CN111611996B - 一种点云特征点描述子的计算方法 - Google Patents

一种点云特征点描述子的计算方法 Download PDF

Info

Publication number
CN111611996B
CN111611996B CN202010319582.5A CN202010319582A CN111611996B CN 111611996 B CN111611996 B CN 111611996B CN 202010319582 A CN202010319582 A CN 202010319582A CN 111611996 B CN111611996 B CN 111611996B
Authority
CN
China
Prior art keywords
point
spherical region
neighborhood
vector
axis
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
Application number
CN202010319582.5A
Other languages
English (en)
Other versions
CN111611996A (zh
Inventor
纪刚
朱慧
杨丰拓
安帅
柴琦
蒋云飞
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.)
Qingdao Lianhe Chuangzhi Technology Co ltd
Original Assignee
Qingdao Lianhe Chuangzhi Technology Co ltd
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 Qingdao Lianhe Chuangzhi Technology Co ltd filed Critical Qingdao Lianhe Chuangzhi Technology Co ltd
Priority to CN202010319582.5A priority Critical patent/CN111611996B/zh
Publication of CN111611996A publication Critical patent/CN111611996A/zh
Application granted granted Critical
Publication of CN111611996B publication Critical patent/CN111611996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G06T3/604—Rotation of whole images or parts thereof using coordinate rotation digital computer [CORDIC] devices
    • 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
    • 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)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种点云特征点描述子的计算方法，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；求球形区域S1内所有邻域点组成的多面体质心Pc'的坐标；在球形区域S1内重新划分一个同心的球形区域S2，并求球形区域S2内所有邻域点组成的多面体质心Pc”的坐标；在Pc、Pc'、Pc”三个点组成的平面内建立坐标系；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，将所有的向量都分别求出和X、Y、Z轴的夹角，求得一个直方图；并求所有向量的模长，求得另一个直方图；将两个直方图合并成一个，即为中心点的特征描述子。本发明所公开的方法能够解决计算量大的问题，对设备计算力要求较低，可节约成本，鲁棒性高。

Description

一种点云特征点描述子的计算方法
技术领域
本发明涉及一种点云特征点描述子的计算方法。
背景技术
目前，回环检测一种是通过深度学习的方式将点云按照形状划分出来，每个形状赋予不同的定义，对不同的点云按照形状进行匹配，找到最相近的两片点云。但是深度学习方式计算量大，实时性差，对硬件要求较高，在实际应用中限制较多。
另一种方式便是人工创建合适的描述子，通过描述子的相似性对点云进行匹配，此种方式计算量较小，对设备要求较低，但是生成的描述子不具有旋转不变性，所以不同环境下鲁棒性较差。
发明内容
为解决上述技术问题，本发明提供了一种点云特征点描述子的计算方法，以达到解决计算量大的问题，对设备计算力要求较低，一定程度上可以节约成本，拥有较高的鲁棒性的目的。
为达到上述目的，本发明的技术方案如下：
一种点云特征点描述子的计算方法，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，将所有的向量都分别求出和X、Y、Z轴的夹角α、β、γ，求得一个直方图，即一个125维的向量；
步骤五，在新的坐标系下，求出所有的向量的模长，求得另一个直方图，即一个25维的向量；
步骤六，将两个直方图合并成一个，最终得到一个150维的向量，该向量即为中心点Pc的特征描述子。
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：
Figure BDA0002460844110000021
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：
Figure BDA0002460844110000022
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。
上述方案中，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
Figure BDA0002460844110000023
平面法线和这两个向量垂直，因此法向量/>
Figure BDA0002460844110000024
Figure BDA0002460844110000025
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
设坐标系原点为Pc，X轴的方向向量为
Figure BDA0002460844110000031
Z轴的方向向量为/>
Figure BDA0002460844110000032
则Y轴的方向向量为：/>
Figure BDA0002460844110000033
由此，新的坐标系建立完成。
上述方案中，步骤四中，新建的坐标系将空间分成8个象限，则球形区域S1内的所有的邻域点Pn被分割到8个象限当中，设某个邻域点Pt和球心Pc组成的向量为vt，方向是由Pc指向Pt，X，Y，Z三个坐标轴的方向向量为i，j，k；
求向量vt和X轴组成的夹角α，公式如下：
Figure BDA0002460844110000034
同理，再分别求出向量vt和Y轴组成的夹角β，和Z轴组成的夹角γ：
Figure BDA0002460844110000035
Figure BDA0002460844110000036
由上述公式求出球形区域S1内所有邻域点Pn的三个角度，每个角度的取值范围是[0，360°]，然后每72°为一个格，将其均分成5格，则α，β，γ各分成5格，总共有5×5×5个格子，每个格子里面默认的值是0，每个邻域点Pn都会有对应的格子，然后对应的格子的值加1/k，k为球形区域S1内邻域点Pn的个数；最后，将所有的邻域点Pn都放到对应的格子里面，最终得到一个直方图，即一个125维的向量。
上述方案中，步骤五中，在新的坐标系下计算向量vt(xt,yt,zt)的模长的方法如下：
Figure BDA0002460844110000041
其模长的取值范围为[0，r]，其中r为球形区域S1的半径，然后将[0，r]均分成25个初始值为0的格子，每个邻域点Pn的向量的模长都会有对应的格子，对应格子的数值加1/k，k为球形区域S1内邻域点Pn的个数，最后得到另一个直方图，即一个25维的向量。
通过上述技术方案，本发明提供的点云特征点描述子的计算方法具有如下有益效果：
1、本发明提出了一种新的点云特征点描述子的计算方法，提供一种新的处理点云的思路。
2、本发明不使用深度学习，而是使用人工创建描述子的方式，计算量较小，对设备计算力要求较低，一定程度上可以节约成本。
3、人工创建的坐标系能够使得描述子具有旋转不变性，在匹配时能够获取更好的效果，位姿计算更加准确，鲁棒性较高。
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点云特征点描述子的计算方法流程示意图；
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的示意图；
图4为新建的坐标系示意图；
图5为向量vt和X、Y、Z轴的夹角示意图。
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。
本发明提供了一种点云特征点描述子的计算方法，如图1所示，该方法包括如下步骤：
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，如图2所示；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：
Figure BDA0002460844110000051
其中，k为邻域点Pn的个数。
步骤二，在球形区域S1内重新划分一个同心的球形区域S2，如图3所示，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：
Figure BDA0002460844110000052
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；
三点坐标如下：Pc(x1,y1,z1)，Pc'(x2,y2,z2)，Pc”(x3,y3,z3)，做向量
Figure BDA0002460844110000053
Figure BDA0002460844110000054
平面法线和这两个向量垂直，因此法向量/>
Figure BDA0002460844110000055
Figure BDA0002460844110000061
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
设坐标系原点为Pc，X轴的方向向量为
Figure BDA0002460844110000062
Z轴的方向向量为/>
Figure BDA0002460844110000063
则Y轴的方向向量为：/>
Figure BDA0002460844110000064
由此，新的坐标系建立完成。
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，将所有的向量都分别求出和X、Y、Z轴的夹角α、β、γ，如图5所示，求得一个直方图，即一个125维的向量；
新建的坐标系将空间分成8个象限，则球形区域S1内的所有的邻域点Pn被分割到8个象限当中，设某个邻域点Pt和球心Pc组成的向量为vt，如图4所示，方向是由Pc指向Pt，X，Y，Z三个坐标轴的方向向量为i，j，k；
求向量vt和X轴组成的夹角α，公式如下：
Figure BDA0002460844110000065
同理，再分别求出向量vt和Y轴组成的夹角β，和Z轴组成的夹角γ：
Figure BDA0002460844110000071
Figure BDA0002460844110000072
由上述公式求出球形区域S1内所有邻域点Pn的三个角度，每个角度的取值范围是[0，360°]，然后每72°为一个格，将其均分成5格，则α，β，γ各分成5格，总共有5×5×5个格子，每个格子里面默认的值是0，每个邻域点Pn都会有对应的格子，然后对应的格子的值加1/k，k为球形区域S1内邻域点Pn的个数；最后，将所有的邻域点Pn都放到对应的格子里面，最终得到一个直方图，即一个125维的向量，如表1所示。
表1 125维的向量
Figure BDA0002460844110000073
步骤五，求出所有的向量的模长，求得另一个直方图，即一个25维的向量；
在新的坐标系下计算向量vt(xt,yt,zt)的模长的方法如下：
Figure BDA0002460844110000074
其模长的取值范围为[0，r]，其中r为球形区域S1的半径，然后将[0，r]均分成25个初始值为0的格子，每个邻域点Pn的向量的模长都会有对应的格子，对应格子的数值加1/k，k为球形区域S1内邻域点Pn的个数，最后得到另一个直方图，即一个25维的向量，如表2所示。
表2 25维的向量
格子序号 0 1 ... 23 24
取值 |vt|∈[0,r/25) |vt|∈[r/25,2r/25) ... |vt|∈[23r/25,24r/25) |vt|∈[24r/25,r]
格子数值 0 0 ... 0 0
步骤六，将两个直方图合并成一个，最终得到一个150维的向量，该向量即为中心点Pc的特征描述子。
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 (6)

1.一种点云特征点描述子的计算方法，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，将所有的向量都分别求出和X、Y、Z轴的夹角α、β、γ，求得一个直方图，即一个125维的向量；
步骤五，在新的坐标系下，求出所有的向量的模长，求得另一个直方图，即一个25维的向量；
步骤六，将两个直方图合并成一个，最终得到一个150维的向量，该向量即为中心点Pc的特征描述子。
2.根据权利要求1所述的一种点云特征点描述子的计算方法，其特征在于，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：
Figure FDA0004109081670000011
其中，k为邻域点Pn的个数。
3.根据权利要求2所述的一种点云特征点描述子的计算方法，其特征在于，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：
Figure FDA0004109081670000021
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。
4.根据权利要求3所述的一种点云特征点描述子的计算方法，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
Figure FDA0004109081670000022
Figure FDA0004109081670000023
平面法线和这两个向量垂直，因此法向量/>
Figure FDA0004109081670000024
Figure FDA0004109081670000025
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
设坐标系原点为Pc，X轴的方向向量为
Figure FDA0004109081670000026
Z轴的方向向量为/>
Figure FDA0004109081670000027
则Y轴的方向向量为：
Figure FDA0004109081670000028
由此，新的坐标系建立完成。
5.根据权利要求4所述的一种点云特征点描述子的计算方法，其特征在于，步骤四中，新建的坐标系将空间分成8个象限，则球形区域S1内的所有的邻域点Pn被分割到8个象限当中，设某个邻域点Pt和球心Pc组成的向量为vt，方向是由Pc指向Pt，X，Y，Z三个坐标轴的方向向量为i，j，k；
求向量vt和X轴组成的夹角α，公式如下：
Figure FDA0004109081670000031
同理，再分别求出向量vt和Y轴组成的夹角β，和Z轴组成的夹角γ：
Figure FDA0004109081670000032
Figure FDA0004109081670000033
由上述公式求出球形区域S1内所有邻域点Pn的三个角度，每个角度的取值范围是[0，360°]，然后每72°为一个格，将其均分成5格，则α，β，γ各分成5格，总共有5×5×5个格子，每个格子里面默认的值是0，每个邻域点Pn都会有对应的格子，然后对应的格子的值加1/k，k为球形区域S1内邻域点Pn的个数；最后，将所有的邻域点Pn都放到对应的格子里面，最终得到一个直方图，即一个125维的向量。
6.根据权利要求5所述的一种点云特征点描述子的计算方法，其特征在于，步骤五中，在新的坐标系下计算向量vt(xt,yt,zt)的模长的方法如下：
Figure FDA0004109081670000034
其模长的取值范围为[0，r]，其中，r为球形区域S1的半径，然后将[0，r]均分成25个初始值为0的格子，每个邻域点Pn的向量的模长都会有对应的格子，对应格子的数值加1/k，k为球形区域S1内邻域点Pn的个数，最后得到另一个直方图，即一个25维的向量。
CN202010319582.5A 2020-04-22 2020-04-22 一种点云特征点描述子的计算方法 Active CN111611996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010319582.5A CN111611996B (zh) 2020-04-22 2020-04-22 一种点云特征点描述子的计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010319582.5A CN111611996B (zh) 2020-04-22 2020-04-22 一种点云特征点描述子的计算方法

Publications (2)

Publication Number Publication Date
CN111611996A CN111611996A (zh) 2020-09-01
CN111611996B true CN111611996B (zh) 2023-06-20

Family

ID=72202167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010319582.5A Active CN111611996B (zh) 2020-04-22 2020-04-22 一种点云特征点描述子的计算方法

Country Status (1)

Country Link
CN (1) CN111611996B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112750144B (zh) * 2020-12-28 2023-03-28 西安理工大学 点云匹配中一种基于特征直方图的点云特征提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118059A (zh) * 2015-08-19 2015-12-02 哈尔滨工程大学 一种多尺度坐标轴夹角特征的点云快速配准方法
GB201701383D0 (en) * 2017-01-27 2017-03-15 Ucl Business Plc Apparatus, method and system for alignment of 3D datasets
CN109389625A (zh) * 2018-10-08 2019-02-26 湖南大学 一种基于多尺度描述子筛除误匹配的三维图像配准方法
WO2019080488A1 (zh) * 2017-10-27 2019-05-02 东南大学 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217459B (zh) * 2014-09-04 2017-03-29 天津大学 一种球面特征提取方法
CN105160344B (zh) * 2015-06-18 2019-01-04 北京大学深圳研究生院 一种三维点云的局部特征提取方法及装置
US9934590B1 (en) * 2015-06-25 2018-04-03 The United States Of America As Represented By The Secretary Of The Air Force Tchebichef moment shape descriptor for partial point cloud characterization
CN107123161A (zh) * 2017-06-14 2017-09-01 西南交通大学 一种基于narf和fpfh的接触网零全网三维重建方法
CN110490912B (zh) * 2019-07-17 2023-03-31 哈尔滨工程大学 基于局部灰度顺序模型描述符的3d-rgb点云配准方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118059A (zh) * 2015-08-19 2015-12-02 哈尔滨工程大学 一种多尺度坐标轴夹角特征的点云快速配准方法
GB201701383D0 (en) * 2017-01-27 2017-03-15 Ucl Business Plc Apparatus, method and system for alignment of 3D datasets
WO2019080488A1 (zh) * 2017-10-27 2019-05-02 东南大学 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法
CN109389625A (zh) * 2018-10-08 2019-02-26 湖南大学 一种基于多尺度描述子筛除误匹配的三维图像配准方法

Also Published As

Publication number Publication date
CN111611996A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN109215129B (zh) 一种基于三维点云的局部特征描述方法
CN109993748B (zh) 一种基于点云处理网络的三维网格物体分割方法
US20220254059A1 (en) Data Processing Method and Related Device
WO2022077863A1 (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN111611996B (zh) 一种点云特征点描述子的计算方法
CN1648935A (zh) 基于极光谱图像的三维人脸识别方法
Tatsuma et al. Food image recognition using covariance of convolutional layer feature maps
CN106097324A (zh) 一种非刚体三维形状对应点确定方法
CN108921904B (zh) 利用单个球及渐近线的性质标定针孔摄像机的方法
CN107843261A (zh) 一种基于激光扫描数据定位机器人位置的方法和系统
CN111127667B (zh) 基于区域曲率二进制描述符的点云初始配准方法
WO2020232666A1 (zh) 一种图像处理方法、终端、系统以及计算机可读存储介质
CN114842260B (zh) 一种基于蓝图分离卷积的点云分类方法
CN114022526B (zh) 一种基于三维形状上下文的sac-ia点云配准方法
CN111553343B (zh) 一种激光点云特征的提取方法
CN109191528B (zh) 利用球像与圆环点极线的性质标定针孔摄像机的方法
Moon et al. Fast image-matching technique robust to rotation in spherical images
CN111009004B (zh) 一种加速图像匹配的硬件优化方法
CN105913068A (zh) 一种用于描述图像特征的多维方向梯度表示方法
CN113954079B (zh) 一种同质模块化机器人通用数学表征方法
KR102450166B1 (ko) 이미지의 편위 수정 방법 및 시스템
CN113744227B (zh) 一种基于多种易混淆小部件的语义分割方法
CN109215088B (zh) 利用公共自极三角形标定针孔摄像机的方法
Chen et al. A New Class of Orthogonal Spline Moments and Its Application
CN117152217A (zh) 基于特征值偏离比的点云配准方法

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