CN110211129A - 基于区域分割的低覆盖点云配准算法 - Google Patents
基于区域分割的低覆盖点云配准算法 Download PDFInfo
- Publication number
- CN110211129A CN110211129A CN201910411763.8A CN201910411763A CN110211129A CN 110211129 A CN110211129 A CN 110211129A CN 201910411763 A CN201910411763 A CN 201910411763A CN 110211129 A CN110211129 A CN 110211129A
- Authority
- CN
- China
- Prior art keywords
- point
- formula
- point cloud
- region
- registration
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000013459 approach Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract 2
- 238000000034 method Methods 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 abstract description 9
- 238000002156 mixing Methods 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 238000000638 solvent extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 230000014616 translation Effects 0.000 description 8
- 238000013499 data model Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于区域分割的低覆盖点云配准算法,涉及三维重建技术领域。本发明包括如下步骤:采用体积积分不变量判断其点的凹凸性,并提取凹的和凸的特征点集;对特征点构建邻接矩阵实现特征点向无向途中节点的转换,并将点的对应关系转换成无向图中的连线;利用MPPCA分析法提取特征点之间的几何关系,并构造邻接矩阵;通过SVD的ICP算法对分割区域进行配准。本发明通过体积积分不变量计算点云上点的凹凸性,并提取凹凸特征点集;再采用基于混合流形谱聚类的分割算法对特征点集进行区域分割,并利用SVD的ICP算法对区域进行配准,无需迭代即可计算刚体变换的最佳旋转矩阵,利用区域分割提高了配准区域覆盖率、配准精度和配准速度。
Description
技术领域
本发明属于三维重建技术领域,特别是涉及一种基于区域分割的低覆盖点云配准算法。
背景技术
点云配准是点云数据处理的一个重要研究内容,是后续三维点云重建的技术基础。由于受环境和三维数据采集设备分辨率等多种因素的影响,在对实物数字化时采集到的每个点云数据往往只覆盖了实物模型表面的部分数据信息,而且还存在旋转和平移等刚体变换问题。因此,为了获取物体表面的完整点云数据信息,必须通过点云配准将不同角度的点云数据变换到同一坐标系下。
点云配准的算法有很较多,主要有重心重合法、标定点法以及特征提取法等。重心重合法通过将两个点云的重心重合来实现点云配准;标定点法是一种通过在物体表面贴上标定点并利用标定点进行点云配准的方法;特征提取法则是利用物体表面上的一些几何特征,如特征点、曲率、表面纹理以及边缘等,对特征进行提取和描述,通过确定特征之间的对应关系来实现点云配准。
目前应用最广泛的点云配准算法是由Besl等提出的迭代最近点(iterativeclosestpoint,ICP)算法。ICP算法计算简便直观,配准精度高,但对待配准点云的初始位置的依赖性较强,并要求两个点云之间存在一定的包含关系,因此在实际配准中容易陷入局部最优,导致配准效率不高。为了克服ICP算法的局限性,国内外学者对ICP算法进行了改进研究,相继提出PICP(probabilityICP)算法、IAICP(intensity-assistedICP)算法、MICP(modifiedICP)算法以及CICP(clusterICP)算法等多种改进的ICP算法。但是这些配准算法并不具有普适性,特别是对低覆盖率点云的配准效果不佳。
针对上述点云配准的时间复杂度高、收敛速度缓慢、对应点匹配易错等缺点,本文提出一种基于区域分割的低覆盖率点云配准算法。该算法无需迭代即可计算两个特征点集的刚体变换,具有较高的配准精度和配准速度。
发明内容
本发明的目的在于提供一种基于区域分割的低覆盖点云配准算法,通过体积积分不变量计算点云上点的凹凸性,并提取凹凸特征点集;再采用基于混合流形谱聚类的分割算法对特征点集进行区域分割,并利用SVD的ICP算法对区域进行配准,解决了现有的配准算法不具有普适性,特别是对低覆盖率点云的配准效果不佳的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于区域分割的低覆盖点云配准算法,包括如下步骤:
步骤1:提取凹、凸特征点:采用体积积分不变量判断其点的凹凸性,并提取凹的和凸的特征点集;
步骤2:特征点区域分割:对特征点构建邻接矩阵实现特征点向无向途中节点的转换,并将点的对应关系转换成无向图中的连线;
步骤3:特征点分析:利用MPPCA分析法提取特征点之间的几何关系,并构造邻接矩阵;
步骤4:区域配准:通过SVD的ICP算法对分割区域进行配准;点云配准算法的步骤如下:
步骤41:构建测量模式矩阵并通过平移将点集的重心对其;
步骤42:将SVD用于测量模式矩阵,即并计算旋转矩阵
步骤43:创建旋转模式并根据的最近点构建
步骤44:计算配准误差若ε(j)小于给定阈值则说明两个点云区域{Ap,Bq}配准成功,否则区域对{Ap,Bq}为不可配准的区域;
步骤45:通过穷举法将区域集合{A1,A2,...,As}和{B1,B2,...,Bt}中区域进行两两配准即可实现初始点云M和点云D的最终配准。
优选地,所述步骤1中,体积积分不变量Vr(p)的计算公式为:
Vr(p)=∫p+rQg(x)w(p-x)dx (1);
式(1)中,g(x)表示为特征函数,w(p-x)表示权重函数,p+rQ表示为半径是r、中心是点p的球;式(1)中特征函数换成ID(x),并令w(p-x)=1,则体积积分不变量Vr(p)的计算公式为:
Vr(p)=∫p+rQID(x)dx (2);
式(2)中,当x在曲面外侧,ID(x)=1;当x在曲面内侧,则ID(x)=0。
优选地,所述步骤3中,利用EM算法得到最优描述点云分布的M个线性主成分分析器和每个点xi对应于M个线性主成分分析器的概率密度分布,对于第m个线性主成分分析器,任意以个点xi对应于一个降维后的点yi,计算式为:
xi=Vmyi+μm+εm (4);
式(4)中,Vm表示第m个主成分分析器的主子空间,μm表示分布于第m个分析器的所有点均值,εm表示噪声;
当yi和εm均服从高斯分布,则xi关于m的条件概率为:
式(5)中,Z=xi-μm,目标函数FMPPCA为第m个主成份分析器上任意点xi的最大似然估计,计算式为:
式(6)中,πm为各个主成份分析器的混合比例,πm≥0,
本发明具有以下有益效果:
本发明通过体积积分不变量计算点云上点的凹凸性,并提取凹凸特征点集;再采用基于混合流形谱聚类的分割算法对特征点集进行区域分割,并利用SVD的ICP算法对区域进行配准,提高了配准区域覆盖率、配准精度和配准速度。
当然,实施本发明的任一产品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发明实施例的技术方案,下面将对实施例描述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为本发明的一种基于区域分割的低覆盖点云配准算法;
图2为体积积分不变量示意图;
图3为待配准的bunny点云图;
图4为待配准的dragon点云图;
图5为bunny和dragon的公共点云的配准结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于区域分割的低覆盖点云配准算法,包括如下步骤:
步骤1:提取凹、凸特征点:采用体积积分不变量判断其点的凹凸性,并提取凹的和凸的特征点集;
步骤2:特征点区域分割:对特征点构建邻接矩阵实现特征点向无向途中节点的转换,并将点的对应关系转换成无向图中的连线;
步骤3:特征点分析:利用MPPCA分析法提取特征点之间的几何关系,并构造邻接矩阵;
步骤4:区域配准:通过SVD的ICP算法对分割区域进行配准;点云配准算法的步骤如下:
步骤41:构建测量模式矩阵并通过平移将点集的重心对其;
步骤42:将SVD用于测量模式矩阵,即并计算旋转矩阵
步骤43:创建旋转模式并根据的最近点构建
步骤44:计算配准误差若ε(j)小于给定阈值则说明两个点云区域{Ap,Bq}配准成功,否则区域对{Ap,Bq}为不可配准的区域;
步骤45:通过穷举法将区域集合{A1,A2,...,As}和{B1,B2,...,Bt}中区域进行两两配准即可实现初始点云M和点云D的最终配准。
其中,步骤1中,体积积分不变量Vr(p)的计算公式为:
Vr(p)=∫p+rQg(x)w(p-x)dx (1);
式(1)中,g(x)表示为特征函数,w(p-x)表示权重函数,p+rQ表示为半径是r、中心是点p的球;式(1)中特征函数换成ID(x),并令w(p-x)=1,则体积积分不变量Vr(p)的计算公式为:
Vr(p)=∫p+rQID(x)dx (2);
式(2)中,当x在曲面外侧,ID(x)=1;当x在曲面内侧,则ID(x)=0;如图2所示,Vr(p)反应了曲面在p点处的凹凸程度,当Vr(p)=2πr3/3时,即Vr(p)是球体积的一半时,p在半径r领域内为平面顶点,当半径r越大,则Vr(p)越大,且p+rQ内部噪声与Vr(p)无关。
顶点的凹凸程度采用点的体积积分不变量与球体积的比值来定义,定义式为:
由式(3)可知,当charV(p)=0.5时,点p位于平坦面;当charV(p)>0.5时,点p位于凸面;当charV(p)<0.5时,点p位于凹面。
其中,步骤3中,利用EM算法得到最优描述点云分布的M个线性主成分分析器和每个点xi对应于M个线性主成分分析器的概率密度分布,对于第m个线性主成分分析器,任意以个点xi对应于一个降维后的点yi,计算式为:
xi=Vmyi+μm+εm (4);
式(4)中,Vm表示第m个主成分分析器的主子空间,μm表示分布于第m个分析器的所有点均值,εm表示噪声;
当yi和εm均服从高斯分布,则xi关于m的条件概率为:
式(5)中,Z=xi-μm,目标函数FMPPCA为第m个主成份分析器上任意点xi的最大似然估计,计算式为:
式(6)中,πm为各个主成份分析器的混合比例,πm≥0,
描述端云的最佳参数通过利用EM算法使目标函数FMPPCA最大化来求解,将混合比例最大的主成分分析器作为点的所在流形,那么点i和点j之间的相似关系计算式为:
由此根据点之间的相似关系得到点云的邻接矩阵W,然后采用N-cut准则对点进行切割,切割的目标函数FN-cut为:
式(8)中,Al(l=1,2,...,k)为第l个分割区域,为Al的补集,通过最小化FN-cut即可实现特征点集的区域分割。
SVD是一种应用非常广泛的矩阵分解方法,它比特征分解等其它方法更加稳定,目前己经在数据压缩、去噪以及配准等方面获得了较为广泛的应用。
设矩阵则存在m阶正交矩阵U和n阶正交矩阵V,使得其中,Σ=diag(σ1,σ2,...,σr),Σ为矩阵A的全部非零奇异值,满足σ1≥σ2≥...≥σr>0;U的列向量(左奇异向量)是AAT特征向量,V的列向量(右奇异向量)是ATA特征向量。
SVD具有以下性质:
(1)稳定性
定理1设矩阵A,B∈Rm×n,A和B的SVD分别为λ1≥λ2≥...≥λp和τ1≥τ2≥...≥τp,其中,p=min(m,n),则有|λi-τi|≤||A-B||。该定理表明当矩阵A有微小扰动时,扰动前后矩阵奇异值的变化不会大于扰动矩阵的2范数。这个性质表明,对于存在噪声干扰等情况的点云,通过SVD后,点云的特征向量不会出现过大的变化。这一性质放宽了对点云预处理的要求,并使点云配准结果的准确性得到了保证;
(2)比例不变性
定理2,若举证A的奇异值为σ1≥σ2≥...≥σr≥0,举证aA(a≠0)的奇异值为σ1′≥σ2′≥...≥σs′≥0,则有
|a|(σ1,σ2,...,σs)=(σ′1,σ′2,...,σ′s) (9);
为了消除幅度大小对特征提取的影响,所进行的归一化处理不会从本质改变奇异值的相对大小。
(3)旋转不变性
定理3若P为酉矩阵,则矩阵PA的奇异值与矩阵A的奇异值相同,即
点云的奇异值特征向量不但具有正交变换、旋转、位移、镜像映射等代数和几何上的不变性,而且具有良好的稳定性和抗噪性,广泛应用于模式识别与图形图像分析中。对点云进行奇异值分解可以得到唯一、稳定的特征描述,降低特征空间的维数,同时提高抵抗干扰和噪声的能力。
在区域配准时,若两个待配准的初始点云为M={mi∈R3|i=1,2,...,NM}和D={di∈R3|i=1,2,...,ND},其中,NM和ND分别表示点云M和D包含的数目。首先利用第2部分的特征点提取方法获得点云M和D的凹凸特征点集,假设分别为A={ai∈R3|i=1,2,...,NA}和B={bi∈R3|j=1,2,...,NB};其中,NA和NB分别表示特征点集A和B包含的点的数目。然后利用第3部分的区域分割算法对特征点集A和B进行区域分割,假设分割的区域分别为{A1,A2,...,As}和{B1,B2,...,Bt},s和t分别表示特征点集A和B划分的区域的数目,由于划分的区域的数目远远少于特征点的数目,因此接下来采用穷举法对每一对区域{Ap,Bq}进行配准,p=1,2,...,s,q=1,2,...,t。
对于待配准区域对{Ap,Bq},点api∈Ap和bpj∈Bq的相关性可表示为:
bqj=Rapi+t (11);
式(11)中,R表示刚体变换的旋转矩阵,t表示刚体变换的平移矢量;
刚体变换(R,t)的求解可以转换为如下的最小化问题:
式(12)中,集合SE(3)是一个3D空间的欧几里得训练组,由于平移矢量t可以通过点集的重心移动来求解,因此式(12)可以写成仅依赖于旋转矩阵R的形式:
式(13)中,R∈SO(3)是一个三维旋转组,A′p和B′q分别定义为:
A′p=[a′p1,...,a′pN]=A′p{IpN-(1/N)11T} (14);
B′q=[b′q1,...,b′qN]=B′q{IqN-(1/N)11T} (15);
式(14)、(15)中,IN是一个单元矩阵,a′pi和b′qi是在点集平移时分别从api和bqj中删减的3D点。
对于式(13),采用奇异值分解(SDV)法进行求解,于是有:
式(16)中,U∈R3×3是一个左奇异矢量矩阵,Σ∈R3×3是一个包含奇异值的对角矩阵,V∈R3×3是一个右奇异矢量矩阵,于是可以计算出:
S=diag(11|VUT|)∈R3×3 (17);
式(17)中,S是一个用于在点集中含噪声时避免微小图像匹配的矩阵。
运用式(16),可以从式(13)中求得旋转矩阵R为:
R=VSUT (18);
本实施例的一个具体应用为:
本文算法在Visual studio2010环境下,Intel Core i73.33GHz的CPU、16GB内存的Windows764位PC机上进行了实现。算法应用到了公共点云数据模型bunny和dragon的配准。实验所用数据均为采用三维激光扫描仪获取的点云数据模型或由三角网格数据模型转换的点云数据模型,模型均满足简单的三维刚体变换。
待配准公共点云数据模型bunny点云和dragon点云分别如图3和图4所示,两组点云的覆盖率均低于60%。采用本文所提配准算法,首先提取点云的凹凸特征点,然后对特征点进行区域分割,最后对区域进行两两配准,从而实现点云模型的配准。公共点云的最终配准结果如图5所示,显然,本文所提配准算法可以实现公共点云的准确配准。
为了进一步验证本文所提配准算法在配准精度和耗时等方面的性能,针对图3和图4的两组公共点云,再分别采用ICP算法、传统算法1和传统算法2进行配准,四种算法的配准结果如下表所示:
从上表可见,本文算法最有最高的配准精度和最快的配准速度。与ICP算法相比,本文算法的配准精度和速度分别提高了约35%和50%;与传统算法1相比,本文算法的配准精度和速度分别提高了约25%和38%;与传统算法2相比,本文算法的配准精度和速度分别提高了23%和35%。这是由于ICP算法对点云的初始相对位置要求较高,且要求待配准点云之间存在包含关系;传统算法1是一种基于迭代因子的点云配准算法,该迭代因子可以提高点云配准的迭代速度,但是不能提高低覆盖率点云的配准精度;传统算法2算法是一种基于ISS特征点的点云配准算法,该算法通过对点云上特征点的特征序列的匹配来实现点云配准,取得了较精确的匹配结果,但是对覆盖率低于60%的点云配准效果不佳。而本文配准算法通过区域分割有效避免了低覆盖区域对点云配准的影响,可以实现点云的快速精确配准。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例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,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (3)
1.一种基于区域分割的低覆盖点云配准算法,其特征在于,包括如下步骤:
步骤1:提取凹、凸特征点:采用体积积分不变量判断其点的凹凸性,并提取凹的和凸的特征点集;
步骤2:特征点区域分割:对特征点构建邻接矩阵实现特征点向无向途中节点的转换,并将点的对应关系转换成无向图中的连线;
步骤3:特征点分析:利用MPPCA分析法提取特征点之间的几何关系,并构造邻接矩阵;
步骤4:区域配准:通过SVD的ICP算法对分割区域进行配准;点云配准算法的步骤如下:
步骤41:构建测量模式矩阵并通过平移将点集的重心对其;
步骤42:将SVD用于测量模式矩阵,即并计算旋转矩阵
步骤43:创建旋转模式并根据的最近点构建
步骤44:计算配准误差若ε(j)小于给定阈值则说明两个点云区域{Ap,Bq}配准成功,否则区域对{Ap,Bq}为不可配准的区域;
步骤45:通过穷举法将区域集合{A1,A2,...,As}和{B1,B2,...,Bt}中区域进行两两配准即可实现初始点云M和点云D的最终配准。
2.根据权利要求1所述的一种基于区域分割的低覆盖点云配准算法,其特征在于,所述步骤1中,体积积分不变量Vr(p)的计算公式为:
Vr(p)=∫p+rQg(x)w(p-x)dx (1);
式(1)中,g(x)表示为特征函数,w(p-x)表示权重函数,p+rQ表示为半径是r、中心是点p的球;式(1)中特征函数换成ID(x),并令w(p-x)=1,则体积积分不变量Vr(p)的计算公式为:
Vr(p)=∫p+rQID(x)dx (2);
式(2)中,当x在曲面外侧,ID(x)=1;当x在曲面内侧,则ID(x)=0。
3.根据权利要求1所述的一种基于区域分割的低覆盖点云配准算法,其特征在于,所述步骤3中,利用EM算法得到最优描述点云分布的M个线性主成分分析器和每个点xi对应于M个线性主成分分析器的概率密度分布,对于第m个线性主成分分析器,任意以个点xi对应于一个降维后的点yi,计算式为:
xi=Vmyi+μm+εm (4);
式(4)中,Vm表示第m个主成分分析器的主子空间,μm表示分布于第m个分析器的所有点均值,εm表示噪声;
当yi和εm均服从高斯分布,则xi关于m的条件概率为:
式(5)中,Z=xi-μm,目标函数FMPPCA为第m个主成份分析器上任意点xi的最大似然估计,计算式为:
式(6)中,πm为各个主成份分析器的混合比例,πm≥0,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910411763.8A CN110211129B (zh) | 2019-05-17 | 2019-05-17 | 基于区域分割的低覆盖点云配准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910411763.8A CN110211129B (zh) | 2019-05-17 | 2019-05-17 | 基于区域分割的低覆盖点云配准算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211129A true CN110211129A (zh) | 2019-09-06 |
CN110211129B CN110211129B (zh) | 2021-05-11 |
Family
ID=67787522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910411763.8A Expired - Fee Related CN110211129B (zh) | 2019-05-17 | 2019-05-17 | 基于区域分割的低覆盖点云配准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211129B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053390A (zh) * | 2020-09-04 | 2020-12-08 | 上海懒书智能科技有限公司 | 一种基于点云变换匹配的定位方法 |
CN112305559A (zh) * | 2020-10-16 | 2021-02-02 | 贵州电网有限责任公司 | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 |
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 |
CN112540593A (zh) * | 2019-11-22 | 2021-03-23 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的用于配准点云的方法和装置 |
