CN110097582B - 一种点云优化配准与实时显示系统及工作方法 - Google Patents
一种点云优化配准与实时显示系统及工作方法 Download PDFInfo
- Publication number
- CN110097582B CN110097582B CN201910406933.3A CN201910406933A CN110097582B CN 110097582 B CN110097582 B CN 110097582B CN 201910406933 A CN201910406933 A CN 201910406933A CN 110097582 B CN110097582 B CN 110097582B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- module
- registration
- octree
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000012800 visualization Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000006835 compression Effects 0.000 claims abstract description 15
- 238000007906 compression Methods 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims abstract description 11
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims abstract 9
- 238000012545 processing Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 2
- 238000011017 operating method Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种点云优化配准与实时显示系统及工作方法，包括点云获取模块、内存映射模块、点云过滤模块、点云压缩模块、CUDA并行计算平台和用于使最终配准点云可视化的三维可视化模块；CUDA并行计算平台包括点云配准模块；点云获取模块输出端经内存映射模块连接至点云过滤模块的输入端，点云过滤模块的输出端连接至点云压缩模块的输入端，点云压缩模块的输出端连接至CUDA并行平台的输入端，CUDA并行平台的输出端连接至三维可视化模块的输入端。本发明采用基于CUDA计算平台的GPU并行加速算法进行配准，使得实际应用中的点云配准以及显示达到实时性要求。
Description
技术领域
本发明涉及点云处理领域，尤其是涉及一种点云优化配准与实时显示系统及对应的工作方法。
背景技术
在逆向工程中通过测量仪器得到的产品外观表面的点数据集合也称之为点云，随着科学技术的快速发展以及人工智能时代的到来，运用激光雷达(LiDAR)作为主要传感器的自动驾驶技术备受关注。由于激光雷达技术的不断进步，从激光雷达上获取的点云愈加庞大，这些点云需要进行配准才可以应用于后续三维物体重建等工作中，使用IO流读取与单纯利用CPU进行的点云配准以及显示速度太慢，达不到实时性的效果，导致在实际的自动驾驶系统中并不能达到实时的精准定位。
发明内容
本发明提供了一种点云优化配准与实时显示系统及工作方法，用于解决现有技术点云读取与配准较慢，点云显示实时性差的问题。
实现本发明的技术特征如下：
一种点云优化配准与实时显示系统，包括用于获取目标点云数据和源点云数据的点云获取模块、用于与目标点云数据和源点云数据存储空间相映射的内存映射模块、用于将源点云数据过滤成第一点云数据的点云过滤模块、用于将第一点云数据压缩成第二点云数据的点云压缩模块、CUDA并行计算平台和用于使最终配准点云可视化的三维可视化模块；
所述CUDA并行计算平台包括用于将第二点云数据转换至目标点云数据坐标系的点云配准模块；
所述点云获取模块输出端经所述内存映射模块连接至所述点云过滤模块的输入端，点云过滤模块的输出端连接至所述点云压缩模块的输入端，点云压缩模块的输出端连接至所述CUDA并行平台的输入端，CUDA并行平台的输出端连接至所述三维可视化模块的输入端。
进一步的，所述三维可视化模块为基于OpenGL的可视化模块或者基于VTK的可视化模块。
一种点云优化配准与实时显示系统的工作方法，包括如下步骤：
步骤1、通过雷达从不同视角采集源点云数据、目标点云数据；
步骤2、过滤源点云数据得到第一点云数据；
步骤3、压缩第一点云数据得到第二点云数据；
步骤4、使用基于GPU并行加速的3D-NDT算法将第二点云数据转换成目标点云数据的空间坐标系内的第三点云数据；
所述基于GPU并行加速的3D-NDT算法具体步骤如下：
步骤41、基于GPU的正态分布变换类声明处理变量G_NDT；
步骤42、对处理变量G_NDT的终止条件设置变换差，变换差参数为M，其中M＞0；
步骤43、对处理变量G_NDT的More-Thuente线搜索设置最大步长，最大步长参数为M’，其中，M’＞0；
步骤44、对处理变量G_NDT设置网格结构分辨参数N，其中，N＞0；
步骤45、对处理变量设置匹配迭代的最大次数N’，其中，N’＞0；
步骤46、将第二点云和目标点云进行配准得到第三点云数据；
步骤5、将第三点云数据按平移及旋转参数匹配至目标点云数据中得到最终配准点云数据；
步骤6、将最终配准点云数据可视化。
进一步的，所述步骤2采用体素网格滤波器对源点云进行过滤，具体步骤如下：
步骤21、采用PCL库中的体素网格滤波函数声明一体素网格滤波器；
步骤22、指定体素网格滤波器的三维体素网格大小为A*B*C，其中A＞0，B＞0，C＞0；
步骤23、将源点云数据输入体素网格滤波器；
步骤24、体素网格滤波器输出第一点云数据。
进一步的，所述步骤3采用体素近邻搜索算法对对第一点云数据进行压缩，具体步骤如下：
步骤31、声明八叉树函数，并设置八叉树的三维体素网格大小为A’*B’*C’，其中，A’＞0，B’＞0，C’＞0；
步骤32、在八叉树的三维体素网格中迭代载入第一点云数据；
步骤33、依次将第一点云数据中的点集作为查询点依次输入八叉树的节点中进行比对查询，
当输入八叉树的点集处在八叉树的叶节点上时，则保留该点集并将该点集标记颜色；
当输入八叉树的点集不是处在八叉树的叶节点上时，则舍弃该点集；
步骤34、将被标记颜色的点集作为第二点云数据输出。
有益效果：
1、内存映射模块采用内存映射文件的方式读取点云，将点云所存储的空间作为虚拟内存来使用，大大提高了点云读取的速度，提高了后续配准与显示的速度；
2、采用基于CUDA计算平台的GPU并行加速3D-NDT配准算法对不同坐标系下的源点云和目标点云进行配准，极大提高了3D-NDT算法的速度，提高了硬件系统的利用率，使得在自动驾驶车定位、三维重建等实际应用中的配准以及显示达到实时性要求。
附图说明
下面结合附图及具体实施例对本发明作进一步说明，其中：
图1是本发明的模块结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
如图1所示，一种点云优化配准与实时显示系统，包括用于获取目标点云和源点云的点云获取模块、用于与目标点云和源点云存储空间相映射的内存映射模块、用于将源点云过滤成第一点云数据的点云过滤模块、用于将第一点云数据压缩成第二点云数据的点云压缩模块、CUDA并行计算平台和用于使最终配准点云可视化的三维可视化模块；
所述CUDA并行计算平台包括用于将第二点云数据转换至目标点云数据坐标系的点云配准模块；
所述点云获取模块输出端经所述内存映射模块连接至所述点云过滤模块的输入端，点云过滤模块的输出端连接至所述点云压缩模块的输入端，点云压缩模块的输出端连接至所述CUDA并行平台的输入端，CUDA并行平台的输出端连接至所述三维可视化模块的输入端。
所述点云获取模块采用机载或车载16线激光雷达，选定一视角，通过所述点云获取模块在该视角采集目标点云并将其存储，目标点云代表已有的高精度地图；通过所述点云获取模块在另外的视角采集源点云并将其存储；
所述内存映射模块读取目标点云和源点云所占的存储空间，并分别将其映射至虚拟内存空间内，将目标点云和源点云存储的空间作为虚拟内存，而不将其加载至物理内存，减少了点云加载的步骤，提高了点云读取的速度；
通过内存映射模块建立目标点云与源点云的内存映射后，将目标点云数据以及源点云数据输入至点云过滤模块，所述点云过滤模块采用体素网格滤波器对源点云进行过滤，体素网格滤波器具体如下：
(1)采用PCL库中的体素网格滤波函数声明一体素网格滤波器approximate_voxel_filter；
(2)指定体素网格滤波器approximate_voxel_filter的三维体素网格大小为为A*B*C，其中A＞0，B＞0，C＞0，此处A＝0.2m，B＝0.2m，C＝0.2m；
(3)将源点云输入体素网格滤波器approximate_voxel_filter内；
(4)得到体素网格滤波器approximate_voxel_filter输出的点云并将其存储，即获取第一点云数据并储存。
经过上述体素网格滤波器approximate_voxel_filter过滤得到的第一点云数据尺寸约为源点云的10％，大大减少了源点云数据内的点集数量，可提高后续点云配准的速度，第一点云数据是经过过滤后的点云，所以第一点云数据十分稀疏，但是保留了源点云数据的特征。
点云压缩模块读取点云过滤模块存储的第一点云数据，所述点云压缩模块采用基于八叉树的体素搜索算法对第一点云数据进行压缩，八叉树是在描述三维空间坐标场景中常用的一种数据结构，一个空间自身作为根节点，当需要细分内部区域时，将空间划分为八个小空间，即八个子节点，若某个小节点还需要细分，则继续往下划分八个子节点，就这样将一个空间不断的划分为子空间，都用根节点和其八个子节点连接起来，这样的树状存储结构就是八叉树，八叉树最末端的节点为其叶节点。基于八叉树的体素近邻搜索算法具体如下：
(1)声明八叉树函数，并设置八叉树的三维体素网格大小为A’*B’*C’，其中，A’＞0，B’＞0，C’＞0；
(2)在八叉树中迭代载入第一点云，换言之，使第一点云被八叉树中的三维体素网格分割，则第一点云被八叉树迭代分割；
(3)分别将第一点云中的点集作为查询点依次输入八叉树的节点中进行比对查询，
当输入八叉树的点集处在八叉树的叶节点上时，则保留该点集并将该点集标记颜色；
当输入八叉树的点集不是处在八叉树的叶节点上时，则舍弃该点集；
(4)将被标记颜色的点集作为第二点云输出。
因此，第二点云数据在第一点云数据的基础上去除了大量的无效点云数据，进一步被压缩，第二点云数据相对于第一点云数据减少了存储资源的占用，通过压缩使第二点云数据相对于第一点云数据可以更好的被传输。
点云配准模块读取存储的第二点云数据，点云配准模块采用基于GPU并行加速的3D-NDT算法将第二点云和目标点云进行配准，基于GPU并行加速的3D-NDT算法具体如下：
(1)基于GPU的正态分布变换类声明处理变量G_NDT；
(2)对处理变量G_NDT的终止条件设置变换差，变换差参数为0.01；
(3)对处理变量G_NDT的More-Thuente线搜索设置最大步长，最大步长参数为0.1；
(4)对处理变量G_NDT设置网格结构分辨率，分辨率参数为1.0；
(5)对处理变量G_NDT设置匹配迭代的最大次数，最大次数为35；
(6)将第二点云和目标点云进行配准得到第三点云数据；
对第二点云采用上述基于GPU并行加速的3D-NDT算法后，第二点云数据转换至第三点云数据，第三点云数据和目标点云处在相同的坐标系，但是第三点云数据中的点集还未匹配至目标点云数据中对应的点集。
将第三点云数据按矩阵变换参数匹配至目标点云数据中得到最终配准点云数据。通过矩阵变换法获取矩阵变换参数，将第三输入点云数据按矩阵变化匹配到目标点云数据中。
将CUDA并行计算平台输出第三点云输入所述三维可视化模块，三维可视化模块将配准点云所存储的信息显示，三维可视化模块为基于OpenGL的可视化模块或者基于VTK的可视化模块。
在本系统中，采用内存映射文件读取点云，将点云存储的空间作为虚拟内存来使用，大大提高了点云读取的速度，提高了后续配准与显示的速度；目前主流计算机中的处理器主要是中央处理器CPU和图像处理器GPU，传统的GPU只负责图像渲染，大部分处理都交给CPU，但是近年来，GPU已经发展成为具备高计算能力、多核心的图形和非图形处理工具，这主要是因为GPU专为计算密集型和高度并行的计算设计。因此GPU将更多的晶体管专用于数据处理，而非数据高速缓存和流控制，GPU很适合于解决数据并行的高运算密度计算问题。特别是在NVIDIA提出CUDA(Compute UnifiedDevice Architecture，统一计算设备架构)后，利用GPU来处理复杂的数据并行计算已经成为一种趋势，很多程序开发人员利用GPU处理复杂的计算问题，获得了很高的加速比，因此采用基于CUDA计算平台并行加速的3D-NDT配准算法对不同坐标系下的第三点云数据和目标点云进行配准，极大提高了3D-NDT算法的速度，提高了硬件系统的利用率，使得在自动驾驶车定位、三维重建等实际应用中的配准以及显示达到实时性要求。
需要说明的是，以上所述只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。
Claims (5)
1.一种点云优化配准与实时显示系统的工作方法，其特征在于：
包括如下步骤：
步骤1、通过雷达从不同视角采集源点云数据、目标点云数据；
步骤2、过滤源点云数据得到第一点云数据；
步骤3、压缩第一点云数据得到第二点云数据；
步骤4、使用基于GPU并行加速的3D-NDT算法将第二点云数据转换成目标点云数据的空间坐标系内的第三点云数据；
所述基于GPU并行加速的3D-NDT算法具体步骤如下：
步骤41、基于GPU的正态分布变换类声明处理变量G_NDT；
步骤42、对处理变量G_NDT的终止条件设置变换差，变换差参数为M，其中M＞0；
步骤43、对处理变量G_NDT的More-Thuente线搜索设置最大步长，最大步长参数为M’，其中，M’＞0；
步骤44、对处理变量G_NDT设置网格结构分辨参数N，其中，N＞0；
步骤45、对处理变量设置匹配迭代的最大次数N’，其中，N’＞0；
步骤46、将第二点云和目标点云进行配准得到第三点云数据；
步骤5、将第三点云数据按矩阵变换参数匹配至目标点云数据中得到最终配准点云数据；
步骤6、将最终配准点云数据可视化。
2.如权利要求1所述的一种点云优化配准与实时显示系统的工作方法，其特征在于：
所述步骤2采用体素网格滤波器对源点云进行过滤，具体步骤如下：
步骤21、采用PCL库中的体素网格滤波函数声明一体素网格滤波器；
步骤22、指定体素网格滤波器的三维体素网格大小为A*B*C，其中A＞0，B＞0，C＞0；
步骤23、将源点云数据输入体素网格滤波器；
步骤24、体素网格滤波器输出第一点云数据。
3.如权利要求1所述的一种点云优化配准与实时显示系统的工作方法，其特征在于：
所述步骤3采用体素近邻搜索算法对对第一点云数据进行压缩，具体步骤如下：
步骤31、声明八叉树函数，并设置八叉树的三维体素网格大小为A’*B’*C’，其中，A’＞0，B’＞0，C’＞0；
步骤32、在八叉树的三维体素网格中迭代载入第一点云数据；
步骤33、依次将第一点云数据中的点集作为查询点依次输入八叉树的节点中进行比对查询，
当输入八叉树的点集处在八叉树的叶节点上时，则保留该点集并将该点集标记颜色；
当输入八叉树的点集不是处在八叉树的叶节点上时，则舍弃该点集；
步骤34、将被标记颜色的点集作为第二点云数据输出。
4.实现权利要求1所述方法的一种点云优化配准与实时显示系统，其特征在于：
包括用于获取目标点云数据和源点云数据的点云获取模块、用于与目标点云数据和源点云数据存储空间相映射的内存映射模块、用于将源点云数据过滤成第一点云数据的点云过滤模块、用于将第一点云数据压缩成第二点云数据的点云压缩模块、CUDA并行计算平台和用于使最终配准点云可视化的三维可视化模块；
所述CUDA并行计算平台包括用于将第二点云数据转换至目标点云数据坐标系的点云配准模块；
所述点云获取模块输出端经所述内存映射模块连接至所述点云过滤模块的输入端，点云过滤模块的输出端连接至所述点云压缩模块的输入端，点云压缩模块的输出端连接至所述CUDA并行计算平台的输入端，CUDA并行计算平台的输出端连接至所述三维可视化模块的输入端。
5.如权利要求4所述的一种点云优化配准与实时显示系统，其特征在于：
所述三维可视化模块为基于OpenGL的可视化模块或者基于VTK的可视化模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910406933.3A CN110097582B (zh) | 2019-05-16 | 2019-05-16 | 一种点云优化配准与实时显示系统及工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910406933.3A CN110097582B (zh) | 2019-05-16 | 2019-05-16 | 一种点云优化配准与实时显示系统及工作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110097582A CN110097582A (zh) | 2019-08-06 |
| CN110097582B true CN110097582B (zh) | 2023-03-31 |
Family
ID=67448306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910406933.3A Active CN110097582B (zh) | 2019-05-16 | 2019-05-16 | 一种点云优化配准与实时显示系统及工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097582B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3975120B1 (en) * | 2020-09-24 | 2023-01-11 | Stryker European Operations Limited | Technique for guiding acquisition of one or more registration points on a patient's body |
| CN112508767B (zh) * | 2020-12-14 | 2023-10-13 | 北京超星未来科技有限公司 | 一种基于gpu的gmm点云配准方法 |
| CN114693696A (zh) * | 2020-12-29 | 2022-07-01 | 华为技术有限公司 | 一种点云数据处理方法及装置 |
| CN112837354B (zh) * | 2021-02-02 | 2023-06-16 | 北京超星未来科技有限公司 | 一种基于gpu的ndt点云配准算法、装置及电子设备 |
| CN114283046B (zh) * | 2021-11-19 | 2022-08-19 | 广州市城市规划勘测设计研究院 | 基于icp算法的点云文件配准方法、装置及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104112289A (zh) * | 2014-01-29 | 2014-10-22 | 辽宁师范大学 | 基于并行级联em-icp的三维物体点云配准方法 |
| CN104463826A (zh) * | 2013-09-18 | 2015-03-25 | 镇江福人网络科技有限公司 | 一种新的点云并行Softassign配准算法 |
| CN106504320A (zh) * | 2016-11-02 | 2017-03-15 | 华东师范大学 | 一种基于gpu及面向深度图像的实时三维重构方法 |
| CN107204009A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于仿射变换模型cpd算法的三维点云配准方法 |
| CN107862733A (zh) * | 2017-11-02 | 2018-03-30 | 南京大学 | 基于视线更新算法的大规模场景实时三维重建方法和系统 |
| CN107886528A (zh) * | 2017-11-30 | 2018-04-06 | 南京理工大学 | 基于点云的配电线路作业场景三维重建方法 |
| CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
| CN109118582A (zh) * | 2018-09-19 | 2019-01-01 | 东北大学 | 一种商品三维重建系统及重建方法 |
| CN109544612A (zh) * | 2018-11-20 | 2019-03-29 | 西南石油大学 | 基于特征点几何表面描述的点云配准方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9280825B2 (en) * | 2014-03-10 | 2016-03-08 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
| US9292961B1 (en) * | 2014-08-26 | 2016-03-22 | The Boeing Company | System and method for detecting a structural opening in a three dimensional point cloud |
-
2019
- 2019-05-16 CN CN201910406933.3A patent/CN110097582B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463826A (zh) * | 2013-09-18 | 2015-03-25 | 镇江福人网络科技有限公司 | 一种新的点云并行Softassign配准算法 |
| CN104112289A (zh) * | 2014-01-29 | 2014-10-22 | 辽宁师范大学 | 基于并行级联em-icp的三维物体点云配准方法 |
| CN106504320A (zh) * | 2016-11-02 | 2017-03-15 | 华东师范大学 | 一种基于gpu及面向深度图像的实时三维重构方法 |
| CN107204009A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于仿射变换模型cpd算法的三维点云配准方法 |
| CN107862733A (zh) * | 2017-11-02 | 2018-03-30 | 南京大学 | 基于视线更新算法的大规模场景实时三维重建方法和系统 |
| CN107886528A (zh) * | 2017-11-30 | 2018-04-06 | 南京理工大学 | 基于点云的配电线路作业场景三维重建方法 |
| CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
| CN109118582A (zh) * | 2018-09-19 | 2019-01-01 | 东北大学 | 一种商品三维重建系统及重建方法 |
| CN109544612A (zh) * | 2018-11-20 | 2019-03-29 | 西南石油大学 | 基于特征点几何表面描述的点云配准方法 |
Non-Patent Citations (5)
| Title |
|---|
| 八叉树索引的三维点云数据压缩算法;姚顽强等;《测绘科学》;20160302(第07期);第18-22页 * |
| 基于EM-ICP的三维人脸简化点云并行配准算法;董琳等;《微型机与应用》;20130825(第16期);第38-41页 * |
| 基于GPU的实时三维点云数据配准研究;荆锐等;《计算机工程》;20121205(第23期);第198-202页 * |
| 基于并行粒子群优化的三维点云配准算法;贾志成等;《电视技术》;20160117(第01期);第36-41页 * |
| 基于激光扫描和SFM的非同步点云三维重构方法;陈辉等;《仪器仪表学报》;20160515(第05期);第1148-1157页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110097582A (zh) | 2019-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097582B (zh) | 一种点云优化配准与实时显示系统及工作方法 | |
| US11182649B2 (en) | Generation of synthetic images for training a neural network model | |
| US11328472B2 (en) | Watertight ray triangle intersection | |
| US11200725B2 (en) | Method for continued bounding volume hierarchy traversal on intersection without shader intervention | |
| US10740952B2 (en) | Method for handling of out-of-order opaque and alpha ray/primitive intersections | |
| US20190147296A1 (en) | Creating an image utilizing a map representing different classes of pixels | |
| CN103345382A (zh) | 一种cpu+gpu群核超算系统及sift特征匹配并行计算方法 | |
| CN104616345A (zh) | 一种基于八叉树森林压缩的三维体素存取方法 | |
| US10810784B1 (en) | Techniques for preloading textures in rendering graphics | |
| AU2018258094A1 (en) | Octree-based convolutional neural network | |
| EP3678037A1 (en) | Neural network generator | |
| US11954830B2 (en) | High dynamic range support for legacy applications | |
| US11450077B2 (en) | Appearance-driven automatic three-dimensional modeling | |
| US20210256759A1 (en) | Performance of ray-traced shadow creation within a scene | |
| CN116721231A (zh) | 基于无人机机载定位的可扩展场景三维重建方法及系统 | |
| CN114002701A (zh) | 一种实时渲染点云的方法、装置、电子设备及系统 | |
| DE102022113244A1 (de) | Gemeinsame Form- und Erscheinungsbildoptimierung durch Topologieabtastung | |
| US20220012536A1 (en) | Creating an image utilizing a map representing different classes of pixels | |
| US11875478B2 (en) | Dynamic image smoothing based on network conditions | |
| CN116188660B (zh) | 一种基于流式渲染的点云数据处理方法及相关装置 | |
| US20240095995A1 (en) | Reducing false positive ray traversal using ray clipping | |
| US20240095993A1 (en) | Reducing false positive ray traversal in a bounding volume hierarchy | |
| US11925860B2 (en) | Projective hash maps | |
| CN116993894B (zh) | 虚拟画面的生成方法、装置、设备、存储介质及程序产品 | |
| Han et al. | Online 3D Reconstruction Based On Lidar Point Cloud |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231214 Address after: 250000 1803, building 1, Lianhe Fortune Plaza, No. 2177, Tianchen Road, Shunhua road street, high tech Zone, Jinan, Shandong Province Patentee after: Shandong Laiyi Information Industry Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231214 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 541004 No. 15 Yucai Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region Patentee before: Guangxi Normal University |
|
| TR01 | Transfer of patent right |