CN114648445A - 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 - Google Patents

一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 Download PDF

Info

Publication number
CN114648445A
CN114648445A CN202210209531.6A CN202210209531A CN114648445A CN 114648445 A CN114648445 A CN 114648445A CN 202210209531 A CN202210209531 A CN 202210209531A CN 114648445 A CN114648445 A CN 114648445A
Authority
CN
China
Prior art keywords
point
point cloud
points
resolution
feature
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
Application number
CN202210209531.6A
Other languages
English (en)
Other versions
CN114648445B (zh
Inventor
殷春
冯怡婷
张枭
陈凯
朱丹丹
王文
苟轩
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 CN202210209531.6A priority Critical patent/CN114648445B/zh
Publication of CN114648445A publication Critical patent/CN114648445A/zh
Application granted granted Critical
Publication of CN114648445B publication Critical patent/CN114648445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法。首先计算双邻域尺度下点的凹凸特性、内在形状特征以及法向量变化特性来优化提取子区域高分辨点云特征点并构建对应的低维特征描述子提高匹配速度；然后根据优化特征点进行粗配准得到初始对齐变换矩阵；最后通过优化的ICP精配准算法来提取正确对应点拟合误差函数提高配准精度，得到精配准旋转矩阵与平移向量，并采用全局ICP算法进行优化，然后根据优化后的旋转矩阵和平移向量进行拼接得到航空航天器件的多视角高分辨率点云。本发明利用高分辨率点云高密集，高细节的优点，同时考虑相邻子区域高分辨率点云公共区域中的正确对应点来改进精配准算法，并应用全局ICP算法减小累积误差的影响，实现全局优化。

Description

一种基于特征点提取及精配准优化的多视角高分辨率点云拼 接方法
技术邻域
本发明属于三维形貌测量技术领域，更为具体地讲，涉及一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法
背景技术
近年来，随着航空航天工业的发展，航空航天器对其零部件的精度要求越来越高。为了能够验证实际生产的零部件与标准数模的偏差是否在精度要求范围内，需要对零部件实物进行三维形貌的扫描测量，构建其三维点云数据模型 (简称点云)。
基于编码结构光的高分辨率双目模块能够以非接触式检测构建零部件的高分辨率点云。高分辨率双目模块重建的高分辨率点云相对于低分辨率点云具有高精度、高细节的特性，能够更真实地还原零部件的三维形貌信息，更大程度满足生产的零部件与标准数模的精度偏差测量需求。
对零部件进行三维形貌测量时，许多因素决定了无法通过单个测量设备一次完成整个零部件的数据采集，尤其是采集具有复杂形面的零部件时存在投影盲点或视觉死区，采集大尺寸航空航天的零部件时受采集范围限制，也需要进行多次、分块地多视角数据采集。分块的数据采集则需要对分块的点云进行拼接来获取零部件完整的三维形貌点云数据。因此，为完成整个零部件的数据采集，常把零部件表面分成多个局部相互重叠的子区域，然后通过点云拼接的方式来构建零部件完整三维形貌数据模型即零部件完整点云。
获取航空航天零部件的完整三维形貌数据模型的前提是零部件的各个子区域高分辨率点云能够精确拼接对齐。为此，高分辨率点云的两两拼接过程分为以初始对齐为目的的粗配准阶段以及以精细对齐为目的的精配准阶段。点云的粗配准主要是采用基于特征点的配准，基于特征点配准的基础是特征点的提取。高分辨率点云相对低分辨率点云在同样尺寸区域中点更多更密集，细节更丰富。所以对于目标实物的同一个区域，高分辨率点云能够表现出比低分辨率点云更多的细节特征。
以往的特征点提取(检测)算法考虑的是某一方面的特性，如ISS特征点考虑的是点所在局部邻域表现的内在形状，忽略了其局部曲面弧度变化；基于法向量的特征点检测算法考虑的是点邻域邻近点法向量的变化趋势，忽略了邻近点间的几何信息；基于凸特性的特征点检测算法考虑的是点局部曲面整体是否呈现凸状特征，忽略了邻近点内在形状特征等。高分辨率点云的细节表现能力强、密度高，若检测特征点时只考虑某一方面的特性，在航空航天零部件高分辨率点云中提取其子区域特征点时会损失高分辨率点云自带的高细节特征优势。
同时，高分辨率点云的精配准是高分辨率点云拼接过程中的关键。在对零部件的多个子区域点云进行两两拼接时，精配准算法通常以迭代的方式使一对已初始对齐的三维点云逐渐逼近，让二者间的距离误差达到最小，进而解算出对应的最佳变换关系。精配准算法中应用最为广泛的ICP算法或改进的ICP算法：PointToPlane ICP算法等在两两拼接中，每一次迭代寻找对应点时遍历源点云与目标点云的所有数据点来搜索对应点拟合误差函数；而Tr ICP通过对应点误差距离排序后保留一定比例的对应点来尽可能提取公共区域的对应点拟合误差函数提升拼接精度；HMRF ICP则通过对应点误差距离建立隐马尔科夫随机场概率模型，使用EM算法来推断公共区域的对应点拟合误差函数等。Tr ICP与 HMRF ICP基于对对应点误差距离的操作能够剔除非公共区域的异常对应点，但其均只考虑对应点的误差距离，然而实际上在高分辨率点云初始对齐时，由于仍存在少许错位，公共区域中对应点误差距离小的不一定就是正确的对应点，如何提取高分辨率点云相邻子区域公共区域中的正确对应点进而提升精配准精度成为亟需解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，为了更加精确地拼接航空航天零部件多个子区域的高分辨率点云，提供一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法，不仅能够利用高分率点云的高细节特性优势来提取特征点进行粗配准，同时还可以通过提取正确对应点来拟合误差函数提高精配准的精度。
为实现上述发明目的，本发明基于特征点提取及精配准优化的多视角高分辨率点云拼接方法，其特征在于，包括：
(1)、提取子区域高分辨率点云特征点
1.1)、基于编码结构光高分辨率双目模块对航空航天零部件进行多视角三维扫描，得到K个依次包含重叠区域的子区域高分辨率点云P1,P2,...,PK；
对每个子区域高分辨率点云进行凹凸面特征判断：
当为凹面特征时，对该子区域高分辨率点云的每一个待检测点pi计算其凹特性：
对于邻域尺度r1，获取待检测点pi在邻域尺度r1下的邻近点集合
Figure BDA0003530448200000031
其中，
Figure BDA0003530448200000032
表示第j个邻近点，k1表示邻近点数量，计算邻近点重心
Figure BDA0003530448200000033
得到内积
Figure BDA0003530448200000034
Figure BDA0003530448200000035
构建待检测点pi与邻近点集合
Figure BDA0003530448200000036
的加权协方差矩阵
Figure BDA0003530448200000037
并进行特征值分解得到降序排序的特征值
Figure BDA0003530448200000038
令：
Figure BDA0003530448200000039
计算待检测点pi的法向量ni与
Figure BDA00035304482000000310
中各个邻近点的法向量
Figure BDA00035304482000000311
的内积，统计内积小于阈值τ的数量k；
若
Figure BDA00035304482000000312
保留待检测点pi为候选特征点
Figure BDA00035304482000000313
并计算其与重心点的重心距离
Figure BDA00035304482000000314
否则，抛弃该待检测点pi；
同理，对于邻域尺度r2，可以得到该领域尺度的候选特征点
Figure BDA00035304482000000315
及其与重心点的重心距离
Figure BDA00035304482000000316
否则，抛弃该待检测点pi；
当为凸面特征时，对该子区域高分辨率点云的每一个待检测点pi计算其凸特性：
对于邻域尺度r1，获取待检测点pi在邻域尺度r1下的邻近点集合
Figure BDA00035304482000000317
其中，
Figure BDA00035304482000000318
表示第j个邻近点，k1表示邻近点数量，计算邻近点重心
Figure BDA00035304482000000319
得到内积
Figure BDA00035304482000000320
Figure BDA00035304482000000321
构建待检测点pi与邻近点集合
Figure BDA00035304482000000322
的加权协方差矩阵
Figure BDA00035304482000000323
并进行特征值分解得到降序排序的特征值
Figure BDA00035304482000000324
令：
Figure BDA0003530448200000041
计算待检测点pi的法向量ni与
Figure BDA0003530448200000042
中各个邻近点的法向量
Figure BDA0003530448200000043
的内积，统计内积小于阈值τ的数量k；
若
Figure BDA0003530448200000044
保留待检测点pi为候选特征点
Figure BDA0003530448200000045
并计算其与重心点的重心距离
Figure BDA0003530448200000046
否则，抛弃该待检测点pi；
同理，对于邻域尺度r2，可以得到该领域尺度的候选特征点
Figure BDA0003530448200000047
及其与重心点的重心距离
Figure BDA0003530448200000048
否则，抛弃该待检测点pi；
这样得到双邻域尺度r1和r2下的高分辨率点云的候选特征点集合
Figure BDA0003530448200000049
及对应的重心距离集合
Figure BDA00035304482000000410
候选特征点集合
Figure BDA00035304482000000411
以及对应的重心距离集合
Figure BDA00035304482000000412
对重心距离集合
Figure BDA00035304482000000413
进行降序排序，分别保留双邻域尺度前m大的重心距离对应的候选特征点，并取交集得到视觉高分辨率点云的特征点集合
Figure BDA00035304482000000414
其中，
Figure BDA00035304482000000415
表示第i个特征点，v表示特征点数量；
(2)、对每个子区域高分辨率点云获取的特征点集合
Figure BDA00035304482000000416
构建特征点对应的低维特征描述子
对每一个特征点
Figure BDA00035304482000000417
执行以下步骤：
2.1)、计算邻域尺度r1下的特征描述值：
对特征点
Figure BDA00035304482000000418
与邻域尺度r1下的邻近点集合
Figure BDA00035304482000000419
的加权协方差矩阵
Figure BDA00035304482000000420
进行特征值分解得到降序排序的特征值
Figure BDA00035304482000000421
计算离散程度差：
Figure BDA00035304482000000422
Figure BDA00035304482000000423
Figure BDA00035304482000000424
计算特征点
Figure BDA00035304482000000425
与邻近点集合
Figure BDA00035304482000000426
的加权曲率均值：
Figure BDA00035304482000000427
其中，cj表示邻近点
Figure BDA00035304482000000428
的曲率，加权函数
Figure BDA00035304482000000429
计算表征邻域尺度r1下的法向量夹角变化值：
Figure BDA0003530448200000051
其中，
Figure BDA0003530448200000052
为特征点
Figure BDA0003530448200000053
与邻近点
Figure BDA0003530448200000054
的法向量夹角；
2.2)、按照步骤2.1)的方法，计算得到邻域尺度r2下的特征描述值：
Figure BDA0003530448200000055
Figure BDA0003530448200000056
2.3)、首先构建特征点
Figure BDA0003530448200000057
的低维特征描述子
Figure BDA0003530448200000058
Figure BDA0003530448200000059
然后对低维特征描述子的各个维度数据进行归一化处理，这样得到子区域高分辨率点云的特征点集合
Figure BDA00035304482000000510
对应的归一化后的低维特征描述子集合
Figure BDA00035304482000000511
(3)、粗配准初始对齐相邻视角高分辨率点云
对包含重叠区域的高分辨率点云P1、P2，经过步骤(1)、(2)得到其对应特征点及描述子集合分别为
Figure BDA00035304482000000512
将高分辨率点云P1作为目标点云，高分辨率点云P2作为源点云，设置循环次数α；
每次循环从源点云特征点及描述子集合
Figure BDA00035304482000000513
中随机选择三个间距大于最小距离阈值的特征点，基于对应的低维特征描述子间的相似性度量找到目标点云中对应的三个特征点，得到匹配的三对特征点，通过三对特征点计算此次循环得到的旋转矩阵R和平移向量T；
对源点云特征点
Figure BDA00035304482000000514
做刚性变换{R,T}得到特征点
Figure BDA00035304482000000515
获取源点云特征点
Figure BDA00035304482000000516
在目标点云的对应特征点
Figure BDA00035304482000000517
计算特征点
Figure BDA00035304482000000518
与特征点
Figure BDA00035304482000000519
构成点对的Huber损失误差hi，统计Huber损失误差hi,i＝1,2,…u小于阈值的点对个数count；
当达到循环次数α时，将个数count最大的一次循环对应的旋转矩阵R和平移向量T作为粗配准得到的初始对齐的旋转矩阵R0和平移向量T0；
(4)、优化ICP算法精配准高分辨率点云
4.1)、设置迭代次数t＝0，设置迭代终止阈值o，均方根误差变化初始值q；
4.2)、高分辨率点云P2基于旋转矩阵Rt和平移向量Tt做刚性变换，得到对齐的高分辨率点云P1与高分辨率点云P2，高分辨率点云P1的点集为
Figure BDA00035304482000000520
高分辨率点云P2的点集为
Figure BDA0003530448200000061
基于最小欧式距离在点集
Figure BDA0003530448200000062
中找到与点集
Figure BDA0003530448200000063
对应的点集
Figure BDA0003530448200000064
得到候选对应点对
Figure BDA0003530448200000065
4.3)、设置阈值ωd，ωn，ωσ，剔除错误对应点对：
计算每一对候选对应点对
Figure BDA0003530448200000066
的距离ed_x，法向量内积en_x及曲率误差eσ_x：
Figure BDA0003530448200000067
其中，
Figure BDA0003530448200000068
为点
Figure BDA0003530448200000069
的法向量，
Figure BDA00035304482000000610
为点
Figure BDA00035304482000000611
的曲率，
Figure BDA00035304482000000612
为点
Figure BDA00035304482000000613
的曲率；
当(ed_x＜ωd)∧(en_x＞ωn)∧(eσ_x＜ωσ)时，保留此候选对应点对，否则剔除，得到剔除错误对应点对后的候选对应点对集合，记为
Figure BDA00035304482000000614
C为候选对应点对数量；
4.4)、基于候选对应点对集合
Figure BDA00035304482000000615
得到第t次迭代的旋转矩阵Rt+1和平移向量Tt+1，得到均方根误差：
Figure BDA00035304482000000616
当q＝|et+1-et|＜o时，即迭代达到终止条件，则取最后一次迭代得到的旋转矩阵Rt+1和平移向量Tt+1作为高分辨率点云P2与高分辨率点云P1的精配准旋转矩阵 R21和平移向量t21，否则，t＝t+1，返回步骤4.2)；
(5)、按顺序依次两两配准余下高分辨率点云
对余下高分辨率点云P3,...,PK按两两相邻组合(P3P2),(P4P3),...,(PKPK-1)进行两两拼接：按照高分辨率点云P2、P1执行步骤(3)-(4)，得到旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1；
采用全局ICP算法对旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1进行优化；
(6)、子区域高分辨率点云进行拼接
根据优化后的旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1构建所有子区域高分辨率点云到以第一视角点云P1所在坐标系为基准坐标系的刚性变换矩阵 T′1,T′2,T′3,...,T′K，其中：
T′1为4×4单位矩阵：
Figure BDA0003530448200000071
Figure BDA0003530448200000072
依此类推
Figure BDA0003530448200000073
依据刚性变换矩阵T′1,T′2,T′3,...,T′K将高分辨率点云P1,P2,...,PK坐标系转换到基准坐标系下，实现多视角高分辨率点云P1,P2,...,PK的两两拼接，得到航空航天零部件大范围高分辨率点云。
本发明的发明目的是这样实现的：
本发明针对航空航天零部件和实时性检测需求，提出一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法。首先基于编码结构光高分辨率双目模块采集得到航空航天器件多个含(重叠)公共区域的子区域高分辨率点云，然后计算双邻域尺度下点的凹凸特性、内在形状特征以及法向量变化特性来优化提取子区域高分辨点云特征点并构建对应的低维特征描述子提高匹配速度，并有效利用高分辨率点云的高密度，高细节特征优势；然后对含公共区域的子区域高分辨率点云P2与P1(源点云和目标点云)得到的优化特征点进行粗配准得到初始对齐变换矩阵R0与t0；最后通过优化的ICP精配准算法来提取初始对齐的高分辨率点云P2与P1公共区域的正确对应点拟合误差函数提高配准精度，得到精配准旋转矩阵R21与平移向量t21实现高分辨率点云P2与P1的精配准。采用同样的方法，得到子区域高分辨率点云的两两之间的精配准旋转矩阵与平移向量，并采用全局ICP算法进行优化，然后根据优化后的旋转矩阵 R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1进行拼接得到航空航天器件的多视角高分辨率点云，完成航空航天器件的三维形貌测量。
本发明针对得到的航空航天器件各个子区域的高分辨率点云，利用高分辨率点云高密集，高细节的优点，在双邻域尺度下集成多种特性优化提取高分辨率点云特征点，基于优化特征点进行粗配准初始对齐点云，同时考虑相邻子区域高分辨率点云公共区域中的正确对应点来改进精配准算法，并应用全局ICP 算法减小累积误差的影响，实现全局优化。
附图说明
图1是本发明基于特征点提取及精配准优化的多视角高分辨率点云拼接方法一种具体实施方式的流程图；
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
在本实施例中，如图1所示，本发明基于特征点提取及精配准优化的多视角高分辨率点云拼接方法包括以下步骤：
步骤S1：提取子区域高分辨率点云特征点
步骤S1.1：基于编码结构光高分辨率双目模块对航空航天零部件进行多视角三维扫描，得到K个依次包含重叠区域的子区域高分辨率点云P1,P2,...,PK。
对每个子区域高分辨率点云进行凹凸面特征判断：
当为凹面特征时，对该子区域高分辨率点云的每一个待检测点pi计算其凹特性：
对于邻域尺度r1，获取待检测点pi在邻域尺度r1下的邻近点集合
Figure BDA0003530448200000081
其中，
Figure BDA0003530448200000082
表示第j个邻近点，k1表示邻近点数量，计算邻近点重心
Figure BDA0003530448200000083
得到内积
Figure BDA0003530448200000084
Figure BDA0003530448200000085
其中，邻近点重心
Figure BDA0003530448200000086
为：
Figure BDA0003530448200000087
其中，
Figure BDA0003530448200000088
表征向量
Figure BDA0003530448200000089
与待检测点pi的法向量ni的内积，若
Figure BDA00035304482000000810
大于等于0，则待检测点pi在其邻近点局部平面为凹点。
构建待检测点pi与邻近点集合
Figure BDA00035304482000000811
的加权协方差矩阵
Figure BDA00035304482000000812
并进行特征值分解得到降序排序的特征值
Figure BDA00035304482000000813
以及对应特征向量
Figure BDA00035304482000000814
令：
Figure BDA0003530448200000091
其中，特征值
Figure BDA0003530448200000092
表示邻近点坐标转换后在对应特征向量
Figure BDA0003530448200000093
方向轴上的方差，
Figure BDA0003530448200000094
表征
Figure BDA0003530448200000095
轴与
Figure BDA0003530448200000096
轴邻近点分布密集度比值，
Figure BDA0003530448200000097
表征
Figure BDA0003530448200000098
轴与
Figure BDA0003530448200000099
轴邻近点分布密集度比值；
其中，加权协方差矩阵
Figure BDA00035304482000000910
为：
Figure BDA00035304482000000911
wij表示权值，为待检测点pi与邻近点
Figure BDA00035304482000000912
的距离。
计算待检测点pi的法向量ni与
Figure BDA00035304482000000913
中各个邻近点的法向量
Figure BDA00035304482000000914
的内积，统计内积小于阈值τ的数量k。
若
Figure BDA00035304482000000915
则说明待检测点pi在此邻域尺度下具备凹特性、邻近点在各特征轴的分布各异性以及局部曲面起伏变化大的特性，保留待检测点pi为候选特征点
Figure BDA00035304482000000916
并计算其与重心点的重心距离
Figure BDA00035304482000000917
否则，抛弃该待检测点pi。
同理，对于邻域尺度r2，可以得到该领域尺度的候选特征点
Figure BDA00035304482000000918
及其与重心点的重心距离
Figure BDA00035304482000000919
否则，抛弃该待检测点pi；
当为凸面特征时，对该子区域高分辨率点云的每一个待检测点pi计算其凸特性：
对于邻域尺度r1，获取待检测点pi在邻域尺度r1下的邻近点集合
Figure BDA00035304482000000920
其中，
Figure BDA00035304482000000921
表示第j个邻近点，k1表示邻近点数量，计算邻近点重心
Figure BDA00035304482000000922
得到内积
Figure BDA00035304482000000923
Figure BDA00035304482000000924
其中，
Figure BDA00035304482000000925
表征向量
Figure BDA00035304482000000926
与待检测点pi的法向量ni的内积，若
Figure BDA00035304482000000927
小于0，则待检测点pi在其邻近点局部平面为凸点。
构建待检测点pi与邻近点集合
Figure BDA00035304482000000928
的加权协方差矩阵
Figure BDA00035304482000000929
并进行特征值分解得到降序排序的特征值
Figure BDA00035304482000000930
以及对应特征向量
Figure BDA00035304482000000931
令：
Figure BDA0003530448200000101
计算待检测点pi的法向量ni与
Figure BDA0003530448200000102
中各个邻近点的法向量
Figure BDA0003530448200000103
的内积，统计内积小于阈值τ的数量k；
若
Figure BDA0003530448200000104
则说明待检测点pi在此邻域尺度下具备凸特性、邻近点在各特征轴的分布各异性以及局部曲面起伏变化大的特性，保留待检测点pi为候选特征点
Figure BDA0003530448200000105
并计算其与重心点的重心距离
Figure BDA0003530448200000106
否则，抛弃该待检测点pi。
同理，对于邻域尺度r2，可以得到该领域尺度的候选特征点
Figure BDA0003530448200000107
及其与重心点的重心距离
Figure BDA0003530448200000108
否则，抛弃该待检测点pi。
这样得到双邻域尺度r1和r2下的高分辨率点云的候选特征点集合
Figure BDA0003530448200000109
及对应的重心距离集合
Figure BDA00035304482000001010
候选特征点集合
Figure BDA00035304482000001011
以及对应的重心距离集合
Figure BDA00035304482000001012
为了减少噪声影响，保证特征点的稳定性，对重心距离集合
Figure BDA00035304482000001013
进行降序排序，分别保留双邻域尺度前m大的重心距离对应的候选特征点，并取交集得到视觉高分辨率点云的特征点集合
Figure BDA00035304482000001014
其中，
Figure BDA00035304482000001015
表示第i个特征点，v 表示特征点数量。
步骤S2：对每个子区域高分辨率点云获取的特征点集合
Figure BDA00035304482000001016
构建特征点对应的低维特征描述子
对每一个特征点
Figure BDA00035304482000001017
执行以下步骤：
步骤S2.1：计算邻域尺度r1下的特征描述值：
对特征点
Figure BDA00035304482000001018
与邻域尺度r1下的邻近点集合
Figure BDA00035304482000001019
的加权协方差矩阵
Figure BDA00035304482000001020
进行特征值分解得到降序排序的特征值
Figure BDA00035304482000001021
以及对应的特征向量
Figure BDA00035304482000001022
计算离散程度差：
Figure BDA00035304482000001023
Figure BDA00035304482000001024
Figure BDA00035304482000001025
其中，
Figure BDA00035304482000001026
表征邻近点在
Figure BDA00035304482000001027
轴和
Figure BDA00035304482000001028
轴上的离散程度差，
Figure BDA00035304482000001029
表征邻近点在
Figure BDA00035304482000001030
轴和
Figure BDA00035304482000001031
轴上的离散程度差，
Figure BDA00035304482000001032
表征邻近点在
Figure BDA00035304482000001033
轴和
Figure BDA00035304482000001034
轴上的离散程度差。
计算特征点
Figure BDA0003530448200000111
与邻近点集合
Figure BDA0003530448200000112
的加权曲率均值：
Figure BDA0003530448200000113
其中，cj表示邻近点
Figure BDA0003530448200000114
的曲率，加权函数
Figure BDA0003530448200000115
加权曲率均值
Figure BDA0003530448200000116
表征邻域尺度r1下的局部曲面弯曲程度。
计算表征邻域尺度r1下的法向量夹角变化值：
Figure BDA0003530448200000117
其中，
Figure BDA0003530448200000118
为特征点
Figure BDA0003530448200000119
与邻近点
Figure BDA00035304482000001110
的法向量夹角。法向量夹角
Figure BDA00035304482000001111
表征邻域尺度r1下的法向量夹角变化情况。
步骤S2.2：按照步骤S2.1的方法，计算得到邻域尺度r2下的特征描述值：
Figure BDA00035304482000001112
Figure BDA00035304482000001113
步骤S2.3：首先构建特征点
Figure BDA00035304482000001114
的低维特征描述子
Figure BDA00035304482000001115
Figure BDA00035304482000001116
对特征集合
Figure BDA00035304482000001117
均基于步骤S2.1-S2.3计算得到低维特征描述子
Figure BDA00035304482000001118
后，由于
Figure BDA00035304482000001119
的特征描述值之间的单位不一致，为了消除特征描述值间单位和尺度差异的影响，以对每维特征同等看待，还需要对低维特征描述子的各个维度数据进行归一化处理，这样得到子区域高分辨率点云的特征点集合
Figure BDA00035304482000001120
对应的归一化后的低维特征描述子集合
Figure BDA00035304482000001121
步骤S3：粗配准初始对齐相邻视角高分辨率点云
对包含重叠区域的高分辨率点云P1、P2，经过步骤S1、S2得到其对应特征点及描述子集合分别为
Figure BDA00035304482000001122
将高分辨率点云P1作为目标点云，高分辨率点云P2作为源点云，设置循环次数α；
每次循环从源点云特征点及描述子集合
Figure BDA00035304482000001123
中随机选择三个间距大于最小距离阈值的特征点，基于对应的低维特征描述子间的相似性度量找到目标点云中对应的三个特征点，得到匹配的三对特征点，通过三对特征点计算此次循环得到的旋转矩阵R和平移向量T；
对源点云特征点
Figure BDA0003530448200000121
做刚性变换{R,T}得到特征点
Figure BDA0003530448200000122
获取源点云特征点
Figure BDA0003530448200000123
在目标点云的对应特征点
Figure BDA0003530448200000124
计算特征点
Figure BDA0003530448200000125
与特征点
Figure BDA0003530448200000126
构成点对的Huber损失误差hi，统计Huber损失误差hi,i＝1,2,…u小于阈值的点对个数count；
当达到循环次数α时，将个数count最大的一次循环对应的旋转矩阵R和平移向量T作为粗配准得到的初始对齐的旋转矩阵R0和平移向量T0。
步骤S4：优化ICP算法精配准高分辨率点云
步骤S4.1：设置迭代次数t＝0，设置迭代终止阈值o，均方根误差变化初始值q；
步骤S4.2：高分辨率点云P2基于旋转矩阵Rt和平移向量Tt做刚性变换，得到对齐的高分辨率点云P1与高分辨率点云P2，高分辨率点云P1的点集为
Figure BDA0003530448200000127
高分辨率点云P2的点集为
Figure BDA0003530448200000128
基于最小欧式距离在点集
Figure BDA0003530448200000129
中找到与点集
Figure BDA00035304482000001210
对应的点集
Figure BDA00035304482000001211
得到候选对应点对
Figure BDA00035304482000001212
步骤S4.3：设置阈值ωd，ωn，ωσ，剔除错误对应点对：
计算每一对候选对应点对
Figure BDA00035304482000001213
的距离ed_x，法向量内积en_x及曲率误差eσ_x：
Figure BDA00035304482000001214
其中，
Figure BDA00035304482000001215
为点
Figure BDA00035304482000001216
的法向量，
Figure BDA00035304482000001217
为点
Figure BDA00035304482000001218
的曲率，
Figure BDA00035304482000001219
为点
Figure BDA00035304482000001220
的曲率；
当(ed_x＜ωd)∧(en_x＞ωn)∧(eσ_x＜ωσ)时，保留此候选对应点对，否则剔除，得到剔除错误对应点对后的候选对应点对集合，记为
Figure BDA00035304482000001221
C为候选对应点对数量。
在本实施例中，还需要基于重叠参数确定公共区域对应点对：
当重叠参数γ已知时，γ∈(0,1]，则公共区域可以配对的正确对应点数量为 N＝γ×A，若C＜N，则候选对应点对集合
Figure BDA00035304482000001222
即为保留的最终对应点对；否则，对候选对应点对集合
Figure BDA00035304482000001223
按照法向量内积en_x进行由大到小排序，保留前N项对应的对应点对作为最终的对应点对，并将候选对应点对数量C赋值为N，最终的对应点对作为候选对应点对集合
Figure BDA00035304482000001224
当重叠参数γ未知时，设置预设参数β，通过最小化目标函数
Figure BDA00035304482000001225
来计算得到重叠参数γ，其中：
Figure BDA0003530448200000131
ed为重叠区域对应点的欧式距离；
通过搜索重叠参数γ确定目标函数
Figure BDA0003530448200000132
的最小值，重叠参数γ的搜索空间设为[0.4,1.0]，目标函数
Figure BDA0003530448200000133
最小值对应的重叠参数γ为确定的重叠参数γ，然后按照重叠参数γ已知的情况得到最终的对应点对作为候选对应点对集合
Figure BDA0003530448200000134
步骤S4.4：基于候选对应点对集合
Figure BDA0003530448200000135
得到第t次迭代的旋转矩阵Rt+1和平移向量Tt+1，得到均方根误差：
Figure BDA0003530448200000136
当q＝|et+1-et|＜o时，即迭代达到终止条件，则取最后一次迭代得到的旋转矩阵Rt+1和平移向量Tt+1作为高分辨率点云P2与高分辨率点云P1的精配准旋转矩阵 R21和平移向量t21，否则，t＝t+1，返回步骤S4.2。
步骤S5：按顺序依次两两配准余下高分辨率点云
对余下高分辨率点云P3,...,PK按两两相邻组合(P3P2),(P4P3),...,(PKPK-1)进行两两拼接：按照高分辨率点云P2、P1执行步骤(3)-(4)，得到旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1；
采用全局ICP算法对旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1进行优化。
步骤S6：子区域高分辨率点云进行拼接
根据优化后的旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1构建所有子区域高分辨率点云到以第一视角点云P1所在坐标系为基准坐标系的刚性变换矩阵 T′1,T′2,T′3,...,T′K，其中：
T′1为4×4单位矩阵：
Figure BDA0003530448200000137
Figure BDA0003530448200000138
依此类推
Figure BDA0003530448200000139
依据刚性变换矩阵T′1,T′2,T′3,...,T′K将高分辨率点云P1,P2,...,PK坐标系转换到基准坐标系下，实现多视角高分辨率点云P1,P2,...,PK的两两拼接，得到航空航天零部件大范围高分辨率点云。
本发明具有以下有益效果：
1、通过集成双邻域尺度下的多种特性优化提取高分辨率点云的特征点，充分利用高分辨率点云的高细节特征优势，获取稳定且具有差异性的优化特征点，并利用优化特征点的邻近点分布信息，法向量夹角信息等构建具备描述性、紧凑性与刚体变换不变性的低维特征描述子；
2、基于优化特征点与低维特征描述子，采用SAC-IA算法进行特征点的随机采样匹配，提高含有公共区域的子区域高分辨率点云的粗配准效率。
3、优化的ICP精配准算法考虑到公共区域中的正确对应点是计算初始对齐的高分辨率点云间准确变换矩阵的关键，利用对应点的欧式距离，法向量内积以及曲率偏差信息来剔除候选对应点中的错误对应点，并通过重叠参数的计算进一步提取公共区域中的正确对应点拟合误差函数提高配准的精度。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术邻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，对本技术邻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。

Claims (2)

1.一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法，其特征在于，包括：
(1)、提取子区域高分辨率点云特征点
1.1)、基于编码结构光高分辨率双目模块对航空航天零部件进行多视角三维扫描，得到K个依次包含重叠区域的子区域高分辨率点云P1,P2,...,PK；
对每个子区域高分辨率点云进行凹凸面特征判断：
当为凹面特征时，对该子区域高分辨率点云的每一个待检测点pi计算其凹特性：
对于邻域尺度r1，获取待检测点pi在邻域尺度r1下的邻近点集合
Figure FDA0003530448190000011
其中，
Figure FDA0003530448190000012
表示第j个邻近点，k1表示邻近点数量，计算邻近点重心
Figure FDA0003530448190000013
得到内积
Figure FDA0003530448190000014
Figure FDA0003530448190000015
构建待检测点pi与邻近点集合
Figure FDA0003530448190000016
的加权协方差矩阵
Figure FDA0003530448190000017
并进行特征值分解得到降序排序的特征值
Figure FDA0003530448190000018
令：
Figure FDA0003530448190000019
计算待检测点pi的法向量ni与
Figure FDA00035304481900000110
中各个邻近点的法向量
Figure FDA00035304481900000111
的内积，统计内积小于阈值τ的数量k；
若
Figure FDA00035304481900000112
保留待检测点pi为候选特征点
Figure FDA00035304481900000113
并计算其与重心点的重心距离
Figure FDA00035304481900000114
否则，抛弃该待检测点pi；
同理，对于邻域尺度r2，可以得到该领域尺度的候选特征点
Figure FDA00035304481900000115
及其与重心点的重心距离
Figure FDA00035304481900000116
否则，抛弃该待检测点pi；
当为凸面特征时，对该子区域高分辨率点云的每一个待检测点pi计算其凸特性：
对于邻域尺度r1，获取待检测点pi在邻域尺度r1下的邻近点集合
Figure FDA00035304481900000117
其中，
Figure FDA00035304481900000118
表示第j个邻近点，k1表示邻近点数量，计算邻近点重心
Figure FDA00035304481900000119
得到内积
Figure FDA00035304481900000120
Figure FDA00035304481900000121
构建待检测点pi与邻近点集合
Figure FDA00035304481900000122
的加权协方差矩阵
Figure FDA00035304481900000123
并进行特征值分解得到降序排序的特征值
Figure FDA0003530448190000021
令：
Figure FDA0003530448190000022
计算待检测点pi的法向量ni与
Figure FDA0003530448190000023
中各个邻近点的法向量
Figure FDA0003530448190000024
的内积，统计内积小于阈值τ的数量k；
若
Figure FDA0003530448190000025
保留待检测点pi为候选特征点
Figure FDA0003530448190000026
并计算其与重心点的重心距离
Figure FDA0003530448190000027
否则，抛弃该待检测点pi；
同理，对于邻域尺度r2，可以得到该领域尺度的候选特征点
Figure FDA0003530448190000028
及其与重心点的重心距离
Figure FDA0003530448190000029
否则，抛弃该待检测点pi；
这样得到双邻域尺度r1和r2下的高分辨率点云的候选特征点集合
Figure FDA00035304481900000210
及对应的重心距离集合
Figure FDA00035304481900000211
候选特征点集合
Figure FDA00035304481900000212
以及对应的重心距离集合
Figure FDA00035304481900000213
对重心距离集合
Figure FDA00035304481900000214
进行降序排序，分别保留双邻域尺度前m大的重心距离对应的候选特征点，并取交集得到视觉高分辨率点云的特征点集合
Figure FDA00035304481900000215
其中，
Figure FDA00035304481900000216
表示第i个特征点，v表示特征点数量；
(2)、对每个子区域高分辨率点云获取的特征点集合
Figure FDA00035304481900000217
构建特征点对应的低维特征描述子
对每一个特征点
Figure FDA00035304481900000218
执行以下步骤：
2.1)、计算邻域尺度r1下的特征描述值：
对特征点
Figure FDA00035304481900000219
与邻域尺度r1下的邻近点集合
Figure FDA00035304481900000220
的加权协方差矩阵
Figure FDA00035304481900000221
进行特征值分解得到降序排序的特征值
Figure FDA00035304481900000222
计算离散程度差：
Figure FDA00035304481900000223
Figure FDA00035304481900000224
Figure FDA00035304481900000225
计算特征点
Figure FDA00035304481900000226
与邻近点集合
Figure FDA00035304481900000227
的加权曲率均值：
Figure FDA00035304481900000228
其中，cj表示邻近点
Figure FDA0003530448190000031
的曲率，加权函数
Figure FDA0003530448190000032
计算表征邻域尺度r1下的法向量夹角变化值：
Figure FDA0003530448190000033
其中，
Figure FDA0003530448190000034
为特征点
Figure FDA0003530448190000035
与邻近点
Figure FDA0003530448190000036
的法向量夹角；
2.2)、按照步骤2.1)的方法，计算得到邻域尺度r2下的特征描述值：
Figure FDA0003530448190000037
Figure FDA0003530448190000038
2.3)、首先构建特征点
Figure FDA0003530448190000039
的低维特征描述子
Figure FDA00035304481900000310
Figure FDA00035304481900000311
然后对低维特征描述子的各个维度数据进行归一化处理，这样得到子区域高分辨率点云的特征点集合
Figure FDA00035304481900000312
对应的归一化后的低维特征描述子集合
Figure FDA00035304481900000313
(3)、粗配准初始对齐相邻视角高分辨率点云
对包含重叠区域的高分辨率点云P1、P2，经过步骤(1)、(2)得到其对应特征点及描述子集合分别为
Figure FDA00035304481900000314
将高分辨率点云P1作为目标点云，高分辨率点云P2作为源点云，设置循环次数α；
每次循环从源点云特征点及描述子集合
Figure FDA00035304481900000315
中随机选择三个间距大于最小距离阈值的特征点，基于对应的低维特征描述子间的相似性度量找到目标点云中对应的三个特征点，得到匹配的三对特征点，通过三对特征点计算此次循环得到的旋转矩阵R和平移向量T；
对源点云特征点
Figure FDA00035304481900000316
做刚性变换{R,T}得到特征点
Figure FDA00035304481900000317
获取源点云特征点
Figure FDA00035304481900000318
在目标点云的对应特征点
Figure FDA00035304481900000319
计算特征点
Figure FDA00035304481900000320
与特征点
Figure FDA00035304481900000321
构成点对的Huber损失误差hi，统计Huber损失误差hi,i＝1,2,…u小于阈值的点对个数count；
当达到循环次数α时，将个数count最大的一次循环对应的旋转矩阵R和平移向量T作为粗配准得到的初始对齐的旋转矩阵R0和平移向量T0；
(4)、优化ICP算法精配准高分辨率点云
4.1)、设置迭代次数t＝0，设置迭代终止阈值o，均方根误差变化初始值q；
4.2)、高分辨率点云P2基于旋转矩阵Rt和平移向量Tt做刚性变换，得到对齐的高分辨率点云P1与高分辨率点云P2，高分辨率点云P1的点集为
Figure FDA0003530448190000041
高分辨率点云P2的点集为
Figure FDA0003530448190000042
基于最小欧式距离在点集
Figure FDA0003530448190000043
中找到与点集
Figure FDA0003530448190000044
对应的点集
Figure FDA0003530448190000045
得到候选对应点对
Figure FDA0003530448190000046
4.3)、设置阈值ωd，ωn，ωσ，剔除错误对应点对：
计算每一对候选对应点对
Figure FDA0003530448190000047
的距离ed_x，法向量内积en_x及曲率误差eσ_x：
Figure FDA0003530448190000048
其中，
Figure FDA0003530448190000049
为点
Figure FDA00035304481900000410
的法向量，
Figure FDA00035304481900000411
为点
Figure FDA00035304481900000412
的曲率，
Figure FDA00035304481900000413
为点p′x 1的曲率；
当(ed_x＜ωd)∧(en_x＞ωn)∧(eσ_x＜ωσ)时，保留此候选对应点对，否则剔除，得到剔除错误对应点对后的候选对应点对集合，记为
Figure FDA00035304481900000414
C为候选对应点对数量；
4.4)、基于候选对应点对集合
Figure FDA00035304481900000415
得到第t次迭代的旋转矩阵Rt+1和平移向量Tt+1，得到均方根误差：
Figure FDA00035304481900000416
当q＝|et+1-et|＜o时，即迭代达到终止条件，则取最后一次迭代得到的旋转矩阵Rt+1和平移向量Tt+1作为高分辨率点云P2与高分辨率点云P1的精配准旋转矩阵R21和平移向量t21，否则，t＝t+1，返回步骤4.2)；
(5)、按顺序依次两两配准余下高分辨率点云
对余下高分辨率点云P3,...,PK按两两相邻组合(P3P2),(P4P3),...,(PKPK-1)进行两两拼接：按照高分辨率点云P2、P1执行步骤(3)-(4)，得到旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1；
采用全局ICP算法对旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1进行优化；
(6)、子区域高分辨率点云进行拼接
根据优化后的旋转矩阵R32,R43,...,RKK-1和平移向量t32,t43,...,tKK-1构建所有子区域高分辨率点云到以第一视角点云P1所在坐标系为基准坐标系的刚性变换矩阵T1′,T2′,T3′,...,T′K，其中：
T1′为4×4单位矩阵：
Figure FDA0003530448190000051
Figure FDA0003530448190000052
依此类推
Figure FDA0003530448190000053
依据刚性变换矩阵T1′,T2′,T3′,...,T′K将高分辨率点云P1,P2,...,PK坐标系转换到基准坐标系下，实现多视角高分辨率点云P1,P2,...,PK的两两拼接，得到航空航天零部件大范围高分辨率点云。
2.根据权利要求1所述的基于特征点提取及精配准优化的多视角高分辨率点云拼接方法，其特征在于，步骤4.3)还还需要基于重叠参数确定公共区域对应点对：
当重叠参数γ已知时，γ∈(0,1]，则公共区域可以配对的正确对应点数量为N＝γ×A，若C＜N，则候选对应点对集合
Figure FDA0003530448190000054
即为保留的最终对应点对；否则，对候选对应点对集合
Figure FDA0003530448190000055
按照法向量内积en_x进行由大到小排序，保留前N项对应的对应点对作为最终的对应点对，并将候选对应点对数量C赋值为N，最终的对应点对作为候选对应点对集合
Figure FDA0003530448190000056
当重叠参数γ未知时，设置预设参数β，通过最小化目标函数
Figure FDA0003530448190000057
来计算得到重叠参数γ，其中：
Figure FDA0003530448190000058
ed为重叠区域对应点的欧式距离；
通过搜索重叠参数γ确定目标函数
Figure FDA0003530448190000059
的最小值，重叠参数γ的搜索空间设为[0.4,1.0]，目标函数
Figure FDA00035304481900000510
最小值对应的重叠参数γ为确定的重叠参数γ，然后按照重叠参数γ已知的情况得到最终的对应点对作为候选对应点对集合
Figure FDA00035304481900000511
CN202210209531.6A 2022-03-03 2022-03-03 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 Active CN114648445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210209531.6A CN114648445B (zh) 2022-03-03 2022-03-03 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210209531.6A CN114648445B (zh) 2022-03-03 2022-03-03 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法

Publications (2)

Publication Number Publication Date
CN114648445A true CN114648445A (zh) 2022-06-21
CN114648445B CN114648445B (zh) 2023-05-30

Family

ID=81992668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210209531.6A Active CN114648445B (zh) 2022-03-03 2022-03-03 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法

Country Status (1)

Country Link
CN (1) CN114648445B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152066A (zh) * 2023-02-14 2023-05-23 苏州赫芯科技有限公司 一种元件完整形貌的点云检测方法、系统、设备及介质
CN116977331A (zh) * 2023-09-22 2023-10-31 武汉展巨华科技发展有限公司 基于机器视觉的3d模型表面检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150747A (zh) * 2012-11-16 2013-06-12 佳都新太科技股份有限公司 一种基于拓扑特征的点云配准算法
CN108022262A (zh) * 2017-11-16 2018-05-11 天津大学 一种基于点的邻域重心向量特征的点云配准方法
CN110288640A (zh) * 2019-06-28 2019-09-27 电子科技大学 基于凸密度极值的点云配准方法
CN111145232A (zh) * 2019-12-17 2020-05-12 东南大学 一种基于特征信息变化度的三维点云自动配准方法
US20210331815A1 (en) * 2020-04-27 2021-10-28 Nanjing University Of Aeronautics And Astronautics Method for controlling gap distribution of wing-fuselage joining based on measured data
CN113610903A (zh) * 2021-06-16 2021-11-05 哈尔滨工业大学 一种基于K-means聚类中心局部曲面投影的多视角点云配准方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150747A (zh) * 2012-11-16 2013-06-12 佳都新太科技股份有限公司 一种基于拓扑特征的点云配准算法
CN108022262A (zh) * 2017-11-16 2018-05-11 天津大学 一种基于点的邻域重心向量特征的点云配准方法
CN110288640A (zh) * 2019-06-28 2019-09-27 电子科技大学 基于凸密度极值的点云配准方法
CN111145232A (zh) * 2019-12-17 2020-05-12 东南大学 一种基于特征信息变化度的三维点云自动配准方法
US20210331815A1 (en) * 2020-04-27 2021-10-28 Nanjing University Of Aeronautics And Astronautics Method for controlling gap distribution of wing-fuselage joining based on measured data
CN113610903A (zh) * 2021-06-16 2021-11-05 哈尔滨工业大学 一种基于K-means聚类中心局部曲面投影的多视角点云配准方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152066A (zh) * 2023-02-14 2023-05-23 苏州赫芯科技有限公司 一种元件完整形貌的点云检测方法、系统、设备及介质
CN116152066B (zh) * 2023-02-14 2023-07-04 苏州赫芯科技有限公司 一种元件完整形貌的点云检测方法、系统、设备及介质
CN116977331A (zh) * 2023-09-22 2023-10-31 武汉展巨华科技发展有限公司 基于机器视觉的3d模型表面检测方法
CN116977331B (zh) * 2023-09-22 2023-12-12 武汉展巨华科技发展有限公司 基于机器视觉的3d模型表面检测方法

Also Published As

Publication number Publication date
CN114648445B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
US11113505B2 (en) Palm print image matching techniques
Gelfand et al. Robust global registration
JP6216508B2 (ja) ３ｄシーンにおける３ｄ物体の認識および姿勢決定のための方法
CN110490912B (zh) 基于局部灰度顺序模型描述符的3d-rgb点云配准方法
EP2385483B1 (en) Recognition and pose determination of 3D objects in 3D scenes using geometric point pair descriptors and the generalized Hough Transform
CN111223133B (zh) 一种异源图像的配准方法
Tazir et al. CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration
Dibeklioglu et al. 3D facial landmarking under expression, pose, and occlusion variations
CN114648445A (zh) 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法
CN114677418B (zh) 一种基于点云特征点提取的配准方法
CN112070832B (zh) 基于点云dca特征的非合作目标位姿跟踪方法及装置
CN111652292B (zh) 一种基于ncs、ms的相似物体实时检测方法及系统
CN103295239A (zh) 一种基于平面基准影像的激光点云数据的自动配准方法
CN114972459B (zh) 一种基于低维点云局部特征描述符的点云配准方法
CN110111375B (zh) 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置
CN113160285A (zh) 一种基于局部深度图像关键性的点云匹配方法
CN109523582A (zh) 一种顾及法向量和多尺度稀疏特征的点云粗配准方法
CN112329880A (zh) 一种基于相似性度量和几何特征的模板快速匹配方法
CN114358166B (zh) 一种基于自适应k均值聚类的多目标定位方法
Cui et al. Dense registration and mosaicking of fingerprints by training an end-to-end network
CN116612165A (zh) 一种针对大视角差异sar图像的配准方法
CN113674332B (zh) 一种基于拓扑结构与多尺度特征的点云配准方法
Cailliere et al. 3D mirror symmetry detection using Hough transform
CN114820673A (zh) 一种基于轮廓质心高度增量特征的目标识别方法
CN115861640A (zh) 一种基于orb和surf特征的快速图像匹配方法

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
GR01 Patent grant
GR01 Patent grant