CN115344727A - 基于法向球谐的大规模三维点云检索方法、装置及系统 - Google Patents
基于法向球谐的大规模三维点云检索方法、装置及系统 Download PDFInfo
- Publication number
- CN115344727A CN115344727A CN202211007473.5A CN202211007473A CN115344727A CN 115344727 A CN115344727 A CN 115344727A CN 202211007473 A CN202211007473 A CN 202211007473A CN 115344727 A CN115344727 A CN 115344727A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- gaussian
- spherical
- normal
- retrieval
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及三维点云检索技术领域,解决了当前的点云检索方法识别率不高且数据运算量大的技术问题,尤其涉及一种基于法向球谐的大规模三维点云检索方法,包括以下步骤:获取由点云采集设备所采集的若干组点云数据;根据PCA计算每组点云数据的法向向量并建立点云数据库;采用法向映射和核密度估计根据点云数据的法向向量,构建连续的高斯球面模型;对高斯球面模型进行采样并进行球谐变换,利用球谐的旋转不变性计算点云数据库的形状描述子集;使用形状描述子的相似性进行查询操作,进而实现了三维点云的检索。本发明能够针对大规模的点云数据进行快速的点云检索,运算量小。而且针对于具有残缺状态的点云具有鲁棒性。
Description
技术领域
本发明涉及三维点云检索技术领域,尤其涉及基于法向球谐的大规模三维点云检索方法、装置及系统。
背景技术
随着三维扫描技术、摄影测量和深度传感器的发展,人们能够便捷地获得到海量的三维点云数据,为了从海量三维点云数据中快速提取有用的信息,需要使用检索方法进行查询;然而,当前主流的三维点云检索算法主要针对于3D媒体的网格数据,其主要目的是检索同类物体,在实际应用于工业上智能夹取问题的过程中,先需要通过3D采集设备得到点云数据并实时计算出其描述子,然后在预先建立好的模型库中检索该物体并得到相对应的参数,进而完成检索任务。
但是,市面上现有的3D采集设备得到的点云不可避免会存在一定的孔洞和缺失,由于视角的问题,甚至往往是整个底面缺失,即只能获取原有模型的部分形态,这将导致点云检索识别率不高,并且数据运算量大,致使检索速度较慢。
发明内容
针对现有技术的不足,本发明提供了基于法向球谐的大规模三维点云检索方法、装置及系统,解决了当前的点云检索方法识别率不高且数据运算量大的技术问题,达到了能够针对大规模的点云数据进行快速的点云检索,运算量小且针对具有残缺状态的点云具有鲁棒性的目的。
为解决上述技术问题,本发明提供了如下技术方案:一种基于法向球谐的大规模三维点云检索方法,包括以下步骤:
S1、获取由点云采集设备所采集的若干组点云数据;
S2、根据PCA算法计算每组点云数据的法向向量并建立点云数据库;
S3、采用法向映射和核密度估计根据点云数据的法向向量,构建连续的高斯球面模型;
S4、对高斯球面模型进行采样并进行球谐变换,利用球谐的旋转不变性构建点云数据库的形状描述子集;
S5、获取待查询的点云数据,并对待查询的点云数据采用步骤S3和S4构建形状描述子;
S6、根据相似性度量规则,在点云数据库的形状描述子集中查询,得到与待查询的点云数据的形状描述子最相似的形状描述子对应的点云即为三维点云的检索结果。
进一步地,所述步骤S3具体包括以下步骤:
S31、采用法向映射将每组点云集的所有法向向量皆映射到单位球上,形成的投影点在球面上构成高斯球;
S32、采用核密度估计根据高斯球构建连续的高斯球面模型。
进一步地,所述步骤S4具体包括以下步骤:
S41、对高斯球面模型进行等角度采样,得到若干个采样点;
S42、对高斯球面模型的采样点使用离散球谐变换算法,计算预设带限的球谐系数;
S43、根据球谐系数,计算点云数据库的形状描述子集。
进一步地,步骤S32中所述连续的高斯球面模型的表达式为:
进一步地,步骤S6中所述相似性度量规则为余弦相似性度量规则。
本发明还提供了一种技术方案:一种基于法向球谐的大规模三维点云检索装置,包括:
第一获取模块,所述第一获取模块用于获取由点云采集设备所采集的若干组点云数据;
计算模块,所述计算模块用于根据PCA算法计算每组点云数据的法向向量并建立点云数据库;
高斯球面模型构建模块,所述高斯球面模型构建模块用于采用法向映射和核密度估计根据点云数据的法向向量,构建连续的高斯球面模型;
形状描述子集构建模块,所述形状描述子集构建模块用于对高斯球面模型进行采样并进行球谐变换,利用球谐的旋转不变性计算点云数据库的形状描述子集;