CN112686993A (zh) * | 2021-01-27 | 2021-04-20 | 大连理工大学 | 用于三维对象的三维重建方法、设备及计算机存储介质 |
CN116147525A (zh) * | 2023-04-17 | 2023-05-23 | 南京理工大学 | 一种基于改进icp算法的受电弓轮廓检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839701A (zh) * | 2010-05-27 | 2010-09-22 | 中国科学院自动化研究所 | 树木点云数据的自动分割方法 |
CN102169579A (zh) * | 2011-03-31 | 2011-08-31 | 西北工业大学 | 密集点云模型快速精确配准方法 |
CN102436654A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 建筑点云的自适应分割方法 |
CN103150747A (zh) * | 2012-11-16 | 2013-06-12 | 佳都新太科技股份有限公司 | 一种基于拓扑特征的点云配准算法 |
CN105427317A (zh) * | 2015-11-25 | 2016-03-23 | 武汉大学 | 一种适用于多视角自动化配准多站地面激光点云数据的方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
CN108022262A (zh) * | 2017-11-16 | 2018-05-11 | 天津大学 | 一种基于点的邻域重心向量特征的点云配准方法 |
US20180158235A1 (en) * | 2016-12-01 | 2018-06-07 | Here Global B.V. | Method and apparatus for generating a cleaned object model for an object in a mapping database |
-
2019
- 2019-05-17 CN CN201910411763.8A patent/CN110211129B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839701A (zh) * | 2010-05-27 | 2010-09-22 | 中国科学院自动化研究所 | 树木点云数据的自动分割方法 |
CN102169579A (zh) * | 2011-03-31 | 2011-08-31 | 西北工业大学 | 密集点云模型快速精确配准方法 |
CN102436654A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 建筑点云的自适应分割方法 |
CN103150747A (zh) * | 2012-11-16 | 2013-06-12 | 佳都新太科技股份有限公司 | 一种基于拓扑特征的点云配准算法 |
CN105427317A (zh) * | 2015-11-25 | 2016-03-23 | 武汉大学 | 一种适用于多视角自动化配准多站地面激光点云数据的方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
US20180158235A1 (en) * | 2016-12-01 | 2018-06-07 | Here Global B.V. | Method and apparatus for generating a cleaned object model for an object in a mapping database |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
CN108022262A (zh) * | 2017-11-16 | 2018-05-11 | 天津大学 | 一种基于点的邻域重心向量特征的点云配准方法 |
Non-Patent Citations (2)
Title |
---|
WEI XIN,AND ETC: "An Improved ICP Algorithm for Point Cloud Registration", 《2010 INTERNATIONAL CONFERENCE ON COMPUTATIONAL AND INFORMATION SCIENCES》 * |
闫利等: "一种闭合条件约束的全局最优多视点云配准方法", 《测绘学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112540593A (zh) * | 2019-11-22 | 2021-03-23 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的用于配准点云的方法和装置 |
CN112540593B (zh) * | 2019-11-22 | 2023-11-17 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的用于配准点云的方法和装置 |
CN112053390A (zh) * | 2020-09-04 | 2020-12-08 | 上海懒书智能科技有限公司 | 一种基于点云变换匹配的定位方法 |
CN112053390B (zh) * | 2020-09-04 | 2023-12-22 | 上海懒书智能科技有限公司 | 一种基于点云变换匹配的定位方法 |
CN112305559A (zh) * | 2020-10-16 | 2021-02-02 | 贵州电网有限责任公司 | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 |
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 |
CN112686993A (zh) * | 2021-01-27 | 2021-04-20 | 大连理工大学 | 用于三维对象的三维重建方法、设备及计算机存储介质 |
CN112686993B (zh) * | 2021-01-27 | 2024-04-02 | 大连理工大学 | 用于三维对象的三维重建方法、设备及计算机存储介质 |
CN116147525A (zh) * | 2023-04-17 | 2023-05-23 | 南京理工大学 | 一种基于改进icp算法的受电弓轮廓检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110211129B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211129A (zh) | 基于区域分割的低覆盖点云配准算法 | |
Yang et al. | Automatic registration of large-scale urban scene point clouds based on semantic feature points | |
Lian et al. | Rectilinearity of 3D meshes | |
US20230146134A1 (en) | Object recognition via object data database and augmentation of 3d image data | |
Jayaram et al. | Convex hulls in image processing: a scoping review | |
Lin et al. | Line segment extraction for large scale unorganized point clouds | |
CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
Xu et al. | Shape similarity measurement model for holed polygons based on position graphs and Fourier descriptors | |
Zhao et al. | Efficient and accurate 3D modeling based on a novel local feature descriptor | |
Liu et al. | Surface area estimation of digitized 3D objects using quasi-Monte Carlo methods | |
Sun et al. | An automatic 3D point cloud registration method based on regional curvature maps | |
Shah et al. | A novel 3D vorticity based approach for automatic registration of low resolution range images | |
Ji et al. | A fast and efficient 3D reflection symmetry detector based on neural networks | |
Lian et al. | A new convexity measurement for 3D meshes | |
Qie et al. | Enhanced invariance class partitioning using discrete curvatures and conformal geometry | |
Zhang et al. | Perception-based shape retrieval for 3D building models | |
CN110334704B (zh) | 基于分层学习的三维模型兴趣点提取方法及系统 | |
CN102968400A (zh) | 一种基于空间直线识别与匹配的多视角三维数据拼接方法 | |
Shu et al. | 3D model classification via Principal Thickness Images | |
Zhang et al. | When 3d reconstruction meets ubiquitous rgb-d images | |
Wang et al. | A segmentation method for point cloud based on local sample and statistic inference | |
Xu et al. | 3-D surface moment invariants | |
Li et al. | Skeleton-based shape analysis of protein models |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |