CN112767462B - 基于脊谷特征与深度特征描述符的点云单点对齐方法 - Google Patents
基于脊谷特征与深度特征描述符的点云单点对齐方法 Download PDFInfo
- Publication number
- CN112767462B CN112767462B CN202110016951.8A CN202110016951A CN112767462B CN 112767462 B CN112767462 B CN 112767462B CN 202110016951 A CN202110016951 A CN 202110016951A CN 112767462 B CN112767462 B CN 112767462B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- coordinate system
- local coordinate
- ridge
- 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
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
- 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
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于脊谷特征与深度特征描述符的点云单点对齐方法,包括:步骤S1、对点云进行特征提取,得到脊谷特征点;步骤S2、构建局部坐标系;步骤S3、在局部坐标系上划分网格,生成规则网格数据;步骤S4、构建轻量化网络PFNet;步骤S5、将规则网格数据PFNet中生成特征描述符,再利用KD树搜索特征描述符,得到匹配点对;步骤S6、利用匹配点对的局部坐标系映射生成候选解;步骤S7、利用RANSAC算法对步骤S6得到的候选解进行过滤。本发明实现了依靠单一特征点的数据对齐,能够在缺乏复杂特征的点云下取得良好的对齐效果,并对噪声、离群点、非均匀采样等具有很强的鲁棒性。
Description
技术领域
本发明涉及点云对齐技术领域,特别是涉及基于脊谷特征与深度特征描述符的点云单点对齐方法。
背景技术
点云是三维物体表面的一种数据表示,一般由激光扫描仪获得,它广泛应用于逆向工程、生物医疗、虚拟技术等领域。点云对齐是处理点云,实现实物数字化的必要步骤,它可以分为粗对齐和精细对齐两个过程。其中,粗对齐用于将两片分离较远的点云粗略地拼合起来;精细对齐的作用是在粗对齐基础上进一步优化点云姿态,提高对齐的准确性。尽管相关问题已经得到了广泛的研究,但是由于点云的复杂特性以及噪声、离群点等影响,如何实现高效率、强鲁棒性的点云对齐依然是当前研究的热点。
传统点云对齐算法主要分为三类:基于局部特征算法、基于RANSAC算法和基于迭代最近邻算法。它们容易受到低重叠率、噪声、数据缺失等因素的影响,鲁棒性需要进一步提高。近年来,一些学者尝试利用深度卷积神经网络来处理点云对齐问题。如3DMatch从已对齐的深度数据中构造训练样本,生成的描述符在鲁棒性和区分能力方面较传统方法有了显著的提升。3DSmoothNet在3DMatch的基础上对训练样本进行高斯平滑,在降低描述符维度的同时进一步提高了描述符的区分度。但是上述方法仍然存在一些问题,如利用三维数据进行训练需要耗费大量的时间;随机选取的关键点重复性不佳等。
发明内容
有鉴于此,本发明的目的在于提供基于脊谷特征与深度特征描述符的点云单点对齐方法,用以仅依靠单个对应点即可实现点云对齐,并对噪声、离群点、非均匀采样等具有很强的鲁棒性。同时,采用投影操作,降低训练数据量,显著提高了网络训练和预测的效率。
为达到此目的,本发明提供如下的技术方案:
基于脊谷特征与深度特征描述符的点云单点对齐方法,包括如下步骤:
步骤S1、对源点云和目标点云进行特征提取,分别得到第一脊谷特征点和第二脊谷特征点;
步骤S2、根据所述第一脊谷特征点和第二脊谷特征点,分别构建第一局部坐标系和第二局部坐标系;
步骤S3、根据点云平均采样密度在所述第一局部坐标系和第二局部坐标系的XOY平面上划分网格,将所述第一脊谷特征点的邻域数据向第一局部坐标系的XOY平面投影,生成第一规则网格数据;
将所述第二脊谷特征点的邻域数据向第二局部坐标系的XOY平面投影,生成第二规则网格数据;
步骤S4、构建轻量化网络PFNet;
步骤S5、将步骤S3中得到的第一规则网格数据以及第二规则网格数据分别投入到轻量化网络PFNet中生成第一特征描述符以及第二特征描述符,再利用KD树搜索第一特征描述符以及第二特征描述符,得到相匹配的特征描述符,进而得到匹配点对;
步骤S6、利用匹配点对的局部坐标系映射生成候选解;
步骤S7、利用RANSAC算法对步骤S6得到的候选解进行过滤。
进一步的,在步骤S1中,对源点云和目标点云进行脊骨特征提取是为了采样待匹配点,常用的采样方式有随机采样和特征采样等。相较于随机采样,选用脊谷特征采样可以提高待匹配点的重复性。
进一步的,在步骤S2中,由于选用了具备稳定特征走向的脊谷特征点作为待匹配点,所以结合法向信息可以为特征点构建稳定的局部坐标系。
进一步的,所述步骤S3具体为:
步骤S301、在所述第一局部坐标系和第二局部坐标系的XOY平面上划分边长为l的网格;
步骤S302、根据邻域点的x,y坐标分量,将第一脊谷特征点以及第二脊谷特征点的领域点分别投影至所述第一局部坐标系和第二局部坐标系的XOY平面上的相应网格中,得到相应投影点的网格编号,所述网格编号由公式(1)确定,表达式为:
公式(1)中,(i,j)为投影点所在网格编号,(xmin,ymin)是投影点在XOY平面内的最小坐标分量,l=1.5ρ,l为网格边长,ρ为点云平均采样密度,round表示四舍五入取整;
步骤S303、将第一局部坐标系和第二局部坐标系上每个网格的z坐标分量最大值经过归一化后作为该网格的特征TDF值,进而得到第一规则网格数据以及第二规则网格数据;TDF的表达式为:
公式(2)中,Z表示为每个网格中绝对值最大的z坐标分量,10ρ表示为截断阈值,ρ为点云平均采样密度。
进一步的,所述步骤S4具体为:
将3DMatch三维卷积神经网络调整为二维卷积神经网络,再将所述二维卷积神经网络的第3和第6卷积层的步长设置为2;
网络参数设置为1.8M,描述符维度设置为128;
最终得到轻量化网络PFNet。
进一步的,在所述步骤S6中,选择一个匹配点对p和q,再利用以匹配点对p和q为原点的局部坐标系cp和cq映射生成候选解,表达式为:
公式(3)中,p,q分别表示点p和q的空间坐标,Cp表示为局部坐标系cp的三个坐标轴构成的正交矩阵,Cq表示为局部坐标系cq的三个坐标轴构成的正交矩阵,T表示平移向量;R表示旋转矩阵。
进一步的,所述步骤S7具体包括:
步骤S701、根据所述源点云中的每一个脊谷特征点,在所述目标点云中搜索特征描述符最相似的点作为潜在匹配点;
步骤S702、对所有潜在匹配点按照特征描述符之间的欧式距离进行排序,生成待匹配队列L;
步骤S703、顺次从队列L中取出一个匹配点,并基于从局部到整体的ICP算法计算变换参数,并利用式(4)计算该匹配点对的Score;
公式(4)中,summatch是源点云和目标点云中距离小于6倍点云平均采样密度的点数,sump是源点云总点数,sumq是目标点云总点数;
步骤S704、取所有匹配点对中Score值最大者作为最终对齐结果。
进一步的,所述步骤S703,具体包括:
步骤S7031、以匹配点p作为中心点,以20倍的点云平均采样间距为半径r构建球域A;
步骤S7032、对于球域A中包含的两片点云的子集,利用ICP算法优化平移向量T以及旋转矩阵R;
步骤S7033、将邻域半径加倍,并返回步骤S7032;
步骤S7034、重复步骤S7032至步骤S7033,直到邻域半径大于点云包围盒对角线长度的一半;
步骤S7035、利用公式(4)量化对齐效果,得出当前对应点的匹配Score。
本发明的有益效果是:
本发明实现了依靠单一特征点的数据对齐,能够在缺乏复杂特征的点云下取得良好的对齐效果,并对噪声、离群点、非均匀采样等具有很强的鲁棒性。
附图说明
图1为实施例1中基于脊谷特征与深度特征描述符的点云单点对齐方法的流程框图。
图2为实施例1中脊谷点识别示意图。
图3为实施例1中局部坐标系构建示意图。
图4为实施例1中轻量化网络PFNet的架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例1
参见图1-图4,本实施提供基于脊谷特征与深度特征描述符的点云单点对齐方法,包括如下步骤:
步骤S1、对源点云和目标点云进行特征提取,分别得到第一脊谷特征点和第二脊谷特征点;具体的说,如图2所示,脊谷点是在最大主曲率方向上的曲率极值点,因此,在潜在脊谷特征点两侧沿最大主曲率方向必然出现曲率先升后降或先降后升的过程,且当前点与曲率极值点距离较小(如图2中的p1,p2),而远离脊谷点的点云附近曲率分布则会表现出单调上升或下降的趋势,且当前点与曲率极值点距离较大(如图2中的p3,p4)。
基于上述分析本实施例利用二次曲面拟合局部曲率分布,并通过判定当前点与曲率极值点的距离实现脊谷特征点的识别。具体包括:
步骤S101、建立以当前点为原点,以当前点法向量为z轴正向,以最大主曲率方向为x轴的局部坐标系,并将当前点及其r邻域点坐标转换至该坐标系下;
步骤S102、构建如公式(1)所示的目标方程并求解参数a~f;
步骤S103、将y=0带入所得二次曲面,得到最大主曲率方向的曲率分布曲线f(x)=ax2+dx+f,并求取f(x)的极值点坐标xmax=-d/(2a);
步骤S104、计算xmax与p点的距离l=|xmax|,如果l小于点云平均采样密度ρ,则将其识别为脊谷点,否则,p点距离真实脊谷点较远,判定为一般点;
步骤S105、利用公式(1)拟合邻域点,并将极值点投影值该平面上得到脊谷点的精确位置(xmax,0,f(xmax,0))。
相较于完全的阈值截断方法,本方法仅依赖曲面的内在属相,实现了尺度无关性;同时,算法对曲率主方向准确性要求也不高,如图2所示,p5点的曲率主方向存在误差,但这仅仅改变了该方向上曲率分布的幅值,而没有改变曲率分布的趋势,仍然可以通过极值点求取得到正确的结果。
步骤S2:根据第一脊谷特征点和第二脊谷特征点,分别构建第一局部坐标系和第二局部坐标系;
具体的说,由于本实施例选用了具备稳定特征走向的脊谷特征点作为待匹配点,所以结合法向信息,可以为特征点构建稳定的局部坐标系。
为了消除局部坐标系构建过程中法线方向和特征线走向的垂直误差,如图3所示,先独立计算当前点的法向量n和特征走向v,然后将所得的v向法平面投影生成新的特征走向v'。
完成上述操作后,计算n与v'的叉乘即可得到z轴方向,完成局部坐标系构建。
步骤S3:根据点云平均采样密度在第一局部坐标系和第二局部坐标系的XOY平面上划分网格,将第一脊谷特征点的邻域数据向第一局部坐标系的XOY平面投影,生成第一规则网格数据;将第二脊谷特征点的邻域数据向第二局部坐标系的XOY平面投影,生成第二规则网格数据;
具体的说,步骤S3具体为:
步骤S301、在第一局部坐标系和第二局部坐标系的XOY平面上划分边长为l的网格;
步骤S302、鉴于特征描述符的局部属性,根据邻域点的x,y坐标分量,将第一脊谷特征点以及第二脊谷特征点的领域点分别投影至第一局部坐标系和第二局部坐标系的XOY平面上的相应网格中,得到相应投影点的网格编号,网格编号由公式(2)确定,表达式为:
公式(2)中,(i,j)为投影点所在网格编号,(xmin,ymin)是投影点在XOY平面内的最小坐标分量,l=1.5ρ,l为网格边长,ρ为点云平均采样密度,round表示四舍五入取整;
步骤S303、将第一局部坐标系和第二局部坐标系上每个网格的z坐标分量最大值经过归一化后作为该网格的特征TDF值,进而得到第一规则网格数据以及第二规则网格数据;TDF的表达式为:
公式(3)中,Z表示为每个网格中绝对值最大的z坐标分量,10ρ表示为截断阈值,ρ为点云平均采样密度。
步骤S4:构建轻量化网络PFNet;
具体的说,经过投影操作后,网络仅需在二维平面上进行卷积;
将3DMatch三维卷积神经网络调整为二维,同时,将第3和第6卷积层设置步长为2,替代原来的池化层;并减少卷积层的输入输出,网络参数大小从原始的57.2M降为1.8M,描述符维度也从原始的512降到128;
最后修改后的网络命名为轻量化网络PFNet,其网络结构如图4所示。
步骤S5:将步骤S3中得到的第一规则网格数据以及第二规则网格数据分别投入到轻量化网络PFNet中生成第一特征描述符以及第二特征描述符,再利用KD树搜索第一特征描述符以及第二特征描述符,得到相匹配的特征描述符,进而得到匹配点对;
步骤S6:利用匹配点对的局部坐标系映射生成候选解;
具体的说,在步骤S6中,选择一个匹配点对p和q,再利用以匹配点对p和q为原点的局部坐标系cp和cq映射生成候选解,表达式为:
公式(4)中,p,q分别表示点p和q的空间坐标,Cp表示为局部坐标系cp的三个坐标轴构成的正交矩阵,Cq表示为局部坐标系cq的三个坐标轴构成的正交矩阵,T表示平移向量;R表示旋转矩阵;可以利用平移向量和旋转矩阵将目标点云平移旋转到源点云的坐标系下,完成初步对齐,得到候选解。
步骤S7:由于点云数据的复杂特性,仅依靠特征描述符的单点匹配可能产生错误的匹配点,为此,本实施例利用RANSAC算法对步骤S6得到的候选解进行过滤。
具体的说,步骤S7具体包括:
步骤S701、根据源点云中的每一个脊谷特征点,在目标点云中搜索特征描述符最相似的点作为潜在匹配点;
步骤S702、对所有潜在匹配点按照特征描述符之间的欧式距离进行排序,生成待匹配队列L;
步骤S703、顺次从队列L中取出一个匹配点,并基于从局部到整体的ICP算法计算变换参数,并利用公式(5)计算该匹配点对的Score;
公式(5)中,summatch是源点云和目标点云中距离小于6倍点云平均采样密度的点数,sump是源点云总点数,sumq是目标点云总点数;
步骤S704、取所有匹配点对中Score值最大者作为最终对齐结果。
更具体的说,步骤S703,具体包括:
步骤S7031、以匹配点p作为中心点,以20倍的点云平均采样间距为半径r构建球域A;
步骤S7032、对于球域A中包含的两片点云的子集,利用ICP算法优化R、T参数;R、T参数由式(4)确定。
步骤S7033、将邻域半径加倍,并返回步骤S7032;
步骤S7034、重复步骤S7032至步骤S7033,直到邻域半径大于点云包围盒对角线长度的一半;
步骤S7035、利用公式(5)量化对齐效果,得出当前对应点的匹配Score。
实验验证:
本发明在添加了噪声平均幅值为0.5ρ的噪声、0.1N离群点和非均匀采样情况下对数据集Dragon模型测试了实施例1的方法、传统算法[ISS+FPFH]和3DMatch的点云对齐效果;其中,ρ=0.001mm,N=41841,3DMatch和实施例1的方法选取的关键点数目为500。测试结果具体如表1所示。
利用步骤S703中的公式(5)分别计算:实施例1中的方法、3DMatch和传统算法[ISS+FPFH]的点云粗对齐率(取20次对齐结果的均值)。统计表明,实施例1提供的方法在三种情况下鲁棒性强于3Dmatch和传统算法[ISS+FPFH],并且对齐精度更高。
表1:点云粗对齐率对比
本发明对无噪声Incised-plane模型进行了测试,该模型只在中心小范围内存在两条线特征,可以验证和比较不同算法对特征欠丰富数据的对齐效果。结果表明,传统算法
[ISS+FPFH]仅检测到2个特征点,无法实现对齐。3DMatch也受到较大影响,点云粗对齐率为27.7%。该测试结果表明,实施例1中提供的方法可以实现完美匹配。
本发明未详述之处,均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (5)
1.基于脊谷特征与深度特征描述符的点云单点对齐方法,其特征在于,包括如下步骤:
步骤S1、对源点云和目标点云进行特征提取,分别得到第一脊谷特征点和第二脊谷特征点;
步骤S2、根据所述第一脊谷特征点和第二脊谷特征点,分别构建第一局部坐标系和第二局部坐标系;
步骤S3、根据点云平均采样密度在所述第一局部坐标系和第二局部坐标系的XOY平面上划分网格,将所述第一脊谷特征点的邻域数据向第一局部坐标系的XOY平面投影,生成第一规则网格数据;
将所述第二脊谷特征点的邻域数据向第二局部坐标系的XOY平面投影,生成第二规则网格数据;
步骤S4、构建轻量化网络PFNet;
步骤S5、将步骤S3中得到的第一规则网格数据以及第二规则网格数据分别投入到轻量化网络PFNet中生成第一特征描述符以及第二特征描述符,再利用KD树搜索第一特征描述符以及第二特征描述符,得到相匹配的特征描述符,进而得到匹配点对;
步骤S6、利用匹配点对的局部坐标系映射生成候选解;
步骤S7、利用RANSAC算法对步骤S6得到的候选解进行过滤;
所述步骤S3具体为:
步骤S301、在所述第一局部坐标系和第二局部坐标系的XOY平面上划分边长为l的网格;
步骤S302、根据邻域点的x,y坐标分量,将第一脊谷特征点以及第二脊谷特征点的领域点分别投影至所述第一局部坐标系和第二局部坐标系的XOY平面上的相应网格中,得到相应投影点的网格编号,所述网格编号由公式(1)确定,表达式为:
公式(1)中,(i,j)为投影点所在网格编号,(xmin,ymin)是投影点在XOY平面内的最小坐标分量,l=1.5ρ,l为网格边长,ρ为点云平均采样密度,round表示四舍五入取整;
步骤S303、将第一局部坐标系和第二局部坐标系上每个网格的z坐标分量最大值经过归一化后作为该网格的特征TDF值,进而得到第一规则网格数据以及第二规则网格数据;TDF的表达式为:
公式(2)中,Z表示为每个网格中绝对值最大的z坐标分量,10ρ表示为截断阈值,ρ为点云平均采样密度。
2.根据权利要求1所述的基于脊谷特征与深度特征描述符的点云单点对齐方法,其特征在于,所述步骤S4具体为:
将3DMatch三维卷积神经网络调整为二维卷积神经网络,再将所述二维卷积神经网络的第3和第6卷积层的步长设置为2;
网络参数设置为1.8M,描述符维度设置为128;
最终得到轻量化网络PFNet。
4.根据权利要求3所述的基于脊谷特征与深度特征描述符的点云单点对齐方法,其特征在于,所述步骤S7具体包括:
步骤S701、根据所述源点云中的每一个脊谷特征点,在所述目标点云中搜索特征描述符最相似的点作为潜在匹配点;
步骤S702、对所有潜在匹配点按照特征描述符之间的欧式距离进行排序,生成待匹配队列L;
步骤S703、顺次从队列L中取出一个匹配点,并基于从局部到整体的ICP算法计算变换参数,并利用式(4)计算该匹配点对的Score;
公式(4)中,summatch是源点云和目标点云中距离小于6倍点云平均采样密度的点数,sump是源点云总点数,sumq是目标点云总点数;
步骤S704、取所有匹配点对中Score值最大者作为最终对齐结果。
5.根据权利要求4所述的基于脊谷特征与深度特征描述符的点云单点对齐方法,其特征在于,所述步骤S703,具体包括:
步骤S7031、以匹配点p作为中心点,以20倍的点云平均采样间距为半径r构建球域A;
步骤S7032、对于球域A中包含的两片点云的子集,利用ICP算法优化平移向量T以及旋转矩阵R;
步骤S7033、将邻域半径加倍,并返回步骤S7032;
步骤S7034、重复步骤S7032至步骤S7033,直到邻域半径大于点云包围盒对角线长度的一半;
步骤S7035、利用公式(4)量化对齐效果,得出当前对应点的匹配Score。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016951.8A CN112767462B (zh) | 2021-01-07 | 2021-01-07 | 基于脊谷特征与深度特征描述符的点云单点对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016951.8A CN112767462B (zh) | 2021-01-07 | 2021-01-07 | 基于脊谷特征与深度特征描述符的点云单点对齐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767462A CN112767462A (zh) | 2021-05-07 |
CN112767462B true CN112767462B (zh) | 2023-05-12 |
Family
ID=75700603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110016951.8A Active CN112767462B (zh) | 2021-01-07 | 2021-01-07 | 基于脊谷特征与深度特征描述符的点云单点对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767462B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494380A (zh) * | 2022-04-18 | 2022-05-13 | 武汉大学 | 二进制形状上下文特征描述子构建方法及点云配准方法 |
-
2021
- 2021-01-07 CN CN202110016951.8A patent/CN112767462B/zh active Active
Non-Patent Citations (3)
Title |
---|
基于FPFH的点云特征点提取算法;贾薇等;《计算机应用与软件》;20200715;第1~6页 * |
基于特征检测与深度特征描述的点云粗对齐算法;史文凯等;《计算机科学》;20201215;第1~6页 * |
散乱点云谷脊特征提取;张雨禾等;《光学精密工程》;20150115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112767462A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377448B (zh) | 一种基于生成对抗网络的人脸图像修复方法 | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN107886529B (zh) | 一种用于三维重建的点云配准方法 | |
CN109767463B (zh) | 一种三维点云自动配准方法 | |
CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN110688947B (zh) | 一种同步实现人脸三维点云特征点定位和人脸分割的方法 | |
WO2016023264A1 (zh) | 指纹识别方法及其指纹识别装置 | |
Gal et al. | Surface reconstruction using local shape priors | |
CN103136520A (zh) | 基于pca-sc算法的形状匹配和目标识别方法 | |
CN113361636B (zh) | 一种图像分类方法、系统、介质及电子设备 | |
CN106228528A (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN111681300B (zh) | 轮廓素描线组成的目标区域获取方法 | |
CN109887009B (zh) | 一种点云局部匹配方法 | |
CN112200915B (zh) | 一种基于靶标三维模型纹理影像的前后形变量检测方法 | |
CN103955950A (zh) | 一种利用关键点特征匹配的图像跟踪方法 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN114648445B (zh) | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 | |
Liu et al. | A novel rock-mass point cloud registration method based on feature line extraction and feature point matching | |
CN112767462B (zh) | 基于脊谷特征与深度特征描述符的点云单点对齐方法 | |
CN114494380A (zh) | 二进制形状上下文特征描述子构建方法及点云配准方法 | |
Chen et al. | Structure guided texture inpainting through multi-scale patches and global optimization for image completion | |
CN111127667B (zh) | 基于区域曲率二进制描述符的点云初始配准方法 | |
CN117011465A (zh) | 一种树木三维重建方法、装置、电子设备及存储介质 |
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 |