CN112884902A - 一种面向点云配准的标靶球位置优化方法 - Google Patents
一种面向点云配准的标靶球位置优化方法 Download PDFInfo
- Publication number
- CN112884902A CN112884902A CN202110289785.9A CN202110289785A CN112884902A CN 112884902 A CN112884902 A CN 112884902A CN 202110289785 A CN202110289785 A CN 202110289785A CN 112884902 A CN112884902 A CN 112884902A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- target
- registration
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Abstract
本发明公开了一种面向点云配准的标靶球位置优化方法,该方法包括:获取参数;根据参数生成点云并建立仿真模型;对仿真模型的方位进行调整并建立配准模型,得到源点云和目标点云;在配准模型上源点云和目标点云的伪随机位置上分别生成多组球面点云数据并得到仿真标靶球点云数据;对仿真标靶球点云数据执行球面拟合操作,得到球心坐标数据集;计算位移矢量和旋转矩阵;对源点云进行处理,完成与目标点云的配准;计算误差;循环步骤得到最优精度的数据。本发明方法以大量的内业计算弥补高昂的外业成本,获取标靶球的相对最优摆放位置,提高点云数据配准质量。本发明作为一种面向点云配准的标靶球位置优化方法,可广泛应用于点云数据可视化领域。
Description
技术领域
本发明涉及点云数据可视化领域,尤其涉及一种面向点云配准的标靶球位置优化方法。
背景技术
近年来,激光雷达技术快速发展,它集成激光测距技术、计算机技术等于一体,该技术在三维空间信息的实时获取方面产生了重大突破,有多种设备和应用程序在不同的领域引入了3D对象和场景,如精确农业和林业,洪水分析,智能交通系统(ITS)和高级驾驶员辅助系统等领域。激光雷达具有360度视野,但需要多测站才能记录目标物体的完整三维空间信息。多测站数据进行配准时,最常见的方法是使用标靶球作为特征目标,提取球面点云,通过拟合得到球心坐标作为多测站同名点。目前在标靶球点云配准领域尚没有一个最优的标靶球使用方案。
发明内容
为了解决上述技术问题,本发明的目的是提供一种面向点云配准的标靶球位置优化方法,能够获取标靶球的相对最优摆放位置,提高点云数据配准质量。
本发明所采用的第一技术方案是:一种面向点云配准的标靶球位置优化方法,包括以下步骤:
S1、获取七个基本点参数、一个限高参数和一个地面范围参数;
S2、根据基本点参数、限高参数和地面范围参数生成三维模型立面点云、地面点云和标靶球的伪随机位置集并建立仿真模型;
S3、基于基本点的相对位置,调整仿真模型的方位并建立配准模型,得到源点云和目标点云;
S4、在配准模型上源点云和目标点云对应标靶球的伪随机位置分别生成多组球面点云数据并得到仿真标靶球点云数据;
S5、基于最小二乘法分别对仿真标靶球点云数据执行球面拟合操作,得到球心坐标数据集;
S6、基于霍恩法对源点云与目标点云中的球心坐标数据集进行计算,得到位移矢量和旋转矩阵;
S7、根据位移矢量和旋转矩阵对源点云进行处理,完成与目标点云的配准;
S8、根据目标点云和源点云进行平面拟合,并计算均方根误差作为精度评价值;
S9、返回步骤S1,直至达到预设循环次数,输出精度评价最优的10组位置数据。
具体地,输出结果如图6所示。
进一步,所述七个基本点包括第一测站的中心坐标点A、第二测站相对于第一测站的相对坐标点B、扫描物体的最低处点C、扫描物体的最高处点D、扫描物体的最左侧点E和扫描物体的最右侧点F。
进一步,所述根据基本点参数、限高参数和地面范围参数生成三维模型立面点云、地面点云和标靶球的伪随机位置集并建立仿真模型这一步骤,其具体包括:
连接点C和点D作为三维模型的高,并以等间距a生成多条垂线,连接点E和点D作为三维模型左侧墙宽,以等间距a生成多条垂线,以垂线相交形成的格网的交角为三维模型左侧立面点云;
连接点C和点D作为三维模型的高,以等间距a生成多条垂线,连接点E和点F作为三维模型左侧墙宽,以等间距a生成多条垂线,以垂线相交形成的格网的交角为三维模型右侧立面点云;
以点E和点F连线的中点Q指向点C作为方向,以点C作为起点,向前取地面范围参数代表的距离至点Q,经过P点做PQ的第一垂线,再分别经过E、F做第一垂线的垂线,垂足分别为G、H,多边形为摆放标靶球的地面范围,在多边形中生成多个最小间距为仿真标靶球直径的点,作为地面点云;
基于限高参数和地面点云,以仿真标靶球直径作为间距,将限高参数除以间距,获得层数k,复制k层地面点云作为标靶球可能出现的伪随机位置,得到标靶球的伪随机位置集;
根据三维模型左侧立面点云、三维模型右侧立面点云、地面点云和标靶球的伪随机位置集,建立仿真模型。
进一步,所述基于基本点的相对位置,调整仿真模型的方位并建立配准模型,得到源点云和目标点云这一步骤,其具体包括:
复制仿真模型点云,基于点A和点B的相对位置,将仿真模型中对应的点A按照预设规则平移和旋转,点A与原点重合,得到源点云I;
复制仿真模型点云,基于点A和点B的相对位置,将仿真模型中对应的点B按照预设规则平移和旋转,点B与原点重合,得到目标点云J。
进一步,所述在配准模型上源点云和目标点云的伪随机位置上分别生成多组球面点云数据并获取仿真扫描场景中的标靶球点云数据这一步骤,其具体包括:
分别在配准模型上源点云I和目标点云J的伪随机位置上选择预设数量的点作为标靶球球心并以预设值r作为仿真标靶球的半径,生成球面点云;
将空间直角坐标系中的球面坐标转换至球面坐标系中,删除仿真标靶球中的不可观测点;
对球面点云添加误差数据,得到仿真标靶球点云数据。
进一步,所述基于最小二乘法分别对仿真标靶球点云数据执行球面拟合操作,得到球心坐标数据集这一步骤,球面拟合操作的表达式如下:
fi(x0,y0,z0,R)=(xi-x0)2+(yi-y0)2+(zi-z0)2-R2
上式中,(x0,y0,z0,R)代表球面方程的四个参数,球心坐标与球体半径,fi(x0,y0,z0,R)表示每个点带入方程的残差,xi、yi和zi表示仿真标靶球点云数据,函数F(x0,y0,z0,R)的值最小,完成球面拟合工作。
进一步,所述根据位移矢量和旋转矩阵对源点云进行处理,完成与目标点云的配准这一步骤,其具体包括:
将源点云I减去位移矢量并在坐标系中完成平移;
将平移后的源点云数据乘以旋转矩阵,得到新数据;
新数据与目标点云J近似重合,完成与目标点云J的配准。
进一步,所述根据目标点云和源点云进行平面拟合,并计算均方根误差作为精度评价值这一步骤,其具体包括:
结合目标点云J与源点云I的左侧立面数据进行平面拟合,获取均方根误差RMSEl;
结合目标点云J与源点云I的右侧立面数据进行平面拟合,获取均方根误差RMSEr;
结合目标点云J与源点云I的地面点云数据进行平面拟合,获取均方根误差RMSEg;
统合均方根误差RMSEl、均方根误差RMSEr和均方根误差RMSEg,得到模型的整体均方根误差RMSEm;
以整体均方根误差RMSEm作为单次仿真配准的精度评价指标。
本发明方法的有益效果是:本发明通过本发明仿真点云数据模拟真实的扫描模型,进一步提炼出生成接近真实扫描情况的点云数据,另外通过大量的内业计算弥补高昂的外业成本,获取标靶球的相对最优摆放位置,提高点云数据配准质量。
附图说明
图1是本发明一种面向点云配准的标靶球位置优化方法的步骤流程图;
图2是本发明具体实施例的数据处理流程图;
图3是本发明具体实施例仿真模型与对应参数的示意图;
图4是本发明具体实施例将球面点云数据转化为模拟真实扫描的标靶球点云的示意图;
图5是本发明具体实施例目标点云与源点云基于霍恩法进行配准的示意图;
图6是本发明具体实施例最终返回结果的示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2,本发明提供了一种面向点云配准的标靶球位置优化方法,该方法包括以下步骤:
S1、获取七个基本点参数、一个限高参数和一个地面范围参数;
具体地,所述七个基本点包括第一测站的中心坐标点A、第二测站相对于第一测站的相对坐标点B、扫描物体的最低处点C、扫描物体的最高处点D、扫描物体的最左侧点E和扫描物体的最右侧点F。
S2、根据基本点参数、限高参数和地面范围参数生成三维模型立面点云、地面点云和标靶球的伪随机位置集并建立仿真模型;
具体地,根据基本点C、D、E生成三维模型左侧立面点云,根据参数点C、D、F生成三维模型右侧立面点云,根据地面范围参数生成地面点云,结合参数点E、C、F以及限高参数、地面范围参数生成标靶球可能出现的伪随机位置,结合以上数据建立模拟真实场景的仿真模型。
S3、基于基本点的相对位置,调整仿真模型的方位并建立配准模型,得到源点云和目标点云;
S4、在配准模型上源点云和目标点云对应标靶球的伪随机位置分别生成多组球面点云数据并得到仿真标靶球点云数据;
S5、基于最小二乘法分别对仿真标靶球点云数据执行球面拟合操作,得到球心坐标数据集;
S6、基于霍恩法对源点云与目标点云中的球心坐标数据集进行计算,得到位移矢量和旋转矩阵;
S7、根据位移矢量和旋转矩阵对源点云进行处理,完成与目标点云的配准;
S8、根据目标点云和源点云进行平面拟合,并计算均方根误差作为精度评价值;
S9、返回步骤S1,直至达到预设循环次数,输出精度评价最优的10组位置数据。
进一步作为本方法的优选实施例,所述七个基本点包括第一测站的中心坐标点A、第二测站相对于第一测站的相对坐标点B、扫描物体的最低处点C、扫描物体的最高处点D、扫描物体的最左侧点E和扫描物体的最右侧点F。
进一步作为本方法的优选实施例,所述根据基本点参数、限高参数和地面范围参数生成三维模型立面点云、地面点云和标靶球的伪随机位置集并建立仿真模型这一步骤,其具体包括:
连接点C和点D作为三维模型的高,并以等间距a生成多条垂线,连接点E和点D作为三维模型左侧墙宽,以等间距a生成多条垂线,以垂线相交形成的格网的交角为三维模型左侧立面点云;
连接点C和点D作为三维模型的高,以等间距a生成多条垂线,连接点E和点F作为三维模型左侧墙宽,以等间距a生成多条垂线,以垂线相交形成的格网的交角为三维模型右侧立面点云;
以点E和点F连线的中点Q指向点C作为方向,以点C作为起点,向前取地面范围参数代表的距离至点Q,经过P点做PQ的第一垂线,再分别经过E、F做第一垂线的垂线,垂足分别为G、H,多边形为摆放标靶球的地面范围,在多边形中生成多个最小间距为仿真标靶球直径的点,作为地面点云;
基于限高参数和地面点云,以仿真标靶球直径作为间距,将限高参数除以间距,获得层数k,复制k层地面点云作为标靶球可能出现的伪随机位置,得到标靶球的伪随机位置集;
根据三维模型左侧立面点云、三维模型右侧立面点云、地面点云和标靶球的伪随机位置集,建立仿真模型。
进一步作为本方法优选实施例,所述基于基本点的相对位置,调整仿真模型的方位并建立配准模型,得到源点云和目标点云这一步骤,其具体包括:
复制仿真模型点云,基于点A和点B的相对位置,将仿真模型中对应的点A按照预设规则平移和旋转,点A与原点重合,得到源点云I;
复制仿真模型点云,基于点A和点B的相对位置,将仿真模型中对应的点B按照预设规则平移和旋转,点B与原点重合,得到目标点云J。
具体地,根据输入参数对扫描的三维模型数据执行仿真工作,将规则排序的点云数据按照实际误差关系贴近真实扫描情况,如图3所示。
进一步作为本方法优选实施例,所述在配准模型上源点云和目标点云的伪随机位置上分别生成多组球面点云数据并获取仿真扫描场景中的标靶球点云数据这一步骤,其具体包括:
分别在配准模型上源点云I和目标点云J的伪随机位置上选择预设数量的点作为标靶球球心并以预设值r作为仿真标靶球的半径,生成球面点云;
具体地,分别在配准模型上源点云I和目标点云J的伪随机位置上随机选择k(>2)个点作为标靶球球心,以r作为仿真标靶球的半径,生成球面点云。
将空间直角坐标系中的球面坐标转换至球面坐标系中,删除仿真标靶球中的不可观测点;
具体地,将空间直角坐标系中的球面坐标转换至球面坐标系中,进行通视分析,相同的水平角θ与竖直角α对应的点,在实际扫描中只能存在距离扫描仪更近的一个点,据此删除仿真标靶球中的不可观测点,表达式如下:
θ=arctan(y/x)
上式中,(x,y,z)指的是标靶球点云中的空间直角坐标,(ρ,θ,α)是标靶球点云在球面坐标系中的坐标,分别是距离、水平角、竖直角。
对球面点云添加误差数据,得到仿真标靶球点云数据。
具体地,给k组球面点云添加系统误差,所述表达式如下:
ρ′=ρ+δρ
θ′=θ+δθ
α′=α+δα
δρ=a0
δθ=b1sec(α)+b2tan(α)
δα=c0
上式中,(x,y,z)指的是标靶球点云中的空间直角坐标,(ρ′,θ′,α′)是存在误差的球面坐标系坐标,分别是距离、水平角、竖直角,对应的(δρ,δθ,δα)是三个量的系统误差,可通过仪器说明书和用户手册确定(a0,b1,b2,c0)进行计算。
在上述坐标值做添加微小随机扰动量作为随机误差的模拟。
进一步作为本方法的优选实施例,所述基于最小二乘法分别对仿真标靶球点云数据执行球面拟合操作,得到球心坐标数据集这一步骤,球面拟合操作的表达式如下:
fi(x0,y0,z0,R)=(xi-x0)2+(yi-y0)2+(zi-z0)2-R2
上式中,(x0,y0,z0,R)代表球面方程的四个参数,球心坐标与球体半径,fi(x0,y0,z0,R)表示每个点带入方程的残差,xi、yi和zi表示仿真标靶球点云数据,函数F(x0,y0,z0,R)的值最小,完成球面拟合工作,将球面点云数据转化为模拟真实扫描的标靶球点云的示意图参照图4。
进一步作为本方法的优选实施例,所述基于霍恩法对源点云与目标点云中的球心坐标数据集进行计算,得到位移矢量和旋转矩阵这一步骤,计算公式包括:
(xc1i,yc1i,zc1i)=sM(xc2i,yc2i,zc2i)+T
ei=(xc1i,yc1i,zc1i)-sM(xc2i,yc2i,zc2i)+T
上式中,有(xc1,yc1,zc1)代表源点云数据中的标靶球球心点集, 同样的,在下标为c2的目标点云数据中的参数做同样的处理,可得出旋转矩阵M;i的取值范围是1至k;s是尺度因子,通常取值为1;ei代表每个球心数据完成上述操作后的残差,在取得最小值时,可以得到位移矢量T,参照图5。
进一步作为本方法的优选实施例,所述根据位移矢量和旋转矩阵对源点云进行处理,完成与目标点云的配准这一步骤,其具体包括:
将源点云I减去位移矢量T并在坐标系中完成平移;
将平移后的源点云数据乘以旋转矩阵M,得到新数据;
新数据与目标点云J近似重合,完成与目标点云J的配准。
进一步作为本方法优选实施例,所述根据目标点云和源点云进行平面拟合,并计算均方根误差作为精度评价值这一步骤,其具体包括:
结合目标点云J与源点云I的左侧立面数据进行平面拟合,获取均方根误差RMSEl;
结合目标点云J与源点云I的右侧立面数据进行平面拟合,获取均方根误差RMSEr;
结合目标点云J与源点云I的地面点云数据进行平面拟合,获取均方根误差RMSEg;
统合均方根误差RMSEl、均方根误差RMSEr和均方根误差RMSEg,得到模型的整体均方根误差RMSEm;
以整体均方根误差RMSEm作为单次仿真配准的精度评价指标。
具体地,所述平面拟合最小二乘法计算公式和精度评价指标公式为:
fi(a,b,c,d)=axi+byi+czi-d
上式中,(a,b,c,d)代表平面方程的四个参数;fi(a,b,c,d)指的是每个点带入方程的残差;函数F(a,b,c,d)的值最小时,则完成平面拟合工作;参与拟合的每一个点到平面的距离为di,RMSE即是均方根误差,RMSEl代表目标点云与源点云的左侧立面数据平面拟合后的均方根误差,RMSEr代表目标点云与源点云的右侧立面数据平面拟合后的均方根误差,RMSEg代表目标点云与源点云的地面数据平面拟合后的均方根误差,可求得模型的整体的均方根误差RMSEm。
一种面向点云配准的标靶球位置优化装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种面向点云配准的标靶球位置优化方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种面向点云配准的标靶球位置优化方法,其特征在于,包括以下步骤:
S1、获取七个基本点参数、一个限高参数和一个地面范围参数;
S2、根据基本点参数、限高参数和地面范围参数生成三维模型立面点云、地面点云和标靶球的伪随机位置集并建立仿真模型;
S3、基于基本点的相对位置,调整仿真模型的方位并建立配准模型,得到源点云和目标点云;
S4、在配准模型上源点云和目标点云对应标靶球的伪随机位置分别生成多组球面点云数据并得到仿真标靶球点云数据;
S5、基于最小二乘法分别对仿真标靶球点云数据执行球面拟合操作,得到球心坐标数据集;
S6、基于霍恩法对源点云与目标点云中的球心坐标数据集进行计算,得到位移矢量和旋转矩阵;
S7、根据位移矢量和旋转矩阵对源点云进行处理,完成与目标点云的配准;
S8、根据目标点云和源点云进行平面拟合,并计算均方根误差作为精度评价值;
S9、返回步骤S1,直至达到预设循环次数,输出精度评价最优的10组位置数据。
2.根据权利要求1所述一种面向点云配准的标靶球位置优化方法,其特征在于,所述七个基本点包括第一测站的中心坐标点A、第二测站相对于第一测站的相对坐标点B、扫描物体的最低处点C、扫描物体的最高处点D、扫描物体的最左侧点E和扫描物体的最右侧点F。
3.根据权利要求2所述一种面向点云配准的标靶球位置优化方法,其特征在于,所述根据基本点参数、限高参数和地面范围参数生成三维模型立面点云、地面点云和标靶球的伪随机位置集并建立仿真模型这一步骤,其具体包括:
连接点C和点D作为三维模型的高,并以等间距a生成多条垂线,连接点E和点D作为三维模型左侧墙宽,以等间距a生成多条垂线,以垂线相交形成的格网的交角为三维模型左侧立面点云;
连接点C和点D作为三维模型的高,以等间距a生成多条垂线,连接点E和点F作为三维模型左侧墙宽,以等间距a生成多条垂线,以垂线相交形成的格网的交角为三维模型右侧立面点云;
以点E和点F连线的中点Q指向点C作为方向,以点C作为起点,向前取地面范围参数代表的距离至点Q,经过P点做PQ的第一垂线,再分别经过E、F做第一垂线的垂线,垂足分别为G、H,多边形为摆放标靶球的地面范围,在多边形中生成多个最小间距为仿真标靶球直径的点,作为地面点云;
基于限高参数和地面点云,以仿真标靶球直径作为间距,将限高参数除以间距,获得层数k,复制k层地面点云作为标靶球可能出现的伪随机位置,得到标靶球的伪随机位置集;
根据三维模型左侧立面点云、三维模型右侧立面点云、地面点云和标靶球的伪随机位置集,建立仿真模型。
4.根据权利要求3所述一种面向点云配准的标靶球位置优化方法,其特征在于,所述基于基本点的相对位置,调整仿真模型的方位并建立配准模型,得到源点云和目标点云这一步骤,其具体包括:
复制仿真模型点云,基于点A和点B的相对位置,将仿真模型中对应的点A按照预设规则平移和旋转,点A与原点重合,得到源点云I;
复制仿真模型点云,基于点A和点B的相对位置,将仿真模型中对应的点B按照预设规则平移和旋转,点B与原点重合,得到目标点云J。
5.根据权利要求4所述一种面向点云配准的标靶球位置优化方法,其特征在于,所述在配准模型上源点云和目标点云对应标靶球的伪随机位置分别生成多组球面点云数据并得到仿真标靶球点云数据这一步骤,其具体包括:
分别在配准模型上源点云I和目标点云J对应标靶球的伪随机位置上选择预设数量的点作为标靶球球心并以预设值r作为仿真标靶球的半径,生成球面点云;
将空间直角坐标系中的球面坐标转换至球面坐标系中,删除仿真标靶球中的不可观测点;
对球面点云添加误差数据,得到仿真标靶球点云数据。
7.根据权利要求6所述一种面向点云配准的标靶球位置优化方法,其特征在于,所述根据位移矢量和旋转矩阵对源点云进行处理,完成与目标点云的配准这一步骤,其具体包括:
将源点云I减去位移矢量并在坐标系中完成平移;
将平移后的源点云数据乘以旋转矩阵,得到新数据;
新数据与目标点云J近似重合,完成与目标点云J的配准。
8.根据权利要求7所述一种面向点云配准的标靶球位置优化方法,其特征在于,所述根据目标点云和源点云进行平面拟合,并计算均方根误差作为精度评价值这一步骤,其具体包括:
结合目标点云J与源点云I的左侧立面数据进行平面拟合,获取均方根误差RMSEl;
结合目标点云J与源点云I的右侧立面数据进行平面拟合,获取均方根误差RMSEr;
结合目标点云J与源点云I的地面点云数据进行平面拟合,获取均方根误差RMSEg;
统合均方根误差RMSEl、均方根误差RMSEr和均方根误差RMSEg,得到模型的整体均方根误差RMSEm;
以整体均方根误差RMSEm作为单次仿真配准的精度评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110289785.9A CN112884902B (zh) | 2021-03-17 | 2021-03-17 | 一种面向点云配准的标靶球位置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110289785.9A CN112884902B (zh) | 2021-03-17 | 2021-03-17 | 一种面向点云配准的标靶球位置优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884902A true CN112884902A (zh) | 2021-06-01 |
CN112884902B CN112884902B (zh) | 2023-03-17 |
Family
ID=76041151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110289785.9A Active CN112884902B (zh) | 2021-03-17 | 2021-03-17 | 一种面向点云配准的标靶球位置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884902B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313741A (zh) * | 2021-06-03 | 2021-08-27 | 广西大学 | 一种基于标定球的点云自配准方法 |
CN113345005A (zh) * | 2021-06-17 | 2021-09-03 | 南京工业大学 | 一种适用于靶球中心解算的有限随机搜索方法 |
CN113805157A (zh) * | 2021-09-22 | 2021-12-17 | 航天新气象科技有限公司 | 基于标靶的高度测量方法、装置及设备 |
CN114862788A (zh) * | 2022-04-29 | 2022-08-05 | 湖南联智科技股份有限公司 | 一种三维激光扫描的平面标靶坐标自动识别方法 |
CN115661220A (zh) * | 2022-12-28 | 2023-01-31 | 深圳煜炜光学科技有限公司 | 点云数据配准方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110304619A1 (en) * | 2010-06-10 | 2011-12-15 | Autodesk, Inc. | Primitive quadric surface extraction from unorganized point cloud data |
CN103646156A (zh) * | 2013-12-30 | 2014-03-19 | 北京建筑大学 | 一种基于球标靶探测的激光点云数据自动配准方法 |
CN106651752A (zh) * | 2016-09-27 | 2017-05-10 | 深圳市速腾聚创科技有限公司 | 三维点云数据配准方法及拼接方法 |
CN109323656A (zh) * | 2018-11-24 | 2019-02-12 | 上海勘察设计研究院(集团)有限公司 | 一种用于点云配准的新型标靶及其提取算法 |
CN110044265A (zh) * | 2019-05-16 | 2019-07-23 | 中国计量大学 | 一种基于三维激光扫描的机器人重复位姿测量方法 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110490912A (zh) * | 2019-07-17 | 2019-11-22 | 哈尔滨工程大学 | 基于局部灰度顺序模型描述符的3d-rgb点云配准方法 |
CN111241615A (zh) * | 2019-12-31 | 2020-06-05 | 国网山西省电力公司晋中供电公司 | 一种高度真实感的变电站多源融合三维建模方法 |
CN112001955A (zh) * | 2020-08-24 | 2020-11-27 | 深圳市建设综合勘察设计院有限公司 | 一种基于二维投影平面匹配约束的点云配准方法及系统 |
-
2021
- 2021-03-17 CN CN202110289785.9A patent/CN112884902B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110304619A1 (en) * | 2010-06-10 | 2011-12-15 | Autodesk, Inc. | Primitive quadric surface extraction from unorganized point cloud data |
CN103646156A (zh) * | 2013-12-30 | 2014-03-19 | 北京建筑大学 | 一种基于球标靶探测的激光点云数据自动配准方法 |
CN106651752A (zh) * | 2016-09-27 | 2017-05-10 | 深圳市速腾聚创科技有限公司 | 三维点云数据配准方法及拼接方法 |
CN109323656A (zh) * | 2018-11-24 | 2019-02-12 | 上海勘察设计研究院(集团)有限公司 | 一种用于点云配准的新型标靶及其提取算法 |
CN110044265A (zh) * | 2019-05-16 | 2019-07-23 | 中国计量大学 | 一种基于三维激光扫描的机器人重复位姿测量方法 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110490912A (zh) * | 2019-07-17 | 2019-11-22 | 哈尔滨工程大学 | 基于局部灰度顺序模型描述符的3d-rgb点云配准方法 |
CN111241615A (zh) * | 2019-12-31 | 2020-06-05 | 国网山西省电力公司晋中供电公司 | 一种高度真实感的变电站多源融合三维建模方法 |
CN112001955A (zh) * | 2020-08-24 | 2020-11-27 | 深圳市建设综合勘察设计院有限公司 | 一种基于二维投影平面匹配约束的点云配准方法及系统 |
Non-Patent Citations (5)
Title |
---|
PRZEMYSLAW MUSIALSKI: "Point Cloud to Model Registration", 《VRVIS - CENTER FOR VIRTUAL REALITY AND VISUALIZATION GMBH》 * |
TING ON CHAN ET AL.: "Symmetry Analysis of Oriental Polygonal Pagodas Using 3D Point Clouds foTing On Chan Cultural Heritage", 《SENSORS2021》 * |
季军: "三维激光扫描仪在钢厂中的数据配准方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
王晏民等: "应用三维线特征自动配准建筑物点云数据", 《测绘通报》 * |
贾东峰等: "球标靶在点云数据配准中的应用分析", 《工程勘察》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313741A (zh) * | 2021-06-03 | 2021-08-27 | 广西大学 | 一种基于标定球的点云自配准方法 |
CN113313741B (zh) * | 2021-06-03 | 2022-07-29 | 广西大学 | 一种基于标定球的点云自配准方法 |
CN113345005A (zh) * | 2021-06-17 | 2021-09-03 | 南京工业大学 | 一种适用于靶球中心解算的有限随机搜索方法 |
CN113345005B (zh) * | 2021-06-17 | 2023-09-12 | 南京工业大学 | 一种适用于靶球中心解算的有限随机搜索方法 |
CN113805157A (zh) * | 2021-09-22 | 2021-12-17 | 航天新气象科技有限公司 | 基于标靶的高度测量方法、装置及设备 |
CN114862788A (zh) * | 2022-04-29 | 2022-08-05 | 湖南联智科技股份有限公司 | 一种三维激光扫描的平面标靶坐标自动识别方法 |
CN115661220A (zh) * | 2022-12-28 | 2023-01-31 | 深圳煜炜光学科技有限公司 | 点云数据配准方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112884902B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884902B (zh) | 一种面向点云配准的标靶球位置优化方法 | |
CN107564069B (zh) | 标定参数的确定方法、装置及计算机可读存储介质 | |
JP4785880B2 (ja) | 三次元オブジェクト認識のためのシステムおよび方法 | |
CN102855663B (zh) | 一种根据激光雷达栅格点云构建csg模型的方法 | |
CN108230247B (zh) | 基于云端的三维地图的生成方法、装置、设备及计算机可读的存储介质 | |
CN108592787B (zh) | 3d旋转扫描系统的转轴标定方法与系统 | |
Aykin et al. | Three-dimensional target reconstruction from multiple 2-d forward-scan sonar views by space carving | |
CN102184563B (zh) | 植物器官形态的三维扫描方法及扫描系统和装置 | |
CN111737790B (zh) | 仿真城市模型的构建方法和设备 | |
CN111079565B (zh) | 视图二维姿态模板的构建方法及识别方法、定位抓取系统 | |
CN107192350A (zh) | 一种三维激光扫描仪内参数标定方法及装置 | |
CN103500467A (zh) | 基于图像的三维模型构成方法 | |
CN104007444A (zh) | 一种基于中心投影的地面激光雷达反射强度图像的生成方法 | |
CN104463969B (zh) | 一种对航空倾斜拍摄的地理照片的模型的建立方法 | |
CN104157011A (zh) | 一种三维地形建模方法 | |
Tran et al. | A structured light RGB-D camera system for accurate depth measurement | |
Donadio et al. | Three-Dimensional (3D) modelling and optimization for multipurpose analysis and representation of ancient statues | |
Hosseininaveh et al. | A low-cost and portable system for 3D reconstruction of texture-less objects | |
Yu et al. | Calibration refinement for a fringe projection profilometry system based on plane homography | |
CN114882085B (zh) | 一种基于单一立方体三维点云配准方法及系统 | |
CN116310194A (zh) | 一种配电站房三维模型重建方法、系统、设备和存储介质 | |
Sablatnig et al. | Combining shape from silhouette and shape from structured light for volume estimation of archaeological vessels | |
Zhao et al. | Method for calibrating intrinsic camera parameters using orthogonal vanishing points | |
Knyaz et al. | Approach to Accurate Photorealistic Model Generation for Complex 3D Objects | |
CN105809697B (zh) | 一种仅有两个标志点的一维摄像机定标装置及其定标方法 |
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 |