CN111553938A - 一种基于图优化的多站位扫描点云全局配准方法 - Google Patents
一种基于图优化的多站位扫描点云全局配准方法 Download PDFInfo
- Publication number
- CN111553938A CN111553938A CN202010355390.XA CN202010355390A CN111553938A CN 111553938 A CN111553938 A CN 111553938A CN 202010355390 A CN202010355390 A CN 202010355390A CN 111553938 A CN111553938 A CN 111553938A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- registration
- target
- station
- targets
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20072—Graph-based image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/12—Bounding box
Abstract
本发明公开了一种基于图优化的多站位扫描点云全局配准方法,包括:获取多站位原始三维点云数据,通过布置多站位扫描得到覆盖飞机整机表面的多站位点云数据;基于标靶的初始配准,相邻站位的点云数据通过各视角的标靶完成初始配准;相邻视角点云重叠面积计算,通过栅格化采样方法计算相邻点云重叠区域面积;精配准图结构建立,以每一站点云数据作为图的节点,相邻站位点云数据的重叠面积作为图结构相邻节点的边建立精配准图;基于环闭合的图优化精配准,根据特定闭合顺序逐步完成整机点云精配准。实现对大尺度飞机外形全貌的精确测量,为整机检测提供完整数据。该方法提高了检测效率和精度,且不易受外界环境的影响,便于操作。
Description
技术领域
本发明属于飞机检测技术领域,涉及一种飞机点云配准方法,特别是涉及一种基于图优化的多站位扫描点云全局配准方法。
背景技术
在飞机制造领域,对飞机整机的高精度制造要求在不断的提高,与此同时,对飞机的精确检测亦变得越来越重要。在过去的很长一段时间内,三坐标测量法以其极高的精度在精密制造中取得了广泛的应用。然而,在面对飞机这类大尺寸产品时,三坐标测量仪难以完成对飞机的整体测量。在这样的背景下,三维激光扫描技术应运而生,被广泛应用于获取物体表面数据,其可在短时间内获取周围场景的点云数据,极大地提高了大尺寸物体的检测效率。
对于飞机的整体测量而言,可通过三维激光扫描从不同视角获取飞机局部点云数据,并对飞机局部点云数据进行配准处理。现有技术中,对于多视角点云配准大多采取重复执行两两配准的方法,数据计算量大,效率低。同时,还容易将每对点云配准的误差累积到总体误差内,使得配准误差较大。
发明内容
本发明提出一种效率和精度更高的基于图优化的多站位扫描点云全局配准方法。
本发明所采用的技术方案为:
一种基于图优化的多站位扫描点云全局配准方法,包括以下步骤:
步骤1、获取带标靶的多视角原始飞机三维点云数据;
利用三维激光扫描仪在多个站位获取飞机局部点云数据,每个站位在飞机和三维激光扫描仪之间摆放4个以上十字标靶,作为初始配准的依据;
步骤2、初始配准;
根据相邻站位标靶位置关系进行标靶配对,完成初始配准;
步骤3、相邻点云重叠面积计算;
采用栅格化降采样的方法计算相邻站位点云数据重叠区域点云面积;
步骤4、图结构建立;
以每一站位点云数据作为图结构的节点,相邻站位点云数据的重叠区域点云面积作为图结构的相邻节点边的权值,建立精配准图;
步骤5、环闭合层级配准;
在精配准图的基础上,得到最大生成树,并得到无环的树结构;通过逐次向最大生成树添加边而形成环,依次闭合形成的环,实现飞机多视角点云的精配准。
进一步地,步骤1中,十字标靶为可翻转的圆形四等分黑白相间的标志物,十字标靶中心在翻转时保持位置不变;每个站位在飞机和三维激光扫描仪之间摆放的4个以上十字标靶中,任意3个十字标靶不共线。
进一步地,步骤1中,所述三维激光扫描仪型号为ScanStation P20。
进一步地,步骤2中,初始配准为基于标靶拓扑结构的对应点初始配准,具体为:
以Q={q1,q2,...qn}表示一个视角下的一组标靶,P={p1,p2,...pn}表示相邻视角下的一组标靶,任一标靶qi所对应的相邻视角的标靶为pi,i=1,2,3,……,n;
通过公式(1)确定两组标靶所在点云的转换矩阵:
公式(1)中,R为两组标靶所在点云的旋转矩阵,t为两组标靶所在点云的平移矩阵,旋转矩阵和平移矩阵统称为转换矩阵;argmin表示求取表达式的最小值,||||2表示欧氏距离,pi和qi分别表示对应视角下的标靶坐标,n表示同一视角下的标靶数量;
平移之后,标靶P的新坐标xi和标靶Q的新坐标yi分别表示为:
将公式(3)带入公式(1)中,得到:
为求解公式(4),首先计算其中,trace()表示对矩阵求迹;对其进行SVD分解可得:H=UΛVT,其中,U、Λ、V为经过SVD分解后的项;当R=VΛT时,方程(4)取得最小值,从而获得旋转参数R=VΛT;至此,完成基于标靶的初始配准。
进一步地,步骤3具体包括:
步骤3-1、获取重叠区域点云的包围盒,包围盒三边的方向为该重叠区域点云的三个主成分方向;
步骤3-2、将包围盒离散成栅格立方体,遍历每个栅格立方体中的点并计算每个点与对应栅格立方体中心的距离,取每个栅格立方体中离栅格立方体中心最近的点作为采样点,完成点云降采,实现点云密度均匀化;
步骤3-3、以重叠区域降采样后点的个数作为面积的表达。
进一步地,步骤3-2中,栅格立方体的尺寸为10mm*10mm*10mm。
进一步地,步骤5具体包括:
步骤5-1、通过Kruskal算法计算精配准图的最大生成树;
步骤5-2、在得到的最大生成树结构中,计算相邻边的权值之和,在拥有最大权重之和的边上,添加一个边构成环,并闭合该环,环闭合过程通过ICP方法实现;
步骤5-3、重复步骤5-2,直至没有新的环可以生成,从而完成图优化精配准,得到完整的飞机整机点云数据。
与现有技术相比,本发明的有益效果在于:
通过多站位扫描得到多视角点云数据后,利用标靶进行初始配准,可高效地完成大规模点云数据的粗配准,避免了对大量数据的直接运算,提高了整体配准效率。通过改进的点云重叠面积计算方法实现了飞机点云精配准,克服了飞机点云数据密度不均的影响。此外,本发明的方法在操作时不易受外界环境的影响及物体尺寸的限制,可在短时间内获取飞机表面整体数据,并保证数据处理的精度。
本发明的方法经济、实用、检测精度和效率高,可推广用于其他大尺寸产品的检测。
附图说明
图1为本发明的基于图优化的多站位扫描点云全局配准方法的流程框图;
图2为本发明中,栅格化均匀降采样过程示意图;
图3为本发明中,图优化精配准过程示意图;
具体实施方式
下面结合附图和具体的实施例对本发明的基于图优化的多站位扫描点云全局配准方法作进一步地详细说明。
如图1所示,一种基于图优化的多站位扫描点云全局配准方法,包括以下步骤:
步骤1、获取带标靶的多视角原始飞机三维点云数据。
利用三维激光扫描仪(如ScanStationP20型号)在多个站位获取飞机局部点云数据并保存。每个站位在飞机和三维激光扫描仪之间摆放4个以上十字标靶,作为初始配准的依据。标靶摆放方式为:十字标靶分散布置于三维激光扫描仪和飞机之间,每个十字标靶均朝向三维激光扫描仪,同时避免出现3个以上十字标靶共线的情况。注意每个标靶底座位置均需要保持固定,标靶底座上的十字标靶可以自由翻转,保证十字标靶中心在翻转时位置保持不变,以用于不同视角扫描时提供相对位置。相邻站位扫描仪需保证获取至少4个相同的上述十字标靶用于初始配准。本实施例中,十字标靶为可翻转的圆形四等分黑白相间的标志物,该种标志物是现有的。
步骤2、初始配准。
具体地,根据相邻站位标靶位置关系进行标靶配对,基于标靶拓扑结构的对应点初始配准,包括:
以Q={q1,q2,...qn}表示一个视角下的一组标靶,P={p1,p2,...pn}表示相邻视角下的一组标靶,任一标靶qi所对应的相邻视角的标靶为pi,i=1,2,3,……,n。
通过公式(1)确定两组标靶所在点云的转换矩阵:
公式(1)中,R为两组标靶所在点云的旋转矩阵,t为两组标靶所在点云的平移矩阵,旋转矩阵和平移矩阵统称为转换矩阵。argmin表示求取表达式的最小值,||||2表示欧氏距离,pi和qi分别表示对应视角下的标靶坐标,n表示同一视角下的标靶数量。公式(1)表示等号右边表达式取得最小值时,R和t的取值。
公式(2)中,采用先平移再旋转的方法,使两组标靶数据重合。
平移之后,标靶P的新坐标xi和标靶Q的新坐标yi分别表示为:
将公式(3)带入公式(1)中,得到:
为求解公式(4),首先计算其中,trace()表示对矩阵求迹。对其进行SVD分解(一种对矩阵进行分解的公式,是通用方法)可得:H=UΛVT,其中,U、Λ、V为经过SVD分解后的项。当R=VΛT时方程(4)取得最小值,从而获得旋转参数R=VΛT。至此,完成基于标靶的初始配准。
步骤3、相邻点云重叠面积计算。
对于已完成初始配准的点云,可获得相邻点云的重叠区域。为实现精配准,首先计算相邻点云的重叠面积大小。由于飞机表面大部分为自由曲面,直接计算面积效率较低。因此,采用重叠区域点数量表达重叠面积。
由于采用激光扫描仪扫描大面积区域,点云密度无法保持一致,因此不能直接用重叠区域点数量作为面积表达。所以,采用栅格化采样方法对点云进行降采样,使得所有重叠区域点云有相同的密度,在此基础上以点的数量表征重叠区域面积,如图2所示。具体包括:
步骤3-1、在将两片点云数据配准之后,可以得到两片点云的重叠区域,首先获取重叠区域点云的包围盒,包围盒三边的方向为该区域点云通过PCA算法得到的三个主成分方向(PCA算法为通用算法,可以得到点云的3个主成分方向)。
步骤3-2、将包围盒离散成栅格立方体,遍历每个栅格立方体中的点并计算每个点与对应栅格立方体中心的距离,取每个栅格立方体中离栅格立方体中心最近的点作为采样点,完成点云降采,实现点云密度均匀化。本实施例中,栅格立方体的尺寸为10mm*10mm*10mm。
步骤3-3、以重叠区域降采样后点的个数作为面积的表达。
步骤4、图结构建立。
以每一站位点云数据作为图结构的节点,相邻站位点云数据的重叠面积作为图结构的相邻节点边的权值,建立精配准图。
步骤5、环闭合层级配准。
在精配准图的基础上,得到最大生成树,并得到无环的树结构。通过逐次向最大生成树添加边而形成环,依次闭合形成的环,实现飞机多视角点云的精配准,如图3所示。具体包括:
步骤5-1、通过Kruskal算法计算精配准图的最大生成树(Kruskal算法为通用算法)。
步骤5-2、在得到的最大生成树结构中,计算相邻边的权值之和,在拥有最大权值之和的边上,添加一个边构成环,并闭合该环,环闭合过程通过ICP配准方法(点云配准方法,是现有的基础算法)实现。
步骤5-3、在新生成的树结构中,重复步骤5-2,直至没有新的环可以生成,从而完成图优化精配准,得到完整的飞机整机点云数据。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术方法范围内,可轻易想到的替换或变换方法,都应该涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于图优化的多站位扫描点云全局配准方法,其特征在于,包括以下步骤:
步骤1、获取带标靶的多视角原始飞机三维点云数据;
利用三维激光扫描仪在多个站位获取飞机局部点云数据,每个站位在飞机和三维激光扫描仪之间摆放4个以上十字标靶,作为初始配准的依据;
步骤2、初始配准;
根据相邻站位标靶位置关系进行标靶配对,完成初始配准;
步骤3、相邻点云重叠面积计算;
采用栅格化降采样的方法计算相邻站位点云数据重叠区域点云面积;
步骤4、图结构建立;
以每一站位点云数据作为图结构的节点,相邻站位点云数据的重叠区域点云面积作为图结构的相邻节点边的权值,建立精配准图;
步骤5、环闭合层级配准;
在精配准图的基础上,得到最大生成树,并得到无环的树结构;通过逐次向最大生成树添加边而形成环,依次闭合形成的环,实现飞机多视角点云的精配准。
2.根据权利要求1所述的基于图优化的多站位扫描点云全局配准方法,其特征在于,步骤1中,十字标靶为可翻转的圆形四等分黑白相间的标志物,十字标靶中心在翻转时保持位置不变;每个站位在飞机和三维激光扫描仪之间摆放的4个以上十字标靶中,任意3个十字标靶不共线。
3.根据权利要求1所述的基于图优化的多站位扫描点云全局配准方法,其特征在于,步骤1中,所述三维激光扫描仪型号为ScanStation P20。
4.根据权利要求1至3中任一项所述的基于图优化的多站位扫描点云全局配准方法,其特征在于,步骤2中,初始配准为基于标靶拓扑结构的对应点初始配准,具体为:
以Q={q1,q2,...qn}表示一个视角下的一组标靶,P={p1,p2,...pn}表示相邻视角下的一组标靶,任一标靶qi所对应的相邻视角的标靶为pi,i=1,2,3,……,n;
通过公式(1)确定两组标靶所在点云的转换矩阵:
公式(1)中,R为两组标靶所在点云的旋转矩阵,t为两组标靶所在点云的平移矩阵,旋转矩阵和平移矩阵统称为转换矩阵;argmin表示求取表达式的最小值,|| ||2表示欧氏距离,pi和qi分别表示对应视角下的标靶坐标,n表示同一视角下的标靶数量;
平移之后,标靶P的新坐标xi和标靶Q的新坐标yi分别表示为:
将公式(3)带入公式(1)中,得到:
5.根据权利要求4所述的基于图优化的多站位扫描点云全局配准方法,其特征在于,步骤3具体包括:
步骤3-1、获取重叠区域点云的包围盒,包围盒三边的方向为该重叠区域点云的三个主成分方向;
步骤3-2、将包围盒离散成栅格立方体,遍历每个栅格立方体中的点并计算每个点与对应栅格立方体中心的距离,取每个栅格立方体中离栅格立方体中心最近的点作为采样点,完成点云降采,实现点云密度均匀化;
步骤3-3、以重叠区域降采样后点的个数作为面积的表达。
6.根据权利要求5所述的基于图优化的多站位扫描点云全局配准方法,其特征在于,步骤3-2中,栅格立方体的尺寸为10mm*10mm*10mm。
7.根据权利要求5所述的基于图优化的多站位扫描点云全局配准方法,其特征在于,步骤5具体包括:
步骤5-1、通过Kruskal算法计算精配准图的最大生成树;
步骤5-2、在得到的最大生成树结构中,计算相邻边的权值之和,在拥有最大权重之和的边上,添加一个边构成环,并闭合该环,环闭合过程通过ICP方法实现;
步骤5-3、重复步骤5-2,直至没有新的环可以生成,从而完成图优化精配准,得到完整的飞机整机点云数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355390.XA CN111553938A (zh) | 2020-04-29 | 2020-04-29 | 一种基于图优化的多站位扫描点云全局配准方法 |
US17/026,260 US11037346B1 (en) | 2020-04-29 | 2020-09-20 | Multi-station scanning global point cloud registration method based on graph optimization |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355390.XA CN111553938A (zh) | 2020-04-29 | 2020-04-29 | 一种基于图优化的多站位扫描点云全局配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553938A true CN111553938A (zh) | 2020-08-18 |
Family
ID=72003210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010355390.XA Pending CN111553938A (zh) | 2020-04-29 | 2020-04-29 | 一种基于图优化的多站位扫描点云全局配准方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11037346B1 (zh) |
CN (1) | CN111553938A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907729A (zh) * | 2021-02-09 | 2021-06-04 | 南京航空航天大学 | 一种基于三维局部点云配准的复合材料预制体整体外形重建方法 |
CN113483664A (zh) * | 2021-07-20 | 2021-10-08 | 科派股份有限公司 | 一种基于线结构光视觉的屏风板自动上料系统及方法 |
CN114663282A (zh) * | 2022-03-28 | 2022-06-24 | 南京航空航天大学深圳研究院 | 基于全局测量场和层级图优化的大型飞机点云拼接方法 |
CN114781056A (zh) * | 2022-04-13 | 2022-07-22 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705582B (zh) * | 2021-08-04 | 2022-03-29 | 南京林业大学 | 一种建筑立面边缘特征关键点提取方法 |
CN113610869A (zh) * | 2021-08-06 | 2021-11-05 | 成都易瞳科技有限公司 | 基于gis系统的全景监控显示方法 |
CN113706710B (zh) * | 2021-08-11 | 2024-03-08 | 武汉大学 | 基于fpfh特征差异的虚拟点多源点云融合方法及系统 |
CN113865506B (zh) * | 2021-09-09 | 2023-11-24 | 武汉惟景三维科技有限公司 | 一种无标志点拼接的自动化三维测量方法及系统 |
CN113838216B (zh) * | 2021-09-13 | 2023-05-12 | 长春工业大学 | 一种基于局部点对特征的物体三维点云配准算法 |
CN114296445B (zh) * | 2021-11-26 | 2024-03-29 | 山东大学 | 基于回环路网随机树的最优路径实时规划方法 |
CN113920180B (zh) * | 2021-12-08 | 2022-04-01 | 杭州速玛科技有限公司 | 一种基于正态分布变换假设校验的点云配准优化方法 |
CN114549780B (zh) * | 2022-01-27 | 2024-04-05 | 重庆大学 | 一种基于点云数据的大型复杂构件智能化检测方法 |
CN114723795B (zh) * | 2022-04-18 | 2023-03-28 | 长春工业大学 | 基于改进最近点配准的斗轮机无人化作业定位建图方法 |
CN115079126A (zh) * | 2022-05-12 | 2022-09-20 | 探维科技(北京)有限公司 | 点云处理方法、装置、设备及存储介质 |
CN115641365B (zh) * | 2022-08-25 | 2023-08-04 | 北京微视威信息科技有限公司 | 点云配准方法、系统、设备及介质 |
CN115423854B (zh) * | 2022-08-31 | 2024-02-06 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于多尺度特征提取的多视角点云配准及点云融合方法 |
CN115601408B (zh) * | 2022-10-11 | 2023-12-12 | 西安电子科技大学 | 一种基于粒子群优化和拓扑图的点云配准方法 |
CN115690184B (zh) * | 2022-10-24 | 2024-02-06 | 西南交通大学 | 一种基于三维激光扫描的隧道掌子面位移量测方法 |
CN115795579B (zh) * | 2022-12-23 | 2023-06-27 | 岭南师范学院 | 无特征复杂曲面测量误差分析的快速坐标对齐方法 |
CN116580069B (zh) * | 2023-07-12 | 2023-09-19 | 四川大学 | 一种由粗到精的叶片型面多视场数据配准方法 |
CN117011128B (zh) * | 2023-08-02 | 2024-02-13 | 广州知元科技有限责任公司 | 一种基于区域分解的三维模型自动配准方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564393A (zh) * | 2011-12-28 | 2012-07-11 | 北京工业大学 | 隧道全断面三维激光监控量测方法 |
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
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 |
CN107369161A (zh) * | 2017-07-19 | 2017-11-21 | 无锡信捷电气股份有限公司 | 一种基于改进欧式聚类的散乱工件点云分割方法 |
CN107621231A (zh) * | 2017-06-20 | 2018-01-23 | 北京工业大学 | 一种隧道二次衬砌厚度检测方法 |
CN109919984A (zh) * | 2019-04-15 | 2019-06-21 | 武汉惟景三维科技有限公司 | 一种基于局部特征描述子的点云自动配准方法 |
CN110515094A (zh) * | 2019-07-11 | 2019-11-29 | 同济大学 | 基于改进rrt*的机器人点云地图路径规划方法及系统 |
CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
CN111027140A (zh) * | 2019-12-11 | 2020-04-17 | 南京航空航天大学 | 基于多视角点云数据的飞机标准件模型快速重构方法 |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103307999B (zh) | 2013-06-14 | 2016-01-13 | 河海大学 | 一种三维激光扫描控制架及其外业扫描和点云配准方法 |
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 |
US10223829B2 (en) * | 2016-12-01 | 2019-03-05 | Here Global B.V. | Method and apparatus for generating a cleaned object model for an object in a mapping database |
US10546427B2 (en) * | 2017-02-15 | 2020-01-28 | Faro Technologies, Inc | System and method of generating virtual reality data from a three-dimensional point cloud |
US10198858B2 (en) * | 2017-03-27 | 2019-02-05 | 3Dflow Srl | Method for 3D modelling based on structure from motion processing of sparse 2D images |
CN109377521B (zh) | 2018-09-11 | 2021-05-04 | 武汉大学 | 地面激光扫描仪数据采集中点到最佳平面的点云配准方法 |
US10408606B1 (en) * | 2018-09-24 | 2019-09-10 | Faro Technologies, Inc. | Quality inspection system and method of operation |
CN110579771A (zh) | 2019-09-12 | 2019-12-17 | 南京莱斯信息技术股份有限公司 | 一种基于激光点云的飞机泊位引导方法 |
-
2020
- 2020-04-29 CN CN202010355390.XA patent/CN111553938A/zh active Pending
- 2020-09-20 US US17/026,260 patent/US11037346B1/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564393A (zh) * | 2011-12-28 | 2012-07-11 | 北京工业大学 | 隧道全断面三维激光监控量测方法 |
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
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 |
CN107621231A (zh) * | 2017-06-20 | 2018-01-23 | 北京工业大学 | 一种隧道二次衬砌厚度检测方法 |
CN107369161A (zh) * | 2017-07-19 | 2017-11-21 | 无锡信捷电气股份有限公司 | 一种基于改进欧式聚类的散乱工件点云分割方法 |
CN109919984A (zh) * | 2019-04-15 | 2019-06-21 | 武汉惟景三维科技有限公司 | 一种基于局部特征描述子的点云自动配准方法 |
CN110515094A (zh) * | 2019-07-11 | 2019-11-29 | 同济大学 | 基于改进rrt*的机器人点云地图路径规划方法及系统 |
CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
CN111027140A (zh) * | 2019-12-11 | 2020-04-17 | 南京航空航天大学 | 基于多视角点云数据的飞机标准件模型快速重构方法 |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
Non-Patent Citations (3)
Title |
---|
CHENG YI 等: "Automatic Detection of Cross-Shaped Targets for Laser Scan Registration", 《IEEE ACCESS》 * |
赵兴东 等: "《矿用三维激光数字测量原理及其工程应用》", 31 January 2016 * |
赵夫群 等: "《点云模型的优化配准方法研究》", 31 July 2018 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907729A (zh) * | 2021-02-09 | 2021-06-04 | 南京航空航天大学 | 一种基于三维局部点云配准的复合材料预制体整体外形重建方法 |
CN113483664A (zh) * | 2021-07-20 | 2021-10-08 | 科派股份有限公司 | 一种基于线结构光视觉的屏风板自动上料系统及方法 |
CN114663282A (zh) * | 2022-03-28 | 2022-06-24 | 南京航空航天大学深圳研究院 | 基于全局测量场和层级图优化的大型飞机点云拼接方法 |
CN114781056A (zh) * | 2022-04-13 | 2022-07-22 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
CN114781056B (zh) * | 2022-04-13 | 2023-02-03 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
Also Published As
Publication number | Publication date |
---|---|
US11037346B1 (en) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553938A (zh) | 一种基于图优化的多站位扫描点云全局配准方法 | |
CN105844064B (zh) | 基于激光点云数据的三维变电站半自动重建方法 | |
CN105469388B (zh) | 基于降维的建筑物点云配准方法 | |
CN106600622B (zh) | 一种基于超体素的点云数据分割方法 | |
CN107192350B (zh) | 一种三维激光扫描仪内参数标定方法及装置 | |
Caroti et al. | Accuracy assessment in structure from motion 3D reconstruction from UAV-born images: The influence of the data processing methods | |
CN106780619B (zh) | 一种基于Kinect深度相机的人体尺寸测量方法 | |
CN105976312B (zh) | 基于点特征直方图的点云自动配准方法 | |
CN104392476B (zh) | 基于最小包围盒算法提取隧道三维轴线的方法 | |
CN106932784B (zh) | 基于二维激光雷达的车斗形容器三维扫描系统测量方法 | |
CN110443840A (zh) | 实物表面采样点集初始配准的优化求解方法 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN104007444B (zh) | 一种基于中心投影的地面激光雷达反射强度图像的生成方法 | |
CN112927360A (zh) | 一种基于倾斜模型与激光点云数据融合的三维建模方法和系统 | |
Ge et al. | Surface-based matching of 3D point clouds with variable coordinates in source and target system | |
CN109685886A (zh) | 一种基于混合现实技术的配网三维场景建模方法 | |
CN110335301A (zh) | 一种基于激光雷达和结构光的三维扫描方法及装置 | |
CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
Cai et al. | Calibration method for the rotating axis in panoramic 3D shape measurement based on a turntable | |
CN108682028A (zh) | 基于辐射纠正的激光点云与光学影像自动匹配方法 | |
CN112767464A (zh) | 一种地面激光扫描三维点云数据配准方法 | |
CN112381862A (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN109239710A (zh) | 雷达高程信息的获取方法及装置、计算机可读存储介质 | |
CN109766903A (zh) | 一种基于曲面特征的点云模型曲面匹配方法 | |
Song et al. | Flexible line-scan camera calibration method using a coded eight trigrams pattern |
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: 20200818 |
|
RJ01 | Rejection of invention patent application after publication |