CN112767456A - 一种三维激光点云快速重定位方法 - Google Patents
一种三维激光点云快速重定位方法 Download PDFInfo
- Publication number
- CN112767456A CN112767456A CN202110063029.4A CN202110063029A CN112767456A CN 112767456 A CN112767456 A CN 112767456A CN 202110063029 A CN202110063029 A CN 202110063029A CN 112767456 A CN112767456 A CN 112767456A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- frame
- dimensional
- candidate scene
- scene
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
Abstract
本发明提出一种三维激光点云快速重定位方法,在先验地图的基础上,基于二维栅格化减少数据运算量提高实时性,同时基于Jaccard系数得到初步候选场景集合,在此基础上基于数据主方向与Pearson相关系数对初步候选场景集合进行筛选后得到候选场景集合,提高了实时性,再基于欧几里得聚类法进行三维聚类后对候选场景集合中每一历史帧场景构建二分图,并基于Hungarian匹配算法寻找到最大匹配关系后基于余弦相似性完成三维相似性度量,最终得到唯一候选场景,使得得到的对应关系求解更可靠,鲁棒性更高,配准结果更准确,方法整体实时性高,最后利用3D‑NDT算法得到两帧间的姿态变换关系矩阵完成重定位,本发明基于余弦相似度进行唯一候选场景筛选。
Description
技术领域
本发明属于同步定位与建图技术,特别是一种三维激光点云快速重定位方法。
背景技术
重定位算法是指基于先验地图完成定位的过程。重定位技术直接利用先验地图与当前三维激光雷达所获取的场景信息进行全局定位,其允许机器人在不用重新构图的基础上完成定位。
传统的三维激光点云重定位算法通常基于三维场景原始点云与关键帧进行匹配以期获得候选场景,这导致算法实时性差,往往需要对重定位算法或者三维点云输入降频以达到实时性的要求;
同时,传统重定位算法基于激光里程计的匹配结果,需要在其设定的欧氏距离范围内进行候选场景搜索,这往往使得重定位结果高度依赖激光里程计结果,一旦激光里程计配准失败则会导致重定位结果不可信,由此基于重定位结果进行优化的里程计结果也将继续发散,最终整个构图与重定位算法失败。
发明内容
本发明的目的在于提出一种三维激光点云快速重定位方法,以解决三维激光点云在先验地图中快速重定位的问题。
实现本发明的技术解决方案为:一种三维激光点云快速重定位方法,具体步骤为:
步骤1、对分割好当前场景的原始激光图点云进行二维栅格化处理;
步骤2、基于Jaccard系数对先验地图中关键帧进行初筛得到候选场景集合;
步骤3、基于数据主方向与Pearson相关系数对候选场景集合进行进一步筛选;
步骤4、对原始帧与步骤3筛选出的候选场景帧进行基于欧几里得聚类算法的三维点云聚类,得到聚类集合;
步骤5、对步骤4得到的聚类集合基于Hungarian匹配构建当前帧与候选场景集合中每一帧的最大对应关系,得到对应的集合;
步骤6、基于余弦相似度进行唯一候选场景筛选;
步骤7、基于唯一候选场景帧,由3D-NDT算法得到变换矩阵,并依此确定定位矩阵,实现三维点云配准重定位。
本发明与现有技术相比,其显著优点为:
(1)本发明基于Jaccard系数、数据主方向与Pearson相关系数对当前场景进行二维化处理提高了实时性。
(2)本发明基于二分图构建基当前场景与候选场景之间的对应关系,使得得到的对应关系求解更可靠,鲁棒性更高。
(3)本发明基于余弦相似度进行唯一候选场景筛选,使得配准结果更准确,方法整体实时性高。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明中三维激光点云快速重定位方法整体步骤流程图。
图2为本发明中原始点云中心化处理效果示意图,其中图2(a)为原始点云图,图2(b)为剔除地面-雪面后的点云图,图2(c)为点云中心化处理后的图。
具体实施方式
一种三维激光点云快速重定位方法,包括以下步骤:
步骤1、对分割好当前场景的原始激光图点云进行二维栅格化处理,具体为:
步骤1-1、将分割好的当前帧原始点云进行地面点云以及雪面点云的剔除;
步骤1-2、对点云中心化处理:
式中,投影栅格大小为N×N,N=range/res,激光雷达观测范围为range,二维栅格分辨率为res,原始点云中某点坐标为(px,py,pz),投影后为坐标(x,y,z);
步骤1-4、确定当前帧内点云的协方差矩阵:
步骤1-5、对cov(x,y,z)进行奇异值分解得到特征值λX,λY,λZ,取其中最大值代表的特征向量作为数据主方向,计算数据主方向与当前激光雷达局部坐标系主方向之间的夹角θ:
步骤1-6、对点云进行重映射;
其中,(xi,yi,zi)为点云中第i个点,(x′i,y′i)为重映射得到的点,在完成重映射后,仅保留其x与y两个维度信息,完成当前帧内点云的二维栅格化。
步骤2、基于Jaccard系数对先验地图中关键帧进行初筛得到候选场景集合,具体为:
步骤2-1、将原始N×N栅格简化为一维向量,分量为N×N个;
步骤2-2、计算当前帧与先验地图中关键帧的Jaccard系数;
其中,n=N×N,Ai表示当前帧三维场景经过二维投影后的第i个分量的栅格占据情况,Bki表示为先验地图关键帧中,帧ID为k的历史帧第i个分量的占栅格据情况,栅格占据情况取值为:占据取1,非占据取0;
步骤2-3、对计算得到的Jaccard系数与阈值Jpre比较,若大于该阈值则将该关键帧放入候选场景集合中。
步骤3、基于数据主方向与Pearson相关系数对候选场景集合进行进一步筛选,具体为:
步骤3-1、根据步骤1的方法计算当前场景与候选场景集合中关键帧的数据的主方向夹角:
其中,gc与gr分别为当前帧与某候选场景帧的主方向,<>为二者的余弦计算,ε为阈值,计算二者之间的余弦值,若某个候选场景帧满足则予以剔除;
步骤3-2、计算当前帧与某候选场景帧的Pearson相关系数对候选场景集合进一步筛选:
其中,Xi为当前帧二维栅格化后的质心坐标,Yki为某候选场景帧中第k帧二维栅格化后的质心坐标,n=N×N,若rk在阈值内则予以保留完成进一步筛选。
步骤4、对原始帧与步骤3筛选出的候选场景帧进行基于欧几里得聚类算法的三维点云聚类,得到聚类集合,具体为:
对当前帧和步骤3筛选出的候选场景帧依据下式进行中心化处理:
基于欧几里得聚类法将中心化处理后的点云进行聚类处理,得到当前帧与候选场景中每一帧的聚类结果;
欧几里得聚类算法中,点云中n个点P1,P2,P3...Pn为输入,通过欧几里得算法得到m个聚类为c1,c2,c3...cm,算法过程中设定好Tn为将点视为同一簇的阈值。
步骤5、对步骤4得到的聚类集合基于Hungarian匹配构建当前帧与候选场景集合中每一帧的最大对应关系,得到对应的集合,具体为:
步骤5-1、计算当前帧中聚类得到的点云簇集合与候选场景中每一帧聚类后得到的点云簇集合中任意两个点云簇之间的三维相似度:
其中,Kab表示点云簇a与点云簇b之间的关联相似系数,pa与pb表示点云簇a与点云簇b的质心坐标,ca与cb表示表示点云簇a与点云簇b中激光点的数目,oa与ob分别表示点云簇a与点云簇b的数据主方向,|| ||表示点云簇a与点云簇b之间的差异度,其中,pa与pb的差异度为两个坐标间的欧氏距离,ca与cb差异度为数目差,oa与ob差异度为二者数据主方向的夹角γ,w1、w2和w3分别为三者的权重系数;
步骤5-2、构建当前帧点云簇聚类集合与候选场景中每一帧点云簇聚类集合的对应二分图,当满足Kab<Kmax时,则认为二者属于同一聚类,并在二分图中构建边;
步骤5-3、基于构建好的二分图利用Hungarian算法找当前帧聚类集合与每一候选场景帧聚类集合的最大匹配,得到具有最大对应关系的集合P与多个集合Q。
步骤6、基于余弦相似度进行唯一候选场景筛选,具体为:
步骤6-1、统计集合P与集合Q中每个点云簇中激光点数目,建立统计矩阵SP和SQ;
步骤6-2、计算集合P与集合Q之间的余弦相似度d(SP,SQ)为:
步骤6-3、统计所有候选场景与当前场景的d(SP,SQ),根据d(SP,SQ)取相似度最大的场景作为唯一候选场景帧。
步骤7、基于唯一候选场景帧,由3D-NDT算法得到变换矩阵,并依此确定定位矩阵,实现三维点云配准重定位,具体为:
步骤7-1、对当前场景点云Pc与为匹配得到的唯一候选场景帧点云Pr分别进行中心化处理:
其中,Tc和Tr分别为二者的中心化处理矩阵;其中,(ux,uy,uz)表示当前帧点云质心坐标,θ为步骤1中数据主方向与当前激光雷达局部坐标系主方向之间的夹角;
步骤7-2、将两帧点云作为输入,由3D-NDT算法计算得到二者的位姿变换关系后得到变换矩阵TNDT,由此得到定位矩阵Tloc,完成重定位:
Tloc=(Tr)-1TNDTTc。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在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:
步骤1、对分割好当前场景的原始激光图点云进行二维栅格化处理;
步骤2、基于Jaccard系数对先验地图中关键帧进行初筛得到候选场景集合;
步骤3、基于数据主方向与Pearson相关系数对候选场景集合进行进一步筛选;
步骤4、对原始帧与步骤3筛选出的候选场景帧进行基于欧几里得聚类算法的三维点云聚类,得到聚类集合;
步骤5、对步骤4得到的聚类集合基于Hungarian匹配构建当前帧与候选场景集合中每一帧的最大对应关系,得到对应的集合;
步骤6、基于余弦相似度进行唯一候选场景筛选;
步骤7、基于唯一候选场景帧,由3D-NDT算法得到变换矩阵,并依此确定定位矩阵,实现三维点云配准重定位。
一种计算机可存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
步骤1、对分割好当前场景的原始激光图点云进行二维栅格化处理;
步骤2、基于Jaccard系数对先验地图中关键帧进行初筛得到候选场景集合;
步骤3、基于数据主方向与Pearson相关系数对候选场景集合进行进一步筛选;
步骤4、对原始帧与步骤3筛选出的候选场景帧进行基于欧几里得聚类算法的三维点云聚类,得到聚类集合;
步骤5、对步骤4得到的聚类集合基于Hungarian匹配构建当前帧与候选场景集合中每一帧的最大对应关系,得到对应的集合;
步骤6、基于余弦相似度进行唯一候选场景筛选;
步骤7、基于唯一候选场景帧,由3D-NDT算法得到变换矩阵,并依此确定定位矩阵,实现三维点云配准重定位。
下面结合实施例对本发明作进一步说明。
实施例
如图1所示,一种三维激光点云快速重定位方法,包括以下步骤:
步骤1、对分割好当前场景的原始激光图点云进行二维栅格化处理,具体为:
步骤1-1、将分割好的当前帧原始点云进行地面点云以及雪面点云的剔除;
步骤1-2、如图2所示,对点云中心化处理:
式中,投影栅格大小为N×N,N=range/res,激光雷达观测范围为range,二维栅格分辨率为res,原始点云中某点坐标为(px,py,pz),投影后为坐标(x,y,z);
步骤1-4、确定当前帧内点云的协方差矩阵:
步骤1-5、对cov(x,y,z)进行奇异值分解得到特征值λX,λY,λZ,取其中最大值代表的特征向量作为数据主方向,计算数据主方向与当前激光雷达局部坐标系主方向之间的夹角θ:
步骤1-6、对点云进行重映射;
其中,(xi,yi,zi)为点云中第i个点,(x′i,y′i)为重映射得到的点,在完成重映射后,仅保留其x与y两个维度信息,完成当前帧内点云的二维栅格化。
步骤2、基于Jaccard系数对先验地图中关键帧进行初筛得到候选场景集合,具体为:
步骤2-1、将原始N×N栅格简化为一维向量,分量为N×N个;
步骤2-2、计算当前帧与先验地图中关键帧的Jaccard系数;
其中,n=N×N,Ai表示当前帧三维场景经过二维投影后的第i个分量的栅格占据情况,Bki表示为先验地图关键帧中,帧ID为k的历史帧第i个分量的占栅格据情况,栅格占据情况取值为:占据取1,非占据取0;
步骤2-3、对计算得到的Jaccard系数与阈值Jpre比较,若大于该阈值则将该关键帧放入候选场景集合中。
步骤3、基于数据主方向与Pearson相关系数对候选场景集合进行进一步筛选,具体为:
步骤3-1、根据步骤1的方法计算当前场景与候选场景集合中关键帧的数据的主方向夹角:
其中,gc与gr分别为当前帧与某候选场景帧的主方向,<>为二者的余弦计算,ε为阈值,计算二者之间的余弦值,若某个候选场景帧满足则予以剔除;
步骤3-2、计算当前帧与某候选场景帧的Pearson相关系数对候选场景集合进一步筛选:
其中,Xi为当前帧二维栅格化后的质心坐标,Yki为某候选场景帧中第k帧二维栅格化后的质心坐标,n=N×N,若rk在阈值内则予以保留完成进一步筛选。
步骤4、对原始帧与步骤3筛选出的候选场景帧进行基于欧几里得聚类算法的三维点云聚类,得到聚类集合,具体为:
对当前帧和步骤3筛选出的候选场景帧依据下式进行中心化处理:
基于欧几里得聚类法将中心化处理后的点云进行聚类处理,得到当前帧与候选场景中每一帧的聚类结果;
欧几里得聚类算法中,点云中n个点P1,P2,P3...Pn为输入,通过欧几里得算法得到m个聚类为c1,c2,c3...cm,算法过程中设定好Tn为将点视为同一簇的阈值。
步骤5、对步骤4得到的聚类集合基于Hungarian匹配构建当前帧与候选场景集合中每一帧的最大对应关系,得到对应的集合,具体为:
步骤5-1、计算当前帧中聚类得到的点云簇集合与候选场景中每一帧聚类后得到的点云簇集合中任意两个点云簇之间的三维相似度:
其中,Kab表示点云簇a与点云簇b之间的关联相似系数,pa与pb表示点云簇a与点云簇b的质心坐标,ca与cb表示表示点云簇a与点云簇b中激光点的数目,oa与ob分别表示点云簇a与点云簇b的数据主方向,|| ||表示点云簇a与点云簇b之间的差异度,其中,pa与pb的差异度为两个坐标间的欧氏距离,ca与cb差异度为数目差,oa与ob差异度为二者数据主方向的夹角γ,w1、w2和w3分别为三者的权重系数;
步骤5-2、构建当前帧点云簇聚类集合与候选场景中每一帧点云簇聚类集合的对应二分图,当满足Kab<Kmax时,则认为二者属于同一聚类,并在二分图中构建边;
步骤5-3、基于构建好的二分图利用Hungarian算法找当前帧聚类集合与每一候选场景帧聚类集合的最大匹配,得到具有最大对应关系的集合P与多个集合Q。
步骤6、基于余弦相似度进行唯一候选场景筛选,具体为:
步骤6-1、统计集合P与集合Q中每个点云簇中激光点数目,建立统计矩阵SP和SQ;
步骤6-2、计算集合P与集合Q之间的余弦相似度d(SP,SQ)为:
步骤6-3、统计所有候选场景与当前场景的d(SP,SQ),根据d(SP,SQ)取相似度最大的场景作为唯一候选场景帧。
步骤7、基于唯一候选场景帧,由3D-NDT算法得到变换矩阵,并依此确定定位矩阵,实现三维点云配准重定位,具体为:
步骤7-1、对当前场景点云Pc与为匹配得到的唯一候选场景帧点云Pr分别进行中心化处理:
其中,Tc和Tr分别为二者的中心化处理矩阵;其中,(ux,uy,uz)表示当前帧点云质心坐标,θ为步骤1中数据主方向与当前激光雷达局部坐标系主方向之间的夹角;
步骤7-2、将两帧点云作为输入,由3D-NDT算法计算得到二者的位姿变换关系后得到变换矩阵TNDT,由此得到定位矩阵Tloc,完成重定位:
Tloc=(Tr)-1TNDTTc。
本发明在先验地图的基础上,基于二维栅格化减少数据运算量提高实时性,同时基于Jaccard系数得到初步候选场景集合,在此基础上基于数据主方向与Pearson相关系数对初步候选场景集合进行筛选后得到候选场景集合。再基于欧几里得聚类法进行三维聚类,后对候选场景集合中每一历史帧场景构建二分图,并基于Hungarian匹配算法寻找到最大匹配关系后基于余弦相似性完成三维相似性度量,最终得到唯一候选场景。最后利用3D-NDT算法得到两帧间的姿态变换关系矩阵完成重定位。
Claims (10)
1.一种三维激光点云快速重定位方法,其特征在于,包括以下步骤:
步骤1、对分割好当前场景的原始激光图点云进行二维栅格化处理;
步骤2、基于Jaccard系数对先验地图中关键帧进行初筛得到候选场景集合;
步骤3、基于数据主方向与Pearson相关系数对候选场景集合进行进一步筛选;
步骤4、对原始帧与步骤3筛选出的候选场景帧进行基于欧几里得聚类算法的三维点云聚类,得到聚类集合;
步骤5、对步骤4得到的聚类集合基于Hungarian匹配构建当前帧与候选场景集合中每一帧的最大对应关系,得到对应的集合;
步骤6、基于余弦相似度进行唯一候选场景筛选;
步骤7、基于唯一候选场景帧,由3D-NDT算法得到变换矩阵,并依此确定定位矩阵,实现三维点云配准重定位。
2.根据权利要求1所述的三维激光点云快速重定位方法,其特征在于,所述步骤1中的点云二维栅格化处理具体为:
步骤1-1、将分割好的当前帧原始点云进行地面点云以及雪面点云的剔除;
步骤1-2、对点云中心化处理:
式中,投影栅格大小为N×N,N=range/res,激光雷达观测范围为range,二维栅格分辨率为res,原始点云中某点坐标为(px,py,pz),投影后为坐标(x,y,z);
步骤1-4、确定当前帧内点云的协方差矩阵:
步骤1-5、对cov(x,y,z)进行奇异值分解得到特征值λX,λY,λZ,取其中最大值代表的特征向量作为数据主方向,计算数据主方向与当前激光雷达局部坐标系主方向之间的夹角θ:
步骤1-6、对点云进行重映射;
其中,(xi,yi,zi)为点云中第i个点,(x′i,y′i)为重映射得到的点,在完成重映射后,仅保留其x与y两个维度信息,完成当前帧内点云的二维栅格化。
6.根据权利要求5所述的三维激光点云快速重定位方法,其特征在于,所述步骤5中的基于Hungarian算法匹配构建对应关系具体为:
步骤5-1、计算当前帧中聚类得到的点云簇集合与候选场景中每一帧聚类后得到的点云簇集合中任意两个点云簇之间的三维相似度:
其中,Kab表示点云簇a与点云簇b之间的关联相似系数,pa与pb表示点云簇a与点云簇b的质心坐标,ca与cb表示表示点云簇a与点云簇b中激光点的数目,oa与ob分别表示点云簇a与点云簇b的数据主方向,|| ||表示点云簇a与点云簇b之间的差异度,其中,pa与pb的差异度为两个坐标间的欧氏距离,ca与cb差异度为数目差,oa与ob差异度为二者数据主方向的夹角γ,w1、w2和w3分别为三者的权重系数;
步骤5-2、构建当前帧点云簇聚类集合与候选场景中每一帧点云簇聚类集合的对应二分图,当满足Kab<Kmax时,则认为二者属于同一聚类,并在二分图中构建边;
步骤5-3、基于构建好的二分图利用Hungarian算法找当前帧聚类集合与每一候选场景帧聚类集合的最大匹配,得到具有最大对应关系的集合P与多个集合Q。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。
10.一种计算机可存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063029.4A CN112767456B (zh) | 2021-01-18 | 2021-01-18 | 一种三维激光点云快速重定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063029.4A CN112767456B (zh) | 2021-01-18 | 2021-01-18 | 一种三维激光点云快速重定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767456A true CN112767456A (zh) | 2021-05-07 |
CN112767456B CN112767456B (zh) | 2022-10-18 |
Family
ID=75702786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110063029.4A Active CN112767456B (zh) | 2021-01-18 | 2021-01-18 | 一种三维激光点云快速重定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767456B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447949A (zh) * | 2021-06-11 | 2021-09-28 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN114413882A (zh) * | 2022-03-29 | 2022-04-29 | 之江实验室 | 一种基于多假设跟踪的全局初定位方法和装置 |
CN114757980A (zh) * | 2022-05-12 | 2022-07-15 | 苏州轻棹科技有限公司 | 一种连续帧点云数据的离线配准方法 |
CN115375713A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 地面点云的分割方法、装置及计算机可读存储介质 |
CN116338684A (zh) * | 2023-05-29 | 2023-06-27 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907124A (zh) * | 2017-09-30 | 2018-04-13 | 杭州迦智科技有限公司 | 基于场景重识的定位方法、电子设备、存储介质、系统 |
CN108303710A (zh) * | 2018-06-12 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维激光雷达的无人机多场景定位建图方法 |
CN109186608A (zh) * | 2018-09-27 | 2019-01-11 | 大连理工大学 | 一种面向重定位的稀疏化三维点云地图生成方法 |
CN110084272A (zh) * | 2019-03-26 | 2019-08-02 | 哈尔滨工业大学(深圳) | 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法 |
CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
-
2021
- 2021-01-18 CN CN202110063029.4A patent/CN112767456B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907124A (zh) * | 2017-09-30 | 2018-04-13 | 杭州迦智科技有限公司 | 基于场景重识的定位方法、电子设备、存储介质、系统 |
CN108303710A (zh) * | 2018-06-12 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维激光雷达的无人机多场景定位建图方法 |
CN109186608A (zh) * | 2018-09-27 | 2019-01-11 | 大连理工大学 | 一种面向重定位的稀疏化三维点云地图生成方法 |
CN110084272A (zh) * | 2019-03-26 | 2019-08-02 | 哈尔滨工业大学(深圳) | 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法 |
CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447949A (zh) * | 2021-06-11 | 2021-09-28 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN113447949B (zh) * | 2021-06-11 | 2022-12-09 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN114413882A (zh) * | 2022-03-29 | 2022-04-29 | 之江实验室 | 一种基于多假设跟踪的全局初定位方法和装置 |
CN114413882B (zh) * | 2022-03-29 | 2022-08-05 | 之江实验室 | 一种基于多假设跟踪的全局初定位方法和装置 |
CN114757980A (zh) * | 2022-05-12 | 2022-07-15 | 苏州轻棹科技有限公司 | 一种连续帧点云数据的离线配准方法 |
CN114757980B (zh) * | 2022-05-12 | 2024-03-26 | 苏州轻棹科技有限公司 | 一种连续帧点云数据的离线配准方法 |
CN115375713A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 地面点云的分割方法、装置及计算机可读存储介质 |
CN116338684A (zh) * | 2023-05-29 | 2023-06-27 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112767456B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767456B (zh) | 一种三维激光点云快速重定位方法 | |
WO2019042232A1 (zh) | 一种快速鲁棒的多模态遥感影像匹配方法和系统 | |
CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
CN109215129B (zh) | 一种基于三维点云的局部特征描述方法 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN111028292A (zh) | 一种亚像素级图像匹配导航定位方法 | |
CN108416801B (zh) | 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN110443279B (zh) | 一种基于轻量级神经网络的无人机图像车辆检测方法 | |
Yung et al. | Efficient feature-based image registration by mapping sparsified surfaces | |
CN110942077B (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN111127353B (zh) | 一种基于块配准和匹配的高动态图像去鬼影方法 | |
CN113177592A (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
JP3054682B2 (ja) | 画像処理方法 | |
CN109345571B (zh) | 一种基于扩展高斯图像的点云配准方法 | |
CN102324043B (zh) | 基于dct的特征描述算子及优化空间量化的图像匹配方法 | |
CN109508674A (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
CN112509018B (zh) | 一种四元数空间优化的三维图像配准方法 | |
CN114926488A (zh) | 基于广义Hough模型和改进金字塔搜索加速的工件定位方法 | |
CN113793372A (zh) | 异源图像的优化配准方法及系统 | |
CN115147433A (zh) | 点云配准方法 | |
CN110070110B (zh) | 一种自适应阈值图像匹配方法 | |
CN113763474A (zh) | 一种基于场景几何约束的室内单目深度估算方法 |
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 |