CN109767464A - 一种低重叠率的点云配准方法 - Google Patents
一种低重叠率的点云配准方法 Download PDFInfo
- Publication number
- CN109767464A CN109767464A CN201910025381.1A CN201910025381A CN109767464A CN 109767464 A CN109767464 A CN 109767464A CN 201910025381 A CN201910025381 A CN 201910025381A CN 109767464 A CN109767464 A CN 109767464A
- Authority
- CN
- China
- Prior art keywords
- cloud
- point cloud
- point
- points
- regional area
- 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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种低重叠率的点云配准方法,包括以下步骤:步骤1:获取源点云和目标点云;步骤2:利获取的源点云和目标点云进行降采样,分别得到点云A和点云B;步骤3:分别将点云A和点云B分割成多个局部区域;步骤4:进行初步匹配,通过4PCS算法选择对应的四点全等集合;步骤5:选择局部区域最优的变换;步骤6:构造局部区域的匹配置信度系数,枚举计算所有局部区域匹配情况,对其进行排序,选择置信度系数最高的局部区域;步骤7:利用LMedS采样一致性算法进行配准,得到最终刚性变换矩阵,完成点云配准;本发明可保证在重叠率较低的情况下仍具有较好的配准精度。
Description
技术领域
本发明涉及三维重建技术领域,具体涉及一种低重叠率的点云配准方法。
背景技术
近年来,随着传感器技术的日益成熟与计算机计算性能的提高,三维扫描硬件设备不断发展,Kinect传感器的出现使得广大研究者有了更加廉价的三维点云数据获取方式;由于三维扫描设备自身的扫描角度有限,每次扫描只能测量物体的一部分点云数据;但在实际应用中通常需要被测物体完整的点云数据;这就需要通过点云配准将从不同视角扫描得到物体的三维点云数据变换到同一个坐标系下;根据各个视角的点云估算出不同视角点云之间的变换关系,这一过程就是点云配准。
点云配准是三维重建的重要环节,在逆向工程、计算机视觉、机器人即时定位与建图、3D扫描、数字考古等领域均有广泛的应用;经典ICP算法是目前应用最广泛的点云配准算法,但传统的ICP算法前提要求点云重叠率大于50%,并且要给它设置一个较好的初值才不会使之陷入局部最优解,并不能保证收敛到全局最佳结果。
发明内容
本发明针对现有技术存在的问题提供一种基于全局的低重叠率的点云配准方法。
本发明采用的技术方案是:一种低重叠率的三维点云配准方法,包括以下步骤:
步骤1:获取源点云和目标点云;
步骤2:利用体素化网格方法分别对步骤1获取的源点云和目标点云进行降采样,分别得到点云A和点云B;
步骤3:利用基于颜色的区域生长分割算法,分别将点云A和点云B分割成多个局部区域;
步骤4:枚举步骤3得到的点云A和点云B的分割结果,进行初步匹配,通过4PCS算法选择对应的四点全等集合;
步骤5:根据最大公共点集准则,选择局部区域最优的变换;
步骤6:根据步骤5的结果构造局部区域的匹配置信度系数,枚举计算所有局部区域匹配情况,对其进行排序,选择置信度系数最高的局部区域;
步骤7:对步骤6中选择的局部区域中的点云,利用LMedS采样一致性算法进行配准,得到最终刚性变换矩阵,完成点云配准。
进一步的,所述步骤1中获取源点云和目标点云的方法如下:
保持场景中的待测物体静止不动,分别从两个不同视角V1和V2采集RGB点云数据;保证两帧点云之间存在重合区域;其中视角V1采集到的点云作为源点云,视角V2采集到的点云作为目标点云。
进一步的,所述步骤4中具体计算过程如下:
S1:对点云A的分割结果集{A1,A2,…Am,…AM}和点云B分割结果集{B1,B2,…Bn,…BN}中的每个分割区域排列组合,实现局部点云的匹配;在点云A的分割结果集中的一个局部点云Am中选择共面四点基;
其中,m=1,2,3…M,M为点云A分割后的时簇数目;M为点云A分割后的时簇数目;其中:n=1,2,3…N,N为点云B分割后的时簇数目;
从Am中随机选取三个点a、b、c,根据这三点确定的平面上,选择第四个点d,这四个点构成的集合就是点云Am的共面四点基V;
S2:计算a、b、c和d构成的线段ab、cd的交比r1和r2;
a′、b′、c′、d′表示点云Bn中满足全等共面点仿射不变性条件的四点组合,e′为线段a′b′、c′d′的交点,任选一点作为原点,将点a、b、c、d、a′、b′、c′、d′、e′均使用向量的形式表示;
S3:在点云B的分割结果集中查询在一定误差允许范围内与共面四点基V交比相等的全等四点集;
针对点云B的分割结果集中所有的点,计算他们两两之间线段的和匹配所有线段的e1和e2,若和之间的差值小于一定的阈值,则此时e1和e2分别对应的两组点对即构成一个全等四点集;求出误差允许范围内点云B分割结果集中所有的四点全等集U≡{U1,U2,U3…UI};
其中和为满足上式向量,和为对应a、b定义的向量,e1和e2为点云B分割结果集中对应线段的交点。
进一步的,所述步骤5中局部最优的变换计算过程如下:
根据步骤4计算得到分割后的点云集,满足条件的四点全等集合U≡{U1,U2,U3…UI},对于每一个Ui,根据V和Ui之间的关系通过奇异值分解,求出刚性变换矩阵Ti;
其中:i=1,2,3…I,I为U中的点集数目,
将Am中所有点逐个利用Ti回带,求出与Bn中对应点的距离,若距离<δ则认为满足条件;所有满足条件的点构成集合Am_max;
——求出V与所有Ui的对应刚性变换矩阵,将使Am_max中点数最多时对应的Ti作为该局部区域的最优刚性变换矩阵。
进一步的,所述步骤6中的置信度系数λmn计算方法如下:
式中:size(Am)为源局部区域点云Am中元素数量,size(Am_max)为Am_max中元素的数量。
进一步的,所述步骤7的计算过程如下:
S11:假设步骤6得到的局部区域为Ax和Bx,其中Ax为点云A中的局部区域,Bx为点云B中对应的区域;逐个计算点云Ax中的点与Bx中所有点之间的距离,选择距离最小的点作为对应点,构成对应点对集合C;
S12:在步骤S11中得到的集合C中随机选择出3组对应点,计算这两个局部区域点云之间的变换矩阵S;
S13:依次计算点云Ax中的点在变换矩阵S作用下与Bx中对应点的偏差,将所有偏差排序,记录其中位数Med;
S14:重复步骤S11~S13,Y次,从Y个Med值中选取最小的一个,其对应的变换矩阵即为最终变换矩阵,完成点云配准。
本发明的有益效果是:
(1)本发明克服了点云重叠率低时以往算法失效的问题,给出了一种点云重叠率较小的情况的配准方法;
(2)本发明利用在室内场景中有很大辨别力的颜色特征进行分块,首先寻找出大场景中的重叠部分,仅使用重叠部分进行点云配准可减少错误对应点的数量,从而提高配准精度。
附图说明
图1为本发明流程示意图。
图2为本发明中点云数据采集效果图。
图3为本发明中基于颜色的区域生长的点云分割效果图。
图4为本发明中选取点云Am的共面四点基。
图5为本发明全等共面点仿射不变性示意图。
图6为本发明在点云Am中提取的仿射不变四点全等基及交比示意图。
图7为本发明在点云Bn查询基对应的四点全等集。
具体实施方式
下面将结合附图和具体实施例对本发明做进一步说明。
如图1所示,一种低重叠率的三维点云配准方法,包括以下步骤:
步骤1:获取源点云和目标点云;
使用Kinect V2深度相机对待测室内场景进行测量,保持场景中的物体静止不动;分别从两个不同视角V1、V2针对同一待测物体采集RGB点云数据,保证两帧点云之间存在重合区域;视角V1采集到的点云作为源点云source,视角V2采集到的作为目标点云target;RGB点云不仅包含结构信息,还包含点云的颜色信息;采集效果如图2所示;矩形框选的地方表示两帧点云的大致重叠区域。
步骤2:利用体素化网格方法分别对步骤1获取的源点云和目标点云进行降采样,分别得到点云A和点云B;
通过原始的RGB点云创建一个三维体素栅格,使用每个体素中所有点的重心来近似显示体素中其他点,使用体素中所有点RGB的中值来近似代表整个体素的RGB值;这样将可以将该体素体内所有点用一个重心点最终表示,从而实现降采样的目的;源点云source经过体素化网格降采样得到RGB点云A,目标点云target经过体素化网格降采样得到RGB点云B。
步骤3:利用基于颜色的区域生长分割算法,分别将点云A和点云B分割成多个局部区域;
首先,分别对点云A和点云B进行过分割,在分割之后,尝试合并具有接近颜色的簇;将平均颜色之间具有小差异的两个相邻聚类合并在一起;然后进行第二次合并;再此步骤中,每个簇都利用其包含的点数进行验证;如果此数字小于用户定义的值,则当前集群与最近的相邻集群合并;采集场景的分割效果如图3所示。
对于点云A,分割结果为A1、A2…AM,对于点云B,分割结果为B1、B2…BN,其中M、N分别为点云A、B的最终完成分割时簇的数目。
步骤4:枚举步骤3得到的点云A和点云B的分割结果,进行初步匹配,通过4PCS算法选择对应的四点全等集合;
两个局部区域之间的匹配实际是规模更小的点云配准,例如,针对点云A的分割结果集{A1,A2,…Am,…AM},点云B分割结果集{B1,B2,…Bn,…BN}局部点云的匹配如下:
S1:对点云A的分割结果集{A1,A2,…Am,…AM}和点云B分割结果集{B1,B2,…Bn,…BN}中的每个分割区域排列组合,实现局部点云的匹配,在点云A的分割结果集中的一个局部点云Am中选择共面四点基;
其中:m=1,2,3…M,M为点云A分割后的时簇数目;其中:n=1,2,3…N,N为点云B分割后的时簇数目;
从Am中随机选取三个点a、b、c,根据这三点确定的平面上,选择第四个点d,这四个点构成的集合就是Am的共面四点基V,V≡{a,b,c,d},点e为线段ab、cd的交点,如图4所示。
S2:计算a、b、c和d构成的线段ab、cd的交比r1和r2;
可以用Bn中的a′、b′、c′、d′表示满足全等共面点仿射不变性条件的四点组合;e′为线段a′b′、c′d′的交点;如图5所示,为了使公式更加规范的表示,可以在图4和图5中任选一点作为原点,将点a、b、c、d、a′、b′、c′、d′、e′均使用向量的形式表示,如下式所示:
S3:在点云B的分割结果集中查询与V交比相等全等四点集,求出误差允许范围内点云B分割结果集中所有的四点全等集合U≡{U1,U2,U3…UI}。
将该问题可以转化为和相等的问题;当基V确定时,交比r1、r2即确定;由于在实际中参与计算的点数目巨大,为了方便描述将点a、b、c、d用q1、q2、q3、q4的形式表示;如图6所示,针对点q1和q2所对应的线段,其表示为:
针对点云B的分割结果集中所有的点,计算他们两两之间线段的和匹配所有线段的e1和e2,若和之间的差值小于一定的阈值,则此时e1和e2分别对应的两组点对即构成一个全等四点集;求出误差允许范围内点云B分割结果集所有的四点全等集U≡{U1,U2,U3…UI},如图7所示。
其中和为满足上式向量,和为对应a、b定义的向量,e1和e2为点云B分割结果集中对应线段的交点。
计算图7中5个点q1、q2、q3、q4、q5中任意两点之间线段的和不考虑点在点对中的顺序,一共有10对点对;分别计算他们的和找出所对应的点就是基B在目标点云的对应点,图7所示的对应的一个四点集合就是{q1、q3、q4、q5}。
步骤5:根据最大公共点集准则,选择局部区域最优的变换;
上一步得到点云B分割结果集满足条件的四点全等集合U≡{U1,U2,U3…UI},对于其中的每一个Ui,根据V与Ui之间的相关信息利用奇异值分解求出刚性变换矩阵Ti;将点云A分割结果集中所有点逐个利用Ti回带,求与点云B分割结果集中对应点的距离,满足在给定容忍误差δ的情况下,则认为回带的这个点满足条件;将其归到集合Am_max中,Am_max表示满足上述条件的点的集合;选择使Am_max中点数最多时对应的Ti作为该局部区域的刚体变换矩阵;将局部区域An与Bn匹配时最优的变换矩阵记作Tmn。
步骤6:根据步骤5的结果构造局部区域的匹配置信度系数,枚举计算所有局部区域匹配情况,对其进行排序,选择置信度系数最高的局部区域;
利用Am_max中点的数量与原局部区域点云Am中点的数量的比值,来估计两个局部区域点云的重叠率;并将其作为局部区域Am与Bn匹配的置信度系数
式中:size(Am)为源局部区域点云Am中元素数量,size(Am_max)为Am_max中元素的数量。
步骤7:对步骤6中选择的局部区域中的点云,利用LMedS采样一致性算法进行配准,得到最终刚性变换矩阵,完成点云配准。
步骤7的计算过程如下:
S11:假设步骤6得到的局部区域为Ax和Bx,其中Ax为点云A中的局部区域,Bx为点云B中对应的区域;逐个计算点云Ax中的点与Bx中所有点之间的距离,选择距离最小的点作为对应点,构成对应点对集合C;
S12:在步骤S11中得到的集合C中随机选择出3组对应点,计算这两个局部区域点云之间的变换矩阵S;
S13:依次计算点云Ax中的点在变换矩阵S作用下与Bx中对应点的偏差,将所有偏差排序,记录其中位数Med;
S14:重复步骤S11~S13,Y次,从Y个Med值中选取最小的一个,其对应的变换矩阵即为最终变换矩阵,完成点云配准。
本发明克服了点云重叠率低时以往算法失效的问题,给出了一种点云重叠率较小的情况的配准方法;利用在室内场景中有很大辨别力的颜色特征进行分块,首先寻找出大场景中的重叠部分,仅使用重叠部分进行点云配准可减少错误对应点的数量,从而提高配准精度。
Claims (6)
1.一种低重叠率的三维点云配准方法,其特征在于,包括以下步骤:
步骤1:获取源点云和目标点云;
步骤2:利用体素化网格方法分别对步骤1获取的源点云和目标点云进行降采样,分别得到点云A和点云B;
步骤3:利用基于颜色的区域生长分割算法,分别将点云A和点云B分割成多个局部区域;
步骤4:枚举步骤3得到的点云A和点云B的分割结果,进行初步匹配,通过4PCS算法选择对应的四点全等集合;
步骤5:根据最大公共点集准则,选择局部区域最优的变换;
步骤6:根据步骤5的结果构造局部区域的匹配置信度系数,枚举计算所有局部区域匹配情况,对其进行排序,选择置信度系数最高的局部区域;
步骤7:对步骤6中选择的局部区域中的点云,利用LMedS采样一致性算法进行配准,得到最终刚性变换矩阵,完成点云配准。
2.根据权利要求1所述的一种低重叠率的三维点云配准方法,其特征在于,所述步骤1中获取源点云和目标点云的方法如下:
保持场景中的待测物体静止不动,分别从两个不同视角V1和V2采集RGB点云数据;保证两帧点云之间存在重合区域;其中视角V1采集到的点云作为源点云,视角V2采集到的点云作为目标点云。
3.根据权利要求1所述的一种低重叠率的三维点云配准方法,其特征在于,所述步骤4中具体计算过程如下:
S1:对点云A的分割结果集{A1,A2,…Am,…AM}和点云B分割结果集{B1,B2,…Bn,…BN}中的每个分割区域排列组合,实现局部点云的匹配;在点云A的分割结果集中的一个局部点云Am中选择共面四点基;
其中,m=1,2,3…M,M为点云A分割后的时簇数目;M为点云A分割后的时簇数目;其中:n=1,2,3…N,N为点云B分割后的时簇数目;
从Am中随机选取三个点a、b、c,根据这三点确定的平面上,选择第四个点d,这四个点构成的集合就是点云Am的共面四点基V;
S2:计算a、b、c和d构成的线段ab、cd的交比r1和r2;
a′、b′、c′、d′表示点云Bn中满足全等共面点仿射不变性条件的四点组合,e′为线段a′b′、c′d′的交点,任选一点作为原点,将点a、b、c、d、a′、b′、c′、d′、e′均使用向量的形式表示;
S3:在点云B的分割结果集中查询在一定误差允许范围内与共面四点基V交比相等的全等四点集;
针对点云B分割结果集中所有的点,计算他们两两之间线段的和匹配所有线段的e1和e2,若和之间的差值小于一定的阈值,则此时e1和e2分别对应的两组点对即构成一个全等四点集;求出误差允许范围内点云B分割结果集中所有的四点全等集U≡{U1,U2,U3…UI};
其中和为满足上式向量,和为对应a、b定义的向量,e1和e2为点云B分割结果集中对应线段的交点。
4.根据权利要求3所述的一种低重叠率的三维点云配准方法,其特征在于,所述步骤5中局部最优的变换计算过程如下:
根据步骤4计算得到分割后的点云集,满足条件的四点全等集合U≡{U1,U2,U3…UI},对于每一个Ui,根据V和Ui之间的关系通过奇异值分解,求出刚性变换矩阵Ti;
I为满足条件共点四面集的数目,
将Am中所有点逐个利用Ti回带,求出与Bn中对应点的距离,若距离<δ则认为满足条件;所有满足条件的点构成集合Am_max;
——求出V与所有Ui的对应刚性变换矩阵,将使Am_max中点数最多时对应的Ti作为该局部区域的最优刚性变换矩阵。
5.根据权利要求4所述的一种低重叠率的三维点云配准方法,其特征在于,所述步骤6中的置信度系数λmn计算方法如下:
式中:size(Am)为源局部区域点云Am中元素数量,size(Am_max)为Am_max中元素的数量。
6.根据权利要求1所述的一种低重叠率的三维点云配准方法,其特征在于,所述步骤7的计算过程如下:
S11:假设步骤6得到的局部区域为Ax和Bx,其中Ax为点云A中的局部区域,Bx为点云B中对应的区域;逐个计算点云Ax中的点与Bx中所有点之间的距离,选择距离最小的点作为对应点,构成对应点对集合C;
S12:在步骤S11中得到的集合C中随机选择出3组对应点,计算这两个局部区域点云之间的变换矩阵S;
S13:依次计算点云Ax中的点在变换矩阵S作用下与Bx中对应点的偏差,将所有偏差排序,记录其中位数Med;
S14:重复步骤S11~S13,Y次,从Y个Med值中选取最小的一个,其对应的变换矩阵即为最终变换矩阵,完成点云配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910025381.1A CN109767464B (zh) | 2019-01-11 | 2019-01-11 | 一种低重叠率的点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910025381.1A CN109767464B (zh) | 2019-01-11 | 2019-01-11 | 一种低重叠率的点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767464A true CN109767464A (zh) | 2019-05-17 |
CN109767464B CN109767464B (zh) | 2023-03-28 |
Family
ID=66453848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910025381.1A Active CN109767464B (zh) | 2019-01-11 | 2019-01-11 | 一种低重叠率的点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767464B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288640A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 基于凸密度极值的点云配准方法 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110599446A (zh) * | 2019-07-26 | 2019-12-20 | 深圳供电局有限公司 | 隔离开关合闸位置判别方法 |
CN111915658A (zh) * | 2020-09-30 | 2020-11-10 | 浙江智慧视频安防创新中心有限公司 | 一种用于点云的配准方法及系统 |
CN112330699A (zh) * | 2020-11-14 | 2021-02-05 | 重庆邮电大学 | 一种基于重叠区域对齐的三维点云分割方法 |
CN112365511A (zh) * | 2020-11-14 | 2021-02-12 | 重庆邮电大学 | 基于重叠区域检索与对齐的点云分割方法 |
CN113468941A (zh) * | 2021-03-11 | 2021-10-01 | 长沙智能驾驶研究院有限公司 | 障碍物检测方法、装置、设备及计算机存储介质 |
US11457145B2 (en) * | 2020-05-15 | 2022-09-27 | Parkling Gmbh | System and method for producing a spatially highly precise, localized panoramic street image |
CN115908519A (zh) * | 2023-02-24 | 2023-04-04 | 南京航空航天大学 | 一种大型复合材料构件三维测量配准误差控制方法 |
CN116168386A (zh) * | 2023-03-06 | 2023-05-26 | 东南大学 | 一种基于激光雷达扫描的桥梁施工进度识别方法 |
CN116485855A (zh) * | 2023-04-27 | 2023-07-25 | 中国民用航空总局第二研究所 | 一种快速自适应区域特征的点云初始配准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331699A (zh) * | 2014-11-19 | 2015-02-04 | 重庆大学 | 一种三维点云平面化快速搜索比对的方法 |
CN106651926A (zh) * | 2016-12-28 | 2017-05-10 | 华东师范大学 | 一种基于区域配准的深度点云三维重建方法 |
CN106780618A (zh) * | 2016-11-24 | 2017-05-31 | 周超艳 | 基于异构深度摄像机的三维信息获取方法及其装置 |
US20170161945A1 (en) * | 2015-12-04 | 2017-06-08 | Autodesk, Inc. | Keypoint-based point-pair-feature for scalable automatic global registration of large rgb-d scans |
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 |
CN108446657A (zh) * | 2018-03-28 | 2018-08-24 | 京东方科技集团股份有限公司 | 手势抖动识别方法及装置、手势识别方法 |
-
2019
- 2019-01-11 CN CN201910025381.1A patent/CN109767464B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331699A (zh) * | 2014-11-19 | 2015-02-04 | 重庆大学 | 一种三维点云平面化快速搜索比对的方法 |
US20170161945A1 (en) * | 2015-12-04 | 2017-06-08 | Autodesk, Inc. | Keypoint-based point-pair-feature for scalable automatic global registration of large rgb-d scans |
CN108604301A (zh) * | 2015-12-04 | 2018-09-28 | 欧特克公司 | 用于大rgb-d扫描的可缩放自动全局配准的基于关键点的点对特征 |
CN106780618A (zh) * | 2016-11-24 | 2017-05-31 | 周超艳 | 基于异构深度摄像机的三维信息获取方法及其装置 |
CN106651926A (zh) * | 2016-12-28 | 2017-05-10 | 华东师范大学 | 一种基于区域配准的深度点云三维重建方法 |
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 |
CN108446657A (zh) * | 2018-03-28 | 2018-08-24 | 京东方科技集团股份有限公司 | 手势抖动识别方法及装置、手势识别方法 |
Non-Patent Citations (5)
Title |
---|
DROR AIGER ET AL.: "4-points congruent sets for robust pairwise surface registration" * |
ZHIZHONG KANG ET AL.: "An Efficient Planar Feature Fitting Method Using Point Cloud Simplification and Threshold-Independent BaySAC", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
汤涌: "几何结构信息辅助的建筑物室内SLAM点云分割", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
汪霞等: "一种低重叠率激光点云的配准方法", 《测绘科学》 * |
韩磊等: "参数自适应的图像亚像素级配准方法", 《计算机应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110443836B (zh) * | 2019-06-24 | 2022-03-18 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110288640B (zh) * | 2019-06-28 | 2021-05-14 | 电子科技大学 | 基于凸密度极值的点云配准方法 |
CN110288640A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 基于凸密度极值的点云配准方法 |
CN110599446A (zh) * | 2019-07-26 | 2019-12-20 | 深圳供电局有限公司 | 隔离开关合闸位置判别方法 |
US11457145B2 (en) * | 2020-05-15 | 2022-09-27 | Parkling Gmbh | System and method for producing a spatially highly precise, localized panoramic street image |
CN111915658A (zh) * | 2020-09-30 | 2020-11-10 | 浙江智慧视频安防创新中心有限公司 | 一种用于点云的配准方法及系统 |
CN111915658B (zh) * | 2020-09-30 | 2021-03-19 | 浙江智慧视频安防创新中心有限公司 | 一种用于点云的配准方法及系统 |
CN112330699A (zh) * | 2020-11-14 | 2021-02-05 | 重庆邮电大学 | 一种基于重叠区域对齐的三维点云分割方法 |
CN112365511A (zh) * | 2020-11-14 | 2021-02-12 | 重庆邮电大学 | 基于重叠区域检索与对齐的点云分割方法 |
CN112365511B (zh) * | 2020-11-14 | 2022-06-10 | 重庆邮电大学 | 基于重叠区域检索与对齐的点云分割方法 |
CN113468941A (zh) * | 2021-03-11 | 2021-10-01 | 长沙智能驾驶研究院有限公司 | 障碍物检测方法、装置、设备及计算机存储介质 |
CN115908519A (zh) * | 2023-02-24 | 2023-04-04 | 南京航空航天大学 | 一种大型复合材料构件三维测量配准误差控制方法 |
CN116168386A (zh) * | 2023-03-06 | 2023-05-26 | 东南大学 | 一种基于激光雷达扫描的桥梁施工进度识别方法 |
CN116485855A (zh) * | 2023-04-27 | 2023-07-25 | 中国民用航空总局第二研究所 | 一种快速自适应区域特征的点云初始配准方法 |
CN116485855B (zh) * | 2023-04-27 | 2024-02-02 | 中国民用航空总局第二研究所 | 一种快速自适应区域特征的点云初始配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109767464B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767464A (zh) | 一种低重叠率的点云配准方法 | |
Gibbs et al. | Approaches to three-dimensional reconstruction of plant shoot topology and geometry | |
CN105205866B (zh) | 基于密集点云的城市三维模型快速构建方法 | |
CN106327532B (zh) | 一种单幅图像的三维配准方法 | |
CN105469388B (zh) | 基于降维的建筑物点云配准方法 | |
CN105701820B (zh) | 一种基于匹配区域的点云配准方法 | |
CN103258345B (zh) | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 | |
Wang et al. | Automated crop yield estimation for apple orchards | |
CN108090960A (zh) | 一种基于几何约束的目标重建方法 | |
CN106651900B (zh) | 一种基于轮廓分割的高架原位草莓三维建模方法 | |
CN104134234B (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
Lati et al. | Estimating plant growth parameters using an energy minimization-based stereovision model | |
CN105354883B (zh) | 基于点云的3ds Max快速精细三维建模方法及系统 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN109872397A (zh) | 一种基于多目立体视觉的飞机零件的三维重建方法 | |
CN109345620A (zh) | 融合快速点特征直方图的改进icp待测物体点云拼接方法 | |
CN109387204A (zh) | 面向室内动态环境的移动机器人同步定位与构图方法 | |
CN102222357B (zh) | 基于图像分割和网格细分的脚型三维表面重建方法 | |
Liang et al. | Automatic plot-wise tree location mapping using single-scan terrestrial laser scanning | |
CN103761765B (zh) | 基于映射边界优化的三维物体模型纹理映射方法 | |
CN106529573A (zh) | 一种结合三维点云分割和局部特征匹配的实时物体检测方法 | |
CN110070567A (zh) | 一种地面激光点云配准方法 | |
CN106408596A (zh) | 基于边缘的局部立体匹配方法 | |
CN107610219A (zh) | 一种三维场景重构中几何线索感知的像素级点云稠密化方法 | |
CN107093182B (zh) | 一种基于特征拐点的人体高度估计方法 |
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 |