CN112907759A - 基于点云投影和点云增长的拼接冗余点云去除方法 - Google Patents

基于点云投影和点云增长的拼接冗余点云去除方法 Download PDF

Info

Publication number
CN112907759A
CN112907759A CN201911135252.4A CN201911135252A CN112907759A CN 112907759 A CN112907759 A CN 112907759A CN 201911135252 A CN201911135252 A CN 201911135252A CN 112907759 A CN112907759 A CN 112907759A
Authority
CN
China
Prior art keywords
point cloud
dimensional image
voxel
point
redundant
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
Application number
CN201911135252.4A
Other languages
English (en)
Other versions
CN112907759B (zh
Inventor
颜廷钰
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911135252.4A priority Critical patent/CN112907759B/zh
Publication of CN112907759A publication Critical patent/CN112907759A/zh
Application granted granted Critical
Publication of CN112907759B publication Critical patent/CN112907759B/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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于点云投影和点云增长的拼接冗余点云去除方法，首先根据三维传感设备的测量精度与获取的点云范围构造三维图像，然后将点云逐批次的投影到三维图像中，分别计算出各点云落在三维图像中的坐标，并根据点云增长范围标注三维图像各体素上的值，最后通过比较两片点云投影在三维图像上各像素的值，从而完成拼接点云去冗余。本发明可以在拼接测量过程中自动计算出每一次拼接与前面多次测量中的重叠区域，快速去除多次测量产生的冗余点，从而完成拼接点云去冗余。

Description

基于点云投影和点云增长的拼接冗余点云去除方法
技术领域
本发明涉及点云拼接中重叠区域的冗余点去除技术，特别是一种基于点云投影和点云增长的拼接冗余点云去除方法。
背景技术
随着三维视觉的发展，物体三维信息的获得与处理受到越来越多的重视。对于大体积物体，三维传感设备需从多个角度获得物体点云数据并进行多次拼接测量，才能得到单个物体完整点云。两片点云拼接后重叠区域会产生大量的冗余点云，并且冗余点云的数据量会随着拼接次数的增多越来越大，不但影响后期三维点云数据的处理，也会降低三维建模的速度和精度。
针对点云拼接中重叠区域的冗余点删除问题，梁新合等人使用法向约束的点云融合方法，但过于依赖种子点，去冗余效果不够稳定。曹局明等人则利用移动最小二乘法对点云数据进行数据融合，但计算时间过长，杜晓辉采用混合模式精简点云，杨斌采用多分辨率简化算法，这些方法都没有摆脱计算量过大的问题。根据点的重要性，Nira Dyn构造非负函数，并采用基于迭代的方法简化点云，黄文明等人计算样点对最小二乘移动曲面的影响大小以简化点云，这些方法仍然面临计算量大，非线性优化过程过于复杂的问题。
以上方法大多是从三维点云的角度出发，通过计算点云的曲率密度等信息删除多余的点云，这些方法往往面临计算量大，效率低，无法保证保留原始扫描数据信息的问题。
发明内容
本发明的目的在于提供一种基于点云投影和点云增长的拼接冗余点云去除方法。
实现本发明目的的技术解决方案为：一种基于点云投影和点云增长的拼接冗余点云去除方法，包括以下步骤：
步骤1、获取三维点云数据；
步骤2、制作三维图像；
步骤3、三维图像体素赋值：根据获得的点云数据，逐个计算所有点云落在三维图像中的位置并为各体素赋值，如果落于三维图像外则舍去不再计算；
步骤4、去除拼接冗余点云：根据第N次测量获得的点云建立的三维图像，分别使用第N次测量获得的点云与第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值；设使用第N次测量获得的点云数据对三维图像赋值后，坐标(xa,ya,za)的体素k值为kaN,设第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值后，坐标(xa,ya,za)的体素k值为kaN′，当kaN-kaN′大于阈值S时，将第N次测量获得的点云所有落在该体素内的点记做非冗余点，遍历所有的体素，删除第N次测量获得的点云中所有没有被标记为非冗余点的点，余下点保留；
步骤5、重复步骤2～步骤4，依次去除三维传感设备获取的点云中所有的冗余点，最终得到去冗余后的点云。
与现有技术相比，本发明的显著优点为：本发明提出一种基于点云投影和点云增长的拼接点云去冗余方法，该方法根据点云深度信息，逐批次的将点云投影到三维图像上，并通过点云增长为三维图像体素赋值，并通过比较两片点云投影在相同三维图像上各体素的值，删除冗余点云，从而完成拼接点云去冗余，去冗余准确度高，速度快，且方法简单易实施。
附图说明
图1为本发明基于点云投影和点云增长的拼接冗余点云去除方法流程图。
图2为实施例中单次点云去冗余的效果图。
具体实施方式
本发明提出了一种基于点云投影和点云增长的拼接点云去冗余方法。首先根据三维传感设备的测量精度与获取的点云范围构造三维图像。然后将点云逐批次的投影到三维图像中，分别计算出各点云落在三维图像中的坐标，并根据点云增长范围标注三维图像各体素上的值，最后通过比较两片点云投影在三维图像上各像素的值，从而完成拼接点云去冗余。该方法可以在拼接测量过程中自动计算出每一次拼接与前面多次测量中的重叠区域，快速去除多次测量产生的冗余点，从而完成拼接点云去冗余。下面结合附图1，具体说明本发明的方法步骤：
步骤一、获取三维点云数据
使用三维传感设备，从多个角度采集被扫描物的三维点云信息，设第一次测量下坐标系为O1X1Y1Z1，第n次测量下坐标系为OnXnYnZn，使用FPFH特征对相邻采集的两片点云粗配准，使用ICP对相邻采集的两片点云精配准，获得两次采集到的两片点云(Gn,Gn+1)之间的变换矩阵Mn，G1中点云数据{P11,P12,P13…}在坐标系OnXmYnZn中坐标：
P11 n＝P11*Mn-1*Mn-2…*M1
步骤二、制作三维图像
使用第一次测量获得的点云构建k-d tree，并利用k-d tree计算点云间平均距离，记为d，第一次测量获得的点云不需要制作三维图像以进行冗余点删除。从第二次测量获得的点云开始制作三维图像，第N次三维图像制作过程如下：计算第N次获取的点云在坐标系OnXnYnZn下的点云重心T，设点云在坐标系OnXnYnZn下X最大值xmax，最小值xmin，Y最大值ymax，最小值ymin，Z最大值zmax，最小值zmin，令
Figure BDA0002279419380000031
制作(m+1)*(n+1)*(g+1)体素的三维图像，体素边长
Figure BDA0002279419380000032
重心为T，每个体素用(x,y,z,k)表示,其中x,y,z表示该体素位于三维图像x行y列z页,k表示该体素的值，初值设为0。
步骤三、三维图像体素赋值
根据获得的点云数据，计算各点云在三维图像中的位置。设点云Pnm三维坐标为(Xmn,Ymn,Zmn)落在体素
Figure BDA0002279419380000033
内，体素记作va(xa,ya,za,k)，令该体素k＝k+7,另外，令体素(xa+1,ya,za,k),(xa-1,ya,za,k),(xa,ya+1,za,k),(xa,ya,za+1,k),(xa,ya,za-1,k)中k＝k+3，令体素(xa+1,ya+1,za,k),(xa-1,ya-1,za,k),(xa-1,ya,za-1,k),(xa+1,ya,za+1,k),(xa,ya-1,za-1,k),(xa,ya+1,za+1,k)中k＝k+2。逐个计算所有点云落在三维图像中的位置并为各体素赋值，如果落于三维图像外则舍去不再计算。
步骤四、点云去冗余
根据第N次测量获得的点云建立的三维图像，分别使用第N次测量获得的点云与第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值。设使用第N次测量获得的点云数据对三维图像赋值后，坐标(xa,ya,za)的体素k值为kaN,设第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值后，坐标(xa,ya,za)的体素k值为k_aN′，当kaN-kaN′大于阈值S时，将第N次测量获得的点云所有落在该体素内的点记做非冗余点，遍历所有的体素，删除第N次测量获得的点云中所有没有被标记为非冗余点的点，余下点保留。
步骤五、拼接点云去冗余
重复步骤二～步骤四，依次去除三维传感设备获取的点云中所有的冗余点，最终得到去冗余后的点云。
本发明的拼接点云去冗余方法，输入为三维传感设备不同角度测量相同物体的两片点云及二者的位姿关系，输出为拼接后且已去除冗余点的点云数据。该方法可以保证：在获得两片点云位姿关系的前提下，删除两片点云拼接过程中的冗余点，并保留原始扫描信息不丢失。
下面结合实施例和附图对本发明技术方案进行详细说明。
实施例
一种基于点云投影和点云增长的拼接冗余点云去除方法，包括以下步骤：
步骤一、获取三维点云数据
使用基于结构光的单目相机，从多个角度采集假山的三维点云信息，并使用FPFH特征对相邻采集的两片点云粗配准，使用ICP对相邻采集的两片点云精配准，获得两次采集到的两片点云(Gn,Gn+1)之间的变换矩阵Mn，G1中点云数据{P11,P12,P13…}在坐标系OnXnYnZn中坐标：
P11 n＝P11*Mn-1*Mn-2…*M1
步骤二、制作三维图像
使用第一次测量获得的点云构建k-d tree，并利用k-d tree计算点云间平均距离d，d＝1.2cm，第一次测量获得的点云不需要制作三维图像以进行冗余点删除。从第二次测量获得的点云开始制作三维图像，第N次三维图像制作过程如下：计算第N次获取的点云在坐标系OnXnYnZn下的点云重心T，制作499*399*299体素的三维图像，体素边长1.694，重心为T，每个体素用(x,y,z,k)表示,其中x,y,z表示该体素位于三维图像x行y列z页,k表示该体素的值，初值设为0。
步骤三、三维图像体素赋值
根据获得的点云数据，计算各点云在三维图像中的位置。设点云Pnm落在体素va(xa,ya,za,k)内，令该体素k＝k+7,另外，令体素(xa+1,ya,za,k),(xa-1,ya,za,k),(xa,ya+1,za,k),(xa,ya,za+1,k),(xa,ya,za-1,k)中k＝k+3令体素(xa+1,ya+1,za,k),(xa-1,ya-1,za,k),(xa-1,ya,za-1,k),(xa+1,ya,za+1,k),(xa,ya-1,za-1,k),(xa,ya+1,za+1,k)中k＝k+2。逐个计算所有点云落在三维图像中的位置并为各体素赋值，如果落于三维图像外则舍去不再计算。
步骤四、点云去冗余
根据第N次测量获得的点云建立的三维图像，分别使用第N次测量获得的点云与第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值。设使用第N次测量获得的点云数据对三维图像赋值后，坐标(xa,ya,za)的体素k值为kaN,设第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值后，坐标(xa,ya,za)的体素k值为k_aN′，当kaN-kaN′大于阈值22时，将第N次测量获得的点云所有落在该体素内的点记做非冗余点，遍历所有的体素，删除第N次测量获得的点云中所有没有被标记为非冗余点的点，余下点保留，单次点云去冗余的效果如图2所示，图2中，左图中白色点云为已完成去冗余的点云集合，中间点云为下幅等待去冗余的新测量获得的点云，右图点云为中间点云去冗余后剩余的点云。
步骤五、拼接点云去冗余
重复步骤二～步骤四，依次去除三维传感设备获取的点云中所有的冗余点，最终得到去冗余后的点云。

Claims (5)

1.一种基于点云投影和点云增长的拼接冗余点云去除方法，其特征在于，包括：
步骤1、获取三维点云数据；
步骤2、制作三维图像；
步骤3、三维图像体素赋值：根据获得的点云数据，逐个计算所有点云落在三维图像中的位置并为各体素赋值，如果落于三维图像外则舍去不再计算；
步骤4、去除拼接冗余点云：根据第N次测量获得的点云建立的三维图像，分别使用第N次测量获得的点云与第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值；设使用第N次测量获得的点云数据对三维图像赋值后，坐标(xa，ya，za)的体素k值为kaN，设第1～N-1次测量获得的经过去冗余后的所有点云对三维图像赋值后，坐标(xa，ya，za)的体素k值为kaN′，当kaN-kaN′大于阈值S时，将第N次测量获得的点云所有落在该体素内的点记做非冗余点，遍历所有的体素，删除第N次测量获得的点云中所有没有被标记为非冗余点的点，余下点保留；
步骤5、重复步骤2～步骤4，依次去除三维传感设备获取的点云中所有的冗余点，最终得到去冗余后的点云。
2.根据权利要求1所述的基于点云投影和点云增长的拼接冗余点云去除方法，其特征在于，步骤1获取三维点云数据的方法为：
使用三维传感设备，从多个角度采集被扫描物的三维点云信息，设第一次测量下坐标系为O1X1Y1Z1，第n次测量下坐标系为OnXnYnZn，使用FPFH特征对相邻采集的两片点云粗配准，使用ICP对相邻采集的两片点云精配准，获得两次采集到的两片点云(Gn，Gn+1)之间的变换矩阵Mn，G1中点云数据{P11，P12，P13…}在坐标系OnXnYnZn中坐标：
P11 n＝P11*Mn-1*Mn-2...*M1。
3.根据权利要求1所述的基于点云投影和点云增长的拼接冗余点云去除方法，其特征在于，步骤2制作三维图像的方法为：
使用第一次测量获得的点云构建k-d tree，并利用k-d tree计算点云间平均距离，记为d，第一次测量获得的点云不需要制作三维图像；从第二次测量获得的点云开始制作三维图像，第N次三维图像制作过程如下：计算第N次获取的点云在坐标系OnXnYnZn下的点云重心T，设点云在坐标系OnXnYnZn下X最大值xmax，最小值xmin，Y最大值ymax，最小值ymin，Z最大值zmax，最小值zmin，令
Figure FDA0002279419370000021
制作(m+1)*(n+1)*(g+1)体素的三维图像，体素边长
Figure FDA0002279419370000022
重心为T，每个体素用(x，y，z，k)表示，其中x，y，z表示该体素位于三维图像x行y列z页，k表示该体素的值，初值设为0。
4.根据权利要求1所述的基于点云投影和点云增长的拼接冗余点云去除方法，其特征在于，步骤3三维图像体素赋值的方法为：
根据获得的点云数据，计算各点云在三维图像中的位置；设点云Pnm三维坐标为(Xmn，Ymn，Zmn)落在体素
Figure FDA0002279419370000023
内，体素记作va(xa，ya，za，k)，令该体素k＝k+7；另外，令体素(xa+1，ya，za，k)，(xa-1，ya，za，k)，(xa，ya+1，za，k)，(xa，ya，za+1，k)，(xa，ya，za-1，k)中k＝k+3；令体素(xa+1，ya+1，za，k)，(xa-1，ya-1，za，k)，(xa-1，ya，za-1，k)，(xa+1，ya，za+1，k)，(xa，ya-1，za-1，k)，(xa，ya+1，za+1，k)中k＝k+2；逐个计算所有点云落在三维图像中的位置并为各体素赋值，如果落于三维图像外则舍去不再计算。
5.根据权利要求1所述的基于点云投影和点云增长的拼接冗余点云去除方法，其特征在于，步骤4中阈值S取值为22。
CN201911135252.4A 2019-11-19 2019-11-19 基于点云投影和点云增长的拼接冗余点云去除方法 Active CN112907759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911135252.4A CN112907759B (zh) 2019-11-19 2019-11-19 基于点云投影和点云增长的拼接冗余点云去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911135252.4A CN112907759B (zh) 2019-11-19 2019-11-19 基于点云投影和点云增长的拼接冗余点云去除方法

Publications (2)

Publication Number Publication Date
CN112907759A true CN112907759A (zh) 2021-06-04
CN112907759B CN112907759B (zh) 2022-10-18

Family

ID=76103504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911135252.4A Active CN112907759B (zh) 2019-11-19 2019-11-19 基于点云投影和点云增长的拼接冗余点云去除方法

Country Status (1)

Country Link
CN (1) CN112907759B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049256A (zh) * 2021-11-09 2022-02-15 苏州中科全象智能科技有限公司 一种基于在线拼接点云的均匀降采样方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301648A (zh) * 2017-06-09 2017-10-27 大连理工大学 基于重叠区域边界角度的冗余点云去除方法
CN108734728A (zh) * 2018-04-25 2018-11-02 西北工业大学 一种基于高分辨序列图像的空间目标三维重构方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301648A (zh) * 2017-06-09 2017-10-27 大连理工大学 基于重叠区域边界角度的冗余点云去除方法
CN108734728A (zh) * 2018-04-25 2018-11-02 西北工业大学 一种基于高分辨序列图像的空间目标三维重构方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049256A (zh) * 2021-11-09 2022-02-15 苏州中科全象智能科技有限公司 一种基于在线拼接点云的均匀降采样方法
CN114049256B (zh) * 2021-11-09 2024-05-14 苏州中科全象智能科技有限公司 一种基于在线拼接点云的均匀降采样方法

Also Published As

Publication number Publication date
CN112907759B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN113128405B (zh) 一种结合语义分割与点云处理的植物识别与模型构建方法
CN110340891B (zh) 基于点云模板匹配技术的机械臂定位抓取系统及方法
CN106529469B (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
CN107067469B (zh) 获取损伤零件缺损部位模型的系统
CN110390669B (zh) 一种桥梁图像中裂缝的检测方法
CN102222357B (zh) 基于图像分割和网格细分的脚型三维表面重建方法
CN112435239A (zh) 基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测方法
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN114510772B (zh) 基于斜扫数据建筑面轮廓的快速生成方法
CN112233249A (zh) 基于密集点云的b样条曲面拟合方法及装置
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
CN116229007B (zh) 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN113838005A (zh) 基于维度转换的岩体裂隙智能识别与三维重构方法及系统
CN111612886B (zh) 室内三维模型生成方法及系统
CN113177897A (zh) 一种无序3d点云的快速无损滤波方法
CN110060344A (zh) 一种基于点云数据的预制构件整体尺寸逆向建模方法
CN114332134B (zh) 一种基于密集点云的建筑物立面提取方法和装置
CN112907759B (zh) 基于点云投影和点云增长的拼接冗余点云去除方法
CN117408913B (zh) 待测物体点云去噪方法、系统及装置
CN117274535B (zh) 基于点云密度重构实景三维模型的方法、装置及电子设备
CN113838069A (zh) 基于平面度约束的点云分割方法和系统
CN116805413A (zh) 一种基于三维点云的油茶苗期表型特征自动计算方法
CN115810153A (zh) 一种基于相对熵和语义约束的高速公路点云提取方法
CN115937151A (zh) 一种作物叶片卷曲程度的判定方法

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