CN114972448A - 一种基于icp算法的降维加速点云配准方法 - Google Patents
一种基于icp算法的降维加速点云配准方法 Download PDFInfo
- Publication number
- CN114972448A CN114972448A CN202210581582.1A CN202210581582A CN114972448A CN 114972448 A CN114972448 A CN 114972448A CN 202210581582 A CN202210581582 A CN 202210581582A CN 114972448 A CN114972448 A CN 114972448A
- Authority
- CN
- China
- Prior art keywords
- registration
- point cloud
- iteration
- cloud data
- calculating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001133 acceleration Effects 0.000 title claims abstract description 15
- 238000013519 translation Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 12
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009616 inductively coupled plasma Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000014616 translation Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 239000013072 incoming material Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241000700608 Sagitta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012795 verification 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
- G06T7/30—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
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于ICP算法的降维加速点云配准方法，方法步骤如下：S1：导入点云数据并初始化参数；S2：使用四元数法计算配准参数[Rk,tk]；S3：利用二次插值法调整配准参数，加速算法的迭代；S4：更新待配准点云数据以及均方误差；S5：若步骤S4中的所述均方误差小于设定值τ或者迭代次数达到设定值kmax，则转步骤S3继续迭代，否则结束迭代，返回配准参数[Rk,tk]，本发明利用生产线上的先验知识，将三维点云数据的配准维度由六维降维成三维，即一个旋转角度和两个方向的平移(x,y)，由于自由度的降低，使算法迭代收敛速度加快，精度提高，同时利用二次插值法对偏航角的迭代做进一步加速，减少了迭代收敛的次数，使配准耗时降低到百毫秒。
Description
技术领域
本发明涉及工件在线三维检测技术领域，尤其涉及一种基于ICP算法的降维加速点云配准方法。
背景技术
随着现代工业的不断进步，对生产工件的精度要求也不断提升。传统的二维图像检测系统只能获取工件表面反射回的亮度信息，而三维测量可以获取高精度的工件高度信息。工件的某些表面特征的很难通过表面光照信息获得，如平面之间的高度差和曲面轮廓的曲率等，需要依赖三维测量获取的高度信息进行检测。
在三维检测领域中，国内外已经有一批企业可以生产高精度的三维传感器，通过三维传感器可以获取工件的三维点云数据，即高度信息，进而完成高度测量，轮廓测量、连续轮廓测量和曲面曲率测量等测量项目。然而，在实际应用到生产线上的在线三维检测中，由于上游生产线的来料位姿不固定，对被测量工件进行检测前需要先进行点云配准，即将被测量工件的点云数据的位姿摆正到与注册的标准点云数据一致。
幸运的是，在实际工业生产场景中，上游生产线的来料的位姿差异不大，工件在传送带上测量的过程中，其相对测量基准面不会发生俯仰角和滚动角的变化，即存在一个平面约束，只有偏航角可能发生变化，与此同时，由于工件位于在传送带上，其竖直方向的坐标是固定不动的。所以三维点云数据的配准由6自由度降维成3自由度，即一个旋转角度和两个方向的平移(x,y)。使用传统的ICP配准算法耗时较长，难以满足生产线对实时检测的需求，严重缩小了在线三维检测的应用场合，制约了在线高精度检测领域的发展。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于ICP算法的降维加速点云配准方法，在考虑生产线的先验条件的基础上，利用降维的方式缩小搜索维度，然后使用二次插值法加速迭代过程，使点云配准过程的时间降低到百毫秒。
根据本发明提出的一种基于ICP算法的降维加速点云配准方法，所述方法步骤如下：
S1：导入点云数据并初始化参数；
S2：使用四元数法计算配准参数[Rk,tk]；
S3：利用二次插值法调整配准参数，加速算法的迭代；
S4：更新待配准点云数据以及均方误差；
S5：若步骤S4中的所述均方误差小于设定值τ或者迭代次数达到设定值kmax，则转步骤S3继续迭代，否则结束迭代，返回配准参数[Rk,tk]。
优选地，步骤S3中所述的利用二次插值法调整配准参数步骤如下：
S31：依据迭代第k次时配准参数中的旋转矩阵Rk计算绕Z轴旋转角度，即
推算得到：
其中，θk表示第k次迭代时配准参数中的绕Z轴旋转角度，此时，令ek、ek-1、ek-2为θk、θk-1、θk-2对应的均方差，若满足：
则可以利用二次插值法的思想来对迭代过程进行加速，令：
xk-2＝θk-2，xk-1＝θk-1+xk-2，xk＝θk+xk-1
S32：构建三个以xk为x坐标，以ek为y坐标的坐标点(xk,ek)，(xk-1,ek-1)，(xk-2,ek-2)，并以此三点计算抛物线函数e(x)＝ax2+bx＝c，计算所述抛物线函数极值位置的坐标为
S33：计算出θmin＝xmin-xk，依据上述公式计算出旋转矩阵Rmin，保持平移向量tk不变，应用配准参数[Rmin,tk]，计算均方误差emin，若emin＜ek，则采用上述配准参数[Rk,tk]＝[Rmin,tk]，并继续执行步骤S4。
优选地，步骤S1中的所述导入点云数据包括标准点云数据Q＝{qj|qj∈R3，j＝1，2…n}和待配准点云数据集合P＝{pi|pi∈R3，i＝1，2…n}。
优选地，步骤S1中的所述初始化参数包括：设定循环次数k＝0，每次迭代后的距离误差ek＝0，初始化配准参数[Rk,tk]为：
优选地，步骤S2中使用四元数法计算配准参数[Rk,tk]的具体方法步骤如下：
S21：计算注册点云数据Q和待配准点云数据P的质心：
S22：计算pi、qi的协方差矩阵E：
S23：计算协方差矩阵的循环列向量Δ＝[e12 e23 e31]，列向量可以分别使用eij＝(E-ET)i,j(i,j＝1,2,3)计算得到；
S24：搭建对称矩阵，阶数为四：
其中，tr(X)表示矩阵X的迹，即对角线元素之和，I3表示三阶单位矩阵；
S25：计算上述四阶矩阵的特征值以及与之对应的特征向量，同时记录特征值取最大值时的特征向量，则该特征向量即为所求四元数向量[a0 a1 a2 a3]T；
S26：推导出刚性旋转矩阵R即为：
同时，依据旋转矩阵与平移矩阵的关联，由t＝Cp-RCq解算出平移矩阵t，至此，得出旋转矩阵和平移矩阵(R,t)。
优选地，步骤S4中的所述更新待配准点云数据包括将计算得到的配准参数[Rk,tk]作用于Pk-1，得到新的待配准点云数据Pk：
Pk＝PkPk-1+tk。
优选地，步骤S4中的所述更新均方误差的步骤如下：
优选地，步骤S5中的所述设定值τ为1E-03mm，所述设定值kmax为20。
本发明中的有益效果是：
(1)充分利用了生产线上的先验知识，将三维点云数据的配准维度由六维降维成三维，即一个旋转角度和两个方向的平移(x,y)，由于自由度的降低，使算法迭代收敛速度加快，精度提高；
(2)利用二次插值法对偏航角的迭代做进一步加速，减少了迭代收敛的次数，使配准耗时降低到百毫秒。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明提出的基于ICP算法的降维加速点云配准方法的流程框图；
图2为本发明提出的利用二次插值法调整配准参数的执行过程流程框图；
图3为本发明提出的未配准的点云数据图像；
图4为本发明提出的配准后的点云数据图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-4，一种基于ICP算法的降维加速点云配准方法，用于在线三维检测过程中的待测量点云数据与标准点云数据的配准，如图3、图4所示，本实施例采用测量柱面镜表面关键参数弓形高度(Sagitta,SAG)项目实例来进行验证，图3为未配准的点云数据图像，图4为配准后的点云数据图像，方法步骤如下：
S1：导入点云数据并初始化参数；
S2：使用四元数法计算配准参数[Rk,tk]，也可采用SVD法替代四元数法计算配准参数[Rk,tk]；
S3：利用二次插值法调整配准参数，加速算法的迭代；
S4：更新待配准点云数据以及均方误差；
S5：若步骤S4中的所述均方误差小于设定值τ或者迭代次数达到设定值kmax，则转步骤S3继续迭代，否则结束迭代，返回配准参数[Rk,tk]。
步骤S3中所述的利用二次插值法调整配准参数步骤如下：
S31：依据迭代第k次时配准参数中的旋转矩阵Rk计算绕Z轴旋转角度，即
推算得到：
其中，θk表示第k次迭代时配准参数中的绕Z轴旋转角度，此时，令ek、ek-1、ek-2为θk、θk-1、θk-2对应的均方差，若满足：
则可以利用二次插值法的思想来对迭代过程进行加速，令：
xk-2＝θk-2，xk-1＝θk-1+xk-2，xk＝θk+xk-1
S32：构建三个以xk为x坐标，以ek为y坐标的坐标点(xk,ek)，(xk-1,ek-1)，(xk-2,ek-2)，并以此三点计算抛物线函数e(x)＝ax2+bx＝c，计算所述抛物线函数极值位置的坐标为
S33：计算出θmin＝xmin-xk，依据上述公式计算出旋转矩阵Rmin，保持平移向量tk不变，应用配准参数[Rmin,tk]，计算均方误差emin，若emin＜ek，则采用上述配准参数[Rk,tk]＝[Rmin,tk]，并继续执行步骤S4。
步骤S1中的所述导入点云数据包括标准点云数据Q＝{qj|qj∈R3，j＝1，2…n}和待配准点云数据集合P＝{pi|pi∈R3，i＝1，2…n}。
步骤S1中的所述初始化参数包括：设定循环次数k＝0，每次迭代后的距离误差ek＝0，初始化配准参数[Rk,tk]为：
步骤S2中使用四元数法计算配准参数[Rk,tk]的具体方法步骤如下：
S21：计算注册点云数据Q和待配准点云数据P的质心：
S22：计算pi、qi的协方差矩阵E：
S23：计算协方差矩阵的循环列向量Δ＝[e12 e23 e31]，列向量可以分别使用eij＝(E-ET)i,j(i,j＝1,2,3)计算得到；
S24：搭建对称矩阵，阶数为四：
其中，tr(X)表示矩阵X的迹，即对角线元素之和，I3表示三阶单位矩阵；
S25：计算上述四阶矩阵的特征值以及与之对应的特征向量，同时记录特征值取最大值时的特征向量，则该特征向量即为所求四元数向量[a0 a1 a2 a3]T；
S26：推导出刚性旋转矩阵R即为：
同时，依据旋转矩阵与平移矩阵的关联，由t＝Cp-RCq解算出平移矩阵t，至此，得出旋转矩阵和平移矩阵(R,t)。
步骤S4中的所述更新待配准点云数据包括将计算得到的配准参数[Rk,tk]作用于Pk-1，得到新的待配准点云数据Pk：
Pk＝PkPk-1+tk。
步骤S4中的所述更新均方误差的步骤如下：
步骤S5中的所述设定值τ为1E-03mm，所述设定值kmax为20。
在此实例中，与传统ICP算法以及AccICP算法的计算耗时和配准精度的对比见下表：
表1实验对比表
从表中可以看出，本发明算法的耗时要大幅低于传统ICP法和AccICP法，同时配准精度更高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于ICP算法的降维加速点云配准方法，其特征在于，所述方法步骤如下：
S1：扫描获取点云数据并初始化参数；
S2：使用四元数法计算配准参数[Rk,tk]；
S3：利用二次插值法调整配准参数，加速算法的迭代；
S4：更新待配准点云数据以及均方误差；
S5：若步骤S4中的所述均方误差小于设定值τ或者迭代次数达到设定值kmax，则转步骤S3继续迭代，否则结束迭代，返回配准参数[Rk,tk]。
2.根据权利要求1所述的一种基于ICP算法的降维加速点云配准方法，其特征在于，步骤S3中所述的利用二次插值法调整配准参数步骤如下：
S31：依据迭代第k次时配准参数中的旋转矩阵Rk计算绕Z轴旋转角度，即
推算得到：
其中，θk表示第k次迭代时配准参数中的绕Z轴旋转角度，此时，令ek、ek-1、ek-2为θk、θk-1、θk-2对应的均方差，若满足：
则可以利用二次插值法的思想来对迭代过程进行加速，令：
xk-2＝θk-2，xk-1＝θk-1+xk-2，xk＝θk+xk-1
S32：构建三个以xk为x坐标，以ek为y坐标的坐标点(xk,ek)，(xk-1,ek-1)，(xk-2,ek-2)，并以此三点计算抛物线函数e(x)＝ax2+bx＝c，计算所述抛物线函数极值位置的坐标为
S33：计算出θmin＝xmin-xk，依据上述公式计算出旋转矩阵Rmin，保持平移向量tk不变，应用配准参数[Rmin,tk]，计算均方误差emin，若emin＜ek，则采用上述配准参数[Rk,tk]＝[Rmin,tk]，并继续执行步骤S4。
3.根据权利要求2所述的一种基于ICP算法的降维加速点云配准方法，其特征在于：步骤S1中的所述导入点云数据包括标准点云数据Q＝{qj|qj∈R3，j＝1，2…n}和待配准点云数据集合P＝{pi|pi∈R3，i＝1，2…n}。
4.根据权利要求2所述的一种基于ICP算法的降维加速点云配准方法，其特征在于，步骤S1中的所述初始化参数包括：设定循环次数k＝0，每次迭代后的距离误差ek＝0，初始化配准参数[Rk,tk]为：
5.据权利要求3所述的一种基于ICP算法的降维加速点云配准方法，其特征在于，步骤S2中使用四元数法计算配准参数[Rk,tk]的具体方法步骤如下：
S21：计算注册点云数据Q和待配准点云数据P的质心：
S22：计算pi、qi的协方差矩阵E：
S23：计算协方差矩阵的循环列向量Δ＝[e12 e23 e31]，列向量可以分别使用eij＝(E-ET)i,j(i,j＝1,2,3)计算得到；
S24：搭建对称矩阵，阶数为四：
其中，tr(X)表示矩阵X的迹，即对角线元素之和，I3表示三阶单位矩阵；
S25：计算上述四阶矩阵的特征值以及与之对应的特征向量，同时记录特征值取最大值时的特征向量，则该特征向量即为所求四元数向量[a0 a1 a2 a3]T；
S26：推导出刚性旋转矩阵R即为：
同时，依据旋转矩阵与平移矩阵的关联，由t＝Cp-RCq解算出平移矩阵t，至此，得出旋转矩阵和平移矩阵(R,t)。
6.根据权利要求3所述的一种基于ICP算法的降维加速点云配准方法，其特征在于，步骤S4中的所述更新待配准点云数据包括将计算得到的配准参数[Rk,tk]作用于Pk-1，得到新的待配准点云数据Pk：
Pk＝PkPk-1+tk。
7.根据权利要求3所述的一种基于ICP算法的降维加速点云配准方法，其特征在于，步骤S4中的所述更新均方误差的步骤如下：
8.根据权利要求1所述的一种基于ICP算法的降维加速点云配准方法，其特征在于：步骤S5中的所述设定值τ为1E-03mm，所述设定值kmax为20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210581582.1A CN114972448B (zh) | 2022-05-26 | 2022-05-26 | 一种基于icp算法的降维加速点云配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210581582.1A CN114972448B (zh) | 2022-05-26 | 2022-05-26 | 一种基于icp算法的降维加速点云配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114972448A true CN114972448A (zh) | 2022-08-30 |
| CN114972448B CN114972448B (zh) | 2024-07-16 |
Family
ID=82955081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210581582.1A Active CN114972448B (zh) | 2022-05-26 | 2022-05-26 | 一种基于icp算法的降维加速点云配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972448B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644433A (zh) * | 2017-08-30 | 2018-01-30 | 北京控制工程研究所 | 改进的最近点迭代点云配准方法 |
| CN108053367A (zh) * | 2017-12-08 | 2018-05-18 | 北京信息科技大学 | 一种基于rgb-d特征匹配的3d点云拼接与融合方法 |
| CN113284170A (zh) * | 2021-05-26 | 2021-08-20 | 北京智机科技有限公司 | 一种点云快速配准方法 |
| WO2022021479A1 (zh) * | 2020-07-30 | 2022-02-03 | 南京溧航仿生产业研究院有限公司 | 一种基于 knn-icp 算法的自由曲面定位方法 |
| WO2022095302A1 (zh) * | 2020-11-05 | 2022-05-12 | 湖南大学 | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 |
| CN114494368A (zh) * | 2021-12-20 | 2022-05-13 | 东南大学 | 一种结合降维投影和特征匹配的低重叠率点云配准方法 |
-
2022
- 2022-05-26 CN CN202210581582.1A patent/CN114972448B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644433A (zh) * | 2017-08-30 | 2018-01-30 | 北京控制工程研究所 | 改进的最近点迭代点云配准方法 |
| CN108053367A (zh) * | 2017-12-08 | 2018-05-18 | 北京信息科技大学 | 一种基于rgb-d特征匹配的3d点云拼接与融合方法 |
| WO2022021479A1 (zh) * | 2020-07-30 | 2022-02-03 | 南京溧航仿生产业研究院有限公司 | 一种基于 knn-icp 算法的自由曲面定位方法 |
| WO2022095302A1 (zh) * | 2020-11-05 | 2022-05-12 | 湖南大学 | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 |
| CN113284170A (zh) * | 2021-05-26 | 2021-08-20 | 北京智机科技有限公司 | 一种点云快速配准方法 |
| CN114494368A (zh) * | 2021-12-20 | 2022-05-13 | 东南大学 | 一种结合降维投影和特征匹配的低重叠率点云配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| 俞浩;高飞;: "基于特征向量的点云配准方法研究", 合肥工业大学学报(自然科学版), no. 07, 28 July 2020 (2020-07-28) * |
| 孔祥丽;: "基于对偶四元数描述的LiDAR点云解析配准算法", 测绘地理信息, no. 06, 5 December 2017 (2017-12-05) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114972448B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghaffari et al. | Dynamic contour error estimation and feedback modification for high-precision contouring | |
| CN113327275B (zh) | 一种基于多约束点到局部曲面投影的点云双视角精配准方法 | |
| CN111986219B (zh) | 一种三维点云与自由曲面模型的匹配方法 | |
| CN107063190B (zh) | 面向定标面阵相机影像的位姿高精度直接估计方法 | |
| CN112781496A (zh) | 一种非接触测量系统的测头位姿标定技术 | |
| Rao et al. | Fringe-projection-based normal direction measurement and adjustment for robotic drilling | |
| CN107563432A (zh) | 一种基于视觉形状模型的机器人多目标识别方法 | |
| CN112229321B (zh) | 基于lasso算法求解三坐标测量机21项几何误差的方法 | |
| CN102679926B (zh) | 用于多点阵列式柔性工装的基于包围盒的薄壁曲面类零件定位方法 | |
| Cui et al. | An improved pose estimation method based on projection vector with noise error uncertainty | |
| CN110340738B (zh) | 一种基于pca的机器人拉丝高铁白车身工件精确标定方法 | |
| CN114972448A (zh) | 一种基于icp算法的降维加速点云配准方法 | |
| CN109191583B (zh) | 一种基于各向异性mls曲面精确对齐方法 | |
| CN118143929A (zh) | 一种机器人3d视觉导引抓取方法 | |
| Gao et al. | A high precision and fast alignment method based on binocular vision | |
| CN112526925B (zh) | 基于三维凸轮型面实体化模型偏差补偿的型面精加工方法 | |
| Xie et al. | Iterative Fine Point-Set Matching of a Free-Form Surface Based on the Point-to-Sphere Distance | |
| Zhang et al. | Precise Calibration of Binocular Vision System Based on Oblique Cone Projection Model | |
| Lu et al. | Point cloud registration based on CPD algorithm | |
| CN111338347B (zh) | 一种基于单目视觉的水面航行器有限时间连续控制方法 | |
| CN111504276B (zh) | 一种基于视觉投影尺度因子集的联合目标函数多推进器姿态角获取方法 | |
| Li et al. | PSS-BA: LiDAR Bundle Adjustment with Progressive Spatial Smoothing | |
| JPH06262568A (ja) | 視覚に基く三次元位置および姿勢の認識方法とその装置 | |
| CN115082646B (zh) | 一种基于对称点余量偏差的vr眼镜镜片位姿纠偏方法 | |
| CN109933918A (zh) | 旋转轴垂直度误差的误差矢量建模方法 |
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 |