CN113763438B - 一种点云配准方法、装置、设备及存储介质 - Google Patents
一种点云配准方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113763438B CN113763438B CN202010601579.2A CN202010601579A CN113763438B CN 113763438 B CN113763438 B CN 113763438B CN 202010601579 A CN202010601579 A CN 202010601579A CN 113763438 B CN113763438 B CN 113763438B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- registered
- registration
- entity
- 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 64
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000007787 solid Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000136 cloud-point extraction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例公开了一种点云配准方法、装置、设备及存储介质，所述方法包括：获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据；基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据。本发明实施例提供的方法使得不同特点的点云数据能够以不同的配准方式进行配准，提高了点云数据的配准效率。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种点云配准方法、装置、设备及存储介质。
背景技术
近年来，基于点云的三维重建受到逆向工程、三维动画、计算机视觉等领域的广泛关注。受限于扫描仪本身的视野范围、扫描物体形状、扫描范围和遮挡等问题，对三维目标的扫描过程往往需要通过多个视角或基于多个位置多次进行，将多次扫描得到的点云数据进行配准，才能获得物理物体完整的点云模型。
在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：虽然现有点云配准方法较多，但大多侧重于小规模点云配准，并且待配准的两套点云具有刚体形变关系。但是在实际应用中，大多数街景点云都是大规模、非刚体和具有较大偏差的。因此，如果直接采用现有点云配准方法进行配准会导致局部重影，配准效果差。
发明内容
本发明实施例提供了一种点云配准方法、装置、设备及存储介质，以实现提高点云数据的配准效率。
第一方面，本发明实施例提供了一种点云配准方法，包括：
获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；
将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据：
基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据。
第二方面，本发明实施例还提供了一种点云配准装置，包括：
点云数据获取模块，用于获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；
点云数据分割模块，用于将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据：
点云数据配准模块，用于基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据。
第三方面，本发明实施例还提供了一种计算机设备，设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明任意实施例所提供的点云配准方法。
第四方面，本发明实施例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，该程序被处理器执行时实现如本发明任意实施例所提供的点云配准方法。
本发明实施例通过获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据：基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据，通过将点云数据分割为实体点云数据和背景点云数据，分别针对实体点云数据和背景点云数据进行独立配准，基于每个独立配准结果融合得到配准点云数据，使得不同特点的点云数据能够以不同的配准方式进行配准，提高了点云数据的配准效率。
附图说明
图1是本发明实施例一所提供的一种点云配准方法的流程图；
图2是本发明实施例二所提供的一种点云配准方法的流程图；
图3是本发明实施例三所提供的一种点云配准方法的流程图；
图4是本发明实施例四所提供的一种点云配准装置的结构示意图；
图5是本发明实施例五所提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一所提供的一种点云配准方法的流程图。本实施例可适用于对点云数据进行配准时的情形，尤其适用于对街景点云数据进行配准时的情形。该方法可以由点云配准装置执行，该点云配准装置可以采用软件和/或硬件的方式实现，例如，该点云配准装置可配置于计算机设备中。如图1所示，所述方法包括：
S110、获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的。
在本实施例中，三维点云配准是将不同时刻采集的同一场景下的点云配准起来。理论上说，每个时刻采集的点云都是建立在独立坐标系下，点云配准即将上述采集到的点云数据统一到同一个坐标系，从而使得不同点云数据中的同一场景点配准起来。基于此，可以获取不同时刻采集到的同一场景下的点云数据，基于不同时刻采集到的点云数据得到基准点云数据和待配准点云数据。可选的，可以对不同时刻采集到的点云数据进行粗配准，得到基准点云数据和待配准点云数据。
以街景点云数据的配准为例，为了使后续基准实体点云数据和待配准实体点云数据之间的配准更加精确，可以将采集到的两套点云数据分别作为基准点云数据和原始待配准数据，然后基于基准点云数据对原始待配准数据进行粗配准，得到待配准点云数据，基于基准点云数据和粗配准得到的待配准点云数据进行精细配准，得到配准结果。可以理解的是，若针对两套街景点云数据进行配准，则将两套街景点云数据中的一套点云数据作为基准点云数据，另一套点云数据作为待配准点云数据；若针对多套街景点云数据进行配准，则以一套点云数据作为基准点云数据，使用迭加方式将其他点云数据顺序拼合。
S120、将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据。
在本实施例中，考虑到点云数据中背景点云数据和实体点云数据的特征不同(如背景点云数据中包含的背景物体不会发生移动，而实体点云数据对应的物体可能会发生移动，或背景点云数据存在由于建图算法合成导致的非刚体形变等)将基准点云数据和待配准点云数据均分割为背景点云数据和实体点云数据进行独立配准。具体的，将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据，以将基准背景点云数据和待配准背景点云数据进行配准，将基准实体点云数据和待配准实体点云数据进行配准。
以基准点云数据分割为例，可以通过语义分割算法对基准点云数据进行实例分割，提取出独立的树木、车辆、行人等前景物体，作为基准实体点云数据，提取出地面、墙面等大面积静态物体，作为基准背景点云数据。可选的，待配准点云数据的分割可参见上述基准点云数据的分割方式。示例性的，语义分割算法可以为点云的实例和语义关联分割方法(2019 CVPR Associatively Segmenting Instances and Semantics in Point Clouds)。
S130、基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据。
在本实施例中，将实例物体和背景场景独立配准，然后将实例物体的配准结果和背景场景的配准结果融合，得到完整的配准结果。将实例物体和背景场景独立配准保证了各个实例和背景之间互不干扰，最大程度上保证了每一部分的准确配准。
在本发明的一种实施方式中，基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，包括：通过点云角点提取方法提取出基准背景点云数据中的基准背景点云角点和待配准背景点云数据中的待配准背景点云角点；提取基准背景点云角点的基准点云特征以及待配准背景点云角点的待配准点云特征；根据基准点云特征和待配准点云特征得到待配准背景点云数据对应的全局形变参数，并基于全局形变参数对待配准背景点云数据进行配准，得到配准背景点云数据。可选的，可以先对待配准背景点云数据进行粗配准，然后根据粗配准结果进行精细配准，得到配准背景点云数据。可以理解的是，对待配准背景点云数据进行粗配准时，需要获取待配准背景点云数据的全局形变参数，基于全局形变参数对待配准背景点云数据进行全局粗配准。其中，待配准背景点云数据的全局形变参数可以基于基准背景点云数据的基准背景点云角点和待配准背景点云数据中的待配准背景点云角点计算得到。
示例性的，首先采用点云角点提取方法(包括但不限于2018 Arxiv Edge andCorner Detection for Unorganized 3D Point Clouds with Application to RoboticWelding)分别提取出基准背景点云数据中的基准背景点云角点和待配准背景点云数据中的待配准背景点云角点，然后采用点云特征提取方法(包括但不限于2017 CVPR PointNet)分别提取出基准背景点云角点的基准点云特征以及待配准背景点云角点的待配准点云特征，最后采用随机样本共识算法(Random Sample Consensus，RANSAC)通过基准背景点云角点、待配准背景点云角点、基准点云特征和待配准点云特征过滤掉一些非匹配角点，并估计出待配准背景点云数据对应的全局形变参数，基于全局形变参数对待配准背景点云数据进行配准，得到配准背景点云数据。其中，全局形变参数为一个9参数的透视变换。
在本发明的一种实施方式中，基于全局形变参数对待配准背景点云数据进行配准，得到配准背景点云数据，包括：基于全局形变参数对待配准背景点云数据进行全局粗配准，得到粗配准背景点云数据；将粗配准点云数据进行切分，得到至少一个粗配准点云簇，并确定每个粗配准点云簇对应的非刚体形变参数；针对每个粗配准点云簇，基于粗配准点云簇对应的非刚体形变参数对粗配准点云簇进行配准，得到配准点云簇，基于每个粗配准点云簇对应的配准点云簇得到配准背景点云数据。可选的，对待配准背景点云数据进行粗配准再细配准可具体化为：根据全局形变参数调整待配准背景点云数据的数据坐标(即进行全局粗配准)，得到粗配准背景点云数据；将粗配准点云数据进行切分，得到多个粗配准点云簇，对每个粗配准点云簇进行独立配准，再将每个粗配准点云簇的配准结果融合，得到配准背景点云数据。
示例性的，可以通过均匀网络切分、超体素切分(如2013 CVPR Voxel CloudConnectivity Segmentation)等切分方法将粗配准点云数据切分成一个个粗配准点云簇；然后针对每个粗配准点云簇独立估计一个非刚体形变，基于粗配准点云簇对应的非刚体形变对该粗配准点云簇进行配准，得到各粗配准点云簇对应的配准点云簇，将所有配准点云簇融合得到配准背景点云数据。其中，粗配准点云簇对应的非刚体形变可通过估计。其中，/>为H3D的行展开方式，H3D为待配准点云数据对应的全局形变参数；/>为角点匹配对(每个角点匹配对包含对应的基准背景点云角点和待配准背景点云角点)的坐标；/>
在本实施例中，考虑到不同实例物体的位姿不同，如果用同一个位姿配准所有实例会导致配准重影，因此为了保证配准效率，可以对每个实例物体进行单独配准。可选的，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，包括：针对每个基准实体点云数据，提取基准实体点云数据对应的基准实例特征，以及待配准实体点云数据对应的待配准实例特征；基于基准实例特征和待配准实例特征将基准实体点云数据和待配准实体点云数据进行匹配，得到至少一个实体点云数据对；基于实体点云数据对对待配准实体点云数据进行配准，得到配准实体点云数据。可以先筛选出基准实体点云数据和待配准实体点云数据中包含的实体点云数据对，将实体点云数据对中的基准实体点云数据和待配准点云数据进行配准，将各实体点云数据对对应的配准结果融合得到配准实体点云数据。
示例性的，实例物体的配准过程可以为：1)使用实例分割方法(包括而不限于2019CVPR Associatively Segmenting Instances and Semantics in Point Clouds)分别对基准点云数据和待配准点云数据进行实例分割，提取一些独立的树木、车辆、行人等前景物体；2)针对每个基准实例点云数据，提取出基准实例点云数据对应的实例语义和特征。具体的，可以将该基准实例点云数据作为输入，使用预先训练好的点云分类网络(包括但不限于2017 CVPR PointNet)提取出实例点云数据中的全局特征；3)根据提取出的实例语义和特征，在局部空间内(例如3米以内)从待配准实例点云数据中搜索具有相同语义的、外观特征最相近的实例物体，如果两个实例物体的外观特征偏相似(例如基准实例点云数据的基准实例特征和待配准实例点云数据的待配准实体特征之间的L2范式差小于指定阈值)，则将其定义为匹配对，从而获取一对一的实体点云数据对；4)针对每个实体点云数据对，将实体点云数据对中的基准实体点云数据为基准，将实体点云数据对中的待配准点云数据进行配准，得到每个实体点云数据对对应的配准结果，将各实体点云数据对对应的配准结果融合得到配准实体点云数据。其中，由于大部分实例物体都是小规模的刚体点云簇，可采用现有的点云刚体配准方法(包括而不限于2009 CVPR PointNetLK:Robust and EfficientPoint Cloud Registration using PointNet)对待配准点云数据进行配准。
在上述方案的基础上，在基于实体点云数据对对待配准实体点云数据进行配准之前，还包括：删除未匹配的基准实体点云数据和/或未匹配的待配准实体点云数据。可选的，实际应用中基准实体点云数据和待配准实体点云数据中的实例物体并非一一对准，例如间隔一段时间采集的两套点云，某些动态物体已经移除，因此在独立配准前需要将未匹配到对应实体的实体点云数据进行实例删减。
一个实施例中，删除未匹配的基准实体点云数据和/或未匹配的待配准实体点云数据，包括：若不存在与基准实体点云数据相匹配的待配准点云实体点云数据，且基准实体点云数据对应的实体为动态实体，则删除基准实体点云数据；若不存在与待配准点云实体点云数据相匹配的基准实体点云数据，则删除待配准点云实体点云数据。可选的，可通过如下方式进行实例删减。情况一：基准实例点云数据中的实例物体在待配准实例点云数据中找不到配准实例，如果实例物体为动态物体(例如车辆、行人)则将基准实例点云数据中的实例物体删除，否则保留；情况二：基准实例点云数据和待配准实例点云数据中的实例物体一一配准，采用精细配准方法进行对准；情况三：待配准实例点云数据中的实例物体在基准实例点云数据中找不到配准实例，直接将待配准实例点云数据中的实例物体进行删除。通过上述方式进行实例删减能够保证实例物体配准的准确性。
本发明实施例通过获取基准点云数据和待配准点云数据；将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据：基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据，通过将点云数据分割为实体点云数据和背景点云数据，分别针对实体点云数据和背景点云数据进行独立配准，基于每个独立配准结果融合得到配准点云数据，使得不同特征的点云数据能够以不同的配准方式进行配准，提高了点云数据的配准效率。
实施例二
图2是本发明实施例二所提供的一种点云配准方法的流程图。本实施例在上述方案的基础上，将获取基准点云数据和待配准点云数据进行了具体化。如图2所示，所述方法包括：
S210、获取基准点云数据和原始待配准数据。
在本实施例中，基准点云数据和原始待配准数据为不同时刻采集的同一场景下的点云数据。考虑到采集到的两套点云数据的初始位姿偏差较大时，直接进行细配准可能导致配准结果不准确的技术问题，在本实施例中通过先粗配准后细配准的方式进行配准，即在粗配准阶段完成粗略配准，然后在精细配准阶段进行局部微调。
S220、将基准点云数据投影为基准二维栅格图，将原始待配准数据投影为待配准二维栅格图，并基于基准二维栅格图和待配准二维栅格图得到原始待配准数据对应的二维刚体形变参数。
在本实施例中，由于输入点云规模较大，即一套点云可能覆盖上千米范围，里面包含几百万个点云点，如果直接在点云数据源下进行粗配准，耗时过大。为了提高配准速度，可以将点云数据投影成二维栅格图，在二维空间下进行特征提取和配准。由于街景点云基本都是沿着水平道路采集的，从可视化效果来看，将三维点云投影成二维水平栅格能较大程度保留信息，因此基于二维栅格图进行粗配准是可行的。虽然用二维投影变换取代三维投影会降低配准精度，但在后续精细配准过程会对其进行矫正，不会影响最终配准结果的精度。
为了避免动态物体导致的误匹配，可以对基准点云数据和原始待配准数据进行预处理，基于预处理后的数据进行粗匹配。在本发明的一种实施方式中，将基准点云数据投影为基准二维栅格图，将原始待配准数据投影为待配准二维栅格图，包括：根据预设高度阈值对基准点云数据和原始待配准数据进行截断，得到截断基准数据和截断待配准数据；将截断基准数据进行点云栅格化，得到栅格化基准数据，将截断待配准数据进行点云栅格化，得到栅格化待配准数据；基于基准点云数据的基准属性对栅格化基准数据进行属性赋值，得到基准二维栅格图，基于原始待配准数据的待配准属性对栅格化待配准数据进行属性赋值，得到待配准二维栅格图。
可选的，以基准点云数据为例，可以用高度阈值对基准点云数据进行截断，得到截断基准数据，使用高度阈值对原始待配准数据进行截断，得到截断待配准数据，然后将截断基准数据进行点云栅格化并赋值，得到基准二维栅格图，将截断待配准数据进行点云栅格化并赋值，得到待配准二维栅格图。其中，基准点云数据的基准属性及原始待配准数据的待配准属性可以为彩色属性或普通属性。示例性的，可以将高度阈值设置为1.0米，即对距离车载位置1.0米以下点云进行栅格化，这样可以仅保留地面背景场景，避免一些车辆等动态物体导致的误匹配，然后将点云栅格化和属性赋值，同时对合成的栅格图进行局部去噪(包括而不限于中值滤波)。考虑到图像存储空间有限，选择性地可以将点云进行切分，从而将一套点云合成出一片片栅格图，切分方式包括而不限于空间网格切分，或者沿着行驶轨迹进行固定距离切分。其中，在对点云进行属性赋值时，如果是彩色点云则用彩色属性对栅格像素赋值，如果是普通激光点云则用强度属性对栅格像素赋值。
在本发明的一种实施方式中，基于基准二维栅格图和待配准二维栅格图得到原始待配准数据对应的二维刚体形变参数，包括：通过图像角点提取方法提取出基准二维栅格图中的基准栅格图角点和待配准二维栅格图中的待配准栅格图角点；采用基于特征匹配的图像配准方法，根据基准栅格图角点和待配准栅格图角点得到二维刚体形变参数。可选的，可以分别获取基准二维栅格图中的基准栅格角点和待配准二维栅格图中的待配准栅格角点，通过图像配准方法基于基准栅格角点和待配准栅格角点估计出二维刚体形变参数。其中，基准栅格角点及待配准栅格角点可以为栅格中的特征角点，如地面拐弯角点等。可，特征角点提取方法)。
示例性的，可以通过特征角点提取方法，如SIFT(2004 IJCV Distinctive ImageFeatures from Scale-Invariant Keypoints)提取出基准二维栅格图中的基准栅格角点和待配准二维栅格图中的待配准栅格角点，然后采用基于特征匹配的图像配准方法，(如基于SIFT特征匹配的图像拼接算法)估计二维刚体形变(包括但不限于仿射变换)。
S230、基于二维刚体形变参数对原始待配准数据进行粗配准，得到待配准点云数据。
得到原始待配准数据对应的二维刚体形变参数后，基于二维刚体形变对原始待配准数据进行空间配准，得到待配准点云数据，完成点云的初始粗配准。可选的，针对原始待配准数据中的每个点云，将该点云的坐标值与二维刚体形变参数之间的乘积作为配准后的坐标，得到配准点云数据。
S240、将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据。
S250、基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据。
本发明实施例通过获取基准点云数据和原始待配准数据；将所述基准点云数据投影为基准二维栅格图，将所述原始待配准数据投影为待配准二维栅格图，并基于所述基准二维栅格图和所述待配准二维栅格图得到所述原始待配准数据对应的二维刚体形变参数；基于所述二维刚体形变参数对所述原始待配准数据进行粗配准，得到所述待配准点云数据，通过对原始待配准数据进行粗配准得到待配准点云数据，即将点云数据先粗配准后细配准，解决了两套点云数据的初始位姿偏差较大时，直接进行细配准可能导致配准结果不准确的技术问题，保证了点云配准的准确性。
实施例三
图3是本发明实施例三所提供的一种点云配准方法的流程图。本实施例在上述实施例的基础上，提供了一种优选实施例。
现有点云配准方法大多侧重于小规模点云配准，并且待配准的两套点云具有刚体形变关系。大多数街景点云都是大规模数据，且街景点云中存在各种树木、车辆和建筑物等实体，在不同时段采集的两套街景点云中某些物体已经发生一些位置变化，例如被移除的树木。其次，由于街景点云一般由各种建图算法合成，现有建图算法往往带有一定的叠加误差，这会使得两套街景点云之间存在非刚体形变。因此，如果直接采用现有点云配准方法对这种场景进行配准会导致局部重影。为了将两段大规模、非刚体、具有较大偏差的街景点云进行准确配准。在本实施例中，采用点云实例分割将场景分为实例物体和背景场景，对每个实例物体进行独立匹配和拼合。并且针对背景点云存在的非刚体形变，提出了一种三维网格变形策略进行背景拼接。一般而言，两套点云的初始位姿偏差较大，因此在上述基础上采用先粗后细方式来配准，即在粗配准阶段完成粗略配准，然后在精细配准阶段进行局部微调。其中，在粗配准阶段，为了快速配准首先将点云投影成二维栅格图，然后在栅格图下用特征提取方法估计二维刚体形变。在细配准阶段，首先将点云场景语义分割为各个实例和背景场景，然后对每个实例独立配准，对背景场景用非刚体三维网格形变策略进行配准，最后将各个配准结果融合起来。具体的，如图3所示，所述方法包括：
S310、将点云投影成二维栅格图，基于二维栅格图进行粗配准，得到粗配准结果。
由于输入点云规模较大，如果直接在点云数据源下进行粗配准，耗时过大。为了提高配准速度，将点云投影成二维栅格图，在二维空间下进行特征提取和配准。其中，二维栅格图的具体合成过程及粗配准过程可参见上述实施例，在此不再赘述。
S320、基于粗配准结果进行实例物体的精细配准，得到实例物体的精细配准结果。
S330、基于粗配准结果进行背景点云的非刚体网格配准，得到背景点云的精细配准结果。
得到粗配准结果后，基于粗配准结果进行实例物体和背景点云的精细配准。实例物体的精细配准方式及背景点云的非刚体配准方式可参见上述实施例，在此不再赘述。
S340、将实例物体的精细配准结果和背景点云的精细配准结果融合得到点云配准结果。
本发明实施例将实例物体和背景场景独立配准，各个实例和背景之间互不干扰，最大程度上保证了每一部分的准确配准。此外，通过非刚体配准方式对背景场景进行配准，提高了背景场景配准的准确性。通过上述结合可较准确地完成大规模、非刚体、具有较大偏差的街景点云配准，减少一些由于实例移动、非刚体形变导致的局部重影问题。
实施例四
图4是本发明实施例四所提供的一种点云配准装置的结构示意图。该点云配准装置可以采用软件和/或硬件的方式实现，例如该点云配准装置可以配置于计算机设备中。如图4所示，所述装置包括点云数据获取模块410、点云数据分割模块420和点云数据配准模块440，其中：
点云数据获取模块410，用于获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；
点云数据分割模块420，用于将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据；
点云数据配准模块430，用于基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据。
本发明实施例通过点云数据获取模块获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；点云数据分割模块将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据：点云数据配准模块基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据，通过将点云数据分割为实体点云数据和背景点云数据，分别针对实体点云数据和背景点云数据进行独立配准，基于每个独立配准结果融合得到配准点云数据，使得不同特征的点云数据能够以不同的配准方式进行配准，提高了点云数据的配准效率。
可选的，在上述方案的基础上，点云数据配准模块430包括：
角点提取单元，用于通过点云角点提取方法提取出基准背景点云数据中的基准背景点云角点和待配准背景点云数据中的待配准点云角点；
特征提取单元，用于提取基准背景点云角点的基准点云特征以及待配准点云角点的待配准点云特征；
点云配准单元，用于根据基准点云特征和待配准点云特征得到待配准背景点云数据对应的全局形变参数，并基于全局形变参数对待配准背景点云数据进行配准，得到配准背景点云数据。
可选的，在上述方案的基础上，点云配准单元具体用于：
基于全局形变参数对待配准背景点云数据进行全局粗配准，得到粗配准背景点云数据；
将粗配准点云数据进行切分，得到至少一个粗配准点云簇，并确定每个粗配准点云簇对应的非刚体形变参数；
针对每个粗配准点云簇，基于粗配准点云簇对应的非刚体形变参数对粗配准点云簇进行配准，得到配准点云簇，基于每个粗配准点云簇对应的配准点云簇得到配准背景点云数据。
可选的，在上述方案的基础上，点云数据获取模块410包括：
原始数据获取单元，用于获取基准点云数据和原始待配准数据；
形变参数确定单元，用于将基准点云数据投影为基准二维栅格图，将原始待配准数据投影为待配准二维栅格图，并基于基准二维栅格图和待配准二维栅格图得到原始待配准数据对应的二维刚体形变参数；
粗配准单元，用于基于二维刚体形变参数对原始待配准数据进行粗配准，得到待配准点云数据。
可选的，在上述方案的基础上，形变参数确定单元具体用于：
根据预设高度阈值对基准点云数据和原始待配准数据进行截断，得到截断基准数据和截断待配准数据；
将截断基准数据进行点云栅格化，得到栅格化基准数据，将截断待配准数据进行点云栅格化，得到栅格化待配准数据；
基于基准点云数据的基准属性对栅格化基准数据进行属性赋值，得到基准二维栅格图，基于原始待配准数据的待配准属性对栅格化待配准数据进行属性赋值，得到待配准二维栅格图。
可选的，在上述方案的基础上，形变参数确定单元具体用于：
通过图像角点提取方法提取出基准二维栅格图中的基准栅格图角点和待配准二维栅格图中的待配准栅格图角点；
采用基于特征匹配的图像配准方法，根据基准栅格图角点和待配准栅格图角点得到二维刚体形变参数。
可选的，在上述方案的基础上，点云数据配准模块430包括：
实例特征提取单元，用于针对每个基准实体点云数据，提取基准实体点云数据对应的基准实例特征，以及待配准实体点云数据对应的待配准实例特征；
实体点云对单元，用基于基准实例特征和待配准实例特征将基准实体点云数据和待配准实体点云数据进行匹配，得到至少一个实体点云数据对；
实体点云配准单元，用于基于实体点云数据对对待配准实体点云数据进行配准，得到配准实体点云数据。
可选的，在上述方案的基础上，点云数据配准模块430还包括：
实体删除单元，用于在基于实体点云数据对对待配准实体点云数据进行配准之前，删除未匹配的基准实体点云数据和/或未匹配的待配准实体点云数据。
可选的，在上述方案的基础上，实体删除单元具体用于：
若不存在与所述基准实体点云数据相匹配的所述待配准点云实体点云数据，且所述基准实体点云数据对应的实体为动态实体，则删除所述基准实体点云数据；
若不存在与所述待配准点云实体点云数据相匹配的所述基准实体点云数据，则删除所述待配准点云实体点云数据。
本发明实施例所提供的点云配准装置可执行本发明任意实施例所提供的点云配准方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五所提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，系统存储器528，连接不同系统组件(包括系统存储器528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器516或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的点云配准方法，该方法包括：
获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；
将基准点云数据分割为基准背景点云数据和基准实体点云数据，将待配准点云数据分割为待配准背景点云数据和待配准实体点云数据；
基于基准背景点云数据待配准背景点云数据得到配准背景点云数据，基于基准实体点云数据和待配准实体点云数据得到配准实体点云数据，将配准背景点云数据和配准实体点云数据融合得到配准点云数据。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的点云配准方法的技术方案。
实施例六
本发明实施例六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，该程序被处理器执行时实现本发明实施例所提供的点云配准方法，该方法包括：
获取基准点云数据和待配准点云数据，其中，待配准点云数据是基于基准点云数据对原始待配准数据进行粗配准得到的；
将基准点云数据分割为基准背景点云数据和基准实体点云数据，将所述待配准点云数据分割为待配准背景点云数据和待配准实体点云数据；
基于所述基准背景点云数据所述待配准背景点云数据得到配准背景点云数据，基于所述基准实体点云数据和所述待配准实体点云数据得到配准实体点云数据，将所述配准背景点云数据和所述配准实体点云数据融合得到配准点云数据。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的点云配准方法的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种点云配准方法，其特征在于，包括：
获取基准点云数据和待配准点云数据，其中，所述待配准点云数据是基于所述基准点云数据对原始待配准数据进行粗配准得到的；
将所述基准点云数据分割为基准背景点云数据和基准实体点云数据，将所述待配准点云数据分割为待配准背景点云数据和待配准实体点云数据，所述基准背景点云数据为所述基准点云数据中静态物体的点云数据，所述基准实体点云数据为所述基准点云数据中实例物体的点云数据，所述待配准背景点云数据为所述待配准点云数据中静态物体的点云数据，所述待配准实体点云数据为所述待配准点云数据中实例物体的点云数据，所述实例物体为移动的物体；
基于所述基准背景点云数据所述待配准背景点云数据得到配准背景点云数据，基于所述基准实体点云数据和所述待配准实体点云数据得到配准实体点云数据，将所述配准背景点云数据和所述配准实体点云数据融合得到配准点云数据；
其中，所述基于所述基准背景点云数据所述待配准背景点云数据得到配准背景点云数据，包括：
通过点云角点提取方法提取出所述基准背景点云数据中的基准背景点云角点和所述待配准背景点云数据中的待配准背景点云角点；
提取所述基准背景点云角点的基准点云特征以及所述待配准背景点云角点的待配准点云特征；
根据所述基准点云特征和所述待配准点云特征得到所述待配准背景点云数据对应的全局形变参数，并基于所述全局形变参数对所述待配准背景点云数据进行配准，得到所述配准背景点云数据。
2.根据权利要求1所述的方法，其特征在于，所述基于所述全局形变参数对所述待配准背景点云数据进行配准，得到所述配准背景点云数据，包括：
基于所述全局形变参数对所述待配准背景点云数据进行全局粗配准，得到粗配准背景点云数据；
将所述粗配准背景点云数据进行切分，得到至少一个粗配准点云簇，并确定每个所述粗配准点云簇对应的非刚体形变参数；
针对每个所述粗配准点云簇，基于所述粗配准点云簇对应的非刚体形变参数对所述粗配准点云簇进行配准，得到配准点云簇，基于每个所述粗配准点云簇对应的配准点云簇得到所述配准背景点云数据。
3.根据权利要求1所述的方法，其特征在于，所述获取基准点云数据和待配准点云数据，包括：
获取基准点云数据和原始待配准数据；
将所述基准点云数据投影为基准二维栅格图，将所述原始待配准数据投影为待配准二维栅格图，并基于所述基准二维栅格图和所述待配准二维栅格图得到所述原始待配准数据对应的二维刚体形变参数；
基于所述二维刚体形变参数对所述原始待配准数据进行粗配准，得到所述待配准点云数据。
4.根据权利要求3所述的方法，其特征在于，所述将所述基准点云数据投影为基准二维栅格图，将所述原始待配准数据投影为待配准二维栅格图，包括：
根据预设高度阈值对所述基准点云数据和所述原始待配准数据进行截断，得到截断基准数据和截断待配准数据；
将所述截断基准数据进行点云栅格化，得到栅格化基准数据，将所述截断待配准数据进行点云栅格化，得到栅格化待配准数据；
基于所述基准点云数据的基准属性对所述栅格化基准数据进行属性赋值，得到所述基准二维栅格图，基于所述原始待配准数据的待配准属性对所述栅格化待配准数据进行属性赋值，得到所述待配准二维栅格图。
5.根据权利要求3所述的方法，其特征在于，所述基于所述基准二维栅格图和所述待配准二维栅格图得到所述原始待配准数据对应的二维刚体形变参数，包括：
通过图像角点提取方法提取出所述基准二维栅格图中的基准栅格图角点和所述待配准二维栅格图中的待配准栅格图角点；
采用基于特征匹配的图像配准方法，根据所述基准栅格图角点和所述待配准栅格图角点得到所述二维刚体形变参数。
6.根据权利要求1所述的方法，其特征在于，所述基于所述基准实体点云数据和所述待配准实体点云数据得到配准实体点云数据，包括：
针对每个所述基准实体点云数据，提取所述基准实体点云数据对应的基准实例特征，以及所述待配准实体点云数据对应的待配准实例特征，所述基准实实例特征为所述基准实体点云数据中实例物体的实例语义和外观特征，所述待配准实例特征为所述待配准实体点云数据中实例物体的实例语义和外观特征；
基于所述基准实例特征和所述待配准实例特征将所述基准实体点云数据和所述待配准实体点云数据进行匹配，得到至少一个实体点云数据对；
基于所述实体点云数据对对所述待配准实体点云数据进行配准，得到所述配准实体点云数据。
7.根据权利要求6所述的方法，其特征在于，在基于所述实体点云数据对对所述待配准实体点云数据进行配准之前，还包括：
删除未匹配的基准实体点云数据和/或未匹配的待配准实体点云数据。
8.根据权利要求7所述的方法，其特征在于，所述删除未匹配的基准实体点云数据和/或未匹配的待配准实体点云数据，包括：
若不存在与所述基准实体点云数据相匹配的所述待配准实体点云数据，且所述基准实体点云数据对应的实体为动态实体，则删除所述基准实体点云数据；
若不存在与所述待配准实体点云数据相匹配的所述基准实体点云数据，则删除所述待配准实体点云数据。
9.一种点云配准装置，其特征在于，包括：
点云数据获取模块，用于获取基准点云数据和待配准点云数据，其中，所述待配准点云数据是基于所述基准点云数据对原始待配准数据进行粗配准得到的；
点云数据分割模块，用于将所述基准点云数据分割为基准背景点云数据和基准实体点云数据，将所述待配准点云数据分割为待配准背景点云数据和待配准实体点云数据，所述基准背景点云数据为所述基准点云数据中静态物体的点云数据，所述基准实体点云数据为所述基准点云数据中实例物体的点云数据，所述待配准背景点云数据为所述待配准点云数据中静态物体的点云数据，所述待配准实体点云数据为所述待配准点云数据中实例物体的点云数据，所述实例物体为移动的物体；
点云数据配准模块，用于基于所述基准背景点云数据所述待配准背景点云数据得到配准背景点云数据，基于所述基准实体点云数据和所述待配准实体点云数据得到配准实体点云数据，将所述配准背景点云数据和所述配准实体点云数据融合得到配准点云数据；
其中，所述点云数据配准模块具体用于：
通过点云角点提取方法提取出所述基准背景点云数据中的基准背景点云角点和所述待配准背景点云数据中的待配准背景点云角点；
提取所述基准背景点云角点的基准点云特征以及所述待配准背景点云角点的待配准点云特征；
根据所述基准点云特征和所述待配准点云特征得到所述待配准背景点云数据对应的全局形变参数，并基于所述全局形变参数对所述待配准背景点云数据进行配准，得到所述配准背景点云数据。
10.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的点云配准方法。
11.一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，该程序被处理器执行时实现如权利要求1-8中任一所述的点云配准方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601579.2A CN113763438B (zh) | 2020-06-28 | 2020-06-28 | 一种点云配准方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601579.2A CN113763438B (zh) | 2020-06-28 | 2020-06-28 | 一种点云配准方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113763438A CN113763438A (zh) | 2021-12-07 |
| CN113763438B true CN113763438B (zh) | 2024-04-19 |
Family
ID=78785450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010601579.2A Active CN113763438B (zh) | 2020-06-28 | 2020-06-28 | 一种点云配准方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763438B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114937122B (zh) * | 2022-06-16 | 2024-10-18 | 黄冈强源电力设计有限公司 | 一种水泥纤维板房的快速三维模型重建方法 |
| CN117765047B (zh) * | 2024-02-22 | 2024-04-30 | 法奥意威(苏州)机器人系统有限公司 | 一种工件配准方法、装置、计算机设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778688A (zh) * | 2015-03-27 | 2015-07-15 | 华为技术有限公司 | 点云数据的配准方法及装置 |
| CN105180830A (zh) * | 2015-09-28 | 2015-12-23 | 浙江大学 | 一种适用于ToF相机的三维点云自动配准方法及系统 |
| CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
| CN109146938A (zh) * | 2018-08-30 | 2019-01-04 | 百度在线网络技术（北京）有限公司 | 动态障碍物的位置校准方法、装置、设备及存储介质 |
| CN109242855A (zh) * | 2018-07-19 | 2019-01-18 | 中国科学院自动化研究所 | 基于多分辨率三维统计信息的屋顶分割方法、系统及设备 |
| 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 |
| CN109993780A (zh) * | 2019-03-07 | 2019-07-09 | 深兰科技（上海）有限公司 | 一种三维高精度地图生成方法及装置 |
| CN110084840A (zh) * | 2019-04-24 | 2019-08-02 | 百度在线网络技术（北京）有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
| CN110210398A (zh) * | 2019-06-03 | 2019-09-06 | 宁波智能装备研究院有限公司 | 一种三维点云语义分割标注方法 |
| CN110705458A (zh) * | 2019-09-29 | 2020-01-17 | 北京智行者科技有限公司 | 边界检测方法及装置 |
| CN111008660A (zh) * | 2019-12-03 | 2020-04-14 | 北京京东乾石科技有限公司 | 语义地图的生成方法、装置、系统、存储介质及电子设备 |
| CN111127530A (zh) * | 2019-12-24 | 2020-05-08 | 山东科技大学 | 一种多期道路三维激光点云精确配准方法 |
| CN111311651A (zh) * | 2018-12-11 | 2020-06-19 | 北京大学 | 点云配准方法和装置 |
| CN111340860A (zh) * | 2020-02-24 | 2020-06-26 | 北京百度网讯科技有限公司 | 点云数据的配准、更新方法、装置、设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2013106319A (ru) * | 2013-02-13 | 2014-08-20 | ЭлЭсАй Корпорейшн | Основанная на характерных точках надежная регистрация трехмерного твердого тела |
| US9760996B2 (en) * | 2015-08-11 | 2017-09-12 | Nokia Technologies Oy | Non-rigid registration for large-scale space-time 3D point cloud alignment |
| US11461963B2 (en) * | 2018-11-16 | 2022-10-04 | Uatc, Llc | Systems and methods for generating synthetic light detection and ranging data via machine learning |
-
2020
- 2020-06-28 CN CN202010601579.2A patent/CN113763438B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778688A (zh) * | 2015-03-27 | 2015-07-15 | 华为技术有限公司 | 点云数据的配准方法及装置 |
| CN105180830A (zh) * | 2015-09-28 | 2015-12-23 | 浙江大学 | 一种适用于ToF相机的三维点云自动配准方法及系统 |
| CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
| CN109242855A (zh) * | 2018-07-19 | 2019-01-18 | 中国科学院自动化研究所 | 基于多分辨率三维统计信息的屋顶分割方法、系统及设备 |
| CN109146938A (zh) * | 2018-08-30 | 2019-01-04 | 百度在线网络技术（北京）有限公司 | 动态障碍物的位置校准方法、装置、设备及存储介质 |
| CN111311651A (zh) * | 2018-12-11 | 2020-06-19 | 北京大学 | 点云配准方法和装置 |
| CN109993780A (zh) * | 2019-03-07 | 2019-07-09 | 深兰科技（上海）有限公司 | 一种三维高精度地图生成方法及装置 |
| 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 |
| CN110084840A (zh) * | 2019-04-24 | 2019-08-02 | 百度在线网络技术（北京）有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
| CN110210398A (zh) * | 2019-06-03 | 2019-09-06 | 宁波智能装备研究院有限公司 | 一种三维点云语义分割标注方法 |
| CN110705458A (zh) * | 2019-09-29 | 2020-01-17 | 北京智行者科技有限公司 | 边界检测方法及装置 |
| CN111008660A (zh) * | 2019-12-03 | 2020-04-14 | 北京京东乾石科技有限公司 | 语义地图的生成方法、装置、系统、存储介质及电子设备 |
| CN111127530A (zh) * | 2019-12-24 | 2020-05-08 | 山东科技大学 | 一种多期道路三维激光点云精确配准方法 |
| CN111340860A (zh) * | 2020-02-24 | 2020-06-26 | 北京百度网讯科技有限公司 | 点云数据的配准、更新方法、装置、设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| A Scan Matching Method for Quadruped Robots in Outdoor Environment;Yanli Li et al.;《2019 2nd International Conference of Intelligent Robotic and Control Engineering (IRCE)》;全文 * |
| Semantic-assisted 3D Normal Distributions Transform for scan registration in environments with limited structure;Anestis Zaganidis et al.;《2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)》;第1-6页 * |
| 一种鲁棒的城市复杂动态场景点云配准方法;王任栋等;《机器人》;第40卷(第3期);全文 * |
| 基于激光SLAM的3D点云配准优化方法研究;漆钰晖;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113763438A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109285220B (zh) | 一种三维场景地图的生成方法、装置、设备及存储介质 | |
| CN110622213B (zh) | 利用3d语义地图进行深度定位和分段的系统和方法 | |
| CN109961522B (zh) | 图像投射方法、装置、设备和存储介质 | |
| CN111402414B (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
| Zhu et al. | Leveraging photogrammetric mesh models for aerial-ground feature point matching toward integrated 3D reconstruction | |
| JP7422105B2 (ja) | 路側計算装置に用いる障害物３次元位置の取得方法、装置、電子デバイス、コンピュータ可読記憶媒体、及びコンピュータプログラム | |
| CN113761999B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
| Gao et al. | Ancient Chinese architecture 3D preservation by merging ground and aerial point clouds | |
| GB2520338A (en) | Automatic scene parsing | |
| CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
| WO2021017211A1 (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
| CN113763438B (zh) | 一种点云配准方法、装置、设备及存储介质 | |
| Zhang et al. | Lidar-guided stereo matching with a spatial consistency constraint | |
| Byrne et al. | Maximizing feature detection in aerial unmanned aerial vehicle datasets | |
| Wang et al. | Automatic registration of point cloud and panoramic images in urban scenes based on pole matching | |
| CN115761164A (zh) | 逆透视ipm图像生成的方法和装置 | |
| CN116643291A (zh) | 一种视觉与激光雷达联合剔除动态目标的slam方法 | |
| Gao et al. | Complete and accurate indoor scene capturing and reconstruction using a drone and a robot | |
| JP2022080303A (ja) | オプティカルフローを用いたライダー位置推定 | |
| Tang et al. | Content-based 3-D mosaics for representing videos of dynamic urban scenes | |
| Sun et al. | High-speed real-time augmented reality tracking algorithm model of camera based on mixed feature points | |
| Gallup | Efficient 3D reconstruction of large-scale urban environments from street-level video | |
| CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
| CN109118576A (zh) | 基于bds位置服务的大型场景三维重建系统及重建方法 | |
| Habib et al. | Integration of lidar and airborne imagery for realistic visualization of 3d urban environments |
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 |