和qj的自适应邻域和进行自适应领域匹配,得到初始匹配点对点pi和qj的初始位置;否则,初始匹配点对点pi和qj为非匹配点;
其中,对初始匹配点对点pi和qj的自适应邻域和进行自适应领域匹配,包括:
步骤31,若自适应邻域和的GAN形状均为线状,则利用曲线匹配方法判断自适应邻域和自适应邻域是否相匹配;若自适应邻域和自适应邻域相匹配,执行步骤32;
若自适应邻域和的GAN形状为片状,将自适应邻域和的GAN形状分别进行三角剖分,分别得到多个三角面片构成的三角网格;
所述自适应邻域的三角面片包括点pi的一阶GAN三角面片、点 pi的二阶GAN三角面片、……、点pi的n阶GAN三角面片,所述点pi的一阶GAN三角面片的残差角为∠paopip′ao,点pi的二阶GAN三角面片的残差角为∠p(a+1)opip′(a+1)o,……,点pi的n阶GAN三角面片的残差角为∠p(a+n)opip′(a+n)o,即得到点pi的各阶GAN三角面片的残差角;
所述自适应邻域的三角面片包括点qj的一阶GAN三角面片、点 qj的二阶GAN三角面片、……、点qj的n阶GAN三角面片,所述点qj的一阶GAN三角面片的残差角为∠qaoqjq′ao,点pi的二阶GAN三角面片的残差角为∠q(a+1)oqjq′(a+1)o,……,点pi的n阶GAN三角面片的残差角为∠q(a+n)oqjq′(a+n)o,即得到点qj的各阶GAN三角面片的残差角;
若点pi的各阶GAN三角面片的残差角与点qj的各阶GAN三角面片的残差角相差小于预设阈值δ,δ≤0.5,则自适应邻域和自适应邻域相匹配,执行步骤32,;否则自适应邻域和自适应邻域不匹配
步骤32,若自适应邻域和的GAN形状均为线状,包括:
步骤321,在自适应邻域中选取距离点pi最远的两个点作为两个第一端点,在自适应邻域中选取距离点qj最远的两个点作为两个第二端点;
步骤322,将两个第一端点分别与点pi相连接,构成两个直线段,对该两个直线段进行归一化处理得到点pi的单位向量;
将两个第二端点分别与点qj相连接,构成两个直线段,对该两个直线段进行归一化处理得到点qj的单位向量;
步骤323,若点pi的单位向量与点qj的单位向量共线,则在自适应邻域中选取距离点pi次远的两个点作为两个第一端点,在自适应邻域中选取距离点qj次远的两个点作为两个第二端点;否则,执行步骤 324;
步骤324,根据点pi的单位向量和点qj的单位向量,利用奇异值分解法,对点云P和点云Q进行粗配准,即得到点云P和点云Q的初始位置;
步骤4,根据点云P和点云Q的初始位置,对点云P和点云Q进行精确配准。
判断所述初始匹配点对点pi的自适应邻域的GAN形状,包括:
根据点pi的自适应邻域得到点pi的局部加权协方差矩阵Mi的特征值λ0、λ1和λ2,并根据点pi的局部加权协方差矩阵Mi的特征值λ0、λ1和λ2,判断点pi的自适应邻域的GAN形状;
其中,pm与pn表示点pi的邻域中的任意点,θ表示平滑函数;
若则点pi的自适应邻域的GAN形状为线状;否则,点pi的自适应邻域的GAN形状为片状;
若点pn分布于点pi的四周,则点pi的自适应邻域的GAN形状为第一类片状;若点pn分布于点pi的一侧,则点pi的自适应邻域的GAN 形状为第二类片状。
同理,判断点qj的自适应邻域的GAN形状和上述判断点pi的自适应邻域的GAN形状的方法相同。
步骤4中根据点云P和点云Q的初始位置,对点云P和点云Q进行精确配准,包括:
步骤41,通过式(2)得到对点云P和点云Q进行精确配准的空间变换参数:
式(2)中,hk表示第k次迭代时的尺度因子,Rk表示第k次迭代时旋转矩阵,表示第k迭代时的平移矩阵;
步骤42,当|RMSk-RMSk-1|<ε2或k>Stepmax时,迭代停止,将此时得到的空间变换参数用于对点云P和点云Q进行精确配准;其中,RMSk为第k次迭代时均方根误差,ε2为相邻两次迭代的均方根误差的差值,其取值一般为 0.005,Stepmax为最大迭代次数,一般设为65。
Claims (3)
1.一种点云配准方法,其特征在于,包括以下步骤:
步骤1,采集待配准的点云P和点云Q,其中pi∈P,i=1,2,...,t,qj∈Q,j=1,2,...,t,对点云P中的点pi在点云Q中寻找与点pi相配准的点qj∈Q,即得到初始匹配点对;
其中,点云Q中与点pi相配准的点qj满足式(1):
式(1)中,α为预设阈值,表示点pi的最大主曲率,表示点qj的最大主曲率,表示点pi的最小主曲率,表示点qj的最小主曲率;
步骤2,根据初始匹配点对,分别得到初始匹配点对点pi和qj的自适应邻域和
步骤3,若初始匹配点对点pi和qj的特征区域相同且初始匹配点对点pi和qj的自适应邻域和的GAN形状相同,则对初始匹配点对点pi和qj的自适应邻域和进行自适应领域匹配,得到初始匹配点对点pi和qj的初始位置;否则,初始匹配点对点pi和qj为非匹配点;
