CN110175954A - 改进的icp点云快速拼接方法、装置、电子设备及存储介质 - Google Patents
改进的icp点云快速拼接方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110175954A CN110175954A CN201910458372.1A CN201910458372A CN110175954A CN 110175954 A CN110175954 A CN 110175954A CN 201910458372 A CN201910458372 A CN 201910458372A CN 110175954 A CN110175954 A CN 110175954A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- point cloud
- cloud
- information data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005304 joining Methods 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 101150096752 NCAM1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种改进的ICP点云快速拼接方法、装置、电子设备及存储介质。该方法包括:获取摄像机采集的数据;基于Kd‑Tree空间索引算法,对数据进行邻域间关系的点云信息数据的查找;利用随机采样对点云信息数据中的彩色点云特征点进行采样;基于Kd‑Tree领域搜索法确定点云信息数据中的领域点,对领域点内的特征点的特征进行描述;利用改进的ICP算法,构建约束函数以完成点云数据的拼接。利用该方法可以增强迭代速率,且不会出现局部收敛而影响迭代效果的问题。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及改进的ICP点云快速拼接方法装置、电子设备及存储介质。
背景技术
光学追踪定位系统,利用图形识别、光学技术,通过多传感器摄像头组建和定制服务器配合使用的方法,大面积地获取具备色彩和深度数据的三维坐标空间点云信息。ICP(Iterative Closest Points,迭代最近邻点)算法,本质上是基于最小二乘法的最优配准方法,该算法重复进行选择对应关系点对,计算最优刚体变换,直到满足正确配准的收敛精度要求。
在电影与电视节目的拍摄中,主要采用具有跟踪功能的深度摄像机进行拍摄,它能够计算出目标图像与摄像机的距离,从而确定此目标图像的确切位置以及转动信息。系统包括数据采集、数据处理、视频合成输出渲染这三大模块,主要是通过安装在摄像机的传感器双捕捉摄像头实时光学追踪并获取待采集的信息数据。此类摄像头实时追踪获取的环境信息及摄像机镜头数据口传送回的镜头参数等数据统一通过数据接口盒,以六类网线的级联方式输送至虚拟跟踪服务器,在服务器完成整个点云数据信息点的拼接,最后将虚拟跟踪服务器计算出的跟踪数据按照开源协议编码,输出至渲染服务器完成视频合成显示。
然而,本申请的发明人发现现有技术中利用ICP算法未涉及点云彩色信息的匹配,而且对于粗配准的迭代输入值要求较高。因而迭代速率较低,且会出现局部收敛而影响迭代效果。
发明内容
本申请实施例的目的在于提供一种改进的ICP点云快速拼接方法、装置、电子设备及存储介质,以增强迭代速率。
第一方面,本申请实施例提供了一种改进的ICP点云快速拼接方法,该方法包括:
获取摄像机采集的数据;其中,数据包括环境信息数据和摄像机镜头数据;
基于Kd-Tree(K-dimensional树)空间索引算法,对数据进行邻域间关系的点云信息数据的查找;
对点云信息数据中的彩色点云特征点进行采样;
基于Kd-Tree领域搜索法确定点云信息数据中的领域点,领域点内的特征点的特征进行描述;
利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
可选的:
所述摄像机,其捕捉摄像头的采样率为60帧频,镜头曝光率为8500-9000。
可选的,对点云信息数据中的彩色点云特征点进行采样,包括:
按照预定规则将源点云集划分成点云第一子集;
按照预定规则将目标点云集划分成点云第二子集;
对点云第一子集和点云第二子集进行特征点采样。
可选的,基于Kd-Tree领域搜索法确定点云信息数据中的领域点,包括:
利用伞曲率体积积分不变量算法,估计出点云信息数据中的伞体积分不变量特征点;
对采样的信息点进行特征值逼近,确定有效的特征描述点。
第二方面,本申请实施例提供了一种改进的ICP点云快速拼接装置,该装置包括:
获取模块,用于获取摄像机采集的数据;其中,数据包括环境信息数据和摄像机镜头数据;
查找模块,用于基于Kd-Tree空间索引算法,对数据进行邻域间关系的点云信息数据的查找;
采样模块,用于对点云信息数据中的彩色点云特征点进行采样;
确定模块,用于基于Kd-Tree领域搜索法确定点云信息数据中的领域点,对领域点内的特征点的特征进行描述;
拼接模块,用于利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
可选的:
摄像机,其捕捉摄像头的采样率为60帧频,镜头曝光率为8500-9000。
可选的,该采样模块,包括:
第一划分单元,用于按照预定规则将源点云集划分成点云第一子集;
第二划分单元,用于按照预定规则将目标点云集划分成点云第二子集;
特征点采样单元,用于对点云第一子集和点云第二子集进行特征点采样。
可选的,该确定模块,包括:
估计单元,用于利用伞曲率体积积分不变量算法,估计出点云信息数据中的伞体积分不变量特征点;
处理单元,用于对采样的信息点进行特征值逼近,确定有效的特征描述点。
第三方面,本发明实施例还提供一种电子设备,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现描述的一种改进的ICP点云快速拼接方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,当所述计算机程序指令被处理器执行实现本申请实施例描述的一种改进的ICP点云快速拼接方法。
本申请实施例提供的一种改进的ICP点云快速拼接方法,通过色彩特征点与随机采样相结合的方法来实现彩色点云特征点采样,能够覆盖整个采样模型的基础上,保证采样空间及色彩的均匀分布;使用伞曲率体积积分不变量算法增强了对特征值的辨识能力。利用特征值分解法实现了对目标函数的求解,提高了迭代精度和收敛速度。通过光学追踪定位系统获取的点云信息受实际复杂环境灯光的影响,构建彩色点云模型,实现了对本文算法输入值的优化处理。通过对摄像参数进行设置,减少光学环境干扰,解决灯光明暗产生的剧烈变化的场景跟踪数据闪烁的现象,同时,该参数的设置避免因曝光超限产生过多错误的位置信息点,减轻了服务器的压力。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请实施例的一种改进的ICP点云快速拼接方法的第一种示意图;
图2为本申请实施例的一种改进的ICP点云快速拼接装置的第一种示意图;
图3为相关技术中的目标信息点RGB值归一化示意图;
图4为相关技术中的级联方式的光学追踪系统的一种示意图;
图5为本申请实施例的电子设备的一种示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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例,都属于本申请保护的范围。
现有技术中采用的ICP算法为假定已给的两个数据集P、Q,给出两个点集的空间变换函数,使得他们可以进行空间匹配,但是空间变换函数为一未知函数,而且点集中的点数不一定相同,为了解决这个问题通常采用迭代最近点法进行。
可以理解的,有P1和P2两个点集,每迭代一步,都会朝着距离最小的目标进行。首选需要筛选点对,由P1中的点,在P2中搜索出其最近的点,组成一个点对。依次找出这两个点集中所有的点对,点对集合相当于进行有效计算的两个新点集。然后根据点集对,即两个新点集,计算两个重心。下一步根据新点集,计算出由于重心的差异产生的旋转矩阵R,和平移矩阵t。得到旋转矩阵和平移转矩Rt,即可以计算点集P2进行刚体变换之后的新点集P2`,由计算P2到P2`的距离平方和,以连续两次距离平方和之差绝对值,作为是否收敛的依据。若小于阈值,就收敛,停止迭代。重复上述的步骤,直到收敛完成或者达到既定的迭代次数。其中,计算旋转矩阵R时,需要矩阵方面的运算。由新的点集,每个点到重心的距离关系,计算正定矩阵N,并计算N的最大特征值及其最大特征向量;其特征向量等价于旋转的四元数(且是残差和最小的旋转四元数),将四元数转换为旋转矩阵。
在影视行业需要提高影视拍摄跟踪匹配速度、虚拟融合显示的质量,实时追踪演员的位姿,并将虚实场景无缝融合。但是按照上述的方法通过光学追踪系统获取的点云信息不但包含空间位姿信息,还包括RGB值。传统ICP算法未涉及点云彩色信息的匹配,并且对于粗配准的迭代输入值要求很高,因而迭代速度较慢,且会出现局部收敛而影响迭代效果。
考虑到目标信息点受实际复杂环境灯光的影响,值误差较大,而色调受灯光影响较小,特用每个点的归一化色调值(其归一化色调值以下简称色调值)代表色彩信息,以此构建彩色点云模型,从而实现对本文算法输入值的优化处理,参见图3为相关技术中的目标信息点RGB值归一化示意图。
因此,基于以上的问题,在保证收敛精度的同时能够在更短的时间内获得更高的拼接成功率是亟待解决的问题。
下面将参考附图并结合实施例来详细说明本申请。
请参见图1,其示出了本申请实施例提供的一种改进的ICP点云快速拼接方法的第一种示意图。该方法包括:
步S11,获取摄像机采集的数据;其中,数据包括环境信息数据和摄像机镜头数据;
通过光学追踪系统(如Ncam拍摄系统)获取拍摄采集环境信息及摄像镜头数据,图4为相关技术中的级联方式的光学追踪系统的一种示意图。光学跟踪是利用光学测量和成象原理,测量、记录目标的运动轨迹、姿态、运动中发生的事件,以及目标的红外辐射和视觉(可见光)特征。光学跟踪测量设备通常由摄影机、跟踪或监视设备和数据处理设备组成。多台设备通过适当组合,构成光学跟踪测量系统。光学跟踪测量系统主要分为三类,第一类为弹道测量设备,用来获取被测目标在空间随时间变化的位置、速度和加速度等数据。是对航天器、武器系统进行鉴定的改进设计,所用设备主要有电影经纬度、弹照相机和固定摄像机;姿态和事件测量设备,主要有跟踪望远镜和高速摄像机,用来获取目标的飞行姿态和事件数据,如目标的滚动,俯仰和偏航,以及发射时间、遭遇时间和脱靶量;目标特征测量设备,用于对目标红外信号特征和可见光信号特征进行测量。
光学跟踪测量系统的发展趋势进一步提高激光雷达的作用距离,应用图像识别和处理技术提高光学跟踪测量设备的捕获能力、测量精度,利用计算机技术提高光学跟踪测量系统自动化程度。
在光学跟踪测量中须由多种设备组成一个完成的跟踪测量系统。在本申请实施例中利用该系统中的摄像机获取拍摄前采集的环境信息和拍摄过程中摄像机镜头的数据以后,将上述数据进行处理,并发送到追踪服务器中,供后续的数据处理。
S12,基于Kd-Tree空间索引算法,对数据进行邻域间关系的点云信息数据的查找;
Kd-Tree(k-dimensional树),是一种分割K维数据空间的数据结构,也是一种高维索引树形数据结构。Kd-Tree是一种平衡二叉树。主要应用于多维空间关键数据的搜索。常用于大规模的高维数据空间进行临近查找和近似最近查找,例如图像检索和识别中的高维图像特征向量的K值近邻查找和匹配。
根据光学追踪系统及摄像头获取不同的彩色图像及不同的彩色图像对应的深度元信息,利用Kd-Tree算法对获取到不同的彩色图像和不同彩色图像对应的深度元信息进行处理,完成获取到的彩色图像中邻域间关系的点云信息数据的查找。
摄像机采集到的RGBD(Red\Green\Blue+Depth,红、绿、蓝和深度)图像,可以理解的,包括RGB(Red\Green\Blue,红、绿、蓝)图像和深度图像,仅仅包含目标物体从相机视角可视的局部区域信息,需要获取目标物体的完整的颜色信息及深度信息,需要从不同角度对目标物体进行拍摄。因此,可以记录下相邻两幅图像的旋转或者平移关系,作为后面改进的ICP算法的原始图像数据。基于Kd-Tree空间索引算法进行邻域间关系的点云信息数据的查找的过程中,是对获取到的含有相同目标物体的所有采集到的图像进行查找,可以生成空间点云数据库。
S13,对所述点云信息数据中的彩色点云特征点进行采样。优选的采用色彩特征点与随机采样相结合的方法来实现彩色点云特征点采样。
随机抽样可以理解为按照随机性原则,从总体单位中抽出部分单位作为样本进行调查,以其结果推断总体有关指标的一种抽样方法。利用这抽样检验的基本形式,其特点是总体中每个单位被抽中的概率是相同的,完全由许多随机因素综合作用来决定,既排除了抽样时人的主观随意性,也排除了人的主观能动性。
在覆盖整个采样模型的基础上,保证采样空间及色彩的均匀分布。具体操作步骤如下:
步骤1:设定参数nd,将H值(0-1)均分为nd份,将源点云集P划分为nd份点云子集Pk(k∈1,2,3Λ,nd),则每一个点云子集Pk仅仅包含满足公式的点。
步骤2:按照步骤1的划分方式将目标点云集Q进行划分,此时点云子集则仅包含满足公式的点。
步骤3:特征点采样。定义采样点集ND=0,若满足条件ND<Nsample,且Pk、Qk均不为空子集,则选择Pk中的任一点作为特征点。通过迭代方式,获取所有有效的特征点并储存至服务器。该采样算法能够有效避免色彩特征点局部拟合的问题。
S14,基于Kd-Tree领域搜索法确定点云信息数据中的领域点,对领域点内的特征点的特征进行描述;
如果需要对点云数据信息中的领域点内的特征点进行描述,光有点云的位置是不够的,常常需要计算一些额外的参数,比如法线方向、曲率、文理特征等等。如同图像的特征一样,我们需要使用类似的方式来描述三维点云的特征。常用的描述算法有法线和曲率计算、特征值分析、点特征直方图描述子、跨苏点特征直方图描述子等方法。
S15,利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
在计算机视觉,文物数字化等领域中,由于点云的不完整,旋转错位,平移错位等,使得要得到的完整的点云就需要对局部点云进行配准,为了得到被测物体的完整数据模型,需要确定一个合适的坐标系,将从各个视角得到的点集合并到统一的坐标系下形成一个完整的点云,然后就可以方便进行可视化的操作,这就是点云数据的配准。点云的配准有手动配准依赖仪器的配准,和自动配准,点云的自动配准技术是通过一定的算法或者统计学规律利用计算机计算两块点云之间错位,从而达到两块点云自动配准的效果,其实质就是把不同的坐标系中测得到的数据点云进行坐标系的变换,以得到整体的数据模型,问题的关键是如何让得到坐标变换的参数R(旋转矩阵)和T(平移向量),使得两视角下测得的三维数据经坐标变换后的距离最小,,目前配准算法按照过程可以分为整体配准和局部配准。PCL中有单独的配准模块,实现了配准相关的基础数据结构,和经典的配准算法如ICP。
可以理解的,ICP算法对待拼接的2片点云,首先根据一定的准则确立对应点集P与Q,其中对应点对的个数,然后通过最小乘法迭代计算最优的坐标变换,即旋转矩阵R和平移矢量t,使得误差函数最小,ICP处理流程分为四个主要的步骤:对原始点云数据进行采样;确定初始对应点集;去除错误对应点对;坐标变换求解。
本申请实施例,将原有的点云拼接算法ICP算法进行了改进,具体求解步骤如下:
步骤1:当k=0时初始化坐标,坐标表示为R(0)和T(0)。考虑到点云集中的点Pk仅需要在同色调点云集中查找Qk,k的计算方式:
步骤2:计算在点云库P中的每个点Pi在点云库Q中的最近距离mi(k),根据有效点准则,判断出mi与mi(k)之间是否对应,如果对应,则提取出对应点的集合,这些集合可以表示为:
{di|i=1,2,L,NK},{di(k)|i=1,2,L,NK}
然后用四元数法求解R(k)和T(k),最后可计算得函数:
步骤3:在完成上述步骤之后,判断收敛关系。即当E(K-1)-E(K)≥ε,设置k+=1;若0≤E(K-1)-E(K)≤ε,则记录所求的R(k)和T(k)的值。其中ε为收敛精度。
上述操作步骤主要是通过四元数法和特征值分解法(SVD)最优化方法来求解最优值。
本申请实施例提供的一种改进的ICP点云快速拼接方法,通过色彩特征点与随机采样相结合的方法来实现彩色点云特征点采样,能够覆盖整个采样模型的基础上,保证采样空间及色彩的均匀分布;使用伞曲率体积积分不变量算法增强了对特征值的辨识能力。利用特征值分解法实现了对目标函数的求解,提高了迭代精度和收敛速度。通过光学追踪系统获取的点云信息受实际复杂环境灯光的影响,构建彩色点云模型,实现了对本文算法输入值的优化处理。通过对摄像参数进行设置,减少光学环境干扰,解决灯光明暗产生的剧烈变化的场景跟踪数据闪烁的现象,同时,该参数的设置避免因曝光超限产生过多错误的位置信息点,减轻了服务器的压力。
可选的:
所述摄像机,其捕捉摄像头的采样率为60帧频,镜头曝光率为8500-9000。
可以理解的,将Camera Bar双捕捉摄像头的帧频设置在每秒60帧频的采样率,最大限度的减弱因光源的强弱闪烁现象导致的位置信息点抖动问题;在服务器中设置CameraBar双捕捉摄像头的镜头曝光设置为8500-9000,gamma设置为0.5左右。降低对比度,基本解决灯光明暗产生的剧烈变化的场景跟踪数据闪烁的现象,同时,该参数的设置能够避免因曝光超限产生过多错误的位置信息点,来减轻服务器的计算压力。
可选的,对点云信息数据中的彩色点云特征点进行采样,包括:
按照预定规则将源点云集划分成点云第一子集;按照预定规则将目标点云集划分成点云第二子集;对点云第一子集和点云第二子集进行特征点采样。
可选的,基于Kd-Tree领域搜索法确定点云信息数据中的领域点,包括:
利用伞曲率体积积分不变量算法,估计出点云信息数据中的伞体积分不变量特征点;对采样的信息点进行特征值逼近,确定有效的特征描述点。
对待拼接的场景点云数据点根据表达式Ir(p)=∫s(投影面积)g(x)w(p-x)dx估计出伞体积分不变量。利用Kd-Tree的领域搜索法确定待搜索点的8个领域点,根据领域点计算出Umbrella-VCI伞体积分不变量特征点,利用各个领域点做出的贡献来设置权限,给定阈值,当贡献值在阈值范围内,则可作为有效特征点,否则剔除该点,计算公式为
第二方面,本申请实施例提一种改进的ICP点云快速拼接装置,如图2所示,为本申请实施例的一种改进的ICP点云快速拼接装置的第一种示意图,装置包括:
获取模块110,用于获取摄像机采集的数据;其中,数据包括环境信息数据和摄像机镜头数据;
查找模块120,用于基于Kd-Tree空间索引算法,对数据进行邻域间关系的点云信息数据的查找;
采样模块130,用于对点云信息数据中的彩色点云特征点进行采样;
确定模块140,用于基于Kd-Tree领域搜索法确定点云信息数据中的领域点,对领域点内的特征点的特征进行描述;
拼接模块150,用于利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
可选的:
所述摄像机,其捕捉摄像头的采样率为60帧频,镜头曝光率为8500-9000。
可选的,采样模块130,包括:
第一划分单元,用于按照预定规则将源点云集划分成点云第一子集;
第二划分单元,用于按照预定规则将目标点云集划分成点云第二子集;
特征点采样单元,用于对点云第一子集和点云第二子集进行特征点采样。
可选的,确定模块140,包括:
估计单元,用于利用伞曲率体积积分不变量算法,估计出点云信息数据中的伞体积分不变量特征点;
处理单元,用于对采样的信息点进行特征值逼近,确定有效的特征描述点。
本申请实施例还提供了一种电子设备,参见图5,为本申请实施例的电子设备的一种示意图,包括:处理器401及存储器402;
上述存储器,用于存放计算机程序。
上述处理器用于执行上述存储器存放的计算机程序时,实现如下步骤:
可选的,处理器用于执行存储器上所存放的程序时,还能够实现上述改进的ICP点云快速拼接方法。
参见图5,本申请实施例的电子设备还包括通信接口402和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
获取摄像机采集的数据;其中,数据包括环境信息数据和摄像机镜头数据;
基于Kd-Tree空间索引算法,对数据进行邻域间关系的点云信息数据的查找;
对点云信息数据中的彩色点云特征点进行采样;
基于Kd-Tree领域搜索法确定点云信息数据中的领域点,对领域点内的特征点的特征进行描述;
利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
可选的,上述处理器用于执行上述存储器存放的计算机程序时,还能够实现上述一种改进的ICP点云快速拼接方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时实现如下步骤:
获取摄像机采集的数据;其中,数据包括环境信息数据和摄像机镜头数据;
基于Kd-Tree空间索引算法,对数据进行邻域间关系的点云信息数据的查找;
对点云信息数据中的彩色点云特征点进行采样;
基于Kd-Tree领域搜索法确定点云信息数据中的领域点,对领域点内的特征点的特征进行描述;
利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
可选的,上述计算机程序被处理器执行时,还能够实现上述一种改进的ICP点云快速拼接方法。
需要说明的是,在本文中,各个可选方案中的技术特征只要不矛盾均可组合来形成方案,这些方案均在本申请公开的范围内。诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及存储介质的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (10)
1.一种改进的ICP点云快速拼接方法,其特征在于,所述方法包括:
获取摄像机采集的数据;其中,所述数据包括环境信息数据和摄像机镜头数据;
基于Kd-Tree空间索引算法,对所述数据进行邻域间关系的点云信息数据的查找;
对所述点云信息数据中的彩色点云特征点进行采样;
基于Kd-Tree领域搜索法确定所述点云信息数据中的领域点,对所述领域点内的特征点的特征进行描述;
利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
2.根据权利要求1所述的方法,其特征在于:
所述摄像机,其捕捉摄像头的采样率为60帧频,镜头曝光率为8500-9000。
3.根据权利要求1所述的方法,其特征在于,所述对所述点云信息数据中的彩色点云特征点进行采样,包括:
按照预定规则将源点云集划分成点云第一子集;
按照预定规则将目标点云集划分成点云第二子集;
对所述点云第一子集和所述点云第二子集进行特征点采样。
4.根据权利要求1所述的方法,其特征在于,所述基于Kd-Tree领域搜索法确定所述点云信息数据中的领域点,包括:
利用伞曲率体积积分不变量算法,估计出所述点云信息数据中的伞体积分不变量特征点;
对采样的信息点进行特征值逼近,确定有效的特征描述点。
5.一种改进的ICP点云快速拼接装置,其特征在于,所述装置包括:
获取模块,用于获取摄像机采集的数据;其中,所述数据包括环境信息数据和摄像机镜头数据;
查找模块,用于基于Kd-Tree空间索引算法,对所述数据进行邻域间关系的点云信息数据的查找;
采样模块,用于对所述点云信息数据中的彩色点云特征点进行采样;
确定模块,用于基于Kd-Tree领域搜索法确定所述点云信息数据中的领域点,对所述领域点内的特征点的特征进行描述;
拼接模块,用于利用改进的ICP算法,构建约束函数以完成点云数据的拼接。
6.根据权利要求5所述的装置,其特征在于:
所述摄像机,其捕捉摄像头的采样率为60帧频,镜头曝光率为8500-9000。
7.根据权利要求5所述的装置,其特征在于,所述采样模块,包括:
第一划分单元,用于按照预定规则将源点云集划分成点云第一子集;
第二划分单元,用于按照预定规则将目标点云集划分成点云第二子集;
特征点采样单元,用于对所述点云第一子集和所述点云第二子集进行特征点采样。
8.根据权利要求5所述的装置,其特征在于,所述确定模块,包括:
估计单元,用于利用伞曲率体积积分不变量算法,估计出所述点云信息数据中的伞体积分不变量特征点;
处理单元,用于对采样的信息点进行特征值逼近,确定有效的特征描述点。
9.一种电子设备,其特征在于,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-4任一所述的一种改进的ICP点云快速拼接方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使得所述计算机执行如权利要求1-4任一项所述一种改进的ICP点云快速拼接方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458372.1A CN110175954A (zh) | 2019-05-29 | 2019-05-29 | 改进的icp点云快速拼接方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458372.1A CN110175954A (zh) | 2019-05-29 | 2019-05-29 | 改进的icp点云快速拼接方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110175954A true CN110175954A (zh) | 2019-08-27 |
Family
ID=67696591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910458372.1A Pending CN110175954A (zh) | 2019-05-29 | 2019-05-29 | 改进的icp点云快速拼接方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175954A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN112015138A (zh) * | 2020-09-04 | 2020-12-01 | 中国工程物理研究院机械制造工艺研究所 | 基于k最近邻迭代最近网格算法的叶片轮廓误差评价方法 |
CN112053396A (zh) * | 2020-09-11 | 2020-12-08 | 舟山市质量技术监督检测研究院 | 一种船舶舱容积测量方法、装置、计算机设备及存储介质 |
CN112950706A (zh) * | 2019-12-11 | 2021-06-11 | 北京海益同展信息科技有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
CN113794842A (zh) * | 2021-11-16 | 2021-12-14 | 广东皓耘科技有限公司 | 视频图像处理方法、装置、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989604A (zh) * | 2016-02-18 | 2016-10-05 | 合肥工业大学 | 一种基于kinect的目标物体三维彩色点云生成方法 |
CN107292921A (zh) * | 2017-06-19 | 2017-10-24 | 电子科技大学 | 一种基于kinect相机的快速三维重建方法 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
-
2019
- 2019-05-29 CN CN201910458372.1A patent/CN110175954A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989604A (zh) * | 2016-02-18 | 2016-10-05 | 合肥工业大学 | 一种基于kinect的目标物体三维彩色点云生成方法 |
CN107292921A (zh) * | 2017-06-19 | 2017-10-24 | 电子科技大学 | 一种基于kinect相机的快速三维重建方法 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
Non-Patent Citations (1)
Title |
---|
崔晓云,张二锋: "改进的迭代最近点快速点云拼接算法", 《西安邮电大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950706A (zh) * | 2019-12-11 | 2021-06-11 | 北京海益同展信息科技有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
WO2021115154A1 (zh) * | 2019-12-11 | 2021-06-17 | 京东数科海益信息科技有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
US11574417B2 (en) | 2019-12-11 | 2023-02-07 | Jingdong Technology Information Technology Co., Ltd. | Portable device positioning data processing method and apparatus, device, and storage medium |
CN112950706B (zh) * | 2019-12-11 | 2023-11-03 | 京东科技信息技术有限公司 | 可移动设备定位数据处理方法、装置、设备及存储介质 |
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN111461981B (zh) * | 2020-03-30 | 2023-09-01 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN112015138A (zh) * | 2020-09-04 | 2020-12-01 | 中国工程物理研究院机械制造工艺研究所 | 基于k最近邻迭代最近网格算法的叶片轮廓误差评价方法 |
CN112015138B (zh) * | 2020-09-04 | 2021-08-10 | 中国工程物理研究院机械制造工艺研究所 | 基于k最近邻迭代最近网格算法的叶片轮廓误差评价方法 |
CN112053396A (zh) * | 2020-09-11 | 2020-12-08 | 舟山市质量技术监督检测研究院 | 一种船舶舱容积测量方法、装置、计算机设备及存储介质 |
CN113794842A (zh) * | 2021-11-16 | 2021-12-14 | 广东皓耘科技有限公司 | 视频图像处理方法、装置、系统、电子设备及存储介质 |
CN113794842B (zh) * | 2021-11-16 | 2022-02-08 | 广东皓耘科技有限公司 | 视频图像处理方法、装置、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022002150A1 (zh) | 一种视觉点云地图的构建方法、装置 | |
Zhang et al. | Content-aware unsupervised deep homography estimation | |
CN110175954A (zh) | 改进的icp点云快速拼接方法、装置、电子设备及存储介质 | |
CN104376552B (zh) | 一种3d模型与二维图像的虚实配准方法 | |
CN106529538A (zh) | 一种飞行器的定位方法和装置 | |
Xue et al. | Panoramic Gaussian Mixture Model and large-scale range background substraction method for PTZ camera-based surveillance systems | |
CN109523595A (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
Lu et al. | A novel image registration approach via combining local features and geometric invariants | |
CN109816706A (zh) | 一种平滑约束与三角网等比例剖分像对稠密匹配方法 | |
Zou et al. | Microarray camera image segmentation with Faster-RCNN | |
Liu et al. | Content-aware unsupervised deep homography estimation and its extensions | |
Zhu et al. | Photometric transfer for direct visual odometry | |
Yan et al. | Deep learning on image stitching with multi-viewpoint images: A survey | |
Żak et al. | Local image features matching for real-time seabed tracking applications | |
CN116823816B (zh) | 一种基于安防监控静态存储器的检测设备及检测方法 | |
CN111652168B (zh) | 基于人工智能的群体检测方法、装置、设备及存储介质 | |
Schöntag et al. | Towards cross domain transfer learning for underwater correspondence search | |
Koizumi et al. | Development of attitude sensor using deep learning | |
CN110135474A (zh) | 一种基于深度学习的倾斜航空影像匹配方法和系统 | |
Yan et al. | Focal length estimation guided with object distribution on FocaLens dataset | |
Li et al. | Color correction based on point clouds alignment in the logarithmic RGB space | |
Huang et al. | Methods on visual positioning based on basketball shooting direction standardisation | |
KK et al. | Visual words for 3D reconstruction and pose computation | |
Tian et al. | High confidence detection for moving target in aerial video | |
Wang et al. | Research and implementation of the sports analysis system based on 3D image technology |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190827 |
|
WD01 | Invention patent application deemed withdrawn after publication |