CN109741374A - 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 - Google Patents
点云配准旋转变换方法、点云配准方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109741374A CN109741374A CN201910092543.3A CN201910092543A CN109741374A CN 109741374 A CN109741374 A CN 109741374A CN 201910092543 A CN201910092543 A CN 201910092543A CN 109741374 A CN109741374 A CN 109741374A
- Authority
- CN
- China
- Prior art keywords
- cloud
- point cloud
- point
- registration
- feature axis
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了点云配准旋转变换方法、点云配准方法、设备及可读存储介质,包括如下步骤:从点云中选取距离最远的两个点,将该两点连线记作特征轴x;将所述点云投影到以特征轴x为法向的平面上,得到投影点云,再在投影点云中选取最远的两个点,将该两点连线记作特征轴y;将垂直于特征轴x和y的法向量记作特征轴z;对三个特征轴归一化得到单位特征向量,再由所述单位特征向量组成旋转矩阵R;对所述点云进行旋转变换。本发明无需手动获取特征点,时间复杂度较低,目标点云和待配准点云的点数差距不影响特征点的提取,能够实现对稀疏点云的配准以及对点数差距较大的点云进行配准,适用面广,计算量小,可减少配准时间,配准效率高。
Description
技术领域
本发明属于图像处理领域,具体涉及点云配准旋转变换方法、点云配准方法、设备及可读存储介质。
背景技术
工业比对技术是指在CAD模型经加工成型后的产品,需判断产品的形状、尺寸等是否达到设计要求,所用到的一种分析产品和CAD模型差别的技术。基于工业CT的比对技术能对产品结构、形状无损地进行比对分析和误差测定。工业CT图像中提取的3D测量数据模型与CAD模型间不可避免地存在误差,在对这两个模型进行比对分析时,为了将误差可视化,对工业CT中检测设备所得到的测量数据模型和CAD模型进行配准是必不可少的,目前最常用的配准方法是基于点云的。1998年,D.Chung等人提出基于主成分分析(PCA)的配准方法,该算法通过计算待配准点云和目标点云的特征值和特征向量进而确定二者配准所需的旋转平移变换矩阵。但是传统配准方法存在以下不足:①需手动获取特征点,配准精度受人为因素影响;②时间复杂度较高,在点云点数较大的情况下会明显增大配准时间;③在对稀疏点云进行配准时或目标点云和待配准点云的点数相差较大时,点云点数稀疏可能导致无法找到相对应的点,从而使特征点提取失败,而工业CT中实际扫描获得的点云点数与CAD模型得到的点数往往如此(点数相差较大)。
发明内容
针对现有技术中所存在的不足,本发明提供了一种无需手动获取特征点、时间复杂度较低、目标点云和待配准点云的点数差距不影响特征点的提取、能够实现对稀疏点云的配准以及对点数差距较大的点云进行配准、适用面广、计算量小的点云配准旋转变换方法、点云配准方法、设备及可读存储介质。
点云配准旋转变换方法,包括如下步骤:
从点云中选取距离最远的两个点,将该两点连线记作特征轴x;
将所述点云投影到以特征轴x为法向的平面上,得到投影点云,再在投影点云中选取最远的两个点,将该两点连线记作特征轴y;
将垂直于特征轴x和y的法向量记作特征轴z,得到所述点云的三个特征轴x、y、z;
对三个特征轴归一化得到单位特征向量,再由所述单位特征向量组成旋转矩阵R;
对所述点云进行旋转变换X'=RX,其中X为点云旋转前的状态,X'为点云旋转后的状态。
进一步地,所述从点云中选取距离最远的两个点的方法通过最小包围盒法实现。
点云配准方法,包括待配准点云P和目标点云Q,还包括如下步骤:
对所述点云P和Q分别进行平移变换使点云质心与坐标系原点重合;
根据权利要求1-2任一项所述的点云配准旋转变换方法分别对点云P和Q进行旋转变换来实现配准。
进一步地,进行平移变换使点云质心与坐标系原点重合的方法,包括如下步骤:
获得点云质心的坐标;
根据所述点云质心的坐标获得点云质心平移到坐标系原点的平移矩阵T;
对所述点云进行平移变换X'=TX使所述点云质心与坐标系原点重合,其中X为点云平移前的状态,X'为点云平移后的状态。
进一步地,在实现配准后还包括如下步骤:
在点云P上遍历所有点,在点云Q中寻找最近邻点计算它们之间的距离作为配准误差;
用不同的颜色代表不同区间的误差并显示出来。
点云配准设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如前述任一种点云配准旋转变换方法或前述任一种点云配准方法的步骤。
计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如前述任一种点云配准旋转变换方法或前述任一种点云配准方法的步骤。
相比于现有技术,本发明具有如下有益效果:
1、通过将无论点云疏密程度如何其位置也相对稳定的点云质心作为点云配准的基准点,最大程度消除了点云点数差距对平移变换带来的影响;通过找到无论点云疏密程度如何其位置也相对稳定的距离最大点并建立特征轴的方式获得旋转矩阵,最大程度消除了点云点数差距对旋转变换带来的影响;相对于现有的配准方法,可实现对稀疏点云的配准以及对点数差距较大的点云进行配准;
2、通过将投影前后选取的两对最大距离点作为特征点建立坐标系来获得旋转矩阵,其时间复杂度较低,在点云点数较大的情况下配准时间的增加不多,相对于现有技术来说总配准时间有比较明显的降低;
3、无需手动选取特征点,避免了手动选点带来的人为因素对配准的影响。
附图说明
图1为本发明点云配准旋转变换方法的流程示意图;
图2为本发明点云配准方法的流程示意图;
图3为实施例中待配准点云P建立特征轴x1、y1的示意图;
图4为实施例中目标点云Q建立特征轴x2、y2的示意图;
图5为实施例中点云完成配准的示意图;
图6为实施例中待配准斯坦福兔子点云建立特征轴x1、y1的示意图;
图7为实施例中目标斯坦福兔子点云建立特征轴x2、y2的示意图;
图8为实施例中斯坦福兔子点云完成配准的示意图;
图9为实施例中斯坦福兔子点云的配准误差显示图。
具体实施方式
为了使发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
点云配准旋转变换方法,如图1所示,包括如下步骤:
从点云中选取距离最远的两个点,将该两点连线记作特征轴x;
将所述点云投影到以特征轴x为法向的平面上,得到投影点云,再在投影点云中选择最远的两个点,将该两点连线记作特征轴y;
将垂直于特征轴x和y的法向量记作特征轴z,得到所述点云的三个特征轴x、y、z;
对三个特征轴归一化得到单位特征向量,再由所述单位特征向量组成旋转矩阵R;
对所述点云进行旋转变换X'=RX,其中X为点云旋转前的状态,X'为点云旋转后的状态。
所述X和X'是点云中所有点的坐标组成的数据集。本方法中先通过采集四个特征点(即初始点云和投影点云的最远点)获得相互垂直的特征轴x、y,并以xyz三特征轴建立特征轴坐标系,再通过取得该特征轴坐标系的单位向量组成用于配准的旋转矩阵。与现有技术相比,一方面本方法的时间复杂度低,点云的点数多寡对获得旋转矩阵所需的时间的影响不大,在点云点数较大的情况下能有效节省配准的时间;另一方面,现有技术中在对稀疏点云进行配准时或目标点云和待配准点云的点数相差较大时,点云数目稀疏可能导致特征点提取失败,而本方法中点云的点数差距或点云稀疏并不会影响对所述四个特征点的选取(点云的距离最大点和点云的稀疏性没有关系),利用所述四个特征点建立新特征轴的方式简单、稳定可靠,从而显著提高点云配准的实现效率。换句话说,现有的技术是基于协方差矩阵来计算旋转矩阵的,仅能计算稠密点云的旋转矩阵,而本方法在点云图稀疏的情况下也能进行,适用面更广,计算量更低。
另外,传统的配准方法中通常通过人机交互手动选取特征点进行粗配准,这样配准精度就难以避免地会受到人为因素的影响;而本方法中无需手选,可以简化操作流程,使配准精度和效率进一步提高。
作为进一步优化的方案,所述从点云中选取距离最远的两个点的方法可采用最小包围盒法。所述最小包围盒法用于找到距离最远的两点属于现有技术,在此不再详述。
点云配准方法,如图2所示,包括待配准点云P、目标点云Q以及前述一种点云配准旋转变换方法,还包括如下步骤:
对所述点云P和Q分别进行平移变换使点云质心与坐标系原点重合;
根据前述任一种点云配准旋转变换方法分别对点云P和Q进行旋转变换来实现配准。
本方法中选择待配准点云P和目标点云Q的质心是为了找到一个对两个点云来说可用于配准的相对稳定的基准点,也可以选择其他点,只要能够作为配准的基准点即可,此处选择质心是因为计算简单、选取方便且位置稳定。所述坐标系原点可以是任意指定点,其目的是为了让待配准点云P的质心与目标点云Q的质心重合,在此为了方便选择坐标系原点。本方法中对点云P和Q的变换操作可分别独立进行,不分先后;平移变换和旋转变换也可分别独立进行。
作为进一步优化的方案,所述进行平移变换使点云质心与坐标系原点重合的方法,包括如下步骤:
获得点云质心的坐标;
根据所述点云质心的坐标获得点云质心平移到坐标系原点的平移矩阵T;
对所述点云进行平移变换X'=TX使所述点云质心与坐标系原点重合,其中X为点云平移前的状态,X'为点云平移后的状态。
所述X和X'是点云中所有点的坐标组成的数据集。本方法实现的是点云配准过程中的平移变换操作。将坐标系中一定点(本方案中为质心)平移到坐标系原点的操作属于现有技术,在此不作赘述。将点云质心平移到坐标系原点,其目的是为了让待配准点云P的质心与目标点云Q的质心重合,方便后续的旋转变换操作。本方案实现了将点云平移到坐标系原点,在点云配准方法中起到了对待配准点云P和目标点云Q的平移变换解耦的作用。
作为进一步优化的方案,在实现配准后,还包括如下步骤:
在点云P上遍历所有点,在点云Q中寻找最近邻点计算它们之间的距离作为配准误差;
用不同的颜色代表不同区间的误差并显示出来。
所述误差的值可按多个区间间隔(可以自己定义个数)进行分类,不同的颜色代表不同的间隔。让区间内的每个点被染成相应的颜色,由于每个三角形面由三个点组成,三角形面片就被染成相应的颜色。这样最终就可以显示带有误差的彩色模型。
本发明还提供了一种点云配准设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如前述任一种点云配准旋转变换方法或点云配准方法的步骤。
本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如前述任一种点云配准旋转变换方法或点云配准方法的步骤。
现以具体实施例对本发明进行说明。
实施例1:
一种点云配准方法,如图2~9所示(其中图3~5是点云配准的简明示意图,图6~9以斯坦福兔子点云为例),包括如下步骤:
S100:输入待配准点云P和目标点云Q;
S201:获得点云P质心的坐标;
S202:根据所述点云P质心的坐标获得点云P质心平移到坐标系原点的平移矩阵TP;
对所述点云进行平移变换XP'=TPXP使所述点云质心与坐标系原点重合,其中XP为点云平移前的状态,XP'为点云平移后的状态;
S203:获得点云Q质心的坐标;
S204:根据所述点云Q质心的坐标获得点云Q质心平移到坐标系原点的平移矩阵TQ;
对所述点云进行平移变换XQ'=TQXQ使所述点云质心与坐标系原点重合,其中XQ为点云平移前的状态,XQ'为点云平移后的状态;
S301:如图3或6所示,从点云P中选取距离最远的两个点,将该两点连线记作特征轴x1;
S302:如图3或6所示,将所述点云P投影到以特征轴x1为法向的平面上,得到投影点云,再在投影点云中选择最远的两个点,将该两点连线记作特征轴y1;
S303:将垂直于特征轴x1和y1的法向量记作特征轴z1,得到所述点云P的三个特征轴x1、y1、z1;
S304:对三个特征轴归一化得到单位特征向量v1,v2,v3,再由所述单位特征向量组成旋转矩阵RP=(v1,v2,v3);
S305:对所述点云P进行旋转变换XP"=RPXP',XP'为点云旋转前的状态,XP"为点云旋转后的状态;
S306:如图4或7所示,从点云Q中选取距离最远的两个点,将该两点连线记作特征轴x2;
S307:如图4或7所示,将所述点云Q投影到以特征轴x2为法向的平面上,得到投影点云,再在投影点云中选择最远的两个点,将该两点连线记作特征轴y2;
S308:将垂直于特征轴x2和y2的法向量记作特征轴z2,得到所述点云Q的三个特征轴x2、y2、z2;
S309:对三个特征轴归一化得到单位特征向量u1,u2,u3,再由所述单位特征向量组成旋转矩阵RQ=(u1,u2,u3);
S310:对所述点云Q进行旋转变换XQ"=RQXQ',XQ'为点云旋转前的状态,XQ"为点云旋转后的状态,之后如图5或8所示;
S401:在点云P上遍历所有点,在点云Q中寻找最近邻点计算它们之间的距离作为配准误差;
S402:如图9所示,用不同的颜色代表不同区间的误差并显示出来。
本实施例通过进行如下操作实现点云配准:①输入点云P和Q;②获得点云P和Q的平移矩阵并平移变换点云P和Q;③获得点云P和Q的旋转矩阵并旋转变换点云P和Q;④计算并显示配准误差。
考虑到点云点数差距较大的情况下传统的配准方法可能会碰到找不到对应点的问题,本实施例一方面通过将点云质心(无论点云疏密程度如何其位置也相对稳定)作为点云配准的基准点,最大程度降低了点云点数差距对平移变换带来的影响;另一方面通过找到距离最大点(无论点云疏密程度如何其位置也相对稳定)并建立特征轴的方式获得旋转矩阵,最大程度降低了点云点数差距对旋转变换带来的影响。此外还避免了手动选取特征点带来的人为因素对配准的影响。
实施例2:
一种点云配准方法,如图2~9所示,包括如下步骤:
S100:输入待配准点云P和目标点云Q;
S201:获得点云P质心的坐标;
S202:根据所述点云P质心的坐标获得点云P质心平移到坐标系原点的平移矩阵TP;
对所述点云进行平移变换XP'=TPXP使所述点云质心与坐标系原点重合,其中XP为点云平移前的状态,XP'为点云平移后的状态;
S203:如图3或6所示,从点云P中选取距离最远的两个点,将该两点连线记作特征轴x1;
S204:如图3或6所示,将所述点云P投影到以特征轴x1为法向的平面上,得到投影点云,再在投影点云中选择最远的两个点,将该两点连线记作特征轴y1;
S205:将垂直于特征轴x1和y1的法向量记作特征轴z1,得到所述点云P的三个特征轴x1、y1、z1;
S206:对三个特征轴归一化得到单位特征向量v1,v2,v3,再由所述单位特征向量组成旋转矩阵RP=(v1,v2,v3);
S207:对所述点云P进行旋转变换XP"=RPXP',XP'为点云旋转前的状态,XP"为点云旋转后的状态;
S301:获得点云Q质心的坐标;
S302:根据所述点云Q质心的坐标获得点云Q质心平移到坐标系原点的平移矩阵TQ;
对所述点云进行平移变换XQ'=TQXQ使所述点云质心与坐标系原点重合,其中XQ为点云初始状态,XQ'为点云平移后的状态;
S303:如图4或7所示,从点云Q中选取距离最远的两个点,将该两点连线记作特征轴x2;
S304:如图4或7所示,将所述点云Q投影到以特征轴x2为法向的平面上,得到投影点云,再在投影点云中选择最远的两个点,将该两点连线记作特征轴y2;
S305:将垂直于特征轴x2和y2的法向量记作特征轴z2,得到所述点云Q的三个特征轴x2、y2、z2;
S306:对三个特征轴归一化得到单位特征向量u1,u2,u3,再由所述单位特征向量组成旋转矩阵RQ=(u1,u2,u3);
S307:对所述点云Q进行旋转变换XQ"=RQXQ',XQ'为点云旋转前的状态,XQ"为点云旋转后的状态,之后如图5或8所示;
S401:在点云P上遍历所有点,在点云Q中寻找最近邻点计算它们之间的距离作为配准误差;
S402:如图9所示,用不同的颜色代表不同区间的误差并显示出来。
本实施例通过进行如下操作实现点云配准:①输入点云P和Q;②平移变换点云P,获得点云P的旋转矩阵并旋转变换点云P;③平移变换点云Q,获得点云Q的旋转矩阵并旋转变换点云Q;④计算并显示配准误差。
将本实施例与实施例1进行对比,可以发现对点云P和Q所进行的变换操作流程是一样的,也就是说,通过将点云平移变换到指定点以及采用投影的思路寻找两对最大距离的特征点来建立旋转矩阵,巧妙地避免了在计算平移和旋转矩阵时两个点云之间发生关联,实现了点云之间的配准流程的解耦,可以实现单个点云的配准流程的模块化,加上无需手动选取特征点的特点,使得配准的方法实施不依赖于具体的点云而具有普适性,进一步提高点云配准的效率。
以上所述仅为本发明的优选实施方式,本发明的保护范围并不仅限于上述实施方式,凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言,在不脱离本发明的原理的前提下进行的若干改进,这些改进也应视为本发明的保护范围。
Claims (7)
1.点云配准旋转变换方法,其特征在于,包括如下步骤:
从点云中选取距离最远的两个点,将该两点连线记作特征轴x;
将所述点云投影到以特征轴x为法向的平面上,得到投影点云,再在投影点云中选取最远的两个点,将该两点连线记作特征轴y;
将垂直于特征轴x和y的法向量记作特征轴z,得到所述点云的三个特征轴x、y、z;
对三个特征轴归一化得到单位特征向量,再由所述单位特征向量组成旋转矩阵R;
对所述点云进行旋转变换X'=RX,其中X为点云旋转前的状态,X'为点云旋转后的状态。
2.根据权利要求1所述的点云配准旋转变换方法,其特征在于:所述从点云中选取距离最远的两个点的方法通过最小包围盒法实现。
3.点云配准方法,包括待配准点云P和目标点云Q,其特征在于,还包括如下步骤:
对所述点云P和Q分别进行平移变换使点云质心与坐标系原点重合;
根据权利要求1-2任一项所述的点云配准旋转变换方法分别对点云P和Q进行旋转变换来实现配准。
4.根据权利要求3所述的点云配准方法,其特征在于,进行平移变换使点云质心与坐标系原点重合的方法,包括如下步骤:
获得点云质心的坐标;
根据所述点云质心的坐标获得点云质心平移到坐标系原点的平移矩阵T;
对所述点云进行平移变换X'=TX使所述点云质心与坐标系原点重合,其中X为点云平移前的状态,X'为点云平移后的状态。
5.根据权利要求3-4任一项所述的点云配准方法,其特征在于,在实现配准后还包括如下步骤:
在点云P上遍历所有点,在点云Q中寻找最近邻点计算它们之间的距离作为配准误差;
用不同的颜色代表不同区间的误差并显示出来。
6.点云配准设备,其特征在于:包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-2任一项所述的点云配准旋转变换方法或权利要求3-5任一项所述的点云配准方法的步骤。
7.计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-2任一项所述的点云配准旋转变换方法或权利要求3-5任一项所述的点云配准方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092543.3A CN109741374B (zh) | 2019-01-30 | 2019-01-30 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092543.3A CN109741374B (zh) | 2019-01-30 | 2019-01-30 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741374A true CN109741374A (zh) | 2019-05-10 |
CN109741374B CN109741374B (zh) | 2022-12-06 |
Family
ID=66366915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910092543.3A Active CN109741374B (zh) | 2019-01-30 | 2019-01-30 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741374B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136181A (zh) * | 2019-05-17 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN110766733A (zh) * | 2019-10-28 | 2020-02-07 | 广东三维家信息科技有限公司 | 单空间点云配准方法及装置 |
CN111161331A (zh) * | 2019-12-25 | 2020-05-15 | 盈嘉互联(北京)科技有限公司 | 一种bim模型和gis模型配准方法 |
CN112155734A (zh) * | 2020-09-29 | 2021-01-01 | 苏州微创畅行机器人有限公司 | 可读存储介质、骨建模配准系统及骨科手术系统 |
CN112155733A (zh) * | 2020-09-29 | 2021-01-01 | 苏州微创畅行机器人有限公司 | 可读存储介质、骨建模配准系统及骨科手术系统 |
CN113112535A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于有向包围盒的尺度点云配准方法及装置 |
CN113223137A (zh) * | 2021-05-13 | 2021-08-06 | 广州虎牙科技有限公司 | 透视投影人脸点云图的生成方法、应用程序及电子设备 |
CN113538535A (zh) * | 2021-07-15 | 2021-10-22 | 电子科技大学 | 一种基于双分支特征交互的3d点云配准网络模型及配准方法 |
CN113888484A (zh) * | 2021-09-22 | 2022-01-04 | 航发优材(镇江)增材制造有限公司 | 增材制造实物偏差计算方法 |
WO2022258947A1 (en) * | 2021-06-07 | 2022-12-15 | Correvate Limited | Aligning 3d datasets |
CN116342671A (zh) * | 2023-05-23 | 2023-06-27 | 第六镜科技(成都)有限公司 | 点云与cad模型配准方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120206438A1 (en) * | 2011-02-14 | 2012-08-16 | Fatih Porikli | Method for Representing Objects with Concentric Ring Signature Descriptors for Detecting 3D Objects in Range Images |
CN105118059A (zh) * | 2015-08-19 | 2015-12-02 | 哈尔滨工程大学 | 一种多尺度坐标轴夹角特征的点云快速配准方法 |
CN105488535A (zh) * | 2015-12-05 | 2016-04-13 | 乔付 | 一种三维点云匹配方法 |
CN106570905A (zh) * | 2016-11-02 | 2017-04-19 | 北京控制工程研究所 | 一种非合作目标点云初始姿态验证方法 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
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 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107330929A (zh) * | 2017-06-08 | 2017-11-07 | 三峡大学 | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 |
CN108053432A (zh) * | 2017-11-14 | 2018-05-18 | 华南理工大学 | 基于局部icp的室内稀疏点云场景的配准方法 |
US20190028637A1 (en) * | 2017-07-20 | 2019-01-24 | Eclo, Inc. | Augmented reality for three-dimensional model reconstruction |
-
2019
- 2019-01-30 CN CN201910092543.3A patent/CN109741374B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120206438A1 (en) * | 2011-02-14 | 2012-08-16 | Fatih Porikli | Method for Representing Objects with Concentric Ring Signature Descriptors for Detecting 3D Objects in Range Images |
CN105118059A (zh) * | 2015-08-19 | 2015-12-02 | 哈尔滨工程大学 | 一种多尺度坐标轴夹角特征的点云快速配准方法 |
CN105488535A (zh) * | 2015-12-05 | 2016-04-13 | 乔付 | 一种三维点云匹配方法 |
CN106570905A (zh) * | 2016-11-02 | 2017-04-19 | 北京控制工程研究所 | 一种非合作目标点云初始姿态验证方法 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
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 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107330929A (zh) * | 2017-06-08 | 2017-11-07 | 三峡大学 | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 |
US20190028637A1 (en) * | 2017-07-20 | 2019-01-24 | Eclo, Inc. | Augmented reality for three-dimensional model reconstruction |
CN108053432A (zh) * | 2017-11-14 | 2018-05-18 | 华南理工大学 | 基于局部icp的室内稀疏点云场景的配准方法 |
Non-Patent Citations (6)
Title |
---|
ANUJ SEHGAL等: "Real-time scale invariant 3D range point cloud registration", 《ICIAR 2010:IMAGE ANALYSIS AND RECOGNITION》 * |
W.SHANE GRANT等: "Finding Planes in LiDAR Point Clouds for Real-Time Registration", 《2013 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
王勇等: "采用点云重心距离进行边界检测的点云数据配准", 《小型微型计算机系统》 * |
王岩: "阵列激光三维成像点云数据配准技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
蔡先杰: "基于局部坐标系法线投射的点云精细配准算法", 《现代计算机:中旬刊》 * |
赵希超等: "基于约束配准的电力杆塔形变检测方法", 《科学技术与工程》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136181B (zh) * | 2019-05-17 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN110136181A (zh) * | 2019-05-17 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN110766733A (zh) * | 2019-10-28 | 2020-02-07 | 广东三维家信息科技有限公司 | 单空间点云配准方法及装置 |
CN110766733B (zh) * | 2019-10-28 | 2022-08-12 | 广东三维家信息科技有限公司 | 单空间点云配准方法及装置 |
CN111161331A (zh) * | 2019-12-25 | 2020-05-15 | 盈嘉互联(北京)科技有限公司 | 一种bim模型和gis模型配准方法 |
CN112155733B (zh) * | 2020-09-29 | 2022-01-28 | 苏州微创畅行机器人有限公司 | 可读存储介质、骨建模配准系统及骨科手术系统 |
CN112155734B (zh) * | 2020-09-29 | 2022-01-28 | 苏州微创畅行机器人有限公司 | 可读存储介质、骨建模配准系统及骨科手术系统 |
CN112155733A (zh) * | 2020-09-29 | 2021-01-01 | 苏州微创畅行机器人有限公司 | 可读存储介质、骨建模配准系统及骨科手术系统 |
CN112155734A (zh) * | 2020-09-29 | 2021-01-01 | 苏州微创畅行机器人有限公司 | 可读存储介质、骨建模配准系统及骨科手术系统 |
CN113223137A (zh) * | 2021-05-13 | 2021-08-06 | 广州虎牙科技有限公司 | 透视投影人脸点云图的生成方法、应用程序及电子设备 |
WO2022258947A1 (en) * | 2021-06-07 | 2022-12-15 | Correvate Limited | Aligning 3d datasets |
CN113112535A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于有向包围盒的尺度点云配准方法及装置 |
CN113112535B (zh) * | 2021-06-15 | 2021-11-02 | 四川大学 | 一种基于有向包围盒的尺度点云配准方法及装置 |
CN113538535A (zh) * | 2021-07-15 | 2021-10-22 | 电子科技大学 | 一种基于双分支特征交互的3d点云配准网络模型及配准方法 |
CN113888484A (zh) * | 2021-09-22 | 2022-01-04 | 航发优材(镇江)增材制造有限公司 | 增材制造实物偏差计算方法 |
CN116342671A (zh) * | 2023-05-23 | 2023-06-27 | 第六镜科技(成都)有限公司 | 点云与cad模型配准方法、装置、电子设备和存储介质 |
CN116342671B (zh) * | 2023-05-23 | 2023-08-08 | 第六镜科技(成都)有限公司 | 点云与cad模型配准方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109741374B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741374A (zh) | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 | |
CN106296812B (zh) | 同步定位与建图方法 | |
Paul et al. | FAB-MAP 3D: Topological mapping with spatial and visual appearance | |
CN105843223B (zh) | 一种基于空间词袋模型的移动机器人三维建图与避障方法 | |
US10288425B2 (en) | Generation of map data | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN106971404A (zh) | 一种鲁棒surf无人机彩色遥感图像配准方法 | |
Rusu et al. | Perception for mobile manipulation and grasping using active stereo | |
WO2017107865A1 (zh) | 图像检索系统、服务器、数据库及相关的方法 | |
CN112132752A (zh) | 一种大型复杂曲面多视扫描点云的精拼接方法 | |
Ozog et al. | Mapping underwater ship hulls using a model-assisted bundle adjustment framework | |
CN113724326B (zh) | 一种自主空中加油场景下锥套目标的单目视觉位姿解算方法 | |
CN110097599A (zh) | 一种基于部件模型表达的工件位姿估计方法 | |
CN105354850A (zh) | 基于电场性质的复杂曲面零件尺寸三维匹配检测方法 | |
Kaushik et al. | Accelerated patch-based planar clustering of noisy range images in indoor environments for robot mapping | |
Ni et al. | Learning an end-to-end spatial grasp generation and refinement algorithm from simulation | |
Liu et al. | 6d object pose estimation without pnp | |
Wu et al. | Smart explorer: Recognizing objects in dense clutter via interactive exploration | |
CN117011380A (zh) | 一种目标物体的6d位姿估计方法 | |
WO2023005195A1 (zh) | 地图数据的处理方法、装置、家用电器和可读存储介质 | |
CN110763223B (zh) | 基于滑动窗口的室内三维立体栅格地图特征点提取方法 | |
CN109272021A (zh) | 一种基于宽度学习的智能移动机器人导航方法 | |
Hu et al. | A modified particle filter for simultaneous robot localization and landmark tracking in an indoor environment | |
Liu et al. | An improved local descriptor based object recognition in cluttered 3D point clouds | |
Dierenbach et al. | Next-Best-View method based on consecutive evaluation of topological relations |
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 |