CN113962945A - 一种低重复度线激光点云数据拼接方法 - Google Patents
一种低重复度线激光点云数据拼接方法 Download PDFInfo
- Publication number
- CN113962945A CN113962945A CN202111175300.XA CN202111175300A CN113962945A CN 113962945 A CN113962945 A CN 113962945A CN 202111175300 A CN202111175300 A CN 202111175300A CN 113962945 A CN113962945 A CN 113962945A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- splicing
- line laser
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 13
- 238000009616 inductively coupled plasma Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000009659 non-destructive testing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种低重复度线激光点云数据拼接方法,涉及无损检测领域。进行线激光扫描的路径规划;对线激光扫描所得的原始三维点云数据进行降噪处理;根据线激光扫描路径顺序,并基于点云数据所在轮廓区域的不同,将各部分点云数据编号排序,使在同一轮廓区域内具有相同线激光扫描重复度的点云数据分布在同一组内;采用分步式紧边界迭代最近点算法对整体点云数据进行配准,通过位姿图优化的方式,识别并删除错误匹配;对拼接失败的两组点云数据,采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接,并采取点对面的迭代最近点改进算法对点云数据进行拼接。效率快,拼接成功率与精度高,精确获取模型轮廓,提高线激光检测的曲面重构精度及实用性。
Description
技术领域
本发明涉及无损检测领域,尤其是涉及一种低重复度线激光点云数据拼接方法。
背景技术
在无损检测特别是线激光检测过程中,由于单次测量范围有限以及物体表面的遮挡效应,要多次测量才能获得整个物体的点云数据,如今仍未有方法能够一次性就能获得整个实物的数据而不降低精确,这使得点云拼接成为必然。点云数据拼接,在实质上可归结为多组点云数据逐一配准,并转换到统一的全局坐标系下的过程,且属于源点云和目标点云都有大量外点的配准,各组点云间的重复度低导致配准成功率低,是激光测量和SLAM(Simultaneous localization and mapping)领域的研究热点和难点。
点云配准技术是机器视觉、模式识别、图像融合、自动驾驶、物体检测、SLAM等领域的重要基础技术之一。点云配准的目的是求取使两点云最佳匹配的空间变换矩阵,物体检测主要采用刚性配准,即使用欧式变换表示点云之间的相对位姿。奇异值分解(SVD)和四元数(Horn)算法是求解点云间欧式变换和放缩变换最常用的方法;当对应点完全匹配时,SVD和四元数法可得到全局最优的欧式变换矩阵;当外点比重较大时,SVD和四元数法并不能保证得到全局最优解。全局最优配准算法最常用的框架是随机采样一致性(Random SampleConsensus,RANSAC),当外点比重超过50%时,RANSAC的计算复杂度呈现指数上升趋势,且计算准确度会显著降低;常用全局最优配准算法还有4PCS(4Point Congruent Sets),4PCS配准在外点比重较大时,并不能取得比RANSAC更好的效果。全局配准算法需要事先知道对应点,属于基于对应特征的配准算法,常用特征描述子包含二维点云或图像的尺度不变特征变换(SIFT)和SURF(Speeded-Up Robust Features)和三维点云的点特征直方图(PFH)和快速点特征直方图(FPFH)等。
当点云对应关系未知且无法通过特征求解正确的对应关系时,需要采用位姿与对应关系同时计算的方法,最常用的同时计算位姿与对应关系的算法是迭代最近点(ICP)算法。ICP算法最早由Besl和MCKay提出,经过国内外学者的研究与发展,如今已提出了点到面距离的ICP算法、LM(Levenberg-Marquardt)-ICP算法、EM-ICP算法、基于M-估计的ICP算法、迭代重复加权ICP算法、TrICP算法、SparseICP算法、Go-ICP算法、Generalized-ICP算法等改进ICP算法。
随着测量技术水平的飞速发展,点云的数量都在百万级以上,传统的点云处理软件己经不能满足当前的需要。对于逆向工程整个过程,点云的拼接起着关键的作用,直接影响点云后续的点云重建等处理,甚至决定着三维重构成功与失败。且待拼接点云一般存在低重复度、空间初始位置差距大等拼接不利因素,一次性拼接成型难以完成;因此,研究低重复度线激光点云数据拼接方法,对提高三维曲面重构成功率及检测精度,都具有重要意义。
发明内容
本发明的目的是提供一种低重复度线激光点云数据拼接方法,对低重复度点云拼接做了预拼接及分组精确拼接策略,有效将线激光扫描实体模型所得重复度在百分之二十至百分之六十区间内的各点云数据拼接成完整高精度的点云模型,成功率高,效率高,精确获取了模型轮廓,提高线激光检测的曲面重构精度及实用性。
本发明包括以下步骤:
1)进行线激光扫描的路径规划;
2)对线激光扫描所得的原始三维点云数据进行降噪处理;
3)根据线激光扫描路径顺序,并基于点云数据所在轮廓区域的不同,将各部分点云数据进行编号排序,使在同一轮廓区域内的具有相同线激光扫描重复度的点云数据分布在同一组内;
4)采用分步式紧边界迭代最近点(ICP)算法对整体点云数据进行配准,并通过位姿图优化的方式,识别并删除错误的匹配;
5)对拼接失败的两组点云数据,采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接,并采取点对面的迭代最近点改进算法,对点云数据进行拼接。本发明的方法实现了更精确的数据拼接。
在步骤1)中,所述进行线激光扫描的路径规划包括:
在第一曲率的轮廓型面,采取线激光头仅平移不旋转的方式进行扫描;
在第二曲率的区域处,采取多次第一重复度扫描,所述第二曲率大于所述第一曲率,所述第一重复度大于40%。
所述进行线激光扫描的路径规划的具体步骤可为:根据模型轮廓特点及线激光扫描设备的功能参数,综合扫描效率、计算分析效率与拼接效果的考量,进行线激光扫描的路径规划:在叶盆与叶背等曲率较小的平缓区域,采取线激光头仅平移不旋转的方式进行扫描,尽量避免因初始位姿差距较大而导致点云拼接失败;在前缘后缘等曲率较大的过渡区域,采取线激光头小角度旋转多次扫描,所扫描的每两组点云数据间尽量采取高的重复度,以提高拼接成功率;所述根据模型轮廓特点包括根据航空发动机涡轮空心叶片的模型轮廓特点。
在步骤2)中,所述对线激光扫描所得的原始三维点云数据进行降噪处理,可分别通过点云半径滤波降噪、点云统计滤波降噪等方法滤除噪点影响,提高拼接成功率及拼接精度;对降噪后的点云数据进行点云简化处理,分别通过体素下采样、半径下采样、均匀下采样、隔点下采样及曲率下采样等方法,简化原始点云数据,在保证拼接成功率及拼接精度的前提下,提高拼接效率;对简化后出现突出毛刺的点云数据,采用移动最小二乘平滑算法进行点云平滑处理,去除毛刺影响,进一步提高拼接成功率及拼接精度;对上述滤波及平滑无法处理的噪点区域,进一步采取点云裁剪处理,通过人机交互选取裁剪区域的模式,进行点云裁剪,进一步获得可用于点云拼接的点云数据。
在步骤4)中,所述采用分步式紧边界迭代最近点(ICP)算法对整体点云数据进行配准,并通过位姿图优化的方式,识别并删除错误的匹配的具体方法可为:对叶盆组点云数据、叶盆组最后一片点云数据与前缘组点云数据、前缘组最后一片点云数据与叶背组第一片点云数据、叶背组点云数据、叶背组最后一片点云数据与后缘组点云数据,均设置相应的拼接阈值(点到面的ICP配准算法的点到对应点所在平面的最大对应距离阈值),采用分步式点到平面ICP算法对整体点云数据进行粗配准与精确配准,通过标准非线性最小二乘法求解,并将拼接结果通过位姿图优化的方式,识别并删除错误的匹配,以此达到全局最优的拼接结果;
5)对拼接失败的两组点云数据,采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接,并采取点对面的迭代最近点改进算法,对点云数据进行拼接。
在步骤5)中,所述拼接失败的两组点云数据是重复度过低、空间匹配位置差别过大而导致拼接失败的两组点云数据。
与现有技术相比,本发明的有益效果是:
本发明对低重复度点云拼接做了预拼接及分组精确拼接策略,有效拼接了线激光扫描所得的低重复度、空间位置差距大的点云数据,有效将线激光扫描实体模型所得重复度在百分之二十至百分之六十区间内的各点云数据拼接成完整高精度的点云模型,拼接效率快,拼接成功率与精度高,精确获取了模型轮廓,提高线激光检测的曲面重构精度及实用性。提高了线激光实体扫描点云数据的易用性与实用性,为后续实体模型点云数据三维重构提供重要的前置基础,对点云拼接方法研究有一定推动作用。
附图说明
图1为本申请的线激光扫描路径示意图;
图2为本申请的叶片型面结构示意图;
图3为本申请的线激光扫描所得原始点云数据图;
图4为本申请的经预处理后所得点云数据图;
图5为本申请的点云拼接过程示意图。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明,可以使本领域技术人员更全面地理解本发明,但不以任何方式限制本发明。
本发明包括以下步骤:
1)根据模型轮廓特点及线激光扫描设备的功能参数,综合扫描效率、计算分析效率与拼接效果的考量,进行线激光扫描的路径规划:在叶盆与叶背等曲率较小的平缓区域,采取线激光头仅平移不旋转的方式进行扫描,尽量避免因初始位姿差距较大而导致点云拼接失败;在前缘后缘等曲率较大的过渡区域,采取线激光头小角度旋转多次扫描,所扫描的每两组点云数据间尽量采取高的重复度,以提高拼接成功率;所述根据模型轮廓特点包括根据航空发动机涡轮空心叶片的模型轮廓特点。所述进行线激光扫描的路径规划包括:在第一曲率的轮廓型面,采取线激光头仅平移不旋转的方式进行扫描;在第二曲率的区域处,采取多次第一重复度扫描,所述第二曲率大于所述第一曲率,所述第一重复度大于40%。
2)对线激光扫描所得的原始三维点云数据进行降噪处理;可分别通过点云半径滤波降噪、点云统计滤波降噪等方法滤除噪点影响,提高拼接成功率及拼接精度;对降噪后的点云数据进行点云简化处理,分别通过体素下采样、半径下采样、均匀下采样、隔点下采样及曲率下采样等方法,简化原始点云数据,在保证拼接成功率及拼接精度的前提下,提高拼接效率;对简化后出现突出毛刺的点云数据,采用移动最小二乘平滑算法进行点云平滑处理,去除毛刺影响,进一步提高拼接成功率及拼接精度;对上述滤波及平滑无法处理的噪点区域,进一步采取点云裁剪处理,通过人机交互选取裁剪区域的模式,进行点云裁剪,进一步获得可用于点云拼接的点云数据。
3)根据线激光扫描路径顺序,并基于点云数据所在轮廓区域的不同,将各部分点云数据进行编号排序,使在同一轮廓区域内的具有相同线激光扫描重复度的点云数据分布在同一组内;
4)采用分步式紧边界迭代最近点(ICP)算法对整体点云数据进行配准,并通过位姿图优化的方式,识别并删除错误的匹配;对叶盆组点云数据、叶盆组最后一片点云数据与前缘组点云数据、前缘组最后一片点云数据与叶背组第一片点云数据、叶背组点云数据、叶背组最后一片点云数据与后缘组点云数据,均设置相应的拼接阈值(点到面的ICP配准算法的点到对应点所在平面的最大对应距离阈值),采用分步式点到平面ICP算法对整体点云数据进行粗配准与精确配准,通过标准非线性最小二乘法求解,并将拼接结果通过位姿图优化的方式,识别并删除错误的匹配,以此达到全局最优的拼接结果;
5)对重复度过低、空间匹配位置差别过大而导致拼接失败的两组点云数据,采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接,并采取点对面的迭代最近点改进算法,对点云数据进行拼接。本发明的方法实现了更精确的数据拼接。
以下结合附图给出具体实施例。
步骤一:航空发动机涡轮空心叶片实体模型线激光扫描的路径规划
以航空发动机涡轮空心叶片实体模型线激光扫描为实例,根据现有线激光扫描设备,进行扫描路径规划,扫描方向如图1所示,叶片型面结构示意如图2所示:在叶片叶盆处,采取线激光头仅平移不旋转的扫描方式进行扫描,共扫描3片点云数据,相邻两片间的重复度均为百分之三十五;在叶片叶背处,同样采取线激光头仅平移不旋转的扫描方式,共扫描4片点云数据,相邻两片间的重复度均为百分之四十;在叶背-前缘-叶盆的衔接区域,共扫描3片点云,第一片与叶背最后一片的重复度为百分之五十,第二片与第一片的重复度为百分之四十,第三片与第二片的重复度为百分之六十,第三片与叶盆第一片的重复度为百分之五十;在叶片后缘,共扫描1片点云,与叶盆、叶背衔接处的重复度均各为百分之二十。总计扫描11片点云数据,将其编号为0~10号点云,如图3所示。
步骤二:对线激光扫描所得的原始点云数据进行预处理
对步骤一所得的11片原始点云数据进行预处理;采取半径滤波和统计滤波相结合的方法,对原始点云数据进行点云降噪处理,滤除噪声点对拼接成功率及精度的影响;对降噪处理后的点云数据继续进行点云简化处理,分别通过体素下采样、半径下采样、均匀下采样、隔点下采样及曲率下采样等算法,比较简化效果,择优选取简化方法;对简化后出现突出毛刺的点云数据,采用移动最小二乘平滑算法进行点云平滑处理,去除毛刺影响;对上述滤波及平滑无法处理的噪点区域,进一步通过人机交互选取裁剪区域的模式进行点云裁剪处理,以获得适用于点云拼接的点云数据,经点云处理后的数据如图4所示。
步骤三:对处理好的点云数据进行分组排序并设置拼接阈值
根据线激光扫描路径顺序,并基于点云数据所在轮廓区域的不同,将各部分点云数据进行编号排序,使扫描所得的11片点云数据按照叶盆->前缘->叶背->后缘的顺序依次分组排列。此处,拼接阈值指本文所采取的点到平面的ICP精确配准算法的点到对应点所在平面的最大对应距离阈值。对叶盆组的点云数据设置最大对应距离阈值为3;对叶盆至前缘过渡段点云数据组设置最大对应距离阈值为2;对前缘至叶背过渡段点云数据组和叶背组点云数据均设置最大对应距离阈值为6;对叶背至后缘过渡段点云数据组设置最大对应距离阈值为0.5。
步骤四:对点云数据进行拼接
对步骤三已分组排序且设置好相应拼接阈值的各组点云数据以此进行点云拼接,采用分步式紧边界ICP算法对整体点云数据进行精确配准,先以各组的最大对应距离阈值进行粗拼接,再将该阈值缩小10倍进行精拼接,并将拼接结果通过位姿图优化的方式,识别并删除错误的匹配,以此达到全局最优的拼接结果。实施例拼接过程效果图如图5所示。
步骤五:交互式手动拼接方法处理难拼接点云
若在步骤四中存在由于重复度过低、空间匹配位置差别过大而导致拼接失败的两组点云数据(如叶片后缘处点云数据),则进一步采取基于人机交互的点云数据手动拼接方法,通过基于奇异值分解算法进行预拼接,并采取点对面的ICP改进算法,对点云数据进行精确拼接。
上述实施例仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种低重复度线激光点云数据拼接方法,其特征在于包括以下步骤:
1)进行线激光扫描的路径规划;
2)对线激光扫描所得的原始三维点云数据进行降噪处理;
3)根据线激光扫描路径顺序,并基于点云数据所在轮廓区域的不同,将各部分点云数据进行编号排序,使在同一轮廓区域内的具有相同线激光扫描重复度的点云数据分布在同一组内;
4)采用分步式紧边界迭代最近点算法对整体点云数据进行配准,并通过位姿图优化的方式,识别并删除错误的匹配;
5)对拼接失败的两组点云数据,采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接,并采取点对面的迭代最近点改进算法,对点云数据进行拼接;本发明的方法实现了更精确的数据拼接。
2.如权利要求1所述一种低重复度线激光点云数据拼接方法,其特征在于在步骤1)中,所述进行线激光扫描的路径规划包括:
在第一曲率的轮廓型面,采取线激光头仅平移不旋转的方式进行扫描;
在第二曲率的区域处,采取多次第一重复度扫描,所述第二曲率大于所述第一曲率,所述第一重复度大于40%。
3.如权利要求1所述一种低重复度线激光点云数据拼接方法,其特征在于在步骤1)中,所述进行线激光扫描的路径规划的具体方法为:根据模型轮廓特点及线激光扫描设备的功能参数,综合扫描效率、计算分析效率与拼接效果的考量,进行线激光扫描的路径规划:在叶盆与叶背等曲率较小的平缓区域,采取线激光头仅平移不旋转的方式进行扫描,尽量避免因初始位姿差距较大而导致点云拼接失败;在前缘后缘等曲率较大的过渡区域,采取线激光头小角度旋转多次扫描,所扫描的每两组点云数据间尽量采取高的重复度,以提高拼接成功率;所述根据模型轮廓特点包括根据航空发动机涡轮空心叶片的模型轮廓特点。
4.如权利要求1所述一种低重复度线激光点云数据拼接方法,其特征在于在步骤2)中,所述对线激光扫描所得的原始三维点云数据进行降噪处理,可分别通过点云半径滤波降噪、点云统计滤波降噪等方法滤除噪点影响,提高拼接成功率及拼接精度;对降噪后的点云数据进行点云简化处理,分别通过体素下采样、半径下采样、均匀下采样、隔点下采样及曲率下采样等方法,简化原始点云数据,在保证拼接成功率及拼接精度的前提下,提高拼接效率;对简化后出现突出毛刺的点云数据,采用移动最小二乘平滑算法进行点云平滑处理,以去除毛刺影响,提高拼接成功率及拼接精度;对上述滤波及平滑无法处理的噪点区域,采取点云裁剪处理,通过人机交互选取裁剪区域的模式,进行点云裁剪,获得可用于点云拼接的点云数据。
5.如权利要求1所述一种低重复度线激光点云数据拼接方法,其特征在于在步骤4)中,所述采用分步式紧边界迭代最近点算法对整体点云数据进行配准,并通过位姿图优化的方式,识别并删除错误的匹配的具体方法可为:对叶盆组点云数据、叶盆组最后一片点云数据与前缘组点云数据、前缘组最后一片点云数据与叶背组第一片点云数据、叶背组点云数据、叶背组最后一片点云数据与后缘组点云数据,均设置相应的拼接阈值(点到面的ICP配准算法的点到对应点所在平面的最大对应距离阈值),采用分步式点到平面ICP算法对整体点云数据进行粗配准与精确配准,通过标准非线性最小二乘法求解,并将拼接结果通过位姿图优化的方式,识别并删除错误的匹配,以此达到全局最优的拼接结果。
6.如权利要求1所述一种低重复度线激光点云数据拼接方法,其特征在于在步骤5)中,所述拼接失败的两组点云数据包括重复度过低、空间匹配位置差别过大而导致拼接失败的两组点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175300.XA CN113962945B (zh) | 2021-10-09 | 2021-10-09 | 一种低重复度线激光点云数据拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175300.XA CN113962945B (zh) | 2021-10-09 | 2021-10-09 | 一种低重复度线激光点云数据拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962945A true CN113962945A (zh) | 2022-01-21 |
CN113962945B CN113962945B (zh) | 2024-06-07 |
Family
ID=79463263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175300.XA Active CN113962945B (zh) | 2021-10-09 | 2021-10-09 | 一种低重复度线激光点云数据拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962945B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820604A (zh) * | 2022-06-27 | 2022-07-29 | 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 |
CN115599526A (zh) * | 2022-10-31 | 2023-01-13 | 上海铼钠克信息技术有限公司(Cn) | 五轴数控机床智能编辑方法、装置、电子设备和存储介质 |
CN116168066A (zh) * | 2023-04-25 | 2023-05-26 | 河海大学 | 基于数据分析的建筑物三维点云配准预处理方法 |
CN116643290A (zh) * | 2023-06-16 | 2023-08-25 | 山西建筑工程集团有限公司 | 一种不规则轮廓的双平台运动补偿的计量方法和系统 |
CN117557442A (zh) * | 2023-12-21 | 2024-02-13 | 江苏集萃激光科技有限公司 | 燃料电池极板3d点云模型获取装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
CN111915723A (zh) * | 2020-08-14 | 2020-11-10 | 广东申义实业投资有限公司 | 一种用于室内的三维全景构建方法和系统 |
CN112002013A (zh) * | 2020-08-27 | 2020-11-27 | 苏州飞特西普三维科技有限公司 | 一种三维交叠式建模方法 |
-
2021
- 2021-10-09 CN CN202111175300.XA patent/CN113962945B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
CN111915723A (zh) * | 2020-08-14 | 2020-11-10 | 广东申义实业投资有限公司 | 一种用于室内的三维全景构建方法和系统 |
CN112002013A (zh) * | 2020-08-27 | 2020-11-27 | 苏州飞特西普三维科技有限公司 | 一种三维交叠式建模方法 |
Non-Patent Citations (1)
Title |
---|
刘宇豪;胡刚华;冯沁;刘雨兮;粟钒峰;: "隧道点云拼接与BIM参数化建模研究", 现代商贸工业, no. 07, 5 March 2020 (2020-03-05), pages 190 - 192 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820604A (zh) * | 2022-06-27 | 2022-07-29 | 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 |
CN115599526A (zh) * | 2022-10-31 | 2023-01-13 | 上海铼钠克信息技术有限公司(Cn) | 五轴数控机床智能编辑方法、装置、电子设备和存储介质 |
CN115599526B (zh) * | 2022-10-31 | 2023-05-16 | 上海铼钠克信息技术有限公司 | 五轴数控机床智能编辑方法、装置、电子设备和存储介质 |
CN116168066A (zh) * | 2023-04-25 | 2023-05-26 | 河海大学 | 基于数据分析的建筑物三维点云配准预处理方法 |
CN116643290A (zh) * | 2023-06-16 | 2023-08-25 | 山西建筑工程集团有限公司 | 一种不规则轮廓的双平台运动补偿的计量方法和系统 |
CN116643290B (zh) * | 2023-06-16 | 2024-04-26 | 山西建筑工程集团有限公司 | 一种不规则轮廓的双平台运动补偿的计量方法和系统 |
CN117557442A (zh) * | 2023-12-21 | 2024-02-13 | 江苏集萃激光科技有限公司 | 燃料电池极板3d点云模型获取装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113962945B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962945A (zh) | 一种低重复度线激光点云数据拼接方法 | |
CN109544456B (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
CN105868498B (zh) | 基于扫描线点云的蒙皮边界特征重构方法 | |
US5471541A (en) | System for determining the pose of an object which utilizes range profiles and synethic profiles derived from a model | |
CN109118574A (zh) | 一种基于三维特征提取的快速逆向建模方法 | |
CN111609811A (zh) | 一种基于机器视觉的大尺寸板材成形在线测量系统与方法 | |
CN110189257B (zh) | 点云获取的方法、装置、系统及存储介质 | |
CN111077844B (zh) | 一种基于实测数据特征引导的零件精确加工方法 | |
CN110728667A (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
CN110910387B (zh) | 一种基于显著性分析的点云建筑物立面窗户提取方法 | |
CN108876744A (zh) | 一种基于区域分割的大尺度点云噪声去噪方法 | |
WO2022148091A1 (zh) | 目标匹配方法、装置和机器人 | |
CN111402330B (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
US20220215629A1 (en) | Method for generating scanning path of machining feature surface of aircraft panel | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN113192116A (zh) | 基于结构光相机的航空叶片厚度参数量测方法 | |
CN109965979A (zh) | 一种无需标志点的稳健的神经导航自动注册方法 | |
Dong et al. | Application of local-feature-based 3D point cloud stitching method of low-overlap point cloud to aero-engine blade measurement | |
CN111259788A (zh) | 头颈拐点的检测方法、装置以及计算机设备 | |
CN110111349A (zh) | 一种基于点云的非刚体复杂构件高精度边缘提取方法 | |
CN108175500A (zh) | 基于手持式三维扫描仪的手术导航空间配准方法 | |
Wang et al. | Multi-view point clouds registration method based on overlap-area features and local distance constraints for the optical measurement of blade profiles | |
CN116580069B (zh) | 一种由粗到精的叶片型面多视场数据配准方法 | |
CN116952154A (zh) | 基于机器视觉的传爆管装配体口部深度测量方法及系统 | |
CN116385356A (zh) | 一种基于激光视觉的正六边形孔特征的提取方法和系统 |
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 |