CN110348310A - 一种霍夫投票3d彩色点云识别方法 - Google Patents
一种霍夫投票3d彩色点云识别方法 Download PDFInfo
- Publication number
- CN110348310A CN110348310A CN201910506043.XA CN201910506043A CN110348310A CN 110348310 A CN110348310 A CN 110348310A CN 201910506043 A CN201910506043 A CN 201910506043A CN 110348310 A CN110348310 A CN 110348310A
- Authority
- CN
- China
- Prior art keywords
- point
- test object
- key point
- formula
- vector
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种霍夫投票3D彩色点云识别方法,首先,分别提取测试物体和3D模型的关键点,计算每一个关键点的SHOT特征描述子,并计算测试物体关键点和模型关键点的特征匹配度函数δ(a,b);其次,选择3D模型表面任意一个点作为参考点,计算关键点到参考点之间的参考向量,并将此参考向量经坐标转换为测试物体的参考向量;最后,对测试物体的参考向量进行霍夫投票,若投票数达到给定的阈值且投票位置在物体表面时,则认为测试物体为模型物体,识别成功,否则,识别失败。由于本发明在识别过程中采用均匀采样算法提取关键点,选择3D模型表面任意一点为参考点,以及特征匹配度函数的加入,减少了识别时间,提高了识别的准确率。
Description
技术领域
本发明属于3D点云数据处理技术领域,具体涉及一种霍夫投票3D彩色点云识别方法。
背景技术
随着人工智能的发展,机器视觉逐渐从二维图像过度到三维图像,而3D点云作为三维图像的典型代表之一,已逐渐被广泛应用。3D点云识别是利用计算机对3D点云进行预处理、分割、特征提取、关键点标注,并选取合适的分类器对3D场景中的物体加以识别的技术。其特征提取及关键点的标注方法的优劣直接影响识别准确率及识别的速度。
近些年,利用3D霍夫投票方法对点云进行识别逐渐引起了一些学者的关注。这种识别方法的基本思想是:3D模型转换到3D测试物体上的各个关键点参考向量对测试物体进行投票,若霍夫投票数在霍夫空间某区域内达到一定阈值时,则识别其为目标物体。3D点云霍夫投票识别方法霍夫投票具有较强的抗干扰和抗噪能力。但仍旧存在一些缺陷:(1)特征匹配好坏直接影响投票结果,从而决定识别准确率的高低;(2)不规则物体模型选择模型质心为参考点计算过于复杂,影响识别速度。
发明内容
本发明的目的是提供一种霍夫投票3D彩色点云识别方法,解决了现有霍夫投票识别算法中关键点特征匹配准确度低且识别速度较低的问题。
本发明所采用的技术方案是,一种霍夫投票3D彩色点云识别方法,具体按照以下步骤实施:
步骤1,分别均匀提取3D点云模型和测试物体关键点;
步骤2,计算经步骤1后得到的每个关键点的SHOT 3D特征描述子;
步骤3,经步骤2后,逐一计算测试物体关键点和3D点云模型关键点间SHOT 3D特征匹配度δ(a,b)函数,选取δ(a,b)函数值最接近1的将其进行匹配,直到测试物体上的关键点特征完全匹配完成为止;
步骤4,选取3D模型表面任意一关键点为参考点,计算3D模型上各个关键点到参考点的参考向量;
步骤5,经步骤4后,将3D点云模型每个关键点的参考向量坐标转换到与测试物体特征相匹配的关键点上,并在测试物体各个关键点上形成参考向量;
步骤6,对测试物体每个关键点的参考向量进行3D霍夫投票,若投票在物体表面或表面附近同一区域且此区域达到一定票数,则认为测试物体为模型物体,识别成功,否则,识别失败。
本发明的特点还在于,
步骤1中,具体按照以下步骤实施:
步骤1.1,分别将3D点云模型和测试物体划分为多个大小相同的3D体素网格,将体素网格看作空间中微小的3D盒;
步骤1.2,经步骤1.1后,分别计算每个3D盒的中心点位置,如式(1)所示;
式(1)中,(xi、yi、zi)为3D盒中点云数据中各点坐标,n为3D盒中点数量;
步骤1.3,经步骤1.2后,将每个3D盒中心点标记为所提取的关键点。
步骤2中,具体按照以下步骤实施:
步骤2.1,经步骤1后,在已提取的关键点处构造局部坐标系;具体按照以下步骤实施:
步骤2.11,对关键点及其邻域建立协方差矩阵M,并进行特征值分解,如式(2)所示;
式(2)中,di=||pi-p||2,pi为给定点的邻域点,p为邻域点的重心;
利用公式(3)计算邻域点内的中心点Pc,然后,通过公式(4)求取各点到中心的空间距离Di,所求距离Di最小的点为所求重心p;
步骤2.12,计算并求出M的三个特征向量v0、v1、v2,其中,v0即为给定点的法向量,作为z轴,另两个特征向量v1和v2分别作为x轴和y轴;
步骤2.2,对关键点邻域进行子空间划分;其中,经度划分为4份,纬度划分为2份,径向长度划分为2份,最终得到16个子空间;
步骤2.3,对每个子空间,采用双线性插值法统计其邻域内点法向量夹角余弦直方图;计算其内每点的法向量与z轴正方向的夹角余弦,将此余弦值等值划分为11份作为横坐标轴,纵轴为该余弦值范围内夹角数量,即每个特征点描述子的维数为16*11=176维。
步骤3中,具体按照以下步骤实施:
利用公式(5)逐一计算测试物体关键点和3D点云模型关键点间SHOT 3D特征匹配度δ(a,b)函数,选取δ(a,b)函数值最接近1的将其进行匹配,直到测试物体上的关键点特征完全匹配完成为止;
式(5)中,pe为人工设定的距离阈值,pe=0.1,及为a、b关键点上的单位法向量,Fa、Fb分别为a、b关键点间特征值;
当a和b间的特征距离大于阈值pe或局部坐标下单位法线量间夹角大于90度时,认为a和b间不匹配,舍弃;当a和b间的特征距离小于阈值pe时,局部坐标下单位法向量夹角越小并且特征距离越近,计算所得值越趋向于1,则这两个关键点特征匹配度越高。
步骤4中,具体按照以下步骤实施:
步骤4.1,选取3D模型表面任意一个关键点为参考点CM,对于模型上每一个特征点利用公式(6)计算出参考点CM和特征点间的全局参考向量
步骤4.2,将步骤4.1后得到的每个全局参考向量转换到相应的局部参考坐标下,并利用公式(7)计算得到模型局部参考向量
式(7)中,是旋转矩阵,由公式(8)计算得到;
式(8)中,矩阵中每一行分别是三个坐标方向下的特征点及其邻域内点构建的局部坐标下的单位特征向量。
步骤5中,具体按照以下步骤实施:
步骤5.1,经过步骤3后,得到模型和测试物体特征匹配的关键点对因为在局部坐标中的参考向量具有旋转平移不变性,所以局部坐标下的模型参考向量等同于测试物体的参考向量
步骤5.2,利用公式(9)将局部坐标下的测试物体的参考向量转换到全局坐标下的测试物体的参考向量
式(9)中,为旋转矩阵,由公式(10)计算所得,其每一列分别是三个坐标方向下的特征点及其邻域内点构建的局部坐标的单位特征向量;
步骤6中,具体按照以下步骤实施:
步骤6.1,在测试物体上设计一个空的3D投票数组;
步骤6.2,统计测试物体上各个参考向量指向的位置,若参考向量指向的位置落在3D投票数组内部,则该位置所对应的3D投票数组区域的计数器加1,即投出一票,对测试物体上的所有参考向量进行同样的处理,最终累加得到一个含有不同票数的3D投票数组;
步骤6.3,根据数组内票数分布及峰值确定物体真假性及位置;若累加数组某元素的值达到所设定的阈值且在物体表面,则表示该数组对应区域内存在识别物体,否则不存在识别物体。
本发明的有益效果是:
该方法均匀提取3D点云模型和测试物体关键点,计算每个关键点的SHOT 3D特征描述子,利用SHOT 3D特征匹配度δ(a,b)函数进行特征匹配,选取模型表面任意一关键点为参考点,计算模型上各个关键点到参考点的参考向量,将其转化到测试物体各个关键点上形成参考向量,最后,利用霍夫投票的方法对3D场景中的物体进行识别。在识别过程中,由于均匀选取关键点,选取模型表面任意一点为模型参考点,以及利用特征匹配度δ(a,b)函数进行特征匹配,使得识别准确率和识别速率得到一定的提高。
附图说明
图1是本发明一种霍夫投票3D彩色点云识别方法的流程图;
图2是本实施例中3D点云关键点特征匹配的标注图;
图3是本实施例中的SHOT描述子子空间划分图;
图4是本实施例中的SHOT描述子直方图;
图5(a)是采用特征距离法进行特征匹配的结果;
图5(b)是采用本实施例中进行特征匹配的结果;
图6是本实施例中参考向量转换示意图;
图7(a)是现有霍夫投票识别方法的识别结果图;
图7(b)是本实施例中识别方法的识别结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种霍夫投票3D彩色点云识别方法,如图1所示,具体按照以下步骤实施:
步骤1,分别均匀提取3D点云模型和测试物体关键点;具体按照以下步骤实施:
步骤1.1,分别将3D点云模型和测试物体划分为多个大小相同的3D体素网格,将体素网格看作空间中微小的3D盒;
步骤1.2,经步骤1.1后,分别计算每个3D盒的中心点位置,如式(1)所示;
式(1)中,(xi、yi、zi)为3D盒中点云数据中各点坐标,n为3D盒中点数量;
步骤1.3,经步骤1.2后,将每个3D盒中心点标记为所提取的关键点,如图2所示;
使用均匀采样的方法提取3D模型和测试物体的关键点,此方法实现简单,运行时间较短,以缩短后续的3D点云目标识别的时间;
步骤2,计算经步骤1后得到的每个关键点的SHOT 3D特征描述子;具体按照以下步骤实施:
步骤2.1,经步骤1后,在已提取的关键点处构造局部坐标系;具体按照以下步骤实施:
步骤2.11,对关键点及其邻域建立协方差矩阵M,并进行特征值分解,如式(2)所示;
式(2)中,di=||pi-p||2,pi为给定点的邻域点,p为邻域点的重心;
利用公式(3)计算邻域点内的中心点Pc,然后,通过公式(4)求取各点到中心的空间距离Di,所求距离Di最小的点为所求重心p;
步骤2.12,计算并求出M的三个特征向量v0、v1、v2,其中,v0即为给定点的法向量,作为z轴,另两个特征向量v1和v2分别作为x轴和y轴;
步骤2.2,对关键点邻域进行子空间划分;其中,经度划分为4份,纬度划分为2份,径向长度划分为2份,最终得到16个子空间,如图3所示;
步骤2.3,对每个子空间,采用双线性插值法统计其邻域内点法向量夹角余弦直方图;计算其内每点的法向量与z轴正方向的夹角余弦,将此余弦值等值划分为11份作为横坐标轴,纵轴为该余弦值范围内夹角数量,如图4所示;这样,每个特征点描述子的维数为16*11=176维;
步骤3,经步骤2后,逐一计算测试物体关键点和3D点云模型关键点间SHOT 3D特征匹配度δ(a,b)函数,选取δ(a,b)函数值最接近1的将其进行匹配,直到测试物体上的关键点特征完全匹配完成为止;具体按照以下步骤实施:
利用公式(5)逐一计算测试物体关键点和3D点云模型关键点间SHOT 3D特征匹配度δ(a,b)函数,选取δ(a,b)函数值最接近1的将其进行匹配,直到测试物体上的关键点特征完全匹配完成为止;
式(5)中,pe为人工设定的距离阈值,pe=0.1,及为a、b关键点上的单位法向量,Fa、Fb分别为a、b关键点间特征值;在本发明中,设计了一个分段函数,当a和b间的特征距离大于阈值pe或局部坐标下单位法线量间夹角大于90度时,认为a和b间不匹配,舍弃;当a和b间的特征距离小于阈值pe时,局部坐标下单位法向量夹角越小并且特征距离越近,计算所得值越趋向于1,则这两个关键点特征匹配度越高;图5(a)、(b)分别是采用特征距离法和采用本发明进行特征匹配的结果;
步骤4,选取3D模型表面任意一关键点为参考点,计算3D模型上各个关键点到参考点的参考向量;具体按照以下步骤实施:
步骤4.1,选取3D模型表面任意一个关键点为参考点CM,对于模型上每一个特征点利用公式(6)计算出参考点CM和特征点间的全局参考向量
步骤4.2,将步骤4.1后得到的每个全局参考向量转换到相应的局部参考坐标下,并利用公式(7)计算得到模型局部参考向量
式(7)中,·表示矩阵乘积,是旋转矩阵,由公式(8)计算得到;
式(8)中,矩阵中每一行分别是三个坐标方向下的特征点及其邻域内点构建的局部坐标下的单位特征向量;
步骤5,经步骤4后,将3D点云模型每个关键点的参考向量坐标转换到与测试物体特征相匹配的关键点上,并在测试物体各个关键点上形成参考向量;具体按照以下步骤实施:
步骤5.1,经过步骤3后,得到模型和测试物体特征匹配的关键点对因为在局部坐标中的参考向量具有旋转平移不变性,所以局部坐标下的模型参考向量等同于测试物体的参考向量
步骤5.2,利用公式(9)将局部坐标下的测试物体的参考向量转换到全局坐标下的测试物体的参考向量
式(9)中,为旋转矩阵,由公式(10)计算所得,其每一列分别是三个坐标方向下的特征点及其邻域内点构建的局部坐标的单位特征向量;
步骤4和步骤5的参考向量的转换过程如图6所示;
步骤6,对测试物体每个关键点的参考向量进行3D霍夫投票,若投票在物体表面或表面附近同一区域且此区域达到一定票数,则认为测试物体为模型物体,识别成功,否则,识别失败;具体按照以下步骤实施:
步骤6.1,在测试物体上设计一个空的3D投票数组;
步骤6.2,统计测试物体上各个参考向量指向的位置,若参考向量指向的位置落在3D投票数组内部,则该位置所对应的3D投票数组区域的计数器加1,即投出一票,对测试物体上的所有参考向量进行同样的处理,最终累加得到一个含有不同票数的3D投票数组;
步骤6.3,根据数组内票数分布及峰值确定物体真假性及位置;若累加数组某元素的值达到所设定的阈值且在物体表面,则表示该数组对应区域内存在识别物体,否则不存在识别物体。
图7(a)、(b)分别现有霍夫投票识别方法和本发明方法识别的结果,无矩形框表示无法识别电脑椅,有矩形框表示正确识别电脑椅。现有方法对场景中旋转一定角度或旋转角度大的目标物体无法识别,如图7(a)无法识别旋转后的电脑椅;而本发明由于采用了SHOT 3D特征描述子对场景中的目标物具有旋转不变性,且采用的特征匹配技术提高了特征匹配正确率,故能够识别出旋转目标物,如图7(b)中的矩形框框出的电脑椅,表示能够很好的识别场景中的目标物,所以本发明不仅能够很好的识别出场景中非旋转目标物,而且也能很好的识别旋转的目标物。
将现有的基于特征距离的霍夫投票3D点云识别方法和本发明识别方法在多个性能方面进行了对比,对比结果如表1、表2和表3所示。由表1可知,本发明在关键点特征匹配方面,正确匹配的点对数均高于现有方法,增加了投票的准确性,为后续的正确识别打下良好基础。表2是将现有方法与本发明方法在识别准确率方面进行了对比,结果表明,本发明方法的正确识别率均高于现有霍夫投票的识别方法,其原因是在特征匹配时使用了特征匹配度函数进行特征匹配,增加了匹配正确率,从而提高了识别准确率。统计结果表明,本发明方法的识别准确率平均增加了3.6%。表3是将现有方法与本发明方法在识别时间上进行了对比,本发明识别方法所花时间均少于现有识别方法的运行时间,其主要原因是在关键点提取时,本发明采用均匀采样方式,该方式运算简单,且选择模型表面任意一点作为参考点,而现有识别方法采用目标的质心作为参考点的选择,质心计算复杂度高,运行时间长。统计结果表明,本发明方法的总体运行时间比现有的霍夫投票的识别方法运行时间减少约1.79秒。由表1、表2、表3可以验证本发明方法的有效性。
表1算法中关键点特征匹配对比
表2算法识别准确率(%)的对比
表3各个室内物体平均识别时间(s)
Claims (7)
1.一种霍夫投票3D彩色点云识别方法,其特征在于,具体按照以下步骤实施:
步骤1,分别均匀提取3D点云模型和测试物体关键点;
步骤2,计算经步骤1后得到的每个关键点的SHOT3D特征描述子;
步骤3,经步骤2后,逐一计算测试物体关键点和3D点云模型关键点间SHOT3D特征匹配度δ(a,b)函数,选取δ(a,b)函数值最接近1的将其进行匹配,直到测试物体上的关键点特征完全匹配完成为止;
步骤4,选取3D模型表面任意一关键点为参考点,计算3D模型上各个关键点到参考点的参考向量;
步骤5,经步骤4后,将3D点云模型每个关键点的参考向量坐标转换到与测试物体特征相匹配的关键点上,并在测试物体各个关键点上形成参考向量;
步骤6,对测试物体每个关键点的参考向量进行3D霍夫投票,若投票在物体表面或表面附近同一区域且此区域达到一定票数,则认为测试物体为模型物体,识别成功,否则,识别失败。
2.根据权利要求1所述的一种霍夫投票3D彩色点云识别方法,其特征在于,所述步骤1中,具体按照以下步骤实施:
步骤1.1,分别将3D点云模型和测试物体划分为多个大小相同的3D体素网格,将体素网格看作空间中微小的3D盒;
步骤1.2,经步骤1.1后,分别计算每个3D盒的中心点位置,如式(1)所示;
式(1)中,(xi、yi、zi)为3D盒中点云数据中各点坐标,n为3D盒中点数量;
步骤1.3,经步骤1.2后,将每个3D盒中心点标记为所提取的关键点。
3.根据权利要求1所述的一种霍夫投票3D彩色点云识别方法,其特征在于,所述步骤2中,具体按照以下步骤实施:
步骤2.1,经步骤1后,在已提取的关键点处构造局部坐标系;具体按照以下步骤实施:
步骤2.11,对关键点及其邻域建立协方差矩阵M,并进行特征值分解,如式(2)所示;
式(2)中,di=||pi-p||2,pi为给定点的邻域点,p为邻域点的重心;
利用公式(3)计算邻域点内的中心点Pc,然后,通过公式(4)求取各点到中心的空间距离Di,所求距离Di最小的点为所求重心p;
步骤2.12,计算并求出M的三个特征向量v0、v1、v2,其中,v0即为给定点的法向量,作为z轴,另两个特征向量v1和v2分别作为x轴和y轴;
步骤2.2,对关键点邻域进行子空间划分;其中,经度划分为4份,纬度划分为2份,径向长度划分为2份,最终得到16个子空间;
步骤2.3,对每个子空间,采用双线性插值法统计其邻域内点法向量夹角余弦直方图;计算其内每点的法向量与z轴正方向的夹角余弦,将此余弦值等值划分为11份作为横坐标轴,纵轴为该余弦值范围内夹角数量,即每个特征点描述子的维数为16*11=176维。
4.根据权利要求1所述的一种霍夫投票3D彩色点云识别方法,其特征在于,所述步骤3中,具体按照以下步骤实施:
利用公式(5)逐一计算测试物体关键点和3D点云模型关键点间SHOT3D特征匹配度δ(a,b)函数,选取δ(a,b)函数值最接近1的将其进行匹配,直到测试物体上的关键点特征完全匹配完成为止;
式(5)中,pe为人工设定的距离阈值,pe=0.1,及为a、b关键点上的单位法向量,Fa、Fb分别为a、b关键点间特征值;
当a和b间的特征距离大于阈值pe或局部坐标下单位法线量间夹角大于90度时,认为a和b间不匹配,舍弃;当a和b间的特征距离小于阈值pe时,局部坐标下单位法向量夹角越小并且特征距离越近,计算所得值越趋向于1,则这两个关键点特征匹配度越高。
5.根据权利要求1所述的一种霍夫投票3D彩色点云识别方法,其特征在于,所述步骤4中,具体按照以下步骤实施:
步骤4.1,选取3D模型表面任意一个关键点为参考点CM,对于模型上每一个特征点利用公式(6)计算出参考点CM和特征点间的全局参考向量
步骤4.2,将步骤4.1后得到的每个全局参考向量转换到相应的局部参考坐标下,并利用公式(7)计算得到模型局部参考向量
式(7)中,是旋转矩阵,由公式(8)计算得到;
式(8)中,矩阵中每一行分别是三个坐标方向下的特征点及其邻域内点构建的局部坐标下的单位特征向量。
6.根据权利要求1所述的一种霍夫投票3D彩色点云识别方法,其特征在于,所述步骤5中,具体按照以下步骤实施:
步骤5.1,经过步骤3后,得到模型和测试物体特征匹配的关键点对因为在局部坐标中的参考向量具有旋转平移不变性,所以局部坐标下的模型参考向量等同于测试物体的参考向量
步骤5.2,利用公式(9)将局部坐标下的测试物体的参考向量转换到全局坐标下的测试物体的参考向量
式(9)中,为旋转矩阵,由公式(10)计算所得,其每一列分别是三个坐标方向下的特征点及其邻域内点构建的局部坐标的单位特征向量;
7.根据权利要求1所述的一种霍夫投票3D彩色点云识别方法,其特征在于,所述步骤6中,具体按照以下步骤实施:
步骤6.1,在测试物体上设计一个空的3D投票数组;
步骤6.2,统计测试物体上各个参考向量指向的位置,若参考向量指向的位置落在3D投票数组内部,则该位置所对应的3D投票数组区域的计数器加1,即投出一票,对测试物体上的所有参考向量进行同样的处理,最终累加得到一个含有不同票数的3D投票数组;
步骤6.3,根据数组内票数分布及峰值确定物体真假性及位置;若累加数组某元素的值达到所设定的阈值且在物体表面,则表示该数组对应区域内存在识别物体,否则不存在识别物体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506043.XA CN110348310A (zh) | 2019-06-12 | 2019-06-12 | 一种霍夫投票3d彩色点云识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506043.XA CN110348310A (zh) | 2019-06-12 | 2019-06-12 | 一种霍夫投票3d彩色点云识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348310A true CN110348310A (zh) | 2019-10-18 |
Family
ID=68181836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910506043.XA Pending CN110348310A (zh) | 2019-06-12 | 2019-06-12 | 一种霍夫投票3d彩色点云识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348310A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807461A (zh) * | 2020-01-08 | 2020-02-18 | 深圳市越疆科技有限公司 | 一种目标位置检测方法 |
CN111539949A (zh) * | 2020-05-12 | 2020-08-14 | 河北工业大学 | 一种基于点云数据的锂电池极片表面缺陷检测方法 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
CN112767447A (zh) * | 2021-01-25 | 2021-05-07 | 电子科技大学 | 基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232414A1 (en) * | 2008-03-12 | 2009-09-17 | Wenlong Li | Identifying patterns in data |
CN104040590A (zh) * | 2011-12-19 | 2014-09-10 | 三菱电机株式会社 | 用于估计物体的姿态的方法 |
CN104463953A (zh) * | 2014-11-11 | 2015-03-25 | 西北工业大学 | 基于惯性测量单元与rgb-d传感器的三维重建方法 |
CN106127258A (zh) * | 2016-07-01 | 2016-11-16 | 华中科技大学 | 一种目标匹配方法 |
CN108228798A (zh) * | 2017-12-29 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 确定点云数据之间的匹配关系的方法和装置 |
CN108876852A (zh) * | 2017-05-09 | 2018-11-23 | 中国科学院沈阳自动化研究所 | 一种基于3d视觉的在线实时物体识别定位方法 |
CN109493375A (zh) * | 2018-10-24 | 2019-03-19 | 深圳市易尚展示股份有限公司 | 三维点云的数据匹配及合并方法、装置、可读介质 |
CN109785389A (zh) * | 2019-01-18 | 2019-05-21 | 四川长虹电器股份有限公司 | 一种基于哈希描述与迭代最近点的三维物体检测方法 |
-
2019
- 2019-06-12 CN CN201910506043.XA patent/CN110348310A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232414A1 (en) * | 2008-03-12 | 2009-09-17 | Wenlong Li | Identifying patterns in data |
CN104040590A (zh) * | 2011-12-19 | 2014-09-10 | 三菱电机株式会社 | 用于估计物体的姿态的方法 |
CN104463953A (zh) * | 2014-11-11 | 2015-03-25 | 西北工业大学 | 基于惯性测量单元与rgb-d传感器的三维重建方法 |
CN106127258A (zh) * | 2016-07-01 | 2016-11-16 | 华中科技大学 | 一种目标匹配方法 |
CN108876852A (zh) * | 2017-05-09 | 2018-11-23 | 中国科学院沈阳自动化研究所 | 一种基于3d视觉的在线实时物体识别定位方法 |
CN108228798A (zh) * | 2017-12-29 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 确定点云数据之间的匹配关系的方法和装置 |
CN109493375A (zh) * | 2018-10-24 | 2019-03-19 | 深圳市易尚展示股份有限公司 | 三维点云的数据匹配及合并方法、装置、可读介质 |
CN109785389A (zh) * | 2019-01-18 | 2019-05-21 | 四川长虹电器股份有限公司 | 一种基于哈希描述与迭代最近点的三维物体检测方法 |
Non-Patent Citations (10)
Title |
---|
ANTTI HIETANEN: "robustifying correspondence based 6D object pose estimation", 《2017 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
FEDERICO TOMBARI: "hough voting for 3D Object Recognition under occlusions and clutter", 《IPSJ TRANSACTIONS ON COMPUTER VISION AND APPLICATIONS》 * |
FEDERICO TOMBARI: "Object Recognition in 3D Scenes with Occlusions and Clutter by Hough Voting", 《2010 FOURTH PACIFIC-RIM SYMPOSIUM ON IMAGE AND VIDEO TECHNOLOGY》 * |
SAMUELESALTI: "SHOT: Unique signatures of histograms for surface and texture description", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
TOSHIAKI EJIMA: "3D object recognition based on the reference point ensemble", 《2014 INTERNATIONAL CONFERENCE ON COMPUTER VISION THEORY AND APPLICATIONS (VISAPP)》 * |
张凯霖: "复杂场景下基于C-SHOT特征的3D物体识别与位姿估计", 《万方数据知识服务平台》 * |
朱德海: "使用VoxelGrid滤波器对点云进行下采样", 《点云库PCL学习教程》 * |
袁天文: "复杂三维点云场景中的目标识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵兴东: "体素化滤波", 《矿用三维激光数字测量原理及其工程应用》 * |
郜庆洪: "AR高精度实时配准核心技术及其应用系统开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807461A (zh) * | 2020-01-08 | 2020-02-18 | 深圳市越疆科技有限公司 | 一种目标位置检测方法 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
US11535400B2 (en) | 2020-05-09 | 2022-12-27 | Nanjing University Of Aeronautics And Astronautics | Fairing skin repair method based on measured wing data |
CN111539949A (zh) * | 2020-05-12 | 2020-08-14 | 河北工业大学 | 一种基于点云数据的锂电池极片表面缺陷检测方法 |
CN111539949B (zh) * | 2020-05-12 | 2022-05-13 | 河北工业大学 | 一种基于点云数据的锂电池极片表面缺陷检测方法 |
CN112767447A (zh) * | 2021-01-25 | 2021-05-07 | 电子科技大学 | 基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348310A (zh) | 一种霍夫投票3d彩色点云识别方法 | |
CN104268539B (zh) | 一种高性能的人脸识别方法及系统 | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
CN107742102B (zh) | 一种基于深度传感器的手势识别方法 | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
JP6681729B2 (ja) | オブジェクトの3d姿勢およびオブジェクトのランドマーク点の3dロケーションを求める方法、およびオブジェクトの3d姿勢およびオブジェクトのランドマークの3dロケーションを求めるシステム | |
Spreeuwers | Fast and accurate 3D face recognition: using registration to an intrinsic coordinate system and fusion of multiple region classifiers | |
CN110211129B (zh) | 基于区域分割的低覆盖点云配准算法 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
CN110807781B (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN108122256A (zh) | 一种逼近状态下旋转目标位姿测量的方法 | |
CN105118059A (zh) | 一种多尺度坐标轴夹角特征的点云快速配准方法 | |
CN113160285B (zh) | 一种基于局部深度图像关键性的点云匹配方法 | |
CN106778489A (zh) | 人脸3d特征身份信息库的建立方法及设备 | |
CN105654122B (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
CN107016319A (zh) | 一种关键点定位方法和装置 | |
CN114612665B (zh) | 基于法向量直方图特征的位姿估计及动态车辆检测方法 | |
Tao et al. | A pipeline for 3-D object recognition based on local shape description in cluttered scenes | |
CN103700135B (zh) | 一种三维模型局部球面调和特征提取方法 | |
CN107316328A (zh) | 一种基于二维激光扫描仪角点特征的闭环检测方法 | |
CN108320310B (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
CN106682575A (zh) | Elm算法的人眼点云特征定位 | |
CN110942077B (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN114648445B (zh) | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 | |
CN106909874B (zh) | 一种鼻尖定位方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |