CN111582285A - 点云图像的平面提取方法 - Google Patents

点云图像的平面提取方法 Download PDF

Info

Publication number
CN111582285A
CN111582285A CN202010351681.1A CN202010351681A CN111582285A CN 111582285 A CN111582285 A CN 111582285A CN 202010351681 A CN202010351681 A CN 202010351681A CN 111582285 A CN111582285 A CN 111582285A
Authority
CN
China
Prior art keywords
plane
point cloud
point
image
equation
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
CN202010351681.1A
Other languages
English (en)
Other versions
CN111582285B (zh
Inventor
李一鹏
安亮
戴琼海
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010351681.1A priority Critical patent/CN111582285B/zh
Publication of CN111582285A publication Critical patent/CN111582285A/zh
Application granted granted Critical
Publication of CN111582285B publication Critical patent/CN111582285B/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
    • G06V10/46Descriptors 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
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20021Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Generation (AREA)

Abstract

本发明提出一种点云图像的平面提取方法,包括以下步骤:利用传感器采集环境信息获得点云图像并对点云图像进行分块,得到多个点云快;提取所述多个点云块中具有平面特征的点云块;将所述具有平面特征的点云块连接形成特定平面。根据本发明实施例的点云图像的平面提取方法,算法简单、效率高,提高了自然场景中平面信息的提取效率,可广泛应用于多种视觉应用,具有良好的可扩展性。

Description

点云图像的平面提取方法
技术领域
本发明涉及传感器点云数据处理领域,特别涉及一种点云图像的平面提取方法。
背景技术
随着机器人(包括无人机等空中机器人)视觉导航技术的发展,平面特征成为备受关注的新特征。能够快速、鲁棒地提取出场景中的平面特征对于机器人自主定位与导航技术意义重大。当前的在三维点云中提取平面的技术主要有以下几种方式:经典的RANSAC算法,Region growing算法和Grid-based region growing算法。经典的RANSAC算法的局限在于在环境的三维图像中有两个大小相近的大平面时,RANSAC算法有很大的概率不收敛,进而导致无法提取出平面;Gegion-growing算法的局限在于计算量非常大,需要考虑点云图像边缘的特殊处理;Grid-based region growing算法的局限在于需要在每个空间块内利用矩阵分析的方法判定局部平面特征,进而通过连通域分析的方式将局部平面特征整合成大的平面特征,计算量太大,不利于平面的判定和算法扩展。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。
为此,本发明的一个目的在于提出一种点云图像的平面提取方法,该方法算法简单、效率高,提高了自然场景中平面信息的提取效率,可广泛应用于多种视觉应用,具有良好的可扩展性。
为了实现上述目的,本发明公开了一种点云图像的平面提取方法,包括以下步骤:利用传感器采集环境信息获得点云图像并对点云图像进行分块,得到多个点云快;提取所述多个点云块中具有平面特征的点云块;将所述具有平面特征的点云块连接形成特定平面。
根据本发明实施例的点云图像的平面提取方法,算法简单、效率高,提高了自然场景中平面信息的提取效率,可广泛应用于多种视觉应用,具有良好的可扩展性。
另外,根据本发明上述的点云图像的平面提取方法还可以具有如下附加的技术特征:
进一步地,所述传感器包括激光传感器、RGBD传感器、Tof相机和双目可见光相机。
进一步地,所述点云图像是指有固定宽度和高度的图像,可与普通数字图像一样使用两个坐标(x,y)确定每个点在图像中的位置。
进一步地,所述点云图像分辨率为W×H,将其分为L2块,则每个点云块中所含有的点云数量为K=w×h,其中w=W/L,h=H/L。
进一步地,所述提取所述多个点云块中具有平面特征的点云块的步骤包括在每个点云块中使用RANSAC算法计算局部平面方程,获得平面内点的数目Nl和归一化平面方程的方程参数ηl=(a,b,c,d)T,l为点云块编号,具体为:将点云块的数量K,记做集合C,按照均匀抽样的原则从所述集合C中随机选取k0个点作为初始点,记做集合C0;将所述集合C0中所有的点利用最小二乘法求得最优平面方程η0,方程η0:ax+by+cz+d=0,(x,y,z)为点的三维坐标值,计算所述集合C中各点到最优平面η0的距离,若距离小于阈值dth,则认为该点是属于此平面的内点,将所述集合C上所有的点的集合记为I0,称为集合C0的一致集,若I0中点的数量大于阈值Nth,则认为此方程η0是正确的,对I0中的所有的点使用最小二乘法计算出新的平面方程ηl,若I0中点的数量小于阈值Nth,则认为平面模型η0是错误的;设定的抽样次数为m次,若一直未找到集合C0的一致集,则算法失败,否则选取抽样后得到的最大集合C0的一致集Imax,以其对应的平面模型ηlmax作为此点云块的平面模型,对应的点的数目为Nlmax
进一步地,所述将所述具有平面特征的点云块连接形成特定平面的步骤包括利用广度优先搜索算法将多个具有平面特征的点云块连接成一个特定平面,具体为:S1:将所有具有平面特征的点云块集合记为集合G,从中选取一个未加入任何平面的点云块记为gi,计算gi平面方程ηi与其相邻且未加入任何一个平面的点云块gj的平面方程ηj的欧氏距离,dη=||ηij||,若dη足够小,则认为gi与gj属于同一个大平面,将ηi和ηj取平均作为gi与gj组成的新平面的模型参数,将gi与gj从集合G中去除并组成一个新的集合pi;S2:对gi所有相邻点云块重复步骤S1,标记gi为已使用,对点云块集合pi中未标记使用的点云块继续重复步骤S1,直到pi中所有点云块均为已使用,表明与gi位于同一个大平面的点云块都已加入集合pi中,则该大平面记为Pi;S3:对集合G中的其他点云块重复步骤S1和S2,直到集合G成为空集。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的点云图像的平面提取方法的流程图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
以下结合附图描述根据本发明实施例的点云图像的平面提取方法。
图1是根据本发明一个实施例的点云图像的平面提取方法的流程图。
如图1所示,根据本发明一个实施例的点云图像的平面提取方法,包括以下步骤:
S110:利用传感器采集环境信息获得点云图像并对点云图像进行分块,得到多个点云快。
其中,传感器包括但不限于激光传感器、RGBD传感器、Tof相机和双目可见光相机等。点云图像是指有固定宽度和高度的图像,可与普通数字图像一样使用两个坐标(x,y)确定每个点在图像中的位置。
S120:提取多个点云块中具有平面特征的点云块。
具体来说,点云图像分辨率为W×H,将其分为L2块,则每个点云块中所含有的点云数量为K=w×h,其中w=W/L,h=H/L。
在每个点云块中使用RANSAC算法计算局部平面方程,获得平面内点的数目Nl和归一化平面方程的方程参数ηl=(a,b,c,d)T,l为点云块编号,具体为:将点云块的数量K,记做集合C,按照均匀抽样的原则从集合C中随机选取k0个点作为初始点,记做集合C0;将集合C0中所有的点利用最小二乘法求得最优平面方程η0,方程η0:ax+by+cz+d=0,(x,y,z)为点的三维坐标值,计算集合C中各点到最优平面η0的距离,若距离小于阈值dth,则认为该点是属于此平面的内点,将集合C上所有的点的集合记为I0,称为集合C0的一致集,若I0中点的数量大于阈值Nth,则认为此方程η0是正确的,对I0中的所有的点使用最小二乘法计算出新的平面方程ηl,若I0中点的数量小于阈值Nth,则认为平面模型η0是错误的;设定的抽样次数为m次,若一直未找到集合C0的一致集,则算法失败,否则选取抽样后得到的最大集合C0的一致集Imax,以其对应的平面模型ηlmax作为此点云块的平面模型,对应的点的数目为Nlmax
S130:将具有平面特征的点云块连接形成特定平面。
具体来说,所述将所述具有平面特征的点云块连接形成特定平面的步骤包括利用广度优先搜索算法将多个具有平面特征的点云块连接成一个特定平面,具体为:
S1:将所有具有平面特征的点云块集合记为集合G,从中选取一个未加入任何平面的点云块记为gi,计算gi平面方程ηi与其相邻且未加入任何一个平面的点云块gj的平面方程ηj的欧氏距离,dη=||ηij||,若dη足够小,则认为gi与gj属于同一个大平面,将ηi和ηj取平均作为gi与gj组成的新平面的模型参数,将gi与gj从集合G中去除并组成一个新的集合pi
S2:对gi所有相邻点云块重复步骤S1,标记gi为已使用,对点云块集合pi中未标记使用的点云块继续重复步骤S1,直到pi中所有点云块均为已使用,表明与gi位于同一个大平面的点云块都已加入集合pi中,则该大平面记为Pi
S3:对集合G中的其他点云块重复步骤S1和S2,直到集合G成为空集。
作为一个示例,采用的传感器是微软生产的第一代Kinect,产生的点云图像分辨率为640x480,将其分成100个点云块,每个点云块包含的点云数量K=64×48。
其中,在每个点云块中使用RANSAC算法计算局部平面方程,获得平面内点的数目Nl和归一化平面方程的方程参数ηl=(a,b,c,d)T,l为点云块编号。具体步骤为:
1:从点云块的K个点(记做集合C)中,按照均匀抽样的原则随机选取k0个点作为初始点,记做集合C0
2:在点集C0上利用最小二乘法求得最优平面方程η0:ax+by+cz+d=0。计算集合C中各点到η0平面的距离,若距离小于阈值dth,则认为该点是属于此平面的内点。将C上所有内点集合记为I0,称为C0的一致集。若I0中点的数量大于阈值Nth,则认为此平面方程η0是正确的,对I0中的所有点使用最小二乘法计算出新的平面方程ηl。若I0中点的数量小于阈值Nth,则认为平面模型η0是错误的。在实验过程中取Nth=0.6×K。
3:重复步骤1和2共计20次。若一直未找到一致集,则算法失败;否则选取抽样后得到的最大一致集,以其对应的平面模型ηl作为此点云块的平面模型,最大一致集内点的数目为Nl
4:将所有具有平面特征的点云块集合标记为G,从中选取一个未加入任何大平面的点云块记为gi。计算gi平面方程ηi与其相邻且未加入任何一个大平面的点云块gj的平面方程ηj的欧氏距离,dη=||ηij||。若dη足够小(实验中取值为0.01),则认为gi与gj属于同一个大平面,将ηi和ηj取平均作为gigj组成的新平面的模型参数,将gi与gj从集合G中去除并组成一个新的集合pi
