CN109493375B - 三维点云的数据匹配及合并方法、装置、可读介质 - Google Patents
三维点云的数据匹配及合并方法、装置、可读介质 Download PDFInfo
- Publication number
- CN109493375B CN109493375B CN201811243392.9A CN201811243392A CN109493375B CN 109493375 B CN109493375 B CN 109493375B CN 201811243392 A CN201811243392 A CN 201811243392A CN 109493375 B CN109493375 B CN 109493375B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- matched
- target
- matching
- 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
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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain 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
本发明实施例公开了一种三维点云的数据匹配及合并方法、装置、可读介质,其中,具体的,获取被测物体的至少两帧三维点云,在所述至少两帧三维点云确定目标点云和待匹配点云,所述待匹配点云为结构化点云;根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵;根据所述目标变换矩阵将所述待匹配点云合并至所述目标点云。采用本发明,在多帧点云依次匹配时,可提高三维点云数据匹配的匹配速度、精度及稳定性,并降低单面点云噪声对目标点云的影响。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种三维点云的数据匹配及合并方法、装置、计算机可读介质。
背景技术
场景三维重建是计算机视觉领域研究的重要课题,于受到摄像头传感器的视场限制以及被测物体本身的遮挡关系,实际应用中无法一次性获得被测场景表面完整的3D点云数据,只能通过多视点拍摄或测量得到点云数据,再配准到统一的坐标系下。多个三维点云数据的匹配以及融合,是三维重建中的重要环节。
在相关技术方案中,对于点云数据的匹配首先需要查找前后帧点云数据中的对应点,然后将对应点进行匹配和合并。但是,在此过程中,如果目标点云数据的数量较多的情况下,查找对应点的速度也随着线性减小,造成点云数据匹配的过程中计算量增大、匹配速度慢。同时,由于待匹配点云合并到目标点云中,由于ICP误差和噪声的存在,匹配精准度和稳定性也会随之下降。
发明内容
基于此,在本实施例中,为了提高点云数据匹配的匹配速度,特提出了一种三维点云的数据匹配及合并方法、装置、计算机可读介质。
一种三维点云的数据匹配及合并方法,包括:
获取被测物体的至少两帧三维点云,在所述至少两帧三维点云确定目标点云和待匹配点云,所述待匹配点云为结构化点云;
根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵;
根据所述目标变换矩阵将所述待匹配点云合并至所述目标点云。
可选的,所述根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵的步骤,还包括:
对所述目标点云进行重采样得到重采样后的目标点云;
确定与所述待匹配点云对应的初始变换矩阵;
根据所述初始变换矩阵查找与所述目标点云和所述待匹配点云对应的第一对应点,通过预设的ICP计算公式、及与所述待匹配点云对应的初始变换矩阵,计算中间变换矩阵及在该中间变换矩阵下的配准误差;
在所述计算得到的配准误差小于预设的误差阈值的情况下,获取与该配准误差对应的中间变换矩阵作为目标变换矩阵。
可选的,所述根据所述初始变换矩阵查找与所述目标点云和所述待匹配点云对应的第一对应点的步骤,还包括:
根据所述初始变换矩阵对所述重采样后的目标点云进行变换,得到与所述目标点云对应的第一中间点云;
将所述第一中间点云投影至所述待匹配点云对应的图像距离平面,在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点,将所述查找到的第一对应点作为与所述目标点云和所述待匹配点云对应的第一对应点。
可选的,所述对所述目标点云进行重采样得到重采样后的目标点云的步骤之后,还包括:
确定与所述待匹配点云对应的最小包围盒;
在所述第一中间点云中删除所述最小包围盒之外的其他点云数据,将得到的第二中间点云替代第一中间点云作为对应点查找对象。
可选的,所述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点的步骤之后,还包括:
针对所述查找到的第一对应点,计算所述第一对应点包含的两个数据点的法向量夹角,在所述第一对应点中删除所述法向量夹角大于预设的夹角阈值的对应点。
可选的,所述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点的步骤之后,还包括:
确定所述查找到的第一对应点的数量不小于所述预设的数量阈值。
可选的,所述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点的步骤之后,还包括:
针对所述查找到的第一对应点,计算所述第一对应点包含的两个数据点的距离值,在所述第一对应点中删除所述距离值大于预设的距离阈值的对应点。
可选的,所述根据所述目标变换矩阵将所述待匹配点云合并至所述目标点云的步骤,还包括:
根据所述目标变换矩阵,对所述目标点云进行变换得到与所述目标点云对应的第三中间点云,将所述第三中间点云投影到所述待匹配点云的图像距离平面上,查找所述目标点云和所述待匹配点云的第三对应点;
根据所述目标变换矩阵,将所述待匹配点云变换到所述目标点云对应的坐标系下;
针对所述查找到的每一个第三对应点,在所述目标点云对应的坐标系下,根据预设的权重系数计算与该第三对应点对应的替换数据点;
在所述目标点云中删除与所述查找到的第三对应点对应的的点云数据,将所述替换数据点添加到所述目标点云中,得到更新后的目标点云作为目标匹配点云。
可选的,所述在所述第三中间点云投影到所述待匹配点云的图像距离平面上,查找所述目标点云和所述待匹配点云的第三对应点的步骤之后,还包括:
针对所述查找到的第三对应点,计算所述第三对应点包含的两个数据点的距离值,在所述第一对应点中删除所述距离值大于预设的距离阈值的第三对应点。
一种三维点云的数据匹配及合并装置,包括:
待匹配点云确定模块,用于获取被测物体的至少两帧三维点云,在所述至少两帧三维点云确定目标点云和待匹配点云,所述待匹配点云为结构化点云;
点云匹配模块,用于根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵;
点云合并模块,用于根据所述目标变换矩阵将所述待匹配点云合并至所述目标点云。
另外,在本发明中,还提供了一种计算机可读介质,包括计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如前所述的三维点云的数据匹配及合并方法。
实施本发明实施例,将具有如下有益效果:
采用了上述三维点云的数据匹配及合并方法、装置、可读介质之后,在对被测物体的多帧三维点云进行匹配和合并的过程中,通过ICP配准算法来对待匹配点云和目标点云进行点云的匹配和变换矩阵的计算,然后根据确定的变换矩阵将待匹配点云合并至目标点云,实现了多帧点云数据下点云数据的快速匹配以及合并,减少在点到投影查找对应点、以及在配准误差的迭代计算的过程中的计算量,加快了点云数据匹配和合并的速度。另外,在进行点云数据的合并时,将待匹配点云中相应的数据合并至目标点云,避免了单帧点云对目标点云的影响,提高了点云数据合并的精准度。
也就是说,实施本发明实施例,提高了三维点云数据匹配和合并的配准速度和合并速度,并提高了三维点云数据匹配及合并的精准度。
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。
其中:
图1为一个实施例中一种三维点云的数据匹配及合并方法的流程示意图;
图2为一个实施例中结构化三维点云的示意图;
图3为一个实施例中待匹配点云之间的点到投影对应点查找的示意图;
图4为一个实施例中一种三维点云的数据匹配及合并装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如前所述,在本发明中,提供了一种三维点云的数据匹配及合并方法及装置、计算机可读介质来提高三维点云数据匹配和合并的配准速度和合并速度,并提高三维点云数据匹配及合并的精准度,同时降低合并后点云的噪声。
具体的,在本实施例中,上述三维点云的数据匹配及合并方法的实现可依赖于计算机程序,该计算机程序可运行于基于冯诺依曼体系的计算机系统之上,该计算机程序可以是三维重建的应用程序或三维点云数据匹配的应用程序。
在一个具体的实施例中,上述三维点云的数据匹配及合并方法的实现是基于三维重建的过程,在对被测物体进行三维重建的过程中,通过多个传感器从多个视点采集被测物体的图像、或者通过手持摄像头在多个视点下采集被测物体的图像,从而采集被测物体在多个视点下的多帧三维点云数据。然后,在进行三维重建的过程中,需要对上述多个视点下的多帧点云数据进行匹配和合并,而这个匹配和合并的过程即为本发明实施例所提供的三维点云的数据匹配及合并方法所实现的过程。
在一个具体的实施例中,如图1所示,上述三维点云的数据匹配及合并方法包括如下步骤S102-S108:
步骤S102:获取被测物体的至少两帧三维点云,在所述至少两帧三维点云确定目标点云和待匹配点云,所述待匹配点云为结构化点云。
在本实施例中,被测物体的三维点云数据不止一个,且基于视觉方法采集的三维点云数据是结构化数据,也即具有三维深度像的原始结构。
例如,如图2所示,结构化点云的分布类似于图像像素的排布(简称为图像距离平面),每一个像素位置对应一个三维顶点,以及一个标志位指定此位置的顶点是否有效。
具体操作中,需要将上述多帧三维点云合并在一个坐标系下,获取合并之后的点云数据。在具体匹配和合并的过程中,需要将所有的三维点云数据合并到一个坐标系(例如,第一帧三维点云数据所在的坐标系)下。
在本实施例中,在上述多帧三维点云中,获取第一帧点云作为目标点云P,并且获取与点云P临近的点云作为本次匹配的待匹配点云Q,然后将点云Q合并至点云P,并更新点云P;而针对其他未匹配的点云,在完成了点云Q的匹配和合并之后,读取下一帧点云Q′,然后将点云Q′合并至P,直至所有的点云均完成匹配和合并。
在本实施例中,在进行具体的匹配和合并之前,还需要将目标点云P转换成非结构化点云,并将非结构化后的点云P作为初始合并后的点云:
P{(p1,np1),(p2,n2),...,(pn1,npn1)},
其中,pi表示第i点的三维坐标,npi表示点pi对应的法向量,n1表示三维点的个数;并且,设置点云P的初始合并权重w{1,...,1}。
另外,待匹配点云Q:
Q{(q1,nq1,(u1,v1)),(q2,n2,(u2,v2)),...,(qn2,nqn2,(un2,vn2))},
其中,(ui,vi)表示第i点在图像距离平面上的像素坐标;
将上一帧匹配上的点云的变换矩阵作为点云Q的初始变换矩阵RT,且在不存在上一帧匹配点云的情况下,将单位矩阵作为点云Q的初始变换矩阵。
其中,R表示旋转矩阵,T表示平移向量;
步骤S104:根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵。
在本实施例中,通过ICP配准算法来查找与点云P和点云Q对应点来完成点云P与点云Q之间的匹配,并且,在进行点云的匹配的过程中,通过ICP算法优化变换矩阵,并确定最终的目标变换矩阵。
在本实施例中,在点云数据较大的情况下,对点云进行匹配和合并均需要较大的计算量,为了降低计算量并提高匹配速度,在本实施例中,可以对待匹配的点云P进行采样,并基于采样过后的点云进行进一步的相关匹配操作,从而降低了点云数据的数据量大小。
需要说明的是,在本实施例中,对点云P进行采样可以采用的是预设的采样网格,例如,均匀网格采样或者预设的根据稠密度确定的采样网格。另外,为了保证对点云进行重采样达到减少点云数据量的目的,在对点云P进行重采样之后,还需要对采样之后的点云P的数据量大小进行判断,在数据量大小不小于等于预设值的情况下,对点云P进行第二次采样,以使点云P的数据量大小满足预设的计算要求。
在将点云P进行重采样后,变换到点云Q所对应的相机坐标系下,变换后为第一中间点云PQ:
进一步的,在本实施例中,在进行三维重建以及点云的匹配和合并的过程中,关心的主要是被测物体的点云数据,而在被测物体外的其他数据一般不关心或者关心程度较低,因此,为了降低点云匹配、合并的过程中的计算量,在进行点云数据的匹配和合并的过程中,可以仅考虑被测物体所在的点云数据区域的点云匹配和合并。
可选的,在一个具体的实施例中,上述根据预设的初始变换矩阵对所述重采样后的目标点云进行变换的步骤之后,还包括:确定与所述待匹配点云对应的最小包围盒;在所述第一中间点云中删除所述最小包围盒之外的其他点云数据,将得到的点云数据作为所述第二中间点云。
在点云Q中,包围了被测物体的包围盒中最小的包围盒即为与待匹配点云对应的最小包围盒,包含了被测物体对应的点云数据。根据点云Q的最小包围盒,在点云PQ中删除最小包围盒外的其他数据,仅考虑删除了最小包围盒外的其他数据之后的剩余点云数据。并且,将删除了最小包围盒外的其他数据之后的剩余点云数据作为第二中间点云,可以用更新后的点云PQ来标识。
也就是说,在本实施例中,在进行对应点的查找之前,采用重采样和包围盒技术加速对应点查找,从而加快了点云数据的匹配。
具体的将进行重采样、变换以及去包围盒之后的点云Pi Q投影到点云Q的图像距离平面,具体变换过程如下:
其中,(X,Y,Z)表示点云PQ的坐标,(u,v)表示点云PQ反投影后得到的像素坐标,(fx,fy)表示点云到图像距离平面的焦距,(cx,cy)表示点云到图像距离平面的主点位置。
对于得到的平面像素坐标,如图3所示,如果对应像素坐标上存在点qj,将认为找到对应点{(pi,qi)},也即能确定点云PQ和点云Q上存在对应点{(pi,qi)},该对应点即为第一对应点。
在本实施例中,为了保障点云数据匹配以及合并的有效性,需要保证对应对应的数量保障在一定数量以上,如果对应点的数量过少,可能是因为对应点的查找出现了问题、或点云之间不匹配。因此,在本实施例中,上述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的至少一个对应点作为第一对应点的步骤之后,还包括:确定所述查找到的第一对应点的数量不小于所述预设的数量阈值。
具体的,上述预设的数量阈值为δmax,在查找到第一对应点之后,判断第一对应点的数量是否大于或等于δmax,如果大于,则认定第一对应点的查找满足预设的条件,可以进行进一步的操作,反之,需要重新进行对应点的查找。需要说明的是,在本实施例中,上述第一对应点的数量大于或等于预设的数量阈值δmax的情况下,对对应点进行采样之后的对应点也会不小于上述数量阈值δmax。
进一步的,在本实施例中,对于查找到的第一对应点,还需要其对应的法向量满足一定的要求。具体的,上述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的至少一个对应点作为第一对应点的步骤之后,还包括:针对所述第一对应点,计算所述第一对应点包含的两个数据点的法向量夹角,在所述第一对应点中删除所述法向量夹角大于预设的夹角阈值θτ的对应点。其中,确定第一对应点包含的对应点的法向量的夹角,并将其与预设的角度阈值θτ进行大小比对。在法向量夹角大于上述预设的角度阈值的情况下,认为该对应点不符合后续进行匹配和合并的要求,在第一对应点中删除该对应点。
