CN111553343B - 一种激光点云特征的提取方法 - Google Patents
一种激光点云特征的提取方法 Download PDFInfo
- Publication number
- CN111553343B CN111553343B CN202010249554.0A CN202010249554A CN111553343B CN 111553343 B CN111553343 B CN 111553343B CN 202010249554 A CN202010249554 A CN 202010249554A CN 111553343 B CN111553343 B CN 111553343B
- Authority
- CN
- China
- Prior art keywords
- point
- spherical region
- neighborhood
- coordinate system
- coordinates
- 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.)
- Active
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
- G06V10/44—Local 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Generation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种激光点云特征的提取方法,包括如下步骤:选取中心点Pc,以该点为球心,r为半径,形成球形区域S1;求S1内所有邻域点组成的多面体的质心Pc'的坐标;在S1内重新划分一个同心的球形区域S2,S2的半径小于球形区域S1的半径,并求S2内所有邻域点组成的多面体的质心Pc”的坐标;在Pc、Pc'、Pc”三个点组成的平面内建立坐标系,坐标系原点为Pc点;将球形区域S1内所有点的坐标都转换到新建的坐标系下,然后将所有的邻域点分别和球心Pc连接组成向量,将所有的向量进行矢量叠加,求得的矢量即为中心点Pc的特征。本发明所公开的方法能够快速提取出点云的特征,并且对于初始值的选定不是非常敏感,提高了鲁棒性,对于不同场景具有较好的适应性。
Description
技术领域
本发明涉及一种激光点云特征的提取方法。
背景技术
点云是目前在机器视觉,三维重建,机器学习等众多领域广泛使用的数据源,而若要对点云数据进行充分的利用,那么点云特征的提取便是非常重要的一环。
目前点云特征提取的方法如PFH,其计算量比较大,不适用于SLAM等实时性要求较高的场景,其改进的算法FPFH,降低了计算复杂度,但是其本质是一个直方图,描述的是点与点之间的角度关系,最终统计出来的概率直方图,没有距离信息,即会有点云的尺度问题。而且当前很多的算法并不具有旋转不变性。
发明内容
为解决上述技术问题,本发明提供了一种激光点云特征的提取方法,以达到能够快速提取出点云的特征,并且对于初始值的选定不是非常敏感,对于不同场景具有较好的适应性的目的。
为达到上述目的,本发明的技术方案如下:
一种激光点云特征的提取方法,包括如下步骤:
步骤一,选取中心点Pc,以该点为球心,r为半径,形成球形区域S1;求球形区域S1内所有邻域点组成的多面体的质心Pc'的坐标;
步骤二,在球形区域S1内重新划分一个同心的球形区域S2,球形区域S2的半径小于球形区域S1的半径,并求球形区域S2内所有邻域点组成的多面体的质心Pc”的坐标;
步骤三,在Pc、Pc'、Pc”三个点组成的平面内建立坐标系,坐标系原点为Pc点,X轴的方向是点Pc指向Pc'的方向,Y轴的方向是垂直于X轴且靠近Pc”的方向,根据X、Y轴建立右手坐标系,Z轴的方向也唯一确定;
步骤四,将球形区域S1内所有点的坐标都转换到新建的坐标系下,然后将所有的邻域点分别和球心Pc连接组成向量,将所有的向量进行矢量叠加,求得的矢量即为中心点Pc的特征。
上述方案中,步骤一中,Pn是球心Pc(x1,y1,z1)的所有的邻域点,设第i个邻域点Pni的坐标为(xni,yni,zni),则质心Pc'(x2,y2,z2)的坐标为:
其中,k为邻域点Pn的个数。
上述方案中,步骤二中,初始设定球形区域S2的半径为球形区域S1的半径的一半,设球形区域S2内第j个邻域点Pnj的坐标为(xnj,ynj,znj),则质心Pc”(x3,y3,z3)的坐标为:
其中,m为球形区域S2内包含的邻域点的个数,若m<3,则扩大球形区域S2的半径,直至m≧3。
a=(y2-y1)(z3-z1)-(y3-y1)(z2-z1)
b=(x3-x1)(z2-z1)-(x2-y1)(z3-z1)
c=(x2-x1)(y3-y1)-(x3-x1)(y2-y1)
则平面方程为:
a(x-x1)+b(y-y1)+c(z-z1)=0
简化为:
ax+by+cz+d=0
其中:
d=-a·x1-b·y1-c·z1
上述方案中,步骤四中,点P新坐标系下的坐标为:
nP=ToP
其中,角标n代表新的坐标系下坐标,角标o代表原始坐标系的坐标,T为转换矩阵:
则点到新坐标系下的转换可写作:
然后,在此坐标系下将所有的邻域点Pn分别和球心Pc连接到一起,组成k个向量,将此k个向量再矢量叠加,最后得到的向量τ便是所求点Pc的特征。
通过上述技术方案,本发明提供的激光点云特征的提取方法具有如下有益效果:
本发明的方法区别于PFH及FPFH的直方图的特征点表征方式,本发明通过直接构建空间向量的方式来表征特征。通过计算两个球形区域的质心,并以此质心来构建三维空间坐标系,在此坐标系下利用所有的点的向量来构建新的向量,以此来表征当前点的特征,从而保证了旋转不变性,并且降低了噪声点的影响,提高了鲁棒性。本方法能够快速提取出点云的特征,并且对于初始值的选定不是非常敏感,对于不同场景具有较好的适应性。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种激光点云特征的提取方法流程示意图;
图2为建立的球形区域S1的示意图;
图3为建立的球形区域S2以及新坐标系的示意图;
图4为矢量叠加的示意图。
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。
本发明提供了一种激光点云特征的提取方法,如图1所示,该方法包括如下步骤:
步骤一,如图2所示,选取中心点Pc,以该点为球心,r为半径,形成球形区域S1;求球形区域S1内所有邻域点组成的多面体的质心Pc'的坐标;
Pn是球心Pc(x1,y1,z1)的所有的邻域点,设第i个邻域点Pni的坐标为(xni,yni,zni),则质心Pc'(x2,y2,z2)的坐标为:
其中,k为邻域点Pn的个数。
步骤二,如图3所示,在球形区域S1内重新划分一个同心的球形区域S2,球形区域S2的半径小于球形区域S1的半径,并求球形区域S2内所有邻域点组成的多面体的质心Pc”的坐标;
初始设定球形区域S2的半径为球形区域S1的半径的一半,设球形区域S2内第j个邻域点Pnj的坐标为(xnj,ynj,znj),则质心Pc”(x3,y3,z3)的坐标为:
其中,m为球形区域S2内包含的邻域点的个数,若m<3,则扩大球形区域S2的半径,直至m≧3。
步骤三,在Pc、Pc'、Pc”三个点组成的平面内建立坐标系,坐标系原点为Pc点,X轴的方向是点Pc指向Pc'的方向,Y轴的方向是垂直于X轴且靠近Pc”的方向,根据X、Y轴建立右手坐标系,Z轴的方向也唯一确定;
a=(y2-y1)(z3-z1)-(y3-y1)(z2-z1)
b=(x3-x1)(z2-z1)-(x2-y1)(z3-z1)
c=(x2-x1)(y3-y1)-(x3-x1)(y2-y1)
则平面方程为:
a(x-x1)+b(y-y1)+c(z-z1)=0
简化为:
ax+by+cz+d=0
其中:
d=-a·x1-b·y1-c·z1
步骤四,将球形区域S1内所有点的坐标都转换到新建的坐标系下,然后将所有的邻域点分别和球心Pc连接组成向量,如图4所示,将所有的向量进行矢量叠加,求得的矢量即为中心点Pc的特征。
点P新坐标系下的坐标为:
nP=ToP
其中,角标n代表新的坐标系下坐标,角标o代表原始坐标系的坐标,T为转换矩阵:
则点到新坐标系下的转换可写作:
然后,在此坐标系下将所有的邻域点Pn分别和球心Pc连接到一起,组成k个向量,将此k个向量再矢量叠加,最后得到的向量τ便是所求点Pc的特征。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种激光点云特征的提取方法,其特征在于,包括如下步骤:
步骤一,选取中心点Pc,以该点为球心,r为半径,形成球形区域S1;求球形区域S1内所有邻域点组成的多面体的质心Pc'的坐标;
步骤二,在球形区域S1内重新划分一个同心的球形区域S2,球形区域S2的半径小于球形区域S1的半径,并求球形区域S2内所有邻域点组成的多面体的质心Pc”的坐标;
步骤三,在Pc、Pc'、Pc”三个点组成的平面内建立坐标系,坐标系原点为Pc点,X轴的方向是点Pc指向Pc'的方向,Y轴的方向是垂直于X轴且靠近Pc”的方向,根据X、Y轴建立右手坐标系,Z轴的方向也唯一确定;
步骤四,将球形区域S1内所有点的坐标都转换到新建的坐标系下,然后将所有的邻域点分别和球心Pc连接组成向量,将所有的向量进行矢量叠加,求得的矢量即为中心点Pc的特征。
4.根据权利要求3所述的一种激光点云特征的提取方法,其特征在于,步骤三中,三点坐标如下:Pc(x1,y1,z1),Pc'(x2,y2,z2),Pc”(x3,y3,z3),做向量 平面法线和这两个向量垂直,因此法向量
a=(y2-y1)(z3-z1)-(y3-y1)(z2-z1)
b=(x3-x1)(z2-z1)-(x2-y1)(z3-z1)
c=(x2-x1)(y3-y1)-(x3-x1)(y2-y1)
则平面方程为:
a(x-x1)+b(y-y1)+c(z-z1)=0
简化为:
其中:
d=-a·x1-b·y1-c·z1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249554.0A CN111553343B (zh) | 2020-04-01 | 2020-04-01 | 一种激光点云特征的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249554.0A CN111553343B (zh) | 2020-04-01 | 2020-04-01 | 一种激光点云特征的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553343A CN111553343A (zh) | 2020-08-18 |
CN111553343B true CN111553343B (zh) | 2023-04-25 |
Family
ID=72005589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010249554.0A Active CN111553343B (zh) | 2020-04-01 | 2020-04-01 | 一种激光点云特征的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553343B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881015A (zh) * | 2012-09-11 | 2013-01-16 | 山东理工大学 | 产品模型散乱点云边界特征提取方法 |
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 |
CN104298971A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云数据中的目标识别方法 |
CN104778701A (zh) * | 2015-04-15 | 2015-07-15 | 浙江大学 | 一种基于rgb-d传感器的局部图像描述方法 |
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 |
CN109215129A (zh) * | 2017-07-05 | 2019-01-15 | 中国科学院沈阳自动化研究所 | 一种基于三维点云的局部特征描述方法 |
CN109887028A (zh) * | 2019-01-09 | 2019-06-14 | 天津大学 | 一种基于点云数据配准的无人车辅助定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8199977B2 (en) * | 2010-05-07 | 2012-06-12 | Honeywell International Inc. | System and method for extraction of features from a 3-D point cloud |
US10339409B2 (en) * | 2015-06-18 | 2019-07-02 | Peking University Shenzhen Graduate School | Method and a device for extracting local features of a three-dimensional point cloud |
-
2020
- 2020-04-01 CN CN202010249554.0A patent/CN111553343B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881015A (zh) * | 2012-09-11 | 2013-01-16 | 山东理工大学 | 产品模型散乱点云边界特征提取方法 |
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 |
CN104298971A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云数据中的目标识别方法 |
CN104778701A (zh) * | 2015-04-15 | 2015-07-15 | 浙江大学 | 一种基于rgb-d传感器的局部图像描述方法 |
CN109215129A (zh) * | 2017-07-05 | 2019-01-15 | 中国科学院沈阳自动化研究所 | 一种基于三维点云的局部特征描述方法 |
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 |
CN109887028A (zh) * | 2019-01-09 | 2019-06-14 | 天津大学 | 一种基于点云数据配准的无人车辅助定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553343A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111243093B (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
CN106919944B (zh) | 一种基于orb算法的大视角图像快速识别方法 | |
CN110348330B (zh) | 基于vae-acgan的人脸姿态虚拟视图生成方法 | |
CN108010045A (zh) | 基于orb的视觉图像特征点误匹配提纯方法 | |
CN109215129B (zh) | 一种基于三维点云的局部特征描述方法 | |
CN111507908B (zh) | 图像矫正处理方法、装置、存储介质及计算机设备 | |
CN110796671B (zh) | 数据处理方法及相关装置 | |
CN104091145A (zh) | 人体掌脉特征图像采集方法 | |
CN107818598A (zh) | 一种基于视觉矫正的三维点云地图融合方法 | |
CN109003307B (zh) | 基于水下双目视觉测量的捕鱼网目尺寸设计方法 | |
CN104217459A (zh) | 一种球面特征提取方法 | |
CN112651380A (zh) | 人脸识别方法、人脸识别装置、终端设备及存储介质 | |
CN108921175A (zh) | 一种基于fast改进的sift图像配准方法 | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
Zhang et al. | Improved spin images for 3D surface matching using signed angles | |
CN111553343B (zh) | 一种激光点云特征的提取方法 | |
CN111881841B (zh) | 一种基于双目视觉的人脸检测识别方法 | |
Yu | Accurate recognition method of human body movement blurred image gait features using graph neural network | |
CN113012271A (zh) | 一种基于uv贴图的手指三维模型纹理映射方法 | |
CN106997366A (zh) | 数据库构建方法、增强现实融合追踪方法及终端设备 | |
CN111915661A (zh) | 基于ransac算法的点云配准方法、系统及计算机可读存储介质 | |
CN111611996B (zh) | 一种点云特征点描述子的计算方法 | |
CN109460690B (zh) | 一种用于模式识别的方法和装置 | |
Zheng et al. | An improved 3D shape recognition method based on panoramic view | |
CN108009576A (zh) | 一种目标匹配的物体识别方法、设备及存储设备 |
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 |