CN112330699B - 一种基于重叠区域对齐的三维点云分割方法 - Google Patents

一种基于重叠区域对齐的三维点云分割方法 Download PDF

Info

Publication number
CN112330699B
CN112330699B CN202011273565.9A CN202011273565A CN112330699B CN 112330699 B CN112330699 B CN 112330699B CN 202011273565 A CN202011273565 A CN 202011273565A CN 112330699 B CN112330699 B CN 112330699B
Authority
CN
China
Prior art keywords
point cloud
point
alignment
segmentation
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
Application number
CN202011273565.9A
Other languages
English (en)
Other versions
CN112330699A (zh
Inventor
徐宗懿
王杨滏
黄小水
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011273565.9A priority Critical patent/CN112330699B/zh
Publication of CN112330699A publication Critical patent/CN112330699A/zh
Application granted granted Critical
Publication of CN112330699B publication Critical patent/CN112330699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及三维点云分割技术领域，特别是涉及一种基于重叠区域对齐的三维点云分割方法，包括确定需要进行分割的点云重叠区域对齐模型，并选择和构建该模型的点云数据集；对点云数据集中的点云进行区域化操作，生成点云数据对；构建基于重叠区域对齐的点云分割模型；设置基于重叠区域对齐的点云分割模型的损失函数计算点云数据对重叠区域估计产生的误差，以及点云数据对之间对齐的旋转误差；利用点云数据对对模型进行训练，在训练过程中使用随机梯度下降来优化模型预测输出与真实标签的误差，得到分割模型；本发明采用深度学习方法进行点云分割，解决边缘分割效果差的问题，并在分割过程中考虑了该问题造成的影响，提高了点云分割的精度。

Description

一种基于重叠区域对齐的三维点云分割方法
技术领域
本发明涉及三维点云分割技术领域，特别是涉及一种基于重叠区域对齐的三维点云分割方法。
背景技术
点云分割是根据空间、几何和纹理等特征对点云进行划分，使得同一划分的点云具有相似的特征，较好的点云分割方法会方便的许多后期应用。点云分割方法主要包括两类：第一类使用数学模型拟合、或者区域增长、最小分割、欧式聚类等方法，这些方法简单易实现，但是灵活性差，且当点云数据中有噪声时会大幅度影响分割效率；第二类方法使用深度学习技术进行分割，该类方法可以有效地提高点云分割准确度，但是比较消耗内存和时间，同时存在过分割问题。
目前，以卷积神经网络为主的深度学习算法对点云分割精度产生了巨大的提升。但是当点云场景过大时需要先对点云进行区域化采样，进而在采样后的点云数据上实现分割，这样会导致边缘的分割效果较差。因此需要一种对边缘的分割有效的方法。
发明内容
为了解决由于区域化采样而使得边缘分割效果差的问题，本发明提出一种基于重叠区域对齐的三维点云分割方法，具体包括以下步骤：
确定需要进行分割的点云重叠区域对齐模型，并选择和构建该模型的点云数据集；
对点云数据集中的点云进行区域化操作，生成点云数据对；
构建基于重叠区域对齐的点云分割模型；
设置基于重叠区域对齐的点云分割模型的损失函数计算点云数据对重叠区域估计产生的误差，以及点云数据对之间对齐的旋转误差；
利用点云数据对对模型进行训练，在训练过程中使用随机梯度下降来优化模型预测输出与真实标签的误差，得到分割模型；
对获取的原始点云数据进行块划分，将划分后的数据和原始点云组成点云数据对输入分割模型，即可得到分割结果。
进一步的，对点云数据集中的点云进行区域化操作包括：对于一个点云O，随机选择一个坐标轴a，并求得在该坐标轴下原始点云O的最大值aMax与最小值aMin，确定随机数rand∈[0,1]，将点云O中点o在坐标轴a上满足(o-aMin)/(aMax-aMin)>rand的点组成区域化的点云P，点云P和点云O组成一组点云数据对，记为(P,O)。
进一步的，构建基于重叠区域对齐的点云分割模型的过程包括：
构建重叠区域检测模块，通过Unet网络提取每个点云的特征，并利用最近邻算法检测点云数据对的重叠区域；
构建重叠区域优化模块，在该模块中计算点云数据对的权重，并保留权重大于clip_weights的点云数据对；
构建重叠区域对齐模块，将优化后的点云数据对输入自动编码器获得特征F″P、F″O，基于获得的特征根据通过最小化投影误差的方法求解用于完成对齐的旋转矩阵；
构建点云分割模块，通过最近算法将点云数据对(P,O)中的点云O中的标签传递到点云P中，即点云P中的点p的标签为点云O中最近邻点o的标签，完成点云分割。
进一步的，通过Unet网络提取每个点云的特征时，将N×D的点云作为Unet网络的输入，该网络中有四个卷积层和四个反卷积层，将Unet网络的输入输入到第一卷积层，其中第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层，且第一卷积层与第三反卷积层跳跃连接、第二卷积层与第二反卷积层跳跃连接、第三卷积层与第一反卷积层跳跃连接，第四反卷积层的输出即为Unet网络提取的点云的特征，其中N为点云中点的个数，D为点的维度数。
进一步的，当D＝3时，点的维度数对应XYZ空间坐标；当D＝6时，点的维度数对应XYZ空间坐标和RGB颜色通道。
进一步的，利用最近邻算法检测点云数据对的重叠区域：
FP＝Unet(P)；
FO＝Unet(O)；
(P′,O′)＝KNN(FP,FO)；
其中，FP为点云P的特征；FO为点云O的特征；(P′,O′)为重叠区域检测获得的点对；KNN(FP,FO)为从特征FO中使用最近邻算法找出FP中任意点特征的最近邻点。
进一步的，求取旋转矩阵的过程表示为：
Figure BDA0002778428330000031
其中，F″(R*O+t)为点云O乘以旋转矩阵之后的提取的特征；
Figure BDA0002778428330000032
表示求欧氏距离；M为旋转矩阵。
进一步的，将点云O中的标签传递到点云P中的过程表示为：
(p,o)＝KNN(p,O)；
L(p)＝L(o)；
其中，(p,o)表示p的最近邻点o；KNN(p,O)表示从点云O中找p的最近邻点；L(.)为标签函数，用来获取标签。
进一步的，最近邻算法中，若点云P中包括N个点，点云Q中包括M个点，计算点云P中的点p与点云Q中的点q之间的距离，并将与点p距离最小的的点q即为点p的最近邻点，表示为：minq∈Q||p-q||2，其中，||||2表示求欧氏距离。
进一步的，基于重叠区域对齐的点云分割模型的损失函数包括：
L＝Lregion+Laligment；
Figure BDA0002778428330000041
Figure BDA0002778428330000042
其中，y是真实值，
Figure BDA0002778428330000043
为预测值，
Figure BDA0002778428330000044
为一个sigmoid函数，N为重叠区域点的个数；Lregion为重叠区域优化产生的误差；Laligment为重叠区域对齐产生的误差；R为真实的旋转值；
Figure BDA0002778428330000045
为预测的旋转值；t为真实的平移值；
Figure BDA0002778428330000046
为预测的平移值。
本发明采用深度学习方法进行点云分割，旨在解决常见方法中存在的边缘分割效果差的问题，并在分割过程中考虑了该问题造成的影响，提高了点云分割的精度，与现有技术相比，本发明有以下优点：
1、现有技术对输入的点个数有限制，例如4096个点或者1024个点，导致其预处理分为两部分：首先对大场景进行块划分，再通过采样固定个数的点才可以输入；而本发明对输入并没有限制，由于采样会丢失部分几何特征，因此本发明中的数据预处理，只需要进行块划分，而无需进行采样操作，这样可以学习到更丰富的特征；
2、对边缘的分割方式不同，块划分方法都容易导致模型对边缘特征的学习能力降低，例如，若在块划分时仅保留的某物体的一部分，这样在特征学习时该物体便无法学习到鲁棒的特征，进而导致边缘分割效果差；而本发明中的方法，通过重叠区域检测，优化，对齐的策略来完成了两个有重叠区域的点云的对齐后，直接使用KNN算法实现标签的传递，因此，本发明的边缘分割效果会优于一般的基于学习的方法。
附图说明
图1为本发明使用的用于提取对应点特征的Unet网络结构示意图；
图2为本发明基于重叠区域对齐的点云分割模型结构以及实施过程示意图；
图3为本发明一种基于重叠区域对齐的三维点云分割方法流程示意图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种基于重叠区域对齐的三维点云分割方法，如图3，具体包括以下步骤：
确定需要进行分割的点云重叠区域对齐模型，并选择和构建该模型的点云数据集；
对点云数据集中的点云进行区域化操作，生成点云数据对；
构建基于重叠区域对齐的点云分割模型；
设置基于重叠区域对齐的点云分割模型的损失函数计算点云数据对重叠区域估计产生的误差，以及点云数据对之间对齐的旋转误差；
利用点云数据对对模型进行训练，在训练过程中使用随机梯度下降来优化模型预测输出与真实标签的误差，得到分割模型；
对获取的原始点云数据进行块划分，将划分后的数据和原始点云组成点云数据对输入分割模型，即可得到分割结果。
在本实施例中，选择两个大型的室内数据集，分别为S3DIS和ScanNet。S3DIS中包含了6个区域，一共271个房间，共分为13个类别，同时每个点都有标签信息。
在数据处理阶段，直接对每个房间进行随机块划分，从而得到点云数据对按照1，2，3，4区域训练，6区域验证，5区域测试的策略进行训练与测试；
ScanNet也是一个常用的点云分割数据集，其中包括真实重建产生的房间数据，其中共有1513个房间，共分为20个类别和1个空类。同样对每个房间进行随机块划分，来获得点云数据对训练策略为：训练集/验证集/测试集＝1101/100/312。
对于一个点云O，随机选择一个坐标轴a，并求得在该坐标轴下原始点云o的最大值aMax与最小值aMin，确定随机数rand∈[0,1]，将点云O中点o在坐标轴a上满足(o-aMin)/(aMax-aMin)>rand的点组成区域化的点云P，点云P和点云O组成一组点云数据对，记为(P,O)。
点云重叠区对齐的点云分割模型包括重叠区域检测、重叠区域优化、重叠区域对齐以及点云分割四个部分，其中：
构建重叠区域检测模块，通过Unet网络提取每个点云的特征，并利用最近邻算法检测点云数据对的重叠区域；
构建重叠区域优化模块，在该模块中计算点云数据对的权重，并保留权重大于clip_weights的点云数据对；
构建重叠区域对齐模块，将优化后的点云数据对输入自动编码器获得特征F″P、F″O，基于获得的特征根据通过最小化投影误差的方法求解用于完成对齐的旋转矩阵；
构建点云分割模块，通过最近算法将点云数据对(P,O)中的点云O中的标签传递到点云P中，即点云P中的点p的标签为点云O中最近邻点o的标签，完成点云分割。
Unet网络结构如图1所示，该网络输入是一个点云，其大小为NxD，N为点云中点的个数，D为点的维度值，常见的有D＝3对应XYZ坐标或D＝6对于XYZ坐标和颜色通道RGB。该网络中的Conv为卷积操作，卷积操作会通过卷积核对输入实现线性变换，一般情况下，卷积操作会扩大通道数，缩小点的数量，即n1*64＝Conv(N*D),其中N>＝n1,D<＝64。DeConv为卷积的逆操作，称为反卷积，用于将特征恢复到点云的对应点。其中图片中的虚线表示跳跃连接(skip connect)操作，是将两个部分做拼接，接着作为下一个阶段的输入。
通过Unet网络提取每个点云的特征，接着使用最近邻算法(KNN)用于重叠区域检测，此处的K＝1，则只求一个最近邻点。重叠区域检测输入一组点云对(P,O)，输出一组处于重叠区域的点对(P′,O′)，表示为：
FP＝Unet(P)；
FO＝Unet(O)；
(P′,O′)＝KNN(FP,FO)；
(P′,O′)为重叠区域检测获得的点对，在利用最近邻算法检测点云数据对的重叠区域时，对于两个点云P、O，若点云P中有N个点，点云O中有M个点，则对P中每个点p与O中所有点求距离，并将O中距离最小的点q记为p的最近邻点，所有的点p的最近邻集合记为点云P和点云O的重叠区域，表示为：
Figure BDA0002778428330000071
但是仅仅通过KNN检测获得的重叠区域是存在噪声的，因此需要重叠区域优化模块。
本实施例给出重叠区域优化的实施方法，该处优化是为了去除重叠区域检测产生的噪声点对。
将重叠区域检测获得的点对(P′,O′)，拼接成一个nx6的矩阵(n为对应点的数目)，并通过另一个Unet网络来输出一个nx1的向量，该向量中的每个值为权重，表示该点对真正属于重叠区域的概率。在本发明中定义了一个超参数clip_weights，目的是去除重叠区域的噪声点对，具体操作为仅保留权重大于等于clip_weights的点对,获得优化后的点对(P″,O″)。
weights＝Unet(concatence(P′,Q′))；
Figure BDA0002778428330000072
其中，Concatenate为拼接操作。
用于完成优化后的重叠区域对齐，根据(P″,O″)来求解一个旋转矩阵M＝[R|t]，本实施例使用的是基于特征的对齐方法，具体操作为：首先通过一个自动编码器(Encoder)获得特征F″P,F″O,自动解码器(Decoder)的作用是为了让自动编码器(Encoder)学习到的特征更加有效，T-estimator则是通过最小化投影误差的方法来求解旋转矩阵，求取过程表示为：
Figure BDA0002778428330000073
其中，F″(R*O+t)为点云O乘以旋转矩阵之后的提取的特征；
Figure BDA0002778428330000081
表示求欧氏距离；M为旋转矩阵。
通过完成重叠区域对齐获得旋转矩阵M后，便可以通过最近邻算法(KNN)将点云O中的标签传递到点云P，则P中的点p的标签则为O中最近邻点o的标签。定义函数L(·)为标签函数，用于获得标签。具体表示为：
(p,o)＝KNN(p,O)；
L(p)＝L(o)。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于重叠区域对齐的三维点云分割方法，其特征在于，包括以下步骤：
确定需要进行分割的点云重叠区域对齐模型，并选择和构建该模型的点云数据集；
对点云数据集中的点云进行区域化操作，生成点云数据对，即对于一个点云O，随机选择一个坐标轴a，并求得在该坐标轴下原始点云O的最大值aMax与最小值aMin，确定随机数rand∈[0,1]，将点云O中点o在坐标轴a上满足(o-aMin)/(aMax-aMin)>rand的点组成区域化的点云P，点云P和点云O组成一组点云数据对，记为(P,O)；
构建基于重叠区域对齐的点云分割模型；包括以下步骤：
构建重叠区域检测模块，通过Unet网络提取每个点云的特征，并利用最近邻算法检测点云数据对的重叠区域，包括：
FP＝Unet(P)
FO＝Unet(O)
(P′,O′)＝KNN(FP,FO)
其中，FP为点云P的特征；FO为点云O的特征；(P′,O′)为重叠区域检测获得的点对；KNN(FP,FO)为从特征FO中使用最近邻算法找出FP中任意点特征的最近邻点；
构建重叠区域优化模块，在该模块中计算点云数据对的权重，并保留权重大于clip_weights的点云数据对；
构建重叠区域对齐模块，将优化后的点云数据对输入自动编码器获得特征F″P、F″O，基于获得的特征根据通过最小化投影误差的方法求解用于完成对齐的旋转矩阵；具体包括：
通过一个自动编码器获得特征F″P,F″O，通过最小化特征F″P,F″O的投影误差的方法来求解旋转矩阵，求解过程表示为：
Figure FDA0003782900750000021
其中，F″(R*O+t)为点云O乘以旋转矩阵之后的提取的特征；
Figure FDA0003782900750000022
表示求欧氏距离；M为旋转矩阵；
构建点云分割模块，通过最近邻算法将点云数据对(P,O)中的点云O中的标签传递到点云P中，即点云P中的点p的标签为点云O中最近邻点o的标签，完成点云分割；
设置基于重叠区域对齐的点云分割模型的损失函数计算点云数据对重叠区域估计产生的误差，以及点云数据对之间对齐的旋转误差；
利用点云数据对对模型进行训练，在训练过程中使用随机梯度下降来优化模型预测输出与真实标签的误差，得到分割模型；
对获取的原始点云数据进行块划分，将划分后的数据和原始点云组成点云数据对输入分割模型，即可得到分割结果。
2.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，通过Unet网络提取每个点云的特征时，将N×D的点云作为Unet网络的输入，该网络中有四个卷积层和四个反卷积层，将Unet网络的输入输入到第一卷积层，其中第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层，且第一卷积层与第三反卷积层跳跃连接、第二卷积层与第二反卷积层跳跃连接、第三卷积层与第一反卷积层跳跃连接，第四反卷积层的输出即为Unet网络提取的点云的特征，其中N为点云中点的个数，D为点的维度数。
3.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，当D＝3时，点的维度数对应XYZ空间坐标；当D＝6时，点的维度数对应XYZ空间坐标和RGB颜色通道。
4.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，将点云O中的标签传递到点云P中的过程表示为：
(p,o)＝KNN(p,O)；
L(p)＝L(o)；
其中，(p,o)表示p的最近邻点o；KNN(p,O)表示从点云O中找点p的最近邻点；L(.)为标签函数。
5.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，最近邻算法中，若点云P中包括N个点，点云Q中包括M个点，计算点云P中的点p与点云Q中的点q之间的距离，并将与点p距离最小的点q即为点p的最近邻点，表示为：minq∈Q||p-q||2，其中，|| ||2表示求欧氏距离。
6.根据权利要求1所述的一种基于重叠区域对齐的三维点云分割方法，其特征在于，对基于重叠区域对齐的点云分割模型进行训练时，其损失函数表示为：
L＝Lregion+Laligment
Figure FDA0003782900750000031
Figure FDA0003782900750000032
其中，y是真实值，
Figure FDA0003782900750000033
为预测值，
Figure FDA0003782900750000034
为一个sigmoid函数,N为重叠区域点的个数；Lregion为重叠区域优化产生的误差；Laligment为重叠区域对齐产生的误差；R为真实的旋转值；
Figure FDA0003782900750000035
为预测的旋转值；t为真实的平移值；
Figure FDA0003782900750000036
为预测的平移值。
CN202011273565.9A 2020-11-14 2020-11-14 一种基于重叠区域对齐的三维点云分割方法 Active CN112330699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011273565.9A CN112330699B (zh) 2020-11-14 2020-11-14 一种基于重叠区域对齐的三维点云分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011273565.9A CN112330699B (zh) 2020-11-14 2020-11-14 一种基于重叠区域对齐的三维点云分割方法

Publications (2)

Publication Number Publication Date
CN112330699A CN112330699A (zh) 2021-02-05
CN112330699B true CN112330699B (zh) 2022-09-16

Family

ID=74318623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011273565.9A Active CN112330699B (zh) 2020-11-14 2020-11-14 一种基于重叠区域对齐的三维点云分割方法

Country Status (1)

Country Link
CN (1) CN112330699B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022523B (zh) * 2021-10-09 2024-07-09 清华大学 低重叠点云数据配准系统及方法
CN115035195B (zh) * 2022-08-12 2022-12-09 歌尔股份有限公司 点云坐标提取方法、装置、设备及存储介质
CN115908425B (zh) * 2023-02-14 2023-06-30 四川大学 一种基于边缘检测的堆石级配信息检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832582A (zh) * 2019-04-15 2020-10-27 中国矿业大学(北京) 一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160379366A1 (en) * 2015-06-25 2016-12-29 Microsoft Technology Licensing, Llc Aligning 3d point clouds using loop closures
CN106204718B (zh) * 2016-06-28 2019-08-20 华南理工大学 一种基于单个Kinect的简易高效三维人体重建方法
CN109147030B (zh) * 2018-07-05 2020-06-30 厦门大学 基于线特征的室内外场景联合建模方法
CN109767464B (zh) * 2019-01-11 2023-03-28 西南交通大学 一种低重叠率的点云配准方法
CN109961440B (zh) * 2019-03-11 2021-06-18 重庆邮电大学 一种基于深度图的三维激光雷达点云目标分割方法
CN110610501B (zh) * 2019-09-18 2022-04-29 中国大恒(集团)有限公司北京图像视觉技术分公司 一种点云分割方法及装置
CN110889243B (zh) * 2019-12-20 2020-08-18 南京航空航天大学 一种基于深度相机的飞机油箱三维重建方法与检测方法
CN111489358B (zh) * 2020-03-18 2022-06-14 华中科技大学 一种基于深度学习的三维点云语义分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832582A (zh) * 2019-04-15 2020-10-27 中国矿业大学(北京) 一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法

Also Published As

Publication number Publication date
CN112330699A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112330699B (zh) 一种基于重叠区域对齐的三维点云分割方法
CN108230339B (zh) 一种基于伪标签迭代标注的胃癌病理切片标注补全方法
CN108399406B (zh) 基于深度学习的弱监督显著性物体检测的方法及系统
CN111489358B (zh) 一种基于深度学习的三维点云语义分割方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN112991447B (zh) 一种动态环境下视觉定位与静态地图构建方法及系统
CN108388896B (zh) 一种基于动态时序卷积神经网络的车牌识别方法
CN109118473B (zh) 基于神经网络的角点检测方法、存储介质与图像处理系统
CN111028217A (zh) 一种基于全卷积神经网络的图像裂缝分割方法
CN112365511B (zh) 基于重叠区域检索与对齐的点云分割方法
CN111652892A (zh) 一种基于深度学习的遥感影像建筑物矢量提取及优化方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN112651406B (zh) 一种深度感知和多模态自动融合的rgb-d显著性目标检测方法
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
CN112084849A (zh) 图像识别方法和装置
CN106570874A (zh) 一种结合图像局部约束与对象全局约束的图像标记方法
CN112541491A (zh) 基于图像字符区域感知的端到端文本检测及识别方法
CN111768415A (zh) 一种无量化池化的图像实例分割方法
CN103093470A (zh) 一种具有尺度无关特性的快速多模态图像协同分割方法
CN111652240A (zh) 一种基于cnn的图像局部特征检测与描述方法
CN115410059B (zh) 基于对比损失的遥感图像部分监督变化检测方法及设备
CN114140623A (zh) 一种图像特征点提取方法及系统
CN113989340A (zh) 一种基于分布的点云配准方法
CN112053441A (zh) 一种室内鱼眼图像的全自动布局恢复方法
CN113177592A (zh) 一种图像分割方法、装置、计算机设备及存储介质

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