CN111814774B - 一种5d纹理网格数据结构 - Google Patents

一种5d纹理网格数据结构 Download PDF

Info

Publication number
CN111814774B
CN111814774B CN202010944233.2A CN202010944233A CN111814774B CN 111814774 B CN111814774 B CN 111814774B CN 202010944233 A CN202010944233 A CN 202010944233A CN 111814774 B CN111814774 B CN 111814774B
Authority
CN
China
Prior art keywords
point
point cloud
data structure
ordering
row
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
CN202010944233.2A
Other languages
English (en)
Other versions
CN111814774A (zh
Inventor
高磊
田希文
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.)
Suzhou Pavel Intelligent Technology Co ltd
Original Assignee
Seizet Technology Shenzhen 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 Seizet Technology Shenzhen Co Ltd filed Critical Seizet Technology Shenzhen Co Ltd
Priority to CN202010944233.2A priority Critical patent/CN111814774B/zh
Publication of CN111814774A publication Critical patent/CN111814774A/zh
Application granted granted Critical
Publication of CN111814774B publication Critical patent/CN111814774B/zh
Priority to PCT/CN2021/116728 priority patent/WO2022052893A1/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种5D纹理网格数据结构，用于点云数据的四角网格重构，所述5D纹理网格数据结构包括拓扑连接的多个半边四角网格，每个所述半边四角网格包括一四角面片、设于四角面片上的四个顶点Smn，Sm,n+1.Sm+1,n，Sm+1,n+1以及多个半边，其中，基于所述点云数据中任意一点Pij以及Pij的三个相邻点获取对应的四个所述顶点，每个所述顶点存储点云数据中对应点Pij的3D位置坐标（x，y，z）、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引。3D点云转化为5D纹理网格数据结构后，使用顶点、半边、四角面片的连接关系进行索引，可有效表征三维物体的全方位信息。

Description

一种5D纹理网格数据结构
技术领域
本发明属于涉及计算机图形和计算机视觉技术领域，特别涉及一种用于点云的数据网格化的5D纹理网格数据结构。
背景技术
在工业制造、物流等领域，机床上下料、零件分拣、货品拆零拣选等无序分拣任务对于传统人工操作的方式来说，劳动强度大、分拣效率低、招工难度大。机器人无序分拣技术越来越多地替代人工，成为相关产业降本增效、智能化升级的重要手段。机器人无序分拣依靠视觉识别方法定位待分拣物体，进而引导机器人末端完成物体的抓取和放置操作。一般采用2D图像、3D点云或网格等方式表征物体信息，物体的视觉识别方法可分为2D方法和3D方法两类。
目前传统的2D视觉或3D视觉识别方法尚不能解决海量无序姿态工件的通用准确识别问题，难以应对电商物流的无序分拣需求。当待扫描工件的姿态倾角较大、杂乱堆叠时，比如进行位于周转箱侧放的桶装方便面识别，传统2D方法需要制作多个不同视角的模板进行匹配定位，这样面对海量工件时，建立模板工作量过于庞大；当待检测工件紧密放置时，3D视觉方法难以分割场景中的不同物体，且对物体形状变化较小的待检测工件难以适应，比如识别位于周转箱内紧密排列的手机包装盒。只有识别工件的完整形状（包括侧面和底面）等，才能工件实现准确码放，避免抓取贵重工件时损伤工件，而传统的2D/3D视觉识别方法，都只能基于工件上表面的局部信息进行识别，难以判断待测工件的完整形状，对准确码放难以适应。
上述问题的出现主要是由于现有视觉识别方法受限于表征三维物体的数据结构，其中得益于2D图像的矩阵形式，2D视觉中图像处理方法都十分成熟，但2D图像难以表示三维物体的全方位信息；在3D视觉处理中，现有3D图像处理方法大多基于无序点云，难以实现类似2D的有序邻域访问，从而无法利用2D的纹理特征；基于有序点云的3D图像处理方法，由于有序点云仅能表达工件的上表面信息，对底面和侧面无法表达，也无法实现完整形状的表达。
发明内容
本发明的目的是提供一种5D纹理网格数据结构（SeizetColorMesh），用以将点云网格化，点云数据基于纹理网格的数据结构的数据表示后，呈拓扑结构且可有效表征三维物体的全方位信息，故2D以及3D的图像处理算法均可适用，从而实现了更强大的感知识别效果，也为机器人面对海量无序状态的工件抓取奠定了数据结构基础。
为实现上述目的，本发明提供一种5D纹理网格数据结构，所述5D纹理网格数据结构用于点云数据的四角网格重构，所述5D纹理网格数据结构包括多个半边四角网格，每个所述半边四角网格包括一四角面片、设于四角面片上的四个顶点Smn，Sm,n+1.Sm+1,n，Sm+1,n+1以及多个半边，其中，基于所述点云数据中任意一点Pij以及Pij的三个相邻点获取对应的四个所述顶点，每个所述顶点存储点云数据中对应点Pij的3D位置坐标（x，y， z）、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引。
优选的，基于所述点云数据中任意一点Pij以及Pij的三个相邻点获取对应的四个所述顶点包括：
对于所述点云中的任意一点Pij，添加所述Pij的3D位置坐标（x，y， z）法向量、颜色信息以获取顶点Smn，建立所述Pij与所述顶点Smn之间一一对应索引关系；
获取所述点云中各点的行列排序；
对点云数据中的任一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi,j+1,Pi+1,j+1,Pi+1,j；
依据所述索引关系，获取Pi,j,Pi,j+1,Pi+1,j+1,Pi+1,j各自分别对应的四个顶点Smn，Sm,n+1.Sm+1,n，Sm+1,n+1。
进一步的，对任意一点Pij，若无法查找到对应的三个相邻点Pi,j+1、Pi+1,j+1、Pi+1,j，则跳过Pij相邻点查找，继续点云中下一个点的相邻点查找。
优选的，所述点云为有序点云，获取所述点云中各点的行列排序包括：遍历所述有序点云，读取有序点云中各点Pij的行坐标i和列坐标j，以获取所述点云数据中各点的行列排序。
优选的，所述点云为无序点云，获取所述点云中各点的行列排序为对点云中的各点进行排序，分别获取所述点云数据中各点Pij的按行排序和按列排序。
进一步的，所述按行排序获取包括：对于无序点云中的任意两点，根据x/z和y/z的大小对无序点云中的点Pij进行排序， 比较二者的y/z大小，并将y/z值较大的点排在后面，若二者y/z值相同，则比较x/z值大小，并将x/z值较大的点排在后面；若二者x/z值也相同，则删除其中一点，以获取所述按行排序；
和/或，所述按列排序获取包括：对于无序点云中的任意两点，根据x/z和y/z的大小对无序点云中的点Pij进行排序，比较二者x/z值大小，并将x/z值较大的点排在后面，若二者x/z值相同，则比较y/z值大小，并将y/z值较大的点排在后面；若二者y/z值也相同，则删除其中一点，以获取所述按列排序。
更进一步的，对于任一点Pij，依照所述按行排序和按列排序中的索引规则查找所述无序点云中Pij的相邻点Pi,j+1,Pi+1,j+1,Pi+1,j包括如下步骤：
确定所述Pij在所述按行排序中的位置，并将Pij在所述按行排序中后一个点作为所述Pij的相邻点Pi,j+1；
确定所述Pi,j+1在所述按列排序中的位置，并将所述Pi,j+1在所述按列排序中后一个点作为所述Pij的相邻点Pi+1,j+1；
确定Pij在所述按列排序中的位置，并将Pij在所述按列排序中后一个点作为所述Pij的相邻点Pi+1,j。
优选的，若判断所述四角面片的边长超出阈值，则删除边长超过阈值的所述四角面片。
优选的，基于所述点云数据获取每个所述半边四角网格的四个顶点后，新设一四角面片并按照预定顺序为所述四角面片添加四个所述顶点以生成对应的半边四角网格。
优选的，按照顺时针或逆时针顺序添加所述顶点。
本发明所示的一种5D纹理网格数据结构，用于3D点云的网格化，3D点云转化为5D纹理网格数据结构后，使用顶点、半边、四角面片的连接关系进行索引，可有效表征三维物体的全方位信息。通过本发明提出的SeizetColorMesh，将3D点云转换成SeizetColorMesh后，可综合采用2D以及3D等所有算法，用于点云数据的后续处理，可实现更强大的感知识别效果，进而为机器人面对海量无序状态的工件抓取奠定了数据结构基础。
具体而言，将3D点云转换成SeizetColorMesh后，只需制作1个基于SeizetColorMesh的全方位模板，基于SeizetColorMesh的全方位模板，可提供待识别物体的完整形状和纹理信息（包括侧面和底面），提高了定位精度、可靠性以及通用性，进而可实现机器人在海量无序工件场景下的精准抓取与码放,如实现物体姿态倾角较大、杂乱堆叠场景的识别定位等；此外，还可将2D图像处理方法拓展至SeizetColorMesh，即可实现物体紧密放置场景下的不同物体分割。
附图说明
图1为本发明5D纹理网格数据结构一实施例的结构示意图；
图2为本发明半边四角网格一实施例的结构示意图；
图3为待识别物纸盒的无序点云；
图4为基于图3所示无序点云生成的5D纹理网格数据结构；
图5为图4中虚框内结构的放大图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，而非以任何方式限制本发明的保护范围。
在说明书的全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列相目中的一个或多个的任何和全部组合。在附图中，为了便于说明，已稍微夸大了物体的厚度、尺寸和形状。附图仅为示例 而非严格按比例绘制。
还应理解的是，用语“包括”、“包括有”、“具有”、“包含”和/或“包含有”，当在本说明书中使用时表示存在所陈述的特征、步骤、整体、操作、元件和/或部件，但不排除存在或附加有一个或多个其它特征、步骤、整体、操作、元件、部件和/或它们的组合。
如在说明书中使用的用语“基本上”、 “大约”以及类似的用于用作表示近似的用语，而不用作表示程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。
除非另有限定，否则本文中使用的所有用语(包括技术用语和科学用语)均具有与 本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，用语(例如在常用词 典中定义的用语)应被解释为具有与它们在相关技术的上下文中的含义一致的含义，并且 将不被以理想化或过度正式意义解释，除非本文中明确如此限定。
需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
如图1所示，本发明提供了一种5D纹理网格数据结构（SeizetColorMesh），该5D纹理网格数据结构使用顶点、半边、四角面片的连接关系进行索引，用于点云数据的四角网格重构，点云基于5D纹理网格的数据结构的数据表示后，呈拓扑结构且可有效表征三维物体的全方位信息。
5D纹理网格数据结构包括多个半边四角网格，每个半边四角网格包括一四角面片、设于四角面片上的四个顶点Smn，Sm,n+1.Sm+1,n，Sm+1,n+1以及多个半边，其中，基于点云数据Pij以及Pij的三个相邻点获取每个半边四角网格对应的四个顶点，每个所述顶点存储点云数据中对应点Pij的3D位置坐标（x，y， z）、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引。
如图2所示，基于点云数据所生成的每个半边四角网格中包括顶点1）、半边2）和四角面片3），为方便说明，将顶点S(1,0)、S(1,1)、S(2,1)、S(2,0)简化为顶点A、B、C、D， 其中，AB、BC、CD、DA均为半边，ABCD为四角面片。
顶点（Vertex）A、B、C、D中存储对应点Pi,j+1,Pi+1,j+1,Pi+1,j的3D坐标、法向量、颜色等信息；半边（HalfEdge）是顶点之间的有向连线，通过TerminateVertex和OriginVertex指针分别记录其终止顶点和起始顶点，图2中半边AB的终止顶点和起始顶点分别为B和A。
半边通过NextHalfEdge和PrevHalfEdge指针分别记录其下个半边和上个半边，图2中半边AB的下个半边和上个半边分别为BC和DA；半边通过OppositeHalfEdge指针记录其对立半边，图2中半边AB的对立半边为BA；半边通过AdjacentFace指针记录与其邻接的四角面片，图2中半边AB的邻接四角面片为ABCD；顶点通过OutgoingHalfEdge和IncomingHalfEdge指针分别记录出半边和入半边，图2中顶点A的出半边和入半边分别为AB和BA。
四角面片（QuadFace）由4个顺序连接的半边组成，图2中四角面片ABCD由半边AB、BC、CD、DA组成；四角面片通过OuterHalfEdge和InnerHalfEdge指针记录其外半边和内半边，图2中四角面片ABCD的外半边和内半边分别为BA和AB。
本发明所示的一种5D纹理网格数据结构，用以表征三维物体的全方位信息，其使用顶点、半边、四角面片的连接关系进行索引，通过5D纹理网格数据结构，建立3D点与邻域点之间的访问方式，为2D图像处理方法向3D形态推广建立桥梁。通过本发明提出的SeizetColorMesh，可综合采用2D以及3D等所有算法，实现了更强大的感知识别效果，进而为机器人面对海量无序状态的工件抓取奠定了数据结构基础。
具体而言，将3D点云转换成SeizetColorMesh后，只需制作1个基于SeizetColorMesh的全方位模板，基于SeizetColorMesh的全方位模板，可提供待识别物体的完整形状和纹理信息（包括侧面和底面），提高了定位精度、可靠性以及通用性，进而可实现机器人在海量无序工件场景下的精准抓取与码放,即实现物体姿态倾角较大、杂乱堆叠场景的识别定位；此外，还可将2D图像处理方法拓展至SeizetColorMesh，即可实现物体紧密放置场景下的不同物体分割。
作为一优选方案，本发明所示的5D纹理网格数据结构，依据如下步骤获取每个半边四角网格的四个顶点：
S101对于点云中的任意一点Pij，添加Pij的3D位置坐标（x，y， z）法向量、颜色信息以获取顶点Smn，建立Pij与顶点Smn之间一一对应索引关系；
S102获取点云中各点的行列排序；
S103对点云数据中的任一点Pij，依照行列排序的索引规则查找Pij的相邻点Pi,j+1,Pi+1,j+1,Pi+1,j；
S104依据索引关系，获取Pi,j,Pi,j+1,Pi+1,j+1,Pi+1,j各自分别对应的四个顶点Smn，Sm,n+1.Sm+1,n，Sm+1,n+1。
其中，步骤S103中，对任意一点Pij，若无法查找到对应的三个相邻点Pi,j+1、Pi+1,j+1、Pi+1,j，则跳过Pij相邻点查找，继续点云中下一个点的相邻点查找。
基于点云数据获取每个半边四角网格的四个顶点后，则新设一四角面片并按照预定顺序为四角面片添加四个顶点以生成对应的半边四角网格，对点云数据排序后按行、按列依次找到4个相邻点对应的顶点后，则建立这4个顶点的拓扑关系，即四角面片。作为一优选方案，本实施例中，四角面片顶点添加顺序依次为Smn、 Sm+1,n 、Sm+1,n+1、Sm,n+1或为Smn、Sm,n+1、Sm+1,n+1、Sm+1,n，即将点云数据中第i行j列、第i+1行j列、第i+1行j+1列、第i行j+1列或第i行j列、第i行j+1、第i+1行j+1列、第i+1行j列对应的4个点依次作为四角面片Q对应的4个顶点，顶点以顺时针或逆时针环形设置，能够尽可能简化结构，尽可能保证顶点间距一致，同时尽可能提高顶点间相互访问的效率。
当点云数据基于Pij的半边四角网格生成后，继续点云数据中下一个点对应的半边四角网格生成，直至点云中全部的点Pij均生成对应的半边四角网格，各半边四角网格之间经由半边、顶点、面片建立拓扑关系，最终形成待检测物点云所对应的5D纹理网格数据结构。
其中一实施例中，点云为有序点云，由于有序点云中各点Pij是按顺序排列，步骤S102获取点云中各点的行列排序包括：遍历有序点云，读取有序点云中各点Pij的行坐标i和列坐标j，以获取点云数据中各点的行列排序。对应的步骤S103中，对于各点Pij，依据行列排序也可以很容易的找到它的相邻点Pi,j,Pi,j+1,Pi+1,j+1,Pi+1,j。图1所示实施例即为一个4*4的有序点云所生成的5D纹理网格数据结构。
在另外一实施例中，点云为无序点云，为获取点云中各点的行列排序，步骤S102中，先对点云中的各点进行排序，然后在分别获取点云数据中各点Pij的按行排序和按列排序。
作为一优选方案，本实施例中，根据x/z和y/z的大小对无序点云中的点Pi进行排序。其中，按行排序的获取包括如下步骤：对于无序点云中的任意两点，比较二者的y/z大小，并将y/z值较大的点排在后面，若二者y/z值相同，则比较x/z值大小，并将x/z值较大的点排在后面；若二者x/z值也相同，则删除其中一点，以获取所述按行排序。具体而言，使用std::map类创建一个空的容器V1，然后遍历原始无序点云的每个点Pij，其坐标为(x,y,z)，根据x/z和y/z的大小排序并存入容器V1，排序规则为：若y/z值较大，则排在后面；若y/z值相同，则x/z值较大的排在后面，若x/z值也相同，则删除其中一点。对无序点云中所有的点按照上述规则排序完毕后输出容器V1，容器V1实际上为一行多列的矩阵，其中总列数为无序点云中对应的点的数量（若按排序规则无重复的点）。
按列排序的获取包括如下步骤：对于无序点云中的任意两点，比较二者x/z值大小，并将x/z值较大的点排在后面，若二者x/z值相同，则比较y/z值大小，并将y/z值较大的点排在后面；若二者y/z值也相同，则删除其中一点，以获取所述按列排序。具体而言，使用std::map类创建一个空的容器V2，遍历原始无序点云的每个点Pij，其坐标为(x,y,z)，根据x/z和y/z的大小排序并存入容器V2，排序规则为：若x/z值较大，则排在后面；若x/z值相同，则y/z值较大的排在后面。若y/z值相同，则删除其中一点。对无序点云中所有的点按照上述规则排序完毕后输出容器V2，容器V2实质上也为一行多列的矩阵，其中总列数为无序点云中对应的点的数量（若按排序规则无重复的点）。
相应的，对无序点云而言，步骤103中，对于任一点Pij，依照按行排序和按列排序中的索引规则查找无序点云中Pij的相邻点Pi,j+1,Pi+1,j+1,Pi+1,j包括如下步骤：
确定Pij在按行排序中的位置，并将Pij在按行排序中后一个点作为Pij的相邻点Pi,j+1；
确定Pi,j+1在按列排序中的位置，并将Pi,j+1在按列排序中后一个点作为Pij的相邻点Pi+1,j+1；
确定Pij在按列排序中的位置，并将Pij在按列排序中后一个点作为Pij的相邻点Pi+1,j。
当基于点云数据获取每个半边四角网格的四个顶点后，对于无序点云而言，在新设一四角面片并按照预定顺序为四角面片添加四个顶点以生成对应的半边四角网格时，还需要判断四角面片的边长是否超出阈值，若判断四角面片的边长超出阈值则删除边长超过阈值的四角面片。
如图3所示，其为待是别无纸盒的原始无序点云，所生成的SeizetColorMesh如图4所示，图5为图4中虚框内结构的放大图。SeizetColorMesh包含纸盒的6个面，可表征纸盒的全方位信息，且呈拓扑结构。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种5D纹理网格数据结构，其特征在于，所述5D纹理网格数据结构用于点云数据的四角网格重构，所述5D纹理网格数据结构包括拓扑连接的多个半边四角网格，每个所述半边四角网格包括一四角面片、设于四角面片上的四个顶点Smn，Sm,n+1.Sm+1,n，Sm+1,n+1以及多个半边；
其中，基于所述点云数据中任意一点Pij以及Pij的三个相邻点获取对应的四个所述顶点，包括：对于所述点云中的任意一点Pij，添加所述Pij的3D位置坐标（x，y， z）法向量、颜色信息以获取顶点Smn，建立所述Pij与所述顶点Smn之间一一对应索引关系； 获取所述点云中各点的行列排序；对点云数据中的任一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi,j+1,Pi+1,j+1,Pi+1,j；依据所述索引关系，获取Pi,j,Pi,j+1,Pi+1,j+1,Pi+1,j各自分别对应的四个顶点Smn，Sm,n+1.Sm+1,n，Sm+1,n+1；
每个所述顶点存储点云数据中对应点Pij的3D位置坐标（x，y， z）、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引。
2.根据权利要求1所述的5D纹理网格数据结构，其特征在于：对任意一点Pij，若无法查找到对应的三个相邻点Pi,j+1、Pi+1,j+1、Pi+1,j，则跳过Pij相邻点查找，继续点云中下一个点的相邻点查找。
3.根据权利要求1所述的5D纹理网格数据结构，其特征在于：所述点云为有序点云，获取所述点云中各点的行列排序包括：遍历所述有序点云，读取有序点云中各点Pij的行坐标i和列坐标j，以获取所述点云数据中各点的行列排序。
4.根据权利要求1所述的5D纹理网格数据结构，其特征在于：所述点云为无序点云，获取所述点云中各点的行列排序为对点云中的各点进行排序，分别获取所述点云数据中各点Pij的按行排序和按列排序。
5.根据权利要求4所述的5D纹理网格数据结构，其特征在于：所述按行排序获取包括：对于无序点云中的任意两点，根据x/z和y/z的大小对无序点云中的点Pij进行排序， 比较二者的y/z大小，并将y/z值较大的点排在后面，若二者y/z值相同，则比较x/z值大小，并将x/z值较大的点排在后面；若二者x/z值也相同，则删除其中一点，以获取所述按行排序；
和/或，所述按列排序获取包括：对于无序点云中的任意两点，根据x/z和y/z的大小对无序点云中的点Pij进行排序，比较二者x/z值大小，并将x/z值较大的点排在后面，若二者x/z值相同，则比较y/z值大小，并将y/z值较大的点排在后面；若二者y/z值也相同，则删除其中一点，以获取所述按列排序。
6.根据权利要求5所述的5D纹理网格数据结构，其特征在于：对于任一点Pij，依照所述按行排序和按列排序中的索引规则查找所述无序点云中Pij的相邻点Pi,j+1,Pi+1,j+1,Pi+1,j包括如下步骤：
确定所述Pij在所述按行排序中的位置，并将Pij在所述按行排序中后一个点作为所述Pij的相邻点Pi,j+1；
确定所述Pi,j+1在所述按列排序中的位置，并将所述Pi,j+1在所述按列排序中后一个点作为所述Pij的相邻点Pi+1,j+1；
确定Pij在所述按列排序中的位置，并将Pij在所述按列排序中后一个点作为所述Pij的相邻点Pi+1,j。
7.根据权利要求1所述的5D纹理网格数据结构，其特征在于：若判断所述四角面片的边长超出阈值，则删除边长超过阈值的所述四角面片。
8.根据权利要求1所述的5D纹理网格数据结构，其特征在于，基于所述点云数据获取每个所述半边四角网格的四个顶点后，新设一四角面片并按照预定顺序为所述四角面片添加四个所述顶点以生成对应的半边四角网格。
9.根据权利要求1所述的5D纹理网格数据结构，其特征在于：按照顺时针或逆时针顺序添加所述顶点。
CN202010944233.2A 2020-09-10 2020-09-10 一种5d纹理网格数据结构 Active CN111814774B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010944233.2A CN111814774B (zh) 2020-09-10 2020-09-10 一种5d纹理网格数据结构
PCT/CN2021/116728 WO2022052893A1 (zh) 2020-09-10 2021-09-06 一种5d纹理网格数据结构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010944233.2A CN111814774B (zh) 2020-09-10 2020-09-10 一种5d纹理网格数据结构

Publications (2)

Publication Number Publication Date
CN111814774A CN111814774A (zh) 2020-10-23
CN111814774B true CN111814774B (zh) 2020-12-18

Family

ID=72860745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010944233.2A Active CN111814774B (zh) 2020-09-10 2020-09-10 一种5d纹理网格数据结构

Country Status (2)

Country Link
CN (1) CN111814774B (zh)
WO (1) WO2022052893A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814774B (zh) * 2020-09-10 2020-12-18 熵智科技(深圳)有限公司 一种5d纹理网格数据结构

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194431A (zh) * 2017-05-31 2017-09-22 浙江国遥地理信息技术有限公司 机载LiDAR点云数据分类技术
CN109658515A (zh) * 2017-10-11 2019-04-19 阿里巴巴集团控股有限公司 点云网格化方法、装置、设备及计算机存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140135409A (ko) * 2013-05-16 2014-11-26 최진원 시공 구조물의 3차원 형상정보를 포함한 시공도면 출력 시스템, 그리고 시공 구조물의 3차원 형상정보를 포함하는 시공도면을 인식하는 작업용 글래스 및 이를 구비한 작업모
CN107786958A (zh) * 2017-10-12 2018-03-09 中国科学院合肥物质科学研究院 一种基于深度学习模型的数据融合方法
CN110502919B (zh) * 2019-07-12 2022-11-18 武汉理工大学 一种基于深度学习的轨迹数据去匿名方法
CN111815691B (zh) * 2020-09-10 2020-12-18 熵智科技(深圳)有限公司 一种网格数据结构的邻域访问方法、装置、设备及介质
CN111814774B (zh) * 2020-09-10 2020-12-18 熵智科技(深圳)有限公司 一种5d纹理网格数据结构
CN111881892B (zh) * 2020-09-10 2020-12-18 熵智科技(深圳)有限公司 有序点云5d纹理网格数据结构生成方法、装置、设备及介质
CN112002015B (zh) * 2020-09-10 2021-05-04 熵智科技(深圳)有限公司 无序点云生成网格数据结构的方法、装置、设备及介质
CN111932570B (zh) * 2020-09-10 2021-01-19 熵智科技(深圳)有限公司 一种基于网格数据的边缘检测方法、装置、介质及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194431A (zh) * 2017-05-31 2017-09-22 浙江国遥地理信息技术有限公司 机载LiDAR点云数据分类技术
CN109658515A (zh) * 2017-10-11 2019-04-19 阿里巴巴集团控股有限公司 点云网格化方法、装置、设备及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于三角网格模型的纹理映射研究;万燕等;《计算机应用与软件》;20160430(第04期);第160-163页 *

Also Published As

Publication number Publication date
CN111814774A (zh) 2020-10-23
WO2022052893A1 (zh) 2022-03-17

Similar Documents

Publication Publication Date Title
CN111881892B (zh) 有序点云5d纹理网格数据结构生成方法、装置、设备及介质
CN112002015B (zh) 无序点云生成网格数据结构的方法、装置、设备及介质
CN109541997B (zh) 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法
US9630320B1 (en) Detection and reconstruction of an environment to facilitate robotic interaction with the environment
CN104750913B (zh) 一种实现dwg三维模型自动转换为x三维模型的方法
CN115330819B (zh) 一种软包分割定位方法、工控机和机器人抓取系统
CN109886961A (zh) 基于深度图像的中大型货物体积测量方法
CN102348551A (zh) 用于形成表面加工数据的方法和装置
CN109872396A (zh) 一种适用于三角网格模型的快速截面轮廓生成方法
CN111814774B (zh) 一种5d纹理网格数据结构
CN114359226A (zh) 基于分层叠加和区域增长的三维模型组可视面积提取方法
CN111507644A (zh) 一种多点卸货约束的三维多容器装载方法
CN114859319A (zh) 一种牵引车与挂车的定位方法、系统、存储介质及车辆
CN109255836B (zh) 一种工件的排包系统及其排包方法
CN112938011B (zh) 一种基于无序混合纸箱的机器人码垛系统及方法
CN112734934A (zh) 一种基于相交边映射的stl模型3d打印切片方法
CN111815691B (zh) 一种网格数据结构的邻域访问方法、装置、设备及介质
CN106803266A (zh) 一种船体复杂外板点云肋骨线提取方法及装置
CN110490887B (zh) 一种基于3d视觉的对矩形包裹边缘快速识别定位方法
JP7352706B2 (ja) 貨物計数方法及び装置、コンピュータ装置、並びに記憶媒体
CN109359224B (zh) 一种材质的数据处理方法、装置、电子设备及存储介质
CN114692237B (zh) 基于多模态评估指标的混合码垛方法、装置、设备及介质
CN113592976B (zh) 地图数据的处理方法、装置、家用电器和可读存储介质
CN107590829B (zh) 一种适用于多视角密集点云数据配准的种子点拾取方法
CN114742852A (zh) 一种基于网格求交的高效自由曲面分层方法及其应用

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
TR01 Transfer of patent right

Effective date of registration: 20230915

Address after: Room 1726, Building 1, Rongsheng Business Center, No. 135 Wangdun Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province, 215000

Patentee after: Suzhou Pavel Intelligent Technology Co.,Ltd.

Address before: 518034 703, 7th floor, Zhongdian Difu building, Zhenhua Road, Fuqiang community, Huaqiang North Street, Futian District, Shenzhen City, Guangdong Province

Patentee before: SHANGZHI TECHNOLOGY (SHENZHEN) Co.,Ltd.

TR01 Transfer of patent right