CN110147815A - 基于k均值聚类的多帧点云融合方法及装置 - Google Patents
基于k均值聚类的多帧点云融合方法及装置 Download PDFInfo
- Publication number
- CN110147815A CN110147815A CN201910284779.7A CN201910284779A CN110147815A CN 110147815 A CN110147815 A CN 110147815A CN 201910284779 A CN201910284779 A CN 201910284779A CN 110147815 A CN110147815 A CN 110147815A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- data
- cloud data
- frame
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于K均值聚类的多帧点云融合方法及装置,该方法包括:获取待融合的第一帧点云数据和第二帧点云数据;识别第一帧点云数据与第二帧点云数据的重叠区域及非重叠区域;对重叠区域进行数据处理并划分聚类为多个球形区域,根据球形区域内的点数据计算聚类中心初始化的点数据;根据K均值算法对聚类中心进行迭代优化并计算每个聚类的加权平均值作为更新后的聚类中心直到每个聚类中心不再移动为止,获得重叠区域融合完成的点数据;将重叠区域融合完成的点数据与非重叠区域的点数据合并作为下一次待融合的第一帧点云数据,并逐帧融合所有单帧点云数据。本发明通过K均值聚类对点云数据进行融合,融合精度高。
Description
【技术领域】
本发明属于图像处理技术领域,尤其涉及一种基于K均值聚类的多帧点云融合方法及装置。
【背景技术】
在三维成像中由于物体本身的相互遮挡和视场大小的限制,单帧的三维点云通常无法完整的反映物体表面完整的三维信息,因此需要将不同视角下得到的单帧点云进行匹配。通过匹配可以得到不同视角下多帧点云之间的变换关系,但是将这些点云数据变换到统一坐标系后,各个不同视点下的点云数据往往存在着重叠区域,还需要将它们融合在一起,形成统一的、有序的、无冗余的三维物体表面数据表示。
点云融合是决定三维模型构建成功与否的最关键技术之一,由于噪声、匹配误差、单帧点云的重建精度等因素的影响会使不同帧的点云数据存在分层现象。目前对点云融合的方法很多,其中常用的是边界加权平均法,通过对重叠对应点进行不同比例的加权,能够平滑由于分层现象造成的台阶,但是其融合精度较低,数据的质量较低。鉴于此,实有必要提供一种基于K均值聚类的多帧点云融合方法及装置以克服上述缺陷。
【发明内容】
本发明提出一种能够提高融合精度的基于K均值聚类的多帧点云融合方法及装置。
为了实现上述目的,本发明提供一种基于K均值聚类的多帧点云融合方法,包括以下步骤:
获取待融合的第一帧点云数据和第二帧点云数据,其中,所述第一帧点云数据为未融合的单帧点云数据或者至少两帧经融合后的点云数据,所述第二帧点云数据为未融合的单帧点云数据;
识别所述第一帧点云数据与所述第二帧点云数据的重叠区域以及非重叠区域;
对所述重叠区域进行数据处理并划分聚类为多个球形区域,根据所述球形区域内的点数据计算聚类中心初始化的点数据;
根据K均值算法对聚类中心进行迭代优化并计算每个聚类的加权平均值作为更新后的聚类中心直到每个聚类中心不再移动为止,以获得重叠区域融合完成的点数据;
将所述重叠区域融合完成的点数据与所述非重叠区域的点数据合并在一起作为下一次待融合的第一帧点云数据,并逐帧融合所有单帧点云数据。
在一个优选实施方式中,所述识别所述第一帧点云数据与所述第二帧点云数据的重叠区域以及非重叠区域,包括:
将所述第一帧点云数据旋转平移至第二帧坐标系下得到预处理点云数据;
遍历所述预处理点云数据和所述第二帧点云数据中所有点并查找重叠点,由所述预处理点云数据中重叠点的集合构成第一重叠区域,由所述第二帧点云数据中重叠点的集合构成第二重叠区域。
在一个优选实施方式中,所述对所述重叠区域进行数据处理并划分聚类为多个球形区域,根据所述球形区域内的点数据计算聚类中心初始化的点数据,包括:
由所述第一重叠区域中的每个点数据查找在所述第二重叠区域中与其最邻近的一个点数据计算得到第一向量,将所述第一重叠区域中的各个点沿其法向量的反方向移动第一预设距离得到第一移动点,所述第一预设距离为所述第一重叠区域中点数据对应的第一向量在其法向量方向上投影的0.5倍;
由所述第二重叠区域中的每个点数据查找在所述第一重叠区域中与其最邻近的一个点数据计算得到第二向量,将所述第二重叠区域中的各个点沿其法向量的反方向移动第二预设距离得到第二移动点,所述第二预设距离为所述第二重叠区域中点数据对应的第二向量在其法向量方向上投影的0.5倍;
将所有的第一移动点和第二移动点划分聚类为多个球形区域,其中每个球形区域以所述第一移动点为中心、单帧点云数据的扫描分辨率的1.5倍为半径;
根据每个球形区域中所有的第一移动点及第二移动点对应的移动前的点数据计算每个聚类的加权平均值以得到所述聚类中心初始化的点坐标及法向量。
在一个优选实施方式中,所述计算每个聚类的加权平均值的方法包括:
计算所述重叠区域中属于当前聚类数据点的置信度,其中数据点的置信度通过计算该数据点邻接三角面片的法向量和三角面片质心视线方向夹角的平均值来获取;
以所述置信度作为权重根据所述当前聚类数据点的点坐标计算点坐标均值,以所述置信度作为权重根据所述当前聚类数据点的法向量计算法向量均值。
在一个优选实施方式中,根据如下表达式分别计算所述点坐标均值和所述法向量均值:
其中,Cj表示点坐标均值,Nj表示法向量均值,及为所述第一重叠区域中属于当前聚类数据点的点坐标及其单位法向,及为所述第二重叠区域中属于当前聚类数据点的点坐标及其单位法向,W1及W2分别为所述第一重叠区域与所述第二重叠区域中属于当前聚类数据点的置信度。
在一个优选实施方式中,所述遍历所述预处理点云数据和所述第二帧点云数据中所有点并查找重叠点,包括:对所述预处理点云数据中的各个点查找在所述第二帧点云数据中与该点距离最近的点且两点之间的距离小于预设检测阈值,则确定该点为重叠点;对所述第二帧点云数据中的各个点查找在所述预处理点云数据中与该点距离最近的点且两点之间的距离小于预设检测阈值,则确定该点为重叠点。
在一个优选实施方式中,所述预设检测阈值为单帧点云数据的扫描分辨率的1.5倍。
为了实现上述目的,本发明还提供一种基于K均值聚类的多帧点云融合的装置,所述装置包括:
数据获取模块,用于获取待融合的第一帧点云数据和第二帧点云数据,其中,所述第一帧点云数据为未融合的单帧点云数据或者至少两帧经融合后的点云数据,所述第二帧点云数据为未融合的单帧点云数据;
区域识别模块,用于识别所述第一帧点云数据与所述第二帧点云数据的重叠区域以及非重叠区域;
数据计算模块,用于对所述重叠区域进行数据处理并划分聚类为多个球形区域,根据所述球形区域内的点数据计算聚类中心初始化的点数据;
点云融合模块,用于根据K均值算法对聚类中心进行迭代优化并计算每个聚类的加权平均值作为更新后的聚类中心直到每个聚类中心不再移动为止,以获得重叠区域融合完成的点数据;
结果输出模块,用于将所述重叠区域融合完成的点数据与所述非重叠区域的点数据合并在一起作为下一次待融合的第一帧点云数据,并逐帧融合所有单帧点云数据。
本发明还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法中的步骤。
本发明还提供一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序被一个或多个处理器执行时,使得所述一个或多个处理器执行上述方法中的步骤。
与现有技术相比,本发明的有益效果在于:通过利用K均值聚类的方法对多帧点云数据进行融合处理,有利于消除单帧重建、多帧匹配的误差所引起融合分层现象,最终生成无冗余、点云密度统一的三维点集合;且在聚类中心更新过程中能够考虑不同置信权重,使得融合结果更加可靠,融合精度更高。
为使发明的上述目的、特征和优点能更明显易懂,下文特举本发明较佳实施例,并配合所附附图,作详细说明如下。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的基于K均值聚类的多帧点云融合方法的流程图;
图2为图1所示步骤S102的子流程图;
图3为图1所示步骤S103的子流程图;
图4为本发明实施例提供的基于K均值聚类的多帧点云融合的装置的结构框图。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并不是为了限定本发明。
请参阅图1,本发明实施例提供一种基于K均值聚类的多帧点云融合方法,用于对已匹配的多帧点云数据进行融合处理,具体包括以下步骤:
步骤S101,获取待融合的第一帧点云数据和第二帧点云数据。
在步骤S101中,第一帧点云数据为未融合的单帧点云数据或者至少两帧经融合后的点云数据,第二帧点云数据为未融合的单帧点云数据。其中,获取的第一帧点云数据和第二帧点云数据均包括三维坐标信息及法向量信息。
具体的,三维点的法向量利用相机成像像素二维分布的有序性生成,可以由共用该三维点的每个三角面片的法向量按照相应的权重加权求和得到,其中三角面片的法向量是垂直于三角面片的直线,权重为相应三角面片的面积,三角面片由点阵列划分点云得到。
步骤S102,识别第一帧点云数据与第二帧点云数据的重叠区域以及非重叠区域。
在步骤S102中,先识别第一帧点云数据与第二帧点云数据的重叠区域,对应余下的数据点集合即为非重叠区域。请参阅图2,在一个实施例中,步骤S102具体包括以下步骤:
步骤S201,将第一帧点云数据旋转平移至第二帧坐标系下得到预处理点云数据。
其中,预处理点云数据是将第一帧点云数据通过刚体变换参数匹配至与第二帧点云数据统一的坐标系下得到的点云数据,若第一帧点云数据为至少两帧经融合后的点云数据则包括最新融合的点的三维坐标信息及法向量信息。
步骤S202,遍历预处理点云数据和第二帧点云数据中所有点并查找重叠点,由预处理点云数据中重叠点的集合构成第一重叠区域,由第二帧点云数据中重叠点的集合构成第二重叠区域。
其中,遍历预处理点云数据中所有点并查找重叠点的步骤包括:对预处理点云数据中的各个点查找在第二帧点云数据中与该点距离最近的点且两点之间的距离小于预设检测阈值,则确定该点为重叠点。例如,对于预处理点云数据的一个点p,在第二帧点云数据中查找到与该点距离最近的点为点q,若点p与点q之间的距离小于预设检测阈值,则点p为预处理点云数据中的重叠点。
遍历第二帧点云数据中所有点并查找重叠点的步骤包括:对第二帧点云数据中的各个点查找在预处理点云数据中与该点距离最近的点且两点之间的距离小于预设检测阈值,则确定该点为重叠点。本实施例中,上述的预设检测阈值为单帧点云数据的扫描分辨率的1.5倍。
步骤S103,对重叠区域进行数据处理并划分聚类为多个球形区域,根据球形区域内的点数据计算聚类中心初始化的点数据。
在步骤S103中,以上述的第一重叠区域与第二重叠区域作为未聚类的初始点集,选取初始化聚类中心并计算其点坐标及法向量,请一并参阅图3,步骤S103进一步包括以下子步骤:
步骤S301,由第一重叠区域中的每个点数据查找在第二重叠区域中与其最邻近的一个点数据计算得到第一向量,将第一重叠区域中的各个点沿其法向量的反方向移动第一预设距离得到第一移动点。
其中,以第一重叠区域为例,对于第一重叠区域中任意一点将其沿着其法向量的反方向移动第一预设距离d1,得到第一移动点具体可由如下公式表示:
具体的,第一预设距离d1为第一向量在第一重叠区域中某点的法向量方向上投影的0.5倍,且第一向量由第一重叠区域中某点及第二重叠区域中与该点距离最近的点形成,其表达式为第一预设距离d1的计算过程可表示为:
步骤S302,由第二重叠区域中的每个点数据查找在第一重叠区域中与其最邻近的一个点数据计算得到第二向量,将第二重叠区域中的各个点沿其法向量的反方向移动第二预设距离得到第二移动点。
其中,第二预设距离为第二重叠区域中点数据对应的第二向量在该点的法向量方向上投影的0.5倍,第二向量由第二重叠区域中某点及第一重叠区域中与该点距离最近的点形成。
步骤S303,将所有的第一移动点和第二移动点划分聚类为多个球形区域,其中每个球形区域以第一移动点为中心、单帧点云数据的扫描分辨率的1.5倍为半径。
其中,对由第一重叠区域与第二重叠区域组成的初始点集进行处理后,按照最邻近原则划分到各个邻域中,进行聚类。
步骤S304,根据每个球形区域中所有的第一移动点及第二移动点对应的移动前的点数据计算每个聚类的加权平均值以得到聚类中心初始化的点坐标及法向量。
其中,遍历所有的第一移动点及第二移动点,查找处于同一个球形区域中的第一移动点及第二移动点,也即是一个聚类中的点,计算每个聚类中所有点的加权平均值,点坐标均值作为初始化聚类中心的点坐标,法向量均值作为初始化聚类中心的法向量。
步骤S104,根据K均值算法对聚类中心进行迭代优化并计算每个聚类的加权平均值作为更新后的聚类中心直到每个聚类中心不再移动为止,以获得重叠区域融合完成的点数据。
在步骤S104中,根据K均值算法,选取欧氏距离作为相似性和距离判断准则,计算每个聚类中各点到聚类中心的距离平方和,一直迭代对聚类中心进行更新,使各聚类总的距离平方和最小,也即聚类中心不再移动,从而获得聚类中心的最终值,得到融合的结果。通过聚类的方法使得融合结果能够满足各个类内的数据尽可能相似,而不同类之间的数据相似度差别尽可能大,从而消除单帧重建、多帧匹配的误差所引起融合分层现象。
本实施例中,步骤S304和步骤S104中每个聚类的加权平均值计算均包括点坐标及法向量的计算,具体方法包括:
计算重叠区域中属于当前聚类数据点的置信度,其中数据点的置信度通过计算该数据点邻接三角面片的法向量和三角面片质心视线方向夹角的平均值来获取。
以置信度作为权重根据当前聚类数据点的点坐标计算点坐标均值,以置信度作为权重根据当前聚类数据点的法向量计算法向量均值。
其中,聚类中心更新过程中考虑不同置信权重,使得融合结果可信度更高。具体的,点坐标均值Cj与法向量均值Nj的计算表达式如下所示:
其中,及为第一重叠区域中属于当前聚类数据点的点坐标及其单位法向,及为第二重叠区域中属于当前聚类数据点的点坐标及其单位法向,W1及W2分别为第一重叠区域与第二重叠区域中属于当前聚类数据点的置信度。
步骤S105,将重叠区域融合完成的点数据与非重叠区域的点数据合并在一起作为下一次待融合的第一帧点云数据,并逐帧融合所有单帧点云数据。
在步骤S105中,将重叠区域融合完成的点数据与非重叠区域内的点数据合并在一起输出,再加入未融合的单帧点云数据进入下一次融合过程,依次类推,通过增量式方法融合直到所有单帧点云数据全部融合完成,从而得到一幅完整的点云数据。
上述方法实施例中,基于K均值聚类的方法对多帧点云数据进行融合处理,有利于消除单帧重建、多帧匹配的误差所引起融合分层现象,最终生成无冗余、点云密度统一的三维点集合;且在聚类中心更新过程中能够考虑不同置信权重,使得融合结果更加可靠,融合精度更高。
基于上述方法实施例,本发明实施例还提供一种基于K均值聚类的多帧点云融合的装置400,请参阅图4,该装置400具体包括:
数据获取模块401,用于获取待融合的第一帧点云数据和第二帧点云数据,其中,第一帧点云数据为未融合的单帧点云数据或者至少两帧经融合后的点云数据,第二帧点云数据为未融合的单帧点云数据。
区域识别模块402,用于识别第一帧点云数据与第二帧点云数据的重叠区域以及非重叠区域。
数据计算模块403,用于对重叠区域进行数据处理并划分聚类为多个球形区域,根据球形区域内的点数据计算聚类中心初始化的点数据。
点云融合模块404,用于根据K均值算法对聚类中心进行迭代优化并计算每个聚类的加权平均值作为更新后的聚类中心直到每个聚类中心不再移动为止,以获得重叠区域融合完成的点数据。
结果输出模块405,用于将重叠区域融合完成的点数据与非重叠区域的点数据合并在一起作为下一次待融合的第一帧点云数据,并逐帧融合所有单帧点云数据。
在一个实施例中,区域识别模块402还用于:将第一帧点云数据旋转平移至第二帧坐标系下得到预处理点云数据;遍历预处理点云数据和第二帧点云数据中所有点并查找重叠点,由预处理点云数据中重叠点的集合构成第一重叠区域,由第二帧点云数据中重叠点的集合构成第二重叠区域。
在一个实施例中,数据计算模块403还用于:由第一重叠区域中的每个点数据查找在第二重叠区域中与其最邻近的一个点数据计算得到第一向量,将第一重叠区域中的各个点沿其法向量的反方向移动第一预设距离得到第一移动点,第一预设距离为第一重叠区域中点数据对应的第一向量在其法向量方向上投影的0.5倍;由第二重叠区域中的每个点数据查找在第一重叠区域中与其最邻近的一个点数据计算得到第二向量,将第二重叠区域中的各个点沿其法向量的反方向移动第二预设距离得到第二移动点,第二预设距离为第二重叠区域中点数据对应的第二向量在其法向量方向上投影的0.5倍;将所有的第一移动点和第二移动点划分聚类为多个球形区域,其中每个球形区域以第一移动点为中心、单帧点云数据的扫描分辨率的1.5倍为半径;根据每个球形区域中所有的第一移动点及第二移动点对应的移动前的点数据计算每个聚类的加权平均值以得到聚类中心初始化的点坐标及法向量。
进一步的,本发明实施例还提供一种计算机设备。该计算机设备包括存储器和处理器,存储器中存储有计算机程序;计算机程序被处理器执行时,使得处理器执行上述方法实施例中的步骤。
在一个实施例中,本发明还提供一种计算机可读存储介质,其上储存有计算机程序。计算机程序被一个或多个处理器执行时,使得一个或多个处理器执行上述方法中的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施局限于这些说明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围内。
Claims (10)
1.一种基于K均值聚类的多帧点云融合方法,其特征在于,包括以下步骤:
获取待融合的第一帧点云数据和第二帧点云数据,其中,所述第一帧点云数据为未融合的单帧点云数据或者至少两帧经融合后的点云数据,所述第二帧点云数据为未融合的单帧点云数据;
识别所述第一帧点云数据与所述第二帧点云数据的重叠区域以及非重叠区域;
对所述重叠区域进行数据处理并划分聚类为多个球形区域,根据所述球形区域内的点数据计算聚类中心初始化的点数据;
根据K均值算法对聚类中心进行迭代优化并计算每个聚类的加权平均值作为更新后的聚类中心直到每个聚类中心不再移动为止,以获得重叠区域融合完成的点数据;
将所述重叠区域融合完成的点数据与所述非重叠区域的点数据合并在一起作为下一次待融合的第一帧点云数据,并逐帧融合所有单帧点云数据。
2.如权利要求1所述的基于K均值聚类的多帧点云融合方法,其特征在于,所述识别所述第一帧点云数据与所述第二帧点云数据的重叠区域以及非重叠区域,包括:
将所述第一帧点云数据旋转平移至第二帧坐标系下得到预处理点云数据;
遍历所述预处理点云数据和所述第二帧点云数据中所有点并查找重叠点,由所述预处理点云数据中重叠点的集合构成第一重叠区域,由所述第二帧点云数据中重叠点的集合构成第二重叠区域。
3.如权利要求2所述的基于K均值聚类的多帧点云融合方法,其特征在于,所述对所述重叠区域进行数据处理并划分聚类为多个球形区域,根据所述球形区域内的点数据计算聚类中心初始化的点数据,包括:
由所述第一重叠区域中的每个点数据查找在所述第二重叠区域中与其最邻近的一个点数据计算得到第一向量,将所述第一重叠区域中的各个点沿其法向量的反方向移动第一预设距离得到第一移动点,所述第一预设距离为所述第一重叠区域中点数据对应的第一向量在其法向量方向上投影的0.5倍;
由所述第二重叠区域中的每个点数据查找在所述第一重叠区域中与其最邻近的一个点数据计算得到第二向量,将所述第二重叠区域中的各个点沿其法向量的反方向移动第二预设距离得到第二移动点,所述第二预设距离为所述第二重叠区域中点数据对应的第二向量在其法向量方向上投影的0.5倍;
将所有的第一移动点和第二移动点划分聚类为多个球形区域,其中每个球形区域以所述第一移动点为中心、单帧点云数据的扫描分辨率的1.5倍为半径;
根据每个球形区域中所有的第一移动点及第二移动点对应的移动前的点数据计算每个聚类的加权平均值以得到所述聚类中心初始化的点坐标及法向量。
4.如权利要求3所述的基于K均值聚类的多帧点云融合方法,其特征在于,所述计算每个聚类的加权平均值的方法包括:
计算所述重叠区域中属于当前聚类数据点的置信度,其中数据点的置信度通过计算该数据点邻接三角面片的法向量和三角面片质心视线方向夹角的平均值来获取;
以所述置信度作为权重根据所述当前聚类数据点的点坐标计算点坐标均值,以所述置信度作为权重根据所述当前聚类数据点的法向量计算法向量均值。
5.如权利要求4所述的基于K均值聚类的多帧点云融合方法,其特征在于,根据如下表达式分别计算所述点坐标均值和所述法向量均值:
其中,Cj表示点坐标均值,Nj表示法向量均值,及为所述第一重叠区域中属于当前聚类数据点的点坐标及其单位法向,及为所述第二重叠区域中属于当前聚类数据点的点坐标及其单位法向,W1及W2分别为所述第一重叠区域与所述第二重叠区域中属于当前聚类数据点的置信度。
6.如权利要求2所述的基于K均值聚类的多帧点云融合方法,其特征在于,所述遍历所述预处理点云数据和所述第二帧点云数据中所有点并查找重叠点,包括:对所述预处理点云数据中的各个点查找在所述第二帧点云数据中与该点距离最近的点且两点之间的距离小于预设检测阈值,则确定该点为重叠点;对所述第二帧点云数据中的各个点查找在所述预处理点云数据中与该点距离最近的点且两点之间的距离小于预设检测阈值,则确定该点为重叠点。
7.如权利要求6所述的基于K均值聚类的多帧点云融合方法,其特征在于,所述预设检测阈值为单帧点云数据的扫描分辨率的1.5倍。
8.一种基于K均值聚类的多帧点云融合的装置,其特征在于,所述装置包括:
数据获取模块,用于获取待融合的第一帧点云数据和第二帧点云数据,其中,所述第一帧点云数据为未融合的单帧点云数据或者至少两帧经融合后的点云数据,所述第二帧点云数据为未融合的单帧点云数据;
区域识别模块,用于识别所述第一帧点云数据与所述第二帧点云数据的重叠区域以及非重叠区域;
数据计算模块,用于对所述重叠区域进行数据处理并划分聚类为多个球形区域,根据所述球形区域内的点数据计算聚类中心初始化的点数据;
点云融合模块,用于根据K均值算法对聚类中心进行迭代优化并计算每个聚类的加权平均值作为更新后的聚类中心直到每个聚类中心不再移动为止,以获得重叠区域融合完成的点数据;
结果输出模块,用于将所述重叠区域融合完成的点数据与所述非重叠区域的点数据合并在一起作为下一次待融合的第一帧点云数据,并逐帧融合所有单帧点云数据。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上储存有计算机程序,所述计算机程序被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910284779.7A CN110147815A (zh) | 2019-04-10 | 2019-04-10 | 基于k均值聚类的多帧点云融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910284779.7A CN110147815A (zh) | 2019-04-10 | 2019-04-10 | 基于k均值聚类的多帧点云融合方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147815A true CN110147815A (zh) | 2019-08-20 |
Family
ID=67588737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910284779.7A Pending CN110147815A (zh) | 2019-04-10 | 2019-04-10 | 基于k均值聚类的多帧点云融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147815A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530376A (zh) * | 2019-10-10 | 2019-12-03 | 上海钛米机器人科技有限公司 | 机器人定位方法、装置、机器人及存储介质 |
CN110837873A (zh) * | 2019-11-18 | 2020-02-25 | 上海吉七物联网科技有限公司 | 一种三维点云聚类的算法 |
CN111198378A (zh) * | 2019-12-27 | 2020-05-26 | 深圳市优必选科技股份有限公司 | 基于边界的自主探索方法和装置 |
CN112381026A (zh) * | 2020-11-23 | 2021-02-19 | 武汉理工大学 | 航道岸线检测方法、系统、装置和存储介质 |
CN112580677A (zh) * | 2019-09-29 | 2021-03-30 | 北京地平线机器人技术研发有限公司 | 一种点云数据点的分类方法及装置 |
CN112767319A (zh) * | 2020-12-30 | 2021-05-07 | 无锡祥生医疗科技股份有限公司 | 基于点云数据分割的乳腺超声成像方法、装置及存储介质 |
CN112819700A (zh) * | 2019-11-15 | 2021-05-18 | 阿里巴巴集团控股有限公司 | 一种点云数据的去噪方法、装置及可读存储介质 |
CN113837952A (zh) * | 2020-06-24 | 2021-12-24 | 影石创新科技股份有限公司 | 基于法向量的三维点云降噪方法、装置、计算机可读存储介质及电子设备 |
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及系统 |
CN116310149A (zh) * | 2023-05-18 | 2023-06-23 | 深圳优立全息科技有限公司 | 一种体素合并方法、装置、设备及存储介质 |
-
2019
- 2019-04-10 CN CN201910284779.7A patent/CN110147815A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580677A (zh) * | 2019-09-29 | 2021-03-30 | 北京地平线机器人技术研发有限公司 | 一种点云数据点的分类方法及装置 |
CN110530376A (zh) * | 2019-10-10 | 2019-12-03 | 上海钛米机器人科技有限公司 | 机器人定位方法、装置、机器人及存储介质 |
CN110530376B (zh) * | 2019-10-10 | 2021-04-23 | 上海钛米机器人科技有限公司 | 机器人定位方法、装置、机器人及存储介质 |
CN112819700A (zh) * | 2019-11-15 | 2021-05-18 | 阿里巴巴集团控股有限公司 | 一种点云数据的去噪方法、装置及可读存储介质 |
CN110837873A (zh) * | 2019-11-18 | 2020-02-25 | 上海吉七物联网科技有限公司 | 一种三维点云聚类的算法 |
CN111198378A (zh) * | 2019-12-27 | 2020-05-26 | 深圳市优必选科技股份有限公司 | 基于边界的自主探索方法和装置 |
CN111198378B (zh) * | 2019-12-27 | 2022-06-28 | 深圳市优必选科技股份有限公司 | 基于边界的自主探索方法和装置 |
CN113837952A (zh) * | 2020-06-24 | 2021-12-24 | 影石创新科技股份有限公司 | 基于法向量的三维点云降噪方法、装置、计算机可读存储介质及电子设备 |
CN112381026A (zh) * | 2020-11-23 | 2021-02-19 | 武汉理工大学 | 航道岸线检测方法、系统、装置和存储介质 |
CN112767319A (zh) * | 2020-12-30 | 2021-05-07 | 无锡祥生医疗科技股份有限公司 | 基于点云数据分割的乳腺超声成像方法、装置及存储介质 |
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及系统 |
CN116310149A (zh) * | 2023-05-18 | 2023-06-23 | 深圳优立全息科技有限公司 | 一种体素合并方法、装置、设备及存储介质 |
CN116310149B (zh) * | 2023-05-18 | 2023-07-21 | 深圳优立全息科技有限公司 | 一种体素合并方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147815A (zh) | 基于k均值聚类的多帧点云融合方法及装置 | |
