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 PDF

Info

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
Application number
CN202111578028.XA
Other languages
English (en)
Inventor
王强
闫生存
周建
李万洲
田正宏
徐孝彬
何英建
吴新泽
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.)
Sinohydro Bureau 7 Co Ltd
Original Assignee
Sinohydro Bureau 7 Co Ltd
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 Sinohydro Bureau 7 Co Ltd filed Critical Sinohydro Bureau 7 Co Ltd
Priority to CN202111578028.XA priority Critical patent/CN114419130A/zh
Publication of CN114419130A publication Critical patent/CN114419130A/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
    • G06T7/60—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

一种基于图像特征和三维点云技术的散料体积测量方法
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：
Figure BDA0003425987160000031
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：
Figure BDA0003425987160000032
Figure BDA0003425987160000041
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：
Figure BDA0003425987160000081
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：
Figure BDA0003425987160000082
Figure BDA0003425987160000083
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：
Figure BDA0003425987160000101
其中：
Figure BDA0003425987160000102
Figure BDA0003425987160000103
Figure BDA0003425987160000104
Figure BDA0003425987160000105
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：
Figure FDA0003425987150000021
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：
Figure FDA0003425987150000022
Figure FDA0003425987150000023
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。
CN202111578028.XA 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 Pending CN114419130A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (12)

* Cited by examiner, † Cited by third party
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
CN107316325B (zh) 一种基于图像配准的机载激光点云与影像配准融合方法
CN111275750B (zh) 基于多传感器融合的室内空间全景图像生成方法
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
CN109598765B (zh) 基于球形标定物的单目相机与毫米波雷达外参联合标定方法
CN112270713B (zh) 标定方法以及装置、存储介质、电子装置
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
CN106780712B (zh) 联合激光扫描和影像匹配的三维点云生成方法
CN112132972A (zh) 一种激光与图像数据融合的三维重建方法及系统
CN113607135B (zh) 一种用于路桥施工领域的无人机倾斜摄影测量方法
CN111429527B (zh) 一种车载相机的外参自动标定方法及系统
CN103198473B (zh) 一种深度图生成方法及装置
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
CN112017248B (zh) 一种基于点线特征的2d激光雷达相机多帧单步标定方法
Abdul-Rahman et al. Innovations in 3D geo information systems
CN114581619A (zh) 一种基于三维定位和二维建图的煤仓建模方法
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
CN111247564A (zh) 一种数字地表模型的构建方法及处理设备、系统
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
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
CN112767459A (zh) 基于2d-3d转换的无人机激光点云与序列影像配准方法

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