CN114648445B - 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 PDFInfo
- Publication number
- CN114648445B CN114648445B CN202210209531.6A CN202210209531A CN114648445B CN 114648445 B CN114648445 B CN 114648445B CN 202210209531 A CN202210209531 A CN 202210209531A CN 114648445 B CN114648445 B CN 114648445B
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000013519 translation Methods 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000005484 gravity Effects 0.000 claims description 37
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 108091034117 Oligonucleotide Proteins 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
技术领域
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:
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:
2.1)、计算邻域尺度r1下的特征描述值:
计算离散程度差:
计算表征邻域尺度r1下的法向量夹角变化值:
(3)、粗配准初始对齐相邻视角高分辨率点云
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;
对源点云特征点做刚性变换{R,T}得到特征点获取源点云特征点在目标点云的对应特征点计算特征点与特征点构成点对的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的点集为高分辨率点云P2的点集为基于最小欧式距离在点集中找到与点集对应的点集得到候选对应点对
4.3)、设置阈值ωd,ωn,ωσ,剔除错误对应点对:
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:
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:
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:
为了减少噪声影响,保证特征点的稳定性,对重心距离集合进行降序排序,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其中,表示第i个特征点,v表示特征点数量。
步骤S2.1:计算邻域尺度r1下的特征描述值:
计算离散程度差:
计算表征邻域尺度r1下的法向量夹角变化值:
对特征集合均基于步骤S2.1-S2.3计算得到低维特征描述子后,由于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对应的归一化后的低维特征描述子集合
步骤S3:粗配准初始对齐相邻视角高分辨率点云
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;
对源点云特征点做刚性变换{R,T}得到特征点获取源点云特征点在目标点云的对应特征点计算特征点与特征点构成点对的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的点集为高分辨率点云P2的点集为基于最小欧式距离在点集中找到与点集对应的点集得到候选对应点对
步骤S4.3:设置阈值ωd,ωn,ωσ,剔除错误对应点对:
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即为保留的最终对应点对;否则,对候选对应点对集合按照法向量内积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
通过搜索重叠参数γ确定目标函数的最小值,重叠参数γ的搜索空间设为[0.4,1.0],目标函数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
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:
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。
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:
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:
2.1)、计算邻域尺度r1下的特征描述值:
计算离散程度差:
计算表征邻域尺度r1下的法向量夹角变化值:
(3)、粗配准初始对齐相邻视角高分辨率点云
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;
对源点云特征点做刚性变换{R,T}得到特征点获取源点云特征点在目标点云的对应特征点计算特征点与特征点构成点对的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的点集为高分辨率点云P2的点集为基于最小欧式距离在点集中找到与点集对应的点集得到候选对应点对
4.3)、设置阈值ωd,ωn,ωσ,剔除错误对应点对:
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:
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即为保留的最终对应点对;否则,对候选对应点对集合按照法向量内积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
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 CN114648445A (zh) | 2022-06-21 |
CN114648445B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Citations (5)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539070B (zh) * | 2020-04-27 | 2022-03-08 | 南京航空航天大学 | 基于实测数据的翼身对接间隙分布控制方法 |
-
2022
- 2022-03-03 CN CN202210209531.6A patent/CN114648445B/zh active Active
Patent Citations (5)
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114648445A (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
Spreeuwers | Fast and accurate 3D face recognition: using registration to an intrinsic coordinate system and fusion of multiple region classifiers | |
CN105243374B (zh) | 三维人脸识别方法、系统及应用其的数据处理装置 | |
US11113505B2 (en) | Palm print image matching techniques | |
CN114648445B (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 | |
CN101398886B (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
CN109241901B (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN108416342A (zh) | 一种结合细节点和细线结构的指纹识别方法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN113160285B (zh) | 一种基于局部深度图像关键性的点云匹配方法 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
CN101833763B (zh) | 一种水面倒影图像检测方法 | |
Feng et al. | A performance evaluation of fingerprint minutia descriptors | |
CN107316328A (zh) | 一种基于二维激光扫描仪角点特征的闭环检测方法 | |
Liu et al. | A novel rock-mass point cloud registration method based on feature line extraction and feature point matching | |
JP7354468B1 (ja) | 幾何学的特性に基づく軽量化された単結晶シリコン楕円パラメータの認識方法及びシステム | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
Ouyang et al. | Fingerprint pose estimation based on faster R-CNN | |
Cui et al. | Dense registration and mosaicking of fingerprints by training an end-to-end network | |
CN115082716A (zh) | 一种面向道路精细重建的多源点云粗匹配算法 | |
CN105701473B (zh) | 一种掌纹图像细节点特征匹配的方法 |
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 |