CN113487633A - 一种点云轮廓提取方法、装置、计算机设备及存储介质 - Google Patents

一种点云轮廓提取方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113487633A
CN113487633A CN202110940888.7A CN202110940888A CN113487633A CN 113487633 A CN113487633 A CN 113487633A CN 202110940888 A CN202110940888 A CN 202110940888A CN 113487633 A CN113487633 A CN 113487633A
Authority
CN
China
Prior art keywords
point
point cloud
workpiece
vertex
neighbor
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.)
Pending
Application number
CN202110940888.7A
Other languages
English (en)
Inventor
田希文
高磊
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.)
Seizet Technology Shenzhen Co Ltd
Original Assignee
Seizet Technology Shenzhen Co Ltd
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 Seizet Technology Shenzhen Co Ltd filed Critical Seizet Technology Shenzhen Co Ltd
Priority to CN202110940888.7A priority Critical patent/CN113487633A/zh
Publication of CN113487633A publication Critical patent/CN113487633A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种点云轮廓提取方法，包括如下步骤：获取实际工件点云C1，基于预设规则将实际工件点云C1转换为四角网格SM1，并获取SM1中每个顶点的法向量；基于法向量以及预设约束条件分割SM1，基于分割结果移除SM1的侧面点云，生成移除侧面点云后的四角网格SM2；搜索并获取SM2的全部边缘点，全部所述边缘点组成点云即为待提取的工件实际轮廓点云，轮廓提取效率高、且精度也高。

Description

一种点云轮廓提取方法、装置、计算机设备及存储介质
技术领域
本发明属于图像识别领域，尤其涉及一种点云轮廓提取方法、装置、计算机设备及存储介质。
背景技术
在计算机视觉和机器人感知领域，物体轮廓、角点、纹理等低级别视觉特征常被应用于高级别感知任务。诸如机器人切割、焊接、打磨等场景，物体轮廓可作为物体识别、位姿估计、机器人轨迹生成的关键依据。3D点云相比2D图像，更全面地描述了物体的空间信息，点云轮廓提取成为三维世界视觉特征的重要描述方法。现有的点云轮廓提取方法大多基于原始的离散点云，利用每个点及其邻居点的法向量信息做差异化分析。当点云的法向量差异性不明显时，轮廓就难以提取准确，例如平面点云，每个点的法向量都是相同的。目前许多轮廓提取方法在法向量的计算方法上提出改进思路，以求最大程度地构建点云的法向量差异性。
发明内容
本发明提供了一种点云轮廓提取方法，用于解决上述问题。
本发明提供了一种点云轮廓提取方法，包括如下步骤：
获取实际工件点云C1，基于预设规则将所述实际工件点云C1转换为四角网格SM1，并获取所述SM1中每个顶点的法向量；
基于所述法向量以及预设约束条件分割所述SM1，基于分割结果移除所述SM1的侧面点云，生成移除侧面点云后的四角网格SM2；
搜索并获取所述SM2的全部边缘点，所述边缘点组成点云C3即为待提取的工件实际轮廓点云。
优选的，基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
步骤(A)：遍历SM1中的所有点{V1，V2，...Vn}，n表示SM1中点的数量，判断点Vm是否已经被处理过，若点Vm未处理过则创建一个空的聚类容器Di，并将Vi添加至Di，同时将点Vm标记为已处理；若点Vm为已处理，则跳过点Vm；
对于添加至Di的点Vm，同时执行步骤(a)，包括：
在预设距离d0范围内，搜索点Vm的邻居点{Vm1，Vm2，...Vmn}，n表示点Vm的邻居点数量，并判断Vm的邻居点Vmn是否满足预设约束条件，所述预设约束条件为邻居点Vmn未处理且Vm与Vmn的法向量夹角不大于预设角度阈值θ0；其中，若Vm的邻居点Vmn满足预设约束条件，则将点Vmn也添加至容器Di中，并将点Vmn也标记为已处理；若所述邻居点Vmn已处理过，则跳过点Vmn，对Vm的下一个邻居点的继续执行步骤(a)；若点Vm在预设距离d0范围内无邻居点，则跳过点Vm，对容器Di中的其他点执行步骤(A)，直至SM1中全部点执行完毕；
重复上述步骤，获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云。
优选的，基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
依据对应关系，将所述SM1中各顶点的法向量赋值至所述工件点云的对应各点中；
基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
基于预设规则将工件点云C2转换为四角网格SeizetColorMesh SM2。
进一步的，基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
步骤(B)：遍历点云C1中的所有点{P1，P2，...Pn}，n表示点云C1中点的数量，判断点Pi是否已经被处理过，若点Pi未处理过则创建一个空的聚类容器Di，并将Pi添加至Di，同时将点Vi标记为已处理；若点Pi为已处理，则跳过点Pi；
同时，对于添加至Di的点Pi，执行步骤(b)，包括：在预设距离d0范围内搜索点Pi的邻居点{Pi1，Pi2，...Pij}，j表示点Pi的邻居点数量，并判断Pi的邻居点Pij是否满足预设约束条件，所述预设约束条件为邻居点Pij未处理且Pi与Pij的法向量夹角不大于角度阈值θ0；
其中，若Pi的邻居点Pij满足预设的约束条件，则将点Pij也添加至容器Di中，并将点Pij也标记为已处理；若所述邻居点Pij已处理过，则跳过点Pij，对Pi的下一个邻居点的继续执行步骤(b)；若点Pi在距离d0范围内无邻居点，则跳过点Pi，对容器Di中的其他点执行步骤(B)，直至点云C1中全部点执行完毕；
重复上述步骤，获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云，记为C2。
进一步的，基于实际工件点云C1生成Kd搜索树，基于所述Kd搜索树，：在预设距离d0范围内，搜索点Vi的邻居点{Pi1，Pi2，...Pij}。
优选的，搜索并获取所述SM2的全部边缘点包括如下步骤：
遍历四角网格SM2的所有顶点，对于四角网格SM2的顶点Vi(i＝0，...，n2)，如果Vi满足条件如下条件之一，则判断Vi为SM2的边缘点：
(I)顶点Vi的出半边Ej是无效的；
(II)半边Ej对应的面片Qk是无效的；
(III)顶点Vi的出半边Ej是有效的，但Ej是SM2的边缘边，其中，若Ej符合条件(b)时，判断Ej是SM2的边缘边。
优选的，基于预设规则将点云转换为四角网格包括如下步骤：
对于点云中的任意一点Pij，添加所述Pij的3D位置坐标(x，y，z)法向量、颜色信息以获取顶点Vmn，建立所述Pij与所述顶点Vmn之间一一对应索引关系；
获取所述实际工件点云C1中各点的行列排序；
对所点云中的任意一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi,j+1,Pi+1，j+1,Pi+1，j，其中，所述点云数据中第i行j列、第i行j+1列、第i+1行j列、第i+1行j+1列分别对应的Pi，j，Pi，j+1，Pi+1，j+1,Pi+1，j4个点；
依据所述索引关系，获取Pi，j，Pi，j+1，Pi+1，j+1,Pi+1，j各自分别对应的四个顶点Vmn，Vm,n+1.Vm+1，n，Vm+1，n+1；
添加四角面片，并将所述4个顶点Vmn，Vm,n+1.Vm+1,n，Vm+1,n+1添加至对应四角面片的顶点位置处以生成半边四角网格，其中每个顶点Vmn存储点云数据中对应点Pij的3D位置坐标(x，y，z)、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引；
遍历所述Pij或所述顶点Vmn，获取全部所述Pij或所述顶点Vmn对应的半边四角网格以输出所述点云数据对应的四角网格。
本发明还公开了一种点云轮廓提取装置，包括：
第一四角网格生成模块，用于获取实际工件点云C1，基于预设规则将所述实际工件点云C1转换为四角网格SM1，并获取所述SM1每个顶点的法向量；
第二四角网格生成模块，用于基于所述法向量以及预设约束条件分割所述SM1，基于分割结果移除所述工件的侧面点云，并生成移除侧面点云后的四角网格SM2；
轮廓提取模块，用于搜索并获取所述SM2的全部边缘点，所述边缘点组成点云C3即为待提取的工件实际轮廓点云。
优选的，所述第二四角网格生成模块中，基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
步骤(A)：遍历SM1中的所有点{V1，V2，...Vn}，n表示SM1中点的数量，判断点Vm是否已经被处理过，若点Vm未处理过则创建一个空的聚类容器Di，并将Vi添加至Di，同时将点Vm标记为已处理；若点Vm为已处理，则跳过点Vm；
对于添加至Di的点Vm，同时执行步骤(a)，包括：
在预设距离d0范围内，搜索点Vm的邻居点{Vm1，Vm2，...Vmn}，n表示点Vm的邻居点数量，并判断Vm的邻居点Vmn是否满足预设约束条件，所述预设约束条件为邻居点Vmn未处理且Vm与Vmn的法向量夹角不大于预设角度阈值θ0；其中，若Vm的邻居点Vmn满足预设约束条件，则将点Vmn也添加至容器Di中，并将点Vmn也标记为已处理；若所述邻居点Vmn已处理过，则跳过点Vmn，对Vm的下一个邻居点的继续执行步骤(a)；若点Vm在预设距离d0范围内无邻居点，则跳过点Vm，对容器Di中的其他点执行步骤(A)，直至SM1中全部点执行完毕；
重复上述步骤，获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云。
优选的，所述第二四角网格生成模块中基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
依据对应关系，将所述SM1中各顶点的法向量赋值至所述工件点云的对应各点中；
基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
基于预设规则将工件点云C2转换为四角网格SM2。
进一步的，基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
步骤(B)：遍历点云C1中的所有点{P1，P2，...Pn}，n表示点云C1中点的数量，判断点Pi是否已经被处理过，若点Pi未处理过则创建一个空的聚类容器Di，并将Pi添加至Di，同时将点Vi标记为已处理；若点Pi为已处理，则跳过点Pi；
同时，对于添加至Di的点Pi，执行步骤(b)，包括：在预设距离d0范围内搜索点Pi的邻居点{Pi1，Pi2，...Pij}，j表示点Pi的邻居点数量，并判断Pi的邻居点Pij是否满足预设约束条件，所述预设约束条件为邻居点Pij未处理且Pi与Pij的法向量夹角不大于角度阈值θ0；
其中，若Pi的邻居点Pij满足预设的约束条件，则将点Pij也添加至容器Di中，并将点Pij也标记为已处理；若所述邻居点Pij已处理过，则跳过点Pij，对Pi的下一个邻居点的继续执行步骤(b)；若点Pi在距离d0范围内无邻居点，则跳过点Pi，对容器Di中的其他点执行步骤(B)，直至点云C1中全部点执行完毕；
获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云，记为C2。
进一步的，基于实际工件点云C1生成Kd搜索树，基于所述Kd搜索树，：在预设距离d0范围内，搜索点Pi的邻居点{Pi1，Pi2，...Pij}。
优选的，所述轮廓提取模块中，对于四角网格SM2的顶点Vi(i＝0，...，n2)，如果Vi满足条件如下条件之一，则判断Vi为SM2的边缘点：
(I)顶点Vi的出半边Ej是无效的；
(II)半边Ej对应的面片Qk是无效的；
(III)顶点Vi的出半边Ej是有效的，但Ej是SM2的边缘边，其中，若Ej符合条件(b)时，判断Ej是SM2的边缘边。
优选的，基于预设规则将点云转换为四角网格包括如下步骤：
对于点云中的任意一点Pij，添加所述Pij的3D位置坐标(x，y，z)法向量、颜色信息以获取顶点Vmn，建立所述Pij与所述顶点Vmn之间一一对应索引关系；
获取所述实际工件点云C1中各点的行列排序；
对所点云中的任意一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi,j+1,Pi+1，j+1,Pi+1，j，其中，所述点云数据中第i行j列、第i行j+1列、第i+1行j列、第i+1行j+1列分别对应的Pi，j，Pi，j+1，Pi+1，j+1,Pi+1，j4个点；
依据所述索引关系，获取Pi，j，Pi，j+1，Pi+1，j+1,Pi+1，j各自分别对应的四个顶点Vmn，Vm,n+1.Vm+1，n，Vm+1,n+1；
添加四角面片，并将所述4个顶点Vmn，Vm,n+1.Vm+1，n，Vm+1,n+1添加至对应四角面片的顶点位置处以生成半边四角网格，其中每个顶点Vmn存储点云数据中对应点Pij的3D位置坐标(x，y，z)、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引；
遍历所述Pij或所述顶点Vmn，获取全部所述Pij或所述顶点Vmn对应的半边四角网格以输出所述点云数据对应的四角网格。
本发明还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本发明所示的一种点云轮廓提取方法、装置、计算机设备及存储介质，将原始的离散点云转换为具有拓扑结构的四角网格，利用四角网格的拓扑关系找到处于整个网格边缘的点，即为物体的轮廓，其不依赖于点云的法向量差异性，只需借助四角网格的特殊拓扑结构，轮廓提取效率高、精度高。
附图说明
图1为本发明点云轮廓提取方法一实施例的的工作流程示意图；
图2为本发明点云轮廓提取方法另一实施例的的工作流程示意图；
图3为本发明所示的点云轮廓提取装置一实施例的结构示意图；
图4为是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，而非以任何方式限制本发明的保护范围。
在说明书的全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列相目中的一个或多个的任何和全部组合。在附图中，为了便于说明，已稍微夸大了物体的厚度、尺寸和形状。附图仅为示例而非严格按比例绘制。
还应理解的是，用语“包括”、“包括有”、“具有”、“包含”和/或“包含有”，当在本说明书中使用时表示存在所陈述的特征、步骤、整体、操作、元件和/或部件，但不排除存在或附加有一个或多个其它特征、步骤、整体、操作、元件、部件和/或它们的组合。
如在说明书中使用的用语“基本上”、“大约”以及类似的用于用作表示近似的用语，而不用作表示程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。
除非另有限定，否则本文中使用的所有用语(包括技术用语和科学用语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，用语(例如在常用词典中定义的用语)应被解释为具有与它们在相关技术的上下文中的含义一致的含义，并且将不被以理想化或过度正式意义解释，除非本文中明确如此限定。
实施例一
如图1所示，本发明公开了一种点云轮廓提取方法，包括如下步骤：
Sl获取实际工件点云C1，基于预设规则将所述实际工件点云C1转换为四角网格SM1，并获取所述SM1中每个顶点的法向量；
S2基于所述法向量以及预设约束条件分割所述SM1，基于分割结果移除所述SM1的侧面点云，生成移除侧面点云后的四角网格SM2；
S3搜索并获取所述SM2的全部边缘点，所述边缘点组成点云C3即为待提取的工件实际轮廓点云。
本发明所示的一种点云轮廓提取方法，将原始的离散点云转换为具有拓扑结构的四角网格，利用四角网格的拓扑关系找到处于整个网格边缘的点，即为物体的轮廓，其不依赖于点云的法向量差异性，只需借助四角网格的特殊拓扑结构，轮廓提取效率高、精度高。
作为一优选方案，步骤S1中，基于3D相机获取待检测物的原始有序点云，其中点云数据为待检测物以点的形式记录，每一个点包含有三维坐标包括颜色信息以及法向量。更具体的，颜色信息通常是通过相机获取彩色影像，然后将对应位置的像素的颜色信息赋予点云中对应的点；有序点云一般是在相机坐标系里的，法线是面向相机的。
步骤S1中基于预设规则将点云转换为四角网格包括如下步骤：
S11对于所述有序点云中的任意一点Pij，添加所述Pij的3D位置坐标(x，y，z)法向量、颜色信息以获取顶点Vmn，建立所述Pij与所述顶点Vmn之间一一对应索引关系；
本步骤中，建立顶点集合S，遍历所述有序点云的行坐标i和列坐标j，并将Pij以及对应的3D坐标、法向量、颜色信息获取顶点Vmn后，将各顶点Vmn添加至中顶点集合S。其中，顶点集合S为四角网格(SeizetColorMesh)的顶点集合。
S12获取所述点云数据中各点的行列排序；
一帧扫描数据是一副深度图，属于灰度图。像素的灰度值代表的是深度信息，可以通过相机参数把每个像素点变换到世界坐标系，这样每个像素就对应一个三维点，假设深度图的分辨率是ResX*ResY，那么有序点云按照图方阵一行一行的，从左上角到右下角排列。由于有序点云中各点Pij是按顺序排列，本实施例中，遍历所述点云数据，读取有序点云中各点的行坐标i和列坐标j，以获取Vij分别按行排序和按列排序。
S13对所述有序点云中的任意一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi,j+1,Pi+1，j+1，Pi+1，j，其中，所述点云数据中第i行j列、第i行j+1列、第i+1行j列、第i+1行j+1列分别对应的Pi，j，Pi,j+1,Pi+1，j+1,Pi+1，j4个点；
由于有序点云按顺序排列，可以很容易的找到它的相邻点信息。本实施例中，作为一优选方案，在寻找任意一点Pij的相邻点时，若Pi，j+1、Pi+1，j+1、Pi+1，j中有三个相邻点有任意一个无法从有序点云数据中找到，则跳过Vij，继续下一点的相邻点查找。有序点云的行坐标和列坐标都是有区间范围的，如(i＝0，...，Nr)，(j＝0，...，Nc)，若i＜0或i+1＞Nr或j＜0或j+1＞Nc则判断超出边界。若行坐标i+1或列坐标j+1超出边界，则跳过点Pij，继续有序点云中下一点对应三个相邻点的查找。
S14依据所述索引关系，获取Pi，j，Pi，j+1，Pi+1，j+1,Pi+1，j各自分别对应的四个顶点Vmn，Vm,n+1.Vm+1，n，Vm+1,n+1；
添加四角面片，并将所述4个顶点Vmn，Vm,n+1.Vm+1，n，Vm+1,n+1添加至对应四角面片的顶点位置处以生成半边四角网格，其中每个顶点Vmn存储点云数据中对应点Pij的3D位置坐标(x，y，z)、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引；
S15遍历所述Pij或所述顶点Vmn，获取全部所述Pij或所述顶点Vmn对应的半边四角网格以输出工件点云数据对应的四角网格SM1。
由于在拍摄过程中，由于工件自身结构、拍摄角度等因素影响，工件的侧面不可避免会被拍摄到，但是在实际应用时，往往需要基于工件正面点云进行后续操作，如进行工件切坡口进行轨迹生成时，故步骤S1将工件点云转化对应的四角网格SM1后，转入步骤S2移除侧面点云(即点云少的一面)
步骤S2基于所述法向量以及预设约束条件对所述SM1进行分割，区分出实际工件点云的不同平面，并基于分割结果移除所述工件的侧面点云，最终获得移除侧面点云后四角网格SM2。
在其中一个实施例中，可直接基于四角网格SM1进行点云平面分割，获取移除侧面点云的四角网格SM2，具体包括如下步骤：
步骤(A)：遍历SM1中的所有点{V1，V2，...Vn}，n表示SM1中点的数量，判断点Vm是否已经被处理过，若点Vm未处理过则创建一个空的聚类容器Di，并将Vi添加至Di，同时将点Vm标记为已处理；若点Vm为已处理，则跳过点Vm；
对于添加至Di的点Vm，同时执行步骤(a)，包括：
在预设距离d0范围内，搜索点Vm的邻居点{Vm1，Vm2，...Vmn}，n表示点Vm的邻居点数量，并判断Vm的邻居点Vmn是否满足预设约束条件，所述预设约束条件为邻居点Vmn未处理且Vm与Vmn的法向量夹角不大于预设角度阈值θ0；其中，若Vm的邻居点Vmn满足预设约束条件，则将点Vmn也添加至容器Di中，并将点Vmn也标记为已处理；若所述邻居点Vmn已处理过，则跳过点Vmn，对Vm的下一个邻居点的继续执行步骤(a)；若点Vm在预设距离d0范围内无邻居点，则跳过点Vm，对容器Di中的其他点执行步骤(A)，直至SM1中全部点执行完毕；
上述已处理是指对应的点已经被加入到聚类容器Di中，重复上述步骤，直至SM1中全部点执行完毕后，可获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的四角网格SM2。
在另外一个实施例中，如图2所示，也可基于工件点云C1行点云平面分割，获取移除侧面点云的工件点云C2后，在将工件点云C2依据预设规则转换为四角网格SeizetColorMesh SM2，具体包括如下步骤：
S21依据对应关系，将所述SM1中各顶点的法向量赋值至所述工件点云的对应各点中；
S22基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
其中，进一步的，步骤S22具体包括如下：
步骤(B)：遍历点云C1中的所有点{P1，P2，...Pn}，n表示点云C1中点的数量，判断点Pi是否已经被处理过，若点Pi未处理过则创建一个空的聚类容器Di，并将Pi添加至Di，同时将点Vi标记为已处理；若点Pi为已处理，则跳过点Pi；
同时，对于添加至Di的点Pi，执行步骤(b)，包括：在预设距离d0范围内搜索点Pi的邻居点{Pi1，Pi2，...Pij}，j表示点Pi的邻居点数量，并判断Pi的邻居点Pij是否满足预设约束条件，所述预设约束条件为邻居点Pij未处理且Pi与Pij的法向量夹角不大于角度阈值θ0；
其中，若Pi的邻居点Pij满足预设的约束条件，则将点Pij也添加至容器Di中，并将点Pij也标记为已处理；若所述邻居点Pij已处理过，则跳过点Pij，对Pi的下一个邻居点的继续执行步骤(b)；若点Pi在距离d0范围内无邻居点，则跳过点Pi，对容器Di中的其他点执行步骤(B)，直至点云C1中全部点执行完毕。
获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云，记为C2。
上述已处理是指对应的点已经被加入到聚类容器Di中，重复上述步骤，直至C1中全部点执行完毕后，获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云，记为C2。
进一步的，本实施例中，对实际工件点云C1生成Kd搜索树，基于所述Kd搜索树，：在预设距离d0范围内，搜索点Pi的邻居点{Pi1，Pi2，...Pij}，其中，对于不同的工件，可依据经验设定的距离阈值d0和角度阈值θ0取值。
S23基于预设规则将工件点云C2转换为四角网格SeizetColorMesh SM2。基于点云生成对应的四角网格如步骤S1中所述，可包括如下步骤：
对于点云中C2的任意一点Pij，添加所述Pij的3D位置坐标(x，y，z)法向量、颜色信息以获取顶点Vmn，建立所述Pij与所述顶点Vmn之间一一对应索引关系；
获取所述实际工件点云C2中各点的行列排序；
对所点云中的任意一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi，j+1，Pi+1，j+1，Pi+1，j，其中，所述点云数据中第i行j列、第i行j+1列、第i+1行j列、第i+1行j+1列分别对应的Pi，j,Pi，j+1，Pi+1，j+1，Pi+1，j4个点；
依据所述索引关系，获取Pi，j，Pi，j+1，Pi+1，j+1，Pi+1，j各自分别对应的四个顶点Vmn，Vm,n+1.Vm+1，n，Vm+1，n+1；
添加四角面片，并将所述4个顶点Vmn，Vm,n+1.Vm+1,n，Vm+1,n+1添加至对应四角面片的顶点位置处以生成半边四角网格，其中每个顶点Vmn存储点云数据中对应点Pij的3D位置坐标(x，y，z)、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引；
遍历所述Pij或所述顶点Vmn，获取全部所述Pij或所述顶点Vmn对应的半边四角网格以输出所述点云数据对应的四角网格SM2。
获取四角网格SM2后，转入步骤S3，搜索并获取所述SM2的全部边缘点，将所有的边缘点组成点云C3，C3即为待提取的工件实际轮廓。
本实施例中，遍历四角网格SM2的所有顶点，对于四角网格SM2的顶点Vi(i＝0，...，n2，如果Vi满足条件如下条件之一，则判断Vi为SM2的边缘点：
(I)顶点Vi的出半边Ej是无效的；
(II)半边Ej对应的面片Qk是无效的；
(III)顶点Vi的出半边Ej是有效的，但Ej是SM2的边缘边，其中，若Ej符合条件(b)时，判断Ej是SM2的边缘边。
实施例二
如图3所示，本发明还公开了一种点云轮廓提取装置10，包括：
第一四角网格生成模块11，用于获取实际工件点云C1，基于预设规则将所述实际工件点云C1转换为四角网格SeizetColorMesh SM1，并获取所述SM1每个顶点的法向量；
第二四角网格生成模块12，用于基于所述法向量以及预设约束条件分割所述SM1，基于分割结果移除所述工件的侧面点云，并生成移除侧面点云后的四角网格SM2；
轮廓提取模块13，用于搜索并获取所述SM2的全部边缘点，所述边缘点组成点云C3即为待提取的工件实际轮廓点云。
本发明所示的一种点云轮廓提取装置10，将原始的离散点云转换为具有拓扑结构的四角网格，利用四角网格的拓扑关系找到处于整个网格边缘的点，即为物体的轮廓，其不依赖于点云的法向量差异性，只需借助四角网格的特殊拓扑结构，轮廓提取效率高、精度高。
优选的，所述第二四角网格生成模块12中，基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
步骤(A)：遍历SM1中的所有点{V1，V2，...Vn}，n表示SM1中点的数量，判断点Vm是否已经被处理过，若点Vm未处理过则创建一个空的聚类容器Di，并将Vi添加至Di，同时将点Vm标记为已处理；若点Vm为已处理，则跳过点Vm；
对于添加至Di的点Vm，同时执行步骤(a)，包括：
在预设距离d0范围内，搜索点Vm的邻居点{Vm1，Vm2，...Vmn}，n表示点Vm的邻居点数量，并判断Vm的邻居点Vmn是否满足预设约束条件，所述预设约束条件为邻居点Vmn未处理且Vm与Vmn的法向量夹角不大于预设角度阈值θ0；其中，若Vm的邻居点Vmn满足预设约束条件，则将点Vmn也添加至容器Di中，并将点Vmn也标记为已处理；若所述邻居点Vmn已处理过，则跳过点Vmn，对Vm的下一个邻居点的继续执行步骤(a)；若点Vm在预设距离d0范围内无邻居点，则跳过点Vm，对容器Di中的其他点执行步骤(A)，直至SM1中全部点执行完毕；
重复上述步骤，获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云。
优选的，所述第二四角网格生成模块12中基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
依据对应关系，将所述SM1中各顶点的法向量赋值至所述工件点云的对应各点中；
基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
基于预设规则将工件点云C2转换为四角网格SeizetColorMesh SM2。
进一步的，基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2包括如下步骤：
步骤(B)：遍历点云C1中的所有点{P1，P2，...Pn}，n表示点云C1中点的数量，判断点Pi是否已经被处理过，若点Pi未处理过则创建一个空的聚类容器Di，并将Pi添加至Di，同时将点Vi标记为已处理；若点Pi为已处理，则跳过点Pi；
同时，对于添加至Di的点Pi，执行步骤(b)，包括：在预设距离d0范围内搜索点Pi的邻居点{Pi1，Pi2，...Pij}，j表示点Pi的邻居点数量，并判断Pi的邻居点Pij是否满足预设约束条件，所述预设约束条件为邻居点Pij未处理且Pi与Pij的法向量夹角不大于角度阈值θ0；
其中，若Pi的邻居点Pij满足预设的约束条件，则将点Pij也添加至容器Di中，并将点Pij也标记为已处理；若所述邻居点Pij已处理过，则跳过点Pij，对Pi的下一个邻居点的继续执行步骤(b)；若点Pi在距离d0范围内无邻居点，则跳过点Pi，对容器Di中的其他点执行步骤(B)，直至点云C1中全部点执行完毕。
获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云，记为C2。
进一步的，基于实际工件点云C1生成Kd搜索树，基于所述Kd搜索树，：在预设距离d0范围内，搜索点Vi的邻居点{Vi1，Vi2，...Vim}。
优选的，所述轮廓提取模块13中，对于四角网格SM2的顶点Vi(i＝0，...，n2)，如果Vi满足条件如下条件之一，则判断Vi为SM2的边缘点：
(I)顶点Vi的出半边Ej是无效的；
(II)半边Ej对应的面片Qk是无效的；
(III)顶点Vi的出半边Ej是有效的，但Ej是SM2的边缘边，其中，若Ej符合条件(b)时，判断Ej是SM2的边缘边。
优选的，基于预设规则将点云转换为四角网格包括如下步骤：
对于点云中的任意一点Pij，添加所述Pij的3D位置坐标(x，y，z)法向量、颜色信息以获取顶点Vmn，建立所述Pij与所述顶点Vmn之间一一对应索引关系；
获取所述实际工件点云C1中各点的行列排序；
对所点云中的任意一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi,j+1,Pi+1，j+1,Pi+1，j，其中，所述点云数据中第i行j列、第i行j+1列、第i+1行j列、第i+1行j+1列分别对应的Pi，j，Pi，j+1，Pi+1，j+1,Pi+1，j4个点；
依据所述索引关系，获取Pi，j,Pi，j+1,Pi+1,j+1,Pi+1,j各自分别对应的四个顶点Vmn，Vm,n+1.Vm+1，n，Vm+1,n+1；
添加四角面片，并将所述4个顶点Vmn，Vm,n+1.Vm+1,n，Vm+1,n+1添加至对应四角面片的顶点位置处以生成半边四角网格，其中每个顶点Vmn存储点云数据中对应点Pij的3D位置坐标(x，y，z)、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引；
遍历所述Pij或所述顶点Vmn，获取全部所述Pij或所述顶点Vmn对应的半边四角网格以输出所述点云数据对应的四角网格。
实施例三
图4所示是本发明实施例提供的一种计算机设备的结构示意图，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图4所示。需要指出的是，图4仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如方法实施例中的点云轮廓提取装置10的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行点云轮廓提取装置10，以实现方法实施例中的点云轮廓提取方法。
实施例四
本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储点云轮廓提取装置的程序代码，被处理器执行时实现方法实施例中的点云轮廓提取方法。
需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种点云轮廓提取方法，其特征在于，包括如下步骤：
获取实际工件点云C1，基于预设规则将所述实际工件点云C1转换为四角网格SM1，并获取所述SM1中每个顶点的法向量；
基于所述法向量以及预设约束条件分割所述SM1，基于分割结果移除所述SM1的侧面点云，生成移除侧面点云后的四角网格SM2；
搜索并获取所述SM2的全部边缘点，所述边缘点组成点云即为待提取的工件实际轮廓点云。
2.根据权利要求1所述的一种点云轮廓提取方法，其特征在于，基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
步骤(A)：遍历SM1中的所有点{V1，V2，...Vn}，n表示SM1中点的数量，判断点Vm是否已经被处理过，若点Vm未处理过则创建一个空的聚类容器Di，并将Vi添加至Di，同时将点Vm标记为已处理；若点Vm为已处理，则跳过点Vm；
对于添加至Di的点Vm，同时执行步骤(a)，包括：
在预设距离d0范围内，搜索点Vm的邻居点{Vm1，Vm2，...Vmn}，n表示点Vm的邻居点数量，并判断Vm的邻居点Vmn是否满足预设约束条件，所述预设约束条件为邻居点Vmn未处理且Vm与Vmn的法向量夹角不大于预设角度阈值θ0；其中，若Vm的邻居点Vmn满足预设约束条件，则将点Vmn也添加至容器Di中，并将点Vmn也标记为已处理；若所述邻居点Vmn已处理过，则跳过点Vmn，对Vm的下一个邻居点的继续执行步骤(a)；若点Vm在预设距离d0范围内无邻居点，则跳过点Vm，对容器Di中的其他点执行步骤(A)，直至SM1中全部点执行完毕；
重复上述步骤，获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云。
3.根据权利要求1所述的一种点云轮廓提取方法，其特征在于，基于所述法向量以及预设约束条件对所述SM1进行分割，并基于分割结果移除所述工件的侧面点云包括：
依据对应关系，将所述SM1中各顶点的法向量赋值至所述工件点云的对应各点中；
基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
基于预设规则将工件点云C2转换为四角网格SeizetColorMesh SM2。
4.根据权利要求3所述的一种点云轮廓提取方法，其特征在于，基于所述法向量以及预设约束条件分割所述C1，基于分割结果移除所述工件的侧面点云，以生成移除侧面点云后的工件点云C2；
步骤(B)：遍历点云C1中的所有点{P1，P2，...Pn}，n表示点云C1中点的数量，判断点Pi是否已经被处理过，若点Pi未处理过则创建一个空的聚类容器Di，并将Pi添加至Di，同时将点Vi标记为已处理；若点Pi为已处理，则跳过点Pi；
同时，对于添加至Di的点Pi，执行步骤(b)，包括：在预设距离d0范围内搜索点Pi的邻居点{Pi1，Pi2，...Pij}，j表示点Pi的邻居点数量，并判断Pi的邻居点Pij是否满足预设约束条件，所述预设约束条件为邻居点Pij未处理且Pi与Pij的法向量夹角不大于角度阈值θ0；
其中，若Pi的邻居点Pij满足预设的约束条件，则将点Pij也添加至容器Di中，并将点Pij也标记为已处理；若所述邻居点Pij已处理过，则跳过点Pij，对Pi的下一个邻居点的继续执行步骤(b)；若点Pi在距离d0范围内无邻居点，则跳过点Pi，对容器Di中的其他点执行步骤(B)，直至点云C1中全部点执行完毕；
重复上述步骤，获取若干聚类容器{D1，D2，...Dk}，k表示聚类容器数量，每个容器对应一片点云；取{D1，D2，...Dk}中点数最多的一片点云，即为移除侧面点云后的工件点云，记为C2。
5.根据权利要求3所述的一种点云轮廓提取方法，其特征在于，基于实际工件点云C1生成Kd搜索树，基于所述Kd搜索树，：在预设距离d0范围内，搜索点Vi的邻居点{Pi1，Pi2，...Pij}。
6.根据权利要求1所述的一种点云轮廓提取方法，其特征在于，搜索并获取所述SM2的全部边缘点包括如下步骤：
遍历四角网格SM2的所有顶点，对于四角网格SM2的顶点Vi(i＝0，...，n2)，如果Vi满足条件如下条件之一，则判断Vi为SM2的边缘点：
(I)顶点Vi的出半边Ej是无效的；
(II)半边Ej对应的面片Qk是无效的；
(III)顶点Vi的出半边Ej是有效的，但Ej是SM2的边缘边，其中，若Ej符合条件(b)时，判断Ej是SM2的边缘边。
7.根据权利要求1或3所述的一种点云轮廓提取方法，其特征在于，基于预设规则将点云转换为四角网格包括如下步骤：
对于点云中的任意一点Pij，添加所述Pij的3D位置坐标(x，y，z)法向量、颜色信息以获取顶点Vmn，建立所述Pij与所述顶点Vmn之间一一对应索引关系；
获取所述实际工件点云C1中各点的行列排序；
对所点云中的任意一点Pij，依照所述行列排序的索引规则查找Pij的相邻点Pi，j+1，Pi+1，j+1，Pi+1，j，其中，所述点云数据中第i行j列、第i行j+1列、第i+1行j列、第i+1行j+1列分别对应的Pi，j，Pi，j+1，Pi+1，j+1，Pi+1，j4个点；
依据所述索引关系，获取Pi，j，Pi，j+1，Pi+1，j+1，Pi+1，j各自分别对应的四个顶点Vmn，Vm，n+ 1.Vm+1，n，Vm+1，n+1；
添加四角面片，并将所述4个顶点Vmn，Vm，n+1.Vm+1，n，Vm+1，n+1添加至对应四角面片的顶点位置处以生成半边四角网格，其中每个顶点Vmn存储点云数据中对应点Pij的3D位置坐标(x，y，z)、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引；
遍历所述Pij或所述顶点Vmn，获取全部所述Pij或所述顶点Vmn对应的半边四角网格以输出所述点云数据对应的四角网格。
8.一种点云轮廓提取装置，其特征在于，包括：
第一四角网格生成模块，用于获取实际工件点云C1，基于预设规则将所述实际工件点云C1转换为四角网格SM1，并获取所述SM1每个顶点的法向量；
第二四角网格生成模块，用于基于所述法向量以及预设约束条件分割所述SM1，基于分割结果移除所述工件的侧面点云，并生成移除侧面点云后的四角网格SM2；
轮廓提取模块，用于搜索并获取所述SM2的全部边缘点，所述边缘点组成点云即为待提取的工件实际轮廓点云。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
CN202110940888.7A 2021-08-17 2021-08-17 一种点云轮廓提取方法、装置、计算机设备及存储介质 Pending CN113487633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940888.7A CN113487633A (zh) 2021-08-17 2021-08-17 一种点云轮廓提取方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940888.7A CN113487633A (zh) 2021-08-17 2021-08-17 一种点云轮廓提取方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113487633A true CN113487633A (zh) 2021-10-08

Family

ID=77946645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940888.7A Pending CN113487633A (zh) 2021-08-17 2021-08-17 一种点云轮廓提取方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113487633A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119870A (zh) * 2021-11-23 2022-03-01 熵智科技(深圳)有限公司 有序点云生成四角网格数据方法、装置、设备及存储介质
CN114952173A (zh) * 2022-05-31 2022-08-30 熵智科技(深圳)有限公司 管板焊接中圆环外轮廓提取方法、装置、设备及存储介质
CN114998381A (zh) * 2022-05-31 2022-09-02 熵智科技(深圳)有限公司 管板焊接中焊接轨迹拟合方法、装置、设备及存储介质
CN117862966A (zh) * 2024-03-12 2024-04-12 季华实验室 一种冲压件轮廓缺陷打磨控制方法及相关设备

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324998A1 (en) * 2014-05-06 2015-11-12 Nant Holdings Ip, Llc Image-based feature detection using edge vectors
CN106600617A (zh) * 2016-12-29 2017-04-26 中科宇图科技股份有限公司 基于曲率从Lidar点云数据提取建筑物轮廓线的方法
CN107123164A (zh) * 2017-03-14 2017-09-01 华南理工大学 保持锐利特征的三维重建方法及系统
CN107274422A (zh) * 2017-05-08 2017-10-20 燕山大学 一种基于法线信息和k邻域搜索结合的点云边缘提取方法
CN107516098A (zh) * 2017-07-30 2017-12-26 华南理工大学 一种基于边缘曲率角的目标轮廓三维信息提取方法
CN107767457A (zh) * 2017-10-09 2018-03-06 东南大学 一种基于点云快速重建的stl数模生成方法
CN109285223A (zh) * 2018-09-07 2019-01-29 中山大学 基于体素模型的影像重建四边形网格方法及系统
CN109541997A (zh) * 2018-11-08 2019-03-29 东南大学 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法
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
CN111815637A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 3d图像边缘点云的提取方法、设备及计算机存储介质
CN111881892A (zh) * 2020-09-10 2020-11-03 熵智科技(深圳)有限公司 有序点云5d纹理网格数据结构生成方法、装置、设备及介质
CN111932570A (zh) * 2020-09-10 2020-11-13 熵智科技(深圳)有限公司 一种基于网格数据的边缘检测方法、装置、介质及设备
US20210174121A1 (en) * 2019-06-30 2021-06-10 Huazhong University Of Science And Technology Method for extracting robot processing boundary of thin-walled part with small curvature based on three-dimensional point cloud
WO2021129317A1 (zh) * 2019-12-26 2021-07-01 华南理工大学 一种基于法向量的点云平滑光顺滤波方法
CN113112417A (zh) * 2021-03-26 2021-07-13 浙江工业大学 基于三维点云的喷涂工件建模方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324998A1 (en) * 2014-05-06 2015-11-12 Nant Holdings Ip, Llc Image-based feature detection using edge vectors
CN106600617A (zh) * 2016-12-29 2017-04-26 中科宇图科技股份有限公司 基于曲率从Lidar点云数据提取建筑物轮廓线的方法
CN107123164A (zh) * 2017-03-14 2017-09-01 华南理工大学 保持锐利特征的三维重建方法及系统
CN107274422A (zh) * 2017-05-08 2017-10-20 燕山大学 一种基于法线信息和k邻域搜索结合的点云边缘提取方法
CN107516098A (zh) * 2017-07-30 2017-12-26 华南理工大学 一种基于边缘曲率角的目标轮廓三维信息提取方法
CN107767457A (zh) * 2017-10-09 2018-03-06 东南大学 一种基于点云快速重建的stl数模生成方法
CN109285223A (zh) * 2018-09-07 2019-01-29 中山大学 基于体素模型的影像重建四边形网格方法及系统
CN109541997A (zh) * 2018-11-08 2019-03-29 东南大学 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法
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
US20210174121A1 (en) * 2019-06-30 2021-06-10 Huazhong University Of Science And Technology Method for extracting robot processing boundary of thin-walled part with small curvature based on three-dimensional point cloud
WO2021129317A1 (zh) * 2019-12-26 2021-07-01 华南理工大学 一种基于法向量的点云平滑光顺滤波方法
CN111815637A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 3d图像边缘点云的提取方法、设备及计算机存储介质
CN111881892A (zh) * 2020-09-10 2020-11-03 熵智科技(深圳)有限公司 有序点云5d纹理网格数据结构生成方法、装置、设备及介质
CN111932570A (zh) * 2020-09-10 2020-11-13 熵智科技(深圳)有限公司 一种基于网格数据的边缘检测方法、装置、介质及设备
CN113112417A (zh) * 2021-03-26 2021-07-13 浙江工业大学 基于三维点云的喷涂工件建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张娜: "基于多视角区域生长的复杂曲面结构模型分割方法研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), no. 01, pages 138 - 2145 *
房鸿禧: "基于三维点云的多目标分割与边缘提取", 中国优秀硕士学位论文全文数据库 (信息科技辑), no. 07, pages 138 - 1082 *
郑永川等: "针对密集点云的快速自适应四边形网格生成算法", 计算机辅助设计与图形学学报, vol. 31, no. 01, pages 39 - 46 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119870A (zh) * 2021-11-23 2022-03-01 熵智科技(深圳)有限公司 有序点云生成四角网格数据方法、装置、设备及存储介质
CN114952173A (zh) * 2022-05-31 2022-08-30 熵智科技(深圳)有限公司 管板焊接中圆环外轮廓提取方法、装置、设备及存储介质
CN114998381A (zh) * 2022-05-31 2022-09-02 熵智科技(深圳)有限公司 管板焊接中焊接轨迹拟合方法、装置、设备及存储介质
CN117862966A (zh) * 2024-03-12 2024-04-12 季华实验室 一种冲压件轮廓缺陷打磨控制方法及相关设备
CN117862966B (zh) * 2024-03-12 2024-05-07 季华实验室 一种冲压件轮廓缺陷打磨控制方法及相关设备

Similar Documents

Publication Publication Date Title
CN113487633A (zh) 一种点云轮廓提取方法、装置、计算机设备及存储介质
US10510148B2 (en) Systems and methods for block based edgel detection with false edge elimination
CN109870983B (zh) 处理托盘堆垛图像的方法、装置及用于仓储拣货的系统
CN107507167B (zh) 一种基于点云平面轮廓匹配的货物托盘检测方法及系统
CN109753885B (zh) 一种目标检测方法、装置以及行人检测方法、系统
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN111598946B (zh) 一种物体位姿测量方法、装置及存储介质
CN111127631B (zh) 基于单图像的三维形状和纹理重建方法、系统及存储介质
CN111881892B (zh) 有序点云5d纹理网格数据结构生成方法、装置、设备及介质
CN112002015B (zh) 无序点云生成网格数据结构的方法、装置、设备及介质
CN111815706A (zh) 面向单品类拆垛的视觉识别方法、装置、设备及介质
CN111178190B (zh) 基于深度图像的目标检测方法、装置及存储介质
Sansoni et al. Optoranger: A 3D pattern matching method for bin picking applications
CN112712589A (zh) 一种基于激光雷达和深度学习的植株3d建模的方法和系统
CN111598076B (zh) 一种标签图像中日期检测处理方法及装置
CN113034593A (zh) 6d位姿标注方法、系统及存储介质
CN112257721A (zh) 一种基于Fast ICP的图像目标区域匹配方法
JP2018136642A (ja) 三次元形状検索方法及び三次元形状検索システム
Tazir et al. Color-based 3D point cloud reduction
CN113111741B (zh) 一种基于三维特征点的装配状态识别方法
CN114119407A (zh) 四角网格数据的去噪方法、装置、设备及存储介质
CN113627548A (zh) 一种平面工件模板匹配方法、装置、介质及计算机设备
CN108235775B (zh) 具有伪边缘消除的基于块的边缘像素检测的系统和方法
JP6320806B2 (ja) 三次元モデル検索方法、及び三次元モデル検索システム
CN114723748B (zh) 电机控制器的检测方法、装置、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