另外,在本实施例中,不仅对对应点的法向量夹角有一定的条件要求,还对对应点之间的距离有一定的条件要求。具体的,上述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的至少一个对应点作为第一对应点的步骤之后,还包括:针对所述第一对应点,计算所述第一对应点包含的两个数据点的距离值,在所述第一对应点中删除所述距离值大于预设的距离阈值的第一对应点。也就是说,在点云Q的图像距离平面中,计算对应点之间的距离值,并且,判断该距离值与预设的距离阈值dτ之间的大小,如果该距离值大于预设的距离阈值dτ,认为该对应点不合规,因此,在上述第一对应点中删除该对应点。
在本实施例中,对于最终确定的第一对应点的数量进行判断,如果对应点的数量大于预设的阈值δmin,进行进一步的点云匹配的操作,反之,判定点云Q匹配失败,并读取下一帧待匹配的点云,继续进行点云的匹配。
具体的,上述述根据预设的算法和所述第一对应点计算配准误差的步骤之后还包括:将所述第一对应点的坐标代入预设的第一配准误差计算公式中,根据所述的初始变换矩阵、以及预设的第一迭代次数迭代计算第一误差值,将所述第一误差值作为所述配准误差;获取与所述第一误差值对应的第一变换矩阵作为所述目标变换矩阵。
具体的,在计算第一对应点的配准误差的过程中,是根据预设的点到点ICP方程进行计算的。即,将第一对应点的对应点代入下述点到点ICP方程:
其中,e2(R,T)表示配准误差,a表示第一对应点的个数,且上述变换矩阵R、T为点云Q的变换矩阵或初始变换矩阵。
在本实施例中,ICP方程的求解过程为一迭代优化求解的过程,即根据初始的R、T的值,迭代计算R、T使得配准误差e2(R,T)为最小,其中,利用奇异值分解(SVD,SingularValue Decomposition)方法计算配准误差,并且,迭代对应的R、T的优化值为新的变换矩阵,也就是说,根据每次迭代计算的结果,对点云Q的变换矩阵进行更新,并且,更新后的R、T用于下一步的迭代计算。需要说明的是,在本实施例中,上述每次迭代计算都需根据更新后的R、T重新查找第一对应点,进行下一步迭代计算。
在本实施例中,上述配准误差的计算和迭代为粗配准的过程,不需要追求高精度,因此,粗配准的过程中的迭代次数,可以根据需求设置一个迭代次数,即第一迭代次数,在一个具体的实施例中,可以将第一迭代次数设置为1、2或者其他数值。
在粗配准之后,为了进一步的提高配准的精度,在本实施例中,对于点云数据匹配还需要进行精配准。
具体的,在进行粗配准之后,更新了点云Q的变换矩阵,使用更新后的变换矩阵对点云P进行变换,并且,重复上述关于第一对应点的查找、配准误差的计算等的相关过程。
即,在上述获取与所述第一误差值对应的变换矩阵作为所述目标变换矩阵的步骤之后还包括:根据所述第一变换矩阵对所述目标点云进行变换,确定与该变换后的目标点云和所述待匹配点云对应的至少一个对应点作为第二对应点;将所述第二对应点的坐标代入预设的第二配准误差计算公式,根据所述与所述第一误差值对应的变换矩阵迭代计算第二误差值;在所述第二误差值小于所述预设的误差阈值、或第二误差值的迭代计算次数小于预设的第二迭代次数的情况下,将计算得到的第二误差值作为所述配准误差;获取与所述第二误差值对应的第二变换矩阵作为所述目标变换矩阵。
在精配准的过程中,重复上述步骤中关于点云变换、投影以及第一对应点查找的步骤,即通过点云Q的变换矩阵将点云P变换到点云Q对应的相机坐标系下,然后投影至点云Q所在的图像距离平面,并查找与点云Q、P对应的第一对应点,针对查找到的对应点(第二对应点);然后对于查找到的对应点,通过预设的点到面ICP公式计算配准误差(第二配准误差计算公式),并按照预设的迭代条件(第二迭代次数、和/或预设的误差阈值)进行迭代计算,确定迭代计算下的变换矩阵R、T的值,并更新至点云Q的变换矩阵。在本实施例中,上述步骤是迭代重复的,直至计算得到的配准误差小于预设的误差阈值或者迭代计算次数达到预设的第二迭代次数后终止。最终得到的即为精配准结果,其中,最终的配准误差即为本次对于点云数据进行匹配的配准误差,点云Q对应的变换矩阵即为最终的目标变换矩阵。
具体的,对于查找到的第二对应点,采用如下点到面ICP计算公式:
考虑到,
上述方程可转化为,
其中,r=[α,β,γ]T,ci=qi×npi,α,β,γ分别表示点云Q绕全局坐标轴,x轴,y轴,z轴的旋转角度,a表示第二对应点的数量,且上述变换矩阵R、T为点云Q的变换矩阵或初始变换矩阵。
在本实施例中,ICP求解过程为一迭代优化求解的过程,即根据初始的R、T的值,迭代计算R、T使得配准误差e2(R,T)为最小,其中,利用奇异值分解(SVD,Singular ValueDecomposition)方法计算配准误差,并且,迭代对应的R、T的优化值为新的变换矩阵,也就是说,根据迭代计算的结果,对点云Q的变换矩阵进行更新,并且,更新后的R、T用于下一步的迭代计算。需要说明的是,在本实施例中,上述每次迭代计算都需根据更新后的R、T重新查找第二对应点,进行下一步迭代计算。
在本实施例中,对于上述对应点的查找以及配准误差的计算和优化,需要满足查找到的第二对应点所对应的配准误差小于预设的误差阈值dmax、或在精配准的过程中迭代次数超过预设的第二迭代次数t。并且,如果最终确定的配准误差小于误差阈值derr时,判定匹配是成功的,并进入到下一步的点云合并中,否则,点云Q判定匹配失败,读取下一帧点云Q′,并重复执行上述点云匹配的步骤。
步骤S106:根据所述目标变换矩阵将所述待匹配点云合并至所述目标点云。
通过上述步骤中的匹配以及配准误差的迭代计算,在点云可匹配的情况下,可以将配准误差优化至预设的误差阈值之下,从而达到精准的匹配效果。并且,在配准误差的确定过程中,对应的优化的变换矩阵可以使得相应的配准结果更精准,与最优的配准误差对应的变换矩阵即为点云Q的变换矩阵。然后可以通过该变换矩阵进行具体的点云合并的操作。
