CN111626096B - 一种三维点云数据兴趣点提取方法 - Google Patents
一种三维点云数据兴趣点提取方法 Download PDFInfo
- Publication number
- CN111626096B CN111626096B CN202010270058.3A CN202010270058A CN111626096B CN 111626096 B CN111626096 B CN 111626096B CN 202010270058 A CN202010270058 A CN 202010270058A CN 111626096 B CN111626096 B CN 111626096B
- Authority
- CN
- China
- Prior art keywords
- point
- interest
- points
- vector
- cloud data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 19
- 238000004378 air conditioning Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- 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
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种三维点云数据兴趣点提取方法，包括如下步骤：步骤1）计算单点的突出度特征：设当前点为，获得的k个近邻点，计算由k个近邻点指向方向的归一化的向量集合与平均合向量，得到的突出度特征值；步骤2）提取候选兴趣点：设置经验阈值，设定点云物体所有点的突出度特征大于经验阈值的点为初始兴趣点，对于每一个初始兴趣点，选取及对应的k个近邻点中具有最大突出度特征的点为代表的候选兴趣点,每次候选兴趣点提取操作后给予该兴趣点1次投票；最终按得票数量进行最终兴趣点筛选，完成兴趣点的选取。有益效果：与实际的人工标识的兴趣点重复度较高且优于传统算法。
Description
技术领域
本发明属于图像分析与处理技术领域，尤其涉及一种三维点云数据兴趣点提取方法。
背景技术
与2D视觉相比，3D视觉具有信息更为丰富全面、光照变化鲁棒性强、目标空间信息更为直观准确等优势。随着3D数据获取传感器技术的迅猛发展，以及机器学习、机器视觉等领域算法技术的进一步成熟，基于3D视觉的物体识别、场景理解等方面研究热度与年俱增，其成果在自动化作业、工业检测、机器人导航、虚拟现实、人机交互、遥感测量等领域逐渐得以普及应用。
兴趣点(Interest Point)也称关键点(Key Point)，兴趣点提取是3D视觉核心基础技术之一。研究表明人类对于物体表面上的重大局部变化感兴趣，因而评价算法性能的一个重要方法就是在同一个模型上将其与人工标识出的兴趣点位置相比较，若与人工标识出的兴趣点越接近，则表明算法越智能。
人类对于兴趣点的判断方式为：将被不同人所标记的且其距离小于设定半径的兴趣点合并为一组，再摒弃兴趣点个数小于设定阈值的组(即很少人感兴趣的点)形成兴趣点组，选择各兴趣点组中的中心点作为这一组的代表点，将这些代表点作为最终的人工标识的真实兴趣点集。
3D点云数据兴趣点提取目前通过一定的检测算法，例如：3D Harris和3D Sift等算法，从目标点云数据中提取稳定的、标志性的特征点，为后续的物体跟踪、目标配准、目标建模、空间结构描述、物体识别等高层视觉算法服务，但上述算法实现的兴趣点提取与人工标识的兴趣点集的重复度不高。
发明内容
本发明的目的是鉴于三维点云兴趣点检测对于点云配准，目标检索和物体识别等技术的重要性，设计了一种新的三维点云数据兴趣点提取方法，具体由以下技术方案实现：
所述三维点云数据兴趣点提取方法，包括如下步骤：
步骤1)计算单点的突出度特征：设当前点为Pi，获得Pi的k个近邻点，计算由k个近邻点指向Pi方向的归一化的向量集合V与平均合向量vi，并搜索V中与vi最大的夹角向量，设定夹角向量的夹角为θ，则Pi的突出度特征值为||vi||2×e|cos(θ)|，其中||vi||2为向量vi的二范数，ci为点Pi的局部锥度特征；步骤2)提取候选兴趣点：设置经验阈值，设定点云物体所有点的突出度特征大于经验阈值的点为初始兴趣点，对于每一个初始兴趣点Pi，选取Pi及该Pi对应的k个近邻点中具有最大突出度特征的点为代表Pi的候选兴趣点,每次候选兴趣点提取操作后给予该兴趣点1次投票；最终按得票数量进行最终兴趣点筛选，完成兴趣点的选取。
所述三维点云数据兴趣点提取方法的进一步设计在于，所述步骤1)中设定对于中每一点Pj，定义由点Pj指向点Pi的向量为vji，vji归一化为单位向量uji，获得向量集，根据式(1)计算平均合向量vi，
所述三维点云数据兴趣点提取方法的进一步设计在于，所述步骤1)中，归一化vi为单位向量ui，分别计算V中各向量与ui的内积，获得内积集合，根据式(2)选取P中的最小值ci作为点Pi的局部锥度特征，
式(2)中符号表示点积运算，ci反映了锥面锥度的大小，ci的正负则反映了锥面的外凸或内凹特征，如果ci>0表示Pi点附近区域具有外锥面特征，如果ci＜0则表示Pi点附近区域具有内锥面特征。
