CN111091588A - 一种带噪无序点云自动配准方法 - Google Patents
一种带噪无序点云自动配准方法 Download PDFInfo
- Publication number
- CN111091588A CN111091588A CN201911335591.7A CN201911335591A CN111091588A CN 111091588 A CN111091588 A CN 111091588A CN 201911335591 A CN201911335591 A CN 201911335591A CN 111091588 A CN111091588 A CN 111091588A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- noise
- filtering
- automatic registration
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013499 data model Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000009616 inductively coupled plasma Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种带噪无序点云自动配准方法，涉及点云数据模型构建领域，针对实际带噪点云数据具有离散点种类多和特征各异的特点，本发明采用分步滤除或平滑的方法，极大地提高了最终的点云配准效率和精度，不需特殊机构或人为设置标记点的繁琐操作，实现多角度点云自动配准，有效满足实际扫描对象的模型重建需求。
Description
技术领域
本发明涉及点云数据模型构建领域，尤其涉及一种带噪无序点云自动配准方法。
背景技术
逆向工程是将现有实物产品利用数据采集设备获取物体外表面三维信息，再将数据进行处理及分析，最后实现产品的三维信息数字化，重建三维模型，对产品模型进行二次设计、修改及优化，物体三维数据采集设备从采集方式上可以分为两种类型：接触式和非接触式。其中，基于结构光的非接触式测量是当前及今后优先发展的重点，它具有快速、全面获取物体三维外形数据且对物体无损伤、对自然环境无污染的优点。但是由于测量环境、人、设备等因素的影响，采集到的点云中往往含有大量的噪声，难以被直接应用于物体三维模型的重建。为了使点云数据能够运用到后期的处理过程，满足曲面拟合及造型设计等对数据高质量的要求，必须先对原始数据进行去噪、光顺方面的预处理。
同时在三维点云重建过程中，因为受到各种系统因素和偶然因素的影响，所获取的点云数据会包含来自外界环境变化引起的噪声、传感器自身引起的噪声和非目标物引起的噪声等等，这些噪声数据如果不及时去除，将增加点云数据量，并影响点云配准的精度以及效率。如何实现自动配准带噪真实点云数据，对于高质量的构建点云数据模型具有重要的意义。
目前的点云配准方法主要针对实验性标准数据进行测试，在实际获取的含噪点云数据配准时会明显降低效率和精度，无法满足真实场景的多角度点云配准要求。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种带噪无序点云自动配准方法。
本发明是通过以下技术方案予以实现：一种带噪无序点云自动配准方法，包括以下步骤；
将外围大块儿离群点剔除；
根据被扫描对象的尺寸范围，通过围绕质心的带有冗余量的包围体提取目标点云区域；
统计滤波和半径滤波，并将区域内的大块儿噪声去除；
剔除小尺寸点云噪声；
通过体像素滤波自动降采样参数选取，并为精配准提供合适的初始位姿；
提供满足迭代终止条件的目标值，并给出对应的平移旋转矩阵。
根据上述技术方案，优选地，利用直通滤波器将外围大块儿离群点剔除。
根据上述技术方案，优选地，利用双边滤波器剔除小尺寸点云噪声。
根据上述技术方案，优选地，采用改进的ICP精配准算法提供满足迭代终止条件的目标值。
本发明的有益效果是：针对实际带噪点云数据的离散点种类多和特征各异的特点，本发明分步滤除或平滑，极大地提高了最终的点云配准效率和精度，不需特殊机构或人为设置标记点的繁琐操作，实现多角度点云自动配准，有效满足实际扫描对象的模型重建需求。
附图说明
图1示出了根据本发明的实施例的步骤示意图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
如图所示，本发明提供了一种带噪无序点云自动配准方法，包括以下步骤：
首先基于先验知识通过直通滤波器将外围大块儿离群点剔除，通过根据被扫描对象的大致尺寸范围通过围绕质心的带有冗余量的包围体提取目标点云区域；
采用统计滤波和半径滤波将区域内的大块儿噪声去除，并采用改进的双边滤波器剔除小尺寸点云噪声；
通过体像素滤波自动降采样参数选取，有效提升基于改进的FPFH特征描述子粗配准的运行效率，为配准提供了合适的初始位姿；
最后采用改进的ICP精配准算法实现满足迭代终止条件的目标值，给出对应的平移旋转矩阵，实现带噪真实点云自动配准。
本发明的有益效果是：针对实际带噪点云数据的离散点种类多和特征各异的特点，本发明分步滤除或平滑，极大地提高了最终的点云配准效率和精度，不需特殊机构或人为设置标记点的繁琐操作，实现多角度点云自动配准，有效满足实际扫描对象的模型重建需求。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种带噪无序点云自动配准方法，其特征在于，包括以下步骤；
将外围大块儿离群点剔除；
根据被扫描对象的尺寸范围，通过围绕质心的带有冗余量的包围体提取目标点云区域；
统计滤波和半径滤波，并将区域内的大块儿噪声去除；
剔除小尺寸点云噪声；
通过体像素滤波自动降采样参数选取，并为精配准提供合适的初始位姿；
提供满足迭代终止条件的目标值，并给出对应的平移旋转矩阵。
2.根据权利要求1所述的一种带噪无序点云自动配准方法，其特征在于，利用直通滤波器将外围大块儿离群点剔除。
3.根据权利要求2所述的一种带噪无序点云自动配准方法，其特征在于，利用双边滤波器剔除小尺寸点云噪声。
4.根据权利要求3所述的一种带噪无序点云自动配准方法，其特征在于，采用改进的ICP精配准算法提供满足迭代终止条件的目标值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911335591.7A CN111091588A (zh) | 2019-12-23 | 2019-12-23 | 一种带噪无序点云自动配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911335591.7A CN111091588A (zh) | 2019-12-23 | 2019-12-23 | 一种带噪无序点云自动配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111091588A true CN111091588A (zh) | 2020-05-01 |
Family
ID=70395299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911335591.7A Pending CN111091588A (zh) | 2019-12-23 | 2019-12-23 | 一种带噪无序点云自动配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091588A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112433193A (zh) * | 2020-11-06 | 2021-03-02 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于多传感器的模位置定位方法及系统 |
| CN113034569A (zh) * | 2021-03-05 | 2021-06-25 | 武汉科技大学 | 一种基于点云数据的船舶超限预警方法及系统 |
| CN114578306A (zh) * | 2020-11-30 | 2022-06-03 | 群迈通讯股份有限公司 | 利用毫米波雷达的人体姿态识别方法及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5424783A (en) * | 1993-02-10 | 1995-06-13 | Wong; Yiu-Fai | Clustering filter method for noise filtering, scale-space filtering and image processing |
| CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
| CN110458938A (zh) * | 2019-07-22 | 2019-11-15 | 武汉理工大学 | 一种散货料堆实时三维重建方法及系统 |
-
2019
- 2019-12-23 CN CN201911335591.7A patent/CN111091588A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5424783A (en) * | 1993-02-10 | 1995-06-13 | Wong; Yiu-Fai | Clustering filter method for noise filtering, scale-space filtering and image processing |
| CN110458938A (zh) * | 2019-07-22 | 2019-11-15 | 武汉理工大学 | 一种散货料堆实时三维重建方法及系统 |
| CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘克申: "基于Kinect的室内场景三维重建技术研究" * |
| 康传利;时满星;陈洋;陈家宙;张临炜;: "一种考虑多尺度噪声的平滑去噪方法" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112433193A (zh) * | 2020-11-06 | 2021-03-02 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于多传感器的模位置定位方法及系统 |
| CN114578306A (zh) * | 2020-11-30 | 2022-06-03 | 群迈通讯股份有限公司 | 利用毫米波雷达的人体姿态识别方法及存储介质 |
| CN113034569A (zh) * | 2021-03-05 | 2021-06-25 | 武汉科技大学 | 一种基于点云数据的船舶超限预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091588A (zh) | 一种带噪无序点云自动配准方法 | |
| CN110942515A (zh) | 基于点云的目标物体三维计算机建模方法和目标识别方法 | |
| CN108133191A (zh) | 一种适用于室内环境的实时物体识别方法 | |
| CN107702663A (zh) | 一种基于具有标志点的旋转平台的点云配准方法 | |
| CN113298838B (zh) | 一种物体轮廓线提取方法及系统 | |
| CN102722906B (zh) | 一种基于特征的自顶向下从图像建模的方法 | |
| CN106910166A (zh) | 一种图像处理方法和装置 | |
| CN113111741A (zh) | 一种基于三维特征点的装配状态识别方法 | |
| CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
| Sa et al. | Study on curved surface fitting of countersink based on point cloud | |
| CN113781315B (zh) | 一种基于多视角的同源传感器数据融合滤波方法 | |
| CN112016354A (zh) | 一种基于视觉识别的运粮车粮箱装载状态检测方法 | |
| CN111027441B (zh) | 一种基于机载高光谱遥感影像的道路提取方法 | |
| Wu et al. | An algorithm for extracting spray trajectory based on laser vision | |
| CN113129348A (zh) | 一种基于单目视觉的道路场景中车辆目标的三维重建方法 | |
| Qu et al. | Research on cigarette filter rod counting system based on machine vision | |
| CN109785441B (zh) | 一种智能化运维方法及系统 | |
| Wang et al. | A method for generating spray trajectory of a shoe sole based on laser vision | |
| Eastwood et al. | Autonomous image background removal for accurate and efficient close-range photogrammetry | |
| CN118365802A (zh) | 一种三维点云重建方法、装置及计算机可读存储介质 | |
| Lin et al. | Detection and recognition of steel ball surface defect based on MATLAB | |
| Guo et al. | Method for compressing point cloud according to curvature standard | |
| CN118379294B (zh) | 一种接触网接触线硬弯的智能检测方法 | |
| Jun et al. | Three-dimensional point cloud denoising | |
| Li et al. | Using the point cloud data to reconstructing CAD model by 3d geometric modeling method in reverse engineering |
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: 20200501 |