CN110335295A - 一种基于tof相机的植物点云采集配准与优化方法 - Google Patents
一种基于tof相机的植物点云采集配准与优化方法 Download PDFInfo
- Publication number
- CN110335295A CN110335295A CN201910494632.0A CN201910494632A CN110335295A CN 110335295 A CN110335295 A CN 110335295A CN 201910494632 A CN201910494632 A CN 201910494632A CN 110335295 A CN110335295 A CN 110335295A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- plane
- mnq
- abc
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 230000010354 integration Effects 0.000 claims abstract description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000003475 lamination Methods 0.000 abstract description 7
- 241000196324 Embryophyta Species 0.000 description 41
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 244000188595 Brassica sinapistrum Species 0.000 description 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/12—Acquisition of 3D measurements of objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于TOF相机的植物点云采集配准与优化方法,包括以下步骤:(1)将被测植株置于转台上,调整TOF相机视角并将其对准被测植株;(2)开启转台使其自动旋转,同时TOF相机间隔采集被测植株的点云数据;(3)对TOF相机采集到的每帧点云数据进行实时预处理;(4)依次分别对各相邻两帧点云数据进行配准与优化处理,之后整合得到完整的植株点云数据;(5)采用统计滤波处理对配准与优化处理得到的植株点云数中的离散噪声进行剔除,得到最终的点云数据。本发明的方法能有效解决局部点云分层现象。
Description
技术领域
本发明涉及数字农业技术领域,尤其涉及一种基于TOF相机的植物点云采集配准与优化方法。
背景技术
目前,在工业领域已有多种检测方法与设备应用于物体对象的三维结构获取,如基于激光雷达、基于结构光、基于TOF相机(飞行时间相机,Time of Flight)、基于多目视觉等原理的扫描设备已经得到广泛应用。
在农业领域,由于植物的动态性、柔性、以及植物叶片材质的漫反射性质等因素,相关仪器的研究应用较晚。
其中,TOF是一种简单、易于安装、成本效益较高的技术,TOF相机采用主动式光源获取植物对象的三维点云,具有较好的环境适应性,并具有较高的性价比。TOF相机的工作原理是用调制光源照亮一个场景,然后测量反射回来的波的相位差。由于光速是恒定的,TOF相机可以根据光线返回相机的时间来计算到场景中每个点的距离。
由于采用单个TOF相机仅能获取物体对象单个角度的空间数据信息,并且植物对象的叶片对自身的遮挡严重,因此需要从多个角度对植物对象进行拍摄并进行配准处理。同时,由于植物叶片材料特性,TOF相机对其进行测距存在一定的误差,当进行配准作业时易导致叶片分层现象,因此需要进一步优化处理提高配准结果的准确度,从而得到完整准确的植株点云数据用于后续的计算研究。
目前,为解决上述问题,有专家学者提出以下解决方案:
(1)依托带有标记的可控转盘进行点云的配准;
(2)依托可控转盘的精确角度进行配准,通过设置固定转轴,植株配准时通过转盘的旋转角度来计算完成。
采用上述方法能提高配准的精度,避免传统ICP配准算法带来的误差,但是上述方法对于转盘的标记检测以及转轴设置准确度有较高要求。
在优化部分,通常采用降噪方法来提高配准结果,但是该方法并不能有效解决植株叶片分层现象,导致得到的植株点云数据仍无法应用于后续的研究计算。
发明内容
本发明提供了一种基于TOF相机的植物点云采集配准与优化方法,该方法能有效解决局部点云分层现象。
具体技术方案如下:
一种基于TOF相机的植物点云采集配准与优化方法,包括以下步骤:
(1)将被测植株置于转台上,调整TOF相机视角并将其对准被测植株;
(2)开启转台使其自动旋转,同时TOF相机间隔采集被测植株的点云数据;
(3)对TOF相机采集到的每帧点云数据进行实时预处理;
(4)依次分别对各相邻两帧点云数据进行配准与优化处理,之后整合得到完整的植株点云数据;
(5)采用统计滤波处理对配准与优化处理得到的植株点云数中的离散噪声进行剔除,得到最终的点云数据。
步骤(1)包括:
(1-1)采用张正友法对TOF相机进行自标定,将被测植株置于转台上,调整TOF相机视角并将其对准被测植株;
(1-2)采用平面拟合方法求取桌面拟合平面,并求取桌面拟合平面的法向量与右手坐标系各轴的夹角参数。
优选的,步骤(1-1)中,TOF相机相对于植株的俯视角为30°~45°。
由于TOF相机视角与植株中心轴(或转盘中心轴)成一定夹角,为确保后续直通滤波处理后只保留植株与盆的点云数据,因此需要通过对每帧点云数据进行一定的旋转以调整视角。通过求取桌面平面法向量与右手坐标系各轴的夹角,根据夹角参数对每帧点云数据进行旋转。
优选的,步骤(1-2)包括:
(1-2a)对每帧点云数据进行相对极端的直通滤波处理,使得其仅保留部分可视桌面;
(1-2b)再通过RANSAC平面拟合得到多个拟合平面,同时获得各拟合平面的法向量,通过拟合平面法向量与右手坐标系y轴的夹角关系以及点云数量阈值确定桌面拟合平面;桌面拟合平面满足:
numplane≥numthreshold (3)
其中,为拟合平面的法向量;为右手坐标系y轴;θ为拟合平面的法向量与右手坐标系y轴的夹角;为各拟合平面法向量的y轴分量,m为拟合平面数量,ny为拟合平面法线的y轴分量;numplane为拟合平面的点云数量;numthreshold为点云数量阈值;
(1-2c)确定桌面拟合平面后,求取其法向量与右手坐标系各轴的夹角参数。
上述点云数量阈值numthreshold需根据具体传感器以及采集对象情况经过多次试验后确定。
步骤(2)中,TOF相机的采样间隔时间相同,采样间隔时间应保证两相邻帧的点云数据之间有重叠。
步骤(3)包括:
(3-1)根据桌面拟合平面法向量与右手坐标系各轴的夹角参数实时对TOF相机采集到的每帧点云数据进行旋转;