所述三维点云数据兴趣点提取方法的进一步设计在于，所述步骤2)中设定突出度特征值服从高斯分布N(μ，σ2)，计算所有点的突出度特征值的均值μ与标准差σ，则定义全局阈值t为：
t＝μ+σ (3)
获得初始兴趣点集合。
所述三维点云数据兴趣点提取方法的进一步设计在于，所述步骤2)中对于S1中每一点pm，搜索其自身及k近邻中突出度特征值最大的点，作为该点兴趣点的代表，pm的候选兴趣点表示为：
根据式(4)获得候选兴趣点集合S2，pmax(m)有可能是pm自身，存在多个点拥有同一个候选兴趣点的情况，在得到pm的候选兴趣点pmax(m)同时，点pmax(m)得票数vote(pmax(m))加1，在实施二次搜索之前，所有初始兴趣点pm的得票数vote(pm)应均初始化为0。
所述三维点云数据兴趣点提取方法的进一步设计在于，所述步骤3)中将兴趣点票数阈值设为k/3，其中k为近邻个数，根据式(5)得到最终兴趣点集合S：
本发明的优点如下：
本发明的三维点云数据兴趣点提取方法采用局部区域锥度特征，基于锥体是三维物体的基元特征的原理，将点云物体的局部几何特征近似表达为该局部区域的锥度特征。对于点云物体，本发明的方法应用当前点及其近邻点，获取以当前点位代表的局部区域的锥度特征，并基于此进行兴趣点的提取，具备计算量较小，性能稳定的效果，与实际的人工标识的兴趣点集的重复度较高且优于传统算法。
附图说明
图1为本发明三维点云数据兴趣点提取方法的流程示意图。
图2为向量集V中向量的合向量的示意图。
图3为第一种算法性能模拟方式示意图。
图4为第一种算法性能模拟方式的模拟结果示意图。
图5为第二种算法性能模拟方式示意图。
图6为第二种算法性能模拟方式的模拟结果示意图。
图7为检测结果示意图。
具体实施方式
结合具体实施例与附图对本发明的技术方案进一步说明。
如图1，本实施例的三维点云数据兴趣点提取方法，包括如下步骤：
步骤1)计算单点的突出度特征：设当前点为Pi，获得Pi的k个近邻点，计算由k个近邻点指向Pi方向的归一化的向量集合V与平均合向量vi，并搜索V中与vi最大的夹角向量，设定夹角向量的夹角为θ，则Pi的突出度特征值为||vi||2×e|cos(θ)|，其中||vi||2为向量vi的二范数，ci为点Pi的局部锥度特征。
步骤2)提取候选兴趣点：设置经验阈值，设定点云物体所有点的突出度特征大于经验阈值的点为初始兴趣点，对于每一个初始兴趣点Pi，选取Pi及该Pi对应的k个近邻点中具有最大突出度特征的点为代表Pi的候选兴趣点,每次候选兴趣点提取操作后给予该兴趣点1次投票；最终按得票数量进行最终兴趣点筛选，完成兴趣点的选取。
步骤1)中设定对于中每一点Pj，定义由点Pj指向点Pi的向量为vji，vji归一化为单位向量uji，获得向量集/>，根据式(1)计算平均合向量vi，参见图2
步骤1)中，归一化vi为单位向量ui，分别计算V中各向量与ui的内积，获得内积集合，根据式(2)选取P中的最小值ci作为点Pi的局部锥度特征，
式(2)中符号表示点积运算，ci反映了锥面锥度的大小，ci的正负则反映了锥面的外凸或内凹特征，如果ci>0表示Pi点附近区域具有外锥面特征，如果ci＜0则表示Pi点附近区域具有内锥面特征。
步骤2)中设定突出度特征值服从高斯分布N(μ，σ2)，计算所有点的突出度特征值的均值μ与标准差σ，则定义全局阈值t为：
t＝μ+σ (3)
获得初始兴趣点集合。
步骤2)中对于S1中每一点pm，搜索其自身及k个近邻中突出度特征值最大的点，作为该点兴趣点的代表，pm的候选兴趣点表示为：
根据式(4)获得候选兴趣点集合S2，pmax(m)有可能是pm自身，存在多个点拥有同一个候选兴趣点的情况，在得到pm的候选兴趣点pmax(m)同时，点pmax(m)得票数vote(pmax(m))加1，在实施二次搜索之前，所有初始兴趣点pm的得票数vote(pm)应均初始化为0。
所述三维点云数据兴趣点提取方法的进一步设计在于，所述步骤2)中将兴趣点票数阈值设为k/3，其中k为近邻个数，根据式(5)得到最终兴趣点集合S：
本实施例的三维点云数据兴趣点提取方法的算法伪代码如下：
本实施例还提供两种性能检测方式：
鉴于本方法中均首先将点云数据每一点与其近邻的差向量归一化后再进行计算，这里以分布于单位圆上的点来模拟当前点的近邻点，以该单位圆圆心表示当前点，此时差向量均为单位向量。
方法1：当前点Pi近邻点在单位圆上按1°步长均布，即Pi拥有360个近邻点。选取一差矢量为0°起始边，以1°为步长，分别计算0°—359°锥角下合向量二范数(||vi||2)、合向量与近邻差向量的最小内积(即最大夹角余弦，ci)、以ci绝对值为变量的e指数函数突出度值/>计算某一锥角θ的上述值时，仅视锥角之间的点为有效近邻点，处于锥角之外的近邻点不参与计算(参见图3)。仿真结果如图4所示。
方法2：仍以1°为步长，选取一差矢量为0°起始边，分别计算0°—359°锥角下方法1中所列的参数。计算某一锥角θ的系列参数值时，以在单位圆上按1°步长均布的360个点为候选近邻点，设定近邻数k，在确定了锥角θ的起始、终止矢量边(近邻点)后，在锥角θ所包络的候选点中随机选取k-2个近邻点，由于选取过程随机，故极有可能产生点的复选现象，进而有可能导致近邻点分布的极度不均(参见图5)，这有利于检验算法的鲁棒性。模拟结果如图6所示。
由两种方法的模拟结果可以看出，本算法所描述锥度特征较为准确。方法2的随机模拟中，在近邻点分布极度不均的情况下，大多数情况下仍能获得正确的特征描述结果。
如图7，展示了本算法点云物体兴趣点检测的结果，同时也展示了3D Harris、3DSift等传统算法的检测结果。由结果可以看出，本算法所检测兴趣点与人工标识的兴趣点集重复度较高，优于所列举传统算法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种三维点云数据兴趣点提取方法，其特征在于包括如下步骤：
步骤1)计算单点的突出度特征：设当前点为Pi，获得Pi的k个近邻点，计算由k个近邻点指向Pi方向的归一化的向量集合V与平均合向量vi，并搜索V中与vi最大的夹角向量，设定夹角向量的夹角为θ，则Pi的突出度特征值为||vi||2×e|cos(θ)|，其中||vi||2为向量vi的二范数，ci为点Pi的局部锥度特征；步骤2)提取候选兴趣点：设置经验阈值，设定点云物体所有点的突出度特征大于经验阈值的点为初始兴趣点，对于每一个初始兴趣点Pi，选取Pi及该Pi对应的k个近邻点中具有最大突出度特征的点为代表Pi的候选兴趣点，每次候选兴趣点提取操作后给予该兴趣点1次投票；最终按得票数量进行最终兴趣点筛选，完成兴趣点的选取；
所述步骤1)中设定对于中每一点Pj，定义由点Pj指向点Pi的向量为vji，vji归一化为单位向量uji，获得向量集/>根据式(1)计算平均合向量vi，
所述步骤1)中，归一化vi为单位向量ui，分别计算V中各向量与ui的内积，获得内积集合根据式(2)选取P中的最小值ci作为点Pi的局部锥度特征，
式(2)中符号表示点积运算，ci反映了锥面锥度的大小，ci的正负则反映了锥面的外凸或内凹特征，如果ci＞0表示Pi点附近区域具有外锥面特征，如果ci＜0则表示Pi点附近区域具有内锥面特征；
所述步骤2)中将兴趣点票数阈值设为k/3，其中k为近邻个数，根据式(5)得到最终兴趣点集合S：
2.根据权利要求1所述的三维点云数据兴趣点提取方法，其特征在于所述步骤2)中设定突出度特征值服从高斯分布N(μ，σ2)，计算所有点的突出度特征值的均值μ与标准差σ，则定义全局阈值t为：
t＝μ+σ (3)
获得初始兴趣点集合
3.根据权利要求1所述的三维点云数据兴趣点提取方法，其特征在于所述步骤2)中对于S1中每一点pm，搜索其自身及k个近邻中突出度特征值最大的点，作为点pm兴趣点的代表，pm的候选兴趣点表示为：
根据式(4)获得候选兴趣点集合S2，pmax(m)有可能是pm自身，存在多个点拥有同一个候选兴趣点的情况，在得到pm的候选兴趣点pmax(m)同时，点pmax(m)得票数vote(pmax(m))加1，在实施二次搜索之前，所有初始兴趣点pm的得票数vote(pm)应均初始化为0。
4.根据权利要求1所述的三维点云数据兴趣点提取方法，其特征在于所述步骤2)中将兴趣点票数阈值设为k/3，其中k为近邻个数，根据式(5)得到最终兴趣点集合S：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010270058.3A CN111626096B (zh) | 2020-04-08 | 2020-04-08 | 一种三维点云数据兴趣点提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010270058.3A CN111626096B (zh) | 2020-04-08 | 2020-04-08 | 一种三维点云数据兴趣点提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626096A CN111626096A (zh) | 2020-09-04 |
| CN111626096B true CN111626096B (zh) | 2023-08-08 |
Family
ID=72259701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010270058.3A Active CN111626096B (zh) | 2020-04-08 | 2020-04-08 | 一种三维点云数据兴趣点提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626096B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485789B (zh) * | 2023-06-16 | 2023-08-25 | 新创碳谷集团有限公司 | 一种碳纤维劈丝缺陷检测方法、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
| CN104616278A (zh) * | 2013-11-05 | 2015-05-13 | 北京三星通信技术研究有限公司 | 三维点云兴趣点检测方法和系统 |
| CN105740859A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种基于几何测度和稀疏优化的三维兴趣点检测方法 |
| CN110334704A (zh) * | 2019-06-21 | 2019-10-15 | 浙江大学宁波理工学院 | 基于分层学习的三维模型兴趣点提取方法及系统 |
-
2020
- 2020-04-08 CN CN202010270058.3A patent/CN111626096B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
| CN104616278A (zh) * | 2013-11-05 | 2015-05-13 | 北京三星通信技术研究有限公司 | 三维点云兴趣点检测方法和系统 |
| CN105740859A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种基于几何测度和稀疏优化的三维兴趣点检测方法 |
| CN110334704A (zh) * | 2019-06-21 | 2019-10-15 | 浙江大学宁波理工学院 | 基于分层学习的三维模型兴趣点提取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111626096A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109360232B (zh) | 基于条件生成对抗网络的室内场景布局估计方法和装置 | |
| Wahl et al. | Surflet-pair-relation histograms: a statistical 3D-shape representation for rapid classification | |
| CN110659591B (zh) | 基于孪生网络的sar图像变化检测方法 | |
| CN107480620B (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
| CN102460508B (zh) | 图像识别方法和图像识别设备 | |
| Leng et al. | A multi‐scale plane‐detection method based on the Hough transform and region growing | |
| CN105303152B (zh) | 一种人体再识别方法 | |
| CN105976378A (zh) | 基于图模型的显著性目标检测方法 | |
| CN103077512A (zh) | 基于主成分析的数字图像的特征提取与匹配方法及装置 | |
| CN107067413A (zh) | 一种时空域统计匹配局部特征的运动目标检测方法 | |
| Logoglu et al. | Cospair: colored histograms of spatial concentric surflet-pairs for 3d object recognition | |
| CN106096658B (zh) | 基于无监督深度空间特征编码的航拍图像分类方法 | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN108320310B (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
| CN106600613A (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
| CN105956581B (zh) | 一种快速的人脸特征点初始化方法 | |
| CN105139013A (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
| CN111626096B (zh) | 一种三维点云数据兴趣点提取方法 | |
| CN115359525A (zh) | 基于深度学习的人脸检测与识别方法及装置 | |
| Liu et al. | Deep learning of directional truncated signed distance function for robust 3D object recognition | |
| Srivastava et al. | Drought stress classification using 3D plant models | |
| Elashry et al. | Feature matching enhancement using the graph neural network (gnn-ransac) | |
| CN110738194A (zh) | 一种基于点云有序编码的三维物体识别方法 | |
| CN107229935B (zh) | 一种三角形特征的二进制描述方法 | |
| Proenca et al. | SHREC’15 Track: Retrieval of Oobjects captured with kinect one camera |
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 |