CN113327275A - 一种基于多约束点到局部曲面投影的点云双视角精配准方法 - Google Patents
一种基于多约束点到局部曲面投影的点云双视角精配准方法 Download PDFInfo
- Publication number
- CN113327275A CN113327275A CN202110676630.0A CN202110676630A CN113327275A CN 113327275 A CN113327275 A CN 113327275A CN 202110676630 A CN202110676630 A CN 202110676630A CN 113327275 A CN113327275 A CN 113327275A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- curved surface
- points
- projection
- 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
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多约束点到局部曲面投影的点云双视角精配准方法。计算多尺度特征描述子;利用k近邻搜索和重叠率参数确定初始对应点集,利用特征描述子相似性搜索并筛选对应点对;基于对应点对中的每个点向其对应的区域进行曲面投影,获得新的对应点集;得到双向插补的点对,利用刚性变换一致性原则进行筛选,求解坐标变换矩阵;循环迭代坐标变换矩阵的求解和源点云的更新,直至满足收敛条件即结束多视角配准过程。本发明用以解决现有点云双视角精配准方法无法解决测量系统离散采样导致的点云稀疏性问题。
Description
技术领域
本发明属于逆向工程领域,具体涉及一种基于多约束点到局部曲面投影的点云双视角精配准方法。
背景技术
激光雷达从多角度扫描物体获得多视角三维点云之后,需要对多帧点云数据进行配准从而获得完整物体模型。在使用粗配准算法将点云大致对齐以后,需要进一步使用精配准算法提高整体配准精度。迭代最近点算法被广泛使用在精配准中。其基本原理是不断迭代寻找相对目标点云最近的源点云中的近邻点,确定点云之间点与点的对应关系,再计算对应点集的协方差矩阵,对其进行奇异值分解,从而获得旋转变换矩阵和平移变换矩阵,实现点云精配准。这种可行性高、精度好、应用广泛。这种方法需要硬性确定点间的匹配关系,而通过激光扫描获得的两帧点云不存在完美的对应点,所以这种方法受采样点分辨率影响较大,而且对噪声的鲁棒性不高。现有的解决方法是将点对点的距离度量转换为点对切平面的距离度量。通过搜索近邻点确定局部点云的法向量,从而确定该点的切平面,将对应点向该切平面进行投影得到点到切平面的距离。但是这种距离度量方法同样是不准确定的,而且计算法向量时受噪声的影响较大。
发明内容
本发明提供一种基于多约束点到局部曲面投影的点云双视角精配准方法,用以解决现有点云双视角精配准方法无法解决测量系统离散采样导致的点云稀疏性问题。
本发明通过以下技术方案实现:
一种基于多约束点到局部曲面投影的点云双视角精配准方法,所述点云双视角精配准方法具体包括一下步骤:
步骤1:对输入的目标点云和源点云进行预处理,计算多尺度特征描述子、主曲率及法向量得到;
步骤2:利用k近邻搜索和重叠率参数确定初始对应点集,在初始对应点集中利用步骤1的特征描述子相似性搜索并筛选对应点对,从而构建目标点云和源点云的双向HMLS曲面投影区域;
步骤3:基于步骤2对应点对中的每个点向其对应的区域进行曲面投影,获得新的对应点集;
步骤4:利用步骤3的新的对应点集得到双向插补的点对,再利用刚性变换一致性原则进行筛选,求解坐标变换矩阵,当对应点的点间距离相对差异小于阈值,则进行步骤5,当对应点的点间距离相对差异大于等于阈值,则进行步骤6;
步骤5:原始对应关系是正确的;
步骤6:将该对应关系从步骤3的新的对应点集中剔除;
步骤7:循环步骤2-步骤6迭代坐标变换矩阵的求解和源点云的更新,直至满足收敛条件即结束多视角配准过程。
所述预处理具体为对点云中一点pi,设共有L个不同的支撑域半径r1<r2<...<rL;在每个支撑域半径rl中,可以建立局部邻域的协方差矩阵:
式中表示邻域中的一点,K为邻域点的个数,l=1,...,L;对3×3的协方差矩阵Cl进行SVD奇异值分解,可以获得三个特征值λl1≥λl2≥λl3和特征值对应的特征向量nl1、nl2、nl3;将第二个尺度下的特征值最小的特征向量作为该点的法向量ni=n23;并且用sl表示归一化特征值向量:
设定Δsl=sl+1-sl,特征描述符Di可以表示为:
Di=(Δs1,...,ΔsL-1) (3)
至此获得点云的多尺度特征描述子和法向量,进一步计算点云的主曲率;采用基于体积积分不变量理论的低偏差序列采样方法估计单点邻域的主曲率;在测量点pi处构造一个球体其半径为R;设定(α,β,γ)为点pk的球面坐标,则其直角坐标可以表示为
pk(α,β,γ)=(γcosβsinα,γcosβsinα,γsinβ) (4)
其中α∈[0,2π],β∈[-π/2,π/2],γ∈[0,R];分别在α,β,γ方向上以基数10,5,4进行采样,获得均匀分布的球面坐标点;设定欧氏距离最小的对应点为pk',如果(pk-pk')·npk'>0,就说明点pk在点云表面的内部;否则,点pk在点云表面的外部;将所有球在曲面A内部的采样点收集起来,用点集表示;则该局部曲面与球邻域的相交体积Vobj可以下式估计:
式中Vb是邻域球的体积,nBin是曲面内的点的个数,nb是邻域球总采样点数;这样,质心b和协方差矩阵J(A)可以通过下面公式得到:
然后利用主成分分析技术,对J(A)进行SVD奇异值分解,得到特征值λi(i=1,2,3)和特征向量ei(i=1,2,3);曲面A的邻域球半径可以表示为R,Mb1和Mb2是两个较大的特征值,由此可以估计出两个主曲率和
进一步的,所述步骤2具体为利用k近邻搜索和重叠率参数确定初始对应点集N表示根据对应点距离和重叠率确定的重叠区域点集数量;在qi的近邻点集中利用特征描述子DP和DQ的相似性,计算qi与高维特征空间距离:
进一步的,所述步骤4中利用步骤3的新的对应点集得到双向插补的点对,利用刚性变换一致性原则进行筛选,只要对应点点间距离相对差异小于阈值ε2,则原始对应关系(qj,pi)是正确的;否则将该对应关系从原始对应点集中剔除。
其投影点计算方法如下:
定义局部移动最小二乘曲面的表达形式:
式中a为投影方向,由每次迭代过程中点qm在局部表面区域的k个邻近点的的加权法矢量表示;y=qm+1=qm+t·a表示迭代收敛过程中产生的新的点,标量t表示单次逼近步长;
当dS(y)/dt为零时,能量函数e(y,a)取得极小值,即确定函数S(y)的等值面;此时坐标点x收敛于MLS曲面;将加权法矢量a=n(qm)带入能量函数中,转换为关于单变量参数t的函数;
设曲面外一点原始位置为q0,通过kd-tree算法确定该点的k近邻点集为后,计算加权法矢量n(q0);求解一维线性最小化函数e(t,n(q))中t的值;更新投影点的位置q1=q0+t·n(q0)。循环迭代,当相邻两次计算出的投影点位置差值δ=||qm+1-qm||小于阈值时迭代结束。
令h1,h2分别为各向异性高斯核的宽度,可以分别表示为h1=1/(βk1)和h2=1/(βk2);各向异性高斯核函数可由下式来定义,式中β是比例因子,该参数可以间接控制各向异性高斯核函数的宽度,影响投影精度,后文通过实验对该参数的影响进行验证;v1、v2分别为主曲率k1、k2的主方向:
进一步的,所述步骤7根据式(11)循环迭代坐标变换矩阵Rq、tq的求解和源点云的更新Qq+1=RqQq+tq,直至满足收敛条件,
本发明的有益效果是:
本发明的特征描述子相似性约束提高了投影区域的准确性,避免了错误投影点的生成。
本发明的双向内插刚性变换一致性距离约束,通过对投影对应点对的筛选,提高的最终匹配点集的准确性,进而提高双视角配准精度。
本发明的多约束点到局部曲面投影方法,降低了稀疏点云重叠区域内点间错位对点云配准的影响。
本发明的双向局部区域各向异性移动最小二乘拟合方法,能够充分利用点云的结构信息,为曲面到曲面的点云配准方法提供了新的解决途径。
附图说明
图1是现有光路图。
图2是本发明方法流程图。
图3是本发明点到HMLS曲面投影示意图。
图4是本发明双向插补距离约束示意图。
图5是本发明多约束点到HMLS曲面投影示意图。
具体实施方式
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,所描述的实施例仅仅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。
一种基于多约束点到局部曲面投影的点云双视角精配准方法,所述点云双视角精配准方法具体包括一下步骤:
步骤1:对输入的目标点云和源点云进行预处理,计算多尺度特征描述子、主曲率及法向量得到;
步骤2:利用k近邻搜索和重叠率参数确定初始对应点集,在初始对应点集中利用步骤1的特征描述子相似性搜索并筛选对应点对,从而构建目标点云和源点云的双向HMLS曲面投影区域;
步骤3:基于步骤2对应点对中的每个点向其对应的区域进行曲面投影,获得新的对应点集;
步骤4:利用步骤3的新的对应点集得到双向插补的点对,再利用刚性变换一致性原则进行筛选,求解坐标变换矩阵,当对应点的点间距离相对差异小于阈值,则进行步骤5,当对应点的点间距离相对差异大于等于阈值,则进行步骤6;
步骤5:原始对应关系是正确的;
步骤6:将该对应关系从步骤3的新的对应点集中剔除;
步骤7:循环步骤2-步骤6迭代坐标变换矩阵的求解和源点云的更新,直至满足收敛条件即结束多视角配准过程。
所述预处理具体为对点云中一点pi,设共有L个不同的支撑域半径r1<r2<...<rL;在每个支撑域半径rl中,可以建立局部邻域的协方差矩阵:
式中表示邻域中的一点,K为邻域点的个数,l=1,...,L;对3×3的协方差矩阵Cl进行SVD奇异值分解,可以获得三个特征值λl1≥λl2≥λl3和特征值对应的特征向量nl1、nl2、nl3;将第二个尺度下的特征值最小的特征向量作为该点的法向量ni=n23;并且用sl表示归一化特征值向量:
设定Δsl=sl+1-sl,特征描述符Di可以表示为:
Di=(Δs1,...,ΔsL-1) (3)
至此获得点云的多尺度特征描述子和法向量,进一步计算点云的主曲率;采用基于体积积分不变量理论的低偏差序列采样方法估计单点邻域的主曲率;在测量点pi处构造一个球体其半径为R;设定(α,β,γ)为点pk的球面坐标,则其直角坐标可以表示为
pk(α,β,γ)=(γcosβsinα,γcosβsinα,γsinβ) (4)
其中α∈[0,2π],β∈[-π/2,π/2],γ∈[0,R];分别在α,β,γ方向上以基数10,5,4进行采样,获得均匀分布的球面坐标点;设定欧氏距离最小的对应点为pk',如图3-4所示;如果就说明点pk在点云表面的内部;否则,点pk在点云表面的外部;将所有球在曲面A内部的采样点收集起来,用点集表示;则该局部曲面与球邻域的相交体积Vobj可以下式估计:
式中Vb是邻域球的体积,nBin是曲面内的点的个数,nb是邻域球总采样点数;这样,质心b和协方差矩阵J(A)可以通过下面公式得到:
然后利用主成分分析技术,对J(A)进行SVD奇异值分解,得到特征值λi(i=1,2,3)和特征向量ei(i=1,2,3);曲面A的邻域球半径可以表示为R,Mb1和Mb2是两个较大的特征值,由此可以估计出两个主曲率和
进一步的,所述步骤2具体为利用k近邻搜索和重叠率参数确定初始对应点集N表示根据对应点距离和重叠率确定的重叠区域点集数量;在qi的近邻点集中利用特征描述子DP和DQ的相似性,计算qi与高维特征空间距离:
进一步的,所述步骤4中利用步骤3的新的对应点集得到双向插补的点对,利用刚性变换一致性原则进行筛选,只要对应点点间距离相对差异小于阈值ε2,则原始对应关系(qj,pi)是正确的;否则将该对应关系从原始对应点集中剔除。由于pi与qj'、qj与pi'的距离很近,因此这两个点对在最终的坐标变换矩阵求解过程中的贡献是几乎相同的,只取其中之一参与计算即可。
其投影点计算方法如下:
定义局部移动最小二乘曲面的表达形式:
式中a为投影方向,由每次迭代过程中点qm在局部表面区域的k个邻近点的的加权法矢量表示;y=qm+1=qm+t·a表示迭代收敛过程中产生的新的点,标量t表示单次逼近步长;
当dS(y)/dt为零时,能量函数e(y,a)取得极小值,即确定函数S(y)的等值面;此时坐标点x收敛于MLS曲面;将加权法矢量a=n(qm)带入能量函数中,转换为关于单变量参数t的函数;
图3反映了MLS投影点的具体计算过程:设曲面外一点原始位置为q0,通过kd-tree算法确定该点的k近邻点集为后,计算加权法矢量n(q0);求解一维线性最小化函数e(t,n(q))中t的值;更新投影点的位置q1=q0+t·n(q0)。循环迭代,当相邻两次计算出的投影点位置差值δ=||qm+1-qm||小于阈值时迭代结束。
传统MLS采用各向同性的高斯核函数对每个节点加权,但是实际局部区域的点云分布情况是各向异性的,特别是在曲面某点处一边比较陡峭,另一边比较平坦时,使得投影时产生偏差。因此,使用两个主曲率k1,k2来构建各向异性高斯核。令h1,h2分别为各向异性高斯核的宽度,可以分别表示为h1=1/(βk1)和h2=1/(βk2);各向异性高斯核函数可由下式来定义,式中β是比例因子,该参数可以间接控制各向异性高斯核函数的宽度,影响投影精度,后文通过实验对该参数的影响进行验证;v1、v2分别为主曲率k1、k2的主方向:
进一步的,所述步骤7根据式(11)循环迭代坐标变换矩阵Rq、tq的求解和源点云的更新Qq+1=RqQq+tq,直至满足收敛条件,
算法使用斯坦福大学的Bunny、Dragon、Armadillo数据库进行仿真实验。首先讨论了比例因子参数的选择,并提出了针对不同特征模型的经验性参数选取规律;验证了算法的收敛性,确定了最大迭代次数参数的选取;并与其他算法进行对比试验,验证了本文算法能够克服激光点云的稀疏性,获得了较好的效果,在保持平移精度的情况下降低旋转误差;最后对实际采集数据进行双视角精配准实验。
传统方法配准示意图如图1(a)所示,表示相同区域的点云由于扫描视角不同会导致点间错位的问题,直接使用点到点的配准方法只能最小化稀疏采样点间距离误差函数影响配准精度。而曲面到曲面的配准方式如图1(b)所示,通过拟合致密的三维曲面,构建局部表面形貌,能够充分利用三维点云的结构信息。
传统ICP点云配准结果受采样稀疏性影响,而点到HMLS曲面投影的ICP配准算法无法确定准确的投影区域,并且缺少有效的判定机制,无法去除投影错误的对应点。
如图2所示:在对输入点云预处理后,首先利用多尺度特征描述子构建初始的对应点对,根据相应的邻域点集确定双向投影区域;然后对两点集进行局部曲面拟合,将原始点云向目标区域进行双向内插点到HMLS曲面投影;最后利用刚性变换一致性原则筛选对应点对,求解坐标变换矩阵。
各向异性移动最小二乘曲面(HMLS)的是移动最小二乘曲面(MLS)改进形式,MLS曲面的函数表达式可以定义为:
式中a为投影方向,由每次迭代过程中点qm在局部表面区域的k个邻近点的的加权法矢量表示。y=qm+1=qm+t·a表示迭代收敛过程中产生的新的点,标量t表示单次逼近步长。
当dS(y)/dt为零时,能量函数e(y,a)取得极小值,即确定函数S(y)的等值面。此时坐标点x收敛于MLS曲面。将加权法矢量a=n(qm)带入能量函数中,转换为关于单变量参数t的函数,图3反映了MLS投影点的具体计算过程:设曲面外一点原始位置为q0,通过kd-tree算法确定该点的k近邻点集为后,计算加权法矢量n(q0);求解一维线性最小化函数e(t,n(q))中t的值;更新投影点的位置q1=q0+t·n(q0)。循环迭代,当相邻两次计算出的投影点位置差值δ=||qm+1-qm||小于阈值时迭代结束。
传统MLS采用各向同性的高斯核函数对每个节点加权,但是实际局部区域的点云分布情况是各向异性的,特别是在曲面某点处一边比较陡峭,另一边比较平坦时,使得投影时产生偏差。因此,使用两个主曲率k1,k2来构建各向异性高斯核。令h1,h2分别为各向异性高斯核的宽度,可以分别表示为h1=1/(βk1)和h2=1/(βk2)。各向异性高斯核函数可由下式来定义,式中β是比例因子,该参数可以间接控制各向异性高斯核函数的宽度,影响投影精度,后文通过实验对该参数的影响进行验证;v1、v2分别为主曲率k1、k2的主方向:
通过上述方法建立的点间对应关系仍存在错误的对应点对,对配准结果造成影响,这种情况在点云初始位姿对准不好时尤为明显。因此使用双向插补距离约束条件,对多尺度特征描述子相似性约束构建的点到MLS投影区域关系做进一步筛选。
如图4所示,在目标点集P和源点集Q中多尺度特征描述子相似性约束筛选得到对应点对,并获得对应子集表示的MLS曲面投影区域。采用双向插补的方法,将两点向对应区域上进行点到HMLS曲面投影。若对应关系正确,则应满足刚体变换一致性约束条件:||pi-qj'||=||qj-pi'||。在实际配准情况中,该条件很难严格满足,因此将该约束条件变化为:
Claims (7)
1.一种基于多约束点到局部曲面投影的点云双视角精配准方法,其特征在于,所述点云双视角精配准方法具体包括一下步骤:
步骤1:对输入的目标点云和源点云进行预处理,计算多尺度特征描述子、主曲率及法向量得到;
步骤2:利用k近邻搜索和重叠率参数确定初始对应点集,在初始对应点集中利用步骤1的特征描述子相似性搜索并筛选对应点对,从而构建目标点云和源点云的双向HMLS曲面投影区域;
步骤3:基于步骤2对应点对中的每个点向其对应的区域进行曲面投影,获得新的对应点集;
步骤4:利用步骤3的新的对应点集得到双向插补的点对,再利用刚性变换一致性原则进行筛选,求解坐标变换矩阵,当对应点的点间距离相对差异小于阈值,则进行步骤5,当对应点的点间距离相对差异大于等于阈值,则进行步骤6;
步骤5:原始对应关系是正确的;
步骤6:将该对应关系从步骤3的新的对应点集中剔除;
步骤7:循环步骤2-步骤6迭代坐标变换矩阵的求解和源点云的更新,直至满足收敛条件即结束多视角配准过程。
所述预处理具体为对点云中一点pi,设共有L个不同的支撑域半径r1<r2<...<rL;在每个支撑域半径rl中,可以建立局部邻域的协方差矩阵:
式中表示邻域中的一点,K为邻域点的个数,l=1,...,L;对3×3的协方差矩阵Cl进行SVD奇异值分解,可以获得三个特征值λl1≥λl2≥λl3和特征值对应的特征向量nl1、nl2、nl3;将第二个尺度下的特征值最小的特征向量作为该点的法向量ni=n23;并且用sl表示归一化特征值向量:
设定Δsl=sl+1-sl,特征描述符Di可以表示为:
Di=(Δs1,...,ΔsL-1) (3)
至此获得点云的多尺度特征描述子和法向量,进一步计算点云的主曲率;采用基于体积积分不变量理论的低偏差序列采样方法估计单点邻域的主曲率;在测量点pi处构造一个球体其半径为R;设定(α,β,γ)为点pk的球面坐标,则其直角坐标可以表示为
pk(α,β,γ)=(γcosβsinα,γcosβsinα,γsinβ) (4)
其中α∈[0,2π],β∈[-π/2,π/2],γ∈[0,R];分别在α,β,γ方向上以基数10,5,4进行采样,获得均匀分布的球面坐标点;设定欧氏距离最小的对应点为pk',如果就说明点pk在点云表面的内部;否则,点pk在点云表面的外部;将所有球在曲面A内部的采样点收集起来,用点集表示;则该局部曲面与球邻域的相交体积Vobj可以下式估计:
式中Vb是邻域球的体积,nBin是曲面内的点的个数,nb是邻域球总采样点数;这样,质心b和协方差矩阵J(A)可以通过下面公式得到:
然后利用主成分分析技术,对J(A)进行SVD奇异值分解,得到特征值λi(i=1,2,3)和特征向量ei(i=1,2,3);曲面A的邻域球半径可以表示为R,Mb1和Mb2是两个较大的特征值,由此可以估计出两个主曲率和
5.根据权利要求1所述一种基于多约束点到局部曲面投影的点云双视角精配准方法,其特征在于,所述步骤4中利用步骤3的新的对应点集得到双向插补的点对,利用刚性变换一致性原则进行筛选,只要对应点点间距离相对差异小于阈值ε2,则原始对应关系(qj,pi)是正确的;否则将该对应关系从原始对应点集中剔除。
其投影点计算方法如下:
定义局部移动最小二乘曲面的表达形式:
式中a为投影方向,由每次迭代过程中点qm在局部表面区域的k个邻近点的的加权法矢量表示;y=qm+1=qm+t·a表示迭代收敛过程中产生的新的点,标量t表示单次逼近步长;
当dS(y)/dt为零时,能量函数e(y,a)取得极小值,即确定函数S(y)的等值面;此时坐标点x收敛于MLS曲面;将加权法矢量a=n(qm)带入能量函数中,转换为关于单变量参数t的函数;
设曲面外一点原始位置为q0,通过kd-tree算法确定该点的k近邻点集为后,计算加权法矢量n(q0);求解一维线性最小化函数e(t,n(q))中t的值;更新投影点的位置q1=q0+t·n(q0);循环迭代,当相邻两次计算出的投影点位置差值δ=||qm+1-qm||小于阈值时迭代结束;
令h1,h2分别为各向异性高斯核的宽度,分别表示为h1=1/(βk1)和h2=1/(βk2);各向异性高斯核函数可由下式来定义,式中β是比例因子,该参数可以间接控制各向异性高斯核函数的宽度,影响投影精度,后文通过实验对该参数的影响进行验证;v1、v2分别为主曲率k1、k2的主方向:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676630.0A CN113327275B (zh) | 2021-06-18 | 2021-06-18 | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676630.0A CN113327275B (zh) | 2021-06-18 | 2021-06-18 | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327275A true CN113327275A (zh) | 2021-08-31 |
CN113327275B CN113327275B (zh) | 2022-11-08 |
Family
ID=77423803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110676630.0A Active CN113327275B (zh) | 2021-06-18 | 2021-06-18 | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327275B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793369A (zh) * | 2021-09-30 | 2021-12-14 | 太原理工大学 | 一种复杂自由曲面迭代双向法线投影配准方法 |
CN114549601A (zh) * | 2022-02-11 | 2022-05-27 | 中国科学院精密测量科学与技术创新研究院 | 一种顾及点对可靠性的滑坡多时相tls点云精配准方法 |
CN115795579A (zh) * | 2022-12-23 | 2023-03-14 | 岭南师范学院 | 一种无特征复杂曲面误差分析的快速坐标对齐方法 |
CN116109685A (zh) * | 2023-04-11 | 2023-05-12 | 成都飞机工业(集团)有限责任公司 | 一种零件点云配准方法、装置、设备及介质 |
CN116883469A (zh) * | 2023-07-20 | 2023-10-13 | 中国矿业大学 | 平面特征约束下基于eiv模型描述的点云配准方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
CN106023156A (zh) * | 2016-05-10 | 2016-10-12 | 中国商用飞机有限责任公司 | 基于检测特征的点云模型与cad模型的配准方法 |
CN109033028A (zh) * | 2018-06-27 | 2018-12-18 | 广东工业大学 | 一种点云主曲率计算方法 |
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 |
US20190080503A1 (en) * | 2017-09-13 | 2019-03-14 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
CN109919984A (zh) * | 2019-04-15 | 2019-06-21 | 武汉惟景三维科技有限公司 | 一种基于局部特征描述子的点云自动配准方法 |
CN110288640A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 基于凸密度极值的点云配准方法 |
CN111429490A (zh) * | 2020-02-18 | 2020-07-17 | 北京林业大学 | 一种基于标定球的农林作物三维点云配准方法 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
-
2021
- 2021-06-18 CN CN202110676630.0A patent/CN113327275B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN106023156A (zh) * | 2016-05-10 | 2016-10-12 | 中国商用飞机有限责任公司 | 基于检测特征的点云模型与cad模型的配准方法 |
CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
US20190080503A1 (en) * | 2017-09-13 | 2019-03-14 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
CN109033028A (zh) * | 2018-06-27 | 2018-12-18 | 广东工业大学 | 一种点云主曲率计算方法 |
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 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN109919984A (zh) * | 2019-04-15 | 2019-06-21 | 武汉惟景三维科技有限公司 | 一种基于局部特征描述子的点云自动配准方法 |
CN110288640A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 基于凸密度极值的点云配准方法 |
CN111429490A (zh) * | 2020-02-18 | 2020-07-17 | 北京林业大学 | 一种基于标定球的农林作物三维点云配准方法 |
Non-Patent Citations (3)
Title |
---|
TAN ZHIHU: "Point cloud registration algorithm based on moving least-squares surface", 《COMPUTER AIDED ENGINEERING》 * |
ZEXIAOXIE: "A high-accuracy method for fine registration of overlapping point clouds", 《IMAGE AND VISION COMPUTING》 * |
徐尚: "三维点云数据拼接与精简技术的研究", 《中国优秀硕士论文期刊》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793369A (zh) * | 2021-09-30 | 2021-12-14 | 太原理工大学 | 一种复杂自由曲面迭代双向法线投影配准方法 |
CN113793369B (zh) * | 2021-09-30 | 2024-03-15 | 太原理工大学 | 一种复杂自由曲面迭代双向法线投影配准方法 |
CN114549601A (zh) * | 2022-02-11 | 2022-05-27 | 中国科学院精密测量科学与技术创新研究院 | 一种顾及点对可靠性的滑坡多时相tls点云精配准方法 |
CN114549601B (zh) * | 2022-02-11 | 2023-03-28 | 中国科学院精密测量科学与技术创新研究院 | 一种顾及点对可靠性的滑坡多时相tls点云精配准方法 |
CN115795579A (zh) * | 2022-12-23 | 2023-03-14 | 岭南师范学院 | 一种无特征复杂曲面误差分析的快速坐标对齐方法 |
CN116109685A (zh) * | 2023-04-11 | 2023-05-12 | 成都飞机工业(集团)有限责任公司 | 一种零件点云配准方法、装置、设备及介质 |
CN116109685B (zh) * | 2023-04-11 | 2023-08-04 | 成都飞机工业(集团)有限责任公司 | 一种零件点云配准方法、装置、设备及介质 |
CN116883469A (zh) * | 2023-07-20 | 2023-10-13 | 中国矿业大学 | 平面特征约束下基于eiv模型描述的点云配准方法 |
CN116883469B (zh) * | 2023-07-20 | 2024-01-19 | 中国矿业大学 | 平面特征约束下基于eiv模型描述的点云配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113327275B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113327275B (zh) | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 | |
CN107122705B (zh) | 基于三维人脸模型的人脸关键点检测方法 | |
CN107886529B (zh) | 一种用于三维重建的点云配准方法 | |
CN101315698B (zh) | 基于直线特征图像配准中的特征匹配方法 | |
CN111080684B (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
CN103106632B (zh) | 一种基于均值漂移的不同精度三维点云数据的融合方法 | |
CN109147040B (zh) | 基于模板的人体点云孔洞修补方法 | |
CN111986219B (zh) | 一种三维点云与自由曲面模型的匹配方法 | |
CN101315661A (zh) | 一种减小表情影响的快速三维人脸识别方法 | |
Eggert et al. | Simultaneous registration of multiple range views for use in reverse engineering | |
CN112163622B (zh) | 全局与局部融合约束的航空宽基线立体像对线段匹配方法 | |
CN109472816B (zh) | 一种点云配准方法 | |
CN107607107A (zh) | 一种基于先验信息的Slam方法和装置 | |
CN114677418A (zh) | 一种基于点云特征点提取的配准方法 | |
CN105701455A (zh) | 基于asm算法的人脸特征点采集及三维人脸建模方法 | |
CN110208769B (zh) | 基于nurbs曲面的射线追踪方法及系统 | |
CN107025449A (zh) | 一种视角不变局部区域约束的倾斜影像直线特征匹配方法 | |
CN109523582A (zh) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 | |
Li et al. | Three-dimensional point cloud registration based on normal vector angle | |
CN116758153A (zh) | 用于机器人精准位姿获取的基于多因子图的后端优化方法 | |
CN112200915A (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 | |
Li et al. | High-accuracy point cloud registration for 3D shape measurement based on double constrained intersurface mutual projections | |
CN110942077A (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN112381945A (zh) | 三维模型过渡面的重建方法及系统 | |
CN116503452A (zh) | 一种基于sift特征提取的点云配准方法 |
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 |