(3-2)对旋转后的每帧点云数据进行直通滤波处理,以剔除背景,得到无序点云;
(3-3)对无序点云采用双边滤波进行平滑处理。
对点云数据进行旋转后,通过直通滤波可以较好地剔除背景,减小点云数据占用的内存空间。经直通滤波后得到的点云为无序点云。由于TOF相机存在较高的信噪比,因此最后采用适用于无序点云的双边滤波进行平滑处理。
预处理后的点云数据将进行配准与优化处理,以消除局部点云分层现象。
配准与优化处理和采集工作同步进行。
步骤(4)包括:
(4-1)将第二帧点云P2坐标系转换至第一帧点云P1坐标系下,得到点云P2′;
(4-2)对P1和P2′进行三角化处理,对未生成三角面片的边界点进行剔除,内部未生成三角面片的点暂不处理;
(4-3)搜索P1中的每一个三角面片领域范围内P2′的三角面片,计算P1中的三角面片与领域三角面片的交叉、平行情况;
(4-4)根据所述的交叉、平行情况对P2′中的领域三角面片点云集进行调整,整合后得到点云P2″;
(4-5)将P2′中内部未生成三角面片的点添加入P2″中,之后再进行降采样处理,得到点集P2′deal;
(4-6)将第i帧点云Pi坐标系转换至第一帧点云P1坐标系下,得到点云Pi′,对Pi-1和Pi′重复步骤(4-2)~(4-5)的操作,得到Pi′deal;其中i≥3;
(4-7)将P1、P2′deal和Pi′deal整合,得到完整的植株点云数据。
步骤(4-1)包括:
(4-1a)初始化全局矩阵Tg为单位矩阵;
(4-1b)依次通过FPFH算法和ICP算法对第一帧点云P1、第二帧点云P2进行粗配准和精配准,得到变换矩阵To并将其应用于P2,使P2坐标系转换至P1坐标系下,得到点云P2′;更新Tg=Tg×To。
步骤(4-2)中,采用贪婪化三角法对P1和P2′进行三角化处理。
未生成三角面片的边界点往往是噪点,而内部未生成三角面片的点不一定是噪点,因此步骤(4-2)中仅剔除未生成三角面片的边界点,而内部未生成三角面片的点暂不处理,直接保留。
步骤(4-2)中,基于KD树与法向量方法搜索边界点,包括:
(4-2a)通过KD树检索未生成三角面片的点的领域点,某点的领域点数小于阈值时,该点为离群噪点;
(4-2b)根据未生成三角面片的点的领域点数,采用PCA方法计算该点法向量,确定视点与该点连线,计算所述连线与法向量的夹角,若该夹角大于阈值,则该点为飞行点;
离群噪点和飞行点均为边界点。
步骤(4-3)中,计算P1中的三角面片与领域三角面片的交叉、平行情况包括:
定义Δabc为P1中的一个三角面片,Δmnq为Δabc领域内P2′的一个三角面片;
(1)计算Δabc与Δmnq的平面方程及法向量
(2)当并且时,则说明Δabc与Δmnq平行,其中Threshold>0;Threshold为预设阈值;
优选的,Threshold为10-6。
(3)当并且时,则说明相交,此时根据Moller方法判断Δmnq的边与Δabc平面的交点是否在Δabc内,若Δmnq的边与Δabc平面的交点在Δabc内,则Δabc与Δmnq相交,否则Δmnq与Δabc平面相交。
步骤(4-4)中,若P1中的一个三角面片Δabc与领域范围内P2′的一个三角面片Δmnq平行,则:
(I-1)计算Δabc平面与Δmnq平面之间的距离;
若距离大于设定的移动距离阈值,则不对Δmnq进行调整;
若距离小于或等于设定的移动距离阈值,则计算Δabc与Δmnq过三角形重心的法线之间的距离,若该距离大于设定阈值,则不对Δmnq进行调整;若该距离小于或等于设定阈值,则计算Δabc与Δmnq的中值平面,将Δmnq的三个顶点沿中值平面法线方向投影至中值平面上,得到Δm′n′q′;
(I-2)迭代计算Δabc平面与Δm′n′q′平面之间的距离,重复步骤(I-1),直至该距离小于最终距离阈值,得到新三角面片的点云。
步骤(4-4)中,若P1中的一个三角面片Δabc与领域范围内P2′的一个三角面片Δmnq相交,则:
(II-1)计算Δabc平面与Δmnq平面之间的夹角;
若夹角大于初始夹角阈值,则不对Δmnq进行调整;
若夹角小于或等于初始夹角阈值,则计算Δabc与Δmnq的中值平面,将Δmnq的三个顶点沿中值平面法线方向投影至中值平面上,得到Δm′n′q′;
(II-2)迭代计算Δabc平面与Δm′n′q′平面之间的夹角,直至该夹角小于最终夹角阈值,重复步骤(II-1),得到新三角面片的点云。
步骤(4-4)中,若P1中的一个三角面片Δabc与领域范围内P2′的一个三角面片Δmnq平面相交,则:
(IⅡ-1)计算Δabc平面与Δmnq平面之间的夹角;
若夹角大于初始夹角阈值,则不对Δmnq进行调整;
若夹角小于或等于初始夹角阈值,则计算Δabc与Δmnq的中值平面,将Δmnq的三个顶点沿中值平面法线方向投影至中值平面上,得到Δm′n′q′;
比较投影点m′、n′、q′与原点m、n、q连线距离,若该距离大于设定的移动距离阈值,则不对Δmnq进行调整;若该距离小于或等于设定的移动距离阈值,则进行步骤(III-2);
(III-2)迭代计算Δabc平面与Δm′n′q′平面之间的夹角,重复步骤(IⅡ-1),直至该夹角小于最终夹角阈值,得到新三角面片的点云。
将各个新三角面片的点云,得到点云P2″。
将P2′中内部未生成三角面片的点添加入P2″中,之后再进行降采样处理,以降低局部点云密度,得到点集P2′deal。
将第三帧点云数据P3坐标系转换至第一帧点云P1坐标系下,得到点云P3′,包括:依次通过FPFH算法和ICP算法对第一帧点云P2、第二帧点云P3进行粗配准和精配准,得到变换矩阵To2,更新Tg=Tg×To2;将Tg应用于P3,使P3坐标系转换至P1坐标系下,得到点云P3′。
对P2和P3′重复步骤(4-2)~(4-5)的操作,得到P3′deal;后续得到的点云数据依次进行上述操作,最后将所有的Pi′deal与P1整合,得到完整的植株点云数据。
配准与优化后的植株点云数据中存在一些离散噪点,采用统计滤波处理对离散噪点进行剔除,得到最终的点云数据。
与现有技术相比,本发明的有益效果为:
(1)本发明方法拍摄采集条件要求低,不需要额外标记点进行辅助配准的同时提高点云质量;
(2)本发明方法相机采集和转盘旋转控制可联立可分离,相比传统较高精度的拍摄方法以及带标记点的拍摄方法需要联立控制采集和转盘旋转具有更大的灵活性,并且采集速度快、效率高,数据稳定性较好;
(3)本发明能有效的解决局部点云分层现象,使点移动较为适宜的位置,起到调整平滑作用;
(4)本发明对于点云格式要求低,可以满足有序点云和无序点云的处理;
(5)本发明相比传统紧靠转盘实现FPFH采用无序点云可以仅保存所需点云数据,占用更小内存空间;
(6)本发明主要针对植物叶片以及类似材质的检测对象,可以有效的消除全局配准后存在的分层现象。
附图说明
图1为本发明的植物点云采集配准与优化方法所依托的采集设备结构示意图;
图2为本发明的植物点云采集配准与优化方法的流程示意图;
图3为两三角面片相交情况的示意图,其中(a)为一种相交情况,(b)为另一种相交情况;
图4某一三角片面与另一三角面片平面相交情况的示意图;
图5为两三角面片平行情况的示意图;
图6为调整三角面片点云集的示意图,其中(a)为两三角面片相交情况,(b)为两三角面片平行情况;
图7为采用植物点云采集配准与优化方法处理前后的点云示意图,其中(a)为优化处理前,(b)为优化处理后(未进行降采样降噪),(c)为优化处理后(进行降采样降噪后)。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,本发明方法需要的采集装置较为简单,仅需转盘2和相机4即可对植物对象3进行采集拍摄,选用平整桌面1以方便后续进行直通滤波处理。
如图2所示,植物点云采集、配准与优化方法的流程包括:
(1)采集拍摄前需要对TOF相机进行自标定工作,确保TOF相机得到的点云数据深度信息与RGB图像映射是准确的。主要采用张正友标定方法,分别在同一视角下可见光光源与近红外光源两种条件下拍摄棋盘格图像,拍摄多个视角图像,随后采用张正友方法进行标定。标定后,对深度图像进行坐标变换融合得到三维点云数据;
(2)将被测植物(植株具有圆形或方形盆子底座)放置于转台中心,调整TOF相机视角(俯视角30°~45°较为合适),并将其对准被测植株。由于TOF相机视角与植株中心轴(或转盘中心轴)成一定夹角,为确保后续直通滤波处理后只保留植株与盆点云数据,因此需要通过对数据进行一定的旋转以调整视角。
本发明方法采用RANSAC平面拟合方法,求取桌面平面。由于当点云数据完整时具有较多对象(背景、植株、转盘),因此初步采用相对极端的直通滤波处理使得仅保留部分可视桌面,通过RANSAC平面拟合后此时得到多个拟合平面plane1(plane2、plane3……),此时同时可获得对应拟合平面的法向量。由于相机倾角在30°~45°范围,而桌面法向量与右手坐标系y轴夹角θ最小且法线y分量ny较大,同时避免局部离散点影响桌面对象的识别,因此通过拟合平面法向量与右手坐标系y轴的夹角关系以及点云数量阈值numthreshold的设定来确定桌面拟合面,即桌面拟合面满足:
numplane≥numthreshold (3)
其中,为拟合平面的法向量;为右手坐标系y轴;θ为拟合平面的法向量与右手坐标系y轴的夹角;为各拟合平面法向量的y轴分量,m为拟合平面数量,ny为拟合平面法线的y轴分量;numplane为拟合平面的点云数量;numthreshold为点云数量阈值;
确定桌面平面后,求取其法向量与右手坐标系各轴夹角,后续相机采集拍摄的点云都将应用该角度参数进行旋转。
其中,上述点云数量阈值numthreshold需根据具体传感器以及采集对象情况经过多次试验后确定;
(3)开启转盘使其自动旋转,同时TOF相机开始自动采集点云数据并将其缓存于计算机内存空间(同时保存至硬盘空间做备份)。考虑到不占用大量内存空间,对采集得到的点云数据采用直通滤波对点云数据进行初步的大背景剔除。
在步骤2中由于已经对点云数据进行旋转,因此分别根据XYZ坐标轴三轴的距离深度进行分割,即可仅保留植株与盆的点云数据,上述操作可满足实时处理,此时处理后得到的点云为无序点云。
由于TOF相机存在较高的信噪比,并且进过自标定处理后,采集得到点云数据为无序点云,因此采用适用于无序点云的双边滤波进行平滑处理(以第一帧点云数据为例):
①建立KD树并输入点云,计算点云各个点法向量;
②给定领域内点云搜索数量,通过KD树搜索每一点领域点与领域点法向量并提取存储至新的点云容器与法向量容器中;
本专利中多次提到KD树搜索点云个领域点数,并提到领域点数的阈值,该阈值需根据具体传感器以及采集对象情况经过多次试验后确定。在本专利案例中,采用Kinect相机采集油菜植株,领域点数阈值设置为30;
③根据基于图像的双边滤波原理进行处理,得到平滑去噪处理,具体公式为:
P′=Pc+α*Pn (5)
其中Pc为计算点,Pn为计算点法线,α为调整系数,P′为处理后点云,PcNei为计算点领域点点集,p为领域点集中某点,Wc、Ws分别为两种权重函数;
平滑处理后的点云数据将参与配准与优化处理;
(4)配准与优化工作与采集工作同步进行。对内存空间的点云数据进行处理,以第一帧点云P1、第二帧点云P2为例说明:
①初始化全局变换矩阵Tg为4×4单位矩阵;
②依次通过FPFH算法和ICP算法对P1、P2进行粗配准与精配准,得到变换矩阵To,并将其应用于P2,使其坐标系转换至P1坐标系中得到P2′,更新Tg=Tg×To;
③分别对P1、P2′进行三角化处理;本方法采用贪婪化三角法进行处理;然后对未生成三角面片的边缘点进行剔除。这是由于边缘点未生成三角面片的点往往是噪点,而内部未生成三角面片的点不一定是噪点,因此仅剔除边缘点集。
该被剔除点满足:1、未生成三角面片;2、是基于KD树与法向量方法搜索到的边界点(通过KD树检索领域范围点,领域点数小于阈值时可判定为离群噪点;根据领域点数采用PCA方法计算该点法向量,计算视点与该点连线与法向量的夹角,若大于阈值可判定为飞行点,这两种点都属于边界点,需要剔除);
④对P1、P2′进行相交情况检查:搜索P1中的每一个三角面片领域范围内P2′的三角面片,计算P1中的三角面片与领域三角面片的交叉、平行情况(以P1中Δabc与P2中Δmnq为例):
通过三点法得到Δabc与Δmnq平面方程及法向量
当并且时,则说明两法线相交,此时根据Moller方法判断Δmnq各边与Δabc平面交点是否在Δabc内以及判断交点是否在各边线段上:
如图3所示,若交点在线段上且在Δabc内,则Δabc与Δmnq相交,为相交情况1;如图4所示,若交点在Δabc内,但在边射线上,则Δmnq与Δabc平面相交为相交情况2;否则三角面片不相交。
当并且时,则说明两法线平行,如图5所不。
⑤调整交叉面片点云集,如图6中(a)所示:
如图3,若三角面片存在相交情况,对于两三角面片相交,即相交情况1(图3),若两个三角面片夹角大于设定的初始夹角阈值(若大于初始夹角阈值,说明两三角面片的差异较大,几何中心相近,但是不是近似匹配的三角面),则不进行操作;若小于等于初始夹角阈值,则Δmnq的三个顶点沿着中值平面法向量方向投影至中值平面,得到Δm′n′q′并存储。
对于一个三角面片与另一个三角平面相交,即相交情况2(图4),若两个三角面片夹角大于设定的初始夹角阈值,则不操作,否则Δmnq的三个顶点沿着中值平面法向方向投影至中值平面,得到Δm′n′q′,并比较投影点m′、n′、q′与原点m、n、q连线距离,若超过设定的移动距离阈值则不进行操作,若不超过设定的移动距离阈值,则存储Δm′n′q′。
⑥调整平行面片点云集,如图6中(b)所示:
若三角面片存在平行情况,则需要计算两个三角面片平面之间距离,若距离大于设定移动距离阈值,则说明两平面距离较大,不进行操作;若距离小于或等于设定移动距离阈值,则计算两三角面片过三角形重心的法线之间的距离,确保该Δmnq与Δabc基本对应,若两三角面片过三角形重心的法线之间的距离大于设定阈值,则不操作,若小于或等于设定阈值,这说明是临近对应平行三角面片,则将Δmnq三个顶点沿中值平面法线方向投影至中值面上,得到Δm′n′q′并存储。
计算上述信息后将相交关系存储在新的数据集合中,该数据集合中每个数据对象包含数据类型有:P1的某一三角面片Δabc(Δabc的3个顶点坐标以及在P1中的序号),P2中与Δabc存在相交、平行关系的并得到存储的Δm′n′q′(Δm′n′q′的3个顶点坐标以及在P2中的序号),两三角面片相交平行关系(相交情况1标记为1,相交情况2标记为2,平行情况标记为3,其他情况(步骤⑤和⑥中不操作的情况标记为0)。其中,Δm′n′q′与相交、平行关系为一一对应存储。
⑦迭代处理:经过上述处理后,可得到新三角面片Δm′n′q′,计算其与Δabc的相交关系,直至满足相交平面夹角小于设定最终阈值(此处阈值为最终夹角),满足平行平面距离小于设定最终阈值(此处阈值为最终距离),可判定三角面片优化已完成,停止迭代;
迭代完成后,整合所有的新三角面片中的点云,得到点云P2″;
⑧点云降采样:由于存在一点多用的情况,因此处理后的点云P2″点云数要多于原始数据,同时上述过程中不操作的三角面片是领域范围内的异常值,通过离群噪点无法剔除,因此将P2′中未被处理的点保留,将具有相交关系1、2、3、0的三角面片各顶点原始位置点删除(此时即可满足异常值剔除),添加处理后点集,并选用适宜参数进行降采样处理以降低局部点云密度,得到新的处理后的点集P2′deal;
⑨读取内存空间中的第三帧点云数据P3,通过FPFH与ICP算法计算其与P2的变换矩阵To2,然后更新Tg,使得Tg=Tg×To2;应用Tg到P3将其转化到P1坐标系下得到P3′,对于P3′与P2′deal重复上述③-⑧过程,对后续读入的点云数据依此操作。
⑩将P1与所有的Pi′deal(i∈2~n)整合得到完整的点云数据。
上述过程完整点云的配准和局部分层优化,但是点云存在一些离散噪点,需要进一步采用统计滤波处理剔除得到最终点云。最终效果如图7所示(图7中(a)为优化处理前,图7中(b)为优化处理后(未进行降采样降噪),图7中(c)为降采样降噪后)。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于TOF相机的植物点云采集配准与优化方法,其特征在于,包括以下步骤:
(1)将被测植株置于转台上,调整TOF相机视角并将其对准被测植株;
(2)开启转台使其自动旋转,同时TOF相机间隔采集被测植株的点云数据;
(3)对TOF相机采集到的每帧点云数据进行实时预处理;
(4)依次分别对各相邻两帧点云数据进行配准与优化处理,之后整合得到完整的植株点云数据;
(5)采用统计滤波处理对配准与优化处理得到的植株点云数中的离散噪声进行剔除,得到最终的点云数据。
2.根据权利要求1所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(1)包括:
(1-1)采用张正友法对TOF相机进行自标定,将被测植株置于转台上,调整TOF相机视角并将其对准被测植株;
(1-2)采用平面拟合方法求取桌面拟合平面,并求取桌面拟合平面的法向量与右手坐标系各轴的夹角参数。
3.根据权利要求2所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(1-2)包括:
(1-2a)对每帧点云数据进行相对极端的直通滤波处理,使得其仅保留部分可视桌面;
(1-2b)再通过RANSAC平面拟合得到多个拟合平面,同时获得各拟合平面的法向量,通过拟合平面法向量与右手坐标系y轴的夹角关系以及点云数量阈值确定桌面拟合平面;桌面拟合平面满足:
numplane≥numthreshold (3)
其中,为拟合平面的法向量;为右手坐标系y轴;θ为拟合平面的法向量与右手坐标系y轴的夹角;为各拟合平面法向量的y轴分量,m为拟合平面数量,ny为拟合平面法线的y轴分量;numplane为拟合平面的点云数量;numthreshold为点云数量阈值;
(1-2c)确定桌面拟合平面后,求取其法向量与右手坐标系各轴的夹角参数。
4.根据权利要求1所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(3)包括:
(3-1)根据桌面拟合平面法向量与右手坐标系各轴的夹角参数实时对TOF相机采集到的每帧点云数据进行旋转;
(3-2)对旋转后的每帧点云数据进行直通滤波处理,以剔除背景,得到无序点云;
(3-3)对无序点云采用双边滤波进行平滑处理。
5.根据权利要求1所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(4)包括:
(4-1)将第二帧点云P2坐标系转换至第一帧点云P1坐标系下,得到点云P2′;
(4-2)对P1和P2′进行三角化处理,对未生成三角面片的边界点进行剔除,内部未生成三角面片的点暂不处理;
(4-3)搜索P1中的每一个三角面片领域范围内P2′的三角面片,计算P1中的三角面片与领域三角面片的交叉、平行情况;
(4-4)根据所述的交叉、平行情况对P2′中的领域三角面片点云集进行调整,整合后得到点云P2″;
(4-5)将P2′中内部未生成三角面片的点添加入P2″中,之后再进行降采样处理,得到点集P2′deal;
(4-6)将第i帧点云Pi坐标系转换至第一帧点云P1坐标系下,得到点云Pi′,对Pi-1和Pi′重复步骤(4-2)~(4-5)的操作,得到Pi′deal;其中i≥3;
(4-7)将P1、P2′deal和Pi′deal整合,得到完整的植株点云数据。
6.根据权利要求5所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(4-2)中,基于KD树与法向量方法搜索边界点,包括:
(4-2a)通过KD树检索未生成三角面片的点的领域点,某点的领域点数小于阈值时,该点为离群噪点;
(4-2b)根据未生成三角面片的点的领域点数,采用PCA方法计算该点法向量,确定视点与该点连线,计算所述连线与法向量的夹角,若该夹角大于阈值,则该点为飞行点;
离群噪点和飞行点均为边界点。
7.根据权利要求5所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(4-3)中,计算P1中的三角面片与领域三角面片的交叉、平行情况包括:
定义Δabc为P1中的一个三角面片,Δmnq为Δabc领域内P2′的一个三角面片;
(1)计算Δabc与Δmnq的平面方程及法向量
(2)当并且时,则说明Δabc与Δmnq平行,其中Threshold>0;Threshold为预设阈值;
(3)当并且时,则说明相交,此时根据Moller方法判断Δmnq的边与Δabc平面的交点是否在Δabc内,若Δmnq的边与Δabc平面的交点在Δabc内,则Δabc与Δmnq相交,否则Δmnq与Δabc平面相交。
8.根据权利要求7所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(4-4)中,若P1中的一个三角面片Δabc与领域范围内P2′的一个三角面片Δmnq平行,则:
(I-1)计算Δabc平面与Δmnq平面之间的距离;
若距离大于设定的移动距离阈值,则不对Δmnq进行调整;
若距离小于或等于设定的移动距离阈值,则计算Δabc与Δmnq过三角形重心的法线之间的距离,若该距离大于设定阈值,则不对Δmnq进行调整;若该距离小于或等于设定阈值,则计算Δabc与Δmnq的中值平面,将Δmnq的三个顶点沿中值平面法线方向投影至中值平面上,得到Δm′n′q′;
(I-2)迭代计算Δabc平面与Δm′n′q′平面之间的距离,重复步骤(I-1),直至该距离小于最终距离阈值,得到新三角面片的点云。
9.根据权利要求7所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(4-4)中,若P1中的一个三角面片Δabc与领域范围内P2′的一个三角面片Δmnq相交,则:
(II-1)计算Δabc平面与Δmnq平面之间的夹角;
若夹角大于初始夹角阈值,则不对Δmnq进行调整;
若夹角小于或等于初始夹角阈值,则计算Δabc与Δmnq的中值平面,将Δmnq的三个顶点沿中值平面法线方向投影至中值平面上,得到Δm′n′q′;
(II-2)迭代计算Δabc平面与Δm′n′q′平面之间的夹角,直至该夹角小于最终夹角阈值,重复步骤(II-1),得到新三角面片的点云。
10.根据权利要求7所述的基于TOF相机的植物点云采集配准与优化方法,其特征在于,步骤(4-4)中,若P1中的一个三角面片Δabc与领域范围内P2′的一个三角面片Δmnq平面相交,则:
(IⅡ-1)计算Δabc平面与Δmnq平面之间的夹角;
若夹角大于初始夹角阈值,则不对Δmnq进行调整;
若夹角小于或等于初始夹角阈值,则计算Δabc与Δmnq的中值平面,将Δmnq的三个顶点沿中值平面法线方向投影至中值平面上,得到Δm′n′q′;
比较投影点m′、n′、q′与原点m、n、q连线距离,若该距离大于设定的移动距离阈值,则不对Δmnq进行调整;若该距离小于或等于设定的移动距离阈值,则进行步骤(III-2);
(III-2)迭代计算Δabc平面与Δm′n′q′平面之间的夹角,重复步骤(III-1),直至该夹角小于最终夹角阈值,得到新三角面片的点云。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494632.0A CN110335295B (zh) | 2019-06-06 | 2019-06-06 | 一种基于tof相机的植物点云采集配准与优化方法 |
US16/885,682 US11113835B2 (en) | 2019-06-06 | 2020-05-28 | Plant point cloud acquisition, registration and optimization method based on TOF camera |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494632.0A CN110335295B (zh) | 2019-06-06 | 2019-06-06 | 一种基于tof相机的植物点云采集配准与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335295A true CN110335295A (zh) | 2019-10-15 |
CN110335295B CN110335295B (zh) | 2021-05-11 |
Family
ID=68140908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910494632.0A Active CN110335295B (zh) | 2019-06-06 | 2019-06-06 | 一种基于tof相机的植物点云采集配准与优化方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11113835B2 (zh) |
CN (1) | CN110335295B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852180A (zh) * | 2019-10-17 | 2020-02-28 | 上海快仓智能科技有限公司 | 用于自动引导车的tof相机标定方法及自动引导车 |
CN110866449A (zh) * | 2019-10-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 识别道路中目标对象的方法和装置 |
CN111768490A (zh) * | 2020-05-14 | 2020-10-13 | 华南农业大学 | 基于迭代最近点与人工干预的植物三维建模方法及系统 |
CN111986239A (zh) * | 2020-08-28 | 2020-11-24 | 贝壳技术有限公司 | 点云配准方法、装置、计算机可读存储介质及电子设备 |
CN112581457A (zh) * | 2020-12-23 | 2021-03-30 | 武汉理工大学 | 一种基于三维点云的管道内表面检测方法及装置 |
CN113345007A (zh) * | 2021-05-12 | 2021-09-03 | 清华大学 | 一种转炉炉口自动定位方法、装置、电子设备及存储介质 |
CN114492652A (zh) * | 2022-01-30 | 2022-05-13 | 广州文远知行科技有限公司 | 一种离群点去除方法、装置、交通工具及存储介质 |
CN115984803A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
CN117496359A (zh) * | 2023-12-29 | 2024-02-02 | 浙江大学山东(临沂)现代农业研究院 | 基于三维点云的植物种植布局监测方法及系统 |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635815A (zh) * | 2019-06-28 | 2024-03-01 | 上海交通大学 | 基于三维点云的初始视角控制和呈现方法及系统 |
CN112711257B (zh) * | 2020-12-25 | 2024-06-18 | 珠海一微半导体股份有限公司 | 机器人基于单点tof的沿边方法、芯片和移动机器人 |
CN112652074A (zh) * | 2020-12-29 | 2021-04-13 | 湖北工业大学 | 基于平面模型的点云数据滤波算法 |
CN112802077B (zh) * | 2021-01-12 | 2023-08-22 | 广东奥普特科技股份有限公司 | 一种高精度点云法向计算方法 |
CN112669462B (zh) * | 2021-01-18 | 2023-02-28 | 新拓三维技术(深圳)有限公司 | 一种适用于扫描点云的模型处理方法及系统 |
CN113096027B (zh) * | 2021-03-02 | 2024-01-23 | 吉林农业大学 | 一种基于点云的农田土壤层水平校正及去除方法 |
US11403817B1 (en) * | 2021-04-14 | 2022-08-02 | Lineage Logistics, LLC | Point cloud filtering |
CN113267122B (zh) * | 2021-05-12 | 2023-01-31 | 温州理工学院 | 一种基于3d视觉传感器的工业零件尺寸测量方法 |
CN113516695B (zh) * | 2021-05-25 | 2023-08-08 | 中国计量大学 | 激光轮廓仪平面度测量中的点云配准策略 |
CN113658184B (zh) * | 2021-06-02 | 2024-03-12 | 重庆大学 | 一种基于iges模型引导的点云曲面分割方法 |
CN113313741B (zh) * | 2021-06-03 | 2022-07-29 | 广西大学 | 一种基于标定球的点云自配准方法 |
CN113393514B (zh) * | 2021-06-11 | 2022-11-25 | 中国科学院自动化研究所 | 一种三维无序点云数据处理方法、系统及设备 |
CN113487721B (zh) * | 2021-06-18 | 2023-08-22 | 浙江大学 | 一种基于三维点云的预制构件自动化识别方法 |
CN113487722B (zh) * | 2021-06-18 | 2023-10-31 | 浙江大学 | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 |
CN113327276B (zh) * | 2021-06-30 | 2023-08-22 | 江苏海洋大学 | 一种面向移动测量大体量点云数据配准的方法 |
CN113793296A (zh) * | 2021-08-06 | 2021-12-14 | 中国科学院国家天文台 | 一种点云数据处理方法及装置 |
CN113781564B (zh) * | 2021-09-15 | 2023-11-10 | 河北工业大学 | 一种钢卷物料点云滤波方法及基于该方法的天车控制系统 |
CN113888612A (zh) * | 2021-09-18 | 2022-01-04 | 北京市农林科学院信息技术研究中心 | 动物点云多视角实时采集与3d重建方法、装置及系统 |
CN113762413B (zh) * | 2021-09-30 | 2023-12-26 | 智道网联科技(北京)有限公司 | 点云数据与图像数据融合方法及存储介质 |
CN113793369B (zh) * | 2021-09-30 | 2024-03-15 | 太原理工大学 | 一种复杂自由曲面迭代双向法线投影配准方法 |
CN113674425B (zh) * | 2021-10-25 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 点云采样方法、装置、设备及计算机可读存储介质 |
TWI816206B (zh) * | 2021-10-27 | 2023-09-21 | 財團法人資訊工業策進會 | 產生延展實境空間裝置及方法 |
CN113942013B (zh) * | 2021-11-02 | 2023-05-12 | 杭州迁移科技有限公司 | 基于数据可视化的快速手眼标定方法及系统 |
CN114743259A (zh) * | 2022-02-28 | 2022-07-12 | 华中科技大学 | 位姿估计方法、位姿估计系统、终端、存储介质及应用 |
CN114266987B (zh) * | 2022-03-03 | 2022-05-20 | 水利部长江勘测技术研究所 | 一种无人机高边坡危岩体智能识别方法 |
CN115047471B (zh) * | 2022-03-30 | 2023-07-04 | 北京一径科技有限公司 | 确定激光雷达点云分层的方法、装置、设备及存储介质 |
CN114782438B (zh) * | 2022-06-20 | 2022-09-16 | 深圳市信润富联数字科技有限公司 | 物体点云修正方法、装置、电子设备和存储介质 |
CN116630399B (zh) * | 2023-02-08 | 2024-02-09 | 北京大学 | 一种巷道点云中心线自动提取方法 |
CN115995010B (zh) * | 2023-03-22 | 2023-06-16 | 华南农业大学 | 一种基于植株群体点云的株高提取方法及系统 |
CN116309759B (zh) * | 2023-05-25 | 2023-08-15 | 南京信息工程大学 | 一种基于快速三角特征直方图的点云粗配准方法 |
CN116452648B (zh) * | 2023-06-15 | 2023-09-22 | 武汉科技大学 | 一种基于法向量约束纠正的点云配准方法及系统 |
CN116934822B (zh) * | 2023-09-15 | 2023-12-05 | 众芯汉创(江苏)科技有限公司 | 一种基于三维点云数据自主配准转化精细化模型的系统 |
CN116977226B (zh) * | 2023-09-22 | 2024-01-19 | 天津云圣智能科技有限责任公司 | 点云数据分层的处理方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120121165A1 (en) * | 2010-11-12 | 2012-05-17 | Texas Instruments Incorporated | Method and apparatus for time of flight sensor 2-dimensional and 3-dimensional map generation |
CN104915986A (zh) * | 2015-06-26 | 2015-09-16 | 北京航空航天大学 | 一种实体三维模型自动建模方法 |
CN105180830A (zh) * | 2015-09-28 | 2015-12-23 | 浙江大学 | 一种适用于ToF相机的三维点云自动配准方法及系统 |
CN105574812A (zh) * | 2015-12-14 | 2016-05-11 | 深圳先进技术研究院 | 多角度三维数据配准方法及装置 |
CN106228537A (zh) * | 2016-07-12 | 2016-12-14 | 北京理工大学 | 一种三维激光雷达与单目摄像机的联合标定方法 |
CN106803267A (zh) * | 2017-01-10 | 2017-06-06 | 西安电子科技大学 | 基于Kinect的室内场景三维重建方法 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及系统 |
US20170328990A1 (en) * | 2016-05-11 | 2017-11-16 | Texas Instruments Incorporated | Scalable field of view scanning in optical distance measurement systems |
CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
CN108133458A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种基于目标物体空间点云特征的自动拼接方法 |
CN108335325A (zh) * | 2018-01-30 | 2018-07-27 | 上海数迹智能科技有限公司 | 一种基于深度相机数据的立方体快速测量方法 |
CN109087388A (zh) * | 2018-07-12 | 2018-12-25 | 南京邮电大学 | 基于深度传感器的物体三维建模方法 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102038856B1 (ko) * | 2012-02-23 | 2019-10-31 | 찰스 디. 휴스턴 | 환경을 생성하고 환경내 위치기반 경험을 공유하는 시스템 및 방법 |
US8818133B2 (en) * | 2012-07-11 | 2014-08-26 | Raytheon Company | Point cloud construction with unposed camera |
CN107155341B (zh) * | 2014-07-31 | 2020-01-10 | 惠普发展公司,有限责任合伙企业 | 三维扫描系统和框架 |
WO2018191442A1 (en) * | 2017-04-11 | 2018-10-18 | Agerpoint, Inc. | Forestry management tool for assessing risk of catastrophic tree failure due to weather events |
CN109697728B (zh) * | 2017-10-20 | 2023-04-25 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、系统和存储介质 |
CN111819601A (zh) * | 2018-02-26 | 2020-10-23 | 英特尔公司 | 为图像处理进行点云配准的方法和系统 |
US11257199B2 (en) * | 2018-10-18 | 2022-02-22 | Wisconsin Alumni Research Foundation | Systems, methods, and media for detecting manipulations of point cloud data |
US11105905B2 (en) * | 2018-11-30 | 2021-08-31 | Lyft, Inc. | LiDAR and camera rotational position calibration using multiple point cloud comparisons |
-
2019
- 2019-06-06 CN CN201910494632.0A patent/CN110335295B/zh active Active
-
2020
- 2020-05-28 US US16/885,682 patent/US11113835B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120121165A1 (en) * | 2010-11-12 | 2012-05-17 | Texas Instruments Incorporated | Method and apparatus for time of flight sensor 2-dimensional and 3-dimensional map generation |
CN104915986A (zh) * | 2015-06-26 | 2015-09-16 | 北京航空航天大学 | 一种实体三维模型自动建模方法 |
CN105180830A (zh) * | 2015-09-28 | 2015-12-23 | 浙江大学 | 一种适用于ToF相机的三维点云自动配准方法及系统 |
CN105574812A (zh) * | 2015-12-14 | 2016-05-11 | 深圳先进技术研究院 | 多角度三维数据配准方法及装置 |
US20170328990A1 (en) * | 2016-05-11 | 2017-11-16 | Texas Instruments Incorporated | Scalable field of view scanning in optical distance measurement systems |
CN106228537A (zh) * | 2016-07-12 | 2016-12-14 | 北京理工大学 | 一种三维激光雷达与单目摄像机的联合标定方法 |
CN106803267A (zh) * | 2017-01-10 | 2017-06-06 | 西安电子科技大学 | 基于Kinect的室内场景三维重建方法 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及系统 |
CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
CN108133458A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种基于目标物体空间点云特征的自动拼接方法 |
CN108335325A (zh) * | 2018-01-30 | 2018-07-27 | 上海数迹智能科技有限公司 | 一种基于深度相机数据的立方体快速测量方法 |
CN109087388A (zh) * | 2018-07-12 | 2018-12-25 | 南京邮电大学 | 基于深度传感器的物体三维建模方法 |
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 |
Non-Patent Citations (9)
Title |
---|
LEIF P. KOBBELT 等: "An Interactive Approach to Point Cloud Triangulation", 《EUROGRAPHICS》 * |
ROBERT SITNIK 等: "OPTIMIZED POINT CLOUD TRIANGULATION FOR 3D SCANNING SYSTEMS", 《MACHINE GRAPHICS AND VISION》 * |
张志林 等: "基于深度图像的三维场景重建系统", 《图学学报》 * |
李健 等: "单Kinect+回转台的全视角三维重建", 《数据采集与处理》 * |
杜希瑞: "基于Kinect的动态非刚性体三维数字化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
潘旺 等: "基于多传感器的三维目标位姿测量方法", 《光学学报》 * |
田改改: "基于三维点云数据的表面重建技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡杨: "基于深度相机的叶菜类作物三维重建与生长测量方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
袁小翠 等: "尖锐特征曲面点云模型各向异性邻域搜索", 《计算机应用与软件》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852180A (zh) * | 2019-10-17 | 2020-02-28 | 上海快仓智能科技有限公司 | 用于自动引导车的tof相机标定方法及自动引导车 |
CN110866449A (zh) * | 2019-10-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 识别道路中目标对象的方法和装置 |
CN111768490A (zh) * | 2020-05-14 | 2020-10-13 | 华南农业大学 | 基于迭代最近点与人工干预的植物三维建模方法及系统 |
CN111986239A (zh) * | 2020-08-28 | 2020-11-24 | 贝壳技术有限公司 | 点云配准方法、装置、计算机可读存储介质及电子设备 |
CN112581457B (zh) * | 2020-12-23 | 2023-12-12 | 武汉理工大学 | 一种基于三维点云的管道内表面检测方法及装置 |
CN112581457A (zh) * | 2020-12-23 | 2021-03-30 | 武汉理工大学 | 一种基于三维点云的管道内表面检测方法及装置 |
CN113345007A (zh) * | 2021-05-12 | 2021-09-03 | 清华大学 | 一种转炉炉口自动定位方法、装置、电子设备及存储介质 |
CN114492652A (zh) * | 2022-01-30 | 2022-05-13 | 广州文远知行科技有限公司 | 一种离群点去除方法、装置、交通工具及存储介质 |
CN114492652B (zh) * | 2022-01-30 | 2024-05-28 | 广州文远知行科技有限公司 | 一种离群点去除方法、装置、交通工具及存储介质 |
CN115984803A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
CN115984803B (zh) * | 2023-03-10 | 2023-12-12 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
CN117496359A (zh) * | 2023-12-29 | 2024-02-02 | 浙江大学山东(临沂)现代农业研究院 | 基于三维点云的植物种植布局监测方法及系统 |
CN117496359B (zh) * | 2023-12-29 | 2024-03-22 | 浙江大学山东(临沂)现代农业研究院 | 基于三维点云的植物种植布局监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110335295B (zh) | 2021-05-11 |
US20200388044A1 (en) | 2020-12-10 |
US11113835B2 (en) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335295A (zh) | 一种基于tof相机的植物点云采集配准与优化方法 | |
US20210004933A1 (en) | Method and system for image generation | |
CN109345620A (zh) | 融合快速点特征直方图的改进icp待测物体点云拼接方法 | |
CN110472674B (zh) | 一种基于边缘和梯度特征的模板匹配算法 | |
Wendel et al. | Dense reconstruction on-the-fly | |
CN104536009B (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN108875911A (zh) | 一种泊车位检测方法 | |
CN102834845A (zh) | 用于多摄像装置校准的方法与装置 | |
CN107167788A (zh) | 获取激光雷达校准参数、激光雷达校准的方法及系统 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN109767464A (zh) | 一种低重叠率的点云配准方法 | |
CN103795935B (zh) | 一种基于图像校正的摄像式多目标定位方法及装置 | |
Agrawal et al. | Vision-guided robot system for picking objects by casting shadows | |
CN110223380A (zh) | 融合航拍与地面视角图像的场景建模方法、系统、装置 | |
CN109459023A (zh) | 一种基于无人机视觉slam的辅助地面机器人导航方法及装置 | |
CN110032936B (zh) | 无参数手背静脉最大圆形区域提取方法 | |
CN107607053A (zh) | 一种基于机器视觉和三维重建技术的立木胸径测量方法 | |
CN110097598A (zh) | 一种基于pvfh特征的三维物体位姿估计方法 | |
CN108535681A (zh) | 一种透过散射介质的目标4d跟踪系统及方法 | |
CN110110687A (zh) | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 | |
CN110021035B (zh) | Kinect深度相机的标记物及基于该标记物的虚拟标记物跟踪方法 | |
CN112365592A (zh) | 一种基于双向高程模型的局部环境特征描述方法 | |
CN108830797A (zh) | 一种基于仿射投影矩阵模型的直线匹配方法 | |
CN107123135B (zh) | 一种无序三维点云的无畸变成像方法 | |
CN116402904A (zh) | 一种基于激光雷达间和单目相机的联合标定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |