CN109658444A - 一种基于多模态特征的规则三维彩色点云配准方法 - Google Patents
一种基于多模态特征的规则三维彩色点云配准方法 Download PDFInfo
- Publication number
- CN109658444A CN109658444A CN201811402515.9A CN201811402515A CN109658444A CN 109658444 A CN109658444 A CN 109658444A CN 201811402515 A CN201811402515 A CN 201811402515A CN 109658444 A CN109658444 A CN 109658444A
- Authority
- CN
- China
- Prior art keywords
- point
- cloud
- dimensional colour
- regular
- data
- 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
- G06T2207/10024—Color image
-
- 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
Abstract
本发明涉及三维点云数据处理与三维场景重建技术领域,一种基于多模态特征的规则三维彩色点云配准方法,包括以下步骤:(1)获取三维彩色点云数据,(2)提取图像数据,(3)图像特征点提取,(4)图像特征点匹配,(5)提取点云数据,(6)点云特征点提取,(7)点云特征点匹配,(8)三维彩色点云粗配准,(9)三维彩色点云精配准。本发明具有以下优点:一是,本发明利用点云和图像两种模态信息,提取多模态特征,构建多模态匹配点对,充分发挥了三维彩色点云的多模态优势;二是,本发明首先利用多模态匹配点对进行粗配准,给出较为准确的匹配初值,并将其应用到精配准中,既减少了配准时间,又提高了配准精度。
Description
技术领域
本发明涉及一种基于多模态特征的规则三维彩色点云配准方法,属于三维点云数据处理与三维场景重建技术领域。
背景技术
随着信息科学技术的发展,计算机视觉、虚拟现实、3D打印、模式识别等领域在飞速进步,三维彩色点云得到了越来越广泛地应用。三维彩色点云数据是由点云数据和图像数据两种模态信息融合而成,其中,点云数据通过激光扫描仪得到,记录了物体的几何位置信息,图像数据通过彩色相机得到,记录了物体的颜色纹理信息。因此,三维彩色点云数据是三维点云数据的进一步发展,能更立体形象地描述现实世界。其中,规则三维彩色点云数据是一种规则分布的三维彩色点云数据,其按照矩形网格分布排列。
在使用三维彩色激光扫描测距系统对实际场景进行扫描测量时,由于视野限制和物体遮挡等原因,通常不能在同一个视角下一次性扫描得到实际场景的全部三维彩色点云数据。因此,需要让三维彩色激光扫描测距系统在不同视角下对被测场景进行扫描,然后将多个视角下扫描得到的三维彩色点云数据变换到同一个坐标系下,获得实际场景的完整三维彩色点云数据,这个过程就是三维彩色点云数据的配准。
目前较为常用的点云配准算法是迭代最近点算法(ICP算法),其原理是迭代地对待配准点云集的对应点对进行选择,每次迭代时,对于一个点云集中的每个点都需要在另一个点云集中搜索离它距离最近的点,组成对应点对,并计算可以使对应点对之间的距离之和最小的旋转平移矩阵,最后利用旋转平移矩阵对待配准点云进行坐标变换,以实现点云配准。但这种算法仍存在一些不足:1)需要提供一个较好的配准初值;2)在搜索对应点对时,由于点云数据量较大,搜索耗时较长;3)迭代结果可能会陷入局部收敛的情况。
发明内容
为了解决现有技术中存在的不足,本发明目的是提供一种基于多模态特征的规则三维彩色点云配准方法,充分利用图像颜色信息和点云形状信息。该方法针对实际场景,首先利用三维彩色激光扫描测距系统,在两个不同的位置分别对同一场景进行扫描,得到两个规则的三维彩色点云数据,然后分别从中提取图像数据和点云数据,利用SIFT特征构建图像匹配点对,利用曲率极值构建点云匹配点对,并用其求取两个三维彩色点云之间的旋转矩阵和平移向量,最后将之应用到三维彩色点云配准中。该方法充分利用了三维彩色点云的多模态信息——图像信息和点云信息,计算了三维彩色点云的多模态特征——图像特征和点云特征,提供了一个准确的配准初值,减少了ICP算法的匹配次数,提高了配准精度和配准速度,较好地解决了传统配准方法初值设置难、配准效率低的问题,充分发挥了三维彩色点云的多模态优势。
为了实现上述发明目的,解决现有技术中所存在的问题,本发明采取的技术方案是:一种基于多模态特征的规则三维彩色点云配准方法,包括以下步骤:
步骤1、获取三维彩色点云数据,利用三维激光彩色扫描测距系统在两个不同的位置分别对同一场景进行扫描,得到两个规则三维彩色点云数据P={pij=(xij,yij,zij,rij,gij,bij)|1≤i≤n,1≤j≤m}和 其中,pij为规则三维彩色点云数据P中的彩色点,(xi,yi,zi)为彩色点pij的坐标,(rij,gij,bij)为彩色点pij的颜色,n为规则三维彩色点云数据P的行数,m为规则三维彩色点云数据P的列数,为规则三维彩色点云数据中的彩色点,为彩色点的坐标,为彩色点的颜色,为规则三维彩色点云数据的行数,为规则三维彩色点云数据的列数,i为规则三维彩色点云数据的扫描行号,j为规则三维彩色点云数据的扫描列号,规则三维彩色点云数据由点云数据和图像数据两种模态融合而成,并按照矩形网格分布规则化排列;
步骤2、提取图像数据,根据规则三维彩色点云数据的组织形式,分别从规则三维彩色点云数据P和中提取图像数据C={cij=(rij,gij,bij)|1≤i≤n,1≤j≤m}和
步骤3、图像特征点提取,在图像模态中,利用SIFT算法分别提取图像C和中的特征点,并构建其的特征向量;
步骤4、图像特征点匹配,利用欧式距离和随机采样一致性RANSAC算法,匹配图像C和的特征点,构建两幅图像的匹配点对;
步骤5、提取点云数据,分别从规则三维彩色点云数据P和中提取点云数据S={sij=(xij,yij,zij)|1≤i≤n,1≤j≤m}和
步骤6、点云特征点提取,按照扫描行号将点云S分解为n条横向线点云,计算每一条横向线点云中每个离散点的曲率,提取曲率极值点,作为点云S的横向特征点,按照扫描列号将点云S分解为m条纵向线点云,计算每一条纵向线点云中每个离散点的曲率,提取曲率极值点,作为点云S的纵向特征点,点云S的横向特征点和纵向特征点构成了点云S的特征点;按照扫描行号将点云分解为条横向线点云,计算每一条横向线点云中每个离散点的曲率,提取曲率极值点,作为点云的横向特征点,按照扫描列号将点云分解为条纵向线点云,计算每一条纵向线点云中每个离散点的曲率,提取曲率极值点,作为点云的纵向特征点,点云的横向特征点和纵向特征点构成了点云的特征点,具体包括以下子步骤:
(a)、按照扫描行号i,将点云S分解为n条横向线点云S={Si|1≤i≤n},其中,Si={sij=(xij,yij,zij)|1≤j≤m}为第i条横向线点云;
(b)、利用累积弦长参数化方法,计算横向线点云Si中每一个离散点sij的累计弦长参数tij,按照公式(1)进行描述,
离散点sij=(xij,yij,zij)与参数值tij之间一一对应,用离散矢量函数表示为sij=s(tij)=(xij=x(tij),yij=y(tij),zij=z(tij)),tij∈{ti1,ti2,..,tim};
(c)、根据连续函数导数的定义,分别估算离散函数xij=x(tij)、yij=y(tij)和zij=z(tij)在tij处的导数,按照公式(2)、公式(3)和公式(4)进行描述,
其中,m1为计算半径,则离散矢量函数sij=s(tij)在tij处的导数为,
s′ij=s′(tij)=(x′ij=x′(tij),y′ij=y′(tij),z′ij=z′(tij)) (5)
(d)、结合连续曲线切向量计算公式,利用离散导数,估算横向线点云Si中离散点sij在tij处的单位切向量为,
令则可得
(e)、结合连续曲线曲率计算公式,利用离散导数,估算横向线点云Si中离散点sij在tij处的曲率为,
其中,可利用与公式(2)、公式(3)和公式(4)相同的方法求出;
(f)、利用步骤6子步骤(b)~(e),求取所有横向线点云中离散点的曲率,沿着横向线点云提取局部曲率极值点,作为点云S的横向特征点;
(g)、按照扫描列号j,将点云S分解为m条纵向线点云,利用与步骤6子步骤(b)~(f)相同的方法,获取点云S的纵向特征点;
(h)、点云S的横向特征点和纵向特征点就构成了点云S的特征点;
(i)、利用与步骤6子步骤(a)~(h)相同的方法,获取点云的特征点;
步骤7、点云特征点匹配,利用欧式距离和随机采样一致性RANSAC算法,匹配点云S和的特征点,构建两个点云的匹配点对;
步骤8、三维彩色点云粗配准,根据扫描行号和扫描列号,将图像匹配点对和点云匹配点对映射回三维彩色点云空间,合并形成三维彩色点云匹配点对,利用三维彩色点云匹配点对的坐标信息,求取规则三维彩色点云P和之间的旋转矩阵R和平移向量t;
步骤9、三维彩色点云精配准,将粗配准求得的旋转矩阵R和平移向量t作为迭代最近点ICP算法的初始值,利用迭代最近点ICP算法和三维彩色点云的坐标信息,求取规则三维彩色点云P和之间的最优旋转矩阵和平移向量并利用最优旋转矩阵和平移向量对三维彩色点云P进行坐标变换,使之变换到三维彩色点云所在的坐标系下,实现三维彩色点云P和的精配准。
本发明有益效果是:一种基于多模态特征的规则三维彩色点云配准方法,包括以下步骤:(1)获取三维彩色点云数据,(2)提取图像数据,(3)图像特征点提取,(4)图像特征点匹配,(5)提取点云数据,(6)点云特征点提取,(7)点云特征点匹配,(8)三维彩色点云粗配准,(9)三维彩色点云精配准。与已有技术相比,本发明具有以下优点:一是,本发明利用点云和图像两种模态信息,提取多模态特征,构建多模态匹配点对,充分发挥了三维彩色点云的多模态优势;二是,本发明首先利用多模态匹配点对进行粗配准,给出较为准确的匹配初值,并将其应用到精配准中,既减少了配准时间,又提高了配准精度。
附图说明
图1是本发明方法步骤流程图。
图2是场景三维彩色点云数据显示图。
图中:(a)是三维彩色点云数据P,(b)是三维彩色点云数据
图3是场景图像数据显示图。
图中:(a)是图像数据C,(b)是图像数据
图4是两幅图像匹配特征点对显示图。
图5是场景点云数据显示图。
图中:(a)是点云数据S,(b)是点云数据
图6是点云数据S特征点显示图。
图中:(a)是横向特征点,(b)是纵向特征点。
图7是点云数据特征点显示图。
图中:(a)是横向特征点,(b)是纵向特征点。
图8是配准前两个三维彩色点云数据显示图。
图9是配准后两个三维彩色点云数据显示图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种基于多模态特征的规则三维彩色点云配准方法,包括以下步骤:
步骤1、获取三维彩色点云数据,利用三维激光彩色扫描测距系统在两个不同的位置分别对同一场景进行扫描,得到两个规则三维彩色点云数据P={pij=(xij,yij,zij,rij,gij,bij)|1≤i≤n,1≤j≤m}和 其中,pij为规则三维彩色点云数据P中的彩色点,(xi,yi,zi)为彩色点pij的坐标,(rij,gij,bij)为彩色点pij的颜色,n为规则三维彩色点云数据P的行数,m为规则三维彩色点云数据P的列数,为规则三维彩色点云数据中的彩色点,为彩色点的坐标,为彩色点的颜色,为规则三维彩色点云数据的行数,为规则三维彩色点云数据的列数,i为规则三维彩色点云数据的扫描行号,j为规则三维彩色点云数据的扫描列号,规则三维彩色点云数据由点云数据和图像数据两种模态融合而成,并按照矩形网格分布规则化排列,如图2所示;
步骤2、提取图像数据,根据规则三维彩色点云数据的组织形式,分别从规则三维彩色点云数据P和中提取图像数据C={cij=(rij,gij,bij)|1≤i≤n,1≤j≤m}和如图3所示;
步骤3、图像特征点提取,在图像模态中,利用SIFT算法分别提取图像C和中的特征点,并构建其的特征向量;
步骤4、图像特征点匹配,利用欧式距离和随机采样一致性RANSAC算法,匹配图像C和的特征点,构建两幅图像的匹配点对,如图4所示,图中连线代表对应点对;
步骤5、提取点云数据,分别从规则三维彩色点云数据P和中提取点云数据S={sij=(xij,yij,zij)|1≤i≤n,1≤j≤m}和 如图5所示;
步骤6、点云特征点提取,按照扫描行号将点云S分解为n条横向线点云,计算每一条横向线点云中每个离散点的曲率,提取曲率极值点,作为点云S的横向特征点,按照扫描列号将点云S分解为m条纵向线点云,计算每一条纵向线点云中每个离散点的曲率,提取曲率极值点,作为点云S的纵向特征点,点云S的横向特征点和纵向特征点构成了点云S的特征点;按照扫描行号将点云分解为条横向线点云,计算每一条横向线点云中每个离散点的曲率,提取曲率极值点,作为点云的横向特征点,按照扫描列号将点云分解为条纵向线点云,计算每一条纵向线点云中每个离散点的曲率,提取曲率极值点,作为点云的纵向特征点,点云的横向特征点和纵向特征点构成了点云的特征点,具体包括以下子步骤:
(a)、按照扫描行号i,将点云S分解为n条横向线点云S={Si|1≤i≤n},其中,Si={sij=(xij,yij,zij)|1≤j≤m}为第i条横向线点云;
(b)、利用累积弦长参数化方法,计算横向线点云Si中每一个离散点sij的累计弦长参数tij,按照公式(1)进行描述,
离散点sij=(xij,yij,zij)与参数值tij之间一一对应,用离散矢量函数表示为sij=s(tij)=(xij=x(tij),yij=y(tij),zij=z(tij)),tij∈{ti1,ti2,..,tim};
(c)、根据连续函数导数的定义,分别估算离散函数xij=x(tij)、yij=y(tij)和zij=z(tij)在tij处的导数,按照公式(2)、公式(3)和公式(4)进行描述,
其中,m1为计算半径,则离散矢量函数sij=s(tij)在tij处的导数为,
s′ij=s′(tij)=(x′ij=x′(tij),y′ij=y′(tij),z′ij=z′(tij)) (5)
(d)、结合连续曲线切向量计算公式,利用离散导数,估算横向线点云Si中离散点sij在tij处的单位切向量为,
令则可得
(e)、结合连续曲线曲率计算公式,利用离散导数,估算横向线点云Si中离散点sij在tij处的曲率为,
其中,可利用与公式(2)、公式(3)和公式(4)相同的方法求出;
(f)、利用步骤6子步骤(b)~(e),求取所有横向线点云中离散点的曲率,沿着横向线点云提取局部曲率极值点,作为点云S的横向特征点,如图6(a)所示;
(g)、按照扫描列号j,将点云S分解为m条纵向线点云,利用与步骤6子步骤(b)~(f)相同的方法,获取点云S的纵向特征点,如图6(b)所示;
(h)、点云S的横向特征点和纵向特征点就构成了点云S的特征点;
(i)、利用与步骤6子步骤(a)~(h)相同的方法,获取点云的特征点,横向特征点与纵向特征点如图7所示;
步骤7、点云特征点匹配,利用欧式距离和随机采样一致性RANSAC算法,匹配点云S和的特征点,构建两个点云的匹配点对;
步骤8、三维彩色点云粗配准,根据扫描行号和扫描列号,将图像匹配点对和点云匹配点对映射回三维彩色点云空间,合并形成三维彩色点云匹配点对,利用三维彩色点云匹配点对的坐标信息,求取规则三维彩色点云P和之间的旋转矩阵R和平移向量t;
步骤9、三维彩色点云精配准,将粗配准求得的旋转矩阵R和平移向量t作为迭代最近点ICP算法的初始值,利用迭代最近点ICP算法和三维彩色点云的坐标信息,求取规则三维彩色点云P和之间的最优旋转矩阵和平移向量并利用最优旋转矩阵和平移向量对三维彩色点云P进行坐标变换,使之变换到三维彩色点云所在的坐标系下,实现三维彩色点云P和的精配准,配准前场景如图8所示,配准后场景如图9所示。
本发明优点在于:本发明利用点云和图像两种模态信息,提取多模态特征,构建多模态匹配点对,充分发挥了三维彩色点云的多模态优势,并利用多模态匹配点对先进行粗配准,给出较为准确的旋转矩阵和平移向量,并将其应用到精配准中,既减少了配准时间,又提高了配准精度。
Claims (1)
1.一种基于多模态特征的规则三维彩色点云配准方法,其特征在于包括以下步骤:
步骤1、获取三维彩色点云数据,利用三维激光彩色扫描测距系统在两个不同的位置分别对同一场景进行扫描,得到两个规则三维彩色点云数据P={pij=(xij,yij,zij,rij,gij,bij)|1≤i≤n,1≤j≤m}和 其中,pij为规则三维彩色点云数据P中的彩色点,(xi,yi,zi)为彩色点pij的坐标,(rij,gij,bij)为彩色点pij的颜色,n为规则三维彩色点云数据P的行数,m为规则三维彩色点云数据P的列数,为规则三维彩色点云数据中的彩色点,为彩色点的坐标,为彩色点的颜色,为规则三维彩色点云数据的行数,为规则三维彩色点云数据的列数,i为规则三维彩色点云数据的扫描行号,j为规则三维彩色点云数据的扫描列号,规则三维彩色点云数据由点云数据和图像数据两种模态融合而成,并按照矩形网格分布规则化排列;
步骤2、提取图像数据,根据规则三维彩色点云数据的组织形式,分别从规则三维彩色点云数据P和中提取图像数据C={cij=(rij,gij,bij)|1≤i≤n,1≤j≤m}和
步骤3、图像特征点提取,在图像模态中,利用SIFT算法分别提取图像C和中的特征点,并构建其的特征向量;
步骤4、图像特征点匹配,利用欧式距离和随机采样一致性RANSAC算法,匹配图像C和的特征点,构建两幅图像的匹配点对;
步骤5、提取点云数据,分别从规则三维彩色点云数据P和中提取点云数据S={sij=(xij,yij,zij)|1≤i≤n,1≤j≤m}和
步骤6、点云特征点提取,按照扫描行号将点云S分解为n条横向线点云,计算每一条横向线点云中每个离散点的曲率,提取曲率极值点,作为点云S的横向特征点,按照扫描列号将点云S分解为m条纵向线点云,计算每一条纵向线点云中每个离散点的曲率,提取曲率极值点,作为点云S的纵向特征点,点云S的横向特征点和纵向特征点构成了点云S的特征点;按照扫描行号将点云分解为条横向线点云,计算每一条横向线点云中每个离散点的曲率,提取曲率极值点,作为点云的横向特征点,按照扫描列号将点云分解为条纵向线点云,计算每一条纵向线点云中每个离散点的曲率,提取曲率极值点,作为点云的纵向特征点,点云的横向特征点和纵向特征点构成了点云的特征点,具体包括以下子步骤:
(a)、按照扫描行号i,将点云S分解为n条横向线点云S={Si|1≤i≤n},其中,Si={sij=(xij,yij,zij)|1≤j≤m}为第i条横向线点云;
(b)、利用累积弦长参数化方法,计算横向线点云Si中每一个离散点sij的累计弦长参数tij,按照公式(1)进行描述,
离散点sij=(xij,yij,zij)与参数值tij之间一一对应,用离散矢量函数表示为sij=s(tij)=(xij=x(tij),yij=y(tij),zij=z(tij)),tij∈{ti1,ti2,..,tim};
(c)、根据连续函数导数的定义,分别估算离散函数xij=x(tij)、yij=y(tij)和zij=z(tij)在tij处的导数,按照公式(2)、公式(3)和公式(4)进行描述,
其中,m1为计算半径,则离散矢量函数sij=s(tij)在tij处的导数为,
s′ij=s′(tij)=(x′ij=x′(tij),y′ij=y′(tij),z′ij=z′(tij)) (5)
(d)、结合连续曲线切向量计算公式,利用离散导数,估算横向线点云Si中离散点sij在tij处的单位切向量为,
令则可得
(e)、结合连续曲线曲率计算公式,利用离散导数,估算横向线点云Si中离散点sij在tij处的曲率为,
其中,可利用与公式(2)、公式(3)和公式(4)相同的方法求出;
(f)、利用步骤6子步骤(b)~(e),求取所有横向线点云中离散点的曲率,沿着横向线点云提取局部曲率极值点,作为点云S的横向特征点;
(g)、按照扫描列号j,将点云S分解为m条纵向线点云,利用与步骤6子步骤(b)~(f)相同的方法,获取点云S的纵向特征点;
(h)、点云S的横向特征点和纵向特征点就构成了点云S的特征点;
(i)、利用与步骤6子步骤(a)~(h)相同的方法,获取点云的特征点;
步骤7、点云特征点匹配,利用欧式距离和随机采样一致性RANSAC算法,匹配点云S和的特征点,构建两个点云的匹配点对;
步骤8、三维彩色点云粗配准,根据扫描行号和扫描列号,将图像匹配点对和点云匹配点对映射回三维彩色点云空间,合并形成三维彩色点云匹配点对,利用三维彩色点云匹配点对的坐标信息,求取规则三维彩色点云P和之间的旋转矩阵R和平移向量t;
步骤9、三维彩色点云精配准,将粗配准求得的旋转矩阵R和平移向量t作为迭代最近点ICP算法的初始值,利用迭代最近点ICP算法和三维彩色点云的坐标信息,求取规则三维彩色点云P和之间的最优旋转矩阵和平移向量并利用最优旋转矩阵和平移向量对三维彩色点云P进行坐标变换,使之变换到三维彩色点云所在的坐标系下,实现三维彩色点云P和的精配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402515.9A CN109658444B (zh) | 2018-11-23 | 2018-11-23 | 一种基于多模态特征的规则三维彩色点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402515.9A CN109658444B (zh) | 2018-11-23 | 2018-11-23 | 一种基于多模态特征的规则三维彩色点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658444A true CN109658444A (zh) | 2019-04-19 |
CN109658444B CN109658444B (zh) | 2021-05-14 |
Family
ID=66112118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811402515.9A Active CN109658444B (zh) | 2018-11-23 | 2018-11-23 | 一种基于多模态特征的规则三维彩色点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658444B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163903A (zh) * | 2019-05-27 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 三维图像的获取及图像定位方法、装置、设备和存储介质 |
CN110555826A (zh) * | 2019-08-04 | 2019-12-10 | 大连理工大学 | 一种基于局部离群因子的三维点云特征提取方法 |
CN110992258A (zh) * | 2019-10-14 | 2020-04-10 | 中国科学院自动化研究所 | 基于弱色差信息的高精度rgb-d点云拼接方法和系统 |
CN112146564A (zh) * | 2019-06-28 | 2020-12-29 | 先临三维科技股份有限公司 | 三维扫描方法、装置、计算机设备和计算机可读存储介质 |
CN112288813A (zh) * | 2020-11-03 | 2021-01-29 | 浙江大学 | 基于多目视觉测量与激光点云地图匹配的位姿估计方法 |
CN112381944A (zh) * | 2020-11-18 | 2021-02-19 | 同济大学 | 一种基于点云数据的输电线路杆塔形变4d观测方法 |
CN114332348A (zh) * | 2021-11-16 | 2022-04-12 | 西南交通大学 | 一种融合激光雷达与图像数据的轨道三维重建方法 |
CN114882085A (zh) * | 2022-05-20 | 2022-08-09 | 中山大学 | 一种基于单一立方体三维点云配准方法及系统 |
CN115170449A (zh) * | 2022-06-30 | 2022-10-11 | 陕西科技大学 | 一种多模态融合场景图生成方法、系统、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286660A1 (en) * | 2010-05-20 | 2011-11-24 | Microsoft Corporation | Spatially Registering User Photographs |
CN103236081A (zh) * | 2013-04-25 | 2013-08-07 | 四川九洲电器集团有限责任公司 | 一种彩色点云的配准方法 |
CN107346550A (zh) * | 2017-07-05 | 2017-11-14 | 滁州学院 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
-
2018
- 2018-11-23 CN CN201811402515.9A patent/CN109658444B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286660A1 (en) * | 2010-05-20 | 2011-11-24 | Microsoft Corporation | Spatially Registering User Photographs |
CN103236081A (zh) * | 2013-04-25 | 2013-08-07 | 四川九洲电器集团有限责任公司 | 一种彩色点云的配准方法 |
CN107346550A (zh) * | 2017-07-05 | 2017-11-14 | 滁州学院 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
Non-Patent Citations (3)
Title |
---|
CHIYI TSAL,ET AL: "《Design and implementation of a Ransac RGB-D mapping algorithm for multi-view point cloud registration》", 《2013 CACS INTERNATIONAL AUTOMATIC CONTROL CONFERENCE (CACS)》 * |
张卡,等: "《基于多视影像匹配的三维彩色点云自动生成》", 《光学精密工程》 * |
薛瑞: "《基于RGB-D数据的点云配准》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163903A (zh) * | 2019-05-27 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 三维图像的获取及图像定位方法、装置、设备和存储介质 |
CN112146564A (zh) * | 2019-06-28 | 2020-12-29 | 先临三维科技股份有限公司 | 三维扫描方法、装置、计算机设备和计算机可读存储介质 |
CN112146564B (zh) * | 2019-06-28 | 2022-04-15 | 先临三维科技股份有限公司 | 三维扫描方法、装置、计算机设备和计算机可读存储介质 |
CN110555826A (zh) * | 2019-08-04 | 2019-12-10 | 大连理工大学 | 一种基于局部离群因子的三维点云特征提取方法 |
CN110555826B (zh) * | 2019-08-04 | 2022-04-15 | 大连理工大学 | 一种基于局部离群因子的三维点云特征提取方法 |
CN110992258A (zh) * | 2019-10-14 | 2020-04-10 | 中国科学院自动化研究所 | 基于弱色差信息的高精度rgb-d点云拼接方法和系统 |
CN112288813A (zh) * | 2020-11-03 | 2021-01-29 | 浙江大学 | 基于多目视觉测量与激光点云地图匹配的位姿估计方法 |
CN112381944B (zh) * | 2020-11-18 | 2023-03-28 | 同济大学 | 一种基于点云数据的输电线路杆塔形变4d观测方法 |
CN112381944A (zh) * | 2020-11-18 | 2021-02-19 | 同济大学 | 一种基于点云数据的输电线路杆塔形变4d观测方法 |
CN114332348A (zh) * | 2021-11-16 | 2022-04-12 | 西南交通大学 | 一种融合激光雷达与图像数据的轨道三维重建方法 |
CN114332348B (zh) * | 2021-11-16 | 2023-06-02 | 西南交通大学 | 一种融合激光雷达与图像数据的轨道三维重建方法 |
CN114882085B (zh) * | 2022-05-20 | 2023-02-14 | 中山大学 | 一种基于单一立方体三维点云配准方法及系统 |
CN114882085A (zh) * | 2022-05-20 | 2022-08-09 | 中山大学 | 一种基于单一立方体三维点云配准方法及系统 |
CN115170449A (zh) * | 2022-06-30 | 2022-10-11 | 陕西科技大学 | 一种多模态融合场景图生成方法、系统、设备和介质 |
CN115170449B (zh) * | 2022-06-30 | 2023-09-22 | 陕西科技大学 | 一种多模态融合场景图生成方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109658444B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658444A (zh) | 一种基于多模态特征的规则三维彩色点云配准方法 | |
CN100559398C (zh) | 自动的深度图像配准方法 | |
JP2020526845A (ja) | 姿勢変動に頑健な顔位置調整のためのシステム及び方法 | |
CN105989604A (zh) | 一种基于kinect的目标物体三维彩色点云生成方法 | |
WO2016082797A1 (zh) | 一种基于单幅图像的三维场景结构建模与注册方法 | |
CN104794722A (zh) | 利用单个Kinect计算着装人体三维净体模型的方法 | |
CN106991695A (zh) | 一种图像配准方法及装置 | |
CN109887030A (zh) | 基于cad稀疏模板的无纹理金属零件图像位姿检测方法 | |
CN101916454A (zh) | 基于网格变形和连续优化的高分辨率人脸重建方法 | |
CN106934824B (zh) | 可变形物体的全局非刚性配准与重建方法 | |
CN108597016B (zh) | 基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法 | |
CN110310331A (zh) | 一种基于直线特征与点云特征结合的位姿估计方法 | |
CN110176061A (zh) | 一种三维重建中人体表面重构方法 | |
Ran et al. | Point cloud registration method based on SIFT and geometry feature | |
Twining et al. | Measuring Geodesic Distances on the Space of Bounded Diffeomorphisms. | |
CN109345570B (zh) | 一种基于几何形状的多通道三维彩色点云配准方法 | |
Ye et al. | 3d morphable face model for face animation | |
WO2022222091A1 (zh) | 一种基于单张照片的人物浅浮雕模型生成方法 | |
Zhang et al. | Avatarstudio: High-fidelity and animatable 3d avatar creation from text | |
Yuan et al. | Interactive nerf geometry editing with shape priors | |
Seetharaman et al. | A piecewise affine model for image registration in nonrigid motion analysis | |
Wu et al. | Photogrammetric reconstruction of free-form objects with curvilinear structures | |
Kong et al. | Effective 3d face depth estimation from a single 2d face image | |
Maghari et al. | Adaptive face modelling for reconstructing 3D face shapes from single 2D images | |
CN109389633A (zh) | 基于lsd-slam和激光雷达的深度信息估计方法 |
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 |