KR101532864B1 (ko) | 모바일 디바이스들에 대한 평면 맵핑 및 트래킹 | |
EP3506158A1 (en) | Method, apparatus, and device for determining lane line on road | |
US10706567B2 (en) | Data processing method, apparatus, system and storage media | |
CN113432600B (zh) | 基于多信息源的机器人即时定位与地图构建方法及系统 | |
Boult et al. | Factorization-based segmentation of motions | |
US11300964B2 (en) | Method and system for updating occupancy map for a robotic system | |
Chen et al. | Global minimum for a Finsler elastica minimal path approach | |
EP1694821B1 (en) | Probable reconstruction of surfaces in occluded regions by computed symmetry | |
KR102068419B1 (ko) | 포인트 클라우드 데이터 수집 궤적을 조정하기 위한 방법, 장치 및 컴퓨터 판독 가능한 매체 | |
CN108765548A (zh) | 基于深度相机的三维场景实时重建方法 | |
US9449392B2 (en) | Estimator training method and pose estimating method using depth image | |
CN109635685A (zh) | 目标对象3d检测方法、装置、介质及设备 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN109754459B (zh) | 一种用于构建人体三维模型的方法及系统 | |
CN107784671A (zh) | 一种用于视觉即时定位与建图的方法与系统 | |
CN105701455A (zh) | 基于asm算法的人脸特征点采集及三维人脸建模方法 | |
Stekovic et al. | Montefloor: Extending mcts for reconstructing accurate large-scale floor plans | |
CN109872354A (zh) | 基于非线性优化的多视角点云配准方法及系统 | |
CN110517307A (zh) | 利用卷积实现基于激光散斑图的立体匹配方法 | |
Gao et al. | Phase unwrapping method based on parallel local minimum reliability dual expanding for large-scale data | |
CN112305558B (zh) | 一种利用激光点云数据的移动机器人轨迹确定方法及装置 | |
CN113256693A (zh) | 基于K-means与正态分布变换的多视角配准方法 | |
Ding et al. | Research on optimization of SURF algorithm based on embedded CUDA platform | |
Chen et al. | Computing geodesic paths encoding a curvature prior for curvilinear structure tracking |
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 |