CN114066948A - 一种点云配准方法、系统、电子设备及存储介质 - Google Patents

一种点云配准方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN114066948A
CN114066948A CN202111393702.7A CN202111393702A CN114066948A CN 114066948 A CN114066948 A CN 114066948A CN 202111393702 A CN202111393702 A CN 202111393702A CN 114066948 A CN114066948 A CN 114066948A
Authority
CN
China
Prior art keywords
point cloud
point
edge
points
information
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
CN202111393702.7A
Other languages
English (en)
Inventor
王琛
李纯明
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111393702.7A priority Critical patent/CN114066948A/zh
Publication of CN114066948A publication Critical patent/CN114066948A/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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Image Analysis (AREA)

Abstract

本发明提供了一种点云配准方法、系统、电子设备及存储介质，属于计算机技术领域。该方法包括：提取不同种类数据的边缘点云；根据所述提取的边缘点云，构建目标函数；最小化所述目标函数，得到点云的变换矩阵，完成点云的配准。本发明构建了一个可以自然地融合具有不同量纲信息的点云配准框架，通过提取具有不同量纲信息的边缘点云，避免了使用具有不同量纲的数据无法直接融合计算的问题，通过使用不同种类信息的边缘，能有效处理目标物体或者环境为形状规则的人造物的情况，通过结合点云中的一般点和边缘点，在保证算法稳定性的同时能有效提升算法精度。

Description

一种点云配准方法、系统、电子设备及存储介质
技术领域
本发明属于计算机技术领域，尤其涉及一种点云配准方法、系统、电子设备及存储介质。
背景技术
点云配准算法是通过求得两片点云数据之间的坐标系变换关系，将点云数据对齐的一种方法，该方法广泛应用于自动驾驶、虚拟现实、机器人以及高精度地图等多种不同的领域。
点云配准算法主要分为全局配准算法和局部配准算法，最常见的全局配准方法是基于特征点匹配的方法，该类方法使用特征点匹配对及鲁棒估计算法，其结果容易受到噪声及误匹配的影响，分支定界算法能帮助全局配准方法找到全局最优解，但是通常具有特别高的计算复杂度。最常见的局部配准方法是基于迭代最近点的方法，同时还存在一些基于正态分布变换和高斯混合模型的方法。近年来也出现了很多基于深度学习的点云配准方法，但是这类方法缺点也非常明显，针对不同类型的数据可能需要重新训练模型，并且高度依赖高性能的硬件设备。
当前已有的点云配准算法仍然存在以下几个问题：1)已有的点云配准算法通常只使用点的坐标和法线，很难用于形状规则化的人造环境；2)当前已有许多分析点云的算法(包括分割和识别等)，但是目前仍无有效框架能将这些分析结果用于点云配准中。
发明内容
针对现有技术中的上述不足，本发明提供的一种点云配准方法、系统、电子设备及存储介质，解决了无法有效融合不同类型的信息以提高点云配准精度的问题。
为了达到以上目的，本发明采用的技术方案为：
第一方面，本发明提供一种点云配准方法，包括以下步骤：
S1、提取不同种类数据的边缘点云；
S2、根据所述提取的边缘点云，构建目标函数；
S3、最小化所述目标函数，得到点云的变换矩阵，完成点云的配准。
本发明的有益效果是：本发明提出了一种基于边缘增强的点云配准方法。该方法在迭代最近点算法的基础上，可融合加入几何边缘、颜色边缘、分割边缘以及其他信息的边缘用于配准中，相对于点云数据描述的物体曲面来说，边缘更能体现物体本身的结构，可以有效帮助提升点云配准的效果。同时该方法能将具有不同的属性信息进行有效融合，避免单一属性信息在点云配准中造成的歧义性问题并且能有效提高配准精度。
可选地，所述步骤S1前还包括：对点云进行预处理。
上述可选方案的有益效果是：可以通过分割或者识别等方法给点云增加更多不同的属性信息，用以提升点云配准精度。
可选地，所述步骤S1包括以下步骤：
S101、针对某一点云中每一点p，搜索所述每一点p在某一点云中的n个最近邻点；
S102、将所述n个最近邻点中的每一个邻点的属性信息与点p的属性信息进行对比，判断不同的点数是否达到预设的第一阈值，若是，则标记点p为边缘点，否则，不标记点p，并将该点云中所有点全部判断完后进入步骤S103；
S103、遍历点云中所有的点，将提取不同信息对应的边缘点组合成不同信息对应的边缘点云，完成边缘点云的提取。
上述可选方案的有益效果是：边缘信息更能反应物体本身的结构，使用边缘信息能有效提升点云配准精度。
可选地，所述步骤S102中将所述n个最近邻点中的每一个邻点的属性信息与点p的属性信息进行对比，具体包括：
针对几何信息，对比所述n个最近邻点中的每一个邻点与点p的法线夹角是否大于预设的第二阈值；
针对颜色信息，对比所述n个最近邻点中的每一个邻点与点p的颜色差值是否大于预设的第三阈值；
针对分类信息，对比所述n个最近邻点中的每一个邻点与点p的标签是否相同。
上述可选方案的有益效果是：通过这种方式可以将不同的属性信息转化为边缘点云，使得不同的属性信息能够有效融合。
可选地，所述步骤S3中目标函数的表达式如下：
Figure BDA0003369218960000031
其中，E表示目标函数，a0和ai均表示非负参数，Edense表示稠密项，由点云中除边缘点的一般点的坐标构成，
Figure BDA0003369218960000032
表示边缘，由第i种属性信息的边缘点云构成，T表示需计算得到的刚性变换所对应的变换矩阵，P表示浮云点云，Q表示目标点云，N表示所使用的属性信息类别的数量，
Figure BDA0003369218960000033
和
Figure BDA0003369218960000034
分别表示从P和Q的第i种属性信息提取的边缘点云。
上述可选方案的有益效果是：通过将原本的点云和使用不同属性提取的边缘点云合并到同一个目标函数中，等价于将点云各种不同的属性信息融合在一起，能有效提升点云配准精度。
第二方面，本发明提供了一种点云配准系统，包括边缘点云提取模块、目标函数构建模块以及点云配准模块；
所述边缘点云提取模块，用于提取不同种类数据的边缘点云；
所述目标函数构建模块，用于根据所述提取的边缘点云，构建目标函数；
所述点云配准模块，用于最小化所述目标函数，得到点云的变换矩阵，完成点云的配准。
本发明的有益效果是：本发明构建了一个可以自然地融合具有不同量纲信息的点云配准系统，通过不同的属性信息分别提取边缘点云，避免了使用具有不同量纲的数据无法直接融合计算的问题，通过使用不同种类信息的边缘，能有效处理目标物体或者环境为形状规则的人造物的情况，通过结合点云中的一般点和边缘点，在保证算法稳定性的同时能有效提升算法精度。
可选地，所述系统还包括预处理模块；
所述预处理模块，用于对点云进行预处理。
上述可选方案的有益效果是：可以通过分割或者识别等方法给点云增加更多不同的属性信息，用以提升点云配准精度。
第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现任一所述的点云配准方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，执行所述计算机程序时实现任一项所述的点云配准方法。
附图说明
图1所示为本发明实施例提供的一种点云配准方法流程图。
图2所示为本发明实施例中某片带颜色的点云示意图。
图3所示为本发明实施例中从图2点云中提取的颜色边缘点云示意图。
图4所示为本发明实施例提供的一种点云配准系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
本发明实施例提供了一种点云配准方法，如图1所示，包括以下步骤S1～S3：
S1、提取不同种类数据的边缘点云；
S2、根据所述提取的边缘点云，构建目标函数；
S3、最小化所述目标函数，得到点云的变换矩阵，完成点云的配准。
本发明实施例中，本发明提供了一种可以有效融合多种不同种类信息的点云配准框架，其通过提取不同种类信息的边缘点云，避免使用具有不同量纲的数据无法直接融合计算的问题，并通过不同种类信息的边缘点云，使用两片点云最近邻点对之间欧式距离的平均值构建目标函数，并最小化该目标函数，即可计算得到将两片点云对齐的刚性变换所对应的变换矩阵，完成整体点云的配准过程。
本发明实施例在迭代最近点算法的基础上，可融合加入几何边缘、颜色边缘、分割边缘以及其他信息的边缘用于配准中，通过使用不同种类信息的边缘，能有效处理目标物体或者环境为形状规则的人造物的情况，通过结合点云中的一般点和边缘点，在保证算法稳定性的同时能有效提升算法精度，相对于点云数据描述的物体曲面来说，边缘更能体现物体本身的结构，可以有效帮助提升点云配准的效果，能将具有不同量纲的信息进行有效融合，通过提取具有不同量纲信息的边缘提升点云配准的效果。
实施例2
针对实施例1的步骤S1，在步骤S1前所述点云配准方法还包括：对点云进行预处理。
本发明实施例中，对点云进行预处理，比如分割或者识别，比如对于表示某些物体或者环境的点云，可通过分割和识别算法给其中每个点预先打上不同的标签，分割和分类的信息可以在后续进一步被使用，同时也可以选择不使用这类信息。例如在处理室内环境的点云时，可以使用分割或者识别方法对室内的家具进行识别，并对点云中的每个点都打上是否属于某个家具的标签。该过程能提供点云每个点所属的物体类别信息，通过引入点云所属物体类别能有效提高点云配准精度。
实施例3
针对实施例1中的步骤S1，其包括以下分步骤S101～S103：
S101、针对某一点云中每一点p，搜索所述每一点p在某一点云中的n个最近邻点；
S102、将所述n个最近邻点中的每一个邻点的属性信息与点p的属性信息进行对比，判断不同的点数是否达到预设的第一阈值，若是，则标记点p为边缘点，否则，不标记点p，并将该点云中所有点全部判断完后进入步骤S103；
S103、遍历点云中所有的点，将提取不同信息对应的边缘点组合成不同信息对应的边缘点云，完成边缘点云的提取。如图2所示，图2为原始点云的示例，图3为使用颜色信息提取的图2所示点云的边缘点云。
本实施例中，步骤S102中点数指代的是n个点中可能会有m个点与点p属性信息不一致，不符合判断条件则不将点p标记为边缘点，继续检测下一个点，直到点云中所有点都被判断为边缘点或者非边缘点。
本发明实施例中，对于点云中任意一点p，首先搜索它在该点云中的n个最近邻点；当这n个最近邻点中某信息与p不一致的点数达到某个比例时，认为p为该信息的边缘点，然后，遍历点云中的所有点，并且提取出不同信息对应的边缘点组合成不同信息对应的边缘点云，完成边缘点云的提取，例如使用法线信息提取墙体交界处作为几何边缘。
本发明实施例中，需要说明的是没有哪种边缘点云是必须使用的，但是所有的边缘点云都可以同时使用。比如，如果点云存在颜色信息，可以提取对应的颜色边缘；如果对点云进行了预分割，可以提取点云的分割边缘。例如在室内环境点云配准中，可以只使用原始的点云，也可以同时使用原始点云和几何边缘点云，或者可以同时使用原始点云、几何边缘点云和颜色边缘点云。
本发明实施例中，将具有不同量纲的信息转换为统一的边缘点云，可以有效融合不同的属性信息，同时该步骤不限制不同属性信息的种类和数量，使用者可以灵活调整需要使用的属性信息。
实施例4
针对实施例3中将所述n个最近邻点中的每一个邻点的属性信息与点p的属性信息进行对比，具体包括：
针对几何信息，对比所述n个最近邻点中的每一个邻点与点p的法线夹角是否大于预设的第二阈值；
针对颜色信息，对比所述n个最近邻点中的每一个邻点与点p的颜色差值是否大于预设的第三阈值；
针对分类信息，对比所述n个最近邻点中的每一个邻点与点p的标签是否相同。
本发明实施例中，针对几何信息，当两点的法线夹角大于某个阈值时，认为在几何信息上这两点不同；针对颜色信息，当两点的颜色差值大于某个阈值时，认为在颜色信息上这两点不同；针对分类信息，当两点的标签不同时，认为在分类信息上这两点不同。例如在比较室内环境点云中两个点的分类标签时，其中一个点标记为柜子，另一个点标记为墙体，则认为这两个点在分类信息上不一致。
本发明实施例中，针对其他的信息，可以对两点的不同进行类似的定义。
本发明实施例中，为边缘点云的提取提出了一个统一的框架，为将通过任意属性信息提取边缘点云提供了一种可行方案。
实施例5
针对实施例1步骤S3中目标函数的表达式如下：
Figure BDA0003369218960000081
其中，E表示目标函数，a0和ai均表示非负参数，且非负参数(其中，ai可表示多个参数)的和为1，Edense表示稠密项，由点云中除边缘点的一般点的坐标构成，
Figure BDA0003369218960000082
表示边缘，由第i种属性信息的边缘点云构成，T表示需计算得到的刚性变换所对应的变换矩阵，P表示浮云点云，Q表示目标点云，N表示所使用的属性信息类别的数量，
Figure BDA0003369218960000083
和
Figure BDA0003369218960000084
分别表示从P和Q的第i种属性信息提取的边缘点云。
本发明实施例中，使用两片点云最近邻点对之间某种距离的平均值构造具体的目标函数。通过最小化该目标函数E，计算得到将两片点云对齐的刚性变换所对应的矩阵T，并完成整个配准过程。例如针对两片不同视角的室内环境浮云点云P和目标点云Q，通过目标函数E计算得到了对应的刚性变换矩阵T之后，可以使用刚性变换矩阵T将浮云点云P与目标点云Q对齐。
本发明实施例中，本发明可以自然地融合具有不同量纲信息的点云配准方法，通过提取具有不同量纲信息的边缘点云，避免了使用具有不同量纲的数据无法直接融合计算的问题，通过使用不同种类信息的边缘，能有效处理目标物体或者环境为形状规则的人造物的情况，通过结合点云中的一般点和边缘点，在保证算法稳定性的同时能有效提升算法精度。
实施例6
本发明实施例提供了一种点云配准系统，如图4所示，包括边缘点云提取模块、目标函数构建模块以及点云配准模块；
所述边缘点云提取模块，用于提取不同种类数据的边缘点云；
所述目标函数构建模块，用于根据所述提取的边缘点云，构建目标函数；
所述点云配准模块，用于最小化所述目标函数，得到点云的变换矩阵，完成点云的配准。
可选择地，所述系统还包括预处理模块。
本发明实施例中，所述边缘点云提取模块包括：最近邻点搜索单元、判断单元和边缘点云提取单元：
最近邻点搜索单元，用于针对某一点云中任意一点p，搜索所述任意一点p在某一点云中n个最近邻点；
判断单元，用于将所述n个最近邻点中的每一个邻点的属性信息与任意一点p的属性信息进行对比，判断不同的点数是否达到预设的第一阈值，若是，则提取点p为边缘点；
边缘点云提取单元，用于遍历点云中所有的点，将提取不同信息对应的边缘点组合成不同信息对应的边缘点云，完成边缘点云的提取。
本发明实施例中，判断单元包括：几何信息判断子单元、颜色信息判断子单元以及分类信息判断子单元：
几何信息判断子单元，用于针对几何信息，对比所述n个最近邻点中的每一个邻点与点p的法线夹角是否大于预设的第二阈值；
颜色信息判断子单元，用于对比所述n个最近邻点中的每一个邻点与点p的颜色差值是否大于预设的第三阈值；
分类信息判断子单元，用于对比所述n个最近邻点中的每一个邻点与点p的标签是否相同。
如图4所示实施例提供的点云配准系统可以执行上述方法实施例点云配准方法所示的技术方案，其实现原理与有益效果类似，此处不再赘述。
本发明实施例中，本申请可以根据点云配准方法进行功能单元的划分，例如可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现，也可以采用软件功能单元的形式来实现。需要说明的是，本发明中对单元的划分是示意性的，仅仅为一种逻辑划分，实际实现时可以有另外的划分方式。
本发明实施例中，点云配准系统为了实现点云配准方法的原理与有益效果，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本发明所公开的实施例描述的各示意单元及算法步骤，本发明能够以硬件和/或硬件和计算机软件结合的形式来实现，某个功能以硬件还是计算机软件驱动的方式来执行，取决于技术方案的特定应用和设计约束条件，可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本发明实施例中，本发明构建了一个可以自然地融合具有不同量纲信息的点云配准系统，通过提取具有不同量纲信息的边缘点云，避免了使用具有不同量纲的数据无法直接融合计算的问题，通过使用不同种类信息的边缘，能有效处理目标物体或者环境为形状规则的人造物的情况，通过结合点云中的一般点和边缘点，在保证算法稳定性的同时能有效提升算法精度。
实施例7
本发明实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如实施例1-实施例5中任意一种所述的点云配准方法的部分或全部步骤。
本实施例中，电子设备可以包括：处理器，存储器，总线和通信接口，处理器、通信接口和存储器通过总线连接，存储器中存储有可在处理器上运行的计算机程序，处理器运行该计算机程序时执行本申请前述实施例1所提供的点云配准方法的部分或全部步骤。
实施例8
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，执行所述计算机程序时实现如实施例1-实施例5中任意一种所述的点云配准方法的部分或全部步骤。
上述计算机可读存储介质可以中由任何类型的易失性或非易失性存储设备或他们的组合实现，如静态随机存取存储器(SRAM)，可擦除可维和只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘，可读存储介质可以是通用或专用计算机能够存取的任何可用介质。可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息，可读存储介质也可以是处理器组成部分，处理器和可读存储介质可以位于专用集成电路(ASIC)中，处理器和可读存储介质也可以作为分立组件存在于点去配准系统中。
本发明实施例可提供为方法、装置、或计算机程序产品，因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且本发明可采用一个或多个其中包括有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程和/或方框图来描述的，应理解可由计算机程序指令实现流程图和/或方框图中每一流程和/或方框图、以及流程图和/或方框图的结合，可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图中一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域的技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种点云配准方法，其特征在于，包括以下步骤：
S1、提取不同种类数据的边缘点云；
S2、根据所述提取的边缘点云，构建目标函数；
S3、最小化所述目标函数，得到点云的变换矩阵，完成点云的配准。
2.根据权利要求1所述的点云配准方法，其特征在于，所述步骤S1前还包括：对点云进行预处理。
3.根据权利要求1所述的点云配准方法，其特征在于，所述步骤S1包括以下步骤：
S101、针对某一点云中每一点p，搜索所述每一点p在该点云中的n个最近邻点；
S102、将所述n个最近邻点中的每一个邻点的属性信息与点p的属性信息进行对比，判断不同的点数是否达到预设的第一阈值，若是，则标记点p为边缘点，否则，不标记点p，并将该点云中所有点全部判断完后进入步骤S103；
S103、遍历点云中所有的点，将提取不同信息对应的边缘点组合成不同信息对应的边缘点云，完成边缘点云的提取。
4.根据权利要求3所述的点云配准方法，其特征在于，所述步骤S102中将所述n个最近邻点中的每一个邻点的属性信息与点p的属性信息进行对比，具体包括：
针对几何信息，对比所述n个最近邻点中的每一个邻点与点p的法线夹角是否大于预设的第二阈值；
针对颜色信息，对比所述n个最近邻点中的每一个邻点与点p的颜色差值是否大于预设的第三阈值；
针对分类信息，对比所述n个最近邻点中的每一个邻点与点p的标签是否相同。
5.根据权利要求1所述的点云配准方法，其特征在于，所述步骤S3中目标函数的表达式如下：
Figure FDA0003369218950000021
其中，E表示目标函数，a0和ai均表示非负参数，Edense表示稠密项，由点云中除边缘点的一般点的坐标构成，
Figure FDA0003369218950000022
表示边缘，由第i种属性信息的边缘点云构成，T表示需计算得到的刚性变换所对应的变换矩阵，P表示浮云点云，Q表示目标点云，N表示所使用的属性信息类别的数量，
Figure FDA0003369218950000023
和
Figure FDA0003369218950000024
分别表示从P和Q的第i种属性信息提取的边缘点云。
6.一种点云配准系统，其特征在于，包括边缘点云提取模块、目标函数构建模块以及点云配准模块；
所述边缘点云提取模块，用于提取不同种类数据的边缘点云；
所述目标函数构建模块，用于根据所述提取的边缘点云，构建目标函数；
所述点云配准模块，用于最小化所述目标函数，得到点云的变换矩阵，完成点云的配准。
7.根据权利要求6所述的点云配准系统，其特征在于，所述系统还包括预处理模块；
所述预处理模块，用于对点云进行预处理。
8.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5中任一所述的点云配准方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，执行所述计算机程序时实现如权利要求1-5任一项所述的点云配准方法的步骤。
CN202111393702.7A 2021-11-23 2021-11-23 一种点云配准方法、系统、电子设备及存储介质 Pending CN114066948A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111393702.7A CN114066948A (zh) 2021-11-23 2021-11-23 一种点云配准方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111393702.7A CN114066948A (zh) 2021-11-23 2021-11-23 一种点云配准方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114066948A true CN114066948A (zh) 2022-02-18

Family

ID=80279558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111393702.7A Pending CN114066948A (zh) 2021-11-23 2021-11-23 一种点云配准方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114066948A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190073744A1 (en) * 2017-09-01 2019-03-07 Tata Consultancy Services Limited Systems and methods for shape constrained 3d point cloud registration
CN113344992A (zh) * 2021-05-31 2021-09-03 山东大学 一种全局点云配准方法、系统、存储介质及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190073744A1 (en) * 2017-09-01 2019-03-07 Tata Consultancy Services Limited Systems and methods for shape constrained 3d point cloud registration
CN113344992A (zh) * 2021-05-31 2021-09-03 山东大学 一种全局点云配准方法、系统、存储介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王琛等: "基于图像边缘的彩色点云配准", 《中国体视学与图像分析》 *

Similar Documents

Publication Publication Date Title
WO2024077812A1 (zh) 基于点云语义分割与结构拟合的单体建筑三维重建方法
US9619691B2 (en) Multi-view 3D object recognition from a point cloud and change detection
Yokoyama et al. Detection and classification of pole-like objects from mobile laser scanning data of urban environments
Lin et al. A fast, complete, point cloud based loop closure for LiDAR odometry and mapping
CN110688947B (zh) 一种同步实现人脸三维点云特征点定位和人脸分割的方法
Jiang et al. Reliable image matching via photometric and geometric constraints structured by Delaunay triangulation
CN113223013B (zh) 一种肺血管分段定位的方法、装置、设备及存储介质
Wei et al. Automatic coarse registration of point clouds using plane contour shape descriptor and topological graph voting
CN114782499A (zh) 一种基于光流和视图几何约束的图像静态区域提取方法及装置
Cupec et al. Object recognition based on convex hull alignment
CN112749673A (zh) 一种基于遥感影像智能提取储油罐库存的方法及装置
Belter et al. On the performance of pose-based RGB-D visual navigation systems
Liu et al. A novel rock-mass point cloud registration method based on feature line extraction and feature point matching
US8467607B1 (en) Segmentation-based feature pooling for object models
Jiang et al. High speed long-term visual object tracking algorithm for real robot systems
CN109840529B (zh) 一种基于局部敏感置信度评估的图像匹配方法
CN117315263B (zh) 一种目标轮廓装置、训练方法、分割方法、电子设备及存储介质
Choi et al. Regression with residual neural network for vanishing point detection
CN114972947B (zh) 一种基于模糊语义建模的深度场景文本检测方法和装置
CN114882192B (zh) 一种建筑立面的分割方法、装置、电子设备以及存储介质
CN114066948A (zh) 一种点云配准方法、系统、电子设备及存储介质
Ai et al. Geometry preserving active polygon-incorporated sign detection algorithm
Sun et al. Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method
Ahmadyfard et al. Using relaxation technique for region-based object recognition
Talebi et al. Nonparametric scene parsing in the images of buildings

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220218