CN111540063A - 一种基于多站激光点云数据全自动高精度拼接方法 - Google Patents
一种基于多站激光点云数据全自动高精度拼接方法 Download PDFInfo
- Publication number
- CN111540063A CN111540063A CN202010295163.2A CN202010295163A CN111540063A CN 111540063 A CN111540063 A CN 111540063A CN 202010295163 A CN202010295163 A CN 202010295163A CN 111540063 A CN111540063 A CN 111540063A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- dimensional
- interpolation
- splicing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多站激光点云数据全自动高精度拼接方法,其特征在于,该方法包括以下步骤:S1运用点云数据的衍生信息通过三次样条插值生成二维影像,采用基于图形处理器GPU的加速尺度不变特征SIFT变换算子匹配得到二维同名特征点,剔除粗差;S2运用反算获得特征点在三维点云中的坐标,并通过三维空间法向量对三维同名特征点进行精炼,运用精炼的三维特征点进行多站点云数据拼接,提高多站点云海量数据拼接的精度和效率。本发明的有益效果:通过三维空间法向量对三维同名特征点进行精炼,利用精炼的三维特征点进行多站点云数据拼接,可提高多站点云海量数据拼接的精度和效率,获取物体最后的惟一三维模型,从而形成一份完整的点云数据。
Description
技术领域
本发明涉及雷达测绘技术领域,具体来说,涉及一种基于多站激光点云数据全自动高精度拼接方法。
背景技术
利用现代光频波段技术对所测量区域的电磁波进行传送和把控,是激光雷达测绘技术的主要工作原理,通过对电磁波的传送和收集,能够实现对物体的高度、距离和体积等数据进行准确的判断,相对于普通光波而言,激光具有方向性明显、颜色单纯、相干性特突出、抗外界干扰能力强等特点,因此,将激光利用与工程测绘能够达到较为理想的效果,在实际测绘工作中,激光的光束打在物体表面会产生反射效果,反射的光束被雷达所接收,雷达内部系统就可以根据光束发出和收回的时长对物体的距离进行计算。
通过激光雷达三维扫描技术,可以快速方便地获取物体表面的三维点坐标,形成点云数据,导入计算机后制作成虚拟模型,但是在实际运用中,由于现实条件限制,对一个物体的扫描经常需要分几次进行,甚至数十次、数百次,每一次扫描物体表面的一部分,每次的扫描结果处于不同的坐标系,导致多次扫描结果数据无法拼合在一起,不能形成一份完整的点云数据。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于多站激光点云数据全自动高精度拼接方法,能够获得物体最后的唯一三维模型,将经过多次扫描,处于不同坐标系的点云数据精确而高效地拼接到同一个坐标系中,从而形成一份完整的点云数据。
为实现上述技术目的,本发明的技术方案是这样实现的:一种基于多站激光点云数据全自动高精度拼接方法,其特征在于,该方法包括以下步骤:
S1:运用点云数据的衍生信息通过三次样条插值生成二维影像,采用基于图形处理器GPU的加速尺度不变特征SIFT变换算子匹配得到二维同名特征点,剔除粗差;
S2:运用反算获得特征点在三维点云中的坐标,并通过三维空间法向量对三维同名特征点进行精炼,运用精炼的三维特征点进行多站点云数据拼接,提高多站点云海量数据拼接的精度和效率,进一步包括:
S2.1获得扫描对象完整的点云数据信息需经过多站扫描,而每站扫描获取的点云数据只能覆盖扫描对象的部分区域,且每站点云数据坐标系相对独立;
S2.2经过拼接将多站扫描转换到统一的坐标系统中,进而得到扫描对象完整的点云数据,将不同视点及坐标系统中的点云数据统一到固定坐标系统,完成点云数据拼接;
S2.3进行点云数据多站拼接,目前多站点云数据拼接算法基于最近点迭代的ICP算法、点云表面三维几何特征的拼接算法及强度图像的拼接算法。
进一步地,所述的S1包括以下具体步骤:
S1.1激光数据采集过程中,不仅记录了对象表面的三维坐标信息,同时还记录了对象的反射率、反射强度、点到扫描仪中心的距离、水平角、垂直角以及偏差值信息;
S1.2运用地面激光点云数据衍生信息的强度信息及反射率,通过差值运算转换成二维图像数据;
S1.3由于点云数据采集过程中会出现盲区,因此通过插值算法将点云数据衍生信息转换成完整二维图像必不可少;
S1.4将点云数据的强度信息生成二维图像,分别经过插值运算生成二维图像、使用最邻近插值算法和三次样条插值算法生成二维图像,然后进行对比;
S1.5基于二维图像通过反投计算获得在三维点云数据中对应的特征点,进一步精确定位特征点并剔除粗差,通过特征点的法向量来对特征点进行精炼。
进一步地,所述的S1.3中插值算法的邻近插值包括:
采用Lagrange插值、Kergin插值、B样条插值、Hermite插值及三次样条插值,该插值具体归为零阶插值、线性插值和高阶插值,零阶插值算法具有较简单,精度不高,且插值出来的图像连续性不好,线性插值用于4个邻近点的值在两个方向上做线性内插,克服图像不连续性,但精度仍然较低,且获得的图像较模糊,高阶插值算法用于重建完全连续光滑的图像,比前两种插值算法效果好,但计算复杂。
进一步地,所述的S1.4中插值运算生成二维图像具体包括:
将点云数据的强度信息生成二维图像,分别经过插值运算生成二维图像、使用最邻近插值算法和三次样条插值算法生成二维图像,然后进行对比,由于三次样条插值获得的二维图像非常清晰,特征明显,一些微小的细节特征都能反映出来,连续性好,能够为特征匹配提供清晰的数据源。
进一步地,所述的S1.4中三次样条插值公式为:
其中,σ代表采样空间距离,对曲面的平滑度进行控制。
进一步地,所述的S1.5具体进一步包括:
由于尺度不变特征SIFT算子在高维空间中寻找邻近点,计算量非常大,使用CPU进行计算效率低,难满足实时运算的要求,基于图形处理器GPU的通用计算是现代并行计算的一个新的分支,该浮点运算与矩阵运算能力是CPU的数十倍,并且具备很强的并行运算及编程能力,辅助CPU完成图形图像处理以外的其他运算。
进一步地,所述的S1.5基于图形处理器GPU并行运算的尺度不变特征SIFT配置过程包括:
S1.5.1图形处理器GPU硬件初始化,读取影像数据到内存,然后把不同尺度σ的高斯核数据从内存中读入到图形处理器GPU的存储器中;
S1.5.2应用CPU进行高斯差分尺度空间中的局部极值点最大或最小的检测,记录其所处的位置以及所对应的尺度,通过比较影像强度主曲率与设定阈值来剔除多余的点;
S1.5.3启动实时任务Kernel,在图形处理器GPU中计算所获得关键点附近像素的梯度大小和方向,运用高斯权重函数对关键点邻域内的各像素的梯度大小进行高斯加权,通过累加建立方向直方图,检测直方图的峰值来确定关键点的主方向;
S1.5.4CPU相对于图形处理器GPU具有较强的逻辑判断能力,因此通过CPU计算获得以关键点为中心的17×17块图像数据的尺度、位置及方向的尺度不变特征SIFT描述符;
S1.5.5匹配的立体尺度不变特征SIFT特征描述符生成以后,将维度数据按照原始点的自然顺序读入共享存储器,在此过程中需要优化距离计算方法和线程块内线程数量的分配。
进一步地,所述的S2三维空间法向量特征点精炼算法具体包括:
在三维点云数据中,由同名特征点及邻近K个点所拟合获得的曲面在特征点处的法向量是相同或者近似的,通过计算三维空间中同名特征点处的法向量的夹角来更加精确地提取同名特征点,运用的最小二乘拟合函数为:
其中,i代表所分块的编号,α(x)=[a1(x)a2(x)…an(x)]代表待求系数,是坐标X的函数;
P(x)=[p1(x)p2(x)…pn(x)]是一个k阶完备的多项式,T代表基函数,n代表基函数的项数;
其中,对于m代表基函数P(x),形函数为:
进一步地,所述的S2.2中特征点拟合曲面方向量的计算进一步包括:
S2.2.1通过特征点拟合曲面法向量的计算,对在二维衍生信息图像中获得的同名特征点进行约束来提高同名特征点的精度,运用匹配获得的同名特征点计算变换参数与旋转矩阵,匹配获得的同名点必须大于或等于三个才能解算转换矩阵的参数,实现两站点云数据的自动拼接。
本发明的有益效果:鉴于现有技术中存在的不足,针对目前多站点云数据拼接存在的效率低和自动化程度低等问题,本申请的技术方案能够将多次扫描,处于不同坐标系的点云数据精确而高效地拼接到同一个坐标系中,通过三维空间法向量对三维同名特征点进行精炼,利用精炼的三维特征点进行多站点云数据拼接,可提高多站点云海量数据拼接的精度和效率,获取物体最后的惟一三维模型,从而形成一份完整的点云数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的基于多站激光点云数据全自动高精度拼接方法的所述S1段具体流程框图;
图2是根据本发明实施例所述的基于多站激光点云数据全自动高精度拼接方法的所述S2段具体流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1-2所示,根据本发明实施例所述的基于多站激光点云数据全自动高精度拼接方法,该方法包括:
步骤一,运用点云数据的衍生信息通过三次样条插值生成二维影像,采用基于图形处理器GPU的加速尺度不变特征SIFT变换算子匹配得到二维同名特征点,剔除粗差,进一步包括:
其中,激光数据采集过程中,不仅记录了对象表面的三维坐标信息,同时还记录了对象的反射率、反射强度、点到扫描仪中心的距离、水平角、垂直角以及偏差值信息;
其中,运用地面激光点云数据衍生信息的强度信息及反射率,通过差值运算转换成二维图像数据;
其中,由于点云数据采集过程中会出现盲区,因此通过插值算法将点云数据衍生信息转换成完整二维图像必不可少;
其中,将点云数据的强度信息生成二维图像,分别经过插值运算生成二维图像、使用最邻近插值算法和三次样条插值算法生成二维图像,然后进行对比;
其中,基于二维图像通过反投计算获得在三维点云数据中对应的特征点,进一步精确定位特征点并剔除粗差,通过特征点的法向量来对特征点进行精炼;
步骤二,运用反算获得特征点在三维点云中的坐标,并通过三维空间法向量对三维同名特征点进行精炼,运用精炼的三维特征点进行多站点云数据拼接,提高多站点云海量数据拼接的精度和效率,进一步包括:
其中,获得扫描对象完整的点云数据信息需经过多站扫描,而每站扫描获取的点云数据只能覆盖扫描对象的部分区域,且每站点云数据坐标系相对独立;
其中,经过拼接将多站扫描转换到统一的坐标系统中,进而得到扫描对象完整的点云数据,将不同视点及坐标系统中的点云数据统一到固定坐标系统,完成点云数据拼接;
其中,进行点云数据多站拼接,目前多站点云数据拼接算法基于最近点迭代的ICP算法、点云表面三维几何特征的拼接算法及强度图像的拼接算法。
本发明的一个具体实施例中,所述的插值算法的邻近插值包括:
采用Lagrange插值、Kergin插值、B样条插值、Hermite插值及三次样条插值,该插值具体归为零阶插值、线性插值和高阶插值,零阶插值算法具有较简单,精度不高,且插值出来的图像连续性不好,线性插值用于4个邻近点的值在两个方向上做线性内插,克服图像不连续性,但精度仍然较低,且获得的图像较模糊,高阶插值算法用于重建完全连续光滑的图像,比前两种插值算法效果好,但计算复杂。
本发明的一个具体实施例中,所述的插值运算生成二维图像具体包括:
将点云数据的强度信息生成二维图像,分别经过插值运算生成二维图像、使用最邻近插值算法和三次样条插值算法生成二维图像,然后进行对比,由于三次样条插值获得的二维图像非常清晰,特征明显,一些微小的细节特征都能反映出来,连续性好,能够为特征匹配提供清晰的数据源,所述的三次样条插值公式为:
其中,σ代表采样空间距离,对曲面的平滑度进行控制。
本发明的一个具体实施例中,所述的图形处理器GPU并行运算的尺度不变特征SIFT配置具体进一步包括:
由于尺度不变特征SIFT算子在高维空间中寻找邻近点,计算量非常大,使用CPU进行计算效率低,难满足实时运算的要求,基于图形处理器GPU的通用计算是现代并行计算的一个新的分支,该浮点运算与矩阵运算能力是CPU的数十倍,并且具备很强的并行运算及编程能力,辅助CPU完成图形图像处理以外的其他运算,进一步包括:
首先,图形处理器GPU硬件初始化,读取影像数据到内存,然后把不同尺度σ的高斯核数据从内存中读入到图形处理器GPU的存储器中;
然后,应用CPU进行高斯差分尺度空间中的局部极值点最大或最小的检测,记录其所处的位置以及所对应的尺度,通过比较影像强度主曲率与设定阈值来剔除多余的点;
其次,启动实时任务Kernel,在图形处理器GPU中计算所获得关键点附近像素的梯度大小和方向,运用高斯权重函数对关键点邻域内的各像素的梯度大小进行高斯加权,通过累加建立方向直方图,检测直方图的峰值来确定关键点的主方向;
然后,CPU相对于图形处理器GPU具有较强的逻辑判断能力,因此通过CPU计算获得以关键点为中心的17×17块图像数据的尺度、位置及方向的尺度不变特征SIFT描述符;
最后,匹配的立体尺度不变特征SIFT特征描述符生成以后,将维度数据按照原始点的自然顺序读入共享存储器,在此过程中需要优化距离计算方法和线程块内线程数量的分配,对于两点的距离计算,首先必须保证每个维度差值的平方在同一时刻被计算,而不是使用内循环方式,其次必须保证维度数目的中间结果的累加方式高效。
本发明的一个具体实施例中,所述的三维空间法向量特征点精炼算法具体包括:
在三维点云数据中,由同名特征点及邻近K个点所拟合获得的曲面在特征点处的法向量是相同或者近似的,通过计算三维空间中同名特征点处的法向量的夹角来更加精确地提取同名特征点,运用的最小二乘拟合函数为:
其中,i代表所分块的编号,α(x)=[a1(x)a2(x)…an(x)]代表待求系数,是坐标X的函数;
P(x)=[p1(x)p2(x)…pn(x)]是一个k阶完备的多项式,T代表基函数,n代表基函数的项数;
其中,对于m代表基函数P(x),形函数为:
权函数影响移动最小二乘法拟合的精度,高斯函数的紧支性较强,适用于连续的移动最小二乘表面拟合;
上述步骤通过特征点拟合曲面法向量的计算,对在二维衍生信息图像中获得的同名特征点进行约束来提高同名特征点的精度,运用匹配获得的同名特征点计算变换参数与旋转矩阵,匹配获得的同名点必须大于或等于三个才能解算转换矩阵的参数,实现两站点云数据的自动拼接。
为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体使用时,根据本发明所述的基于多站激光点云数据全自动高精度拼接方法,首先,运用点云数据的衍生信息通过三次样条插值生成二维影像,采用基于图形处理器GPU的加速尺度不变特征SIFT变换算子匹配得到二维同名特征点,剔除粗差,其次,运用反算获得特征点在三维点云中的坐标,并通过三维空间法向量对三维同名特征点进行精炼,运用精炼的三维特征点进行多站点云数据拼接,提高多站点云海量数据拼接的精度和效率。
综上所述,借助于本发明的上述技术方案,通过本申请的技术方案能够将多次扫描,处于不同坐标系的点云数据精确而高效地拼接到同一个坐标系中,通过三维空间法向量对三维同名特征点进行精炼,利用精炼的三维特征点进行多站点云数据拼接,可提高多站点云海量数据拼接的精度和效率,获取物体最后的唯一三维模型,从而形成一份完整的点云数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多站激光点云数据全自动高精度拼接方法,其特征在于,该方法包括以下步骤:
S1:运用点云数据的衍生信息通过三次样条插值生成二维影像,采用基于图形处理器GPU的加速尺度不变特征SIFT变换算子匹配得到二维同名特征点,剔除粗差;
S2:运用反算获得特征点在三维点云中的坐标,并通过三维空间法向量对三维同名特征点进行精炼,运用精炼的三维特征点进行多站点云数据拼接,提高多站点云海量数据拼接的精度和效率,进一步包括:
S2.1获得扫描对象完整的点云数据信息需经过多站扫描,而每站扫描获取的点云数据只能覆盖扫描对象的部分区域,且每站点云数据坐标系相对独立;
S2.2经过拼接将多站扫描转换到统一的坐标系统中,进而得到扫描对象完整的点云数据,将不同视点及坐标系统中的点云数据统一到固定坐标系统,完成点云数据拼接;
S2.3进行点云数据多站拼接,目前多站点云数据拼接算法基于最近点迭代的ICP算法、点云表面三维几何特征的拼接算法及强度图像的拼接算法。
2.根据权利要求1所述的基于多站激光点云数据全自动高精度拼接方法,其特征在于,所述的S1包括以下具体步骤:
S1.1激光数据采集过程中,不仅记录了对象表面的三维坐标信息,同时还记录了对象的反射率、反射强度、点到扫描仪中心的距离、水平角、垂直角以及偏差值信息;
S1.2运用地面激光点云数据衍生信息的强度信息及反射率,通过差值运算转换成二维图像数据;
S1.3由于点云数据采集过程中会出现盲区,因此通过插值算法将点云数据衍生信息转换成完整二维图像必不可少;
S1.4将点云数据的强度信息生成二维图像,分别经过插值运算生成二维图像、使用最邻近插值算法和三次样条插值算法生成二维图像,然后进行对比;
S1.5基于二维图像通过反投计算获得在三维点云数据中对应的特征点,进一步精确定位特征点并剔除粗差,通过特征点的法向量来对特征点进行精炼。
3.根据权利要求1所述的基于多站激光点云数据全自动高精度拼接方法,其特征在于,所述的S1.3中插值算法的邻近插值包括:
采用Lagrange插值、Kergin插值、B样条插值、Hermite插值及三次样条插值,该插值具体归为零阶插值、线性插值和高阶插值,零阶插值算法具有较简单,精度不高,且插值出来的图像连续性不好,线性插值用于4个邻近点的值在两个方向上做线性内插,克服图像不连续性,但精度仍然较低,且获得的图像较模糊,高阶插值算法用于重建完全连续光滑的图像,比前两种插值算法效果好,但计算复杂。
4.根据权利要求1所述的基于多站激光点云数据全自动高精度拼接方法,其特征在于,所述的S1.4中插值运算生成二维图像具体包括:
将点云数据的强度信息生成二维图像,分别经过插值运算生成二维图像、使用最邻近插值算法和三次样条插值算法生成二维图像,然后进行对比,由于三次样条插值获得的二维图像非常清晰,特征明显,一些微小的细节特征都能反映出来,连续性好,能够为特征匹配提供清晰的数据源。
6.根据权利要求1所述的基于多站激光点云数据全自动高精度拼接方法,其特征在于,所述的S1.5具体进一步包括:
由于尺度不变特征SIFT算子在高维空间中寻找邻近点,计算量非常大,使用CPU进行计算效率低,难满足实时运算的要求,基于图形处理器GPU的通用计算是现代并行计算的一个新的分支,该浮点运算与矩阵运算能力是CPU的数十倍,并且具备很强的并行运算及编程能力,辅助CPU完成图形图像处理以外的其他运算。
7.根据权利要求6所述的基于多站激光点云数据全自动高精度拼接方法,其特征在于,所述的S1.5基于图形处理器GPU并行运算的尺度不变特征SIFT配置过程包括:
S1.5.1图形处理器GPU硬件初始化,读取影像数据到内存,然后把不同尺度σ的高斯核数据从内存中读入到图形处理器GPU的存储器中;
S1.5.2应用CPU进行高斯差分尺度空间中的局部极值点最大或最小的检测,记录其所处的位置以及所对应的尺度,通过比较影像强度主曲率与设定阈值来剔除多余的点;
S1.5.3启动实时任务Kernel,在图形处理器GPU中计算所获得关键点附近像素的梯度大小和方向,运用高斯权重函数对关键点邻域内的各像素的梯度大小进行高斯加权,通过累加建立方向直方图,检测直方图的峰值来确定关键点的主方向;
S1.5.4CPU相对于图形处理器GPU具有较强的逻辑判断能力,因此通过CPU计算获得以关键点为中心的17×17块图像数据的尺度、位置及方向的尺度不变特征SIFT描述符;
S1.5.5匹配的立体尺度不变特征SIFT特征描述符生成以后,将维度数据按照原始点的自然顺序读入共享存储器,在此过程中需要优化距离计算方法和线程块内线程数量的分配。
9.根据权利要求1所述的基于多站激光点云数据全自动高精度拼接方法,其特征在于,所述的S2.2中特征点拟合曲面方向量的计算进一步包括:
S2.2.1通过特征点拟合曲面法向量的计算,对在二维衍生信息图像中获得的同名特征点进行约束来提高同名特征点的精度,运用匹配获得的同名特征点计算变换参数与旋转矩阵,匹配获得的同名点必须大于或等于三个才能解算转换矩阵的参数,实现两站点云数据的自动拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295163.2A CN111540063A (zh) | 2020-04-15 | 2020-04-15 | 一种基于多站激光点云数据全自动高精度拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295163.2A CN111540063A (zh) | 2020-04-15 | 2020-04-15 | 一种基于多站激光点云数据全自动高精度拼接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111540063A true CN111540063A (zh) | 2020-08-14 |
Family
ID=71976816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010295163.2A Pending CN111540063A (zh) | 2020-04-15 | 2020-04-15 | 一种基于多站激光点云数据全自动高精度拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111540063A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379829A (zh) * | 2021-06-16 | 2021-09-10 | 劢微机器人科技(深圳)有限公司 | 基于相机的尺寸测量方法、装置、设备及存储介质 |
CN115496835A (zh) * | 2022-09-20 | 2022-12-20 | 北京数字绿土科技股份有限公司 | 一种基于cpu和gpu异构并行架构的点云数据赋色方法和系统 |
WO2023142608A1 (zh) * | 2022-01-26 | 2023-08-03 | 上海飞机制造有限公司 | 获得飞机面型的系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392488A (zh) * | 2014-12-11 | 2015-03-04 | 福州大学 | 针对激光扫描仪与三坐标测量臂的点云数据自动配准方法 |
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN105931234A (zh) * | 2016-04-19 | 2016-09-07 | 东北林业大学 | 一种地面三维激光扫描点云与影像融合及配准的方法 |
CN106570823A (zh) * | 2016-10-11 | 2017-04-19 | 山东科技大学 | 基于平面特征匹配的点云粗拼接方法 |
CN108053367A (zh) * | 2017-12-08 | 2018-05-18 | 北京信息科技大学 | 一种基于rgb-d特征匹配的3d点云拼接与融合方法 |
-
2020
- 2020-04-15 CN CN202010295163.2A patent/CN111540063A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN104392488A (zh) * | 2014-12-11 | 2015-03-04 | 福州大学 | 针对激光扫描仪与三坐标测量臂的点云数据自动配准方法 |
CN105931234A (zh) * | 2016-04-19 | 2016-09-07 | 东北林业大学 | 一种地面三维激光扫描点云与影像融合及配准的方法 |
CN106570823A (zh) * | 2016-10-11 | 2017-04-19 | 山东科技大学 | 基于平面特征匹配的点云粗拼接方法 |
CN108053367A (zh) * | 2017-12-08 | 2018-05-18 | 北京信息科技大学 | 一种基于rgb-d特征匹配的3d点云拼接与融合方法 |
Non-Patent Citations (1)
Title |
---|
李健 等: "多站激光点云数据全自动高精度拼接方法研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379829A (zh) * | 2021-06-16 | 2021-09-10 | 劢微机器人科技(深圳)有限公司 | 基于相机的尺寸测量方法、装置、设备及存储介质 |
WO2023142608A1 (zh) * | 2022-01-26 | 2023-08-03 | 上海飞机制造有限公司 | 获得飞机面型的系统和方法 |
CN115496835A (zh) * | 2022-09-20 | 2022-12-20 | 北京数字绿土科技股份有限公司 | 一种基于cpu和gpu异构并行架构的点云数据赋色方法和系统 |
CN115496835B (zh) * | 2022-09-20 | 2023-10-20 | 北京数字绿土科技股份有限公司 | 一种基于cpu和gpu异构并行架构的点云数据赋色方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709947B (zh) | 一种基于rgbd相机的三维人体快速建模系统 | |
JP4785880B2 (ja) | 三次元オブジェクト認識のためのシステムおよび方法 | |
Zhang et al. | A 3D reconstruction method for pipeline inspection based on multi-vision | |
Soucy et al. | A general surface approach to the integration of a set of range views | |
CN111540063A (zh) | 一种基于多站激光点云数据全自动高精度拼接方法 | |
Xu et al. | Line structured light calibration method and centerline extraction: A review | |
CN110009727A (zh) | 一种具有结构语义的室内三维模型自动重构方法及系统 | |
CN111986115A (zh) | 激光点云噪声和冗余数据的精准剔除方法 | |
Teutsch | Model-based analysis and evaluation of point sets from optical 3D laser scanners | |
US9147279B1 (en) | Systems and methods for merging textures | |
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 | |
CN115345822A (zh) | 一种面向航空复杂零件的面结构光自动化三维检测方法 | |
Hu et al. | An automatic 3D registration method for rock mass point clouds based on plane detection and polygon matching | |
JP2006214893A (ja) | 対象物測定方法及びコンピュータシステムを用いて対象物の三次元形状を計測するためのコンピュータソフトウエアプログラム | |
Xian et al. | A fast registration algorithm of rock point cloud based on spherical projection and feature extraction | |
CN114863060A (zh) | 基于点云的三维模型重建方法、装置、设备及存储介质 | |
Tabib et al. | Learning-based hole detection in 3D point cloud towards hole filling | |
Liu et al. | Tube measurement based on stereo-vision: a review | |
Zhang et al. | Optimisation of camera positions for optical coordinate measurement based on visible point analysis | |
CN110969650B (zh) | 一种基于中心投影的强度图像与纹理序列间的配准方法 | |
CN112197773B (zh) | 基于平面信息的视觉和激光定位建图方法 | |
Masuda et al. | As-built 3D modeling of large facilities based on interactive feature editing | |
Zhong et al. | Triple screening point cloud registration method based on image and geometric features | |
CN112734916B (zh) | 基于图像处理的彩色共聚焦并行测量三维形貌还原方法 | |
CN115239559A (zh) | 一种融合视图合成的深度图超分辨率方法及系统 |
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 |