5:对gi所有相邻点云块重复步骤1后,标记gi为已使用。对点云块集合pi中未标记使用的点云块继续重复步骤1,直到pi中所有点云块均为已使用,表明与gi位于同一个大平面的点云块都已加入集合pi中,则该大平面记为Pi
6:对G中的其他点云块重复步骤4和5,直到G成为空集。
本实施案例只是该方法实现方法的一种,细节之处可能有所出入,但都不离本方法范围。
根据本发明实施例的点云图像的平面提取方法,算法简单、效率高,提高了自然场景中平面信息的提取效率,可广泛应用于多种视觉应用,具有良好的可扩展性。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种点云图像的平面提取方法,其特征在于,包括以下步骤:
利用传感器采集环境信息获得点云图像并对点云图像进行分块,得到多个点云快;
提取所述多个点云块中具有平面特征的点云块;
将所述具有平面特征的点云块连接形成特定平面。
2.根据权利要求1所述的点云图像的平面提取方法,其特征在于,所述传感器包括激光传感器、RGBD传感器、Tof相机和双目可见光相机。
3.根据权利要求1所述的点云图像的平面提取方法,其特征在于,所述点云图像是指有固定宽度和高度的图像,可与普通数字图像一样使用两个坐标(x,y)确定每个点在图像中的位置。
4.根据权利要求1所述的点云图像的平面提取方法,其特征在于,所述点云图像分辨率为W×H,将其分为L2块,则每个点云块中所含有的点云数量为K=w×h,其中w=W/L,h=H/L。
5.根据权利要求4所述的点云图像的平面提取方法,其特征在于,所述提取所述多个点云块中具有平面特征的点云块的步骤包括在每个点云块中使用RANSAC算法计算局部平面方程,获得平面内点的数目Nl和归一化平面方程的方程参数ηl=(a,b,c,d)T,l为点云块编号,具体为:
将点云块的数量K,记做集合C,按照均匀抽样的原则从所述集合C中随机选取k0个点作为初始点,记做集合C0
将所述集合C0中所有的点利用最小二乘法求得最优平面方程η0,方程η0:ax+by+cz+d=0,(x,y,z)为点的三维坐标值,计算所述集合C中各点到最优平面η0的距离,若距离小于阈值dth,则认为该点是属于此平面的内点,将所述集合C上所有的点的集合记为I0,称为集合C0的一致集,若I0中点的数量大于阈值Nth,则认为此方程η0是正确的,对I0中的所有的点使用最小二乘法计算出新的平面方程ηl,若I0中点的数量小于阈值Nth,则认为平面模型η0是错误的;
设定的抽样次数为m次,若一直未找到集合C0的一致集,则算法失败,否则选取抽样后得到的最大集合C0的一致集Imax,以其对应的平面模型ηlmax作为此点云块的平面模型,对应的点的数目为Nlmax
6.根据权利要求1所述的点云图像的平面提取方法,其特征在于,所述将所述具有平面特征的点云块连接形成特定平面的步骤包括利用广度优先搜索算法将多个具有平面特征的点云块连接成一个特定平面,具体为:
S1:将所有具有平面特征的点云块集合记为集合G,从中选取一个未加入任何平面的点云块记为gi,计算gi平面方程ηi与其相邻且未加入任何一个平面的点云块gj的平面方程ηj的欧氏距离,dη=||ηij||,若dη足够小,则认为gi与gj属于同一个大平面,将ηi和ηj取平均作为gi与gj组成的新平面的模型参数,将gi与gj从集合G中去除并组成一个新的集合pi
S2:对gi所有相邻点云块重复步骤S1,标记gi为已使用,对点云块集合pi中未标记使用的点云块继续重复步骤S1,直到pi中所有点云块均为已使用,表明与gi位于同一个大平面的点云块都已加入集合pi中,则该大平面记为Pi
S3:对集合G中的其他点云块重复步骤S1和S2,直到集合G成为空集。
CN202010351681.1A 2020-04-28 2020-04-28 点云图像的平面提取方法 Active CN111582285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010351681.1A CN111582285B (zh) 2020-04-28 2020-04-28 点云图像的平面提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010351681.1A CN111582285B (zh) 2020-04-28 2020-04-28 点云图像的平面提取方法

Publications (2)

Publication Number Publication Date
CN111582285A true CN111582285A (zh) 2020-08-25
CN111582285B CN111582285B (zh) 2023-05-23

Family

ID=72124534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010351681.1A Active CN111582285B (zh) 2020-04-28 2020-04-28 点云图像的平面提取方法

Country Status (1)

Country Link
CN (1) CN111582285B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381791A (zh) * 2020-11-13 2021-02-19 北京图知天下科技有限责任公司 一种基于3d点云的螺栓松动检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913489A (zh) * 2016-04-19 2016-08-31 东北大学 一种利用平面特征的室内三维场景重构方法
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
US20170191826A1 (en) * 2016-01-05 2017-07-06 Texas Instruments Incorporated Ground Plane Estimation in a Computer Vision System
CN107590836A (zh) * 2017-09-14 2018-01-16 斯坦德机器人(深圳)有限公司 一种基于Kinect的充电桩动态识别与定位方法及系统
CN108320293A (zh) * 2018-01-26 2018-07-24 南京信息工程大学 一种结合改进粒子群算法的快速点云边界提取技术
CN110443836A (zh) * 2019-06-24 2019-11-12 中国人民解放军战略支援部队信息工程大学 一种基于平面特征的点云数据自动配准方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170191826A1 (en) * 2016-01-05 2017-07-06 Texas Instruments Incorporated Ground Plane Estimation in a Computer Vision System
CN105913489A (zh) * 2016-04-19 2016-08-31 东北大学 一种利用平面特征的室内三维场景重构方法
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
CN107590836A (zh) * 2017-09-14 2018-01-16 斯坦德机器人(深圳)有限公司 一种基于Kinect的充电桩动态识别与定位方法及系统
CN108320293A (zh) * 2018-01-26 2018-07-24 南京信息工程大学 一种结合改进粒子群算法的快速点云边界提取技术
CN110443836A (zh) * 2019-06-24 2019-11-12 中国人民解放军战略支援部队信息工程大学 一种基于平面特征的点云数据自动配准方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FEIYA LI, ET AL: "Advanced Mapping Using Planar Features Segmented from 3D Point Clouds" *
艾效夷等: "机载LiDAR点云数据平面特征提取", 《辽宁工程技术大学学报(自然科学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381791A (zh) * 2020-11-13 2021-02-19 北京图知天下科技有限责任公司 一种基于3d点云的螺栓松动检测方法

Also Published As

Publication number Publication date
CN111582285B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110738143B (zh) 定位方法及装置、设备、存储介质
CN112132972B (zh) 一种激光与图像数据融合的三维重建方法及系统
CN106940704A (zh) 一种基于栅格地图的定位方法及装置
CN111141264B (zh) 一种基于无人机的城市三维测绘方法和系统
CN108519102B (zh) 一种基于二次投影的双目视觉里程计算方法
CN108335337B (zh) 一种正射影像图的生成方法及装置
JP7325332B2 (ja) 三次元点群データ生成方法、および、三次元点群データ生成装置
CN110738618B (zh) 一种基于双目相机的不规则堆料体积测量方法
CN110599545B (zh) 一种基于特征的构建稠密地图的系统
CN110749308B (zh) 使用消费级gps和2.5d建筑物模型的面向slam的室外定位方法
CN114419130A (zh) 一种基于图像特征和三维点云技术的散料体积测量方法
CN113240734B (zh) 一种基于鸟瞰图的车辆跨位判断方法、装置、设备及介质
CN112750203A (zh) 模型重建方法、装置、设备及存储介质
CN111583316B (zh) 一种视觉自主定位系统实现方法
CN107170042A (zh) 一种无序图像的多视立体匹配的三维重建方法
CN111247564A (zh) 一种数字地表模型的构建方法及处理设备、系统
CN112148742A (zh) 地图更新方法及装置、终端、存储介质
CN115880364A (zh) 基于激光点云和视觉slam的机器人位姿估计方法
CN116295412A (zh) 一种基于深度相机的室内移动机器人稠密建图与自主导航一体化方法
CN111582285A (zh) 点云图像的平面提取方法
CN107123138B (zh) 基于vanilla-R点对剔除策略的点云配准方法
CN113808269A (zh) 地图生成方法、定位方法、系统及计算机可读存储介质
CN113807435A (zh) 一种基于多传感器的遥感图像特征点高程获取方法
Li et al. Building variable resolution occupancy grid map from stereoscopic system—A quadtree based approach
Cavestany et al. Improved 3D sparse maps for high-performance SFM with low-cost omnidirectional robots

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