第二获取模块,所述第二获取模块用于获取待查询的点云数据,并对待查询的点云数据库采用步骤S3和S4构建形状描述子;
点云检索模块,所述点云检索模块用于根据相似性度量规则,在点云数据库的形状描述子集中查询,得到与待查询的点云数据的形状描述子最相似的形状描述子对应的点云即为三维点云的检索结果。
进一步地,所述高斯球面模型构建模块包括:
高斯球生成单元,所述高斯球生成单元用于采用法向映射将每组点云集的所有法向向量皆映射到单位球上,形成的投影点在球面上构成高斯球;
高斯球面模型生成单元,所述高斯球面模型生成单元用于采用核密度估计根据高斯球构建连续的高斯球面模型。
进一步地,所述形状描述子集构建模块包括:
采样单元,所述采样单元用于对高斯球面模型进行等角度采样,得到若干个采样点;
球谐系数计算单元,所述球谐系数计算单元用于对高斯球面模型的采样点使用离散球谐变换算法,计算预设带限的球谐系数;
形状描述子集计算单元,所述形状描述子集计算单元用于根据球谐系数,计算点云数据库的形状描述子集。
本发明还提供了另一个技术方案:一种用于实现基于法向球谐的大规模三维点云检索方法的系统,包括点云采集设备和计算机设备;
所述点云采集设备与计算机设备建立数据通信,且点云采集设备用于采集若干组点云数据;
所述计算机设备包含至少一个处理器和存储器,用于接收点云采集设备所采集的若干组点云数据并存储至点云数据库,通过处理器调用并运行存储器内的点云检索方法对输入的待查询点云数据进行查询,进而实现三维点云的检索。
借由上述技术方案,本发明提供了基于法向球谐的大规模三维点云检索方法、装置及系统,至少具备以下有益效果:
1、本发明针对三维点的某一个邻域采用PCA方式求取该点的法向向量,接着采用法向映射和核密度估计根据点云数据的法向向量构建连续的高斯球面模型,再利用球谐的旋转不变性构建点云数据库的形状描述子集,最后通过余弦相似性度量规则计算两个形状描述子的相似度,通过降维减小了运算量,从而能够针对大规模的点云数据进行快速的点云检索。
2、本发明通过采用法向映射方式构建高斯球,并采用核密度估计根据高斯球构建连续的高斯球面模型,这样可减少随机因素的影响,从而对于具有残缺状态的点云具有鲁棒性,进而提高了点云检索的识别率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明提供的大规模三维点云检索方法的流程图;
图2为本发明提供的大规模三维点云检索方法中构建高斯球面模型的流程图;
图3为本发明提供的大规模三维点云检索方法中构建高斯球面模型的示例图;
图4为本发明提供的大规模三维点云检索方法中构建点云数据库的形状描述子集的流程图;
图5为本发明提供的大规模三维点云检索方法中构建点云数据库的形状描述子集的示例图;
图6为本发明提供的大规模三维点云检索装置的原理框图;
图7为本发明提供的大规模三维点云检索装置中高斯球面模型构建模块的原理框图;
图8为本发明提供的大规模三维点云检索装置中形状描述子集构建模块的原理框图;
图9为本发明提供的大规模三维点云检索系统的原理框图。
图中:10、第一获取模块;20、计算模块;30、高斯球面模型构建模块;301、高斯球生成单元;302、高斯球面模型生成单元;40、形状描述子集构建模块;401、采样单元;402、球谐系数计算单元;403、形状描述子集计算单元;50、第二获取模块;60、点云检索模块;100、点云采集设备;200、计算机设备。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
申请概述
根据研究对象的不同,现有的对于三维点云的检索方法主要分为两个方面,分别是基于文本的三维点云检索和基于内容的三维点云检索,其中,基于文本的三维点云检索要求使用比较全面的描述语句对每个存入数据库的点云进行语义标注,但根据经验设置的标注不仅费人力而且在真实场景下并不适用,相较于基于文本的三维点云检索,当前更流行的方法为基于内容的三维点云检索方法,该方法通过使用特征提取算法来提取三维数据的特征,并生成描述子进行表示,通过对比不同目标描述子之间的差异来确定检索的相似性,但传统的基于内容的三维点云检索方法并不能很好的提取具有孔洞或缺失的三维点云数据的特征,导致识别率不高。
针对现有技术中的上述缺陷,本申请的基本构思是针对三维点的某一个邻域采用PCA方式求取该点的法向向量,通过采用法向映射方式构建高斯球,接着采用核密度估计根据高斯球构建连续的高斯球面模型,再利用球谐的旋转不变性构建点云数据库的形状描述子集,最后通过余弦相似性度量规则计算两个形状描述子的相似度,并查询最相似的形状描述子对应的点云,进而实现三维点云的检索。
请参照图1-图5,示出了根据本发明实施例一的一种基于法向球谐的大规模三维点云检索方法,如图1所示,包括以下步骤:
S1、获取由点云采集设备所采集的若干组点云数据。
S2、根据PCA算法计算每组点云数据的法向向量并建立点云数据库。
S3、采用法向映射和核密度估计根据点云数据的法向向量,构建连续的高斯球面模型。如图2所示,具体步骤包括:
S31、采用法向映射将每组点云集的所有法向向量皆映射到单位球上,形成的投影点在球面上构成高斯球。
具体的,将每组点云集Pi(图3(a)所示)的所有法向向量单位化,并通过法向映射将每个法向向量nτ皆映射到单位球的一个点,其中,映射关系可表示为:
其中,θ为天顶角,φ为方位角。在映射过程中,法向向量的起点平移到单位球的球心上,法向向量的终点落在单位球面上,形成的投影点在球面上构成高斯球G(图3(b)所示)。
S32、采用核密度估计根据高斯球构建连续的高斯球面模型。
需要说明的是,高斯球G是离散的样本映射的集合,离散点在定位时通常会表现出一定的随机性。为了减少随机因素的影响,需要根据映射点的核密度估计在整个高斯球上建立一个平滑连续的高斯球面模型g(图3(c)或图5(a)所示),其中,高斯球面模型g定义为:
其中,t为点个数;h为平滑参数;K为正态概率密度函数,定义为:
S4、对高斯球面模型进行采样并进行球谐变换,利用球谐的旋转不变性构建点云数据库的形状描述子集。如图4所示,具体步骤如下:
S41、对高斯球面模型进行等角度采样,得到若干个采样点。
需要说明的是,高斯球面模型g是带宽受限的,这意味着球谐系数仅在有限的频率范围内是非零的,而在这个范围外的其它系数为零。
本实施例中,设高斯球面模型g的带限为B,在经纬度两倍带限B处对高斯球面模型进行等角度采样,得到2B×2B个采样点,采样点表示为:
(θj,φk)∈(0,π)×[0,2n)
S42、对高斯球面模型的采样点使用离散球谐变换算法,计算预设带限的球谐系数。
S43、根据球谐系数,计算点云数据库的形状描述子集。
具体的,带限B的球谐系数是按照l和m两个整数作索引,满足-l≤m≤l,且每个l有2l+1个系数。为此,本实施例中,将2l+1的同次系数组合成一个向量μl,计算其L2范数||μl||作为高斯球面模型g在l次的能量,则高斯球面模型g的形状描述子可定义为:Dε={||μl||:l=0,…,B-1},并将Dε加入形状描述子集(图5(c)所示),即点云数据库的形状描述子集
S5、获取待查询的点云数据,对待查询的点云数据采用步骤S3和S4构建形状描述子。
本实施例中,设待查询的点云数据为Q,通过采用上述步骤S3和S4可得到待查询的点云数据对应的形状描述子Dq。
S6、根据相似性度量规则,在点云数据库的形状描述子集中查询,得到与待查询的点云数据的形状描述子最相似的形状描述子对应的点云即为三维点云的检索结果。
具体的,使用余弦相似性度量规则,计算待查询的点云数据的形状描述子Dq与点云数据库的形状描述子集的相似性,在中查询得到与Dq最相似的形状描述子对应的点云,即为点云数据Q的查询结果,进而实现三维点云的检索。其中,余弦相似性度量规则的表达式如下:
其中,Da和Db代表需要度量的两个描述子。
参照图6-图8,本发明还提供了一种技术方案:一种基于法向球谐的大规模三维点云检索装置,包括:
第一获取模块10,第一获取模块10用于获取由点云采集设备所采集的若干组点云数据;
计算模块20,计算模块20用于根据PCA算法计算每组点云数据的法向向量并建立点云数据库;
高斯球面模型构建模块30,高斯球面模型构建模块30用于采用法向映射和核密度估计根据点云数据的法向向量,构建连续的高斯球面模型;
形状描述子集构建模块40,形状描述子集构建模块40用于对高斯球面模型进行采样并进行球谐变换,利用球谐的旋转不变性计算点云数据库的形状描述子集;
第二获取模块50,第二获取模块50用于获取待查询的点云数据,并对待查询的点云数据库采用步骤S3和S4构建形状描述子;
点云检索模块60,点云检索模块60用于根据相似性度量规则,在点云数据库的形状描述子集中查询,得到与待查询的点云数据的形状描述子最相似的形状描述子对应的点云即为三维点云的检索结果。
其中,高斯球面模型构建模块30包括:
高斯球生成单元301,高斯球生成单元301用于采用法向映射将每组点云集的所有法向向量皆映射到单位球上,形成的投影点在球面上构成高斯球;
高斯球面模型生成单元302,高斯球面模型生成单元302用于采用核密度估计根据高斯球构建连续的高斯球面模型。
其中,形状描述子集构建模块40包括:
采样单元401,采样单元401用于对高斯球面模型进行等角度采样,得到若干个采样点;
球谐系数计算单元402,球谐系数计算单元402用于对高斯球面模型的采样点使用离散球谐变换算法,计算预设带限的球谐系数;
形状描述子集计算单元403,形状描述子集计算单元403用于根据球谐系数,计算点云数据库的形状描述子集。
参照图9,本发明还提供了另一种技术方案:一种用于实现基于法向球谐的大规模三维点云检索方法的系统,包括点云采集设备100和计算机设备200;
点云采集设备100与计算机设备200建立数据通信,且点云采集设备100用于采集若干组点云数据;
计算机设备200包含至少一个处理器和存储器,用于接收点云采集设备100所采集的若干组点云数据并存储至点云数据库,通过处理器调用并运行存储器内的点云检索方法对输入的待查询点云数据进行查询,进而实现了三维点云的检索。
本发明通过针对三维点的某一个邻域采用PCA方式求取该点的法向向量,接着采用法向映射根据点云数据的法向向量构建高斯球,并采用核密度估计根据高斯球构建连续的高斯球面模型,再利用球谐的旋转不变性构建点云数据库的形状描述子集,最后通过余弦相似性度量规则计算两个形状描述子的相似度,通过降维减小了运算量,从而能够针对大规模的点云数据进行快速的点云检索,而且针对于具有残缺状态的点云具有鲁棒性,提高了点云检索的识别率。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于法向球谐的大规模三维点云检索方法,其特征在于,包括以下步骤:
S1、获取由点云采集设备所采集的若干组点云数据;
S2、根据PCA算法计算每组点云数据的法向向量并建立点云数据库;
S3、采用法向映射和核密度估计根据点云数据的法向向量,构建连续的高斯球面模型;
S4、对高斯球面模型进行采样并进行球谐变换,利用球谐的旋转不变性构建点云数据库的形状描述子集;
S5、获取待查询的点云数据,并对待查询的点云数据采用步骤S3和S4构建形状描述子;
S6、根据相似性度量规则,在点云数据库的形状描述子集中查询,得到与待查询的点云数据的形状描述子最相似的形状描述子对应的点云即为三维点云的检索结果。
2.根据权利要求1所述的大规模三维点云检索方法,其特征在于,所述步骤S3具体包括以下步骤:
S31、采用法向映射将每组点云集的所有法向向量皆映射到单位球上,形成的投影点在球面上构成高斯球;
S32、采用核密度估计根据高斯球构建连续的高斯球面模型。
3.根据权利要求1所述的大规模三维点云检索方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、对高斯球面模型进行等角度采样,得到若干个采样点;
S42、对高斯球面模型的采样点使用离散球谐变换算法,计算预设带限的球谐系数;
S43、根据球谐系数,计算点云数据库的形状描述子集。
5.根据权利要求1所述的大规模三维点云检索方法,其特征在于,步骤S6中所述相似性度量规则为余弦相似性度量规则。
6.一种基于法向球谐的大规模三维点云检索装置,其特征在于,包括:
第一获取模块(10),所述第一获取模块(10)用于获取由点云采集设备所采集的若干组点云数据;
计算模块(20),所述计算模块(20)用于根据PCA算法计算每组点云数据的法向向量并建立点云数据库;
高斯球面模型构建模块(30),所述高斯球面模型构建模块(30)用于采用法向映射和核密度估计根据点云数据的法向向量,构建连续的高斯球面模型;
形状描述子集构建模块(40),所述形状描述子集构建模块(40)用于对高斯球面模型进行采样并进行球谐变换,利用球谐的旋转不变性构建点云数据库的形状描述子集;
第二获取模块(50),所述第二获取模块(50)用于获取待查询的点云数据,并对待查询的点云数据采用步骤S3和S4构建形状描述子;
点云检索模块(60),所述点云检索模块(60)用于根据相似性度量规则,在点云数据库的形状描述子集中查询,得到与待查询的点云数据的形状描述子最相似的形状描述子对应的点云即为三维点云的检索结果。
7.根据权利要求6所述的大规模三维点云检索装置,其特征在于,所述高斯球面模型构建模块(30)包括:
高斯球生成单元(301),所述高斯球生成单元(301)用于采用法向映射将每组点云集的所有法向向量皆映射到单位球上,形成的投影点在球面上构成高斯球;
高斯球面模型生成单元(302),所述高斯球面模型生成单元(302)用于采用核密度估计根据高斯球构建连续的高斯球面模型。
8.根据权利要求6所述的大规模三维点云检索方法,其特征在于,所述形状描述子集构建模块(40)包括:
采样单元(401),所述采样单元(401)用于对高斯球面模型进行等角度采样,得到若干个采样点;
球谐系数计算单元(402),所述球谐系数计算单元(402)用于对高斯球面模型的采样点使用离散球谐变换算法,计算预设带限的球谐系数;
形状描述子集计算单元(403),所述形状描述子集计算单元(403)用于根据球谐系数,计算点云数据库的形状描述子集。
9.一种应用权利要求1-5任一项所述的基于法向球谐的大规模三维点云检索方法的系统,其特征在于,包括点云采集设备(100)和计算机设备(200);
所述点云采集设备(100)与计算机设备(200)建立数据通信,且点云采集设备(100)用于采集若干组点云数据;
所述计算机设备(200)包含至少一个处理器和存储器,用于接收点云采集设备(100)所采集的若干组点云数据并存储至点云数据库,通过处理器调用并运行存储器内的点云检索方法对输入的待查询点云数据进行查询,实现三维点云的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007473.5A CN115344727A (zh) | 2022-08-22 | 2022-08-22 | 基于法向球谐的大规模三维点云检索方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007473.5A CN115344727A (zh) | 2022-08-22 | 2022-08-22 | 基于法向球谐的大规模三维点云检索方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115344727A true CN115344727A (zh) | 2022-11-15 |
Family
ID=83953855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211007473.5A Pending CN115344727A (zh) | 2022-08-22 | 2022-08-22 | 基于法向球谐的大规模三维点云检索方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115344727A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952310A (zh) * | 2023-03-15 | 2023-04-11 | 南京航空航天大学 | 一种基于多层球谐特征算子的模型检索方法 |
CN117473105A (zh) * | 2023-12-28 | 2024-01-30 | 浪潮电子信息产业股份有限公司 | 基于多模态预训练模型的三维内容生成方法及相关组件 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046751A (zh) * | 2015-06-29 | 2015-11-11 | 山东理工大学 | 保持实物表面样点棱边特征的Cocone曲面重建方法 |
US20200005020A1 (en) * | 2016-06-24 | 2020-01-02 | Skusub LLC | System and Method for Object Matching Using 3D Imaging |
CN112488127A (zh) * | 2020-12-09 | 2021-03-12 | 南京邮电大学 | 基于层次b样条的多尺度点云特征点检测与匹配 |
CN113295142A (zh) * | 2021-05-14 | 2021-08-24 | 上海大学 | 一种基于faro扫描仪和点云的地形扫描分析方法和装置 |
CN114612534A (zh) * | 2022-03-17 | 2022-06-10 | 南京航空航天大学 | 一种基于球谐特征的多视飞机整机点云配准方法 |
-
2022
- 2022-08-22 CN CN202211007473.5A patent/CN115344727A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046751A (zh) * | 2015-06-29 | 2015-11-11 | 山东理工大学 | 保持实物表面样点棱边特征的Cocone曲面重建方法 |
US20200005020A1 (en) * | 2016-06-24 | 2020-01-02 | Skusub LLC | System and Method for Object Matching Using 3D Imaging |
CN112488127A (zh) * | 2020-12-09 | 2021-03-12 | 南京邮电大学 | 基于层次b样条的多尺度点云特征点检测与匹配 |
CN113295142A (zh) * | 2021-05-14 | 2021-08-24 | 上海大学 | 一种基于faro扫描仪和点云的地形扫描分析方法和装置 |
CN114612534A (zh) * | 2022-03-17 | 2022-06-10 | 南京航空航天大学 | 一种基于球谐特征的多视飞机整机点云配准方法 |
Non-Patent Citations (3)
Title |
---|
JIA LI等: ""pherical Harmonic Energy Over Gaussian Sphere for Incomplete 3D Shape Retrieval"", 《IEEE ACCESS》, pages 183117 * |
孙晓鹏等: ""3D点云形状特征的二维主流形描述"", 《软件学报》, pages 699 - 709 * |
赵津东;温显斌;汪日伟;: "一种基于零阶球谐函数的点云识别方法", 天津理工大学学报, no. 02, pages 28 - 31 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952310A (zh) * | 2023-03-15 | 2023-04-11 | 南京航空航天大学 | 一种基于多层球谐特征算子的模型检索方法 |
CN117473105A (zh) * | 2023-12-28 | 2024-01-30 | 浪潮电子信息产业股份有限公司 | 基于多模态预训练模型的三维内容生成方法及相关组件 |
CN117473105B (zh) * | 2023-12-28 | 2024-04-05 | 浪潮电子信息产业股份有限公司 | 基于多模态预训练模型的三维内容生成方法及相关组件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115344727A (zh) | 基于法向球谐的大规模三维点云检索方法、装置及系统 | |
CN109215129B (zh) | 一种基于三维点云的局部特征描述方法 | |
CN109978767B (zh) | 基于多机器人协同的激光slam地图方法 | |
Zhu et al. | Learning compact visual representation with canonical views for robust mobile landmark search | |
WO2021168989A1 (zh) | 一种输电线路廊道多源空间数据库构建方法和装置 | |
CN112966134A (zh) | 一种遥感影像数据处理方法、系统和存储介质 | |
CN112862874A (zh) | 点云数据匹配方法、装置、电子设备及计算机存储介质 | |
JP2012160047A (ja) | 対応参照画像検索装置及び方法、コンテンツ重畳装置、システム、及び方法、並びにコンピュータプログラム | |
CN113223173B (zh) | 基于图模型的三维模型重建迁移方法及系统 | |
CN115757857B (zh) | 一种水下三维跨模态联合检索方法、存储介质和电子设备 | |
Mei et al. | Rotation-invariant feature learning via convolutional neural network with cyclic polar coordinates convolutional layer | |
Li et al. | Improved algorithm for point cloud registration based on fast point feature histograms | |
WO2022242259A1 (zh) | 数据处理方法、装置、设备及介质 | |
CN115390082A (zh) | 一种基于虚拟描述符的全局定位方法及其系统 | |
CN112017219B (zh) | 一种激光点云配准方法 | |
CN113628329A (zh) | 一种零样本草图三维点云检索方法 | |
CN112651408A (zh) | 一种基于点对变换特征的三维局部表面描述方法和系统 | |
CN114972460A (zh) | 一种结合图特征上下文匹配的点云配准方法 | |
CN113360586A (zh) | 地址聚集度查询方法、装置、设备及计算机可读存储介质 | |
He et al. | ICP registration based on 3D point clouds feature descriptor | |
US11574417B2 (en) | Portable device positioning data processing method and apparatus, device, and storage medium | |
CN112506959B (zh) | 智能船舶数据库检索的数据调度方法、装置和检索系统 | |
CN116447977B (zh) | 一种基于激光雷达的圆孔特征测量与参数提取方法 | |
Yujie et al. | SHREC’08 entry: 3D model retrieval based on the V system invariant moment | |
Chen et al. | Distinctive local surface descriptor for three-dimensional objects based on bispectrum of spherical harmonics |
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 |