CN114419130A - 一种基于图像特征和三维点云技术的散料体积测量方法 - Google Patents
一种基于图像特征和三维点云技术的散料体积测量方法 Download PDFInfo
- Publication number
- CN114419130A CN114419130A CN202111578028.XA CN202111578028A CN114419130A CN 114419130 A CN114419130 A CN 114419130A CN 202111578028 A CN202111578028 A CN 202111578028A CN 114419130 A CN114419130 A CN 114419130A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- bucket
- image
- laser radar
- 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.)
- Pending
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013590 bulk material Substances 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000005477 standard model Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012546 transfer 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于图像特征和三维点云的散料体积测量方法，包括：于铲车上固定设置三维激光雷达和数字相机，获得铲斗及其装载物全貌信息；点云数据的采集和预处理，通过滤波和聚类算法优化采集到的点云数据；融合图像和点云信息，标定激光雷达和数字相机之间的参数，将点云投影到像素平面，融合图像的直线特征和点云信息；获取基准平面；三角化散料表面点云，通过贪心三角化对降采样后的点云划分三角网格；计算体积：计算每一个三角网格对应的斜截三棱柱的体积，然后进行累加得到最终散料体积。本发明方法计算速度快，步骤简单，结果准确；通过采集铲斗的点云和图像信息，实现实时的体积计算，适于建筑工地等工矿复杂环境中的实时监测。
Description
技术领域
本发明属于工程测量技术领域，具体涉及一种基于图像特征和三维点云技术的散料体积测量方法。
背景技术
当前工程现场深厚覆盖层超规范振冲成桩工艺的质量管控困难，特别是冲桩深(35M)、振动强(振冲器超200KW)、成孔不规则，使现场随机填料量难以精确统计。因此，需要一种快速精准的散料体积测量方法，通过转动提取散料体积，一方面可以提高工程的实施效率，另一方面也可以避免因人为疏忽造成的用料不足问题，提高工程建设的质量和速度。
近年来，随着三维激光雷达技术的迅猛发展，这种能快速获取周围环境信息的传感器在众多领域都获得了广泛的应用。激光雷达作为主动获取环境信息的传感器。与传统的视觉传感器相比，具有更好的抗干扰能力和更高的精度，并且能更快捷精准地获取环境的深度信息。
发明内容
本发明所要解决的问题是针对实际工程实施过程中对散料体积快速精准测量的需求，提出一种基于图像特征和三维点云技术的体积测量方法，其计算速度快，结果准确，能够适应于建筑工地等复杂工作环境。
本发明散料体积测量方法应用于建筑工程施工的散料回填或短距离散料转运施工等作业中，通常散料运输采用铲斗挖掘机进行，其铲装和倾倒均为机械作业；本发明通过对挖掘机铲斗的实时测量获得散料体积快速精准测量。
本发明通过以下技术方案实现：
一种基于图像特征和三维点云的散料体积测量方法，包括以下方法：
步骤一、于铲车上固定设置三维激光雷达和数字相机，获得铲斗及其装载物全貌信息；
步骤二、点云数据的采集和预处理：通过滤波和聚类算法优化采集到的点云数据；
步骤三、融合图像和点云信息：标定激光雷达和数字相机之间的参数，将点云投影到像素平面，融合图像的直线特征和点云信息；
步骤四、获取基准平面；
步骤五、三角化散料表面点云：通过贪心三角化对降采样后的点云划分三角网格；
步骤六、计算体积：计算每一个三角网格对应的斜截三棱柱的体积，然后进行累加得到最终散料体积。
进一步所述步骤二点云数据的采集和预处理包括：
步骤201、考虑到此方法是在铲车作业过程中持续进行的，所以缩短点云数据的采集时长，以减少晃动引起的误差。取采集时长为0.2秒，即0.2秒内采集到的点云存为一帧；
步骤202、铲斗左右宽度为W，根据铲车铲斗只上下运动和沿着左右轴翻转，而不左右平移的运动特点，以雷达的安装位置为原点，铲斗所能到达的最高高度为Hmax，能到达的最低高度为Hmin，距离雷达最近距离为Dmax，距离雷达最近距离为Dmin，以此取直通滤波的参数Xmin＝DMin，Xmax＝Dmax，Ymin＝-W/2，Ymax＝W/2，Zmin＝Hmin，Zmax＝Hmax；直通滤波后的点云包括铲斗点云和一部分地面点云；
步骤203、通过欧几里得距离聚类算法，将点云分为铲斗和地面两部分，并剔除地面点云，留下铲斗散料点云数据作为优化采集到的点云数据。
进一步所述步骤三融合图像和点云信息包括：
步骤301、针对铲斗的形状，提取铲斗的两条相邻边界来确定基准平面位置；两条边界有公共交点为O；
标定激光雷达和数字相机坐标系之间的关系，固定激光雷达和数字相机的相对位置；像素坐标系和激光雷达坐标系的转换关系如下：
式中：fu和fv分别为水平与垂直方向上的有效焦距长度，u0和v0为图像中心点位置坐标，R与T分别为数字相机与激光雷达间的旋转矩阵和平移矩阵，构成相机的外参矩阵；其中u、v是图像的像素坐标；mij为内外参数联合变换矩阵参数共同构成矩阵M；
采集铲斗的点云和图像信息，根据点云与图像数据的相对投影关系可知：
其中u、v是图像的像素坐标，M为标定得到的转换矩阵，A为点云中需要投影到像素平面的目标点。
进一步所述步骤四获取基准平面包括：
步骤401、通过LSD算法提取图像信息中的铲斗边界，并将线段连接成线；通过点云和图像的相对转换关系，找到符合投影到直线上的点；根据成像原理，由点云中投影到图像上同一像素的点，在空间中大致呈一条线分布；通过RANSAC与最小二乘拟合直线，保持提取到的两条直线有交点；
步骤402、采集到的铲斗散料点云数据不超过铲斗的边界，通过经纬线扫描法获得点云的边界，具体过程如下：
将点云投影到xoy平面上，从Xmin到Xmax，以步长dx，依次找到[xn,xn+dx]区间内的ymin和ymax，将寻找到的点的索引保存到链表中；再从Ymin到Ymax，以步长dy，依次找到[y1,y1+dy]区间内的xmin和xmax，将寻找到的点的索引保存到链表中，并剔除重复点的索引；
再将点云数据投影到yoz，xoz平面上，重复上述步骤，找到所有的边界点；对边界点云进行多直线拟合，取包含直线点数最多的两条直线作为基准直线；同时确定基准平面的法向量和参数方程为Ax+By+Cz+D＝0；
步骤403、对得到的基准直线，通过步骤301中的相机雷达坐标的转换关系进行验证。
进一步所述步骤五三角化散料表面点云包括：
步骤501、将点云中的点与单位化的基准直线作点乘，点乘结果大于铲斗长宽尺寸的点即为超出范围的点，需要进行剔除；
对剩余的点进行贪心三角化，获得三角化后点归属于哪一个三角面的信息；
对于破面的情况，分别进行体素滤波和插值，其中设置体素方格为0.02*0.02*0.02获得较少破洞的面；
步骤502、破面的插值算法：组成破面的三条边只属于一个三角面，而组成完整面的三条边则归属由两个三角面共用；找到组成每一个破面的点；再对组成破面的点进行贪心三角形划分。
进一步所述步骤六计算体积包括：
步骤601、计算每一个斜截三棱柱的体积；取一个三角面ABC，A、B、C的坐标分别为(XA,YA,ZA)、(XB,YB,ZB)、(XC,YC,ZC)；斜截三棱柱的体积由三棱柱AED-A’B’C’和四棱锥A-BCED两部分相加得到；
将所有的斜截三棱柱的体积相加，在加上铲斗标准模型的体积，即得最终散料体积。
本发明步骤201中采用Livox-Horizon激光雷达，非重复扫描采集前方81.7°×25.1°的范围；点云坐标系以向前为X轴正方向，向左为Y轴正方向，向上为Z轴正方向；雷达摆放位置保持雷达坐标系Y轴和铲车横向重合。
本发明步骤203中，对于激光雷达扫描过程中在边界产生放射状的杂散点，先通过高斯统计滤波去除杂散点，再根据距离上的连通进行欧几里德聚类分割。
本发明步骤301中标定激光雷达和数字相机之间的参数具体步骤为：固定激光雷达和数字相机的相对位置，利用标定板采集多组激光雷达和数字相机数据，通过手动选取激光雷达和数字相机中相对应的点对坐标，通过超静定结算得到雷达点坐标(x,y,z)和相机像素坐标(u,v)之间的转换关系，用矩阵M表示。上述手动选取激光雷达和数字相机中相对应的点对坐标是选取角点坐标。
本发明基于图像特征的散料体积测量方法，计算速度快，步骤简单，结果准确；通过采集铲斗的点云和图像信息，实现实时的体积计算，硬件计算压力小，适用于建筑工地等工矿复杂环境中的实时体积测量和进度监测。
附图说明
图1本发明测量方法流程图；
图2本发明测量方法提取铲斗点云边缘示意图；
图3本发明测量方法表面点云三角化示意图；
图4本发明测量方法斜截三棱柱示意图。
具体实施方式
下面结合具体实施方式对本发明进一步说明，具体实施方式是对本发明原理的进一步说明，不以任何方式限制本发明，与本发明相同或类似技术均没有超出本发明保护的范围。
结合附图。
一种基于图像特征和三维点云技术的散料体积测量方法，包括以下步骤：
步骤一、于铲车上固定设置三维激光雷达和数字相机，获得铲斗及其装载物全貌信息；三维激光雷达和数字相机固定在铲车上方，固定的位置以能在铲斗自然抬起的过程中扫到铲斗全貌为宜。
步骤二、点云数据的采集和预处理；结合图2；
步骤201、考虑到此方法是在铲车作业过程中持续进行的，所以缩短点云数据的采集时长，以减少晃动引起误差。取采集时长为0.2秒，即0.2秒内采集到的点云存为一帧；
步骤202、铲斗左右宽度为W，根据铲车铲斗只上下运动和沿着左右轴翻转，而不左右平移的运动特点，以雷达的安装位置为原点，铲斗所能到达的最高高度为Hmax，能到达的最低高度为Hmin，距离雷达最近距离为Dmax，距离雷达最近距离为Dmin，以此取直通滤波的参数Xmin＝DMin，Xmax＝Dmax，Ymin＝-W/2，Ymax＝W/2，Zmin＝Hmin，Zmax＝Hmax。直通滤波后的点云包括铲斗点云和一部分地面点云。
步骤203、由于铲斗和散料点云与地面点云是不相连的，通过欧几里得距离聚类算法，可将点云分为铲斗和地面两部分，并剔除地面点云，留下铲斗散料点云数据做进一步处理。
步骤三、融合图像和点云信息；
步骤301、针对铲斗的形状，提取铲斗的两条相邻边界来确定基准平面位置。两条边界有公共交点为O。
标定激光雷达和数字相机坐标系之间的关系，固定激光雷达和数字相机的相对位置。像素坐标系和激光雷达坐标系的转换关系如下：
式中：fu和fv分别为水平与垂直方向上的有效焦距长度，u0和v0为图像中心点位置坐标，R与T分别为数字相机与激光雷达间的旋转矩阵和平移矩阵，构成数字相机的外参矩阵；其中u、v是图像的像素坐标；mij为内外参数联合变换矩阵参数共同构成矩阵M。
采集铲斗的点云和图像信息，根据点云与图像数据的相对投影关系可知：
其中u、v是图像的像素坐标，M为标定得到的转换矩阵，A为点云中需要投影到像素平面的目标点。
步骤四、获取基准平面；
步骤401、通过LSD算法提取图像中的铲斗边界，并将线段连接成线。通过点云和图像的相对转换关系，找到符合投影到直线上的点。根据成像原理可知，由点云中投影到图像上同一像素的点，在空间中大致呈一条线分布。并通过RANSAC与最小二乘拟合直线，且保持提取到的两条直线有交点。
步骤402、采集到的铲斗散料点云数据不会超过铲斗的边界，于是通过经纬线扫描法获得点云的边界，具体过程如下：
将点云投影到xoy平面上，从Xmin到Xmax，以步长dx，依次找到[xn,xn+dx]区间内的ymin和ymax，将寻找到的点的索引保存到链表中；再从Ymin到Ymax，以步长dy，依次找到[y1,y1+dy]区间内的xmin和xmax，将寻找到的点的索引保存到链表中，并剔除重复点的索引。
再将点云数据投影到yoz，xoz平面上，重复上述步骤，找到所有的边界点。对边界点云进行多直线拟合，取包含直线点数最多的两条直线作为基准直线。同时也就确定了基准平面的法向量和参数方程，Ax+By+Cz+D＝0。
步骤403、对得到的基准直线，通过步骤301中的相机雷达坐标的转换关系进行验证。
步骤五、三角化散料表面点云；结合图3；
步骤501、将点云中的点与单位化的基准直线作点乘，点乘结果大于铲斗长宽尺寸的点即为超出范围的点，需要进行剔除。
对剩余的点进行贪心三角化，获得三角化后点归属于哪一个三角面的信息。
对于破面的情况，分别进行体素滤波和插值，其中设置体素方格为0.02*0.02*0.02可以获得较少破洞的面。
步骤502、破面的插值算法：
组成破面的三条边只属于一个三角面，而组成完整面的三条边则归属由两个三角面共用。由此可找到组成每一个破面的点。在对组成破面的点进行贪心三角形划分。
步骤六、计算体积；
步骤601、计算每一个斜截三棱柱的体积。如图4所示，取一个三角面ABC，A、B、C的坐标分别为(XA,YA,ZA)、(XB,YB,ZB)、(XC,YC,ZC)。斜截三棱柱的体积由三棱柱AED-A’B’C’和四棱锥A-BCED两部分相加得到。
由步骤二得到的两条基准直线分别为OM、ON，则斜三棱柱的体积可以表示为：
其中：
AF＝2SA'B'C'/|B'C'|
将所有的斜截三棱柱的体积相加，在加上铲斗标准模型的体积，即得散料的最终体积。
Claims (10)
1.一种基于图像特征和三维点云的散料体积测量方法，其特征在于包括以下方法：
步骤一、于铲车上固定设置三维激光雷达和数字相机，获得铲斗及其装载物全貌信息；
步骤二、点云数据的采集和预处理：通过滤波和聚类算法优化采集到的点云数据；
步骤三、融合图像和点云信息：标定激光雷达和数字相机之间的参数，将点云投影到像素平面，融合图像的直线特征和点云信息；
步骤四、获取基准平面；
步骤五、三角化散料表面点云：通过贪心三角化对降采样后的点云划分三角网格；
步骤六、计算体积：计算每一个三角网格对应的斜截三棱柱的体积，然后进行累加得到最终散料体积。
2.根据权利要求1所述的基于图像特征和三维点云的散料体积测量方法，其特征在于步骤二所述点云数据的采集和预处理包括：
步骤201、三维激光雷达一次采集信息的时长为0.2秒；
步骤202、铲斗左右宽度为W，根据铲车铲斗只上下运动和沿着左右轴翻转、不左右平移的运动特点，以雷达的安装位置为原点，铲斗所能到达的最高高度为Hmax，能到达的最低高度为Hmin，距离雷达最近距离为Dmax，距离雷达最近距离为Dmin，以此取直通滤波的参数Xmin＝DMin，Xmax＝Dmax，Ymin＝-W/2，Ymax＝W/2，Zmin＝Hmin，Zmax＝Hmax；直通滤波后的点云包括铲斗点云和部分地面点云；
步骤203、通过欧几里得距离聚类算法，将点云分为铲斗和地面两部分，并剔除地面点云，留下铲斗散料点云数据作为优化采集到的点云数据。
3.根据权利要求2所述的基于图像特征和三维点云的散料体积测量方法，其特征在于步骤三所述融合图像和点云信息包括：
步骤301、针对铲斗的形状，提取铲斗的两条相邻边界来确定基准平面位置；两条边界有公共交点为O；
标定激光雷达和数字相机坐标系之间的关系，固定激光雷达和数字相机的相对位置；像素坐标系和激光雷达坐标系的转换关系如下：
式中：fu和fv分别为水平与垂直方向上的有效焦距长度，u0和v0为图像中心点位置坐标，R与T分别为数字相机与激光雷达间的旋转矩阵和平移矩阵，构成相机的外参矩阵；其中u、v是图像的像素坐标；mij为内外参数联合变换矩阵参数共同构成矩阵M；
采集铲斗的点云和图像信息，根据点云与图像数据的相对投影关系可知：
其中u、v是图像的像素坐标，M为标定得到的转换矩阵，A为点云中需要投影到像素平面的目标点。
4.根据权利要求3所述的基于图像特征和三维点云的散料体积测量方法，其特征在于步骤四所述获取基准平面包括：
步骤401、通过LSD算法提取图像信息中的铲斗边界，并将线段连接成线；通过点云和图像的相对转换关系，找到符合投影到直线上的点；根据成像原理，由点云中投影到图像上同一像素的点，在空间中大致呈一条线分布；通过RANSAC与最小二乘拟合直线，保持提取到的两条直线有交点；
步骤402、采集到的铲斗散料点云数据不超过铲斗的边界，通过经纬线扫描法获得点云的边界，具体过程如下：
将点云投影到xoy平面上，从Xmin到Xmax，以步长dx，依次找到[xn,xn+dx]区间内的ymin和ymax，将寻找到的点的索引保存到链表中；再从Ymin到Ymax，以步长dy，依次找到[y1,y1+dy]区间内的xmin和xmax，将寻找到的点的索引保存到链表中，并剔除重复点的索引；
再将点云数据投影到yoz，xoz平面上，重复上述步骤，找到所有的边界点；对边界点云进行多直线拟合，取包含直线点数最多的两条直线作为基准直线；同时确定基准平面的法向量和参数方程为Ax+By+Cz+D＝0；
步骤403、对得到的基准直线，通过步骤301中的相机雷达坐标的转换关系进行验证。
5.根据权利要求4所述的基于图像特征和三维点云的散料体积测量方法，其特征在于步骤五所述三角化散料表面点云包括：
步骤501、将点云中的点与单位化的基准直线作点乘，点乘结果大于铲斗长宽尺寸的点即为超出范围的点，需要进行剔除；
对剩余的点进行贪心三角化，获得三角化后点归属于哪一个三角面的信息；
对于破面的情况，分别进行体素滤波和插值，其中设置体素方格为0.02*0.02*0.02获得较少破洞的面；
步骤502、破面的插值算法：组成破面的三条边只属于一个三角面，而组成完整面的三条边则归属由两个三角面共用；找到组成每一个破面的点；再对组成破面的点进行贪心三角形划分。
6.根据权利要求5所述的基于图像特征和三维点云的散料体积测量方法，其特征在于步骤六所述计算体积包括：
步骤601、计算每一个斜截三棱柱的体积；取一个三角面ABC，A、B、C的坐标分别为(XA,YA,ZA)、(XB,YB,ZB)、(XC,YC,ZC)；斜截三棱柱的体积由三棱柱AED-A’B’C’和四棱锥A-BCED两部分相加得到；
将所有的斜截三棱柱的体积相加，在加上铲斗标准模型的体积，即得最终散料体积。
7.根据权利要求5所述的基于图像特征和三维点云的散料体积测量方法，其特征在于：步骤201中采用Livox-Horizon激光雷达，非重复扫描采集前方81.7°×25.1°的范围；点云坐标系以向前为X轴正方向，向左为Y轴正方向，向上为Z轴正方向；雷达摆放位置保持雷达坐标系Y轴和铲车横向重合。
8.根据权利要求5所述的基于图像特征和三维点云的散料体积测量方法，其特征在于：步骤203中，对于激光雷达扫描过程中在边界产生放射状的杂散点，先通过高斯统计滤波去除杂散点，再根据距离上的连通进行欧几里德聚类分割。
9.根据权利要求5所述的基于图像特征和三维点云的散料体积测量方法，其特征在于：步骤301中标定激光雷达和数字相机之间的参数具体步骤为：固定激光雷达和数字相机的相对位置，利用标定板采集多组激光雷达和数字相机数据，通过手动选取激光雷达和数字相机中相对应的点对坐标，通过超静定结算得到雷达点坐标(x,y,z)和相机像素坐标(u,v)之间的转换关系，用矩阵M表示。
10.根据权利要求9所述的基于图像特征和三维点云的散料体积测量方法，其特征在于：通过手动选取激光雷达和数字相机中相对应的点对坐标是选取角点坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578028.XA CN114419130A (zh) | 2021-12-22 | 2021-12-22 | 一种基于图像特征和三维点云技术的散料体积测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578028.XA CN114419130A (zh) | 2021-12-22 | 2021-12-22 | 一种基于图像特征和三维点云技术的散料体积测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419130A true CN114419130A (zh) | 2022-04-29 |
Family
ID=81267038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111578028.XA Pending CN114419130A (zh) | 2021-12-22 | 2021-12-22 | 一种基于图像特征和三维点云技术的散料体积测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419130A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972351A (zh) * | 2022-08-01 | 2022-08-30 | 深圳煜炜光学科技有限公司 | 矿车矿量检测方法、装置及设备 |
| CN114998419A (zh) * | 2022-08-02 | 2022-09-02 | 西安科技大学 | 一种基于地形点云的沟壑体积变化切片方法 |
| CN115564820A (zh) * | 2022-11-10 | 2023-01-03 | 武汉工程大学 | 基于贪婪投影三角化的体积确定方法、系统、设备及介质 |
| CN115620278A (zh) * | 2022-11-15 | 2023-01-17 | 广州奇志信息科技有限公司 | 一种识别和测量物料的方法 |
| CN115824052A (zh) * | 2023-02-14 | 2023-03-21 | 长沙空维激光技术服务有限公司 | 一种基于激光雷达点云数据的堆料体积测量方法 |
| CN116071694A (zh) * | 2023-03-07 | 2023-05-05 | 浙江华是科技股份有限公司 | 船舶检测方法、装置及计算机可读存储介质 |
| CN116449393A (zh) * | 2023-06-15 | 2023-07-18 | 天津美腾科技股份有限公司 | 一种针对大中型料堆多传感器测量方法和系统 |
| CN117647791A (zh) * | 2023-12-12 | 2024-03-05 | 西安因诺航空科技有限公司 | 基于无人机航拍的3d点云逐点微元土石方体积测量方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778720A (zh) * | 2015-05-07 | 2015-07-15 | 东南大学 | 一种基于空间不变特性的快速体积测量方法 |
| CN107767457A (zh) * | 2017-10-09 | 2018-03-06 | 东南大学 | 一种基于点云快速重建的stl数模生成方法 |
| CN109948189A (zh) * | 2019-02-19 | 2019-06-28 | 江苏徐工工程机械研究院有限公司 | 一种挖掘机铲斗物料体积与重量测量系统 |
| CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
| CN110675431A (zh) * | 2019-10-08 | 2020-01-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种融合图像和激光点云的三维多目标跟踪方法 |
| CN111369630A (zh) * | 2020-02-27 | 2020-07-03 | 河海大学常州校区 | 一种多线激光雷达与相机标定的方法 |
| CN112033385A (zh) * | 2020-11-03 | 2020-12-04 | 湖南联智科技股份有限公司 | 一种基于海量点云数据的桥墩位姿测量方法 |
| US20210078597A1 (en) * | 2019-05-31 | 2021-03-18 | Beijing Sensetime Technology Development Co., Ltd. | Method and apparatus for determining an orientation of a target object, method and apparatus for controlling intelligent driving control, and device |
| CN112687005A (zh) * | 2020-12-18 | 2021-04-20 | 苏州同港无人机研究院有限公司 | 一种基于三维重建的煤堆体积测量方法 |
| CN113093216A (zh) * | 2021-06-07 | 2021-07-09 | 山东捷瑞数字科技股份有限公司 | 一种激光雷达和相机融合的不规则物体测量方法 |
-
2021
- 2021-12-22 CN CN202111578028.XA patent/CN114419130A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778720A (zh) * | 2015-05-07 | 2015-07-15 | 东南大学 | 一种基于空间不变特性的快速体积测量方法 |
| CN107767457A (zh) * | 2017-10-09 | 2018-03-06 | 东南大学 | 一种基于点云快速重建的stl数模生成方法 |
| CN109948189A (zh) * | 2019-02-19 | 2019-06-28 | 江苏徐工工程机械研究院有限公司 | 一种挖掘机铲斗物料体积与重量测量系统 |
| CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
| US20210078597A1 (en) * | 2019-05-31 | 2021-03-18 | Beijing Sensetime Technology Development Co., Ltd. | Method and apparatus for determining an orientation of a target object, method and apparatus for controlling intelligent driving control, and device |
| CN110675431A (zh) * | 2019-10-08 | 2020-01-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种融合图像和激光点云的三维多目标跟踪方法 |
| CN111369630A (zh) * | 2020-02-27 | 2020-07-03 | 河海大学常州校区 | 一种多线激光雷达与相机标定的方法 |
| CN112033385A (zh) * | 2020-11-03 | 2020-12-04 | 湖南联智科技股份有限公司 | 一种基于海量点云数据的桥墩位姿测量方法 |
| CN112687005A (zh) * | 2020-12-18 | 2021-04-20 | 苏州同港无人机研究院有限公司 | 一种基于三维重建的煤堆体积测量方法 |
| CN113093216A (zh) * | 2021-06-07 | 2021-07-09 | 山东捷瑞数字科技股份有限公司 | 一种激光雷达和相机融合的不规则物体测量方法 |
Non-Patent Citations (3)
| Title |
|---|
| FENG LIN等: "Establishment of high precision terrain model of eroded gully with UAV oblique aerial photos and ground control points", 《TRANSACTIONS OF THE CHINESE SOCIETY OF AGRICULTURAL ENGINEERING》, 24 May 2018 (2018-05-24) * |
| 侯岱双: "转向架轴距尺寸与平行度三维检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 January 2021 (2021-01-15) * |
| 杜秋;郭广礼;: "三维激光扫描点云边界提取研究", 金属矿山, no. 10, 15 October 2017 (2017-10-15) * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972351A (zh) * | 2022-08-01 | 2022-08-30 | 深圳煜炜光学科技有限公司 | 矿车矿量检测方法、装置及设备 |
| CN114972351B (zh) * | 2022-08-01 | 2022-11-11 | 深圳煜炜光学科技有限公司 | 矿车矿量检测方法、装置及设备 |
| CN114998419A (zh) * | 2022-08-02 | 2022-09-02 | 西安科技大学 | 一种基于地形点云的沟壑体积变化切片方法 |
| CN114998419B (zh) * | 2022-08-02 | 2022-11-04 | 西安科技大学 | 一种基于地形点云的沟壑体积变化切片方法 |
| CN115564820A (zh) * | 2022-11-10 | 2023-01-03 | 武汉工程大学 | 基于贪婪投影三角化的体积确定方法、系统、设备及介质 |
| CN115564820B (zh) * | 2022-11-10 | 2023-03-21 | 武汉工程大学 | 基于贪婪投影三角化的体积确定方法、系统、设备及介质 |
| CN115620278A (zh) * | 2022-11-15 | 2023-01-17 | 广州奇志信息科技有限公司 | 一种识别和测量物料的方法 |
| CN115824052A (zh) * | 2023-02-14 | 2023-03-21 | 长沙空维激光技术服务有限公司 | 一种基于激光雷达点云数据的堆料体积测量方法 |
| CN116071694A (zh) * | 2023-03-07 | 2023-05-05 | 浙江华是科技股份有限公司 | 船舶检测方法、装置及计算机可读存储介质 |
| CN116449393A (zh) * | 2023-06-15 | 2023-07-18 | 天津美腾科技股份有限公司 | 一种针对大中型料堆多传感器测量方法和系统 |
| CN116449393B (zh) * | 2023-06-15 | 2023-09-22 | 天津美腾科技股份有限公司 | 一种针对大中型料堆多传感器测量方法和系统 |
| CN117647791A (zh) * | 2023-12-12 | 2024-03-05 | 西安因诺航空科技有限公司 | 基于无人机航拍的3d点云逐点微元土石方体积测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419130A (zh) | 一种基于图像特征和三维点云技术的散料体积测量方法 | |
| CN112132972B (zh) | 一种激光与图像数据融合的三维重建方法及系统 | |
| CN113436260B (zh) | 基于多传感器紧耦合的移动机器人位姿估计方法和系统 | |
| CN112396664B (zh) | 一种单目摄像机与三维激光雷达联合标定及在线优化方法 | |
| CN112270713B (zh) | 标定方法以及装置、存储介质、电子装置 | |
| CN111275750B (zh) | 基于多传感器融合的室内空间全景图像生成方法 | |
| CN103512579B (zh) | 一种基于热红外摄像机和激光测距仪的地图构建方法 | |
| CN113607135B (zh) | 一种用于路桥施工领域的无人机倾斜摄影测量方法 | |
| CN106780712B (zh) | 联合激光扫描和影像匹配的三维点云生成方法 | |
| CN109872329A (zh) | 一种基于三维激光雷达的地面点云快速分割方法 | |
| CN111292369B (zh) | 激光雷达的伪点云数据生成方法 | |
| CN105136108A (zh) | 一种基于立体视觉高精度波浪浪高测量方法 | |
| CN112465732A (zh) | 一种车载激光点云与序列全景影像的配准方法 | |
| CN113177593A (zh) | 一种水上交通环境中雷达点云与影像数据的融合方法 | |
| CN115451964B (zh) | 基于多模态混合特征的船舶场景同时建图与定位方法 | |
| Abdul-Rahman et al. | Innovations in 3D geo information systems | |
| CN113608234A (zh) | 一种城市数据采集系统 | |
| CN112630469A (zh) | 一种基于结构光和多光场相机的三维检测方法 | |
| Wujanz et al. | Survey configuration for terrestrial laser scanning | |
| CN117392237A (zh) | 一种鲁棒的激光雷达-相机自标定方法 | |
| CN110310371B (zh) | 一种基于车载单目聚焦序列图像构建对象三维轮廓的方法 | |
| CN113686600B (zh) | 一种旋耕机、开沟机性能鉴定装置 | |
| CN116012737A (zh) | 基于无人机激光和视觉融合的高速施工监测方法和系统 | |
| CN118334263B (zh) | 基于截断符号距离函数的融合激光点云的高精度建模方法 | |
| Jiang et al. | Underwater 3D reconstruction based on laser line scanning |
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 |