CN110942077A - 基于权重局部变化度和l1中值优化的特征线提取方法 - Google Patents

基于权重局部变化度和l1中值优化的特征线提取方法 Download PDF

Info

Publication number
CN110942077A
CN110942077A CN201911262594.2A CN201911262594A CN110942077A CN 110942077 A CN110942077 A CN 110942077A CN 201911262594 A CN201911262594 A CN 201911262594A CN 110942077 A CN110942077 A CN 110942077A
Authority
CN
China
Prior art keywords
point
point cloud
local
neighborhood
feature points
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
Application number
CN201911262594.2A
Other languages
English (en)
Other versions
CN110942077B (zh
Inventor
汪俊
陈红华
黄耀然
徐旭
杜坤鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911262594.2A priority Critical patent/CN110942077B/zh
Publication of CN110942077A publication Critical patent/CN110942077A/zh
Application granted granted Critical
Publication of CN110942077B publication Critical patent/CN110942077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/66Analysis of geometric attributes of image moments or centre of gravity
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于权重局部变化度和L1中值优化的特征线提取方法,包括:获取实测点云数据;结合实测的点云数据,采用基于权重优化的局部变化度的方法识别出潜在特征点;由潜在特征点通过L1中值提取优化得到真实特征点;根据真实特征点建立最小生成树,将真实特征点连成特征线。本发明对于气动性能要求很高的飞机零件上的一些浅特征也可以精确提取出来,解决了飞机零件中某些浅特征提取困难的问题。

Description

基于权重局部变化度和L1中值优化的特征线提取方法
技术领域
本发明涉及计算机视觉技术领域,具体而言涉及一种基于权重局部变化度和L1中值优化的特征线提取方法。
背景技术
随着三维测量技术的快速发展,现有的测量设备已经能够对大型场景复杂零部件进行快速测量,扫描速度可以在每秒扫描几十万甚至是上百万个点;扫描精度也有了大幅度的提升,本发明方法中所使用的扫描设备Metra-Scan扫描仪扫描精度高达0.03mm,并且因为扫描头和定位跟踪器分离,因此可以手持扫描头或固定扫描头进行扫描,并且定位跟踪器C-Track可以根据扫描需要进行转站,因此大大扩大的该扫描仪的适用范围。
目前对于点云特征线检测的方法,主要是根据点云曲率变化或点云表面法向的夹角来初步识别出潜在特征点集,然后通过寻找沿点云主曲率方向的最大和最小曲率极值来识别真实特征点,最终将真实特征点连成特征线。这样的方法对于一般具有尖锐特征的点云模型具有良好的识别效果。但是对于气动性能要求较高的飞机某些零部件来说,浅特征线往往位于平面或小曲率曲面相交并且以小半径倒角或圆角过渡,传统的特征线识别方法对这样的特征识别效果欠佳。
鉴于目前的特征线识别方法对浅特征的识别缺陷,提出一种专门针对点云浅特征识别的方法,能够有效的解决问题。
发明内容
本发明目的在于提供一种基于权重局部变化度和L1中值优化的特征线提取方法,除了如传统的点云特征线提取方法一样,能够针对具有清晰可见的点云特征进行提取外,对于气动性能要求很高的飞机零件上的一些浅特征也可以精确提取出来,解决了飞机零件中某些浅特征提取困难的问题。
为达成上述目的,结合图1,本发明提出一种基于权重局部变化度和L1中值优化的特征线提取方法,所述特征线提取方法包括:
S01:获取实测点云数据;
S02:结合实测的点云数据,采用基于权重优化的局部变化度的方法识别出潜在特征点;
S03:由潜在特征点通过L1中值提取优化得到真实特征点;
S04:根据真实特征点建立最小生成树,将真实特征点连成特征线。
进一步的实施例中,步骤S02中,所述结合实测的点云数据,采用基于权重优化的局部变化度的方法识别出潜在特征点的过程包括以下步骤:
S21:针对实测点云计算每个点的法向量,通过优化参数调整点云在特征区域的法向;
S22:通过法线和点云切平面建立局部坐标系,设置局部邻域半径和局部变化度阈值,在局部邻域内计算点云局部变化度,将点云中局部变化度大于局部变化度阈值的点提取出来,作为点云潜在特征点。
进一步的实施例中,步骤S21中,所述针对实测点云计算每个点的法向量的过程包括以下步骤:
通过主成分分析法计算每个点的设定邻域范围的重心;
计算每个点在该设定邻域内的协方差矩阵;
求解协方差矩阵得到点云在该点的特征值与特征向量,将最小特征值对应的特征向量认定为点云在该点处的法向量。
进一步的实施例中,根据下述公式计算点云某一邻域的重心及协方差矩阵:
Figure BDA0002311965990000021
Figure BDA0002311965990000022
式中,M是协方差矩阵,pc是某一邻域内的重心坐标,pi是该邻域的点坐标,k是该邻域有点的总数。
进一步的实施例中,步骤S21中,所述通过优化参数调整点云在特征区域的法向的过程包括以下步骤:
采用下述调整公式对点云法线方向进行调整:
Figure BDA0002311965990000023
式中,Ni为调整以后的法线方向,ni是通过PCA计算的初始法线,ni′是点pi′的法线;
θ(x)是高斯函数,具体函数表达式如下:
Figure BDA0002311965990000024
其中,r是点pi的邻域半径;
ψ(ni,ni′)是法线权重函数,具体表达式如下:
Figure BDA0002311965990000025
其中σn是预先设置的角度。优选的,可以将σn设置成15度
进一步的实施例中,步骤S22中,所述通过法线和点云切平面建立局部坐标系是指,
根据调整后的点云法线方向,在每个点处建立局部坐标系,其中Z轴方向设置为点云法线方向,XOY平面过该点并垂直于法线方向。
进一步的实施例中,步骤S22中,所述设置局部邻域半径和局部变化度阈值,在局部邻域内计算点云局部变化度的过程是指,
将点云在每个点处的局部变化度定义为点云在该点处某一邻域内所有邻域点与该点连线在Z轴方向投影的最大值,局部变化度计算公式如下:
Figure BDA0002311965990000031
其中,Hi是点云在pi处的局部变化度,Θi为点pi的邻域点集,Ni是调整以后的法线方向。
进一步的实施例中,步骤S22中,所述将点云中局部变化度大于局部变化度阈值的点提取出来,作为点云潜在特征点的过程包括以下步骤:
将计算得到的点云局部变化度从小到大排序,输出排序中前15%的点云及在该位置处的局部变化度,通过三维软件查看输出的点云是否为所需的潜在特征点,并且确定初步局部变化度阈值;
对初步局部变化度阈值不断迭代,得到最终的局部变化度阈值;
对点云局部变化度进行采样,确定初步邻域半径;
对初步邻域半径不断迭代,得到最终的邻域半径;
基于最终的局部变化度阈值和邻域半径,识别出点云中的潜在特征点。
进一步的实施例中,步骤S03中,所述由潜在特征点通过L1中值提取优化得到真实特征点的过程包括以下步骤:
S31:对潜在特征点集进行下采样,并确定收缩半径,所述收缩半径内包括点云中所有的分叉结构;
S32:将采样点在一定的收缩半径内迭代收缩并提取真实特征点。
在一些例子中,对采样点集采用L1中值优化,具体包括:对输入的潜在特征点集进行下采样、利用L1中值提取骨架的方法将采样点进行迭代收缩到真实特征点。
进一步地,对输入的潜在特征点集进行下采样包括:确定输入的采样点集的总数,由于采样点总数越多,计算量越大,并且当采样点数目达到一定数值时,采样点数目再增加对最终迭代结果影响甚微。因此,可以采样点数设置为输入点集的5%。
优选的,利用L1中值提取骨架的方法迭代收缩到最终真实特征点包括:在采样点集中设置一个初始的邻域半径r1,之后随着收敛过程不断扩大邻域半径,在一定的邻域半径内对采样点进行迭代收缩,经过每次迭代并更新迭代点的坐标,迭代公式如下:
Figure BDA0002311965990000032
其中:
Figure BDA0002311965990000033
Figure BDA0002311965990000034
Figure BDA0002311965990000035
是点xi在第k次迭代之后的坐标,
Figure BDA0002311965990000036
是点
Figure BDA0002311965990000037
一定邻域半径内的其他采样点xi′在第k次迭代之后的坐标。
其中
Figure BDA0002311965990000038
λi是点xi在邻域内的协方差矩阵特征值
进一步的实施例中,步骤S04中,所述根据真实特征点建立最小生成树,将真实特征点连成特征线的过程包括以下步骤:
S41:构建特征点连接图;
S42:对于每个特征点搜索其对应的近邻点,并以其距离平方和作为连接权重,构建特征点的连接图;
S43:利用Prim算法生成最小生成树,生成特征线。
以上本发明的技术方案,与现有相比,其显著的有益效果在于,
(1)除了如传统的点云特征线提取方法一样,能够针对具有清晰可见的点云特征进行提取外,对于气动性能要求很高的飞机零件上的一些浅特征也可以精确提取出来,解决了飞机零件中某些浅特征提取困难的问题。
(2)通过引入高斯权重因子来提高局部变化度的抗噪能力。
(3)通过优化参数调整点云在特征区域的法向,以及采用迭代的思想获取邻域半径、局部变化度阈值、收缩半径等参数,提取效率高,提取精确度高。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的基于权重局部变化度和L1中值优化的特征线提取方法的流程图。
图2是本发明的扫描获取的点云原始点云数据示意图。
图3是本发明的由局部变化度提取的点云潜在特征点集示意图。
图4是本发明的通过L1中值优化的真实特征点,并连成特征线示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
本发明优选的实施例中提供了一种飞机大型零部件实测三维点云数据的浅特征线提取方法,该方法可以直接应用到各种点云模型浅特征的提取中,具体实现时可以利用PCL库中开源代码进行编程实现。具体地说,图1是该方法的一种可选流程图,包括以下步骤:
S01:获取点云数据。
S02:识别实测点云中潜在特征点,其中潜在特征点是点云浅特征线附近的邻域点,由于数量较多,不能直接将其连成特征线。
S03:利用L1中值优化潜在特征点集,得到真实特征点。
S04:将真实特征点连成特征线。
在以上的实施方式中,为点云浅特征提取提供了一个有效的办法,具体通过以下方式实现:获取点云数据、识别实测点云数据中的潜在特征点、对潜在特征点集使用L1中值优化提取真实的特征点、利用最小生成树算法将特征点连成特征线。
图2是获取的实测点云数据,通过局部变化度提取出的点云潜在特征点集如图3所示,可以看出点云的潜在特征点沿着浅特征区域分布。
具体地,可以通过如下步骤实现对潜在特征点集的提取:利用主成分分析法(PCA)计算点云每个点的法线,法线为点云每个点在局部邻域内协方差矩阵的最小特征值对应的特征向量,将法线进行调整,再在每个点的局部邻域内建立坐标系,计算每个点在邻域内的局部变化度。通过设置一个合理的阈值,将点云中局部变化度大于阈值的点提取出来作为点云的潜在特征点。
在上述的实施方式中,利用主成分分析法计算点云法线时邻域半径时根据输入点云的大小进行设置,一般保证点云邻域内的点数为15-30个点。在本例中设置的邻域半径为2.5mm。
在提取初始点云法线后,进一步地,将法线进行调整,最大程度的修正在特征区域的法线方向。法线调整公式为:
Figure BDA0002311965990000059
其中,Ni为调整以后的法线方向,ni是通过PCA计算的初始法线,ni′是点pi邻域点的法线。θ(x)是高斯函数
Figure BDA0002311965990000058
r是邻域半径。
进一步地,利用L1中值优化潜在特征点集,提取真实特征点,具体地,可以通过如下步骤实现:对潜在特征点集进行下采样对采样点在一定邻域内进行迭代收缩经过每次迭代并更新迭代点的坐标,此处设置初始迭代半径为10mm,迭代公式如下:
Figure BDA0002311965990000051
其中:
Figure BDA0002311965990000052
Figure BDA0002311965990000053
Figure BDA0002311965990000054
是点xi在第k次迭代之后的坐标,
Figure BDA0002311965990000055
是点
Figure BDA0002311965990000056
一定邻域半径内的其他采样点xi′在第k次迭代之后的坐标。
其中
Figure BDA0002311965990000057
λi是点xi在邻域内的协方差矩阵特征值。
进一步地,具体基于L1中值的点云收缩过程包括:
(1)对潜在特征点集进行随机下采样,得到下采样集合I。
(2)基于初始邻域半径h,求点集I中每个点xi的邻域点集合Nsample和在点集J中的邻域点集合Noriginal,其中点集J是潜在特征点集中除了采样点集外的其他点构成的点集。
(3)由公式dj=1+∑j′∈J{j}θ(‖pj-pj′‖)计算点集I中每个点的稠密权值,若是第一次迭代,同时也求出点集J中每个点的稠密权值;若稠密权值低于定义的阈值,把该点删除。
(4)根据主成分分析法计算每个点xi的协方差矩阵,求解协方差矩阵并计算得到σi
(5)遍历点集I中每个点xi,做如下操作:
(5a)遍历xi的Nsample中每个邻点xi’,做如下操作:通过累加方式,根据公式
Figure BDA0002311965990000061
的右项,得到并保存一个三维向量repulsioni
(5b)遍历xi的Noriginal中的每一个邻点pj,做如下操作:通过累加方式,由
Figure BDA0002311965990000062
Figure BDA0002311965990000063
的左项,得到并保存一个三维向量averagei
(6)再次遍历I并求出每个点xi的新坐标。
(7)若迭代次数小于设定值,或两次迭代之间的变化率大于设定值没返回e)。
进一步地,将提取的点云真实特征点通过最小生成算法连成特征线,包括:构建特征点连接图,对于每条特征线中的特征点搜索其5近邻点,并以其距离平方和作为连接权重,构建特征点的连接图;利用Prim算法生成最小生成树,生成初始的特征线。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,所述特征线提取方法包括:
S01:获取实测点云数据;
S02:结合实测的点云数据,采用基于权重优化的局部变化度的方法识别出潜在特征点;
S03:由潜在特征点通过L1中值提取优化得到真实特征点;
S04:根据真实特征点建立最小生成树,将真实特征点连成特征线。
2.根据权利要求1所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S02中,所述结合实测的点云数据,采用基于权重优化的局部变化度的方法识别出潜在特征点的过程包括以下步骤:
S21:针对实测点云计算每个点的法向量,通过优化参数调整点云在特征区域的法向;
S22:通过法线和点云切平面建立局部坐标系,设置局部邻域半径和局部变化度阈值,在局部邻域内计算点云局部变化度,将点云中局部变化度大于局部变化度阈值的点提取出来,作为点云潜在特征点。
3.根据权利要求2所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S21中,所述针对实测点云计算每个点的法向量的过程包括以下步骤:
通过主成分分析法计算每个点的设定邻域范围的重心;
计算每个点在该设定邻域内的协方差矩阵;
求解协方差矩阵得到点云在该点的特征值与特征向量,将最小特征值对应的特征向量认定为点云在该点处的法向量。
4.根据权利要求3所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,根据下述公式计算点云某一邻域的重心及协方差矩阵:
Figure FDA0002311965980000011
Figure FDA0002311965980000012
式中,M是协方差矩阵,pc是某一邻域内的重心坐标,pi是该邻域的点坐标,k是该邻域所有点的总数。
5.根据权利要求2所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S21中,所述通过优化参数调整点云在特征区域的法向的过程包括以下步骤:
采用下述调整公式对点云法线方向进行调整:
Figure FDA0002311965980000013
式中,Ni为调整以后的法线方向,ni是通过PCA计算的初始法线,ni′是点pi′的法线;
θ(x)是高斯函数,具体函数表达式如下:
Figure FDA0002311965980000023
其中,r是点pi的邻域半径;
ψ(ni,ni′)是法线权重函数,具体表达式如下:
Figure FDA0002311965980000021
其中σn是预先设置的角度。
6.根据权利要求2所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S22中,所述通过法线和点云切平面建立局部坐标系是指,
根据调整后的点云法线方向,在每个点处建立局部坐标系,其中Z轴方向设置为点云法线方向,XOY平面过该点并垂直于法线方向。
7.根据权利要求2所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S22中,所述设置局部邻域半径和局部变化度阈值,在局部邻域内计算点云局部变化度的过程是指,
将点云在每个点处的局部变化度定义为点云在该点处某一邻域内所有邻域点与该点连线在Z轴方向投影的最大值,局部变化度计算公式如下:
Figure FDA0002311965980000022
其中,Hi是点云在pi处的局部变化度,Θi为点pi的邻域点集,Ni是调整以后的法线方向。
8.根据权利要求2所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S22中,所述将点云中局部变化度大于局部变化度阈值的点提取出来,作为点云潜在特征点的过程包括以下步骤:
将计算得到的点云局部变化度从小到大排序,输出排序中前15%的点云及在该位置处的局部变化度,通过三维软件查看输出的点云是否为所需的潜在特征点,并且确定初步局部变化度阈值;
对初步局部变化度阈值不断迭代,得到最终的局部变化度阈值;
对点云局部变化度进行采样,确定初步邻域半径;
对初步邻域半径不断迭代,得到最终的邻域半径;
基于最终的局部变化度阈值和邻域半径,识别出点云中的潜在特征点。
9.根据权利要求1所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S03中,所述由潜在特征点通过L1中值提取优化得到真实特征点的过程包括以下步骤:
S31:对潜在特征点集进行下采样,并确定收缩半径,所述收缩半径内包括点云中所有的分叉结构;
S32:将采样点在一定的收缩半径内迭代收缩并提取真实特征点。
10.根据权利要求1所述的基于权重局部变化度和L1中值优化的特征线提取方法,其特征在于,步骤S04中,所述根据真实特征点建立最小生成树,将真实特征点连成特征线的过程包括以下步骤:
S41:构建特征点连接图;
S42:对于每个特征点搜索其对应的近邻点,并以其距离平方和作为连接权重,构建特征点的连接图;
S43:利用Prim算法生成最小生成树,生成特征线。
CN201911262594.2A 2019-12-11 2019-12-11 基于权重局部变化度和l1中值优化的特征线提取方法 Active CN110942077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911262594.2A CN110942077B (zh) 2019-12-11 2019-12-11 基于权重局部变化度和l1中值优化的特征线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911262594.2A CN110942077B (zh) 2019-12-11 2019-12-11 基于权重局部变化度和l1中值优化的特征线提取方法

Publications (2)

Publication Number Publication Date
CN110942077A true CN110942077A (zh) 2020-03-31
CN110942077B CN110942077B (zh) 2020-08-04

Family

ID=69910056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911262594.2A Active CN110942077B (zh) 2019-12-11 2019-12-11 基于权重局部变化度和l1中值优化的特征线提取方法

Country Status (1)

Country Link
CN (1) CN110942077B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524115A (zh) * 2020-04-17 2020-08-11 湖南视比特机器人有限公司 钢板切割件的定位方法和分拣系统
CN112101229A (zh) * 2020-09-16 2020-12-18 云南师范大学 点云数据特征点提取方法、装置、计算机设备及存储介质
CN112686799A (zh) * 2020-12-25 2021-04-20 燕山大学 一种基于法向量和l1中值的环形锻件截面形线提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282038A (zh) * 2014-09-26 2015-01-14 北京航空航天大学 基于局部子邻域划分的点云特征点提取方法
CN104463851A (zh) * 2014-11-19 2015-03-25 哈尔滨工业大学深圳研究生院 一种基于机器人的鞋底边缘线自动跟踪方法
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
CN108010116A (zh) * 2017-11-30 2018-05-08 西南科技大学 点云特征点检测方法和点云特征提取方法
CN110458764A (zh) * 2019-07-08 2019-11-15 天津大学 一种基于形态学图形处理的点云数据平滑方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282038A (zh) * 2014-09-26 2015-01-14 北京航空航天大学 基于局部子邻域划分的点云特征点提取方法
CN104463851A (zh) * 2014-11-19 2015-03-25 哈尔滨工业大学深圳研究生院 一种基于机器人的鞋底边缘线自动跟踪方法
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
CN108010116A (zh) * 2017-11-30 2018-05-08 西南科技大学 点云特征点检测方法和点云特征提取方法
CN110458764A (zh) * 2019-07-08 2019-11-15 天津大学 一种基于形态学图形处理的点云数据平滑方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUI HUANG 等: "L1-Medial Skeleton of Point Cloud", 《ACM TRANSACTIONS ON GRAPHICS》 *
聂建辉 等: "基于符号曲面变化度与特征分区的点云特征线提取算法", 《计算机辅助设计与图形学学报》 *
高瑞 等: "复杂曲面零件散乱点云特征点提取", 《航空制造技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524115A (zh) * 2020-04-17 2020-08-11 湖南视比特机器人有限公司 钢板切割件的定位方法和分拣系统
CN111524115B (zh) * 2020-04-17 2023-10-13 湖南视比特机器人有限公司 钢板切割件的定位方法和分拣系统
CN112101229A (zh) * 2020-09-16 2020-12-18 云南师范大学 点云数据特征点提取方法、装置、计算机设备及存储介质
CN112101229B (zh) * 2020-09-16 2023-02-24 云南师范大学 点云数据特征点提取方法、装置、计算机设备及存储介质
CN112686799A (zh) * 2020-12-25 2021-04-20 燕山大学 一种基于法向量和l1中值的环形锻件截面形线提取方法
CN112686799B (zh) * 2020-12-25 2022-05-10 燕山大学 一种基于法向量和l1中值的环形锻件截面形线提取方法

Also Published As

Publication number Publication date
CN110942077B (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN108010116B (zh) 点云特征点检测方法和点云特征提取方法
CN109767463B (zh) 一种三维点云自动配准方法
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
CN110807781B (zh) 一种保留细节与边界特征的点云精简方法
CN110458174B (zh) 一种无序点云关键特征点精确提取方法
CN111524129B (zh) 一种基于端面提取的飞机蒙皮对缝间隙计算方法
CN108830888B (zh) 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法
CN113327275B (zh) 一种基于多约束点到局部曲面投影的点云双视角精配准方法
CN109241901B (zh) 一种对具有孔洞的三维点云的检测与识别方法
CN106023298A (zh) 基于局部泊松曲面重建的点云刚性配准方法
CN109147040B (zh) 基于模板的人体点云孔洞修补方法
CN112200915B (zh) 一种基于靶标三维模型纹理影像的前后形变量检测方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
CN111340862B (zh) 一种基于多特征融合的点云配准方法、装置及存储介质
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN110047133A (zh) 一种面向点云数据的列车边界提取方法
CN109255815B (zh) 一种基于零阶球谐函数的物体检测与识别方法
CN108520550B (zh) 基于噪声分类与mls的点云数据泊松曲面重建方法
CN114119922A (zh) 基于点云三维重构的复杂轮廓缺陷校验方法
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN116309026A (zh) 一种基于统计局部特征描述与匹配的点云配准方法及系统
Wang et al. Multi-view point clouds registration method based on overlap-area features and local distance constraints for the optical measurement of blade profiles
CN117115390A (zh) 一种变电站中变电设备的三维模型布局方法
Yuan et al. 3D point cloud recognition of substation equipment based on plane detection
WO2018131163A1 (ja) 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体

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