CN109766903A - 一种基于曲面特征的点云模型曲面匹配方法 - Google Patents
一种基于曲面特征的点云模型曲面匹配方法 Download PDFInfo
- Publication number
- CN109766903A CN109766903A CN201810913401.4A CN201810913401A CN109766903A CN 109766903 A CN109766903 A CN 109766903A CN 201810913401 A CN201810913401 A CN 201810913401A CN 109766903 A CN109766903 A CN 109766903A
- Authority
- CN
- China
- Prior art keywords
- cloud model
- point cloud
- point
- target
- sub
- 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
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于曲面特征的点云模型曲面匹配方法,具体按照点云模型和目标点云模型的关键点提取、估计点云模型关键点和目标点云模型的关键点的对应关系、将点云模型和目标点云模型进行初步曲面匹配和将点云模型和目标点云模型进行精确曲面匹配的步骤进行。本发明一种基于曲面特征的点云模型曲面匹配方法,能够提高三维曲面匹配方法的普适性,成果丰富了计算机图形学和视觉智能的方法体系,支撑了机器空间认知的发展。
Description
技术领域
本发明属于逆向工程和计算机视觉技术领域,涉及一种基于曲面特征的点云模型曲面匹配方法。
背景技术
空间点集曲面匹配技术是计算机视觉以及计算机图形学中的核心研究内容之一,具有广泛的应用前景。
诸如在逆向工程领域,由于受到3D扫描技术和环境的限制,通常需要从不同的视角采集多个数据集,每个数据集都与不同的坐标系相关联。为了将它们重新组合然后重建成能表示原始对象或场景的曲面,这些数据集必须先匹配,因此,曲面匹配技术是逆向工程的基础。空间点集曲面匹配技术是工业测量领域的关键环节。随着现代工业的迅速发展,工业零件广泛应用在汽车、航空、航天和光学器件上,工业零件产品的加工和制造是现代工业的一个重要发展方向。工业零件质量的好坏不仅仅关系到国民经济和国防建设水平,同时对于提高我们国家制造业的核心竞争力都有着重要的意义。在工业零件的加工与检测中,曲面匹配技术对于零件曲面的加工定位、余量优化、零件曲面表面质量检测都具有重要的理论意义和指导价值。空间点集曲面匹配技术对文物保护工作也有重要作用,研究者可以利用扫描技术对古代文物进行扫描,并通过匹配技术对文物进行三维重建。还可以对有破损的文物的缺失部位进行数字化修复,还原文物的原始形态。还有,空间点集曲面匹配技术目前也被广泛的应用于医学图像配准和机器人导航等领域。
目前的点云匹配思路一般是先粗后精,首先通过初始匹配方法获得待测点云和目标点云之间的初始位姿估计,通过初始估计满足精确匹配方法对两点集初始位置的要求和依赖,然后采用精确匹配的方法对两个点集的位置进行不断的修正从而达到最终的匹配效果。对于初始匹配,近些年来有许多的学者相继提出了很多基于三维曲面几何特征的匹配算法,包括FPFH特征描述子就是其中比较流行且匹配效果较好的基于点云特征的匹配算法,但是这些算法基本都是通过构造复杂的特征描述子建立特征点与特征点之间精确的对应关系。处于对匹配精度的考虑,一般来说构造特征描述子的计算过程都非常的复杂,且计算量很大。因此,为了提高点云的匹配速度,又有许多学者通过降采样和随机抽样的方法对基于特征的匹配算法进行优化。这种方法可以得到比较精确的匹配结果,但是由于采用的是随机采样并且迭代计算的求解方式,因此会受到迭代次数对匹配精度的限制,匹配过程必须经过大量的迭代才可以计算出比较精确的配对结果。
发明内容
本发明的目的是提供一种基于曲面特征的点云模型曲面匹配方法,能够提高三维曲面匹配方法的有效性和稳定性。
本发明所采用的技术方案是,一种基于曲面特征的点云模型曲面匹配方法,具体按照下述步骤进行:
步骤1,点云模型和目标点云模型的关键点提取;
步骤2,估计点云模型关键点和目标点云模型的关键点的对应关系;
步骤3,将点云模型和目标点云模型进行初步曲面匹配;
步骤4,将点云模型和目标点云模型进行精确曲面匹配。
本发明的特点还在于:
步骤1中,具体按照下述步骤进行点云模型和目标点云模型的关键点提取:
步骤1.1,将点云模型进行降采样,得到多个不同的子点云模型;
将目标点云模型进行降采样,得到个不同的目标子点云模型;
步骤1.2,建立每个子点云模型的高斯差分函数:
其中,Gpu(x,y,z,σ)为第u个子点云模型的高斯函数,u=1,2,…,o, o为子点云模型的个数,Xpu表示第u个子点云模型的X轴;Ypu表示第u子点云模型的Y轴,Zpu表示第u个子点云模型的Z轴,x,y,z表示每个子点云模型中点的三维坐标,σpu表示第u个子点云模型中任一点处的曲率信息,kpu为两个尺度空间下第u个子点云模型的常量;
建立每个目标子点云模型目标尺度空间函数:
其中,Gqv(x',y',z',σqv)为第v个目标子点云模型的高斯函数,v=1,2,…,o,o表示目标子点云模型的个数,Xqv为第v个目标子点云模型的X轴,Yqv为第v个目标子点云模型的Y轴,Zqv为第v个目标子点云模型的Z轴,x',y',z'表示每个目标子点云模型中点的三维坐标,σqv为第v个目标子点云模型中任一点处的曲率信息,kqv为两个尺度空间下第v个目标子点云模型的常量;
步骤1.3,检测第u个子点云模型的高斯差分函数D(x,y,z,σpu)的局部极值,得到第u个子点云模型的多个关键点;
检测第v个目标子点云模型目标尺度空间函数Dqv(x',y',z',σqv)的局部极值,得到第v个目标子点云模型的多个关键点。
步骤1.2中子点云模型中任一点处的曲率信息和目标子点云模型中任一点处的曲率信息具体按照下述步骤得到:
步骤1.2.1,在每个子点云模型中均任取一点pus,使用Kd-Tree 法得到每个子点云模型中的距离点pus较近的10个临近点;
每个目标子点云模型中均任取一点qvs,使用Kd-Tree法得到每个目标子点云模型中的距离点qvs较近的10个临近点;
步骤1.2.2,将每个子点云模型中的10临近点的坐标组成矩阵Xu;
将每个目标子点云模型中的10临近点的坐标组成目标矩阵Xv;
步骤1.2.3,将每个矩阵Xu中的点集信息均零均值化后,计算每个矩阵Xu的协方差矩阵Cu:
将每个矩阵Xv中的点集信息均零均值化后,计算每个矩阵Xv的目标协方差矩阵Cv:
步骤1.2.4,求出每个协方差矩阵Cu的特征值λu0,λu1,λu2和对应的特征向量,其中λu0>λu1>λu2;
求出每个目标协方差矩阵Cv的特征值λv0,λv1,λv2和对应的特征向量,其中λv0>λv1>λv2;
步骤1.2.5,使用每个协方差矩阵Cu的特征值计算每个子点云模型中点pus的曲率信息:
使用每个目标协方差矩阵Cv的特征值计算每个子点云模型中点 qvs的曲率信息σqv:
步骤2中具体按照下述步骤估计点云模型关键点和目标点云模型的关键点的对应关系:
步骤2.1,根据FPFH特征算法计算每个子点云模型的每个关键点处的FPFH特征描述子;
根据FPFH特征算法计算每个子目标点云模型的每个关键点处的 FPFH特征描述子;
步骤2.2,分别根据每个子目标点云模型的每个关键点处的FPFH 特征描述子在每个子目标点云模型的每个关键点处均构建Kd-Tree搜索空间;
步骤2.3,根据每个目标点云模型中的每个关键点的特征值在步骤2.2得到的Kd-Tree搜索空间中搜索每个目标点云模型中的每个关键点的邻近的10个邻近点;
步骤2.4,分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角;
分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势的夹角;
步骤2.5,将每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角进行筛选,筛选出每个子点云模型中关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角的最小值,并将该夹角的最小值对应的每个子点云模型的关键点作为该子点云模型中的新的关键点;
将每个目标子点云模型中每个关键点的10个临近点和目标点云中心组成的向量与目标点云模型主趋势的夹角进行筛选,得到每个目标子点云模型中临近点和目标点云中心组成的向量与目标点云模型主趋势的夹角的最小值,并根据该夹角的最小值对应的每个目标子点云模型中临近点作为该目标点云模型中的新的关键点;
步骤2.6,重复步骤2.4-2.5,至找到夹角误差最小的点作为最优匹配点为止,得到每个子点云模型和子目标点云模型中唯一的匹配的关键点。
步骤2.4点云模型的主趋势和目标点云模型主趋势均基于PCA的方法得到,具体按照下述步骤进行:
步骤2.4.1,提取点云模型的点集P={p1,p2,…pn},提取目标点云模型的点集Q={q1,q2,…qn};
计算点云模型的中心点pc:
其中,np表示点云模型中点的个数,i∈(1,2,...,np),pi=(xi,yi,zi)T, pi表示点云模型中第i个点;
计算目标点云模型中心点qc:
其中,nq表示目标子点云模型中点的个数,i∈(1,2,...,nq),qi表示点云模型中第i个点;
步骤2.4.2,建立点集P的协方差矩阵:
建立点集Q的协方差矩阵:
步骤2.4.3,计算协方差矩阵Cp的三个特征值λp1、λp2和λp3,选取较大的特征值对应的特征向量为点云模型的主趋势
计算协方差矩阵Cq的三个特征值λq1、λq2和λq3,选取较大的特征值对应的特征向量为目标点云模型的主趋势
步骤3中具体按照下述步骤将点云模型和目标点云模型进行初步曲面匹配:
步骤3.1,计算点云模型的等比例尺度缩放因子,并根据点云模型的等比例尺度缩放因子对点云模型中所有点均进行尺度变换,得到变换点云模型;
步骤3.2,使用SVD方法得到变换点云模型到目标点云模型的最优旋转矩阵和平移矢量,并将点云模型根据所述最优旋转矩阵和平移矢量进行变换,得到初步匹配点云模型;
步骤3.3,将所述初步匹配点云模型使用ICP算法进行精确匹配,得到与目标点云模型匹配的匹配点云模型。
步骤3.1中计算点云模型的等比例尺度缩放因子具体按照下述步骤进行:
步骤3.1.1,计算在点云模型的尺度空间下,点云模型中每个关键点到点云模型的中心点pc的距离:
其中,dispue表示第u子点云模型中的关键点到点云模型的中心点pc之间的距离;
计算在目标点云模型的尺度空间下,目标点云模型中每个关键点到目标点云模型的中心点qc之间的距离:
其中,disqves表示第v个子目标点云模型中,第e个关键点的第s个临近点到目标点云模型的中心点qc之间的距离;
步骤3.1.2,根据所述点云模型中每个关键点到点云模型的中心点pc的距离和目标点云模型中每个关键点到目标点云模型的中心点 qc之间的距离,计算点云模型的等比例尺度缩放因子:
其中,R为点云模型中关键点的数量,r=1,2,...,R。
步骤4中基于ICP算法的精确匹配将点云模型和目标点云模型进行精确曲面匹配,具体按照下述方法进行:
将步骤2和步骤3重复1-4次,至步骤3.2中得到的旋转平移矩阵结果收敛即可。
本发明的有益效果是
本发明一种基于曲面特征的点云模型曲面匹配方法,能够提高三维曲面匹配方法的有效性和稳定性,丰富了计算机图形学和视觉智能的方法体系,支撑了机器空间认知的发展。
附图说明
图1是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤1中得到鸟点云模型和鸟目标点云模型;
图1a是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤1中得到鸟点云模型;
图1b是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤1中得到鸟目标点云模型;
图2是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤2得到的鸟点云模型关键点和鸟目标点云模型的关键点的对应关系示意图;
图3是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤3得到的鸟点云模型关键点和鸟目标点云模型初步曲面匹配的示意图;
图3a是鸟点云模型关键点和鸟目标点云模型初步曲面匹配的侧面示意图;
图3b是鸟点云模型关键点和鸟目标点云模型初步曲面匹配的正面示意图;
图4是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤3得到的鸟点云模型关键点和鸟目标点云模型精鸟点云模型和鸟目标点云模型进行初步曲面匹配的示意图
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于曲面特征的点云模型曲面匹配方法,具体按照下述步骤进行:
步骤1,点云模型和目标点云模型的关键点提取,具体按照下述步骤进行:
步骤1.1,将点云模型进行降采样,得到多个不同的子点云模型;
将目标点云模型进行降采样,得到个不同的目标子点云模型;
步骤1.2,建立每个子点云模型的高斯差分函数,具体按照下述步骤进行:
步骤1.2.1,在每个子点云模型中均任取一点pus,使用Kd-Tree 法得到每个子点云模型中的距离点pus较近的10个临近点;
每个目标子点云模型中均任取一点qvs,使用Kd-Tree法得到每个目标子点云模型中的距离点qvs较近的10个临近点;
步骤1.2.2,将每个子点云模型中的10临近点的坐标组成矩阵Xu;
将每个目标子点云模型中的10临近点的坐标组成目标矩阵Xv;
步骤1.2.3,将每个矩阵Xu中的点集信息均零均值化后,计算每个矩阵Xu的协方差矩阵Cu:
将每个矩阵Xv中的点集信息均零均值化后,计算每个矩阵Xv的目标协方差矩阵Cv:
步骤1.2.4,求出每个协方差矩阵Cu的特征值λu0,λu1,λu2和对应的特征向量,其中λu0>λu1>λu2;
求出每个目标协方差矩阵Cv的特征值λv0,λv1,λv2和对应的特征向量,其中λv0>λv1>λv2;
步骤1.2.5,使用每个协方差矩阵Cu的特征值计算每个子点云模型中点pus的曲率信息:
使用每个目标协方差矩阵Cv的特征值计算每个子点云模型中点qvs的曲率信息σqv:
建立每个子点云模型的高斯差分函数:
其中,Gpu(x,y,z,σ)为第u个子点云模型的高斯函数,u=1,2,…,o, o为子点云模型的个数,Xpu表示第u个子点云模型的X轴;Ypu表示第u子点云模型的Y轴,Zpu表示第u个子点云模型的Z轴,x,y,z表示每个子点云模型中点的三维坐标,σpu表示第u个子点云模型中任一点处的曲率信息,kpu为两个尺度空间下第u个子点云模型的常量;
建立每个目标子点云模型目标尺度空间函数:
其中,Gqv(x',y',z',σqv)为第v个目标子点云模型的高斯函数, v=1,2,…,o,o表示目标子点云模型的个数,Xqv为第v个目标子点云模型的X轴,Yqv为第v个目标子点云模型的Y轴,Zqv为第v个目标子点云模型的Z轴,x',y',z'表示每个目标子点云模型中点的三维坐标,σqv为第v个目标子点云模型中任一点处的曲率信息,kqv为两个尺度空间下第v个目标子点云模型的常量;
步骤1.3,检测第u个子点云模型的高斯差分函数D(x,y,z,σpu)的局部极值,得到第u个子点云模型的多个关键点;
检测第v个目标子点云模型目标尺度空间函数Dqv(x',y',z',σqv)的局部极值,得到第v个目标子点云模型的多个关键点。
步骤2,估计点云模型关键点和目标点云模型的关键点的对应关系,具体按照下述步骤进行:
步骤2.1,根据FPFH特征算法计算每个子点云模型的每个关键点处的FPFH特征描述子;
根据FPFH特征算法计算每个子目标点云模型的每个关键点处的 FPFH特征描述子;
步骤2.2,分别根据每个子目标点云模型的每个关键点处的FPFH 特征描述子在每个子目标点云模型的每个关键点处均构建Kd-Tree搜索空间;
步骤2.3,根据每个目标点云模型中的每个关键点的特征值在步骤2.2得到的Kd-Tree搜索空间中搜索每个目标点云模型中的每个关键点的邻近的10个邻近点;
步骤2.4,分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角;
分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势的夹角;
其中,点云模型的主趋势和目标点云模型主趋势均基于PCA的方法得到,具体按照下述步骤进行:
步骤2.4.1,提取点云模型的点集P={p1,p2,…pn},提取目标点云模型的点集Q={q1,q2,…qn};
计算点云模型的中心点pc:
其中,np表示点云模型中点的个数,i∈(1,2,...,np),pi=(xi,yi,zi)T, pi表示点云模型中第i个点;
计算目标点云模型中心点qc:
其中,nq表示目标子点云模型中点的个数,i∈(1,2,...,nq),qi表示点云模型中第i个点;
步骤2.4.2,建立点集P的协方差矩阵:
建立点集Q的协方差矩阵:
步骤2.4.3,计算协方差矩阵Cp的三个特征值λp1、λp2和λp3,选取较大的特征值对应的特征向量为点云模型的主趋势
计算协方差矩阵Cq的三个特征值λq1、λq2和λq3,选取较大的特征值对应的特征向量为目标点云模型的主趋势
每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角、每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势的夹角具体按照下述方法得到:
步骤a,计算每个子点云模型的每个关键点与点云模型中心点的组成的向量:
其中,表示第u个子点云模型中第e个关键点与点云模型的中心点pc的向量,puex表示第u个子点云模型中第e个关键点的 X轴坐标,Puey表示第u个子点云模型中第e个关键点的Y轴坐标, puez表示第u个子点云模型中第e个关键点的Z轴坐标,pcx表示点云模型的中心点pc的X轴坐标,pcy表示点云模型的中心点pc的Y轴坐标,pczs云模型的中心点pc的Z轴坐标,u=1,2,…,o;
计算每个子目标点云模型的每个关键点的10个邻近点与点云模型中心点的组成的向量:
其中,表示第v个目标子点云模型的第e个关键点的第s个邻近点到目标点云模型中心点qc的向量,qvesx表示第v个目标子点云模型的第e个关键点的第s个邻近点的X轴坐标,qvesy表示第v个目标子点云模型的第e个关键点的第s个邻近点的Y轴坐标, qvesz表示第v个目标子点云模型的第e个关键点的第s个邻近点的Z 轴坐标,qcx表示目标点云模型的中心点qc的X轴坐标,pmy表示目标点云模型的中心点qc的Y轴坐标,pmz表示目标点云模型的中心点qc的Z轴坐标,v=1,2,…,o;
步骤b,分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角:
其中,cospueθ表示第u个子点云模型中,第e个关键点与点云模型中心点组成的向量与点云模型主趋势的夹角
分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势的夹角;
其中,cosqvesθ表示第v个子目标点云模型中,第e个关键点的第s个邻近点与目标点云模型主趋势的夹角;
步骤2.5,将每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角进行筛选,筛选出每个子点云模型中关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角的最小值,并将该夹角的最小值对应的每个子点云模型的关键点作为该子点云模型中的新的关键点;
将每个目标子点云模型中每个关键点的10个临近点和目标点云中心组成的向量与目标点云模型主趋势的夹角进行筛选,得到每个目标子点云模型中临近点和目标点云中心组成的向量与目标点云模型主趋势的夹角的最小值,并根据该夹角的最小值对应的每个目标子点云模型中临近点作为该目标点云模型中的新的关键点;
步骤2.6,重复步骤2.4-2.5,至找到夹角误差最小的点作为最优匹配点为止,得到每个子点云模型和子目标点云模型中唯一的匹配的关键点。
步骤3,将点云模型和目标点云模型进行初步曲面匹配,具体按照下述步骤进行:
步骤3.1,计算点云模型的等比例尺度缩放因子,并根据点云模型的等比例尺度缩放因子对点云模型中所有点均进行尺度变换,得到变换点云模型;
计算点云模型的等比例尺度缩放因子具体按照下述步骤进行:
步骤3.1.1,计算在点云模型的尺度空间下,点云模型中每个关键点到点云模型的中心点pc的距离:
其中,dispue表示第u子点云模型中第e个关键点到点云模型的中心点pc之间的距离;
计算在目标点云模型的尺度空间下,目标点云模型中每个关键点到目标点云模型的中心点qc之间的距离:
其中,其中,disqves表示第v个子目标点云模型中,第e个关键点的第s个临近点到目标点云模型的中心点qc之间的距离;
步骤3.1.2,根据所述点云模型中每个关键点到点云模型的中心点pc的距离和目标点云模型中每个关键点到目标点云模型的中心点 qc之间的距离,计算点云模型的等比例尺度缩放因子:
其中,R为点云模型中关键点的数量,r=1,2,...,R;
步骤3.2,使用SVD方法得到变换点云模型到目标点云模型的最优旋转矩阵和平移矢量,并将点云模型根据所述最优旋转矩阵和平移矢量进行变换,得到初步匹配点云模型;
步骤3.3,将所述初步匹配点云模型使用ICP算法进行精确匹配,得到与目标点云模型匹配的匹配点云模型。
步骤4,将点云模型和目标点云模型进行精确曲面匹配,步骤2 和步骤3重复1-4次,至步骤3.2中得到的旋转平移矩阵结果收敛即可。
本发明以仅包含顶点坐标信息的点云曲面匹配进行研究,通过计算点云数据中每个顶点的曲率信息作为所需要的点云强度信息或者 RGB信息的替代值。本发明相比已有的匹配算法,有效性和稳定性都有了很大的提高,并且拥有较好的鲁棒性,丰富了计算机图形学和视觉智能的方法体系,支撑了机器空间认知的发展。
实施例
步骤1,如图1a所示,将鸟点云模型进行关键点提取;
如图1b所示将鸟目标点云模型进行关键点提取;
步骤2,如图2所示,估计鸟点云模型和鸟目标点云模型的的关键点的对应关系;
步骤3,如图3所示,鸟点云模型和鸟目标点云模型进行初步曲面匹配;
步骤4,如图4所示,将鸟点云模型和鸟目标点云模型进行精确曲面匹配。
Claims (8)
1.一种基于曲面特征的点云模型曲面匹配方法,其特征在于,具体按照下述步骤进行:
步骤1,点云模型和目标点云模型的关键点提取;
步骤2,估计点云模型关键点和目标点云模型的关键点的对应关系;
步骤3,将点云模型和目标点云模型进行初步曲面匹配;
步骤4,将点云模型和目标点云模型进行精确曲面匹配。
2.根据权利要求1一种基于曲面特征的点云模型曲面匹配方法,其特征在于,所述步骤1中,具体按照下述步骤进行点云模型和目标点云模型的关键点提取:
步骤1.1,将点云模型进行降采样,得到多个不同的子点云模型;
将目标点云模型进行降采样,得到个不同的目标子点云模型;
步骤1.2,建立每个子点云模型的高斯差分函数:
其中,Gpu(x,y,z,σ)为第u个子点云模型的高斯函数,u=1,2,…,o,o为子点云模型的个数,Xpu表示第u个子点云模型的X轴;Ypu表示第u子点云模型的Y轴,Zpu表示第u个子点云模型的Z轴,x,y,z表示每个子点云模型中点的三维坐标,σpu表示第u个子点云模型中任一点处的曲率信息,kpu为两个尺度空间下第u个子点云模型的常量;
建立每个目标子点云模型目标尺度空间函数:
其中,Gqv(x',y',z',σqv)为第v个目标子点云模型的高斯函数,v=1,2,…,o,o表示目标子点云模型的个数,Xqv为第v个目标子点云模型的X轴,Yqv为第v个目标子点云模型的Y轴,Zqv为第v个目标子点云模型的Z轴,x',y',z'表示每个目标子点云模型中点的三维坐标,σqv为第v个目标子点云模型中任一点处的曲率信息,kqv为两个尺度空间下第v个目标子点云模型的常量;
步骤1.3,检测第u个子点云模型的高斯差分函数D(x,y,z,σpu)的局部极值,得到第u个子点云模型的多个关键点;
检测第v个目标子点云模型目标尺度空间函数Dqv(x',y',z',σqv)的局部极值,得到第v个目标子点云模型的多个关键点。
3.根据权利要求2所述的一种基于曲面特征的点云模型曲面匹配方法,其特征在于,步骤1.2中子点云模型中任一点处的曲率信息和目标子点云模型中任一点处的曲率信息具体按照下述步骤得到:
步骤1.2.1,在每个子点云模型中均任取一点pus,使用Kd-Tree法得到每个子点云模型中的距离点pus较近的10个临近点;
每个目标子点云模型中均任取一点qvs,使用Kd-Tree法得到每个目标子点云模型中的距离点qvs较近的10个临近点;
步骤1.2.2,将每个子点云模型中的10临近点的坐标组成矩阵Xu;
将每个目标子点云模型中的10临近点的坐标组成目标矩阵Xv;
步骤1.2.3,将每个矩阵Xu中的点集信息均零均值化后,计算每个矩阵Xu的协方差矩阵Cu:
将每个矩阵Xv中的点集信息均零均值化后,计算每个矩阵Xv的目标协方差矩阵Cv:
步骤1.2.4,求出每个协方差矩阵Cu的特征值λu0,λu1,λu2和对应的特征向量,其中λu0>λu1>λu2;
求出每个目标协方差矩阵Cv的特征值λv0,λv1,λv2和对应的特征向量,其中λv0>λv1>λv2;
步骤1.2.5,使用每个协方差矩阵Cu的特征值计算每个子点云模型中点pus的曲率信息:
使用每个目标协方差矩阵Cv的特征值计算每个子点云模型中点qvs的曲率信息σqv:
4.根据权利要求1所述的一种基于曲面特征的点云模型曲面匹配方法,其特征在于,所述步骤2中具体按照下述步骤估计点云模型关键点和目标点云模型的关键点的对应关系:
步骤2.1,根据FPFH特征算法计算每个子点云模型的每个关键点处的FPFH特征描述子;
根据FPFH特征算法计算每个子目标点云模型的每个关键点处的FPFH特征描述子;
步骤2.2,分别根据每个子目标点云模型的每个关键点处的FPFH特征描述子在每个子目标点云模型的每个关键点处均构建Kd-Tree搜索空间;
步骤2.3,根据每个目标点云模型中的每个关键点的特征值在步骤2.2得到的Kd-Tree搜索空间中搜索每个目标点云模型中的每个关键点的邻近的10个邻近点;
步骤2.4,分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角;
分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势的夹角;
步骤2.5,将每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角进行筛选,筛选出每个子点云模型中关键点与点云模型中心点的组成的向量和点云模型主趋势的夹角的最小值,并将该夹角的最小值对应的每个子点云模型的关键点作为该子点云模型中的新的关键点;
将每个目标子点云模型中每个关键点的10个临近点和目标点云中心组成的向量与目标点云模型主趋势的夹角进行筛选,得到每个目标子点云模型中临近点和目标点云中心组成的向量与目标点云模型主趋势的夹角的最小值,并根据该夹角的最小值对应的每个目标子点云模型中临近点作为该目标点云模型中的新的关键点;
步骤2.6,重复步骤2.4-2.5,至找到夹角误差最小的点作为最优匹配点为止,得到每个子点云模型和子目标点云模型中唯一的匹配的关键点。
5.根据权利要求4所述的一种基于曲面特征的点云模型曲面匹配方法,其特征在于,所述步骤2.4点云模型的主趋势和目标点云模型主趋势均基于PCA的方法得到,具体按照下述步骤进行:
步骤2.4.1,提取点云模型的点集P={p1,p2,…pn},提取目标点云模型的点集Q={q1,q2,…qn};
计算点云模型的中心点pc:
其中,np表示点云模型中点的个数,i∈(1,2,...,np),pi=(xi,yi,zi)T,pi表示点云模型中第i个点;
计算目标点云模型中心点qc:
其中,nq表示目标子点云模型中点的个数,i∈(1,2,...,nq),qi表示点云模型中第i个点;
步骤2.4.2,建立点集P的协方差矩阵:
建立点集Q的协方差矩阵:
步骤2.4.3,计算协方差矩阵Cp的三个特征值λp1、λp2和λp3,选取较大的特征值对应的特征向量为点云模型的主趋势
计算协方差矩阵Cq的三个特征值λq1、λq2和λq3,选取较大的特征值对应的特征向量为目标点云模型的主趋势
6.根据权利要求1所述的一种基于曲面特征的点云模型曲面匹配方法,其特征在于,所述步骤3中具体按照下述步骤将点云模型和目标点云模型进行初步曲面匹配:
步骤3.1,计算点云模型的等比例尺度缩放因子,并根据点云模型的等比例尺度缩放因子对点云模型中所有点均进行尺度变换,得到变换点云模型;
步骤3.2,使用SVD方法得到变换点云模型到目标点云模型的最优旋转矩阵和平移矢量,并将点云模型根据所述最优旋转矩阵和平移矢量进行变换,得到初步匹配点云模型;
步骤3.3,将所述初步匹配点云模型使用ICP算法进行精确匹配,得到与目标点云模型匹配的匹配点云模型。
7.根据权利要求6所述的一种基于曲面特征的点云模型曲面匹配方法,其特征在于,所述步骤3.1中计算点云模型的等比例尺度缩放因子具体按照下述步骤进行:
步骤3.1.1,计算在点云模型的尺度空间下,点云模型中每个关键点到点云模型的中心点pc的距离:
其中,dispue表示第u子点云模型中的关键点到点云模型的中心点pc之间的距离;
计算在目标点云模型的尺度空间下,目标点云模型中每个关键点到目标点云模型的中心点qc之间的距离:
其中,disqves表示第v个子目标点云模型中,第e个关键点的第s个临近点到目标点云模型的中心点qc之间的距离;
步骤3.1.2,根据所述点云模型中每个关键点到点云模型的中心点pc的距离和目标点云模型中每个关键点到目标点云模型的中心点qc之间的距离,计算点云模型的等比例尺度缩放因子:
其中,R为点云模型中关键点的数量,r=1,2,...,R。
8.根据权利要求1所述的一种基于曲面特征的点云模型曲面匹配方法,其特征在于,所述步骤4中基于ICP算法的精确匹配将点云模型和目标点云模型进行精确曲面匹配,具体按照下述方法进行:
将步骤2和步骤3重复1-4次,至步骤3.2中得到的旋转平移矩阵结果收敛即可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913401.4A CN109766903B (zh) | 2018-08-13 | 2018-08-13 | 一种基于曲面特征的点云模型曲面匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913401.4A CN109766903B (zh) | 2018-08-13 | 2018-08-13 | 一种基于曲面特征的点云模型曲面匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766903A true CN109766903A (zh) | 2019-05-17 |
CN109766903B CN109766903B (zh) | 2022-10-11 |
Family
ID=66449052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810913401.4A Active CN109766903B (zh) | 2018-08-13 | 2018-08-13 | 一种基于曲面特征的点云模型曲面匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766903B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369602A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111738293A (zh) * | 2020-05-18 | 2020-10-02 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN113837326A (zh) * | 2021-11-30 | 2021-12-24 | 自然资源部第一海洋研究所 | 一种基于特征曲线的机载激光测深数据配准方法 |
CN114274139A (zh) * | 2020-09-27 | 2022-04-05 | 西门子股份公司 | 自动喷涂方法、装置、系统和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150206028A1 (en) * | 2014-01-20 | 2015-07-23 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Point cloud reduction apparatus, system, and method |
CN105046694A (zh) * | 2015-07-02 | 2015-11-11 | 哈尔滨工程大学 | 一种基于曲面拟合系数特征的点云快速配准方法 |
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
- 2018-08-13 CN CN201810913401.4A patent/CN109766903B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150206028A1 (en) * | 2014-01-20 | 2015-07-23 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Point cloud reduction apparatus, system, and method |
CN105046694A (zh) * | 2015-07-02 | 2015-11-11 | 哈尔滨工程大学 | 一种基于曲面拟合系数特征的点云快速配准方法 |
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 (2)
Title |
---|
杨现辉等: "ICP算法在3D点云配准中的应用研究", 《计算机仿真》 * |
陆军等: "基于曲面拟合系数特征的点云快速拼接算法", 《光电子?激光》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369602A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111369602B (zh) * | 2020-02-25 | 2023-10-27 | 阿波罗智能技术(北京)有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111738293A (zh) * | 2020-05-18 | 2020-10-02 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN114274139A (zh) * | 2020-09-27 | 2022-04-05 | 西门子股份公司 | 自动喷涂方法、装置、系统和存储介质 |
CN114274139B (zh) * | 2020-09-27 | 2024-04-19 | 西门子股份公司 | 自动喷涂方法、装置、系统和存储介质 |
CN113837326A (zh) * | 2021-11-30 | 2021-12-24 | 自然资源部第一海洋研究所 | 一种基于特征曲线的机载激光测深数据配准方法 |
CN113837326B (zh) * | 2021-11-30 | 2022-03-25 | 自然资源部第一海洋研究所 | 一种基于特征曲线的机载激光测深数据配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109766903B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4785880B2 (ja) | 三次元オブジェクト認識のためのシステムおよび方法 | |
CN107063228B (zh) | 基于双目视觉的目标姿态解算方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN109766903A (zh) | 一种基于曲面特征的点云模型曲面匹配方法 | |
CN111080627A (zh) | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 | |
CN106651942A (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN108876852B (zh) | 一种基于3d视觉的在线实时物体识别定位方法 | |
CN107238374B (zh) | 一种不规则平面零件的分类和识别定位方法 | |
CN107818598B (zh) | 一种基于视觉矫正的三维点云地图融合方法 | |
CN109523595A (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
CN113516695B (zh) | 激光轮廓仪平面度测量中的点云配准策略 | |
CN106584090A (zh) | 基于结构光三维测量系统的工件装配方法 | |
Dong et al. | Application of local-feature-based 3D point cloud stitching method of low-overlap point cloud to aero-engine blade measurement | |
CN113706381A (zh) | 一种三维点云数据的拼接方法及装置 | |
Wei et al. | Optimization of 3-D pose measurement method based on binocular vision | |
CN109559351A (zh) | 分离圆的公共自极三角形及正交消失点标定针孔摄像机 | |
Liu et al. | Comparison of initial registration algorithms suitable for ICP algorithm | |
Rantoson et al. | Improved curvature-based registration methods for high-precision dimensional metrology | |
JP2011174891A (ja) | 位置姿勢計測装置、位置姿勢計測方法、及びプログラム | |
CN108595373A (zh) | 一种无控制dem配准方法 | |
CN114240871A (zh) | 一种面向工件成型过程中轮廓检测的点云数据处理方法 | |
Setti et al. | Shape measurement system for single point incremental forming (SPIF) manufacts by using trinocular vision and random pattern | |
Chen et al. | A Framework for 3D Object Detection and Pose Estimation in Unstructured Environment Using Single Shot Detector and Refined LineMOD Template Matching | |
CN109272558A (zh) | 分离圆的公共自极三角形及圆环点标定针孔摄像机的方法 | |
Chen et al. | Model-based point cloud alignment with principle component analysis for robot welding |
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 |