CN113706588A - 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 - Google Patents
基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 Download PDFInfo
- Publication number
- CN113706588A CN113706588A CN202110939133.5A CN202110939133A CN113706588A CN 113706588 A CN113706588 A CN 113706588A CN 202110939133 A CN202110939133 A CN 202110939133A CN 113706588 A CN113706588 A CN 113706588A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- algorithm
- registration
- calculating
- 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
- 238000005242 forging Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000009616 inductively coupled plasma Methods 0.000 claims abstract description 19
- 241000255588 Tephritidae Species 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 16
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,该方法包括:获得环形锻件不同角度的点云数据;基于多种群果蝇算法,对不同角度的点云数据提取点云重叠区域;基于改进Harris角点检测算法,对点云重叠区域提取点云的特征角点集合;基于四点快速鲁棒匹配算法,对特征点集合进行点云初始配准,得到初始点云配准结果;基于ICP最近迭代算法,对初始配准结果进行点云精确配准。本发明可直接作用在含有大量噪声的不同角度点云上,并配准出精度较高的环形锻件点云模型。
Description
技术领域
本发明属于计算机图形处理技术领域,特别是一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法。
背景技术
工业上使用的环形锻件是重大机械装备的重要组成部分,大多数采用贵重的合金高温轧制而成,但受到环形锻件设备和复杂锻造环境的限制,锻件表面完整测量数据的获得往往需要通过多次测量完成,而由于每次测量得到的点云数据往往只覆盖物体部分表面,且可能出现平移错位和旋转错位的现象。因此,为获取物体完整表面的点云数据,需要对这些局部点云数据进行整合和配准。
国内外在环形锻件基于全局的点云配准算法主要有以下四种:采样一致性算法、正态分布变换、最近迭代算法、四点快速鲁棒匹配算法。但这些方法对点云初始位置要求均较高,否则容易陷入局部最优,且存在收敛速度较慢的问题。因此,寻求一种在含有大量噪声的点云且初始位置较差的情况下精确配准环形锻件不同角度的点云技术是个难点问题,但又是十分迫切且必要的。
发明内容
本发明针对上述现有技术中的缺陷,提出一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法。该方法包括获得环形锻件不同角度的点云数据;基于多种群果蝇算法,对不同角度的点云数据提取点云重叠区域;基于改进Harris角点检测算法,对点云重叠区域提取点云的特征角点集合;基于四点快速鲁棒匹配算法,对特征点集合进行点云初始配准,得到初始点云配准结果;基于ICP最近迭代算法,对初始配准结果进行点云精确配准。本发明可直接作用在含有大量噪声的不同角度点云上,并配准出精度较高的环形锻件点云模型。
本发明提供一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,所述方法包括以下步骤:
S1、获得环形锻件不同角度的点云数据;
S2、基于多种群果蝇算法,对不同角度的点云数据提取点云重叠区域,所述步骤S2具体包括以下步骤:
S21、利用正平行投影实现环形锻件不同角度的点云数据的三维坐标向二维坐标的投影,同时保证点与点之间的角度关系;
S22、将点云数据进行网格化,计算网格内点云数据的中心点(x,y);
S23、设网格内共有n个数据点,用中心点搜索代替数据的半径搜索,以中心点为坐标索引,计算每个索引对应的点与目标点(xi,yi)的欧氏距离d:
当源点云P中点pm1和目标点云Q中点qn1距离小于设定阈值时认定该点为重叠点:
d=min[pm1-qn1] (2);
S24、在网格区域自适应引入多种群果蝇算法,基于多种群果蝇算法进行点云重叠区域寻优;
S3、基于改进Harris角点检测算法,对点云重叠区域提取点云的特征角点集合,所述步骤S3具体包括以下步骤:
S31、计算点云的Harris响应值R;
S32、以点云密度的方差的立方作为点云的角点响应阈值σ:
S33、若Harris响应值R大于角点响应阈值σ,同时R为局部极大值,则判断所述角点为特征角点,并由此对点云重叠区域提取点云的特征角点集合;
S4、基于四点快速鲁棒匹配算法,对特征点集合进行点云初始配准,得到初始点云配准结果;
S5、基于ICP最近迭代算法,对初始配准结果进行点云精确配准:在初始配准点云中找出与目标点云的对应的最近点,组成对应点对,计算两组点集的质心,再基于ICP最近迭代算法对初始配准结果进行点云精确配准。
进一步,所述步骤S4具体包括以下步骤:
S41、从源点云P选取基础4点共面集合B,在目标点云Q中寻找所有与B近似全等的4点集合U;
S42、计算集合B与U之间的刚性变换,并将整个变换用到整个源点云上,找到其中配准点数最多的变换矩阵,即为所求的最佳变换。
优选的,所述步骤S5具体包括以下步骤:
S51、确定对应点对:在锻件源点云P中找出目标点云Q对应的最近点,组成对应点对;
其中:Np表示锻件源点云P的点数;Nq表示目标点云Q的点数;pi表示锻件源点云P的点的坐标;qi表示目标点云Q的点的坐标;
S53、计算锻件源点云P和目标点云Q的协方差矩阵CovPQ:
S54、根据CovPQ构建一个矩阵E(CovPQ):
其中:tr(CovPQ)表示CovPQ的迹,Δ=[A23,A31,A12]T,Aij=(CovPQ-CovPQ T)ij;
S55、计算最佳旋转向量:
qR=[q0,q1,q2,q3]T (17)
其中:qR表示矩阵最大特征值对应的特征向量;q0~3表示特征向量值,均为常数;
S56、计算最佳平移向量:
其中,R(qR)表示转换矩阵,且有
S57、对锻件源点云P应用求得的平移和旋转参数,得到对应的变换点集;
S58、设定平均距离误差阈值,当变换点集与参考点集的距离误差小于设定阈值时,迭代运算结束;否则重新从步骤S51进行迭代。
优选的,所述步骤S24具体包括以下步骤:
S241、多种群果蝇算法的初始化种群:
Xi=X_axis_i+RandomValue (3)
Yi=Y_axis_i+RandomValue (4)
其中:Xi、Yi表示果蝇种群初始位置,i={1,2,3,4,5};RandomValue表示随机搜索距离;X_axis_i、Y_axis_i表示果蝇种群位置;
S242、进行重叠点的寻优,采用评分机制进行最优点的评价,将每个网格得到的重叠点,进行记录,每增加一个重叠点,该网格得分增加一分,最后求出各个网格中的最高得分,记为当前最优点;
S243、找到局部最优点后,果蝇利用视觉向该位置靠近,不断迭代;
S244、达到迭代次数或者小于设定阈值,算法停止迭代,输出点云重叠区域。
优选的,所述步骤S31具体包括以下步骤:
S311、在三维点云空间中,建立以点P为中心点、以n0为半径的搜索空间,并对该区域内所有的点进行主成分分析,最后利用最小二乘法进行曲面拟合,即:
其中:p1~6表示曲面拟合参数,均为常数;
S312、根据张量矩阵M的求解公式,计算z对x和对y的偏导数,将其作为图像强度I,并在该区域内利用正态分布函数求出张量矩阵M中的各个元素:
S313、计算A、B、C的积分:
C=p4p5+2p1p2+2p2p3 (11);
S314、计算Harris响应值R:
其中:E表示单位矩阵;k表示可调节参数。
与现有技术相比,本发明的技术效果为:
1、本发明设计的一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,针对激光扫描到的含有大量噪声的环形锻件不同角度的点云,可以直接作用在点云上并配准出精度较高的环形锻件点云模型。
2、本发明设计的一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,在传统基于四点快速鲁棒匹配算法的基础上,配合ICP最近迭代算法,先获取初始配准结果,再进行点云精确配准的策略,弥补了对点云初始位置要求较高的缺陷,提升了点云配准精度和效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1是本发明的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法的流程图;
图2是本发明的三阶环形锻件实物图;
图3是本发明的三阶环形锻件不同角度的点云图;
图4是本发明的多种群果蝇算法点云重叠区域提取图;
图5是本发明的三阶环形锻件Harris提取点云特征图;
图6是本发明的三阶环形锻件点云四点快速鲁棒初始配准图;
图7是本发明的三阶环形锻件点云ICP精确配准图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,该方法包括以下步骤:
S1、获得环形锻件不同角度的点云数据。
S2、基于多种群果蝇算法,对不同角度的点云数据提取点云重叠区域。
S21、利用正平行投影实现环形锻件不同角度的点云数据的三维坐标向二维坐标的投影,同时保证点与点之间的角度关系。
S22、将点云数据进行网格化,计算网格内点云数据的中心点(x,y)。
S23、设网格内共有n个数据点,用中心点搜索代替数据的半径搜索,以中心点为坐标索引,计算每个索引对应的点与目标点(xi,yi)的欧氏距离d:
当源点云P中点pm1和目标点云Q中点qn1距离小于设定阈值时认定该点为重叠点:
d=min[pm1-qn1] (2)。
S24、在网格区域自适应引入多种群果蝇算法,基于多种群果蝇算法进行点云重叠区域寻优。
S241、多种群果蝇算法的初始化种群:
Xi=X_axis_i+RandomValue (3)
Yi=Y_axis_i+RandomValue (4)
其中:Xi、Yi表示果蝇种群初始位置,i={1,2,3,4,5};RandomValue表示随机搜索距离;X_axis_i、Y_axis_i表示果蝇种群位置。
S242、进行重叠点的寻优,采用评分机制进行最优点的评价,将每个网格得到的重叠点,进行记录,每增加一个重叠点,该网格得分增加一分,最后求出各个网格中的最高得分,记为当前最优点。
S243、找到局部最优点后,果蝇利用视觉向该位置靠近,不断迭代。
S244、达到迭代次数或者小于设定阈值,算法停止迭代,输出点云重叠区域。
三阶环形锻件实物图如图2所示,三阶环形锻件不同角度点云如图3所示。多种群果蝇算法点云重叠区域提取如图4所示。
S3、基于改进Harris角点检测算法,对点云重叠区域提取点云的特征角点集合。
S31、计算点云的Harris响应值R。
S311、在三维点云空间中,建立以点P为中心点、以n0为半径的搜索空间,并对该区域内所有的点进行主成分分析,最后利用最小二乘法进行曲面拟合,即:
其中:p1~6表示曲面拟合参数,均为常数。
S312、根据张量矩阵M的求解公式,计算z对x和对y的偏导数,将其作为图像强度I,并在该区域内利用正态分布函数求出张量矩阵M中的各个元素:
S313、计算A、B、C的积分:
C=p4p5+2p1p2+2p2p3 (11)。
S314、计算Harris响应值R:
其中:E表示单位矩阵;k表示可调节参数。
S32、利用点云密度能很好的反映出点云分布变化,以点云密度的方差的立方作为点云的角点响应阈值,使其具有自适应性,不用人工设置阈值即可得到点云的角点,能够加快角点提取的速度,角点响应阈值σ为:
S33、若Harris响应值R大于角点响应阈值σ,同时R为局部极大值,则判断该点为特征角点,并由此对点云重叠区域提取点云的特征角点集合。三阶环形锻件Harris提取点云特征图如图5所示。
S4、基于四点快速鲁棒匹配算法,对特征点集合进行点云初始配准,得到初始点云配准结果。
S41、从源点云P选取基础4点共面集合B,在目标点云Q中寻找所有与B近似全等的4点集合U。
S42、计算集合B与U之间的刚性变换,并将整个变换用到整个源点云上,找到其中配准点数最多的变换矩阵,即为所求的最佳变换。环形锻件初始配准结果如图6所示。
S5、基于ICP算法,对初始配准结果进行点云精确配准:在初始配准点云中找出与目标点云的对应的最近点,组成对应点对,计算两组点集的质心,再基于ICP算法对初始配准结果进行点云精确配准。
S51、确定对应点对:在锻件源点云P中找出目标点云Q对应的最近点,组成对应点对。
其中:Np表示锻件源点云P的点数;Nq表示目标点云Q的点数;pi表示锻件源点云P的点的坐标;qi表示目标点云Q的点的坐标。
S53、计算锻件源点云P和目标点云Q的协方差矩阵CovPQ:
S54、根据CovPQ构建一个矩阵E(CovPQ):
其中:tr(CovPQ)表示CovPQ的迹,Δ=[A23,A31,A12]T,Aij=(CovPQ-CovPQ T)ij。
S55、计算最佳旋转向量:
qR=[q0,q1,q2,q3]T (17)
其中:qR表示矩阵最大特征值对应的特征向量;q0~3表示特征向量值,均为常数。
S56、计算最佳平移向量:
其中,R(qR)表示转换矩阵,且有
S57、对锻件源点云P应用求得的平移和旋转参数,得到对应的变换点集。
S58、设定平均距离误差阈值,当变换点集与参考点集的距离误差小于设定阈值时,迭代运算结束;否则重新从步骤S51进行迭代。环形锻件精配准效果如图7所示,环形锻件点云经过不同配准算法的误差精度对比数据如表1所示,多种群果蝇算法对于配准误差的影响如
表2所示。
表1
表2
本发明设计的一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,针对激光扫描到的含有大量噪声的环形锻件不同角度的点云,可直接作用在点云上并配准出精度较高的环形锻件点云模型;在传统基于四点快速鲁棒匹配算法的基础上,配合ICP最近迭代算法,先获取初始配准结果,再进行点云精确配准的策略,弥补了对点云初始位置要求较高的缺陷,提升了点云配准精度和效率。
最后所应说明的是:以上实施例仅以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,其特征在于,所述方法包括以下步骤:
S1、获得环形锻件不同角度的点云数据;
S2、基于多种群果蝇算法,对不同角度的点云数据提取点云重叠区域,所述步骤S2具体包括以下步骤:
S21、利用正平行投影实现环形锻件不同角度的点云数据的三维坐标向二维坐标的投影,同时保证点与点之间的角度关系;
S22、将点云数据进行网格化,计算网格内点云数据的中心点(x,y);
S23、设网格内共有n个数据点,用中心点搜索代替数据的半径搜索,以中心点为坐标索引,计算每个索引对应的点与目标点(xi,yi)的欧氏距离d:
当源点云P中点pm1和目标点云Q中点qn1距离小于设定阈值时认定该点为重叠点:
d=min[pm1-qn1] (2)
S24、在网格区域自适应引入多种群果蝇算法,基于多种群果蝇算法进行点云重叠区域寻优;
S3、基于改进Harris角点检测算法,对点云重叠区域提取点云的特征角点集合,所述步骤S3具体包括以下步骤:
S31、计算点云的Harris响应值R;
S32、以点云密度的方差的立方作为点云的角点响应阈值σ:
S33、若Harris响应值R大于角点响应阈值σ,同时R为局部极大值,则判断所述角点为特征角点,并由此对点云重叠区域提取点云的特征角点集合;
S4、基于四点快速鲁棒匹配算法,对特征点集合进行点云初始配准,得到初始点云配准结果;
S5、基于ICP最近迭代算法,对初始配准结果进行点云精确配准:在初始配准点云中找出与目标点云的对应的最近点,组成对应点对,计算两组点集的质心,再基于ICP最近迭代算法对初始配准结果进行点云精确配准。
2.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、从源点云P选取基础4点共面集合B,在目标点云Q中寻找所有与B近似全等的4点集合U;
S42、计算集合B与U之间的刚性变换,并将整个变换用到整个源点云上,找到其中配准点数最多的变换矩阵,即为所求的最佳变换。
3.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,其特征在于,所述步骤S5具体包括以下步骤:
S51、确定对应点对:在锻件源点云P中找出目标点云Q对应的最近点,组成对应点对;
其中:Np表示锻件源点云P的点数;Nq表示目标点云Q的点数;pi表示锻件源点云P的点的坐标;qi表示目标点云Q的点的坐标;
S53、计算锻件源点云P和目标点云Q的协方差矩阵CovPQ:
S54、根据CovPQ构建一个矩阵E(CovPQ):
其中:tr(CovPQ)表示CovPQ的迹,Δ=[A23,A31,A12]T,Aij=(CovPQ-CovPQ T)ij;
S55、计算最佳旋转向量:
qR=[q0,q1,q2,q3]T (17)
其中:qR表示矩阵最大特征值对应的特征向量;q0~3表示特征向量值,均为常数;
S56、计算最佳平移向量:
其中,R(qR)表示转换矩阵,且有
S57、对锻件源点云P应用求得的平移和旋转参数,得到对应的变换点集;
S58、设定平均距离误差阈值,当变换点集与参考点集的距离误差小于设定阈值时,迭代运算结束;否则重新从步骤S51进行迭代。
4.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,其特征在于,所述步骤S24具体包括以下步骤:
S241、多种群果蝇算法的初始化种群:
Xi=X_axis_i+RandomValue (3)
Yi=Y_axis_i+RandomValue (4)
其中:Xi、Yi表示果蝇种群初始位置,i={1,2,3,4,5};RandomValue表示随机搜索距离;X_axis_i、Y_axis_i表示果蝇种群位置;
S242、进行重叠点的寻优,采用评分机制进行最优点的评价,将每个网格得到的重叠点,进行记录,每增加一个重叠点,该网格得分增加一分,最后求出各个网格中的最高得分,记为当前最优点;
S243、找到局部最优点后,果蝇利用视觉向该位置靠近,不断迭代;
S244、达到迭代次数或者小于设定阈值,算法停止迭代,输出点云重叠区域。
5.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法,其特征在于,所述步骤S31具体包括以下步骤:
S311、在三维点云空间中,建立以点P为中心点、以n0为半径的搜索空间,并对该区域内所有的点进行主成分分析,最后利用最小二乘法进行曲面拟合,即:
其中:p1~6表示曲面拟合参数,均为常数;
S312、根据张量矩阵M的求解公式,计算z对x和对y的偏导数,将其作为图像强度I,并在该区域内利用正态分布函数求出张量矩阵M中的各个元素:
S313、计算A、B、C的积分:
C=p4p5+2p1p2+2p2p3 (11);
S314、计算Harris响应值R:
其中:E表示单位矩阵;k表示可调节参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110939133.5A CN113706588B (zh) | 2021-08-16 | 2021-08-16 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110939133.5A CN113706588B (zh) | 2021-08-16 | 2021-08-16 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706588A true CN113706588A (zh) | 2021-11-26 |
CN113706588B CN113706588B (zh) | 2023-09-22 |
Family
ID=78653124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110939133.5A Active CN113706588B (zh) | 2021-08-16 | 2021-08-16 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706588B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908519A (zh) * | 2023-02-24 | 2023-04-04 | 南京航空航天大学 | 一种大型复合材料构件三维测量配准误差控制方法 |
CN116342469A (zh) * | 2022-12-16 | 2023-06-27 | 河北环境工程学院 | 基于Ricci流和QEM算法的环形锻件激光测量点云数据优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236064A (zh) * | 2013-05-06 | 2013-08-07 | 东南大学 | 一种基于法向量的点云自动配准方法 |
CN110070567A (zh) * | 2019-04-28 | 2019-07-30 | 中铁七局集团有限公司 | 一种地面激光点云配准方法 |
CN111768490A (zh) * | 2020-05-14 | 2020-10-13 | 华南农业大学 | 基于迭代最近点与人工干预的植物三维建模方法及系统 |
CN112819869A (zh) * | 2021-01-22 | 2021-05-18 | 辽宁工程技术大学 | 一种基于IHarris-TICP算法的三维点云配准方法 |
-
2021
- 2021-08-16 CN CN202110939133.5A patent/CN113706588B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236064A (zh) * | 2013-05-06 | 2013-08-07 | 东南大学 | 一种基于法向量的点云自动配准方法 |
CN110070567A (zh) * | 2019-04-28 | 2019-07-30 | 中铁七局集团有限公司 | 一种地面激光点云配准方法 |
CN111768490A (zh) * | 2020-05-14 | 2020-10-13 | 华南农业大学 | 基于迭代最近点与人工干预的植物三维建模方法及系统 |
CN112819869A (zh) * | 2021-01-22 | 2021-05-18 | 辽宁工程技术大学 | 一种基于IHarris-TICP算法的三维点云配准方法 |
Non-Patent Citations (1)
Title |
---|
胡加涛;吴晓红;何小海;王正勇;龚剑;: "一种基于几何特征由粗到细点云配准算法", 科学技术与工程, no. 05 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342469A (zh) * | 2022-12-16 | 2023-06-27 | 河北环境工程学院 | 基于Ricci流和QEM算法的环形锻件激光测量点云数据优化方法 |
CN116342469B (zh) * | 2022-12-16 | 2023-10-27 | 河北环境工程学院 | 基于Ricci流和QEM算法的环形锻件激光测量点云数据优化方法 |
CN115908519A (zh) * | 2023-02-24 | 2023-04-04 | 南京航空航天大学 | 一种大型复合材料构件三维测量配准误差控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113706588B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767463B (zh) | 一种三维点云自动配准方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN106548462B (zh) | 基于薄板样条插值的非线性sar图像几何校正方法 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN108107444B (zh) | 基于激光数据的变电站异物识别方法 | |
CN109887015A (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN113450307A (zh) | 一种产品边缘缺陷检测方法 | |
CN107481284A (zh) | 目标物跟踪轨迹精度测量的方法、装置、终端及系统 | |
CN109993800A (zh) | 一种工件尺寸的检测方法、装置及存储介质 | |
CN107292869B (zh) | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN113706588A (zh) | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 | |
CN109211198B (zh) | 一种基于三目视觉的智能目标检测和测量系统和方法 | |
CN111429494B (zh) | 一种基于生物视觉的点云高精度自动配准方法 | |
CN109544612A (zh) | 基于特征点几何表面描述的点云配准方法 | |
Nguyen et al. | 3D scanning system for automatic high-resolution plant phenotyping | |
CN109147040B (zh) | 基于模板的人体点云孔洞修补方法 | |
CN110796694A (zh) | 一种基于KinectV2的果实三维点云实时获取方法 | |
CN107292925A (zh) | 基于Kinect深度相机测量方法 | |
CN111640158A (zh) | 基于对应掩模的端到端的摄像头与激光雷达外参标定方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN114663373A (zh) | 一种用于零件表面质量检测的点云配准方法及装置 | |
CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
CN110232694B (zh) | 一种红外偏振热像阈值分割方法 |
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 |