CN113112535B - 一种基于有向包围盒的尺度点云配准方法及装置 - Google Patents
一种基于有向包围盒的尺度点云配准方法及装置 Download PDFInfo
- Publication number
- CN113112535B CN113112535B CN202110657965.8A CN202110657965A CN113112535B CN 113112535 B CN113112535 B CN 113112535B CN 202110657965 A CN202110657965 A CN 202110657965A CN 113112535 B CN113112535 B CN 113112535B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- bounding box
- target point
- source
- directed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 84
- 239000013598 vector Substances 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 31
- 238000013519 translation Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims 4
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims 4
- 238000003672 processing method Methods 0.000 claims 2
- 239000000126 substance Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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)
- Geometry (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种基于有向包围盒的尺度点云配准方法及装置,该方法在点云数据之间存在尺度放缩的情况下,通过有向包围逼近复杂形状的源点云和目标点云,生成三维点云的有向包围盒,并利用生成的源点云有向包围盒和目标点云有向包围盒之间顶点和边的对应关系求解尺度因子和旋转矩阵,由于有向包围盒在重叠时,顶点的对应关系不唯一,因此,通过引入点云单位向量和,以单位向量和的余弦相似度最大为准则,选择最优旋转矩阵,以实现高效且准确的源点云和目标点云配准。
Description
技术领域
本发明涉及点云数据处理技术领域,具体涉及一种基于有向包围盒的尺度点云配准方法及装置。
背景技术
近年来,点云配准作为点云数据处理的关键技术,在计算机视觉、模式识别、目标重建、机器人、医学图像分析等相关领域有着广泛的应用。为了获得完整的源点云和目标点云模型,需要对不同视角下的三维样本数据进行拼接,其中最基本的是两个视角下的点云配准。然而,在扫描测量的过程中,由于扫描顺序、噪声和角度等差异,点云之间的空间变换和对应关系未可知,因此进行精确且快速的点云配准是一个十分困难的问题。
目前,点云配准方法的研究多针对待配准的源点云和目标点云之间存在旋转和平移的情况,国内外学者利用基于最近点迭代(Iterative Closest Point,ICP)的方法进行配准,但基于ICP的方法在迭代过程中容易陷入局部极小值,因此需要提供好的初始值。另一方面,由于扫描设备和物体之间的距离和角度差异,源点云和目标点云之间往往存在一定的尺度放缩,因此实际的配准需要考虑尺度因子,杜少毅等人将尺度因子引入ICP中,但需要估计尺度因子的范围,否则很容易导致配准失败。基于概率的方法也被应用到点云配准中,此类算法的配准精度高但配准速度慢,也容易陷入局部极小值。综上所述,目前缺乏一种能够在尺度放缩情况下,进行高效且精确的源点云和目标点云配准方法。
发明内容
本发明要解决的技术问题为目前缺乏一种能够在尺度放缩情况下,进行高效且精确的源点云和目标点云配准方法,因此,本发明提供一种基于有向包围盒的尺度点云配准方法及装置,在点云数据之间存在尺度放缩的情况下,通过有向包围逼近复杂形状的源点云和目标点云,利用生成包围盒之间顶点和 边的对应关系求解尺度因子和旋转矩阵,同时根据点云数据的矢量特性,引入单位向量和,以单位向量和的余弦相似度最大为准则,选择最优旋转矩阵,以实现高效且准确的源点云和目标点云配准。通过仿真验证本发明提供的一种基于有向包围盒的尺度点云配准方法及装置,配准结果较为准确快速,误差较小,具有良好的实用性。
本发明通过下述技术方案实现:
一种基于有向包围盒的尺度点云配准方法,包括:
构建尺度点云配准模型,并对所述尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云;
根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒;
基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵;
基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵,并基于所述最优旋转矩阵和所述尺度因子计算平移向量,完成点云配准。
具体地,去中心化后的源点云和目标点云之间满足:
所以平移向量满足:
因此,本发明可先由去中心化后的源点云和目标点云计算旋转矩阵和尺度因子,再求解平移向量。
进一步地,所述构建尺度点云配准模型,包括:
进一步地,所述对所述尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云,包括:
计算所述尺度点云配准模型中源点云的中心和目标点云的中心;
基于源点云的中心和目标点云的中心对所述源点云和所述目标点云进行去中心化处理,得到去中心化的源点云和目标点云。
进一步地,所述根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒,包括:
进一步地,所述基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵,包括:
进一步地,计算尺度因子的过程具体为:
进一步地,所述基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵,包括:
所述去中心化后的源点云和目标点云的单位向量和具体为:
进一步地,所述最优旋转矩阵和所述尺度因子计算平移向量,包括:
一种基于有向包围盒的尺度点云配准装置,包括:
去中心化处理模块,用于构建尺度点云配准模型,并对所述尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云;
点云有向包围盒生成模块,用于根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒;
尺度因子和旋转矩阵计算模块,用于基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵;
点云配准模块,用于基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵,并基于所述最优旋转矩阵和所述尺度因子计算平移向量,完成点云配准。
本发明提供的一种基于有向包围盒的尺度点云配准方法及装置,在点云数据之间存在尺度放缩的情况下,通过有向包围逼近复杂形状的源点云和目标点云,生成三维点云的有向包围盒,并利用生成的源点云有向包围盒和目标点云有向包围盒之间顶点和边的对应关系求解尺度因子和旋转矩阵,由于有向包围盒在重叠时,顶点的对应关系不唯一,因此,通过引入点云单位向量和,以单位向量和的余弦相似度最大为准则,选择最优旋转矩阵,以实现高效且准确的源点云和目标点云配准。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一种基于有向包围盒的尺度点云配准方法的流程图;
图2为图1中步骤S10的一具体流程图;
图3为图1中步骤S20的一具体流程图;
图4为图1中步骤S30的一具体流程图;
图5为图1中步骤S40的一具体流程图;
图6为本发明一实施例中待配准的源点云和目标点云的初始状态示意图;
图7为本发明一实施例中去中心化的源点云和目标点云的示意图;
图8(a)为本发明一实施例中源点云有向包围盒的示意图;
图8(b)为本发明一实施例中目标点云有向包围盒的示意图;
图9为本发明一实施例中点云配准的效果图;
图10为本发明一种基于有向包围盒的尺度点云配准装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,本实施例提供一种基于有向包围盒的尺度点云配准方法,包括:
S10:构建尺度点云配准模型,并对尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云。
S20:根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒。
S30:基于源点云有向包围盒和目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵。
S40:基于余弦相似度最大原则从旋转矩阵中选择一个作为最优旋转矩阵,并基于最优旋转矩阵和尺度因子计算平移向量,完成点云配准。
进一步地,如图2所示,步骤S10中,对尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云,具体包括如下步骤:
S11:计算尺度点云配准模型中源点云的中心和目标点云的中心。
其中,度点云配准模型中源点云的中心和目标点云的中心具体为待配准的源点云和目标点云的中心:
S12:基于源点云的中心和目标点云的中心对源点云和目标点云进行去中心化处理,得到去中心化的源点云和目标点云。
本实施例通过对尺度点云配准模型进行去中心化,使点云的中心均在原点处,简化求参难度。
进一步地,如图3所示,步骤S20,根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒,具体包括如下步骤:
具体地,由于源点云的特征向量和目标点云的特征向量之间相互正交且模长为1,若以源点云的特征向量中的3个方向向量为坐标轴建立对应的新坐标系,以目标点云的特征向量中的3个方向向量为坐标轴建立对应的新坐标系,则去中心化后源点云和去中心化目标点云在各自新坐标系下的投影和为:
记,在各自坐标轴方向的最大值和最小值为。根据在对应坐标轴方向投影的最大值和最小值,获取源点云有向包围盒的八个顶点,其中,八个顶点具体为:,,,,,,,,依次连接所有源点云的有向包围盒顶点,得到源点云有向包围盒。源点云有向包围盒的三边长为:
根据在对应坐标轴方向投影的最大值和最小值,获取目标点云有向包围盒的八个顶点,其中,八个顶点具体为:,,,,,,,,依次连接所有目标点云的有向包围盒顶点,得到目标点云有向包围盒。目标点云有向包围盒的三边长为:
进一步地,如图4所示,步骤S30,基于源点云有向包围盒和目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵,具体地包括如下步骤:
具体地,计算尺度因子的过程具体为:
具体地,由于要完成三维点云配准,则必然需要两点云的包围盒也要重合,因此,可以根据源点云有向包围盒和目标点云有向包围盒顶点之间的一一对应关系计算旋转矩阵,具体原理为:。本实施例通过最小二乘法对源点云的有向包围盒顶点和目标点云尺度变换后的有向包围盒顶点进行处理,并通过奇异值分解得到旋转矩阵,。
进一步地,一般情况下,生成的有向包围盒是三边不等的长方体,因此在目标点云有向包围盒和源点云有向包围盒重合时,顶点之间的对应关系并不唯一,此时之间存在4种对应关系,可得四个旋转矩阵。因此,本实施例为了得到准确的旋转矩阵,定义点云的单位向量和,利用去中心化后的源点云和目标点云两点云单位向量和之间的余弦相似度最大原则从四个旋转矩阵中选择正确的旋转矩阵作为最优旋转矩阵。如图5所示,步骤S40,基于余弦相似度最大原则从旋转矩阵中选择一个作为最优旋转矩阵,并基于最优旋转矩阵和尺度因子计算平移向量,完成点云配准,具体包括如下步骤:
本实施例定义去中心化后的源点云和去中心化后的目标点云的单位向量和具体为:
S42:进一步地,最优旋转矩阵和所述尺度因子计算平移向量,包括:
为便于理解,本实施例采用斯坦福大学的经典模型bunny进行说明。假设bunny点云模型之间的尺度因子为s=3,三维旋转矩阵R=[-0.709249344617527,-0.178799832828120,-0.681906142324766;
0.272303382979291,-0.961710134443350,-0.0310561576339805;-0.650243212019658,-0.207711908877631,0.730780081921209],平移向量t=[10;10;5];待配准的源点云(深色)和目标点云(浅色)的初始状态为图6所示,经过去中心化后的源点云和目标点云如图7所示,通过步骤S20生成的源点云有向包围盒如图8(a)所示,目标点云有向包围盒如图8(b)所示,通过步骤S30得到尺度因子、余弦相似度、最优旋转矩阵和平移向量如表1所示,在本实施例中,点云配准效果如图9所示,点云的配准精度和配准速度如表2所示,具体地,配准精度均方根误差(RMSE)计算公式为:
表1
表2
实施例2
如图10所示,本实施例提供一种与实施例1中基于有向包围盒的尺度点云配准方法一一对应的基于有向包围盒的尺度点云配准装置,包括:
去中心化处理模块10,用于构建尺度点云配准模型,并对尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云。
点云有向包围盒生成模块20,用于根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒。
尺度因子和旋转矩阵计算模块30,用于基于源点云有向包围盒和目标点云有向包围盒的顶点和 边的对应关系计算尺度因子和旋转矩阵。
点云配准模块40,用于基于余弦相似度最大原则从旋转矩阵中选择一个作为最优旋转矩阵,并基于最优旋转矩阵和尺度因子计算平移向量,完成点云配准。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于有向包围盒的尺度点云配准方法,其特征在于,包括:
构建尺度点云配准模型,并对所述尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云;
根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒;
基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵;
基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵,并基于所述最优旋转矩阵和所述尺度因子计算平移向量,完成点云配准;
其中,所述基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵,包括:
分别计算目标点云有向包围盒和源点云有向包围盒的边长,得到目标点云有向包围盒和源点云有向包围盒在不同方向的边长的比值,对所有方向上的比值进行平均值计算,得到尺度因子S*;
基于所述尺度因子S*对目标点云的有向包围盒顶点G进行尺度变换处理,得到目标点云尺度变换后的有向包围盒顶点G′;
通过最小二乘法对源点云的有向包围盒顶点F和目标点云尺度变换后的有向包围盒顶点G′进行处理,得到旋转矩阵R;
其中,所述通过最小二乘法对源点云的有向包围盒顶点F和目标点云尺度变换后的有向包围盒顶点G′进行处理,得到旋转矩阵R,包括:
根据源点云有向包围盒和目标点云有向包围盒顶点之间的一一对应关系,通过最小二乘法对所述源点云的有向包围盒顶点F和目标点云尺度变换后的有向包围盒顶点G′进行处理,并通过奇异值分解得到旋转矩阵R,R=UVT;
所述最小二乘法处理过程具体为:R=G′FT(FFT)-1;
所述奇异值分解的过程具体为:R=U∑VT;
式中,U,V为对最小二乘法处理结果G′FT(FFT)-1进行奇异值分解后的两个酉矩阵;
其中,所述根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒,包括:
对去中心化的源点云和目标点云进行快速凸包,得到源点云凸包点集XH和目标点云凸包点集YH;
基于所述源点云凸包点集XH和目标点云凸包点集YH,利用主成分分析法确定源点云的有向包围盒方向和目标点云的有向包围盒方向;
基于所述源点云的有向包围盒方向建立新坐标系,并根据源点云在对应新坐标系下的投影XQ确定源点云的有向包围盒顶点F,依次连接所有源点云的有向包围盒顶点,得到源点云有向包围盒;
基于所述目标点云的有向包围盒方向建立新坐标系,并根据目标点云在对应新坐标系下的投影YP确定目标点云的有向包围盒顶点G,依次连接所述目标点云的有向包围盒顶点,得到目标点云有向包围盒;
其中,所述基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵,包括:获取去中心化后的源点云和目标点云的单位向量和,并计算所述源点云和所述目标点云的单位向量和的余弦相似度λd,选择余弦相似度λd最大的旋转矩阵作为最优旋转矩阵R*;
所述去中心化后的源点云和目标点云的单位向量和具体为:
所述余弦相似度λd的计算过程具体为:
3.根据权利要求1所述的一种基于有向包围盒的尺度点云配准方法,其特征在于,所述对所述尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云,包括:
计算所述尺度点云配准模型中源点云的中心和目标点云的中心:
基于源点云的中心和目标点云的中心对所述源点云和所述目标点云进行去中心化处理,得到去中心化的源点云和目标点云。
6.一种基于有向包围盒的尺度点云配准装置,其特征在于,包括:
去中心化处理模块,用于构建尺度点云配准模型,并对所述尺度点云配准模型进行去中心化,获取去中心化的源点云和目标点云;
点云有向包围盒生成模块,用于根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒;
尺度因子和旋转矩阵计算模块,用于基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵;
点云配准模块,用于基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵,并基于所述最优旋转矩阵和所述尺度因子计算平移向量,完成点云配准;
其中,所述基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵,包括:
分别计算目标点云有向包围盒和源点云有向包围盒的边长,得到目标点云有向包围盒和源点云有向包围盒在不同方向的边长的比值,对所有方向上的比值进行平均值计算,得到尺度因子S*;
基于所述尺度因子S*对目标点云的有向包围盒顶点G进行尺度变换处理,得到目标点云尺度变换后的有向包围盒顶点G′;
通过最小二乘法对源点云的有向包围盒顶点F和目标点云尺度变换后的有向包围盒顶点G′进行处理,得到旋转矩阵R;
其中,所述通过最小二乘法对源点云的有向包围盒顶点F和目标点云尺度变换后的有向包围盒顶点G′进行处理,得到旋转矩阵R,包括:
根据源点云有向包围盒和目标点云有向包围盒顶点之间的一一对应关系,通过最小二乘法对所述源点云的有向包围盒顶点F和目标点云尺度变换后的有向包围盒顶点G′进行处理,并通过奇异值分解得到旋转矩阵R,R=UVT;
所述最小二乘法处理过程具体为:R=G′FT(FFT)-1;
所述奇异值分解的过程具体为:R=U∑VT;
式中,U,V为对最小二乘法处理结果G′FT(FFT)-1进行奇异值分解后的两个酉矩阵;
其中,所述根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向,分别生成源点云有向包围盒和目标点云有向包围盒,包括:
对去中心化的源点云和目标点云进行快速凸包,得到源点云凸包点集XH和目标点云凸包点集TH;
基于所述源点云凸包点集XH和目标点云凸包点集YH,利用主成分分析法确定源点云的有向包围盒方向和目标点云的有向包围盒方向;
基于所述源点云的有向包围盒方向建立新坐标系,并根据源点云在对应新坐标系下的投影XQ确定源点云的有向包围盒顶点F,依次连接所有源点云的有向包围盒顶点,得到源点云有向包围盒;
基于所述目标点云的有向包围盒方向建立新坐标系,并根据目标点云在对应新坐标系下的投影YP确定目标点云的有向包围盒顶点G,依次连接所述目标点云的有向包围盒顶点,得到目标点云有向包围盒;
其中,所述基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵,包括:获取去中心化后的源点云和目标点云的单位向量和,并计算所述源点云和所述目标点云的单位向量和的余弦相似度λd,选择余弦相似度λd最大的旋转矩阵作为最优旋转矩阵R*;所述去中心化后的源点云和目标点云的单位向量和具体为:
所述余弦相似度λd的计算过程具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657965.8A CN113112535B (zh) | 2021-06-15 | 2021-06-15 | 一种基于有向包围盒的尺度点云配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657965.8A CN113112535B (zh) | 2021-06-15 | 2021-06-15 | 一种基于有向包围盒的尺度点云配准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112535A CN113112535A (zh) | 2021-07-13 |
CN113112535B true CN113112535B (zh) | 2021-11-02 |
Family
ID=76723506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110657965.8A Active CN113112535B (zh) | 2021-06-15 | 2021-06-15 | 一种基于有向包围盒的尺度点云配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112535B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658170A (zh) * | 2021-08-30 | 2021-11-16 | 杭州柳叶刀机器人有限公司 | 一种关节配准点生成方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750730A (zh) * | 2012-06-15 | 2012-10-24 | 北京理工大学 | 一种特征保持的点云数据精简方法 |
CN109087342A (zh) * | 2018-07-12 | 2018-12-25 | 武汉尺子科技有限公司 | 一种基于特征匹配的三维点云全局配准方法及系统 |
CN109741374A (zh) * | 2019-01-30 | 2019-05-10 | 重庆大学 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
CN110574071A (zh) * | 2017-01-27 | 2019-12-13 | Ucl商业有限公司 | 用于对齐3d数据集的设备,方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504277B (zh) * | 2016-11-18 | 2019-04-09 | 辽宁工程技术大学 | 一种改进的icp点云自动配准方法 |
CN106850254B (zh) * | 2016-12-20 | 2020-11-17 | 国网新疆电力公司信息通信公司 | 一种电力通信网中关键节点识别方法 |
CN106951460A (zh) * | 2017-02-24 | 2017-07-14 | 北京宇航系统工程研究所 | 一种基于图匹配的mbd模型检索方法 |
CN107146287B (zh) * | 2017-03-22 | 2019-08-02 | 西北大学 | 二维投影图像至三维模型的映射方法 |
CN112950682A (zh) * | 2021-02-07 | 2021-06-11 | 南京航空航天大学 | 一种基于小波变换与尺度表征的跨尺度点云配准算法 |
-
2021
- 2021-06-15 CN CN202110657965.8A patent/CN113112535B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750730A (zh) * | 2012-06-15 | 2012-10-24 | 北京理工大学 | 一种特征保持的点云数据精简方法 |
CN110574071A (zh) * | 2017-01-27 | 2019-12-13 | Ucl商业有限公司 | 用于对齐3d数据集的设备,方法和系统 |
CN109087342A (zh) * | 2018-07-12 | 2018-12-25 | 武汉尺子科技有限公司 | 一种基于特征匹配的三维点云全局配准方法及系统 |
CN109741374A (zh) * | 2019-01-30 | 2019-05-10 | 重庆大学 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
A point cloud registration algorithm based on normal vector and particle swarm optimization;Xu Zhan 等;《Journal Indexing and Metrics》;20190821;第53卷(第3-4期);摘要 * |
基于平移域估计的点云全局配准算法;杨滨华等;《计算机应用》;20160610(第06期);摘要 * |
基于法向量特征的点云配准方法;崔水军;《科技创新导报》;20170121;第14卷(第03期);摘要 * |
基于法向量的三维点云配准方法研究;杨小青;《中国优秀硕士学位论文全文数据库》;20160831(第08期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN113112535A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
David et al. | SoftPOSIT: Simultaneous pose and correspondence determination | |
Sharp et al. | ICP registration using invariant features | |
US6437823B1 (en) | Method and system for calibrating digital cameras | |
Chuang et al. | Geometry-based camera calibration using closed-form solution of principal line | |
Ko et al. | An algorithm for optimal free-form object matching | |
CN110458896B (zh) | 一种基于绝对二次曲面的相机内参求解方法及系统 | |
JPH0818848A (ja) | カメラシステムおよび歪み除去方法 | |
CN113112535B (zh) | 一种基于有向包围盒的尺度点云配准方法及装置 | |
CN113393524A (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN111028280B (zh) | 井字结构光相机系统及进行目标有尺度三维重建的方法 | |
CN112418250A (zh) | 一种复杂3d点云的优化匹配方法 | |
Wu et al. | Epipolar rectification by singular value decomposition of essential matrix | |
JP3476710B2 (ja) | ユークリッド的な3次元情報の復元方法、および3次元情報復元装置 | |
Rogez et al. | Viewpoint Independent Human Motion Analysis in Man-made Environments. | |
Schütz et al. | et a.,“Recognition of 3-D Objects with a Closest-Point Matching Algorithm,” | |
Liang et al. | An integrated camera parameters calibration approach for robotic monocular vision guidance | |
Banno et al. | Estimation of F-Matrix and image rectification by double quaternion | |
Koch et al. | Evolutionary-based 3D reconstruction using an uncalibrated stereovision system: application of building a panoramic object view | |
CN112767462A (zh) | 基于脊谷特征与深度特征描述符的点云单点对齐方法 | |
CN111242995A (zh) | 一种快速鲁棒的摄像机绝对姿态估计方法 | |
Cheng et al. | A linear approach for depth and colour camera calibration using hybrid parameters | |
CN109934879B (zh) | 利用球和公共自极三角形标定抛物折反射摄像机的方法 | |
Cheng et al. | Camera Calibration Based on Phase Estimation | |
CN110060307B (zh) | 利用球投影的对拓关系标定抛物折反射摄像机的方法 | |
Cesar et al. | Uncalibrated image rectification for coplanar stereo cameras |
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 |