CN110415362A - 重叠点云融合方法 - Google Patents
重叠点云融合方法 Download PDFInfo
- Publication number
- CN110415362A CN110415362A CN201910699598.0A CN201910699598A CN110415362A CN 110415362 A CN110415362 A CN 110415362A CN 201910699598 A CN201910699598 A CN 201910699598A CN 110415362 A CN110415362 A CN 110415362A
- Authority
- CN
- China
- Prior art keywords
- point
- cloud
- merging
- point cloud
- neighbouring
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 239000002356 single layer Substances 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种重叠点云融合方法,包括如下步骤:1)获取拼接后的点云数据,所述点云数据包含所有点的三维坐标数据;对单片点云进行标记;2)分别计算各片点云的点间距β,将各点标记为未融合点;3)对某一未融合点利用八叉树方法确定其邻近点集,当所包含未融合点的数量大于预设值时,该点属于重叠区,进行步骤4);反之属于非重叠区,重新选点判断其是否属于重叠区;4)对重叠区域内点进行加权融合;5)重复步骤3)、4)直至所有重叠区域内点均已融合;6)将所有标记为未融合点和融合点的数据合并,输出单层点云数据。该方法能对千万级数量点云进行高效地融合,融合后的点云分布更加均匀,去除冗余数据,令重建的模型表面更加光顺。
Description
技术领域
本发明涉及光学三维测量领域,具体涉及一种重叠点云融合方法。
背景技术
在光学测量领域中,通常需要对场景或目标进行点云采集,受限于采集设备的工作范围与景深限制,通常需要设备从多个视角进行反复定位采集,而后利用点云拼接技术将多帧点云变换到同一空间坐标系下,以还原整体场景或物体。
由于存在拼接误差,即使精确拼接的点云也不可避免的存在局部点云重叠现象,造成数据的大量冗余,而在利用这些数据重建网格模型时,将生成大量的冗余面片,且由重叠处生成的网格相对粗糙,造成视觉上的显著缺陷。因此,将多层点云融合成单层点云,对减少数据冗余,特征保持,三维重建阶段有着重要意义。
目前点云融合的方法主要采用基于空间体素的融合方法和基于聚类思想的点云融合方法。基于空间体素的融合方法,如TSDF(Truncated Signed Distance Functions)方法,需要将点云空间分割成细小立方体(Voxel),细分程度与精度相关。对于精度要求较高,点云空间分布较大的应用场景时,将消耗大量的内存资源,目前该方法仅适用于低精度需求的点云融合及三维场景快速重建。基于聚类思想的点云融合方法,该方法需要同时输入点云及法向。利用聚类的方式定位重叠区域,利用最小二乘法将重叠区域的点集投影至拟合平面,选择重叠区域点和法向构成的直线与拟合平面的交点作为融合后的点数据。当数据量较大时,聚类过程和拟合过程将十分耗时,融合效率低。
发明内容
为了解决上述技术问题,本发明提供一种重叠点云融合方法,能够对千万级数量点云进行高效地融合,融合后的点云分布更加均匀,去除冗余数据,令重建的模型表面更加光顺。
为此,本发明的技术方案如下:
一种重叠点云融合方法,包括如下步骤:
1)获取拼接后的点云数据,所述点云数据包含所有点的三维坐标数据;对单片点云进行标记,该标记具有唯一性;
2)计算点云中所有点与邻近点之间的点间距,后取平均值作为此片点云的点间距β,将点云数据中各点的融合状态标记为未融合点;
3)对某一未融合点,基于八叉树所确定的拓扑关系,采用八叉树的固定半径搜索方法确定其邻近点,将该点的所有邻近点组成的集合标记为邻近点集;计算所述邻近点集内包含未融合点的数量,当所述未融合点的数量大于预设值时,该邻近点集所对应的点属于重叠区,进行步骤4);反之属于非重叠区,重新选点,利用本步骤方法确定其是否属于重叠区,直至筛选出属于重叠区的新选点;
4)利用如下步骤对重叠区内的点进行融合;
①对重叠区域内点的邻近点集进行统计,获知该邻近点集内未融合点标记,该标记为所述邻近点集内某一点所在点云的标记;再统计邻近点集内属于不同点云的点的数量;
②计算邻近点集内不同点的权重,所述权重为:在邻近点集内与该点在同一片点云下点的数量占所述邻近点集内点的总数的比值;
③将所述邻近点集内所有未融合点与权重的积求和,作为融合后的新点;将新点和所述邻近点集内所有点标记为融合点;
5)重复步骤3)、4)直至所有重叠区域内点均已融合;
6)输出结果,将所有标记为未融合点和融合点的数据合并,输出单层点云数据。
进一步,步骤2)计算某片点云的点间距β所使用的方法如下:先对点云中的数据建立k-d树,再利用k-d树的最近邻点搜索方法,逐点计算各点与其邻近点集内各点的平均欧式距离,后取各点的平均欧式距离的均值,作为该片点云的点间距β。
作为一种替换方案,步骤2)计算某片点云的点间距β时,采用八叉树的方法进行计算,计算方法如下,先对某片点云中的数据建立八叉树,利用八叉树的固定半径搜索方法,最后计算该点与邻近点集中所有点的欧氏距离平均值,再求所有点的欧氏距离平均值的均值作为所在点云的点间距β。进一步,固定半径可以选择为1~4/20包围盒最大边长尺寸。
进一步:步骤3)中,确定邻近点的方法为:将某一未融合点作为中心,将步骤2)中求得的点间距作为半径约束,构建球形搜索空间,取搜索空间内的点集作为该未融合点的邻近点集。
进一步,步骤3)中预设值为2~10。
与现有技术相比较,本申请提供的方法具有以下优点:
(1)在融合多帧多视角下重叠点云时,仅依赖其点数据坐标信息,输入信息少,计算效率高。
(2)在融合重叠点云时,可一次性对多片点云进行融合,相对增量式点云融合方法,融合效率高。
(3)在融合重叠点云时,采用了二进制编码八叉树数据结构,易于在GPU端实现,在融合大规模多视角点云数据时更加高效,千万数量级别点云数据融合仅需数秒。
(4)最终获得融合后的点云分布均匀、光顺,经过网格重建后,相比未经融合的点云重建得到的网格,重叠处无视觉瑕疵。
附图说明
图1是本发明提供的重叠点云融合方法的流程图;
图2是实施例融合时采用八叉树固定半径搜索算法确定邻近点集的示意图;
图3a是待融合的多帧点云且存在重叠的点云数据;
图3b是3a中的重叠区域局部放大图;
图4a是利用本发明提供的重叠点云融合方法融合后的点云数据;
图4b是4a中的局部放大图。
具体实施方式
以下结合附图和具体实施方式对本发明的技术方案进行详细描述。
一种重叠点云融合方法,包括如下步骤:
1)获取拼接后的点云数据,所述点云数据包含所有点的三维坐标数据;对单片点云进行标记,该标记具有唯一性;例如可将单片点云标记为label,用于标识不同点云的视角所属;
2)计算点云中所有点与邻近点之间的点间距,后取平均值作为此片点云的点间距β,将点云数据中各点的融合状态标记为未融合点;
此步可以采用k-d树的方法或八叉树的方法,具体来说,方法①:先对点云中的数据建立k-d树,再利用k-d树的最近邻点搜索方法,逐点计算各点与其邻近点集内各点的平均欧式距离,后取各点的平均欧式距离的均值,作为该片点云的点间距β。方法②先对某片点云中的数据建立八叉树,利用八叉树的固定半径搜索方法,最后计算该点与邻近点集中所有点的欧氏距离平均值,再求所有点的欧氏距离平均值的均值作为所在点云的点间距β。进一步,固定半径可以选择为1~4/20包围盒最大边长尺寸。
3)如图2所示,对某一未融合点Pi,以其为中心,基于八叉树所确定的拓扑关系,采用八叉树的固定半径搜索方法先构建球形搜索空间,确定其邻近点(此处固定半径可赋值为步骤2)的点云的点间距β),将该点的所有邻近点组成的集合标记为邻近点集;
该邻近点集:Ω={Pi|d(pi)≤β},0≤i≤N-1;
其中P’=(x,y,z)为空间中的点数据,N为搜索到的邻近点的数量,β为球状搜索空间的半径,i表示邻近点集中的第i个点;
计算所述邻近点集内包含未融合点的数量,当所述未融合点的数量大于预设值时(预设值为2~10,此处赋值为2进行计算),该邻近点集所对应的点属于重叠区,进行步骤4);反之属于非重叠区,重新选点,利用本步骤方法确定其是否属于重叠区,直至筛选出属于重叠区的新选点;
4)利用如下步骤对重叠区内的点进行融合;
①对重叠区域内点的邻近点集进行统计,获知该邻近点集内未融合点标记,该标记为所述邻近点集内某一点所在点云的标记;再统计邻近点集内属于不同点云的点的数量;
②计算邻近点集内不同点的权重,所述权重为:在邻近点集内与该点在同一片点云下点的数量占所述邻近点集内点的总数的比值;
③将所述邻近点集内所有未融合点与权重的积求和,作为融合后的新点;将新点和所述邻近点集内所有点标记为融合点;
5)重复步骤3)、4)直至所有重叠区域内点均已融合。
6)输出结果,将所有标记为未融合点和融合点的数据合并,输出单层点云数据。
将本发明提供的方法在如下条件下运行:VS2013平台上实现相应算法,结合CUDA9.0在配备Intel i7-4770 CPU 2.70Ghz、16GB内存,NVIDIA GeForce GT710显卡的PC机上运行。
如图3(a)所示,输入四帧已精确配准的但部分区域存在重叠的点云数据,共计16,466,099个点数据。为了充分显示重叠区域的点云分布情况,图3(b)为图3(a)中框选部分的细节放大图示。图4(a)为融合后的点云数据,融合后的点云包含点数据共计9,402,930点,用时16秒。图4(b)为图4(a)中框选部分的细节放大图示。通过本实施例可以说明,本发明方法可以将多帧点云数据快速的融合成为单层、平滑且分布均匀的点云数据。
前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的,也不是想要把本发明限制为所公开的精确形式,显然,根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用,从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。
Claims (6)
1.一种重叠点云融合方法,其特征在于包括如下步骤:
1)获取拼接后的点云数据,所述点云数据包含所有点的三维坐标数据;对单片点云进行标记,该标记具有唯一性;
2)计算点云中所有点与邻近点之间的点间距,后取平均值作为此片点云的点间距β,将点云数据中各点的融合状态标记为未融合点;
3)对某一未融合点,基于八叉树所确定的拓扑关系,采用八叉树的固定半径搜索方法确定其邻近点,将该点的所有邻近点组成的集合标记为邻近点集;计算所述邻近点集内包含未融合点的数量,当所述未融合点的数量大于预设值时,该邻近点集所对应的点属于重叠区,进行步骤4);反之属于非重叠区,重新选点,利用本步骤方法确定其是否属于重叠区,直至筛选出属于重叠区的新选点;
4)利用如下步骤对重叠区内的点进行融合;
①对重叠区域内点的邻近点集进行统计,获知该邻近点集内未融合点标记,该标记为所述邻近点集内某一点所在点云的标记;再统计邻近点集内属于不同点云的点的数量;
②计算邻近点集内不同点的权重,所述权重为:在邻近点集内与该点在同一片点云下点的数量占所述邻近点集内点的总数的比值;
③将所述邻近点集内所有未融合点与权重的积求和,作为融合后的新点;将新点和所述邻近点集内所有点标记为融合点;
5)重复步骤3)、4)直至所有重叠区域内点均已融合;
6)输出结果,将所有标记为未融合点和融合点的数据合并,输出单层点云数据。
2.如权利要求1所述重叠点云融合方法,其特征在于:步骤2)计算某片点云的点间距β所使用的方法如下:先对点云中的数据建立k-d树,再利用k-d树的最近邻点搜索方法,逐点计算各点与其邻近点集内各点的平均欧式距离,后取各点的平均欧式距离的均值,作为该片点云的点间距β。
3.如权利要求1所述重叠点云融合方法,其特征在于:步骤2)计算某片点云的点间距β时,采用八叉树的方法进行计算,计算方法如下,先对某片点云中的数据建立八叉树,利用八叉树的固定半径搜索方法,最后计算该点与邻近点集中所有点的欧氏距离平均值,再求所有点的欧氏距离平均值的均值作为所在点云的点间距β。
4.如权利要求3所述重叠点云融合方法,其特征在于:固定半径可以选择为1~4/20包围盒最大边长尺寸。
5.如权利要求1所述重叠点云融合方法,其特征在于:步骤3)中,确定邻近点的方法为:将某一未融合点作为中心,将步骤2)中求得的点间距作为半径约束,构建球形搜索空间,取搜索空间内的点集作为该未融合点的邻近点集。
6.如权利要求1所述重叠点云融合方法,其特征在于:步骤3)中预设值为2~10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699598.0A CN110415362B (zh) | 2019-07-31 | 2019-07-31 | 重叠点云融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699598.0A CN110415362B (zh) | 2019-07-31 | 2019-07-31 | 重叠点云融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415362A true CN110415362A (zh) | 2019-11-05 |
CN110415362B CN110415362B (zh) | 2023-06-06 |
Family
ID=68364605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910699598.0A Active CN110415362B (zh) | 2019-07-31 | 2019-07-31 | 重叠点云融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415362B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112754658A (zh) * | 2020-12-31 | 2021-05-07 | 华科精准(北京)医疗科技有限公司 | 一种手术导航系统 |
CN112885097A (zh) * | 2021-02-07 | 2021-06-01 | 启迪云控(上海)汽车科技有限公司 | 一种基于跨点位的路侧融合管理方法及系统 |
CN113177477A (zh) * | 2021-04-29 | 2021-07-27 | 湖南大学 | 一种基于三维点云分析的目标检测识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050639A (zh) * | 2014-06-16 | 2014-09-17 | 西安电子科技大学 | 一种基于双边滤波器的多视角密集点云数据融合方法 |
CN104050640A (zh) * | 2014-06-16 | 2014-09-17 | 西安电子科技大学 | 一种多视角密集点云数据融合方法 |
US20160163096A1 (en) * | 2014-12-03 | 2016-06-09 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Computing device and method for processing point clouds |
CN107301648A (zh) * | 2017-06-09 | 2017-10-27 | 大连理工大学 | 基于重叠区域边界角度的冗余点云去除方法 |
CN110047131A (zh) * | 2019-04-02 | 2019-07-23 | 中科恒运股份有限公司 | 一种人体三维重建的点云融合方法 |
-
2019
- 2019-07-31 CN CN201910699598.0A patent/CN110415362B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050639A (zh) * | 2014-06-16 | 2014-09-17 | 西安电子科技大学 | 一种基于双边滤波器的多视角密集点云数据融合方法 |
CN104050640A (zh) * | 2014-06-16 | 2014-09-17 | 西安电子科技大学 | 一种多视角密集点云数据融合方法 |
US20160163096A1 (en) * | 2014-12-03 | 2016-06-09 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Computing device and method for processing point clouds |
CN107301648A (zh) * | 2017-06-09 | 2017-10-27 | 大连理工大学 | 基于重叠区域边界角度的冗余点云去除方法 |
CN110047131A (zh) * | 2019-04-02 | 2019-07-23 | 中科恒运股份有限公司 | 一种人体三维重建的点云融合方法 |
Non-Patent Citations (2)
Title |
---|
POULLIS C: "A Framework for Automatic Modeling from Point Cloud Data", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS&MACHINE INTELLIGENCE》 * |
张文革等: "重心约束的多幅点云数据融合技术", 《建设机械技术与管理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112754658A (zh) * | 2020-12-31 | 2021-05-07 | 华科精准(北京)医疗科技有限公司 | 一种手术导航系统 |
CN112754658B (zh) * | 2020-12-31 | 2023-03-14 | 华科精准(北京)医疗科技有限公司 | 一种手术导航系统 |
CN112885097A (zh) * | 2021-02-07 | 2021-06-01 | 启迪云控(上海)汽车科技有限公司 | 一种基于跨点位的路侧融合管理方法及系统 |
CN113177477A (zh) * | 2021-04-29 | 2021-07-27 | 湖南大学 | 一种基于三维点云分析的目标检测识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110415362B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415362A (zh) | 重叠点云融合方法 | |
CN106600622B (zh) | 一种基于超体素的点云数据分割方法 | |
CN109118574A (zh) | 一种基于三维特征提取的快速逆向建模方法 | |
CN113298833A (zh) | 目标物点云特征线面提取方法及系统 | |
CN101672637B (zh) | 一种复杂曲面的数字化检测方法 | |
CN103886593B (zh) | 一种基于三维点云曲面圆孔检测方法 | |
CN108010116A (zh) | 点云特征点检测方法和点云特征提取方法 | |
CN106969703A (zh) | 用于自动成型冷却孔测量的方法和系统 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN107622499A (zh) | 一种基于目标二维轮廓模型的识别与空间定位方法 | |
CN102147935A (zh) | 一种适用于从牙颌三角网格曲面分割牙齿三角网格曲面的方法 | |
CN102779345A (zh) | 一种基于重心欧氏距离的点云精确配准方法 | |
CN102135417A (zh) | 一种全自动三维特征提取方法 | |
CN110222642A (zh) | 一种基于全局图聚类的平面建筑构件点云轮廓提取方法 | |
CN107609213A (zh) | 一种基于静平衡的接触网线索三维动态建模方法 | |
CN105844602A (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN113327276B (zh) | 一种面向移动测量大体量点云数据配准的方法 | |
CN107480373A (zh) | 输电线路选线方法及系统 | |
CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 | |
CN104050640B (zh) | 一种多视角密集点云数据融合方法 | |
CN107622530A (zh) | 一种高效鲁棒的三角网切割方法 | |
CN114119488A (zh) | 一种面向工厂化的预制叠合板尺寸质量智能检测方法 | |
CN108388723B (zh) | 板桥桥梁点云的部件自动检测方法及系统 | |
CN111489416A (zh) | 隧道轴线拟合方法及在超欠挖方量计算上的应用 | |
CN105956318B (zh) | 基于改进分裂h-k聚类方法的风电场机群划分方法 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd. Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |