CN112446844B - 一种基于点云特征提取与配准融合方法 - Google Patents
一种基于点云特征提取与配准融合方法 Download PDFInfo
- Publication number
- CN112446844B CN112446844B CN202011364459.1A CN202011364459A CN112446844B CN 112446844 B CN112446844 B CN 112446844B CN 202011364459 A CN202011364459 A CN 202011364459A CN 112446844 B CN112446844 B CN 112446844B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- registration
- fusion
- point
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及点云特征配准的技术领域,具体涉及一种基于点云特征提取与配准融合方法,包括以下步骤:采集点云样本数据进行预处理,构建点云数据库;提取点云数据库中的点云主动形状模型的全局特征和局部二元模式的局部特征的点云融合特征;标准化主动形状模型的全局特征和局部二元模式的局部特征,利用最优迭代策略进行串联配准融合,生成最终的点云融合特征数据。本发明的基于点云特征提取与配准融合方法解决了异源数据差异情况影响后续特征融合提取一致性的问题,提高了点云数据特征提取与配准融合的精确度。
Description
技术领域
本发明涉及点云特征配准的技术领域,尤其涉及一种基于点云特征提取与配准融合方法。
背景技术
激光探测与测距LiDAR(Light Detection AndRanging)技术在过去20年获得了巨大发展,作为一种主动遥感技术,LiDAR通过发射激光脉冲并接收目标反射信号来直接确定目标的空间位置,具有数据采集速度快、几何定位精度高等优点。而传统的光学影像能获得丰富的地物光谱信息和纹理细节,将2种数据结合可以充分发挥各自的优势,并广泛应用于数字城市、灾害评估、精准农业和林业等领域,取得了巨大的社会经济效益。但是激光点云和光学影像的几何参考框架不同,二者之间往往不能直接精确对准。为了实现二者的有效融合与应用,必须首先解决二者之间的几何配准问题。与传统的图像配准问题相比,激光点云与光学影像是二种跨模态(cross-modal)异源数据,二者之间的巨大差异给配准问题带来了很大困难。学者们对点云与影像配准问题开展了多年研究,并提出了一系列的算法,但在配准精度、鲁棒性以及自动化水平等方面还存在局限性,有必要对现有的研究进展进行梳理。
中国专利CN103345757A公开了一种多层次多特征约束下的光学和SAR影像自动配准方法,但这种属于传统的光学影像配准,如果直接运用在点云与影像的配准会给同名观测值的确定造成了很大困难。
发明内容
为了解决现有技术所存在的问题,本发明提供了一种基于点云特征提取与配准融合方法,能够解决现有异源数据配准精确度不高且有差异的问题。
为解决上述技术问题,本发明提供以下技术方案:
一种基于点云特征提取与配准融合方法,包括以下步骤:
采集点云样本数据进行预处理,构建点云数据库;
提取点云数据库中的点云主动形状模型全局特征和局部二元模式局部特征的点云融合特征;
标准化主动形状模型的全局特征与局部二元模式的局部特征,利用最优迭代策略进行串联配准融合,生成最终的点云融合特征数据。
进一步的,提取点云融合特征的步骤包括:
确定主动形状模型的目标点位置,提取主动形状模型的全局特征;
利用目标点位置划分子区域,提取局部二元模式的局部特征。
进一步的,点云样本数据包括,时间数据、激光距离测量值、机载GPS数据、IMU数据和地面基站GPS数据。
进一步的,预处理的步骤包括:
利用机载激光雷达测量系统自带软件对地面基站测得的GPS和机载GPS测量数据进行联合差分解算,确定飞机扫描过程中的飞行轨迹;
根据吊舱码盘角度、GPS天线相位中心与IMU几何中心的偏心分量,利用系统软件将差分后的航迹进行杆臂补偿,解算出IMU几何中心的航迹;
IMU几何中心航迹与IMU姿态进行联合式组合导航解算,得到航迹和姿态角;
利用系统软件将组合导航解算的结果和采集到的原始点云数据进行联合处理,得到各测点的(X,Y,Z)坐标数据,获得具有三维坐标、姿态空间信息数据的激光点云数据;
将激光点云数据从瞬时激光光束坐标系转换到WG84坐标系,利用系统点云处理软件对激光点云数据进行编辑,剔除空中因灰尘、鸟类引起的噪声点和孤立点。
进一步的,还包括:
根据预处理后的点云数据获得主动形状模型的目标点位置;
以曲率的突变处作为参考点,计算点云数据剩余目标点到目标点的相对距离和角度;
利用矢量拼接策略将点云数据生目标点到参考点的相对距离和角度整合得到多维的全局特征向量。
进一步的,划分子区域的步骤包括:
根据目标点划分子区域,将点云数据中心点的灰度值作为阈值;
对相邻点进行二值化处理,得到子区域的局部二元模式特征值;
旋转不变形转化局部二元模式特征值,得到旋转不变形转化后的局部二元模式特征值;
分别统计各个子区域经旋转不变形转化后局部二元模式特征值的十进制结果,并进行矢量拼接,组合成多维度的子区域局部二元模式的局部特征。
进一步的,生成最终的点云融合特征数据的步骤包括:
确定目标点特征在参考点范围后,构建一组同名点集(P,Pn)、(Q,Qn);
对主动形状模型的配准结果进行整体平差计算,获取配准结果,并得到初次误差值;
迭代地进行特征点精确配准,直至误差小于设定阈值,呈收敛趋势,计算结束,输出最终结果,得到点云融合特征数据。
进一步的,最优迭代策略包括:
其中,N为可行解集合,i∈N表示点云数据特征点i,NN为该集合中曲率突变处的总数,即目标参考点数量,为优化配准融合指标。
进一步的,还包括以下步骤:
利用应用环境将点云数据目标点程序化;
调用多目标算法并关联程序化后的点云数据目标点;
利用多目标优化策略将初步判断结果产生的变量赋值到主动形状模型内进行求解计算;
获得多组满足约束条件的可行解并加以比较,求得最优解;
重复多次计算,得到可行解集合及Pareto最优解集;
提取解集中最佳解作为最终的判断优化结果,输出优化后的目标信息,完成迭代优化。
相对于现有技术,本发明的有益效果为:
本发明一方面通过预处理,减少点云数据对采集数据的要求,解决了异源数据差异情况影响后续特征融合提取一致性的问题;另一方面通过主动形状模型全局特征和最优迭代策略描述点云数据整体差异、局部二元模式特征描述子区域细节差异,通过融合两组特征,解决了当前现有技术人员点云特征区分度低、稳定性差的问题,提高了点云数据特征提取与配准融合的精确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明的基于点云特征提取与配准融合方法的流程示意图;
图2为本发明的基于点云特征提取与配准融合方法的点云特征配准融合算法流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明的实施例包括:
实施例1:
点云是典型的离散采样,其数据分布受激光发射频率和系统扫描频率制约,而影像一般是面阵或线阵成像,是一种连续采样,为了克服数据之间的差异,自动提取稳定可靠的同名观测值,现急需解决针对异源数据特征提取配准融合的方法。
如图1和2所示,为本发明的第一个实施例,提供了一种基于点云特征提取与配准融合方法,包括以下步骤:
S1:采集点云样本数据进行预处理,构建点云数据库;
在本实施例中,点云样本数据包括:时间数据、激光距离测量值、机载GPS数据、IMU数据和地面基站GPS数据。
在本实施例中,预处理的步骤包括:
利用机载激光雷达测量系统自带软件对地面基站测得的GPS和机载GPS测量数据进行联合差分解算,确定飞机扫描过程中的飞行轨迹;
根据吊舱码盘角度、GPS天线相位中心与IMU几何中心的偏心分量,利用系统软件将差分后的航迹进行杆臂补偿,解算出IMU几何中心的航迹;
IMU几何中心航迹与IMU姿态进行联合式组合导航解算,得到航迹和姿态角;
利用系统软件将组合导航解算的结果和采集到的原始点云数据进行联合处理,得到各测点的(X,Y,Z)坐标数据,获得具有三维坐标、姿态空间信息数据的激光点云数据;
将激光点云数据从瞬时激光光束坐标系转换到WG84坐标系,利用系统点云处理软件对激光点云数据进行编辑,剔除空中因灰尘、鸟类引起的噪声点和孤立点。
S2:提取点云数据库中的点云主动形状模型全局特征和局部二元模式局部特征的点云融合特征;
本步骤需要说明的是,提取点云融合特征的步骤包括:
确定主动形状模型的目标点位置,提取主动形状模型的全局特征;
利用目标点位置划分子区域,提取局部二元模式的局部特征;
根据预处理后的点云数据获得主动形状模型的目标点位置;
以曲率的突变处作为参考点,计算点云数据剩余目标点到目标点的相对距离和角度;
利用矢量拼接策略将点云数据生目标点到参考点的相对距离和角度整合得到多维的全局特征向量。
在本实施例中,划分子区域包括:
根据目标点划分子区域,将点云数据中心点的灰度值作为阈值;
对相邻点进行二值化处理,得到子区域的局部二元模式特征值;
旋转不变形转化局部二元模式特征值,得到旋转不变形转化后的局部二元模式特征值;
分别统计各个子区域经旋转不变形转化后局部二元模式特征值的十进制结果,并进行矢量拼接,组合成多维度的子区域局部二元模式的局部特征。
S3:标准化主动形状模型的全局特征与局部二元模式的局部特征,利用最优迭代策略进行串联配准融合,生成最终的点云融合特征数据。其中还需要说明的是,生成最终的点云融合特征数据包括:
确定目标点特征在参考点范围后,构建一组同名点集(P,Pn)、(Q,Qn);
对主动形状模型的配准结果进行整体平差计算,获取配准结果,并得到初次误差值;
迭代地进行特征点精确配准,直至误差小于设定阈值,呈收敛趋势,计算结束,输出最终结果,得到点云融合特征数据。
具体的,最优迭代策略包括:
其中,N:可行解集合,i∈N表示点云数据特征点i,NN:该集合中曲率突变处的总数,即目标参考点数量,优化配准融合指标;
利用应用环境将点云数据目标点程序化;
调用多目标算法并关联程序化后的点云数据目标点;
利用多目标优化策略将初步判断结果产生的变量赋值到主动形状模型内进行求解计算;
获得多组满足约束条件的可行解并加以比较,求得最优解;
重复多次计算,得到可行解集合及Pareto最优解集;
提取解集中最佳解作为最终的判断优化结果,输出优化后的目标信息,完成迭代优化。
如图2所示,本实施例还提供了一种异源数据配准算法,具体包括以下步骤:
(1)提取点云重投影数字影像的点特征;
(2)对提取的点特征进行粗配准;
(3)确定同名点搜索范围;
(4)确定同名点搜索方向;
(5)对其进行配准、平差计算,并判断误差是否收敛,即误差是否小于设定阈值;
(6)若否,则返回至步骤(3),重新进行搜索,直至计算的误差小于设定阈值时停止;
(7)若是,则直接进行点云重投影数字影像配准,直至完成时结束。
通俗的说,为了尽可能提高点特征之间的配准精度,需要利用ICP策略进行迭代平差,获取精度尽可能高的配准结果,由于粗配准的误差、投影后重采样精度的影响,或存在一定的噪声干扰,实际很难找到完全重合像方和物方控制点,但存在一个可以估计的容忍范围σ,在此圆形范围内存在一定数量的备选同名特征点;根据透视投影方式,同名特征点必定为同一核线上的两点,但由于点云的特殊性和重采样过程产生的误差,同名点并不一定能正好落于核线上,但大致方向应是一致的,因此存在一个容忍范围,该范围与上述圆形范围之间交集中存在的备选点,即可能为同名控制点,借此可以确定某一个目标点特征在参考同名点范围。
优选的,点云配准过程,就是求解两个点云之间的旋转平移矩阵(rigidtransform or euclidean transform刚性变换或欧式变换),将源点云(source cloud)变换到目标点云(target cloud)相同的坐标系下,具体表示为如下方程:
pt=R·ps+T
其中Pt和Ps就是目标点云(target cloud)与源点云(source cloud)中的一对对应点,而本实施例要求的就是其中的R与T旋转平移矩阵。
实施例2:
为了更好的对本发明方法中采用的技术效果加以验证说明,本实施例选择以传统的点云数据配准方法与本发明方法进行对比测试,以科学论证的手段对比试验结果,验证本发明方法所具有的真实效果。
传统的点云数据配准方法因数据差异不一致,导致配准融合精确度较低,为验证本发明方法相对于传统方案具有较高的精确度,本实施例中将采用传统的点云数据配准方法和本发明方法分别对仿真平台的点云数据进行实时测量对比。
测试环境:将机载激光雷达测试系统运行在仿真平台模拟行驶并模拟数据扫描场景,采用原始数据作为测试样本,即时间数据、激光距离测量值、机载GPS数据、IMU数据和地面基站GPS数据,分别采用传统方法的配准操作进行融合测试并获得测试结果数据;采用本发明方法,则开启自动化测试设备并运用MATLB实现本发明方法的仿真测试,根据实验结果得到仿真数据,两种方法各测试十组数据,计算获得每组数据的误差,与仿真模拟输入的设定误差进行对比分析计算。结果如下表所示:
表1:数据误差对比表。
参照表1,能够直观的看出,因传统方法无法自主实现对异源数据进行差异一致性的预处理,需人工干预,故其在相同的测试样本数量下,误差度较大,即精确度较低,而本发明方法基于预处理的数据,通过最优迭代策略获得最优解,极大的提高配准融合精确度,故其误差度较小。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于点云特征提取与配准融合方法,其特征在于,包括以下步骤:
采集点云样本数据进行预处理,构建点云数据库;预处理的步骤包括:
利用机载激光雷达测量系统自带软件对地面基站测得的GPS和机载GPS测量数据进行联合差分解算,确定飞机扫描过程中的飞行轨迹;
根据吊舱码盘角度、GPS天线相位中心与IMU几何中心的偏心分量,利用系统软件将差分后的航迹进行杆臂补偿,解算出IMU几何中心的航迹;
IMU几何中心航迹与IMU姿态进行联合式组合导航解算,得到航迹和姿态角;
利用系统软件将组合导航解算的结果和采集到的原始点云数据进行联合处理,得到各测点的(X,Y,Z)坐标数据,获得具有三维坐标、姿态空间信息数据的激光点云数据;
将激光点云数据从瞬时激光光束坐标系转换到WG84坐标系,利用系统点云处理软件对激光点云数据进行编辑,剔除空中因灰尘、鸟类引起的噪声点和孤立点;
提取点云数据库中的点云主动形状模型的全局特征和局部二元模式的局部特征的点云融合特征;
标准化主动形状模型的全局特征和局部二元模式的局部特征,利用最优迭代策略进行串联配准融合,生成最终的点云融合特征数据;
包括:
根据预处理后的点云数据获得所述主动形状模型的目标点位置;
以曲率的突变处作为参考点,计算点云数据剩余目标点到目标点的相对距离和角度;
利用矢量拼接策略将点云数据剩余目标点到参考点的相对距离和角度整合得到多维的全局特征向量;
划分子区域的步骤包括:
根据目标点划分子区域,将点云数据中心点的灰度值作为阈值;
对相邻点进行二值化处理,得到子区域的局部二元模式特征值;
旋转不变形转化局部二元模式特征值,得到旋转不变形转化后的局部二元模式特征值;
分别统计各个子区域经旋转不变形转化后局部二元模式特征值的十进制结果,并进行矢量拼接,组合成多维度的子区域局部二元模式的局部特征;
生成最终的点云融合特征数据的步骤包括:
确定目标点特征在参考点范围后,构建一组同名点集 (P,Pn)、 (Q,Qn);
对主动形状模型的配准结果进行整体平差计算,获取配准结果,并得到初次误差值;
迭代地进行特征点精确配准,直至误差小于设定阈值,呈收敛趋势,计算结束,输出最终结果,得到点云融合特征数据;
最优迭代策略包括:
其中,为可行解集合,/>表示点云数据特征点/>,/>为该集合中曲率突变处的总数,即目标参考点数量,/>为优化配准融合指标。
2.根据权利要求1所述的基于点云特征提取与配准融合方法,其特征在于,提取点云融合特征的步骤包括:
确定主动形状模型的目标点位置,提取主动形状模型的全局特征;
利用目标点位置划分子区域,提取局部二元模式的局部特征。
3.根据权利要求1或2所述的基于点云特征提取与配准融合方法,其特征在于,点云样本数据包括:时间数据、激光距离测量值、机载GPS数据、IMU数据和地面基站GPS数据。
4.根据权利要求1所述的基于点云特征提取与配准融合方法,其特征在于,还包括以下步骤:
利用应用环境将点云数据目标点程序化;
调用多目标算法并关联程序化后的点云数据目标点;
利用多目标优化策略将初步判断结果产生的变量赋值到主动形状模型内进行求解计算;
获得多组满足约束条件的可行解并加以比较,求得最优解;
重复多次计算,得到可行解集合及Pareto最优解集;
提取解集中最佳解作为最终的判断优化结果,输出优化后的目标信息,完成迭代优化。
5.根据权利要求4所述的基于点云特征提取与配准融合方法,其特征在于,利用ICP策略进行迭代平差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364459.1A CN112446844B (zh) | 2020-11-27 | 2020-11-27 | 一种基于点云特征提取与配准融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364459.1A CN112446844B (zh) | 2020-11-27 | 2020-11-27 | 一种基于点云特征提取与配准融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446844A CN112446844A (zh) | 2021-03-05 |
CN112446844B true CN112446844B (zh) | 2024-01-23 |
Family
ID=74738154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011364459.1A Active CN112446844B (zh) | 2020-11-27 | 2020-11-27 | 一种基于点云特征提取与配准融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446844B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160285B (zh) * | 2021-05-08 | 2024-04-16 | 中国科学院自动化研究所苏州研究院 | 一种基于局部深度图像关键性的点云匹配方法 |
CN117710243B (zh) * | 2024-02-05 | 2024-05-28 | 法奥意威(苏州)机器人系统有限公司 | 点云去噪方法、装置、电子设备及可读存储介质 |
CN117726673B (zh) * | 2024-02-07 | 2024-05-24 | 法奥意威(苏州)机器人系统有限公司 | 焊缝位置获得方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
CN105654422A (zh) * | 2015-12-23 | 2016-06-08 | 北京观著信息技术有限公司 | 点云配准方法和系统 |
CN105976312A (zh) * | 2016-05-30 | 2016-09-28 | 北京建筑大学 | 基于点特征直方图的点云自动配准方法 |
CN106056563A (zh) * | 2016-05-20 | 2016-10-26 | 首都师范大学 | 一种机载激光点云数据与车载激光点云数据融合方法 |
CN107392944A (zh) * | 2017-08-07 | 2017-11-24 | 广东电网有限责任公司机巡作业中心 | 全景影像与点云的配准方法及装置 |
WO2019183113A1 (en) * | 2018-03-20 | 2019-09-26 | Pcms Holdings, Inc. | System and method for optimizing dynamic point clouds based on prioritized transformations |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760996B2 (en) * | 2015-08-11 | 2017-09-12 | Nokia Technologies Oy | Non-rigid registration for large-scale space-time 3D point cloud alignment |
US10574967B2 (en) * | 2017-03-23 | 2020-02-25 | The Boeing Company | Autonomous performance of an operation on an object using a generated dense 3D model of the object |
-
2020
- 2020-11-27 CN CN202011364459.1A patent/CN112446844B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
CN105654422A (zh) * | 2015-12-23 | 2016-06-08 | 北京观著信息技术有限公司 | 点云配准方法和系统 |
CN106056563A (zh) * | 2016-05-20 | 2016-10-26 | 首都师范大学 | 一种机载激光点云数据与车载激光点云数据融合方法 |
CN105976312A (zh) * | 2016-05-30 | 2016-09-28 | 北京建筑大学 | 基于点特征直方图的点云自动配准方法 |
CN107392944A (zh) * | 2017-08-07 | 2017-11-24 | 广东电网有限责任公司机巡作业中心 | 全景影像与点云的配准方法及装置 |
WO2019183113A1 (en) * | 2018-03-20 | 2019-09-26 | Pcms Holdings, Inc. | System and method for optimizing dynamic point clouds based on prioritized transformations |
Also Published As
Publication number | Publication date |
---|---|
CN112446844A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598823B (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
CN112446844B (zh) | 一种基于点云特征提取与配准融合方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
CN102506824B (zh) | 一种城市低空无人机系统生成数字正射影像图的方法 | |
CN109410256A (zh) | 基于互信息的点云与影像自动高精度配准方法 | |
CN111145227B (zh) | 一种地下隧道空间多视点云的可迭代整体配准方法 | |
CN116625354B (zh) | 一种基于多源测绘数据的高精度地形图生成方法及系统 | |
CN115761303A (zh) | 基于机载激光雷达点云和遥感影像数据的地物分类方法 | |
CN117387580B (zh) | 一种基于倾斜摄影大比例尺地形图的测绘方法及系统 | |
CN112258624A (zh) | 一种三维实景融合建模的方法 | |
CN116758234A (zh) | 一种基于多点云数据融合的山地地形建模方法 | |
CN114689015A (zh) | 一种提高光学卫星立体影像dsm高程精度的方法 | |
Ghorbani et al. | A novel 3-D local DAISY-style descriptor to reduce the effect of point displacement error in point cloud registration | |
CN113532424B (zh) | 一种获取多维信息的一体化设备与协同测量方法 | |
CN112098926B (zh) | 一种利用无人机平台的智能测角训练样本生成方法 | |
CN117830772A (zh) | 基于点云图像融合的局部地图生成方法及系统 | |
CN115561768A (zh) | 基于单点激光点云的车载激光雷达数据精度检测方法 | |
Al-Durgham | The registration and segmentation of heterogeneous Laser scanning data | |
CN117523111B (zh) | 三维实景点云模型的生成方法及系统 | |
Guo et al. | Research on 3D geometric modeling of urban buildings based on airborne lidar point cloud and image | |
Hernández-López et al. | Towards Unattended Maintenance of Photovoltaic Plants Using Drone Photogrammetry. Drones 2023, 7, 129 | |
CN118155039B (zh) | 多源信息融合的定位地图构建方法、装置、介质及设备 | |
CN115170663B (zh) | 跨时空真伪目标多模态关联超远程无源测距方法 | |
Pfeifer et al. | Early stages of LiDAR data processing | |
CN115096288B (zh) | 移动机器人导航轨迹解算精度和能力测试方法 |
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 |