CN109919984A - 一种基于局部特征描述子的点云自动配准方法 - Google Patents
一种基于局部特征描述子的点云自动配准方法 Download PDFInfo
- Publication number
- CN109919984A CN109919984A CN201910299321.9A CN201910299321A CN109919984A CN 109919984 A CN109919984 A CN 109919984A CN 201910299321 A CN201910299321 A CN 201910299321A CN 109919984 A CN109919984 A CN 109919984A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- cos
- sin
- local feature
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种基于局部特征描述子的点云自动配准方法,能够基于局部快速点特征直方图描述子以及采样一致性算法获取初始匹配点对,通过误差度量损失函数获取到粗配准矩阵,然后结合迭代最近点算法获取精配准刚体变换矩阵,可以有效的解决由于不同视角下三维点云无法自动配准的问题;与现有的方法相比较,本发明优点在于无需粘贴标志点,不受定位装置的影响,无需额外的辅助装置,对环境的要求也不高,并且效率较高,在实际的测量中,本方法具有较高的鲁棒性。
Description
技术领域
本发明涉及点云数据配准领域,尤其涉及一种基于局部特征描述子的点云自动配准方法。
背景技术
随着三维测量技术的发展,面结构光三维测量法作为一种测量速度快、精度高的非接触式光学测量方法,被广泛应用于工业生产检测零件、生物医学和历史文物保护、产品的质量控制、模型数字化等领域。实际的测量过程中,由于会存在被测物体自身以及环境的遮挡问题,或者受到测量范围的一些限制,单次的测量只能够获得部分表面的三维数据,所以需要从不同的视角位姿来多次测量被测物体来获取完整的三维数据模型。其中三维点云的配准方法,也即通过寻找点云之间的正确的刚体变换关系,将不同视角下测量得到的三维数据转换到一个统一的全局坐标系之下,成为了解决被测物体三维数据拼合与完整重建的关键。
虽然前人对点云配准技术已经有了比较详细的研究,现有的配准方法主要有手动配准,基于标志点配准,利用运动定位装置辅助配准,利用被测物体形貌特征等方法,这几种方法存在着需要手动选取点、需要粘贴标志点、测量范围受定位装置运动范围限制、需要额外辅助装置、对环境要求高等问题,同时在进行点云配准时,被测物体的形状特征不同、相同条件下获取的点云数据也有较大区别且配准过程中可能存在错误的匹配。针对以上问题本发明提出一种基于基于局部特征描述子的点云自动配准方法,能够正确、稳定、快速地完成点云精确配准过程,可实现数据的自动配准,得到完整的测量模型。
发明内容
有鉴于此,本发明提出了一种基于局部特征描述子的点云自动配准方法,能够正确、稳定、快速地完成点云精确配准过程,可实现数据的自动配准,得到完整的测量模型。
本发明的技术方案是这样实现的:本发明提供了一种基于局部特征描述子的点云自动配准方法,其包括以下步骤:
S1、使用面结构光扫描仪测量被测工件,获取不同视角位姿下的单片点云数据,以第一次测量的单片点云数据为源点云,以第二次测量的单片点云数据为目标点云,得出源点云与目标点云的“中间值”,在下一次配准中,以“中间值”为源点云,以第三次测量的单片点云数据为目标点云,以此类推;
S2、将获取的点云数据进行点云预处理;
S3、计算局部特征点描述子,并使用采样一致性算法获取点云粗匹配的刚体变换矩阵;
S4、基于迭代最近点的算法获取精确的刚体变换矩阵,包括以下步骤:
S401、在源点云的K邻域内,计算点到法线的距离,将小于距离阈值的点对认为是匹配点;
S402、通过两个配准中点云的重叠部分的k个最佳对应关系估计,最终使用的对应关系数量根据预设重叠百分比的方法选择匹配点对,并将匹配点对存入匹配点对集C”;
S403、采用点到面误差度量优化方法建立相应的数学模型,然后通过求解目标函数获得刚性变换矩阵,从而获得旋转矩阵R和平移矩阵T两部分;
S404、通过矩阵乘法、旋转矩阵R和平移矩阵T计算得到相应的转换坐标,将不同坐标系下的测量数据转换到统一坐标系下,得到完整的测量数据模型,完成测量点云刚性变换;
S405、通过设置配准收敛的条件为同时满足旋转收敛条件和平移收敛条件,否则跳回S401,进行下一次迭代,旋转收敛条件为测量点云的旋转角度的余弦值cosθ是否大于预设的旋转阈值e,若是,则旋转收敛,否则未旋转收敛;
平移收敛条件为测量点云的平移距离D是否小于预设平移阈值t,若是,则平移收敛,否则未平移收敛。
在以上技术方案的基础上,优选的,S2中点云预处理包括以下步骤:
S201、使用kd-tree方法对测量的点云数据建立邻域关系,分别计算源点云K领域内的法向量和目标点云K领域的法向量;
S202、对输入单片点云数据的查询点和邻域点之间的距离进行统计分析,并修剪掉不符合预设阈值的大尺度噪声,进而去除体外孤立点;
S203、使用移动最小二乘法对点云做平滑处理;
S204、使用栅格采样算法和栅格大小自适应算法进行点云降采样。
进一步优选的,S202中预设阈值的确定方法为:计算点k邻域的平均距离,根据距离计算均值和方差来决定出对应的阈值。
进一步优选的,S204中栅格大小自适应算法为:
其中,m是测量点云中点的数目,Qi是查询点云中的点,Qi-closest是Qi的最近邻点,lR是栅格大小。
在以上技术方案的基础上,优选的,S103中使用采样一致性算法获取点云粗匹配的刚体变换矩阵包括以下步骤:
S301、通过栅格进行点云降采样处理后,提取部分数据作为样本点进行局部描述子计算;
S302、使用FPFH算法对对于查询点和任一领域点,在其中的一个点上定义一个固定的局部坐标系,使用一组角度元组表示两点之间的位置关系和法线偏差,对于每一个查询点,计算该点和其领域点的所有元组,再利用统计学的原理生成简化的点特征直方图,重新确定每个点的K领域,使用邻近的点特征直方图值计算查询点最终的快速点特征直方图;
S303、采用采样一致性初始对齐算法,对每一个样本点,在目标点云中找到满足直方图和样本点直方图相似的点存入匹配点对集C,从这些点中随机选择代表采样点的对应关系,初步估计认为是对应的点对;
S304、对初步估计对应点对使用误差度量损失函数评价粗配准刚体变换矩阵的质量,重复步骤S303直到达到最佳度量错误结果,使用Levenberg-Marquardt算法进行非线性局部优化,计算得到粗配准刚体变换矩阵。
进一步优选的,S304中误差度量损失函数为:其中,hi是第i组对应点变换后的距离差,te为预先给定值。
在以上技术方案的基础上,优选的,S403目标函数为:
其中,NC是匹配点对集C中匹配点对的数目,匹配点对集C中第i个对应点对为(pi,qi),其中pi属于源点云,qi属于目标点云,ni是qi的法向量。
进一步优选的,S403中设测量点云绕x、y、z轴的旋转角度分别为α、β和γ,沿x、y、z轴平移的距离分别为tx、ty和tz,通过奇异值分解的方法将目标函数转化为:
其中,是取预设百分比后的源点云坐标,是对应的目标点云,是对应的法向量,NC”是匹配点对集C”中匹配点对的数目。
进一步优选的,S403中旋转矩阵R为:其中,r11=cosγcosβ,r12=-sinγcosα+cosγsinβcosα,r13=sinγsinα+cosγsinβcosα,r21=sinγcosβ,r22=cosγcosα+sinγsinβsinα,r23=-cosγsinα+sinγsinβcosα,r31=-sinβ,r32=sinαcosβ,r33=cosαcosβ;
平移矩阵T为:T=(tx,ty,tz)T。
进一步优选的,S405中通过旋转矩阵R的角-轴表示法得到测量点云的旋转角度的余弦值cosθ,具体算法如下:
本发明的一种基于局部特征描述子的点云自动配准方法相对于现有技术具有以下有益效果:
(1)本方法能够基于局部快速点特征直方图描述子以及采样一致性算法获取初始匹配点对,通过误差度量损失函数获取到粗配准矩阵,然后结合迭代最近点算法获取精配准刚体变换矩阵,可以有效的解决由于不同视角下三维点云无法自动配准的问题;
(2)本方法在精配准过程中,第一步,计算基于法线的最近邻匹配点对;第二步,去除匹配点对过程中由于噪声影响出现的误匹配点;第三步,基于点到面的误差度量计算刚体变换矩阵;第四步,应用刚体变换矩阵到测量点坐标;第五步,设置配准条件为同时满足旋转收敛和平移收敛,达到精准配准的目的;
(3)本方法在栅格采样算法的基础之上采用了一种新的自适应栅格大小的方法来进行栅格采样,其优点是无需设置栅格大小即可快速有效的对测量数据进行精简;
(4)与现有的方法相比较,本发明优点在于无需粘贴标志点,不受定位装置的影响,无需额外的辅助装置,对环境的要求也不高,并且效率较高,在实际的测量中,本方法具有较高的鲁棒性。
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。
图1为本发明一种基于局部特征描述子的点云自动配准方法的流程图;
图2为本发明一种基于局部特征描述子的点云自动配准方法中点云预处理的流程图;
图3为本发明一种基于局部特征描述子的点云自动配准方法中获取点云粗匹配的刚体变换矩阵的流程图;
图4为本发明一种基于局部特征描述子的点云自动配准方法中获取精确的刚体变换矩阵的流程图;
图5为本发明一种基于局部特征描述子的点云自动配准方法中求解目标函数的流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明的一种基于局部特征描述子的点云自动配准方法,其包括以下步骤:
S1、使用面结构光扫描仪测量被测工件,获取不同视角位姿下的单片点云数据,以第一次测量的单片点云数据为源点云,以第二次测量的单片点云数据为目标点云,得出源点云与目标点云的“中间值”,在下一次配准中,以“中间值”为源点云,以第三次测量的单片点云数据为目标点云,以此类推;
此步骤中,“中间值”为源点云和目标点云经过本文记载的整个流程处理后得到的最终值。
S2、将获取的单片点云数据进行点云预处理,主要由建立kd-tree、去除体外孤立孤立点、点云平滑、点云降采样四个子步骤组成,如图2所示,具体包括以下步骤:
S201、使用kd-tree方法对测量的点云数据建立邻域关系,分别计算源点云K领域内的法向量和目标点云K领域的法向量,其中,K一般取5~10,此步骤为现有技术,在此不再累述;
此步骤可以稳定快速地查找查询点的K个近邻点,提高了点云配准的效率。
S202、对输入单片点云数据的查询点和邻域点之间的距离进行统计分析,并修剪掉不符合预设阈值的大尺度噪声,进而去除体外孤立点;
其中,预设阀值的确定方法为:计算点k邻域的平均距离,根据距离计算均值和方差来决定出对应的阈值;
此步骤是为了去除由于面结构光扫描设备自身的图像噪声、或者相位计算误差、外界环境以及物体表面粗糙度等因素造成的体外孤立点,此步骤为现有技术,在此不再累述。
S203、使用移动最小二乘法对点云做平滑处理;
此步骤是为了得到比较光顺的点云数据,为后期三维重建提供更好的数据。由于在三维测量过程中,设备自身存在的一些缺陷或者在实际的测量环境中出现震动、镜面反射或者其他人为的因素,使得我们测量得到单片点云数据不可避免的会带有一定程度的噪声,而且对于噪声的存在会使得后期三维建模时得到比较粗糙的三角网格,甚至会出现变形等情况,因此,需要对点云做平滑处理。由于此步骤为现有技术,在此不再累述。
S204、使用栅格采样算法和栅格大小自适应算法进行点云降采样,栅格大小自适应算法为:
其中,m是测量点云中点的数目,Qi是查询点云中的点,Qi-closest是Qi的最近邻点,lR是栅格大小;
常用的点云精简方法有栅格采样、随机采样以及曲率采样,其中栅格采样方法相比较其余方法效率高也能较好的保持点云的形状特征,但是一般的栅格采样方法需要设置适当的栅格大小才能获取较好的采样效果,此步骤在栅格采样算法的基础之上采用了一种新的自适应栅格大小的方法来进行栅格采样,其优点是无需设置栅格大小即可快速有效的对测量数据进行精简。
S3、计算局部特征点描述子,并使用采样一致性算法获取点云粗匹配的刚体变换矩阵,如图3所示,具体包括以下步骤:
S301、通过栅格进行点云降采样处理后,提取部分数据作为样本点进行局部描述子计算;
此步骤中由于局部表面小块的采样密度无论大还是小,都应该有相同的特征向量值,即特征向量具有抗密度干扰性,所以只需要部分数据作为样本进行局部描述子计算;
S302、使用FPFH算法计算局部特征描述子,FPFH算法是基于查询点与其K领域之间的位置关系和法线差异,对于查询点和任一领域点,在其中的一个点上定义一个固定的局部坐标系,使用一组角度元组表示两点之间的位置关系和法线偏差,对于每一个查询点,计算该点和其领域点的所有元组,再利用统计学的原理生成简化的点特征直方图,重新确定每个点的K领域,使用邻近的点特征直方图值计算查询点最终的快速点特征直方图,此步骤属于现有技术,在此不再累述;
S303、采用采样一致性初始对齐算法,对每一个样本点,在目标点云中找到分别满足直方图和样本点直方图相似的点存入列表C,从这些点中随机选择代表采样点的对应关系,初步估计认为是对应的点对,此步骤为现有技术,在此不再累述;
S304、对初步估计对应点对使用误差度量损失函数评价粗配准刚体变换矩阵的质量,重复步骤S303直到达到最佳度量错误结果,使用Levenberg-Marquardt算法进行非线性局部优化,计算得到粗配准刚体变换矩阵,其中,误差度量损失函数为:hi是第i组对应点变换后的距离差,te为预先给定值。
S4、基于迭代最近点的算法获取精确的刚体变换矩阵,主要由计算基于法线的最近邻匹配点对、去除误匹配、基于点到面的误差度量计算刚性变换矩阵、变换测量点云坐标和判定是否继续迭代五个子步骤组成,如图4所示,具体包括以下步骤:
S401、在源点云的K邻域内,计算点到法线的距离,将小于距离阈值的点对认为是匹配点;
此步骤在于寻找源点云和目标点云之间的最近点对;
S402、通过两个配准中点云的重叠部分的k个最佳对应关系估计,最终使用的对应关系数量根据预设重叠百分比的方法选择匹配点对,并将匹配点对存入匹配点对集C”;
此步骤是筛选S401中由于噪声影响出现的错误匹配点对,其中,预设重叠百分比的确定方法可以参考现有重叠百分比计算方法,在此不再累述;
S403、采用点到面误差度量优化方法建立相应的数学模型,然后通过求解目标函数获得刚性变换矩阵,从而获得旋转矩阵R和平移矩阵T两部分,如图5所示,具体包括以下步骤:
S403-1、设目标函数为:
其中,NC是匹配点对集C中匹配点对的数目,匹配点对集C中第i个对应点对为(pi,qi),其中pi属于源点云,qi属于目标点云,ni是qi的法向量;
S403-2、设测量点云绕x、y、z轴的旋转角度分别为α、β和γ,沿x、y、z轴平移的距离分别为tx、ty和tz,通过奇异值分解的方法将目标函数转化为:
其中,是取预设百分比后的源点云坐标,是对应的目标点云,是对应的法向量,NC”是匹配点对集C”中匹配点对的数目;
S403-3、计算得旋转矩阵R为:其中,r11=cosγcosβ,r12=-sinγcosα+cosγsinβcosα,r13=sinγsinα+cosγsinβcosα,r21=sinγcosβ,r22=cosγcosα+sinγsinβsinα,r23=-cosγsinα+sinγsinβcosα,r31=-sinβ,r32=sinαcosβ,r33=cosαcosβ;
平移矩阵T为:T=(tx,ty,tz)T。
S404、通过矩阵乘法、旋转矩阵R和平移矩阵T计算得到相应的转换坐标,将不同坐标系下的测量数据转换到统一坐标系下,得到完整的测量数据模型,完成测量点云刚性变换;
S405、设置配准收敛的条件为同时满足旋转收敛条件和平移收敛条件,否则跳回S401,进行下一次迭代;
旋转收敛条件为通过判断该次迭代过程中测量点云的旋转角度的余弦值cosθ是否大于预设的旋转阈值e,若是,则旋转收敛,否则未旋转收敛,其中,
平移收敛条件为通过判断该次迭代过程中测量点云的平移距离D是否小于给定的平移阈值t,若是,则平移收敛,否则未平移收敛。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于局部特征描述子的点云自动配准方法,其包括以下步骤:
S1、使用面结构光扫描仪测量被测工件,获取不同视角位姿下的单片点云数据,以第一次测量的单片点云数据为源点云,以第二次测量的单片点云数据为目标点云,得出源点云与目标点云的“中间值”,在下一次配准中,以“中间值”为源点云,以第三次测量的单片点云数据为目标点云,以此类推;
S2、将获取的点云数据进行点云预处理;
S3、计算局部特征点描述子,并使用采样一致性算法获取点云粗匹配的刚体变换矩阵;
S4、基于迭代最近点的算法获取精确的刚体变换矩阵,包括以下步骤:
S401、在源点云的K邻域内,计算点到法线的距离,将小于距离阈值的点对认为是匹配点;
S402、通过两个配准中点云的重叠部分的k个最佳对应关系估计,最终使用的对应关系数量根据预设重叠百分比的方法选择匹配点对,并将匹配点对存入匹配点对集C”;
S403、采用点到面误差度量优化方法建立相应的数学模型,然后通过求解目标函数获得刚性变换矩阵,从而获得旋转矩阵R和平移矩阵T两部分;
S404、通过矩阵乘法、旋转矩阵R和平移矩阵T计算得到相应的转换坐标,将不同坐标系下的测量数据转换到统一坐标系下,得到完整的测量数据模型,完成测量点云刚性变换;
S405、通过设置配准收敛的条件为同时满足旋转收敛条件和平移收敛条件,否则跳回S401,进行下一次迭代,旋转收敛条件为测量点云的旋转角度的余弦值cosθ是否大于预设的旋转阈值e,若是,则旋转收敛,否则未旋转收敛;
所述平移收敛条件为测量点云的平移距离D是否小于预设平移阈值t,若是,则平移收敛,否则未平移收敛。
2.如权利要求1所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S2中点云预处理包括以下步骤:
S201、使用kd-tree方法对测量的点云数据建立邻域关系,分别计算源点云K领域内的法向量和目标点云K领域的法向量;
S202、对输入单片点云数据的查询点和邻域点之间的距离进行统计分析,并修剪掉不符合预设阈值的大尺度噪声,进而去除体外孤立点;
S203、使用移动最小二乘法对点云做平滑处理;
S204、使用栅格采样算法和栅格大小自适应算法进行点云降采样。
3.如权利要求2所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S202中预设阈值的确定方法为:计算点k邻域的平均距离,根据距离计算均值和方差来决定出对应的阈值。
4.如权利要求2所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S204中栅格大小自适应算法为:
其中,m是测量点云中点的数目,Qi是查询点云中的点,Qi-closest是Qi的最近邻点,lR是栅格大小。
5.如权利要求1所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S103中使用采样一致性算法获取点云粗匹配的刚体变换矩阵包括以下步骤:
S301、通过栅格进行点云降采样处理后,提取部分数据作为样本点进行局部描述子计算;
S302、使用FPFH算法对对于查询点和任一领域点,在其中的一个点上定义一个固定的局部坐标系,使用一组角度元组表示两点之间的位置关系和法线偏差,对于每一个查询点,计算该点和其领域点的所有元组,再利用统计学的原理生成简化的点特征直方图,重新确定每个点的K领域,使用邻近的点特征直方图值计算查询点最终的快速点特征直方图;
S303、采用采样一致性初始对齐算法,对每一个样本点,在目标点云中找到满足直方图和样本点直方图相似的点存入匹配点对集C,从这些点中随机选择代表采样点的对应关系,初步估计认为是对应的点对;
S304、对初步估计对应点对使用误差度量损失函数评价粗配准刚体变换矩阵的质量,重复步骤S303直到达到最佳度量错误结果,使用Levenberg-Marquardt算法进行非线性局部优化,计算得到粗配准刚体变换矩阵。
6.如权利要求5所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S304中误差度量损失函数为:其中,hi是第i组对应点变换后的距离差,te为预先给定值。
7.如权利要求1所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S403目标函数为:
其中,NC是匹配点对集C中匹配点对的数目,匹配点对集C中第i个对应点对为(pi,qi),其中pi属于源点云,qi属于目标点云,ni是qi的法向量。
8.如权利要求7所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S403中设测量点云绕x、y、z轴的旋转角度分别为α、β和γ,沿x、y、z轴平移的距离分别为tx、ty和tz,通过奇异值分解的方法将目标函数转化为:
其中, 是取预设百分比后的源点云坐标,是对应的目标点云,是对应的法向量,NC”是匹配点对集C”中匹配点对的数目。
9.如权利要求8所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S403中旋转矩阵R为:其中,r11=cosγcosβ,r12=-sinγcosα+cosγsinβcosα,r13=sinγsinα+cosγsinβcosα,r21=sinγcosβ,r22=cosγcosα+sinγsinβsinα,r23=-cosγsinα+sinγsinβcosα,r31=-sinβ,r32=sinαcosβ,r33=cosαcosβ;
所述平移矩阵T为:T=(tx,ty,tz)T。
10.如权利要求9所述的一种基于局部特征描述子的点云自动配准方法,其特征在于:所述S405中通过旋转矩阵R的角-轴表示法得到测量点云的旋转角度的余弦值cosθ,具体算法如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299321.9A CN109919984A (zh) | 2019-04-15 | 2019-04-15 | 一种基于局部特征描述子的点云自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299321.9A CN109919984A (zh) | 2019-04-15 | 2019-04-15 | 一种基于局部特征描述子的点云自动配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919984A true CN109919984A (zh) | 2019-06-21 |
Family
ID=66969844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910299321.9A Pending CN109919984A (zh) | 2019-04-15 | 2019-04-15 | 一种基于局部特征描述子的点云自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919984A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287873A (zh) * | 2019-06-25 | 2019-09-27 | 清华大学深圳研究生院 | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
CN111145232A (zh) * | 2019-12-17 | 2020-05-12 | 东南大学 | 一种基于特征信息变化度的三维点云自动配准方法 |
CN111310818A (zh) * | 2020-02-10 | 2020-06-19 | 贝壳技术有限公司 | 特征描述子确定方法、装置及计算机可读存储介质 |
CN111325663A (zh) * | 2020-02-21 | 2020-06-23 | 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 |
CN111340862A (zh) * | 2020-02-18 | 2020-06-26 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
CN111553938A (zh) * | 2020-04-29 | 2020-08-18 | 南京航空航天大学 | 一种基于图优化的多站位扫描点云全局配准方法 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
CN111612847A (zh) * | 2020-04-30 | 2020-09-01 | 重庆见芒信息技术咨询服务有限公司 | 机器人抓取操作的点云数据匹配方法及系统 |
CN111815684A (zh) * | 2020-06-12 | 2020-10-23 | 武汉中海庭数据技术有限公司 | 一种基于统一残差模型的空间多元特征配准优化方法及装置 |
CN111915661A (zh) * | 2020-07-24 | 2020-11-10 | 广州大学 | 基于ransac算法的点云配准方法、系统及计算机可读存储介质 |
CN112465881A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种改进的鲁棒性点配准方法及系统 |
CN112529945A (zh) * | 2020-11-17 | 2021-03-19 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
CN113327275A (zh) * | 2021-06-18 | 2021-08-31 | 哈尔滨工业大学 | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 |
CN113610903A (zh) * | 2021-06-16 | 2021-11-05 | 哈尔滨工业大学 | 一种基于K-means聚类中心局部曲面投影的多视角点云配准方法 |
CN113628258A (zh) * | 2021-04-25 | 2021-11-09 | 西安理工大学 | 一种基于自适应特征点提取的点云粗配准方法 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
CN113658166A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种基于网格模型的点云缺陷检测方法和装置 |
CN113724305A (zh) * | 2021-07-26 | 2021-11-30 | 西安电子科技大学 | 一种林区点云快速配准方法 |
CN113763438A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN115482195A (zh) * | 2022-08-03 | 2022-12-16 | 西南交通大学 | 一种基于三维点云的列车部件变形检测方法 |
CN117372489A (zh) * | 2023-12-07 | 2024-01-09 | 武汉工程大学 | 一种用于双线结构光三维测量的点云配准方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8615127B2 (en) * | 2010-01-15 | 2013-12-24 | Vanderbilt University | System and method for point-based rigid registration with anisotropic weighting |
CN105469388A (zh) * | 2015-11-16 | 2016-04-06 | 集美大学 | 基于降维的建筑物点云配准算法 |
EP2819093B1 (en) * | 2013-06-24 | 2016-05-11 | RaySearch Laboratories AB | Method and system for atlas-based segmentation |
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 |
CN106934822A (zh) * | 2017-03-13 | 2017-07-07 | 浙江优迈德智能装备有限公司 | 一种基于线性混合形变的汽车工件非刚体三维点云配准方法 |
US20180104010A1 (en) * | 2016-06-01 | 2018-04-19 | Vanderbilt University | Biomechanical model assisted image guided surgery system and method |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN108986149A (zh) * | 2018-07-16 | 2018-12-11 | 武汉惟景三维科技有限公司 | 一种基于自适应阈值的点云精确配准方法 |
CN109202912A (zh) * | 2018-11-15 | 2019-01-15 | 太原理工大学 | 一种基于单目深度传感器和机械臂配准目标轮廓点云的方法 |
CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
-
2019
- 2019-04-15 CN CN201910299321.9A patent/CN109919984A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8615127B2 (en) * | 2010-01-15 | 2013-12-24 | Vanderbilt University | System and method for point-based rigid registration with anisotropic weighting |
EP2819093B1 (en) * | 2013-06-24 | 2016-05-11 | RaySearch Laboratories AB | Method and system for atlas-based segmentation |
CN105469388A (zh) * | 2015-11-16 | 2016-04-06 | 集美大学 | 基于降维的建筑物点云配准算法 |
US20180104010A1 (en) * | 2016-06-01 | 2018-04-19 | Vanderbilt University | Biomechanical model assisted image guided surgery system and method |
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 |
CN106934822A (zh) * | 2017-03-13 | 2017-07-07 | 浙江优迈德智能装备有限公司 | 一种基于线性混合形变的汽车工件非刚体三维点云配准方法 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN108986149A (zh) * | 2018-07-16 | 2018-12-11 | 武汉惟景三维科技有限公司 | 一种基于自适应阈值的点云精确配准方法 |
CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
CN109202912A (zh) * | 2018-11-15 | 2019-01-15 | 太原理工大学 | 一种基于单目深度传感器和机械臂配准目标轮廓点云的方法 |
Non-Patent Citations (7)
Title |
---|
XU CHENG等: "An automatic and robust point cloud registration framework based on view-invariant local feature descriptors and transformation consistency verification", 《OPTICS AND LASERS IN ENGINEERING》 * |
朱德海主编: "《点云库PCL学习教程》", 31 October 2012, 北京:北京航空航天大学出版社 * |
李中伟等: "无关数据干扰下三维点云与CAD模型的自动配准算法", 《黑龙江科技大学学报》 * |
梁晋,史宝全编著: "《3D反求技术》", 31 January 2019, 武汉:华中科技大学出版社 * |
王育坚等: "基于八叉树与KD树索引的点云配准方法", 《测绘工程》 * |
郭俊辉: "基于KDTree改进的ICP算法在点云配准中的应用研究", 《技术与方法》 * |
黄欢欢等: "旋转不变特征描述子的点云自动配准方法", 《黑龙江科技大学学报》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287873A (zh) * | 2019-06-25 | 2019-09-27 | 清华大学深圳研究生院 | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 |
CN110287873B (zh) * | 2019-06-25 | 2021-06-29 | 清华大学深圳研究生院 | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
CN110415342B (zh) * | 2019-08-02 | 2023-04-18 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
CN111145232A (zh) * | 2019-12-17 | 2020-05-12 | 东南大学 | 一种基于特征信息变化度的三维点云自动配准方法 |
CN111310818B (zh) * | 2020-02-10 | 2021-05-18 | 贝壳找房(北京)科技有限公司 | 特征描述子确定方法、装置及计算机可读存储介质 |
CN111310818A (zh) * | 2020-02-10 | 2020-06-19 | 贝壳技术有限公司 | 特征描述子确定方法、装置及计算机可读存储介质 |
CN111340862A (zh) * | 2020-02-18 | 2020-06-26 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
CN111340862B (zh) * | 2020-02-18 | 2023-07-07 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
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 |
CN111325663A (zh) * | 2020-02-21 | 2020-06-23 | 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 |
CN111553938A (zh) * | 2020-04-29 | 2020-08-18 | 南京航空航天大学 | 一种基于图优化的多站位扫描点云全局配准方法 |
CN111612847A (zh) * | 2020-04-30 | 2020-09-01 | 重庆见芒信息技术咨询服务有限公司 | 机器人抓取操作的点云数据匹配方法及系统 |
CN111612847B (zh) * | 2020-04-30 | 2023-10-20 | 湖北煌朝智能自动化装备有限公司 | 机器人抓取操作的点云数据匹配方法及系统 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
US11535400B2 (en) | 2020-05-09 | 2022-12-27 | Nanjing University Of Aeronautics And Astronautics | Fairing skin repair method based on measured wing data |
CN111815684A (zh) * | 2020-06-12 | 2020-10-23 | 武汉中海庭数据技术有限公司 | 一种基于统一残差模型的空间多元特征配准优化方法及装置 |
CN111815684B (zh) * | 2020-06-12 | 2022-08-02 | 武汉中海庭数据技术有限公司 | 基于统一残差模型的空间多元特征配准优化方法及装置 |
CN113763438B (zh) * | 2020-06-28 | 2024-04-19 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN113763438A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN111915661B (zh) * | 2020-07-24 | 2023-08-08 | 广州大学 | 基于ransac算法的点云配准方法、系统及计算机可读存储介质 |
CN111915661A (zh) * | 2020-07-24 | 2020-11-10 | 广州大学 | 基于ransac算法的点云配准方法、系统及计算机可读存储介质 |
CN112465881B (zh) * | 2020-11-11 | 2024-06-04 | 常州码库数据科技有限公司 | 一种改进的鲁棒性点配准方法及系统 |
CN112465881A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种改进的鲁棒性点配准方法及系统 |
CN112529945B (zh) * | 2020-11-17 | 2023-02-21 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
CN112529945A (zh) * | 2020-11-17 | 2021-03-19 | 西安电子科技大学 | 一种多视角三维isar散射点集配准方法 |
CN113628258B (zh) * | 2021-04-25 | 2024-04-26 | 西安理工大学 | 一种基于自适应特征点提取的点云粗配准方法 |
CN113628258A (zh) * | 2021-04-25 | 2021-11-09 | 西安理工大学 | 一种基于自适应特征点提取的点云粗配准方法 |
CN113610903A (zh) * | 2021-06-16 | 2021-11-05 | 哈尔滨工业大学 | 一种基于K-means聚类中心局部曲面投影的多视角点云配准方法 |
CN113327275B (zh) * | 2021-06-18 | 2022-11-08 | 哈尔滨工业大学 | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 |
CN113327275A (zh) * | 2021-06-18 | 2021-08-31 | 哈尔滨工业大学 | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 |
CN113724305A (zh) * | 2021-07-26 | 2021-11-30 | 西安电子科技大学 | 一种林区点云快速配准方法 |
CN113724305B (zh) * | 2021-07-26 | 2023-04-18 | 西安电子科技大学 | 一种林区点云快速配准方法 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
CN113658166B (zh) * | 2021-08-24 | 2024-04-12 | 凌云光技术股份有限公司 | 一种基于网格模型的点云缺陷检测方法和装置 |
CN113643270B (zh) * | 2021-08-24 | 2024-04-26 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
CN113658166A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种基于网格模型的点云缺陷检测方法和装置 |
CN115482195A (zh) * | 2022-08-03 | 2022-12-16 | 西南交通大学 | 一种基于三维点云的列车部件变形检测方法 |
CN117372489B (zh) * | 2023-12-07 | 2024-03-12 | 武汉工程大学 | 一种用于双线结构光三维测量的点云配准方法及系统 |
CN117372489A (zh) * | 2023-12-07 | 2024-01-09 | 武汉工程大学 | 一种用于双线结构光三维测量的点云配准方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919984A (zh) | 一种基于局部特征描述子的点云自动配准方法 | |
CN109147038B (zh) | 基于三维点云处理的管道三维建模方法 | |
CN104463894B (zh) | 一种多视角三维激光点云全局优化整体配准方法 | |
CN106709947B (zh) | 一种基于rgbd相机的三维人体快速建模系统 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN111553938A (zh) | 一种基于图优化的多站位扫描点云全局配准方法 | |
CN110516388A (zh) | 基于调和映射的曲面离散点云模型环切刀轨生成方法 | |
CN110443840A (zh) | 实物表面采样点集初始配准的优化求解方法 | |
CN110473239A (zh) | 一种三维激光扫描的高精度点云配准方法 | |
CN110672020A (zh) | 一种基于单目视觉的立木高度测量方法 | |
CN109903319B (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN111145227B (zh) | 一种地下隧道空间多视点云的可迭代整体配准方法 | |
CN112381862B (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN108986149A (zh) | 一种基于自适应阈值的点云精确配准方法 | |
CN111369607A (zh) | 一种基于图片解析的预制构件拼装匹配方法 | |
CN112132752A (zh) | 一种大型复杂曲面多视扫描点云的精拼接方法 | |
CN114332348A (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
CN116204990A (zh) | 一种三维实测数据驱动的飞机大型骨架精准协调修配方法 | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN115082446B (zh) | 一种基于图像边界提取的飞机蒙皮铆钉的测量方法 | |
CN105184854B (zh) | 针对地下空间扫描点云成果数据的快速建模方法 | |
CN115018249A (zh) | 一种基于激光扫描技术的地铁站施工质量评价方法 | |
CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |