CN112101229A - 点云数据特征点提取方法、装置、计算机设备及存储介质 - Google Patents
点云数据特征点提取方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112101229A CN112101229A CN202010974302.4A CN202010974302A CN112101229A CN 112101229 A CN112101229 A CN 112101229A CN 202010974302 A CN202010974302 A CN 202010974302A CN 112101229 A CN112101229 A CN 112101229A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- neighborhood
- normal vector
- point cloud
- 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
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
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
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
本发明适用于计算机技术领域,提供了一种点云数据特征点提取方法、装置、计算机设备及存储介质,所述方法包括:获取待提取特征的点云数据;根据改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量,其中改进法向量计算方法中引入了与邻域数据点到采样数据点之间的距离相关的权重系数;根据各个数据点的法向量确定所述点云数据中的特征数据点。本发明提供的点云数据特征点提取方法,提高了“更近”邻域点在采样点的法向量估算中的影响,削弱了“远离”邻域点对采样点的法向量估算的干扰,充分顾及了邻域点集空间分布的差异性,从而有效提高了尖锐或边缘部位点云法向量估算的稳定性和抗噪性。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种点云数据特征点提取方法、装置、计算机设备及存储介质。
背景技术
三维激光扫描系统能快速获取地理实体高精度、高密度的三维空间信息—点云数据,具有自动化程度高、扫描速度快等优势,已在工业零部件检测、工程制图、模式识别、3D模型重建等领域得到广泛应用。但通过三维激光扫描系统获取的点云数据通常存在数据量大且冗余、特征信息不明显、点云噪声等问题,严重影响了点云数据处理的效率和精度,因此研究如何实现快速的点云特征提取方法已成为激光雷达技术研究的热点。
现有的点云特征提取方法主要包括三种,基于图像特征检测的点云特征提取、基于点云分割的点云特征提取以及基于法向量信息的点云特征提取。其中基于图像特征检测的点云特征提取方法中细微特征不能有效识别,而基于点云分割的点云特征提取方法的提取精度依赖于点云分割的结果,容易存在点云特征误提取现象。因此,目前最常用的点云特征提取方法是基于法向量信息的点云特征提取。然而,离散点云数据的法向量计算容易受邻域尺度的影响,邻域噪声点容易影响到法向量的估算精度,从而影响到后续点云数据特征点的提取精度。
可见,现有的点云数据特征点提取方法还普遍存在着点云数据特征点的提取精度不足的技术问题。
发明内容
本发明实施例的目的在于提供一种点云数据特征点提取方法,旨在解决现有的点云数据特征点提取方法还普遍存在的点云数据特征点的提取精度不足的技术问题。
本发明实施例是这样实现的,一种点云数据特征点提取方法,包括:
获取待提取特征的点云数据;
根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量;所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数;
根据各个数据点的法向量确定所述点云数据中的特征数据点。
本发明实施例的另一目的在于提供一种点云数据特征点提取装置,包括:
点云数据获取单元,用于获取待提取特征的点云数据;
数据点法向量确定单元,用于根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量;所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数;
特征数据点提取单元,用于根据各个数据点的法向量确定所述点云数据中的特征数据点。
本发明实施例的另一目的在于提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述点云数据特征点提取方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述所述点云数据特征点提取方法的步骤。
本发明实施例提供的一种点云数据特征点提取方法,在获取到待提取特征的点云数据,利用改进的法向量计算方法对所述点云数据进行处理,来确定各个数据点的法向量,从而进一步根据数据点的法向量来确定点云数据中的特征点。相对于现有技术中常规的法向量计算方法中没有考虑到邻域数据点到采样数据点之间的距离对数据点的法向量的影响,而导致物体表面曲率变化较大部位点的法向量的估算失真,本发明提供的改进法向量计算方法在计算局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响时,还引入了与邻域数据点到采样数据点之间的距离相关的权重系数,提高了“更近”邻域点在采样点的法向量估算中的影响,削弱了“远离”邻域点对采样点的法向量估算的干扰,充分顾及了邻域点集空间分布的差异性,从而有效提高了尖锐或边缘部位点云法向量估算的稳定性和抗噪性,进一步提高了后续根据法向量确定特征数据点的准确率。
附图说明
图1为本发明实施例提出的一种点云数据特征点提取方法的步骤流程图;
图2为本发明实施例提供的一种确定数据点的法向量的步骤流程图;
图3为本发明实施例提供的一种确定最优邻域半径尺度的步骤流程图;
图4为本发明实施例提供的一种计算信息熵的步骤流程图;
图5为本发明实施例提供的一种确定特征数据点的步骤流程图;
图6为本发明实施例提供的一种确定特征点阈值的示例图;
图7为本发明实施例提出的另一种点云数据特征点提取方法的步骤流程图;
图8为本发明实施例提供的对法向量的方向进行一致性调整的示例图;
图9(a)~图9(f)为验证本发明技术方案所采用的试验数据示意图;
图10为本发明实施例提供的一种点云数据特征点提取装置的结构示意图;
图11为本发明实施例提供的一种执行点云数据特征点提取方法的结构示意图。
具体实施方式
为了使本发明的目的、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,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
本发明实施例为解决现有技术中点云数据特征点提取方法还普遍存在着点云数据特征点的提取精度不足的技术问题,针对于现有的基于法向量信息的点云特征提取方法,提出了一种改进法向量计算方法来计算点云数据中各数据点的法向量,通过在局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式中引入了与邻域数据点到采样数据点之间的距离相关的权重系数,提高了“更近”邻域点在采样点法向量估算中的影响,削弱了“远离”邻域点对采样点法向量估算的干扰,充分顾及了邻域点集空间分布的差异性,提高了尖锐或边缘部位点云法向量估算的稳定性和抗噪性,有效解决了现有的法向量计算方法存在的容易出现物体表面曲率变化较大部位点的法向量估算失真从而影响到后续提取点云数据中的特征数据点的技术问题。为了便于理解本发明相对于现有技术方案的区别,先具体描述现有的法向量计算方法。
通常情况下,数据点的法向量与空间实体在该数据点处的局部曲面的切平面的法向重合,对于不规则离散点云数据法向计算,常规主成分分析法将局部点云空间视为光滑曲面,并通过最小二乘原理拟合局部曲面的最佳切平面,并将该切平面的法向量确定为采样点的法向量。具体的,常规的做法是:
1)对于点云数据集合P,P={pi=(xi,yi,zi)∈R3 i=1,2,...,N},其中N表示点云总数,给定采样数据点Pi∈P,以采样数据点为中心,邻域半径大小为δ建立局部球邻域点集Pr,则pr={Pj r=(xj,yj,zj)|||Pi-Pj r||<δ j=1,2,...,n},n表示邻域点数。
2)采用最小二乘原理拟合该局部球邻域点集Pr的最佳切平面,构建目标函数J(v,d):
其中,v表示最佳切平面的法向量也就是采样点的法向量,d表示原点到目标平面的空间距离,也就是使目标函数J(v,d)值最小的v与d。
而在本发明中,和现有技术方案的区别在于,局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数,也就是说,目标函数被改为了:
可以看到与现有技术的目标函数相比于引入了k(||Pi-Pj r||)项,可以理解为与各个邻域数据点到采样数据点之间的距离相关的权重系数,具体的,一般通过高斯核函数来表征该项:
k(||Pi-Pj r||)=a*exp{-||Pi-Pj r||^2/(2*σ2)}
其中,a表示高斯函数峰值,其值决定了权重的最大值,一般取值为1,||Pi-Pj r||表示邻域点集第j个数据点与采样数据点的空间欧式距离,是高斯函数的输入变量;σ2为带宽,其值决定了采样数据点邻域范围内点权重的差异性,考虑到邻域点数量,带宽取值σ2与邻域半径r通常保持一致。可以看出,高斯核函数在[0,+∞]范围内单调递减,即随着||Pi-Pj r||的递增,该邻域点确定法向量的权重逐渐减小。
本发明通过在局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数,提高了“更近”邻域点在采样点法向量估算中的影响,削弱了“远离”邻域点对采样点法向量估算的干扰,充分顾及了邻域点集空间分布的差异性,提高了尖锐或边缘部位点云法向量估算的稳定性和抗噪性。
如图1所示,为本发明实施例提出的一种点云数据特征点提取方法的步骤流程图,具体包括以下步骤:
步骤S102,获取待提取特征的点云数据。
在本发明实施例中,点云数据是利用三维激光雷达扫描获取的。事实上,除了直接利用数据线传输三维激光雷达扫描获取的点云数据外,还可以通过上传下载、移动存储介质拷贝等任意形式获取点云数据。
步骤S104,根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量。
在本发明实施例中,所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数。具体的,结合前述的论述可知,在用于描述邻域数据点的空间分布对数据点的法向量的影响的目标函数J(v,d)中,本发明提供的目标函数J(v,d)中引入了与各个邻域数据点到采样数据点之间的距离相关的权重系数的k(||Pi-Pj r||),利用本发明提供的改进法向量计算方法提高了“更近”邻域点在采样点法向量估算中的影响,削弱了“远离”邻域点对采样点法向量估算的干扰,从而保证了尖锐或边缘部位数据的法向量的计算精度。
在本发明实施例中,具体确定各个数据点法向量的过程请参阅图2及其解释说明。
步骤S106,根据各个数据点的法向量确定所述点云数据中的特征数据点。
在本发明实施例中,根据各数据点法向量来提取点云数据中的特征数据点的过程具体请参阅图5及其解释说明。
本发明实施例提供的一种点云数据特征点提取方法,在获取到待提取特征的点云数据,利用改进的法向量计算方法对所述点云数据进行处理,来确定各个数据点的法向量,从而进一步根据数据点的法向量来确定点云数据中的特征点。相对于现有技术中常规的法向量计算方法中没有考虑到邻域数据点到采样数据点之间的距离对数据点的法向量的影响,而导致物体表面曲率变化较大部位点的法向量的估算失真,本发明提供的改进法向量计算方法在计算局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响时,还引入了与邻域数据点到采样数据点之间的距离相关的权重系数,提高了“更近”邻域点在采样点的法向量估算中的影响,削弱了“远离”邻域点对采样点的法向量估算的干扰,充分顾及了邻域点集空间分布的差异性,从而有效提高了尖锐或边缘部位点云法向量估算的稳定性和抗噪性,进一步提高了后续根据法向量确定特征数据点的准确率。
图2为本发明实施例提供的一种确定数据点的法向量的步骤流程图,具体包括以下步骤:
步骤S202,确定待计算法向量的采样数据点。
在本发明实施例中,事实上,需要依次确定点云数据每个点的法向量,本发明实施例仅仅以确定某个采样点的法向量为例进行说明,本领域技术人员在看到本发明提供的技术方案时,能够想到将点云数据中各个点依次为采样数据点,并通过本实施例示出的确定数据点的法向量的步骤流程图确定法向量。
步骤S204,根据最优邻域半径尺度确定所述采样数据点的邻域数据点。
在本发明实施例中,采样数据点与邻域数据点的确定方式可以参阅前述内容:对于点云数据集合P,P={pi=(xi,yi,zi)∈R3 i=1,2,...,N},其中N表示点云总数,给定采样数据点Pi∈P,以采样数据点为中心,邻域半径大小为δ建立局部球邻域点集Pr,则pr={Pj r=(xj,yj,zj)|||Pi-Pj r||<δ j=1,2,...,n},n表示邻域点数。
作为本发明的一个优选实施例,由于邻域半径尺度也就是邻域半径大小δ的选择会直接影响采样点法向量估算的精度,而现有技术中,邻域半径尺度是由具备一些先验知识的积累的用户预先设定好的,为一个固定值,如果邻域半径尺度选择过大,则不能准确表达局部曲面的空间特征,如果邻域半径尺度选择过小,则局部邻域收敛于平面导致曲率变化较大部位法向估算结果偏差较大,对用户的要求高,并且固定的邻域半径尺度也不能很好顾及空间实体表面曲率分布的差异性,同样影响后续特征提取的完整性和准确性邻域半径大小为固定值,本发明提出了另外一种可变的最优邻域半径尺度确定方法,对于不同的采样点,所选择的邻域半径尺度不同,具体是通过采样数据点的邻域范围信息熵所确定的。具体的,由于数据点邻域范围内包含的信息量可用信息熵表示,熵值越小则表明该数据点邻域数据点所包含信息越少,即服从某一维度特性的不确定性也越小,此时点的维度属性最能表达物体表面的实际分布特征,法向量估算更合理。
作为本发明的一个优选实施例,所述最优邻域半径尺度是根据采样数据点的邻域范围信息熵所确定的,确定采样数据点的最优邻域半径尺度的步骤,具体请参阅图3及其解释说明。
步骤S206,构建目标函数。
在本发明实施例中,结合前述论述可知,改进后的法向量计算方法中,目标函数引入了邻域数据点到采样数据点之间的距离相关的权重系数,具体是通过高斯核函数实现,目标函数如下:
k(||Pi-Pj r||)=a*exp{-||Pi-Pj r||^2/(2*σ2)}
其中,a表示高斯函数峰值其值决定了权重的最大值,一般取值为1,||Pi-Pj r||表示邻域点集第j个数据点与采样数据点的空间欧式距离,是高斯函数的输入变量;σ2为带宽,其值决定了采样数据点邻域范围内点权重的差异性,考虑到邻域点数量,带宽取值σ2与邻域半径r通常保持一致。可以看出,高斯核函数在[0,+∞]范围内单调递减,即随着||Pi-Pj r||的递增,该邻域点确定法向量的权重逐渐减小。
步骤S208,确定使所述目标函数值最小的采样数据点的法向量。
在本发明实施例中,确定使目标函数J(v,d)值最小的v与d。其中v即为采样数据点的法向量。
如图3所示,为本发明实施例提供的一种确定最优邻域半径尺度的步骤流程图,详述如下。
在本发明实施例中,所述最优邻域半径尺度是根据采样数据点的邻域范围信息熵所确定的,具体包括以下步骤:
步骤S302,确定邻域半径尺度候选区间以及邻域尺度递增步长。
在本发明实施例中,用表示邻域半径尺度候选区间,通常情况下取值范围为[0.05m,0.2m],邻[Rmin,Rmax]域尺度递增步长ΔR取值通常设为邻域半径尺度候选区间的10%~15%,例如0.02m。
步骤S304,根据所述邻域半径尺度候选区间以及邻域尺度递增步长确定多个采样邻域半径尺度。
在本发明实施例中,根据邻域半径尺度候选区间[Rmin,Rmax]以及邻域尺度递增步长ΔR确定多个采样邻域半径尺度,例如当[Rmin,Rmax]为[0.05m,0.2m]时,递增步长ΔR为0.05m时、则确定的多个采样邻域半径尺度为
步骤S306,计算所述多个采样邻域半径尺度下的信息熵。
在本发明实施例中,采样邻域半径尺度的信息熵是通过邻域数据点与其重力数据点的协方差矩阵和特征值所确定的,具体的技术过程请参阅图4及其解释说明。
步骤S308,将信息熵最小值对应的采样邻域半径尺度确定为最优邻域半径尺度。
在本发明实施例中,数据点邻域范围内包含的信息量可用信息熵表示,熵值越小则表明该数据点邻域数据点所包含信息越少,即服从某一维度特性的不确定性也越小,此时点的维度属性最能表达物体表面的实际分布特征,法向量估算更合理。因此将信息熵最小值对应的采样邻域半径尺度确定为最优邻域半径尺度。
本发明实施例提供了一种确定最优邻域半径尺度的方法,针对于不同的数据点,计算其在不同领域半径尺度下的邻域范围信息熵,并将邻域范围信息熵最小的邻域半径尺度确定为最优邻域半径尺度,在该尺度下,采样数据点的邻域数据点所包含信息最少,服从某一维度特性的不确定性最小,从而点的维度属性最能表达物体表面的实际分布特征,使得法向量的估算更加合理。
如图4所示,为本发明实施例提供的一种计算信息熵的步骤流程图,具体包括以下步骤:
步骤S402,根据采样邻域半径尺度确定多个邻域数据点,并确定所述多个邻域数据点的重心数据点。
在本发明实施例中,邻域数据点的确定公式由前述步骤S204的公式确定,具体请参阅步骤S204的内容。
步骤S404,根据所述多个邻域数据点以及所述重心数据点确定协方差矩阵。
在本发明实施例中,协方差矩阵C的计算公式如下:
步骤S406,计算所述协方差矩阵的多个特征值。
在本发明实施例中,(λm,em),m=1,2,3分别表示矩阵C的特征值和特征值对应的特征向量,且λ1≥λ2≥λ3。
步骤S408,根据所述多个特征值计算信息熵。
在本发明实施例中,协方差矩阵C分解得到特征值可看做是局部邻域点集在对应特征向量构成三维空间的成分比例,即当λ1>>λ2≈λ3时局部邻域点集呈线状分布;当λ1≈λ2>>λ3时局部邻域点云呈面状分布;当λ1≈λ2≈λ3时呈三维不规则离散状分布,由此可重新定义局部点云属于不同空间维度的概率:
进一步,邻域范围信息熵具体为:Ef=-a1Dln(a1D)-a2Dln(a2D)-a3Dln(a3D)。
如图5所示,为本发明实施例提供的一种确定特征数据点的步骤流程图,具体包括以下步骤:
步骤S502,确定采样数据点。
在本发明实施例中,与确定点云数据中数据点的法向量类似,确定特征数据点的过程通常是依次判断点云数据中各数据点是否属于特征数据点来实现对,本发明实施例仅仅以确定某个采样点是否为特征数据点为例进行说明,本领域技术人员在看到本发明提供的技术方案时,能够想到将点云数据中各个点依次为采样数据点并通过本实施例示出的判断是否为确定特征数据点的步骤流程图确定该采样数据点是否为特征数据点。
步骤S504,确定与所述采样数据点最近邻的若干个近邻数据点。
在本发明实施例中,与前述近邻数据点不同,在本发明中是将与所述采样数据点最近邻的k个数据点确定为近邻数据点,而并非是通过近邻半径尺度来确定的。经过实验数据表明,当k取值较小时,点云特征附近的点云被过提取为特征点云,随着k值的增大,提取得到的特征点逐渐减少,尖锐部位的点云特征出现欠提取现象,不同k取值下提取得到的特征点云数量相差较大,尤其是尖锐部位点云特征提取,综合实验结果,建议k取值范围为12~20。
步骤S506,计算所述采样数据点的法向量与所述若干个近邻数据点的法向量的向量夹角的标准差。
在本发明实施例中,所述标准差的计算公式具体为:
步骤S508,判断所述标准差是否大于预设的特征点阈值。当判断所述标准差大于预设的特征点阈值时,执行步骤S510;当判断所述标准差不大于预设的特征点阈值时,执行其他步骤。
在本发明实施例中,在特征点密集区域,数据点的法向量方向偏差较大,法向量夹角分布较为离散,因此标准差值较大;而在平坦区域,数据点的法向量方向指向较为一致,法向量夹角分布较为集中,标准差值较小。因此,可以根据标准差与预设的特征点阈值进行比较来确定该数据点是否为特征数据点。
在本发明实施例中,阈值的选取会影响到点云密度及特征数据点提取的精度,作为优选,所述特征点阈值是预先基于对标准差的统计所确定的;所述特征点阈值与标准差-点云数据个数分布曲线的拐点相关,具体请参阅图6及其解释说明。
步骤S510,将所述采样数据点确定为特征数据点。
在本发明实施例中,当判断所述标准差大于预设的特征点阈值时,表明该采样数据点更有可能为特征点,将该采样数据点确定为特征数据点。当判断标准差不大于预设的特征点阈值时,表明该采样数据点更有可能为非特征点,将该采样数据点确定为非特征数据点。
如图6所示,为本发明实施例提供的一种确定特征点阈值的示例图,详述如下。
在本发明实施例中,如图6所示,绘制出了点云数据点个数与标准差的分布统计图,将其中曲线的拐点确定为特征点阈值,具体如图6所示。
如图7所示,为本发明实施例提出的另一种点云数据特征点提取方法的步骤流程图,详述如下。
在本发明实施例中,与图1所示出的一种点云数据特征点提取方法的步骤流程图的区别在于,在所述步骤S106之前,还包括:
步骤S702,根据数据点的法向量夹角对所述数据点的法向量的方向进行一致性调整。
在本发明实施例中,采用改进后法向量计算方法所计算出的法向量具有空间二义性,因此在利用法向量夹角进行点云特征提取之前,需要进行法向量方向一致性调整,具体的,选择具有典型代表性的视点,判断视点与采样点组成的向量与采样点法向量是否一致,若不一致则调整法向量为反方向,若一致则不处理。具体效果展示如图8所示。
如图8所示,为本发明实施例提供的对法向量的方向进行一致性调整的示例图,详述如下。
在本发明实施例中,可以看出,通过判断视点与采样点组成的向量与采样点法向量是否一致,来对各数据点的法向量进行调整,使各数据点的法向量保持一致。
为进一步便于理解本发明提供的点云数据特征点提取方法相对于现有技术的点云数据特征点提取方法的差异,以两组具有典型代表性的实验数据试验验证本文方法的有效性和准确性。具体如下:
在本发明实施例中,选用的两组实验数据分别为如图9(a)所示的某大学纪念柱点云数据(共有点云数据104324个)以及如图9(b)所示的兔子点云数据(包含点云数据10000个)。其中,针对于纪念柱点云数据,采用常规点云数据特征点提取方法所确定的各数据点的法向量在纪念柱顶部局部的放大结果示意图如图9(c)所示,而采用本发明提供的点云数据特征点提取方法所确定的各数据点的法向量在纪念柱顶部局部的放大结果示意图如图9(d)所示,针对于兔子点云数据,采用常规点云数据特征点提取方法所确定的各数据点的法向量在兔子耳朵边缘局部的放大结果如图9(e)所示,而采用本发明提供的点云数据特征点提取方法所确定的各数据点的法向量在兔子耳朵边缘局部的放大结果如图9(f)所示。
对比可以看出,根据本发明提供的点云数据特征点提取方法在点云数据顶部边缘地区所确定出的各数据点的法向量技能保留较好的特征,不会出现缺损,例如9(c)与图9(d),同时还具有较好的规律性,例如9(e)与图9(f)。
进一步的,选择纪念柱点云数据中圆柱和棱台部分等形状规则、法向量理论值较为容易获得的点云为验证数据,为了验证改进主成分分析的法向量估算方法的可行性和可靠性。其中圆柱点云分布较为均匀,共有点云数13512个;棱台点云分布相对不均匀,棱台侧边受扫描角度的影响密度较小。根据其数学模型计算理论法向量,以法向量估算值和理论值的方向夹角为误差变量,采用中误差、最大值和平均值为定量评价指标,如表1所示:
表1:点云法向量估算精度对比
相比于传统主成分分析方法,改进后的主成分分析法向量计算均具有较大的提升,对于圆柱点云,法向量方向夹角中误差为1.83,平均误差为1.68°,最大值为2.53°;对于棱台点云,法向量方向夹角中误差为2.47,平均误差为2.60°,误差最大值为4.18。
如图10所示,为本发明实施例提供的一种点云数据特征点提取装置的结构示意图,详述如下。
在本发明实施例中,所述点云数据特征点提取装置包括:
点云数据获取单元1010,用于获取待提取特征的点云数据。
在本发明实施例中,点云数据是利用三维激光雷达扫描获取的。事实上,除了直接利用数据线传输三维激光雷达扫描获取的点云数据外,还可以通过上传下载、移动存储介质拷贝等任意形式获取点云数据。
数据点法向量确定单元1020,用于根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量。
在本发明实施例中,所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数。具体的,结合前述的论述可知,在用于描述邻域数据点的空间分布对数据点的法向量的影响的目标函数J(v,d)中,本发明提供的目标函数J(v,d)中引入了与各个邻域数据点到采样数据点之间的距离相关的权重系数的k(||Pi-Pj r||),利用本发明提供的改进法向量计算方法提高了“更近”邻域点在采样点法向量估算中的影响,削弱了“远离”邻域点对采样点法向量估算的干扰,从而保证了尖锐或边缘部位数据的法向量的计算精度。
特征数据点提取单元1030,用于根据各个数据点的法向量确定所述点云数据中的特征数据点。
本发明实施例提供的一种点云数据特征点提取装置,在获取到待提取特征的点云数据,利用改进的法向量计算方法对所述点云数据进行处理,来确定各个数据点的法向量,从而进一步根据数据点的法向量来确定点云数据中的特征点。相对于现有技术中常规的法向量计算方法中没有考虑到邻域数据点到采样数据点之间的距离对数据点的法向量的影响,而导致物体表面曲率变化较大部位点的法向量的估算失真,本发明提供的改进法向量计算方法在计算局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响时,还引入了与邻域数据点到采样数据点之间的距离相关的权重系数,提高了“更近”邻域点在采样点的法向量估算中的影响,削弱了“远离”邻域点对采样点的法向量估算的干扰,充分顾及了邻域点集空间分布的差异性,从而有效提高了尖锐或边缘部位点云法向量估算的稳定性和抗噪性,进一步提高了后续根据法向量确定特征数据点的准确率。
图11示出了一个实施例中计算机设备的内部结构图。如图11所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现点云数据特征点提取方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行点云数据特征点提取方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的点云数据特征点提取装置可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该点云数据特征点提取装置的各个程序模块,比如,图10所示的点云数据获取单元1010、数据点法向量确定单元1020以及特征数据点提取单元1030。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的点云数据特征点提取方法中的步骤。
例如,图11所示的计算机设备可以通过如图10所示的点云数据特征点提取装置中的点云数据获取单元1010执行步骤S102;计算机设备可通过数据点法向量确定单元1020执行步骤S104;计算机设备可通过特征数据点提取单元1030执行步骤S105。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待提取特征的点云数据;
根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量;所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数;
根据各个数据点的法向量确定所述点云数据中的特征数据点。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取待提取特征的点云数据;
根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量;所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数;
根据各个数据点的法向量确定所述点云数据中的特征数据点。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种点云数据特征点提取方法,其特征在于,包括:
获取待提取特征的点云数据;
根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量;所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数;
根据各个数据点的法向量确定所述点云数据中的特征数据点。
2.根据权利要求1所述的点云数据特征点提取方法,其特征在于,所述根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量的步骤,具体包括:
确定待计算法向量的采样数据点;
根据最优邻域半径尺度确定所述采样数据点的邻域数据点;
构建目标函数;所述目标函数与邻域数据点到采样数据点的空间欧式距离以及邻域数据点到所述采样数据点的切平面的距离有关;所述采样数据点的切平面的法向量与所述采样数据点的法向量相同;
确定使所述目标函数值最小的采样数据点的法向量。
3.根据权利要求2所述的点云数据特征点提取方法,其特征在于,所述最优邻域半径尺度是根据采样数据点的邻域范围信息熵所确定的,确定所述采样数据点的最优邻域半径尺度的步骤,具体包括:
确定邻域半径尺度候选区间以及邻域尺度递增步长;
根据所述邻域半径尺度候选区间以及邻域尺度递增步长确定多个采样邻域半径尺度;
计算所述多个采样邻域半径尺度下的信息熵;
将信息熵最小值对应的采样邻域半径尺度确定为最优邻域半径尺度。
4.根据权利要求3所述的点云数据特征点提取方法,其特征在于,所述计算所述多个采样邻域半径尺度下的信息熵的步骤,具体包括:
根据采样邻域半径尺度确定多个邻域数据点,并确定所述多个邻域数据点的重心数据点;
根据所述多个邻域数据点以及所述重心数据点确定协方差矩阵;
计算所述协方差矩阵的多个特征值;
根据所述多个特征值计算信息熵。
5.根据权利要求1所述的一种点云数据特征点提取方法,其特征在于,所述根据各个数据点的法向量确定所述点云数据中的特征数据点的步骤,具体包括:
确定采样数据点;
确定与所述采样数据点最近邻的若干个近邻数据点;
计算所述采样数据点的法向量与所述若干个近邻数据点的法向量的向量夹角的标准差;
判断所述标准差是否大于预设的特征点阈值;
当判断所述标准差大于预设的特征点阈值时,将所述采样数据点确定为特征数据点。
6.根据权利要求5所述的一种点云数据特征点提取方法,其特征在于,所述特征点阈值是预先基于对标准差的统计所确定的;所述特征点阈值与标准差-点云数据个数分布曲线的拐点相关。
7.根据权利要求1所述的一种点云数据特征点提取方法,其特征在于,在所述根据各个数据点的法向量确定所述点云数据中的特征数据点的步骤之前,还包括:
根据数据点的法向量夹角对所述数据点的法向量的方向进行一致性调整。
8.一种点云数据特征点提取装置,其特征在于,包括:
点云数据获取单元,用于获取待提取特征的点云数据;
数据点法向量确定单元,用于根据预设的改进法向量计算方法对所述点云数据进行处理,确定各个数据点的法向量;所述改进法向量计算方法中局部邻域范围内的邻域数据点的空间分布对数据点的法向量的影响计算公式引入与邻域数据点到采样数据点之间的距离相关的权重系数;
特征数据点提取单元,用于根据各个数据点的法向量确定所述点云数据中的特征数据点。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述点云数据特征点提取方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述点云数据特征点提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974302.4A CN112101229B (zh) | 2020-09-16 | 2020-09-16 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974302.4A CN112101229B (zh) | 2020-09-16 | 2020-09-16 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101229A true CN112101229A (zh) | 2020-12-18 |
CN112101229B CN112101229B (zh) | 2023-02-24 |
Family
ID=73759266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010974302.4A Active CN112101229B (zh) | 2020-09-16 | 2020-09-16 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101229B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802077A (zh) * | 2021-01-12 | 2021-05-14 | 广东奥普特科技股份有限公司 | 一种高精度点云法向计算方法 |
CN113255677A (zh) * | 2021-05-27 | 2021-08-13 | 中国电建集团中南勘测设计研究院有限公司 | 一种岩体结构面及产状信息快速提取方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034104A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 三维点云中基于随机采样一致性的特征线检测方法 |
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
CN108010116A (zh) * | 2017-11-30 | 2018-05-08 | 西南科技大学 | 点云特征点检测方法和点云特征提取方法 |
CN110321910A (zh) * | 2018-03-29 | 2019-10-11 | 中国科学院深圳先进技术研究院 | 面向点云的特征提取方法、装置及设备 |
CN110458174A (zh) * | 2019-06-28 | 2019-11-15 | 南京航空航天大学 | 一种无序点云关键特征点精确提取方法 |
CN110849374A (zh) * | 2019-12-03 | 2020-02-28 | 中南大学 | 地下环境定位方法、装置、设备及存储介质 |
CN110942077A (zh) * | 2019-12-11 | 2020-03-31 | 南京航空航天大学 | 基于权重局部变化度和l1中值优化的特征线提取方法 |
-
2020
- 2020-09-16 CN CN202010974302.4A patent/CN112101229B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034104A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 三维点云中基于随机采样一致性的特征线检测方法 |
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
CN108010116A (zh) * | 2017-11-30 | 2018-05-08 | 西南科技大学 | 点云特征点检测方法和点云特征提取方法 |
CN110321910A (zh) * | 2018-03-29 | 2019-10-11 | 中国科学院深圳先进技术研究院 | 面向点云的特征提取方法、装置及设备 |
CN110458174A (zh) * | 2019-06-28 | 2019-11-15 | 南京航空航天大学 | 一种无序点云关键特征点精确提取方法 |
CN110849374A (zh) * | 2019-12-03 | 2020-02-28 | 中南大学 | 地下环境定位方法、装置、设备及存储介质 |
CN110942077A (zh) * | 2019-12-11 | 2020-03-31 | 南京航空航天大学 | 基于权重局部变化度和l1中值优化的特征线提取方法 |
Non-Patent Citations (4)
Title |
---|
STEFAN GUMHOLD等: ""Feature Extraction from Point Clouds"", 《RESEARCHGATE》 * |
马聪聪等: ""基于法向量和密度的点云特征点提取问题研究"", 《计算机应用与软件》 * |
麻卫峰等: ""一种改进法向量估算的点云特征提取"", 《测绘科学》 * |
麻卫峰等: ""激光点云输电线精细提取的残差聚类法"", 《测绘学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802077A (zh) * | 2021-01-12 | 2021-05-14 | 广东奥普特科技股份有限公司 | 一种高精度点云法向计算方法 |
CN112802077B (zh) * | 2021-01-12 | 2023-08-22 | 广东奥普特科技股份有限公司 | 一种高精度点云法向计算方法 |
CN113255677A (zh) * | 2021-05-27 | 2021-08-13 | 中国电建集团中南勘测设计研究院有限公司 | 一种岩体结构面及产状信息快速提取方法、设备及介质 |
CN113255677B (zh) * | 2021-05-27 | 2022-08-09 | 中国电建集团中南勘测设计研究院有限公司 | 一种岩体结构面及产状信息快速提取方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112101229B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101229B (zh) | 点云数据特征点提取方法、装置、计算机设备及存储介质 | |
CN108932301B (zh) | 数据填充方法及装置 | |
Yu et al. | Fast bridge deflection monitoring through an improved feature tracing algorithm | |
El‐Sayed et al. | Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction | |
CN112381862B (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN112782743B (zh) | 一种车辆定位方法、装置、计算机设备及存储介质 | |
CN112819962A (zh) | 数字图像相关中非均匀网格划分及局部网格疏密方法 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
CN113269706A (zh) | 激光雷达图像质量评价方法、装置、设备及存储介质 | |
CN108388909B (zh) | 一种复杂曲面自适应采样方法 | |
CN107194994B (zh) | 一种无标定曲面点云数据重建圆柱面的方法及装置 | |
CN108846856B (zh) | 图片特征点的跟踪方法和跟踪装置 | |
CN111582013A (zh) | 一种基于灰度共生矩阵特征船只检索方法及装置 | |
CN108763261B (zh) | 一种图形检索方法 | |
CN116819561A (zh) | 一种点云数据匹配方法、系统、电子设备及存储介质 | |
CN111986299A (zh) | 点云数据处理方法、装置、设备及存储介质 | |
CN112630793B (zh) | 一种确定平面异常点的方法和相关装置 | |
CN104616302A (zh) | 一种目标实时识别方法 | |
CN111982152B (zh) | 点云地图量化方法、装置、计算机设备和存储介质 | |
CN112017290B (zh) | 一种圆锥面拟合方法、装置、计算机设备和存储介质 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN113689481A (zh) | 一种基于中分辨率影像的同名云点快速匹配算法 |
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 |