其中,对初始匹配点对点pi和qj的自适应邻域和进行自适应领域匹配,包括:
步骤31,若自适应邻域和的GAN形状均为线状,则利用曲线匹配方法判断自适应邻域和自适应邻域是否相匹配;若自适应邻域和自适应邻域相匹配,执行步骤32;
若自适应邻域和的GAN形状为片状,将自适应邻域和的GAN形状分别进行三角剖分,分别得到多个三角面片构成的三角网格;
所述自适应邻域的三角面片包括点pi的一阶GAN三角面片、点pi的二阶GAN三角面片、……、点pi的n阶GAN三角面片,所述点pi的一阶GAN三角面片的残差角为∠paopip′ao,点pi的二阶GAN三角面片的残差角为∠p(a+1)opip′(a+1)o,……,点pi的n阶GAN三角面片的残差角为∠p(a+n)opip′(a+n)o,即得到点pi的各阶GAN三角面片的残差角;
所述自适应邻域的三角面片包括点qj的一阶GAN三角面片、点qj的二阶GAN三角面片、……、点qj的n阶GAN三角面片,所述点qj的一阶GAN三角面片的残差角为∠qaoqjq′ao,点pi的二阶GAN三角面片的残差角为∠q(a+1)oqjq′(a+1)o,……,点pi的n阶GAN三角面片的残差角为∠q(a+n)oqjq′(a+n)o,即得到点qj的各阶GAN三角面片的残差角;
若点pi的各阶GAN三角面片的残差角与点qj的各阶GAN三角面片的残差角相差小于预设阈值δ,δ≤0.5,则自适应邻域和自适应邻域相匹配,执行步骤32,;否则自适应邻域和自适应邻域不匹配
步骤32,若自适应邻域和的GAN形状均为线状,包括:
步骤321,在自适应邻域中选取距离点pi最远的两个点作为两个第一端点,在自适应邻域中选取距离点qj最远的两个点作为两个第二端点;
步骤322,将两个第一端点分别与点pi相连接,构成两个直线段,对该两个直线段进行归一化处理得到点pi的单位向量;
将两个第二端点分别与点qj相连接,构成两个直线段,对该两个直线段进行归一化处理得到点qj的单位向量;
步骤323,若点pi的单位向量与点qj的单位向量共线,则在自适应邻域中选取距离点pi次远的两个点作为两个第一端点,在自适应邻域中选取距离点qj次远的两个点作为两个第二端点;否则,执行步骤324;
步骤324,根据点pi的单位向量和点qj的单位向量,利用奇异值分解法,对点云P和点云Q进行粗配准,即得到点云P和点云Q的初始位置;
步骤4,根据点云P和点云Q的初始位置,对点云P和点云Q进行精确配准。
2.根据权利要求1所述的点云配准方法,其特征在于,判断所述初始匹配点对点pi的自适应邻域的GAN形状,包括:
根据点pi的自适应邻域得到点pi的局部加权协方差矩阵Mi的特征值λ0、λ1和λ2,并根据点pi的局部加权协方差矩阵Mi的特征值λ0、λ1和λ2,判断点pi的自适应邻域的GAN形状;
其中,pm与pn表示点pi的邻域中的任意点,θ表示平滑函数;
若则点pi的自适应邻域的GAN形状为线状;否则,点pi的自适应邻域的GAN形状为片状;
若点pn分布于点pi的四周,则点pi的自适应邻域的GAN形状为第一类片状;若点pn分布于点pi的一侧,则点pi的自适应邻域的GAN形状为第二类片状。
3.根据权利要求1所述的点云配准方法,其特征在于,步骤4中根据点云P和点云Q的初始位置,对点云P和点云Q进行精确配准,包括:
步骤41,通过式(2)得到对点云P和点云Q进行精确配准的空间变换参数:
式(2)中,hk表示第k次迭代时的尺度因子,Rk表示第k次迭代时旋转矩阵,表示第k迭代时的平移矩阵;
步骤42,当|RMSk-RMSk-1|<ε2或k>Stepmax时,迭代停止,将此时得到的空间变换参数用于对点云P和点云Q进行精确配准;其中,RMSk为第k次迭代时均方根误差,ε2为相邻两次迭代的均方根误差的差值,Stepmax为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811080969.9A CN109472816B (zh) | 2018-09-17 | 2018-09-17 | 一种点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811080969.9A CN109472816B (zh) | 2018-09-17 | 2018-09-17 | 一种点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472816A true CN109472816A (zh) | 2019-03-15 |
CN109472816B CN109472816B (zh) | 2021-12-28 |
Family
ID=65664575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811080969.9A Active CN109472816B (zh) | 2018-09-17 | 2018-09-17 | 一种点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472816B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264502A (zh) * | 2019-05-17 | 2019-09-20 | 华为技术有限公司 | 点云配准方法和装置 |
CN110276790A (zh) * | 2019-06-28 | 2019-09-24 | 易思维(杭州)科技有限公司 | 基于形状约束的点云配准方法 |
CN110335297A (zh) * | 2019-06-21 | 2019-10-15 | 华中科技大学 | 一种基于特征提取的点云配准方法 |
CN111401385A (zh) * | 2020-03-19 | 2020-07-10 | 成都理工大学 | 一种图像局部拓扑结构特征描述符的相似度计算方法 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN112529945A (zh) * | 2020-11-17 | 2021-03-19 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485737A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于线特征的点云数据与光学影像的自动配准融合方法 |
CN106504277A (zh) * | 2016-11-18 | 2017-03-15 | 辽宁工程技术大学 | 一种改进的icp点云自动配准方法 |
CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
CN107492120A (zh) * | 2017-07-18 | 2017-12-19 | 北京航空航天大学 | 点云配准方法 |
CN107704889A (zh) * | 2017-10-30 | 2018-02-16 | 沈阳航空航天大学 | 一种面向数字化检测的mbd模型阵列特征快速标注方法 |
CN107886528A (zh) * | 2017-11-30 | 2018-04-06 | 南京理工大学 | 基于点云的配电线路作业场景三维重建方法 |
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 |
-
2018
- 2018-09-17 CN CN201811080969.9A patent/CN109472816B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485737A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于线特征的点云数据与光学影像的自动配准融合方法 |
CN106504277A (zh) * | 2016-11-18 | 2017-03-15 | 辽宁工程技术大学 | 一种改进的icp点云自动配准方法 |
CN107492120A (zh) * | 2017-07-18 | 2017-12-19 | 北京航空航天大学 | 点云配准方法 |
CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
CN107704889A (zh) * | 2017-10-30 | 2018-02-16 | 沈阳航空航天大学 | 一种面向数字化检测的mbd模型阵列特征快速标注方法 |
CN107886528A (zh) * | 2017-11-30 | 2018-04-06 | 南京理工大学 | 基于点云的配电线路作业场景三维重建方法 |
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 (1)
Title |
---|
JOHAN DEBAYLE等: "《General Adaptive Neighborhood Image Processing:Part I: Introduction and Theoretical Aspects》", 《JOURNAL OF MATHEMATICAL IMAGING AND VISION》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN111815686B (zh) * | 2019-04-12 | 2023-08-18 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN110264502A (zh) * | 2019-05-17 | 2019-09-20 | 华为技术有限公司 | 点云配准方法和装置 |
CN110335297A (zh) * | 2019-06-21 | 2019-10-15 | 华中科技大学 | 一种基于特征提取的点云配准方法 |
CN110335297B (zh) * | 2019-06-21 | 2021-10-08 | 华中科技大学 | 一种基于特征提取的点云配准方法 |
CN110276790A (zh) * | 2019-06-28 | 2019-09-24 | 易思维(杭州)科技有限公司 | 基于形状约束的点云配准方法 |
CN111401385A (zh) * | 2020-03-19 | 2020-07-10 | 成都理工大学 | 一种图像局部拓扑结构特征描述符的相似度计算方法 |
CN111401385B (zh) * | 2020-03-19 | 2022-06-17 | 成都理工大学 | 一种图像局部拓扑结构特征描述符的相似度计算方法 |
CN112529945A (zh) * | 2020-11-17 | 2021-03-19 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
CN112529945B (zh) * | 2020-11-17 | 2023-02-21 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109472816B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472816A (zh) | 一种点云配准方法 | |
CN107886529B (zh) | 一种用于三维重建的点云配准方法 | |
CN109767463B (zh) | 一种三维点云自动配准方法 | |
CN111080684B (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN108133458A (zh) | 一种基于目标物体空间点云特征的自动拼接方法 | |
CN104392426B (zh) | 一种自适应的无标志点三维点云自动拼接方法 | |
CN103955939B (zh) | 三维扫描系统中点云拼接用边界特征点配准方法 | |
CN109559340B (zh) | 一种并行的三维点云数据自动化配准方法 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN111815686B (zh) | 基于几何特征由粗到细点云配准方法 | |
CN110211129B (zh) | 基于区域分割的低覆盖点云配准算法 | |
CN109903319A (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN109658444A (zh) | 一种基于多模态特征的规则三维彩色点云配准方法 | |
CN108597016B (zh) | 基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法 | |
CN113327275B (zh) | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 | |
CN102034115B (zh) | 基于马尔可夫随机场模型与非局部先验的图像配准方法 | |
CN108647580A (zh) | 基于改进sift引导isar图像特征点提取匹配方法 | |
WO2022116218A1 (zh) | 一种用于复杂表面的线结构光中心提取方法 | |
CN111882598A (zh) | 一种基于逐点生长的点云法矢一致性校准方法 | |
CN112381862A (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN112950686A (zh) | 点云数据的优化分步配准方法 | |
CN108010002A (zh) | 一种基于自适应隐式移动最小二乘的结构化点云去噪方法 | |
CN101419669A (zh) | 一种基于轮廓波变换的三维人耳提取方法 | |
CN105956544A (zh) | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 |
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 |