具体的,上述根据所述目标变换矩阵将所述目标点云和所述待匹配点云进行合并生成合并之后的目标匹配点云的步骤,还包括:根据所述目标变换矩阵,将所述目标点云变换至所述待匹配点云所对应的相机坐标系下,获取变换后的目标点云作为第三中间点云;计算与所述第三中间点云和所述待匹配点云对应的第三对应点;根据所述目标变换矩阵,将所述待匹配点云变换到目标点云坐标系下,得到第二待匹配点云;针对每一个第三对应点,根据所述预设的权重系数、以及所述第三对应点,计算与该第三对应点对应的替换数据点;替换所述第二待匹配的对应点数据点,得到第三待匹配点云,得到第三待匹配点云;在所述目标点云中删除与所述查找到的第三对应点对应的的点云数据,将所述第三待匹配点云数据点添加到所述目标点云中,得到更新后的目标点云作为目标匹配点云,更新目标匹配点云中所述每一个第三对应点的权重系数。
即,通过更新后的Q的目标变换矩阵,将点云P,变换到点云Q相机坐标系下,并通过前述投影查找对应点的方法,查找与点云P、Q对应的第三对应点{(pi,qi)}。
将点云Q转换到目标点云坐标系下,点云Q中的点qi的第三对应点为{pi1,pi2,...,pif}(点云P中),将利用qi,pi1,pi2,...,pif进行加权平均:
并通过如下公式
更新qi权重wqi。
在点云P中删除上述第三对应点,将更新后的目标点云坐标系的点云Q合并到点云P中,完成目标点云P与待匹配点云Q的匹配和合并,并且将上述qi权重wqi作为新的权重w进行更新。
需要说明的是,在本实施例中,将待匹配点云Q合并至目标点云P之后,还需要将被测物体的其他待匹配点云合并至P,只有在所有的待匹配点云均完成匹配和合并的过程的情况下,才完成了被测物体的三维点云数据的匹配和合并。
在另一个具体的实施例中,如图4所示,还提出了一种三维点云的数据匹配及合并装置,包括:
待匹配点云确定模块102,用于获取被测物体的至少两帧三维点云,在所述至少两帧三维点云确定目标点云和待匹配点云,所述待匹配点云为结构化点云;
点云匹配模块104,用于根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵;
点云合并模块106,用于根据所述目标变换矩阵将所述待匹配点云合并至所述目标点云。
在一个可选的实施例中,上述点云匹配模块104还用于对所述目标点云进行重采样得到重采样后的目标点云;确定与所述待匹配点云对应的初始变换矩阵;根据所述初始变换矩阵查找与所述目标点云和所述待匹配点云对应的第一对应点,通过预设的ICP计算公式、及与所述待匹配点云对应的初始变换矩阵,计算中间变换矩阵及在该中间变换矩阵下的配准误差;在所述计算得到的配准误差小于预设的误差阈值的情况下,获取与该配准误差对应的中间变换矩阵作为目标变换矩阵。
在一个可选的实施例中,上述点云匹配模块104还用于根据所述初始变换矩阵对所述重采样后的目标点云进行变换,得到与所述目标点云对应的第一中间点云;将所述第一中间点云投影至所述待匹配点云对应的图像距离平面,在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点,将所述查找到的第一对应点作为与所述目标点云和所述待匹配点云对应的第一对应点。
在一个可选的实施例中,上述点云匹配模块104还用于确定与所述待匹配点云对应的最小包围盒;在所述第一中间点云中删除所述最小包围盒之外的其他点云数据,将得到的第二中间点云替代第一中间点云作为对应点查找对象。
在一个可选的实施例中,上述点云匹配模块104还用于针对所述查找到的第一对应点,计算所述第一对应点包含的两个数据点的法向量夹角,在所述第一对应点中删除所述法向量夹角大于预设的夹角阈值的对应点。
在一个可选的实施例中,上述点云匹配模块104还用于确定所述查找到的第一对应点的数量不小于所述预设的数量阈值。
在一个可选的实施例中,上述点云匹配模块104还用于针对所述查找到的第一对应点,计算所述第一对应点包含的两个数据点的距离值,在所述第一对应点中删除所述距离值大于预设的距离阈值的对应点。
在一个可选的实施例中,上述点云合并模块106还用于根据所述目标变换矩阵,对所述目标点云进行变换得到与所述目标点云对应的第三中间点云,将所述第三中间点云投影到所述待匹配点云的图像距离平面上,查找所述目标点云和所述待匹配点云的第三对应点;根据所述目标变换矩阵,将所述待匹配点云变换到所述目标点云对应的坐标系下;针对所述查找到的每一个第三对应点,在所述目标点云对应的坐标系下,根据预设的权重系数计算与该第三对应点对应的替换数据点;在所述目标点云中删除与所述查找到的第三对应点对应的的点云数据,将所述替换数据点添加到所述目标点云中,得到更新后的目标点云作为目标匹配点云。
在一个可选的实施例中,上述点云合并模块106还用于针对所述查找到的第三对应点,计算所述第三对应点包含的两个数据点的距离值,在所述第一对应点中删除所述距离值大于预设的距离阈值的第三对应点。
实施本发明实施例,将具有如下有益效果:
采用了上述三维点云的数据匹配及合并方法及装置、可读介质之后,在对被测物体的多帧三维点云进行匹配和合并的过程中,通过ICP配准算法来对待匹配点云和目标点云进行点云的匹配和变换矩阵的计算,然后根据确定的变换矩阵将待匹配点云合并至目标点云,实现了多帧点云数据下点云数据的快速匹配以及合并,减少在点到投影查找对应点、以及在配准误差的迭代计算的过程中的计算量,加快了点云数据匹配和合并的速度。另外,在进行点云数据的合并时,将待匹配点云中相应的数据合并至目标点云,避免了单帧点云对目标点云的影响,提高了点云数据合并的精准度。
也就是说,实施本发明实施例,提高了三维点云数据匹配和合并的配准速度和合并速度,并提高了三维点云数据匹配及合并的精准度,同时降低合并后点云的噪声。
在上述实施例中,可以全部或部分的通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或者数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种三维点云的数据匹配及合并方法,其特征在于,包括:
获取被测物体的至少两帧三维点云,在所述至少两帧三维点云确定目标点云和待匹配点云,所述待匹配点云为结构化点云,所述目标点云为非结构化点云;
根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵;
根据所述目标变换矩阵,对所述目标点云进行变换得到与所述目标点云对应的第三中间点云,将所述第三中间点云投影到所述待匹配点云的图像距离平面上,查找所述目标点云和所述待匹配点云的第三对应点;
根据所述目标变换矩阵,将所述待匹配点云变换到所述目标点云对应的坐标系下;针对所述查找到的每一个第三对应点,在所述目标点云对应的坐标系下,根据预设的权重系数计算与该第三对应点对应的替换数据点;
在所述目标点云中删除与所述查找到的第三对应点对应的点云数据,将所述替换数据点添加到所述目标点云中,得到更新后的目标点云作为目标匹配点云。
2.根据权利要求1所述的三维点云的数据匹配及合并方法,其特征在于,所述根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵的步骤,还包括:
对所述目标点云进行重采样得到重采样后的目标点云;
确定与所述待匹配点云对应的初始变换矩阵;
根据所述初始变换矩阵查找与所述目标点云和所述待匹配点云对应的第一对应点,通过预设的ICP计算公式、及与所述待匹配点云对应的初始变换矩阵,计算中间变换矩阵及在该中间变换矩阵下的配准误差;
在所述计算得到的配准误差小于预设的误差阈值的情况下,获取与该配准误差对应的中间变换矩阵作为目标变换矩阵。
3.根据权利要求2所述的三维点云的数据匹配及合并方法,其特征在于,所述根据所述初始变换矩阵查找与所述目标点云和所述待匹配点云对应的第一对应点的步骤,还包括:
根据所述初始变换矩阵对所述重采样后的目标点云进行变换,得到与所述目标点云对应的第一中间点云;
将所述第一中间点云投影至所述待匹配点云对应的图像距离平面,在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点,将所述查找到的第一对应点作为与所述目标点云和所述待匹配点云对应的第一对应点。
4.根据权利要求3所述的三维点云的数据匹配及合并方法,其特征在于,所述对所述目标点云进行重采样得到重采样后的目标点云的步骤之后,还包括:
确定与所述待匹配点云对应的最小包围盒;
在所述第一中间点云中删除所述最小包围盒之外的其他点云数据,将得到的第二中间点云替代第一中间点云作为对应点查找对象。
5.根据权利要求3所述的三维点云的数据匹配及合并方法,其特征在于,所述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点的步骤之后,还包括:
针对所述查找到的第一对应点,计算所述第一对应点包含的两个数据点的法向量夹角,在所述第一对应点中删除所述法向量夹角大于预设的夹角阈值的对应点。
6.根据权利要求3所述的三维点云的数据匹配及合并方法,其特征在于,所述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点的步骤之后,还包括:
确定所述查找到的第一对应点的数量不小于预设的数量阈值。
7.根据权利要求3所述的三维点云的数据匹配及合并方法,其特征在于,所述在所述投影后的图像距离平面上查找所述待匹配点云和所述第一中间点云的第一对应点的步骤之后,还包括:
针对所述查找到的第一对应点,计算所述第一对应点包含的两个数据点的距离值,在所述第一对应点中删除所述距离值大于预设的距离阈值的对应点。
8.根据权利要求1所述的三维点云的数据匹配及合并方法,其特征在于,所述在所述第三中间点云投影到所述待匹配点云的图像距离平面上,查找所述目标点云和所述待匹配点云的第三对应点的步骤之后,还包括:
针对所述查找到的第三对应点,计算所述第三对应点包含的两个数据点的距离值,在所述第三对应点中删除所述距离值大于预设的距离阈值的第三对应点。
9.一种三维点云的数据匹配及合并装置,其特征在于,包括:
待匹配点云确定模块,用于获取被测物体的至少两帧三维点云,在所述至少两帧三维点云确定目标点云和待匹配点云,所述待匹配点云为结构化点云;
点云匹配模块,用于根据预设的ICP配准算法,对所述目标点云和所述待匹配点云进行点云匹配,并确定与所述待匹配点云对应的目标变换矩阵;
点云合并模块,用于根据所述目标变换矩阵将所述待匹配点云合并至所述目标点云。
10.一种计算机可读介质,包括计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243392.9A CN109493375B (zh) | 2018-10-24 | 2018-10-24 | 三维点云的数据匹配及合并方法、装置、可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243392.9A CN109493375B (zh) | 2018-10-24 | 2018-10-24 | 三维点云的数据匹配及合并方法、装置、可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493375A CN109493375A (zh) | 2019-03-19 |
CN109493375B true CN109493375B (zh) | 2021-01-12 |
Family
ID=65692677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811243392.9A Active CN109493375B (zh) | 2018-10-24 | 2018-10-24 | 三维点云的数据匹配及合并方法、装置、可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493375B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060282B (zh) * | 2019-03-27 | 2021-06-08 | 东软睿驰汽车技术(沈阳)有限公司 | 一种点云配准的方法及装置 |
CN110348310A (zh) * | 2019-06-12 | 2019-10-18 | 西安工程大学 | 一种霍夫投票3d彩色点云识别方法 |
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 |
CN110838137A (zh) * | 2019-09-23 | 2020-02-25 | 西北大学 | 一种基于伪Huber损失函数的三维点云刚体配准方法及系统 |
CN110738730B (zh) * | 2019-10-15 | 2023-07-18 | 业成科技(成都)有限公司 | 点云匹配方法、装置、计算机设备和存储介质 |
CN110807772B (zh) * | 2019-11-11 | 2022-05-20 | 杭州都市高速公路有限公司 | 一种构件尺寸检测中基于包围盒的无关点云剔除方法 |
CN111009029B (zh) * | 2019-11-25 | 2021-05-11 | 视辰信息科技(上海)有限公司 | 三维重建的数据处理方法、装置、电子设备与存储介质 |
CN111325663B (zh) * | 2020-02-21 | 2023-11-28 | 深圳市易尚展示股份有限公司 | 基于并行架构的三维点云匹配方法、装置和计算机设备 |
CN111311743B (zh) * | 2020-03-27 | 2023-04-07 | 北京百度网讯科技有限公司 | 三维重建精度测试方法、测试装置和电子设备 |
CN111553844B (zh) * | 2020-04-29 | 2023-08-29 | 阿波罗智能技术(北京)有限公司 | 用于更新点云的方法及装置 |
CN113967070A (zh) * | 2020-07-23 | 2022-01-25 | 连俊文 | 机械臂控制方法和皮肤表面处理设备 |
CN112509019B (zh) * | 2020-12-02 | 2024-03-08 | 西北工业大学 | 一种基于兼容性特征的三维对应关系分组方法 |
CN114593681A (zh) * | 2020-12-07 | 2022-06-07 | 北京格灵深瞳信息技术有限公司 | 厚度测量方法,装置,电子设备及存储介质 |
CN113793370B (zh) * | 2021-01-13 | 2024-04-19 | 北京京东叁佰陆拾度电子商务有限公司 | 三维点云配准方法、装置、电子设备及可读介质 |
CN113223145B (zh) * | 2021-04-19 | 2023-11-24 | 中国科学院国家空间科学中心 | 用于行星表面探测的亚像素测量多源数据融合方法及系统 |
CN114387319B (zh) * | 2022-01-13 | 2023-11-14 | 北京百度网讯科技有限公司 | 点云配准方法、装置、设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101292914A (zh) * | 2008-06-12 | 2008-10-29 | 上海交通大学 | 基于三维视觉测量的对称特征颜面赝复体制备方法 |
CN102607459A (zh) * | 2012-03-06 | 2012-07-25 | 中国矿业大学(北京) | Lidar测量数据的拼接方法和装置 |
CN103456038A (zh) * | 2013-08-19 | 2013-12-18 | 华中科技大学 | 一种井下环境三维场景重建方法 |
CN104766325A (zh) * | 2015-04-09 | 2015-07-08 | 泉州装备制造研究所 | 一种鞋面喷胶轨迹线的计算方法 |
CN107507127A (zh) * | 2017-08-04 | 2017-12-22 | 深圳市易尚展示股份有限公司 | 多视点三维点云的全局匹配方法和系统 |
CN107590827A (zh) * | 2017-09-15 | 2018-01-16 | 重庆邮电大学 | 一种基于Kinect的室内移动机器人视觉SLAM方法 |
CN107621880A (zh) * | 2017-09-29 | 2018-01-23 | 南京邮电大学 | 一种基于改进头姿估计方法的机器人轮椅交互控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3384428B1 (en) * | 2015-12-04 | 2023-07-26 | Autodesk, Inc. | Keypoint-based point-pair-feature for scalable automatic global registration of large rgb-d scans |
-
2018
- 2018-10-24 CN CN201811243392.9A patent/CN109493375B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101292914A (zh) * | 2008-06-12 | 2008-10-29 | 上海交通大学 | 基于三维视觉测量的对称特征颜面赝复体制备方法 |
CN102607459A (zh) * | 2012-03-06 | 2012-07-25 | 中国矿业大学(北京) | Lidar测量数据的拼接方法和装置 |
CN103456038A (zh) * | 2013-08-19 | 2013-12-18 | 华中科技大学 | 一种井下环境三维场景重建方法 |
CN104766325A (zh) * | 2015-04-09 | 2015-07-08 | 泉州装备制造研究所 | 一种鞋面喷胶轨迹线的计算方法 |
CN107507127A (zh) * | 2017-08-04 | 2017-12-22 | 深圳市易尚展示股份有限公司 | 多视点三维点云的全局匹配方法和系统 |
CN107590827A (zh) * | 2017-09-15 | 2018-01-16 | 重庆邮电大学 | 一种基于Kinect的室内移动机器人视觉SLAM方法 |
CN107621880A (zh) * | 2017-09-29 | 2018-01-23 | 南京邮电大学 | 一种基于改进头姿估计方法的机器人轮椅交互控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109493375A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493375B (zh) | 三维点云的数据匹配及合并方法、装置、可读介质 | |
JP6745328B2 (ja) | 点群データを復旧するための方法及び装置 | |
CN112771573B (zh) | 基于散斑图像的深度估计方法及装置、人脸识别系统 | |
CN110070564B (zh) | 一种特征点匹配方法、装置、设备及存储介质 | |
CN111127422A (zh) | 图像标注方法、装置、系统及主机 | |
CN113436238B (zh) | 点云配准精度的评估方法、装置和电子设备 | |
CN111144213B (zh) | 一种对象检测方法和相关设备 | |
CN109658497B (zh) | 一种三维模型重建方法及装置 | |
CN111868738B (zh) | 跨设备监控计算机视觉系统 | |
US11443481B1 (en) | Reconstructing three-dimensional scenes portrayed in digital images utilizing point cloud machine-learning models | |
CN113643414A (zh) | 一种三维图像生成方法、装置、电子设备及存储介质 | |
CN114998433A (zh) | 位姿计算方法、装置、存储介质以及电子设备 | |
CN113393577B (zh) | 一种倾斜摄影地形重建方法 | |
CN113766117B (zh) | 一种视频去抖动方法和装置 | |
CN113052880B (zh) | 一种sfm稀疏重建方法、系统及应用 | |
CN112270748B (zh) | 基于图像的三维重建方法及装置 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
Abzal et al. | Development of a novel simplification mask for multi-shot optical scanners | |
CN113034582A (zh) | 位姿优化装置及方法、电子设备及计算机可读存储介质 | |
CN110378948B (zh) | 3d模型重建方法、装置及电子设备 | |
CN115239899A (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
CN115100296A (zh) | 一种光伏组件故障定位方法、装置、设备及存储介质 | |
CN111156948A (zh) | 用于3c玻璃面板检测的三维数据坐标校正方法及装置 | |
CN116630436B (zh) | 相机外参修正方法、装置、电子设备和计算机可读介质 | |
CN113066165B (zh) | 多阶段无监督学习的三维重建方法、装置和电子设备 |
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 |