CN113592961B - 一种基于精度控制场和点云特征相似性的点云拼接方法 - Google Patents

一种基于精度控制场和点云特征相似性的点云拼接方法 Download PDF

Info

Publication number
CN113592961B
CN113592961B CN202110948052.1A CN202110948052A CN113592961B CN 113592961 B CN113592961 B CN 113592961B CN 202110948052 A CN202110948052 A CN 202110948052A CN 113592961 B CN113592961 B CN 113592961B
Authority
CN
China
Prior art keywords
point
points
point cloud
point set
control field
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
Application number
CN202110948052.1A
Other languages
English (en)
Other versions
CN113592961A (zh
Inventor
郭磊
郭寅
于浩
王佳慧
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.)
Yi Si Si Hangzhou Technology Co ltd
Original Assignee
Isvision Hangzhou Technology 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 Isvision Hangzhou Technology Co Ltd filed Critical Isvision Hangzhou Technology Co Ltd
Priority to CN202110948052.1A priority Critical patent/CN113592961B/zh
Publication of CN113592961A publication Critical patent/CN113592961A/zh
Application granted granted Critical
Publication of CN113592961B publication Critical patent/CN113592961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于精度控制场和点云特征相似性的点云拼接方法，包括：基准测量系统构建控制场、全局坐标系，传感器在初始位姿采集标志点、获取源点集；传感器在下一位姿，采集标志点，获得目标点集；分别求取源点集和目标点集的初始转换关系RT0；利用RT0对目标点集平移旋转，求取重叠区域，基于点云相似性，解算目标点集与全局坐标系的转换关系RT1；利用RT1和每个对照点查找候选同名点；继续构造由精度控制场和点云相似性共同约束的目标函数，迭代得到RT2；得出各位姿处的转换关系，完成整体扫描；本方案优化了现有拼接过程，减少了标志点数量要求；提高了大型复杂物体点云拼接的实用性、灵活性与效率。

Description

一种基于精度控制场和点云特征相似性的点云拼接方法
技术领域
本发明涉及三维测量领域，具体涉及一种基于精度控制场和点云特征相似性的点云拼接方法。
背景技术
点云拼接是大型物体三维测量的一个重要环节，其目的是将多次(多个视场)扫描的点云精确地统一到同一坐标系。目前常用的点云拼接方法有三类：点云相似性拼接、标志点拼接、精度控制场拼接。
点云特征相似性拼接方法利用相邻视场点云重叠部分的几何拓扑结构相似性实现拼接，其优点在于无需在被测物表面布设标志点，在实际使用中具有方便、灵活的特点。但是其缺点在于拼接精度差，无法适用于精密测量应用，常用于对拼接精度要求不高的建筑、文物、家居家装、消费品等三维展示和逆向设计应用。
标志点拼接和精度控制场拼接是高精度测量常用的点云拼接方法，常应用于汽车、航空、航天等高端制造领域的精密测量。标志点拼接方法通过在被测物表面布设标志点，在扫描点云的同时精确测量出标志点的三维坐标，利用标志点间的刚体不变性计算相邻视场点云所在坐标系的旋转和平移关系，实现点云拼接。其拼接精度由标志点的测量精度保证，因而可实现高精度拼接，是精密测量领域常用的拼接方法。然而，采用标志点拼接方法，多个视场的点云必须通过两两逐次拼接方式实现，且要求相邻视场必须具有3个以上公共的标志点，不仅需要在被测物表面布设大量的标志点，而且逐次拼接过程中误差会随着拼接过程逐次累计。例如，共有5个视场的点云，其拼接顺序为：点云1与点云2，点云2与点云3，点云3与点云4，点云4与点云5。若点云1与点云2在拼接误差，则点云2～点云5均会存在拼接误差。因此，标志点拼接方法仅适用于小型物体测量应用，无法用于大型物体精密测量。
控制场拼接方法与标志点拼接方法类似，也需要在被测物表面布设标志点。但是在扫描点云之前，需要用其他高精度测量系统(如摄影测量系统、激光跟踪仪、悬臂式三坐标等)预先精确测量标志点的三维坐标，全部标志点构成了精度控制场并建立全局坐标系，控制点云拼接精度。在扫描点云时同时测量出视场内标志点的三维坐标，同样利用标志点的在当前视场与精度控制场的刚体不变性，直接计算出当前视场所在坐标系与全局坐标系的旋转和平移关系，实现点云拼接。控制场拼接方法的显著优点在于拼接精度由精度控制场保证，多视场点云拼接不存在累计误差，是目前大型物体精密测量最常用的点云拼接方法。但是，精度控制场拼接方法要求每个视场有3个以上标志点，对于大型复杂物体而言，需要布设标志点数量较多，实际使用时不仅工作量大，而且灵活性差、操作不方便。
发明内容
为了解决上述技术问题，本发明提供一种基于精度控制场和点云特征相似性的点云拼接方法，其以精度控制场为基础，利用点云特征相似性作为补充信息参与点云拼接，不仅保留了精度控制场拼接方法高精度的优势，而且解除了每个视场内必须有3个以上标志点的限制，提高了大型复杂物体点云拼接的实用性、灵活性与效率。
本发明的技术方案如下：
一种基于精度控制场和点云特征相似性的点云拼接方法，包括如下步骤：
1)、基准测量系统采集预先布置在被测物表面及工位的各个标志点坐标，构建精度控制场、全局坐标系，记各个标志点在全局坐标系中的三维坐标为基准三维坐标；
2)、利用三维扫描传感器在初始位姿获取被测物点云，记为点集A；
所述三维扫描传感器在初始位姿采集的图像中至少包含3个标志点；
根据被采集的标志点信息解算初始位姿时三维扫描传感器坐标系与全局坐标系之间的初始转换关系；将所述点集A转换到全局坐标系，记为源点集；
3)、将三维扫描传感器移动至下一个测量位姿，其采集到的图像中包含1或2个标志点，记为对照点；将此测量位姿下三维扫描传感器采集到的点云记为目标点集；
利用如下步骤实现目标点集与源点集的点云拼接：
步骤①、分别求取源点集和目标点集的质心，平移目标点集，使得两个质心重合，将得出的平移矩阵与单位旋转矩阵组合，获得初始的转换关系RT0；
步骤②、利用转换关系RT0对所述目标点集进行平移旋转，得到第一点集；求取源点集与第一点集的重叠区域，基于点云相似性，利用重叠区域中的各点解算目标点集与全局坐标系之间的转换关系RT1；
步骤③、利用RT1和每个对照点的像素坐标建立共线约束直线，得到每个对照点在精度控制场中的直线；
在精度控制场中，分别查找距离每条直线最近的至少3个标志点，将其作为各自对照点对应候选同名点；
对候选同名点排序；将排序第一的候选同名点记为点B；
步骤④、将RT1作为初始值，并利用点B的基准三维坐标、对照点的像素坐标、重叠区域的源点集与目标点集信息，构造由精度控制场和点云相似性共同约束的目标函数，利用最优化算法求解所述目标函数，得到RT2与残差值；
步骤⑤、若残差值满足预设条件，则利用转换关系RT2进行点云拼接，进行步骤4)，反之，将下一排序的候选同名点记为点B，跳转回步骤④；
若遍历完所有候选同名点，残差值均不满足预设条件，则利用得出残差值最小的转换关系RT2进行点云拼接，进行步骤4)；
4)、将完成点云拼接后的点云作为新的源点集，重复步骤3)，完成对待测物的整体扫描。
进一步，步骤②具体为：
I、利用转换关系RT0对所述目标点集进行平移旋转，得到第一点集；利用kd-tree方法对源点集和所述第一点集进行邻近点搜索，获取两者之间的重叠区域；
将重叠区域在源点集中对应的点记为Pi，在目标点集中对应的点记为Qi，i＝1,2,3……n，n表示重叠区域中点的总数；
II、利用点云相似性，将Pi、Qi进行配准，求取使误差函数E(R,T)最小时对应的转换关系RT：
利用所述转换关系RT对Qi进行旋转平移，得到Q’i；
III、计算Q’i与Pi中各点之间的平均距离
若平均距离d大于等于预设阈值，则将步骤II得出的转换关系RT记为RT0，跳转回步骤I，迭代次数加1；
若平均距离d小于预设阈值或者迭代次数大于预设值，则将步骤II得出的转换关系RT记为转换关系RT1。
进一步，步骤④具体为：
构造目标函数：
其中，M表示惩罚因子，为预设值，k为对照点数量，k＝1或2，mj表示第j个对照点的像素坐标；Bj表示第j对照点所对应的点B的基准三维坐标，C表示相机参数，通过标定获得；f(Bj,C,R,T)表示利用Bj、C和当前RT建立的共线方程；
Pi表示重叠区域在源点集中对应的点，Qi表示重叠区域在目标点集中对应的点，i＝1,2,3……n，n表示重叠区域中点的总数；
利用最优化方法求解所述目标函数，将RT1作为初始值，最终优化出的RT记为RT2，并得出残差值D(R,T)。
优选，最优化方法为Levenberg-Marquardt算法或者高斯迭代法。
进一步，M大于108。
优选，步骤③中，按照与所述直线的距离由小到大的规则，对所述候选同名点进行排序。
进一步，若对照点数量为2个，在步骤③中，分别利用RT1和单个对照点的像素坐标建立共线约束直线，得到每个对照点在精度控制场中的直线；
在精度控制场中，分别查找距离该直线最近的3个标志点作为候选同名点；
记：第一个对照点的3个候选同名点按距离由小到大记为M11、M12、M13，第二个对照点的3个候选同名点按距离由小到大记为M21、M22、M23；
对两个对照点的候选同名点进行组合排序，遍历次序如下：(M11,M21)，(M12,M21)，(M11,M22)，(M13,M21)，(M12,M22)，(M11,M23)，(M13,M22)，(M12,M23)，(M13,M23)。
进一步，步骤2)根据标志点的像素坐标与基准三维坐标建立共线方程，解算初始位姿时三维扫描传感器坐标系与全局坐标系之间的初始转换关系。
本发明方法，除首个拍摄位姿外，在其他位姿处相机视场内仅需1-2个标志点；采用本方法检测大型复杂物体时，可减少50-60％标志点的数量，减少约40％的调试时间(例如测车身，贴点准备时间可从90min降低为45min；拍摄时间可从40min降低为30min)。本方案优化了现有拼接过程，解除了每个视场内必须有3个以上标志点的限制，保证了点云拼接精度，减少了数据计算量；提高了大型复杂物体点云拼接的实用性、灵活性与效率。
具体实施方式
以下通过具体实施方式对本发明的技术方案进行详细描述：
一种基于精度控制场和点云特征相似性的点云拼接方法，包括如下步骤：
1)、基准测量系统采集预先布置在被测物表面及工位的各个标志点坐标，构建精度控制场、全局坐标系，记各个标志点在全局坐标系中的三维坐标为基准三维坐标；
2)、利用三维扫描传感器在初始位姿获取被测物点云，记为点集A；
三维扫描传感器在初始位姿采集的图像中至少包含3个标志点；
根据被采集的标志点信息解算初始位姿时三维扫描传感器坐标系与全局坐标系之间的初始转换关系；将点集A转换到全局坐标系，记为源点集；
3)、将三维扫描传感器移动至下一个测量位姿，其采集到的图像中包含1或2个标志点，记为对照点；将此测量位姿下三维扫描传感器采集到的点云记为目标点集；
利用如下步骤实现目标点集与源点集的点云拼接：
步骤①、分别求取源点集和目标点集的质心，平移目标点集，使得两个质心重合，将得出的平移矩阵与单位旋转矩阵组合，获得初始的转换关系RT0；
步骤②、利用转换关系RT0对目标点集进行平移旋转，得到第一点集；求取源点集与第一点集的重叠区域，基于点云相似性，利用重叠区域中的各点解算目标点集与全局坐标系之间的转换关系RT1；
步骤③、利用RT1和每个对照点的像素坐标建立共线约束直线，得到每个对照点在精度控制场中的直线；
在精度控制场中，分别查找距离每条直线最近的至少3个标志点，将其作为各自对照点对应候选同名点；
对候选同名点排序；将排序第一的候选同名点记为点B；
步骤④、将RT1作为初始值，并利用点B的基准三维坐标、对照点的像素坐标、重叠区域的源点集与目标点集信息，构造由精度控制场和点云相似性共同约束的目标函数，利用最优化算法求解目标函数，得到RT2与残差值；
步骤⑤、若残差值满足预设条件，则利用转换关系RT2进行点云拼接，进行步骤4)，反之，将下一排序的候选同名点记为点B，跳转回步骤④；
若遍历完所有候选同名点，残差值均不满足预设条件，则利用得出残差值最小的转换关系RT2进行点云拼接，进行步骤4)；
4)、将完成点云拼接后的点云作为新的源点集，重复步骤3)，完成对待测物的整体扫描。
其中，步骤②具体为：
I、利用转换关系RT0对目标点集进行平移旋转，得到第一点集；利用kd-tree方法对源点集和第一点集进行邻近点搜索，获取两者之间的重叠区域；本实施例中，kd-tree方法的搜索半径为2mm；
将重叠区域在源点集中对应的点记为Pi，在目标点集中对应的点记为Qi，i＝1,2,3……n，n表示重叠区域中点的总数；n≥3；
II、利用点云相似性，将Pi、Qi进行配准，求取使误差函数E(R,T)最小时对应的转换关系RT：
利用转换关系RT对Qi进行旋转平移，得到Q’i；
III、计算Q’i与Pi中各点之间的平均距离
若平均距离d大于等于预设阈值，则将步骤II得出的转换关系RT记为RT0，跳转回步骤I，迭代次数加1；
若平均距离d小于预设阈值或者迭代次数大于预设值(具体实施时，预设值设置为5～15次)，则将步骤II得出的转换关系RT记为转换关系RT1。
具体的，步骤2)根据标志点的像素坐标与基准三维坐标建立共线方程，解算三维扫描传感器坐标系与全局坐标系之间的初始转换关系。
共线方程如下：
其中，
(xp，yp)为标志点的像素坐标；
Δx，Δy为相机内成像误差，通过相机标定获得；
(XP，YP，ZP)为空间中标志点的基准三维坐标；
(X0，Y0，Z0)为相机坐标系原点在全局坐标系中的坐标；
f为相机焦距。
三个标志点对应可以列出六个共线方程，求解该共线方程组即可结算出相机位姿，得到初始转换关系。
步骤④具体为：
构造目标函数：
其中，M表示惩罚因子，为预设值，k为对照点数量，k＝1或2，mj表示第j个对照点的像素坐标；Bj表示第j对照点所对应的点B的基准三维坐标，C表示相机参数，通过标定获得；f(Bj,C,R,T)表示利用Bj、C和当前RT建立的共线方程；
Pi表示重叠区域在源点集中对应的点，Qi表示重叠区域在目标点集中对应的点，i＝1,2,3……n，n表示重叠区域中点的总数；
利用最优化方法求解目标函数，将RT1作为初始值，最终优化出的RT记为RT2，并得出残差值D(R,T)。
更具体的，f(Bj,C,R,T)表示利用Bj、C和当前RT建立的共线方程；
相机参数C包括：f为相机焦距，Δx，Δy为相机内成像误差，通过相机标定获得；
具体如下：
其中，(X′P，Y′P，Z′P)为Bj的基准三维坐标；(x′p，y′p)为Bj对应的的像素坐标；(X0，Y0，Z0)为相机坐标系原点在全局坐标系中的坐标。
具体实施时，最优化方法为Levenberg-Marquardt算法或者高斯迭代法；惩罚因子M大于108。
其中，作为一种优选的实施方式，在步骤③中，按照与直线的距离由小到大的规则，对候选同名点进行排序。
若对照点数量为2个，则在步骤③中，分别利用RT1和单个对照点的像素坐标建立共线约束直线，得到每个对照点在精度控制场中的直线；
在精度控制场中，分别查找距离该直线最近的3个标志点作为候选同名点；
记：第一个对照点的3个候选同名点按距离由小到大记为M11、M12、M13，第二个对照点的3个候选同名点按距离由小到大记为M21、M22、M23；
对两个对照点的候选同名点进行组合排序，遍历次序如下：(M11,M21)，(M12,M21)，(M11,M22)，(M13,M21)，(M12,M22)，(M11,M23)，(M13,M22)，(M12,M23)，(M13,M23)。
具体实施时，也可以在精度控制场中，分别查找距离该直线最近的4个标志点作为候选同名点；
记：第一个对照点的4个候选同名点按距离由小到大记为M11、M12、M13、M14，第二个对照点的4个候选同名点按距离由小到大记为M21、M22、M23、M14；
对两个对照点的候选同名点进行组合排序，遍历次序如下：(M11,M21)，(M12,M21)，(M11,M22)，(M13,M21)，(M12,M22)，(M11,M23)，(M14,M21)，(M13,M22)，(M12,M23)，(M11,M24)，(M14,M22)，(M13,M23)，(M12,M24)，(M14,M23)，(M13,M24)(M14,M24)。
上述对候选同名点的排序方法能够更快速的优化、迭代出RT2，加快计算速度。
前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的，也不是想要把本发明限制为所公开的精确形式，显然，根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。

Claims (8)

1.一种基于精度控制场和点云特征相似性的点云拼接方法，其特征在于，包括如下步骤：
1)、基准测量系统采集预先布置在被测物表面及工位的各个标志点坐标，构建精度控制场、全局坐标系，记各个标志点在全局坐标系中的三维坐标为基准三维坐标；
2)、利用三维扫描传感器在初始位姿获取被测物点云，记为点集A；
所述三维扫描传感器在初始位姿采集的图像中至少包含3个标志点；
根据被采集的标志点信息解算初始位姿时三维扫描传感器坐标系与全局坐标系之间的初始转换关系；将所述点集A转换到全局坐标系，记为源点集；
3)、将三维扫描传感器移动至下一个测量位姿，其采集到的图像中包含1或2个标志点，记为对照点；将此测量位姿下三维扫描传感器采集到的点云记为目标点集；
利用如下步骤实现目标点集与源点集的点云拼接：
步骤①、分别求取源点集和目标点集的质心，平移目标点集，使得两个质心重合，将得出的平移矩阵与单位旋转矩阵组合，获得初始的转换关系RT0；
步骤②、利用转换关系RT0对所述目标点集进行平移旋转，得到第一点集；求取源点集与第一点集的重叠区域，基于点云相似性，利用重叠区域中的各点解算目标点集与全局坐标系之间的转换关系RT1；
步骤③、利用RT1和每个对照点的像素坐标建立共线约束直线，得到每个对照点在精度控制场中的直线；
在精度控制场中，分别查找距离每条直线最近的至少3个标志点，将其作为各自对照点对应候选同名点；
对候选同名点排序；将排序第一的候选同名点记为点B；
步骤④、将RT1作为初始值，并利用点B的基准三维坐标、对照点的像素坐标、重叠区域的源点集与目标点集信息，构造由精度控制场和点云相似性共同约束的目标函数，利用最优化算法求解所述目标函数，得到RT2与残差值；
步骤⑤、若残差值满足预设条件，则利用转换关系RT2进行点云拼接，进行步骤4)，反之，将下一排序的候选同名点记为点B，跳转回步骤④；
若遍历完所有候选同名点，残差值均不满足预设条件，则利用得出残差值最小的转换关系RT2进行点云拼接，进行步骤4)；
4)、将完成点云拼接后的点云作为新的源点集，重复步骤3)，完成对待测物的整体扫描。
2.如权利要求1所述基于精度控制场和点云特征相似性的点云拼接方法，其特征在于：步骤②具体为：
I、利用转换关系RT0对所述目标点集进行平移旋转，得到第一点集；利用kd-tree方法对源点集和所述第一点集进行邻近点搜索，获取两者之间的重叠区域；
将重叠区域在源点集中对应的点记为Pi，在目标点集中对应的点记为Qi，i＝1,2,3……n，n表示重叠区域中点的总数；
II、利用点云相似性，将Pi、Qi进行配准，求取使误差函数E(R,T)最小时对应的转换关系RT：
利用所述转换关系RT对Qi进行旋转平移，得到Q’i；
III、计算Q’i与Pi中各点之间的平均距离
若平均距离d大于等于预设阈值，则将步骤II得出的转换关系RT记为RT0，跳转回步骤I，迭代次数加1；
若平均距离d小于预设阈值或者迭代次数大于预设值，则将步骤II得出的转换关系RT记为转换关系RT1。
3.如权利要求1所述基于精度控制场和点云特征相似性的点云拼接方法，其特征在于：步骤④具体为：
构造目标函数：
其中，M表示惩罚因子，为预设值，k为对照点数量，k＝1或2，mj表示第j个对照点的像素坐标；Bj表示第j对照点所对应的点B的基准三维坐标，C表示相机参数，通过标定获得；f(Bj,C,R,T)表示利用Bj、C和当前RT建立的共线方程；
Pi表示重叠区域在源点集中对应的点，Qi表示重叠区域在目标点集中对应的点，i＝1,2,3……n，n表示重叠区域中点的总数；
利用最优化方法求解所述目标函数，将RT1作为初始值，最终优化出的RT记为RT2，并得出残差值D(R,T)。
4.如权利要求3所述基于精度控制场和点云特征相似性的点云拼接方法，其特征在于：最优化方法为Levenberg-Marquardt算法或者高斯迭代法。
5.如权利要求3所述基于精度控制场和点云特征相似性的点云拼接方法，其特征在于：M大于108。
6.如权利要求1所述基于精度控制场和点云特征相似性的点云拼接方法，其特征在于：步骤③中，按照与所述直线的距离由小到大的规则，对所述候选同名点进行排序。
7.如权利要求1或6所述基于精度控制场和点云特征相似性的点云拼接方法，其特征在于：
若对照点数量为2个，在步骤③中，分别利用RT1和单个对照点的像素坐标建立共线约束直线，得到每个对照点在精度控制场中的直线；
在精度控制场中，分别查找距离该直线最近的3个标志点作为候选同名点；
记：第一个对照点的3个候选同名点按距离由小到大记为M11、M12、M13，第二个对照点的3个候选同名点按距离由小到大记为M21、M22、M23；
对两个对照点的候选同名点进行组合排序，遍历次序如下：(M11,M21)，(M12,M21)，(M11,M22)，(M13,M21)，(M12,M22)，(M11,M23)，(M13,M22)，(M12,M23)，(M13,M23)。
8.如权利要求1所述基于精度控制场和点云特征相似性的点云拼接方法，其特征在于：步骤2)根据标志点的像素坐标与基准三维坐标建立共线方程，解算初始位姿时三维扫描传感器坐标系与全局坐标系之间的初始转换关系。
CN202110948052.1A 2021-08-18 2021-08-18 一种基于精度控制场和点云特征相似性的点云拼接方法 Active CN113592961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110948052.1A CN113592961B (zh) 2021-08-18 2021-08-18 一种基于精度控制场和点云特征相似性的点云拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110948052.1A CN113592961B (zh) 2021-08-18 2021-08-18 一种基于精度控制场和点云特征相似性的点云拼接方法

Publications (2)

Publication Number Publication Date
CN113592961A CN113592961A (zh) 2021-11-02
CN113592961B true CN113592961B (zh) 2023-08-01

Family

ID=78238452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110948052.1A Active CN113592961B (zh) 2021-08-18 2021-08-18 一种基于精度控制场和点云特征相似性的点云拼接方法

Country Status (1)

Country Link
CN (1) CN113592961B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279326B (zh) * 2021-12-22 2024-05-28 易思维（天津）科技有限公司 一种三维扫描设备的全局定位方法
CN114820604B (zh) * 2022-06-27 2022-09-09 四川大学 基于最邻近点距离损失的叶片型线数据拼接方法及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232319A (zh) * 2020-12-14 2021-01-15 成都飞机工业（集团）有限责任公司 一种基于单目视觉定位的扫描拼接方法
WO2021088481A1 (zh) * 2019-11-08 2021-05-14 南京理工大学 一种基于条纹投影的高精度动态实时360度全方位点云获取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021088481A1 (zh) * 2019-11-08 2021-05-14 南京理工大学 一种基于条纹投影的高精度动态实时360度全方位点云获取方法
CN112232319A (zh) * 2020-12-14 2021-01-15 成都飞机工业（集团）有限责任公司 一种基于单目视觉定位的扫描拼接方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动测量系统的多传感器数据融合与定姿技术;魏笑辰;《cnki硕士电子期刊》;全文 *

Also Published As

Publication number Publication date
CN113592961A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN108012325B (zh) 一种基于uwb和双目视觉的导航定位方法
CN113592961B (zh) 一种基于精度控制场和点云特征相似性的点云拼接方法
CN109341668B (zh) 基于折射投影模型和光束追踪法的多相机测量方法
CN102072725A (zh) 一种基于激光点云和实景影像进行空间三维测量的方法
Ganci et al. Automation in videogrammetry
US20100104216A1 (en) Combining feature boundaries
CN113538410A (zh) 一种基于3d激光雷达和uwb的室内slam建图方法
CN111754462A (zh) 一种三维弯管的视觉检测方法及系统
CN112465732A (zh) 一种车载激光点云与序列全景影像的配准方法
CN112461122B (zh) 一种隧道表面特征检测装置及方法
CN113834625A (zh) 一种飞行器模型表面压力测量方法及系统
CN111932565A (zh) 一种多靶标识别跟踪解算方法
Jafarzadeh et al. Crowddriven: A new challenging dataset for outdoor visual localization
Knyaz et al. Joint geometric calibration of color and thermal cameras for synchronized multimodal dataset creating
CN112697044B (zh) 一种基于无人机平台的静态刚性物体视觉测量方法
CN116563377A (zh) 一种基于半球投影模型的火星岩石测量方法
CN111275770A (zh) 基于一维靶标旋转运动的四目立体视觉系统全局标定方法
CN116202487A (zh) 一种基于三维建模的实时目标姿态测量方法
CN114372916B (zh) 一种自动化点云拼接方法
CN112184906B (zh) 一种三维模型的构建方法及装置
Zhong et al. Deep Learning-Based UAV Aerial Triangulation without Image Control Points
Beinat et al. Automatic morphological pre-alignment and global hybrid registration of close range images
CN114782801B (zh) 一种基于机器学习的控制点自动布设方法及装置
CN115439469B (zh) 基于无人机的建筑缺陷检测方法、装置及电子设备
CN114511620B (zh) 一种基于Mask R-CNN的结构位移监测方法

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
CP01 Change in the name or title of a patent holder

Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051

Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd.

Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051

Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder