CN115439644B - 一种相似点云数据对齐方法 - Google Patents
一种相似点云数据对齐方法 Download PDFInfo
- Publication number
- CN115439644B CN115439644B CN202211001586.4A CN202211001586A CN115439644B CN 115439644 B CN115439644 B CN 115439644B CN 202211001586 A CN202211001586 A CN 202211001586A CN 115439644 B CN115439644 B CN 115439644B
- Authority
- CN
- China
- Prior art keywords
- data
- data matrix
- max
- matrix
- point cloud
- 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 80
- 239000011159 matrix material Substances 0.000 claims abstract description 279
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- 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
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及点云数据处理技术领域,更具体地,涉及一种相似点云数据对齐方法,包括如下步骤:S1.获取点云数据A、B;S2.对点云数据A、B的x、y、z轴坐标值进行预处理,得到wa、ha、wb、hb,和集合JA、JB;S3.若属于墙面数据,则至S4,否则至S5;S4.构建空矩阵a1、b1,然后放入JA、JB,得到矩阵ax、bx,后至S7;S5.构建空矩阵a2、b2;然后放入JA、JB,得到矩阵ax、bk,后至S6;S6.对矩阵bk进行矫正后得到矩阵bx,后至S7;S7.对矩阵ax、bx进行等高等宽裁剪处理,后至S8;S8.对矩阵ax、bx进行填充。本发明能够对点云数据进行高效计算处理工作,实现对相似点云数据的比对和对齐,提高输出数据的质量,提高工作效率。
Description
技术领域
本发明涉及点云数据处理技术领域,更具体地,涉及一种相似点云数据对齐方法。
背景技术
对于点云数据分析和数据质量优化工作,如何将两份相似的点云平面数据在空间位置上没有重叠的数据裁剪掉、而只保留它们之间具有完全重叠的部分数据,并将这些数据进行对齐,是一项必须的工作。但由于不少点云数据只包含空间信息,用传统的方法很难实现精准的裁剪以及空间上的对齐。目前常用的点云数据裁剪方法为:在点云软件上加载点云数据,然后在空间点云里调整好角度,手动设置多边形包围盒来对点云进行裁剪。但该种人工裁剪方法费时费力,容易造成数据丢失,且工作效率低下。
现有技术公开了一种基于数据降维的三维点云模型压缩方法及其实现系统,包括:(1)主元分析,获取三维点云模型的紧密包围盒;(2)量化处理,进行栅格划分,实现对点的坐标数据的量化处理;(3)数据降维,把XOY平面作为辅助平面,将所有栅格点向辅助平面投影,在XOY平面上记录Z方向有效栅格点的数目,存储到一个二维数组中,同时,建立一个一维数组,存储有效栅格点的Z坐标;(4)算术编码:对步骤(3)得到的二维数组中的数据和一维数组中的数据进行熵编码,得到压缩后的比特流。本发明经过量化和数据降维处理后,只需要存储量化后每个点的Z坐标以及一个编码代价很小的辅助二维数组,大大减少了数据量,达到提高压缩率的目的。
但上述方案无法进行对两份相似点云数据的对齐处理。
发明内容
本发明的目的在于克服现有技术的不足,提供一种相似点云数据对齐方法,能够对点云数据进行高效计算处理工作,实现对相似点云数据的比对和对齐,提高输出数据的质量,提高工作效率。
为解决上述技术问题,本发明采用的技术方案是:
提供一种相似点云数据对齐方法,包括如下步骤:
S1.通过不同三维激光扫描仪获取点云数据A、点云数据B;
S2.对点云数据A、点云数据B的x轴、y轴坐标值进行预处理,得到点云数据A的宽度值wa、高度值ha,以及得到点云数据B的宽度值wb、高度值hb;通过对点云数据A、点云数据B的z轴坐标值进行预处理,分别得到等待放入空矩阵的数据集合JA、数据集合JB;
S3.对所述点云数据A和B的类型进行判断,若属于墙面数据,则执行步骤S4,否则执行步骤S5;
S4.根据步骤S2得到的宽度值以及高度值分别对应构建空矩阵a1(ha,wa)、空矩阵b1(hb,wb),然后将所述数据集合JA、JB以左上角对齐的方式分别放入所述空矩阵a1(ha,wa)、b1(hb,wb)得到对应的数据矩阵,并将该得到的数据矩阵对应标记为待等宽高裁剪的数据矩阵ax(ha,wa)、bx(hb,wb),然后执行步骤S7;
S5.对步骤S2得到的宽度值、高度值分别取最大值,并构建空矩阵a2(hmax,wmax)、空矩阵b2(hmax,wmax);然后将所述数据集合JA、JB以左上角对齐的方式分别放入空矩阵a2(hmax,wmax)、b2(hmax,wmax),得到数据矩阵ac2(hmax,wmax)、待矫正数据矩阵bk(hmax,wmax),然后执行步骤S6;
S6.对待矫正数据矩阵bk(hmax,wmax)进行多角度旋转,并与数据矩阵ac2(hmax,wmax)进行一一误差比对,然后在最小误差下输出对应角度的数据并覆盖待矫正数据矩阵bk(hmax,wmax)中的数据得到新的数据矩阵,随后将该新的数据矩阵标记为待等宽高裁剪的数据矩阵bx(hmax,wmax);与此同时,数据矩阵ac2(hmax,wmax)也对应标记为待等宽高裁剪的数据矩阵ax(hmax,wmax),然后执行步骤S7;
S7.对待等宽高裁剪的数据矩阵ax、bx进行等高、等宽的裁剪处理,然后执行步骤S8;
S8.对完成等高以及等宽裁剪处理的数据矩阵ax、bx进行填充。
进一步地,在步骤S1中,通过不同三维激光扫描仪获取点云数据A=[A1,A2,...,An]、点云数据B=[B1,B2,...,Bn];其中,An=(xan,yan,zan),Bn=(xbn,ybn,zbn);在步骤S2中,
wa=max[|xa1-xamin|,|xa2-xamin|,..,|xan-xamin|],ha=max[|ya1-yamin|,|ya2-yamin|,...,|yan-yamin|],wb=max[|xb1-xbmin|,|xb2-xbmin|,...,|xbn-xbmin|],hb=max[|yb1-ybmin|,|yb2-ybmin|,...,|ybn-ybmin|];式中,xamin表示点云数据A中x轴坐标值中的最小值,yamin表示点云数据A中y轴坐标值中的最小值,xbmin表示点云数据B中x轴坐标值中的最小值,ybmin表示点云数据B中y轴坐标值中的最小值;在步骤S2中,数据集合JA=[zaj1,zaj2,...,zajn],数据集合JB=[zbj1,zbj2,...,zbjn];其中,zajn=|zan-zamin|,zbjn=|zbn-zbmin|;式中,zamin表示点云数据A中z轴坐标值中的最小值,zbmin表示点云数据B中z轴坐标值中的最小值。
进一步地,所述步骤S6具体包括:计算初始情况下待矫正数据矩阵bk(hmax,wmax)与数据矩阵ac2(hmax,wmax)的均方误差然后对矫正数据矩阵bk(hmax,wmax)进行旋转,每转动1度便计算一次其与数据矩阵ac2(hmax,wmax)的均方误差,形成误差列表并得到最小均方误差/>然后输出在最小均方误差/>时所对应角度的数据并覆盖初始待矫正数据矩中的数据得到新的数据矩阵,随后将该新的数据矩阵标记为待等宽高裁剪的数据矩阵bx(hmax,wmax);与此同时,数据矩阵ac2(hmax,wmax)也对应标记为待等宽高裁剪的数据矩阵ax(hmax,wmax)。
进一步地,在步骤S6中,所述均方误差的计算公式为:
式中,za11表示数据矩阵ax中第1行第1列位置的数据,zb11表示数据矩阵bx中第1行第1列位置的数据,zann表示数据矩阵ax中第n行第n列位置的数据,zbnn表示数据矩阵bx中第n行第n列位置的数据。
进一步地,所述步骤S7具体包括如下步骤:
S71.对待等宽高裁剪的数据矩阵ax、bx进行等高的裁剪处理;
S72.对待等宽高裁剪的数据矩阵ax、bx进行等宽的裁剪处理;
其中,步骤S71与S72之间无先后顺序。
进一步地,所述步骤S71具体包括如下步骤:
S711.计算得到数据矩阵ax、bx之间的高度差hdif以及初始均方误差,若hdif>0,则执行步骤S712;若hdif=0,则执行步骤S714;
S712.若hdif≥hp,hp>0,则对初始高度较高的数据矩阵的顶边进行三单位高度的裁剪,然后执行步骤S713;若0<hdif<hp,hp>0,则对初始高度较高的数据矩阵的顶边进行一单位高度的裁剪,然后执行步骤S713;其中,hp表示高度阈值;
S713.计算经过步骤S712处理后的数据矩阵ax与bx之间的均方误差,并与上一次计算得到的均方误差进行对比;若当前均方误差小于上一次的均方误差,则返回步骤S712,否则执行步骤S716;
S714.对数据矩阵ax的顶边进行一单位高度的裁剪,然后计算裁剪后的数据矩阵ax与经过步骤S711处理后的数据矩阵bx之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S714,否则执行步骤S715;
S715.对数据矩阵bx的顶边进行一单位高度的裁剪,然后计算裁剪后的数据矩阵bx与经过步骤S714处理后的数据矩阵ax之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S715,否则执行步骤S716;
S716.判断hdif的当前值大小;若hdif>0,则对高度较高的数据矩阵的底边进行多余高度的裁剪,然后执行步骤S717;否则直接执行步骤S717;
S717.判断数据矩阵ax与bx之间是否已完成等宽的裁剪处理,若完成,则执行步骤S8,否则执行步骤S72。
进一步地,在步骤S711中:
I.若点云数据A、B的类型属于墙面数据:高度差hdif=|ha-hb|;对数据矩阵ax(ha,wa)、bx(hb,wb)均以左上角对齐的方式进行最小尺寸裁剪,得到数据矩阵ax(hmin,wmin)、数据矩阵bx(hmin,wmin);其中,hmin=min([ha,hb]),wmin=min([wa,wb]);式中,hmin表示最小高度值,wmin表示最小宽度值;然后计算数据矩阵ax(hmin,wmin)与bx(hmin,wmin)的初始均方误差;
II.若点云数据A、B的类型不属于墙面数据:高度差 式中,/>表示经过步骤S6或S72处理后的数据矩阵ax(hmax,wmax)中的hmax,表示经过步骤S6或S72处理后的数据矩阵bx(hmax,wmax)中的hmax;并将/>作为初始均方误差,然后执行步骤S714;其中,/>表示最小均方误差。
进一步地,所述步骤S72具体包括如下步骤:
S721.计算得到数据矩阵ax、bx之间的宽度差wdif以及初始均方误差,若wdif>0,则执行步骤S722;若wdif=0,则执行步骤S724;
S722.若wdif≥wp,wp>0,则对初始宽度较宽的数据矩阵的左边进行三单位宽度的裁剪,然后执行步骤S723;若0<wdif<wp,wp>0,则对初始宽度较宽的数据矩阵的左边进行一单位宽度的裁剪,然后执行步骤S723;其中,wp表示宽度阈值;
S723.计算经过步骤S722处理后的数据矩阵ax与bx之间的均方误差,并与上一次计算得到的均方误差进行对比;若当前均方误差小于上一次的均方误差,则返回步骤S722,否则执行步骤S726;
S724.对数据矩阵ax的左边进行一单位宽度的裁剪,然后计算裁剪后的数据矩阵ax与经过步骤S721处理后的数据矩阵bx之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S724,否则执行步骤S725;
S725.对数据矩阵bx的左边进行一单位宽度的裁剪,然后计算裁剪后的数据矩阵bx与经过步骤S724处理后的数据矩阵ax之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S725,否则执行步骤S726;
S726.判断wdif的当前值大小;若wdif>0,则对宽度较宽的数据矩阵的右边进行多余宽度的裁剪,然后执行步骤S727;否则直接执行步骤S727;
S727.判断数据矩阵ax与bx之间是否已完成等高的裁剪处理,若完成,则执行步骤S8,否则执行步骤S71。
进一步地,所述步骤S8具体包括:对完成等高以及等宽裁剪处理的数据矩阵ax与bx中的数据进行nan位置的计算,若在数据矩阵bx中与数据矩阵ax中出现nan的位置相对应的位置数据不为nan时,则将数据矩阵bx中该位置数据设置为nan;若在数据矩阵ax中与数据矩阵bx中出现nan的位置相对应的位置数据不为nan时,则将数据矩阵ax中该位置数据设置为nan。
进一步地,还包括步骤S9:将完成步骤S8处理的数据矩阵ax与bx以npy格式进行保存。
与现有技术相比,本发明的有益效果是:
本发明为一种相似点云数据对齐方法,对获取的待对齐点云数据A、B进行预处理,使其从三维平面投影转换为二维平面数据矩阵;接着根据点云数据的不同类型使用不同方法进行初剪裁以及矫正;然后再对相应的数据矩阵进行等高、等宽的裁剪处理,随后填充,实现对相似点云数据的比对和对齐;本发明能够提高输出数据的质量,以及提高工作效率。
附图说明
图1为本发明一种相似点云数据对齐方法的流程图;
图2为本发明步骤S71的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例1
如图1所示为本发明一种相似点云数据对齐方法的第一实施例,包括如下步骤:
S1.通过两个不同的三维激光扫描仪在相同的位置分别获取点云数据A、点云数据B;
S2.对点云数据A、点云数据B的x轴、y轴坐标值进行预处理,得到点云数据A的宽度值wa、高度值ha,以及得到点云数据B的宽度值wb、高度值hb;通过对点云数据A、点云数据B的z轴坐标值进行预处理,分别得到等待放入空矩阵的数据集合JA、数据集合JB;
S3.对点云数据A和B的类型进行判断,若属于墙面数据,则执行步骤S4,否则执行步骤S5;
S4.根据步骤S2得到的宽度值以及高度值分别对应构建空矩阵a1(ha,wa)、空矩阵b1(hb,wb),然后将所述数据集合JA、JB以左上角对齐的方式分别放入所述空矩阵a1(ha,wa)、b1(hb,wb)得到对应的数据矩阵,并将该得到的数据矩阵对应标记为待等宽高裁剪的数据矩阵ax(ha,wa)、bx(hb,wb),然后执行步骤S7;
S5.对步骤S2得到的宽度值、高度值分别取最大值,并构建空矩阵a2(hmax,wmax)、空矩阵b2(hmax,wmax);然后将所述数据集合JA、JB以左上角对齐的方式分别放入空矩阵a2(hmax,wmax)、b2(hmax,wmax),得到数据矩阵ac2(hmax,wmax)、待矫正数据矩阵bk(hmax,wmax),然后执行步骤S6;
S6.对待矫正数据矩阵bk(hmax,wmax)进行多角度旋转,并与数据矩阵ac2(hmax,wmax)进行一一误差比对,然后在最小误差下输出对应角度下的数据并覆盖待矫正数据矩阵bk(hmax,wmax)中的数据得到新的数据矩阵,随后将该新的数据矩阵标记为待等宽高裁剪的数据矩阵bx(hmax,wmax);与此同时,数据矩阵ac2(hmax,wmax)也对应标记为待等宽高裁剪的数据矩阵ax(hmax,wmax),然后执行步骤S7;
S7.对待等宽高裁剪的数据矩阵ax、bx进行等高、等宽的裁剪处理,然后执行步骤S8;
S8.对完成等高以及等宽裁剪处理的数据矩阵ax、bx进行填充。
本发明对获取的待对齐点云数据A、B进行预处理,使其从三维平面投影转换为二维平面数据矩阵;接着根据点云数据的不同类型使用不同方法进行初剪裁以及矫正;然后再对相应的数据矩阵进行等高、等宽的裁剪处理,随后填充,实现对相似点云数据的比对和对齐;本发明能够提高输出数据的质量,以及提高工作效率。
实施例2
本实施例与实施例1类似,所不同之处在于,本实施例中:
步骤S1具体包括:通过两个不同的三维激光扫描仪在相同的位置分别获取点云数据A=[A1,A2,...,An]、点云数据B=[B1,B2,...,Bn];其中,A1=(xa1,ya1,za1),A2=(xa2,ya2,za2),...,An=(xan,yan,zan);B1=(xb1,yb1,zb1),B2=(xb2,yb2,zb2),...,Bn=(xbn,ybn,zbn);具体地,设置三维激光扫描仪的高度位置为1.5m;三维激光扫描仪与待扫描目标的最小距离为0.5m、最大距离则根据扫描的点云密度进行设置,一般为不大于20m;若待扫描目标的体积较大,则基于局部进行分割,后续进行拼接处理。
步骤S2具体包括如下步骤:
S21.对点云数据A、点云数据B的x轴、y轴坐标值进行预处理,得到点云数据A的宽度值wa、高度值ha,以及得到点云数据B的宽度值wb、高度值hb;具体地,
wa=max[|xa1-xamin|,|xa2-xamin|,...,|xan-xamin|],
ha=max[|ya1-yamin|,|ya2-yamin|,...,|yan-yamin|],
wb=max[|xb1-xbmin|,|xb2-xbmin|,...,|xbn-xbmin|],
hb=max[|yb1-ybmin|,|yb2-ybmin|,...,|ybn-ybmin|];
式中,xamin表示点云数据A中x轴坐标值中的最小值,wa为点云数据A中x轴各坐标值与坐标最小值的差值集合中的最大值;yamin表示点云数据A中y轴坐标值中的最小值,ha为点云数据A中y轴各坐标值与坐标最小值的差值集合中的最大值;xbmin表示点云数据B中x轴坐标值中的最小值,wb为点云数据B中x轴各坐标值与坐标最小值的差值集合中的最大值;ybmin表示点云数据B中y轴坐标值中的最小值,hb为点云数据B中y轴各坐标值与坐标最小值的差值集合中的最大值;
S22.对点云数据A、点云数据B的z轴坐标值进行预处理,分别得到等待放入空矩阵的数据集合JA、数据集合JB;具体地,数据集合JA=[zaj1,zaj2,...,zajn],数据集合JB=[zbj1,zbj2,...,zbjn];其中,zaj1=|za1-zamin|,zaj2=|za2-zamin|,...,zajn=|zan-zamin|;zbj1=|zb1-zbmin|,zbj2=|zb2-zbmin|,...,zbjn=|zbn-zbmin|;式中,zamin表示点云数据A中z轴坐标值中的最小值,zbmin表示点云数据B中z轴坐标值中的最小值;
需要说明的是,步骤S21与S22之间无先后顺序。
步骤S3具体包括:对点云数据A和B的类型进行判断,若属于墙面数据,则执行步骤S4,若属于天花板数据或是地面数据,则执行步骤S5。
步骤S4具体包括如下步骤:
S41.根据点云数据A的宽度值wa、高度值ha构建空矩阵a1(ha,wa),以及根据点云数据B的宽度值wb、高度值hb构建空矩阵b1(hb,wb);
S42.将数据集合JA中的数据以左上角对齐的方式放入空矩阵a1(ha,wa)中得到数据矩阵,并把该数据矩阵对应标记为待等宽高裁剪的数据矩阵ax(ha,wa);以及将数据集合JB中的数据以左上角对齐的方式放入空矩阵b1(hb,wb)得到数据矩阵,并把该数据矩阵对应标记为待等宽高裁剪的数据矩阵bx(hb,wb),然后执行步骤S7。
步骤S5具体包括如下步骤:
S51.在点云数据A的宽度值wa与点云数据B的宽度值wb中取最大值,得到最大宽度值wmax;以及在点云数据A的高度值ha与点云数据B的高度值hb中取最大值,得到最大高度值hmax;具体地,wmax=max([wa,wb]),hmin=min([ha,hb]);
S52.根据构建最大宽度值wmax和最大高度值hmax构建空矩阵a2(hmax,wmax)、空矩阵b2(hmax,wmax);
S53.将数据集合JA中的数据以左上角对齐的方式放入空矩阵a2(hmax,wmax)中得到数据矩阵ac2(hmax,wmax);以及将数据集合JB中的数据以左上角对齐的方式放入空矩阵b2(hmax,wmax)中得到待矫正数据矩阵bk(hmax,wmax),然后执行步骤S6。
步骤S6具体包括:计算初始情况下待矫正数据矩阵bk(hmax,wmax)与数据矩阵ac2(hmax,wmax)的均方误差然后对矫正数据矩阵bk(hmax,wmax)进行角度逐一旋转,每转动1度便计算一次其与数据矩阵ac2(hmax,wmax)的均方误差,形成误差列表/>并得到最小均方误差/>然后输出在最小均方误差/>时所对应角度下的数据并覆盖初始待矫正数据矩阵中的数据得到新的数据矩阵,随后将该新的数据矩阵标记为待等宽高裁剪的数据矩阵bx(hmax,wmax);与此同时,数据矩阵ac2(hmax,wmax)也对应标记为待等宽高裁剪的数据矩阵ax(hmax,wmax);
具体地,均方误差的计算公式为:
式中,表示需要计算的均方误差,za11表示数据矩阵ax中第1行第1列位置的数据,zb11表示数据矩阵bx中第1行第1列位置的数据,zann表示数据矩阵ax中第n行第n列位置的数据,zbnn表示数据矩阵bx中第n行第n列位置的数据。
步骤S7具体包括如下步骤:
S71.对待等宽高裁剪的数据矩阵ax、bx进行等高的裁剪处理;
S72.对待等宽高裁剪的数据矩阵ax、bx进行等宽的裁剪处理;
其中,步骤S71与S72之间无先后顺序。
步骤S8具体包括:对完成等高以及等宽裁剪处理的数据矩阵ax与bx中的数据进行nan位置的计算,若在数据矩阵bx中与数据矩阵ax中出现nan的位置相对应的位置数据不为nan时,则将数据矩阵bx中该位置数据设置为nan;若在数据矩阵ax中与数据矩阵bx中出现nan的位置相对应的位置数据不为nan时,则将数据矩阵ax中该位置数据设置为nan。
实施例3
本实施例与实施例1或2类似,所不同之处在于,如图2所示,本实施例中:
步骤S71具体包括如下步骤:
S711.计算得到数据矩阵ax、bx之间的高度差hdif以及初始均方误差,若hdif>0,则执行步骤S712;若hdif=0,则执行步骤S714;
具体地,在步骤S711中:
I.若点云数据A、B属于墙面数据:高度差hdif=|ha-hb|;对数据矩阵ax(ha,wa)、bx(hb,wb)均以左上角对齐的方式进行最小尺寸裁剪,得到数据矩阵ax(hmin,wmin)、数据矩阵bx(hmin,wmin);其中,hmin=min([ha,hb]),wmin=min([wa,wb]);式中,hmin表示最小高度值,wmin表示最小宽度值;然后计算数据矩阵ax(hmin,wmin)与bx(hmin,wmin)的初始均方误差;
II.若点云数据A、B属于天花板或地面数据:高度差 式中,/>表示经过步骤S6或S72处理后的数据矩阵ax(hmax,wmax)中的hmax,表示经过步骤S6或S72处理后的数据矩阵bx(hmax,wmax)中的hmax;则将/>作为初始均方误差,然后执行步骤S714。
S712.若hdif≥hp,hp>0,则对初始高度较高的数据矩阵的顶边进行三单位高度的裁剪,然后执行步骤S713;若0<hdif<hp,hp>0,则对初始高度较高的数据矩阵的顶边进行一单位高度的裁剪,然后执行步骤S713;其中,hp表示高度阈值,本实施例中hp的取值范围为5~10;需要说明的是,当初始数据矩阵ax的高度ha大于初始数据矩阵bx的高度hb,则始终对数据矩阵ax进行裁剪处理,否则便对数据矩阵bx进行裁剪处理。
S713.计算经过步骤S712处理后的数据矩阵ax与bx之间的均方误差,并与上一次计算得到的均方误差进行对比;若当前均方误差小于上一次的均方误差,则返回步骤S712,否则执行步骤S716;需要说明的是,当首次执行步骤S713时,则将当前计算的均方误差与步骤S711中的初始均方误差进行比对判断;当非首次执行步骤S713时,则将当前计算的均方误差与上一次计算得到的均方误差进行比对判断;本实施例中均方误差的计算方式与步骤S6中的一致。
S714.对数据矩阵ax的顶边进行一单位高度的裁剪,然后计算裁剪后的数据矩阵ax与经过步骤S711处理后的数据矩阵bx之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S714,否则执行步骤S715;需要说明的是,当首次执行步骤S714时,则将当前计算的均方误差与步骤S711中的初始均方误差进行比对判断;当非首次执行步骤S713时,则将当前计算的均方误差与上一次计算得到的均方误差进行比对判断。
S715.对数据矩阵bx的顶边进行一单位高度的裁剪,然后计算裁剪后的数据矩阵bx与经过步骤S714处理后的数据矩阵ax之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S715,否则执行步骤S716。
S716.判断hdif的当前值大小;若hdif>0,则对高度较高的数据矩阵的底边进行多余高度的裁剪,使hdif=0,然后执行步骤S717;若hdif=0,则直接执行步骤S717。
S717.判断数据矩阵ax与bx之间是否已完成等宽的裁剪处理,若完成,则执行步骤S8,否则执行步骤S72。
步骤S72具体包括如下步骤:
S721.计算得到数据矩阵ax、bx之间的宽度差wdif以及初始均方误差,若wdif>0,则执行步骤S722;若wdif=0,则执行步骤S724;
具体地,在步骤S721中:
I.若点云数据A、B属于墙面数据:宽度差wdif=|wa-wb|;对数据矩阵ax(ha,wa)、bx(hb,wb)均以左上角对齐的方式进行最小尺寸裁剪,得到数据矩阵ax(hmin,wmin)、数据矩阵bx(hmin,wmin);其中,hmin=min([ha,hb]),wmin=min([wa,wb]);式中,hmin表示最小高度值,wmin表示最小宽度值;然后计算数据矩阵ax(hmin,wmin)与bx(hmin,wmin)的初始均方误差,然后执行步骤S722;
II.若点云数据A、B属于天花板或地面数据:则宽度差 式中,/>表示经过步骤S6或S71处理后的数据矩阵ax(hmax,wmax)中的wmax,/>表示经过步骤S6或S71处理后的数据矩阵bx(hmax,wmax)中的wmax;则将/>作为初始均方误差,然后执行步骤S724。
S722.若wdif≥wp,wp>0,则对初始宽度较宽的数据矩阵的左边进行三单位宽度的裁剪,然后执行步骤S723;若0<wdif<wp,wp>0,则对初始宽度较宽的数据矩阵的左边进行一单位宽度的裁剪,然后执行步骤S723;其中,wp表示宽度阈值,本实施例中wp的取值范围为5~10;需要说明的是,当初始数据矩阵ax的宽度wa大于初始数据矩阵bx的宽度wb,则始终对数据矩阵ax进行裁剪处理,否则便对数据矩阵bx进行裁剪处理。
S723.计算经过步骤S722处理后的数据矩阵ax与bx之间的均方误差,并与上一次计算得到的均方误差进行对比;若当前均方误差小于上一次的均方误差,则返回步骤S722,否则执行步骤S726;需要说明的是,当首次执行步骤S723时,则将当前计算的均方误差与步骤S721中的初始均方误差进行比对判断;当非首次执行步骤S723时,则将当前计算的均方误差与上一次计算得到的均方误差进行比对判断;本实施例中均方误差的计算方式与步骤S6中的一致。
S724.对数据矩阵ax的左边进行一单位宽度的裁剪,然后计算裁剪后的数据矩阵ax与经过步骤S721处理后的数据矩阵bx之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S724,否则执行步骤S725;需要说明的是,当首次执行步骤S724时,则将当前计算的均方误差与步骤S721中的初始均方误差进行比对判断;当非首次执行步骤S723时,则将当前计算的均方误差与上一次计算得到的均方误差进行比对判断。
S725.对数据矩阵bx的左边进行一单位宽度的裁剪,然后计算裁剪后的数据矩阵bx与经过步骤S724处理后的数据矩阵ax之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S725,否则执行步骤S726。
S726.判断wdif的当前值大小;若wdif>0,则对宽度较宽的数据矩阵的右边进行多余宽度的裁剪,使wdif=0,然后执行步骤S727;若wdif=0,则直接执行步骤S727。
S727.判断数据矩阵ax与bx之间是否已完成等高的裁剪处理,若完成,则执行步骤S8,否则执行步骤S71。
实施例4
本实施例与实施例1~3任一实施例类似,所不同之处在于,本实施例中还包括步骤S9:将完成步骤S8处理的数据矩阵ax与bx以npy格式进行保存,能够便于后续维护和问题追踪。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种相似点云数据对齐方法,其特征在于,包括如下步骤:
S1.通过不同三维激光扫描仪获取点云数据A、点云数据B;
S2.对点云数据A、点云数据B的x轴、y轴坐标值进行预处理,得到点云数据A的宽度值wa、高度值ha,以及得到点云数据B的宽度值wb、高度值hb;通过对点云数据A、点云数据B的z轴坐标值进行预处理,分别得到等待放入空矩阵的数据集合JA、数据集合JB;
S3.对所述点云数据A和B的类型进行判断,若属于墙面数据,则执行步骤S4,否则执行步骤S5;
S4.根据步骤S2得到的宽度值以及高度值分别对应构建空矩阵a1(ha,wa)、空矩阵b1(hb,wb),然后将所述数据集合JA、JB以左上角对齐的方式分别放入所述空矩阵a1(ha,wa)、b1(hb,wb)得到对应的数据矩阵,并将该得到的数据矩阵对应标记为待等宽高裁剪的数据矩阵ax(ha,wa)、bx(hb,wb),然后执行步骤S7;
S5.对步骤S2得到的宽度值、高度值分别取最大值,并构建空矩阵a2(hmax,wmax)、空矩阵b2(hmax,wmax);然后将所述数据集合JA、JB以左上角对齐的方式分别放入空矩阵a2(hmax,wmax)、b2(hmax,wmax),得到数据矩阵ac2(hmax,wmax)、待矫正数据矩阵bk(hmax,wmax),然后执行步骤S6;
S6.对待矫正数据矩阵bk(hmax,wmax)进行多角度旋转,并与数据矩阵ac2(hmax,wmax)进行一一误差比对,然后在最小误差下输出对应角度的数据并覆盖待矫正数据矩阵bk(hmax,wmax)中的数据得到新的数据矩阵,随后将该新的数据矩阵标记为待等宽高裁剪的数据矩阵bx(hmax,wmax);与此同时,数据矩阵ac2(hmax,wmax)也对应标记为待等宽高裁剪的数据矩阵ax(hmax,wmax),然后执行步骤S7;
S7.对待等宽高裁剪的数据矩阵ax、bx进行等高、等宽的裁剪处理,然后执行步骤S8;
S8.对完成等高以及等宽裁剪处理的数据矩阵ax、bx进行填充。
2.根据权利要求1所述的相似点云数据对齐方法,其特征在于,在步骤S1中,通过不同三维激光扫描仪获取点云数据A=[A1,A2,...,An]、点云数据B=[B1,B2,...,Bn];其中,An=(xan,yan,zan),Bn=(xbn,ybn,zbn);
在步骤S2中:
wa=max[|xa1-xamin|,|xa2-xamin|,...,|xan-xamin|],
ha=max[|ya1-yamin|,|ya2-yamin|,...,|yan-yamin|],
wb=max[|xb1-xbmin|,|xb2-xbmin|,...,|xbn-xbmin|],
hb=max[|yb1-ybmin|,|yb2-ybmin|,...,|ybn-ybmin|];
式中,xamin表示点云数据A中x轴坐标值中的最小值,yamin表示点云数据A中y轴坐标值中的最小值,xbmin表示点云数据B中x轴坐标值中的最小值,ybmin表示点云数据B中y轴坐标值中的最小值;
在步骤S2中,数据集合JA=[zaj1,zaj2,...,zajn],数据集合JB=[zbj1,zbj2,...,zbjn];其中,zajn=|zan-zamin|,zbjn=|zbn-zbmin|;式中,zamin表示点云数据A中z轴坐标值中的最小值,zbmin表示点云数据B中z轴坐标值中的最小值。
3.根据权利要求1所述的相似点云数据对齐方法,其特征在于,所述步骤S6具体包括:计算初始情况下待矫正数据矩阵bk(hmax,wmax)与数据矩阵ac2(hmax,wmax)的均方误差然后对矫正数据矩阵bk(hmax,wmax)进行旋转,每转动1度便计算一次其与数据矩阵ac2(hmax,wmax)的均方误差,形成误差列表/>并得到最小均方误差然后输出在最小均方误差/>时所对应角度下的数据并覆盖初始待矫正数据矩中的数据得到新的数据矩阵,随后将该新的数据矩阵标记为待等宽高裁剪的数据矩阵bx(hmax,wmax);与此同时,数据矩阵ac2(hmax,wmax)也对应标记为待等宽高裁剪的数据矩阵ax(hmax,wmax)。
4.根据权利要求3所述的相似点云数据对齐方法,其特征在于,在步骤S6中,所述均方误差的计算公式为:
式中,za11表示数据矩阵ax中第1行第1列位置的数据,zb11表示数据矩阵bx中第1行第1列位置的数据,zann表示数据矩阵ax中第n行第n列位置的数据,zbnn表示数据矩阵bx中第n行第n列位置的数据。
5.根据权利要求1所述的相似点云数据对齐方法,其特征在于,所述步骤S7具体包括如下步骤:
S71.对待等宽高裁剪的数据矩阵ax、bx进行等高的裁剪处理;
S72.对待等宽高裁剪的数据矩阵ax、bx进行等宽的裁剪处理;
其中,步骤S71与S72之间无先后顺序。
6.根据权利要求5所述的相似点云数据对齐方法,其特征在于,所述步骤S71具体包括如下步骤:
S711.计算得到数据矩阵ax、bx之间的高度差hdif以及初始均方误差,若hdif>0,则执行步骤S712;若hdif=0,则执行步骤S714;
S712.若hdif≥hp,hp>0,则对初始高度较高的数据矩阵的顶边进行三单位高度的裁剪,然后执行步骤S713;若0<hdif<hp,hp>0,则对初始高度较高的数据矩阵的顶边进行一单位高度的裁剪,然后执行步骤S713;其中,hp表示高度阈值;
S713.计算经过步骤S712处理后的数据矩阵ax与bx之间的均方误差,并与上一次计算得到的均方误差进行对比;若当前均方误差小于上一次的均方误差,则返回步骤S712,否则执行步骤S716;
S714.对数据矩阵ax的顶边进行一单位高度的裁剪,然后计算裁剪后的数据矩阵ax与经过步骤S711处理后的数据矩阵bx之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S714,否则执行步骤S715;
S715.对数据矩阵bx的顶边进行一单位高度的裁剪,然后计算裁剪后的数据矩阵bx与经过步骤S714处理后的数据矩阵ax之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S715,否则执行步骤S716;
S716.判断hdif的当前值大小;若hdif>0,则对高度较高的数据矩阵的底边进行多余高度的裁剪,然后执行步骤S717;否则直接执行步骤S717;
S717.判断数据矩阵ax与bx之间是否已完成等宽的裁剪处理,若完成,则执行步骤S8,否则执行步骤S72。
7.根据权利要求6所述的相似点云数据对齐方法,其特征在于,在步骤S711中:
I.若点云数据A、B的类型属于墙面数据:高度差hdif=|ha-hb|;对数据矩阵ax(ha,wa)、bx(hb,wb)均以左上角对齐的方式进行最小尺寸裁剪,得到数据矩阵ax(hmin,wmin)、数据矩阵bx(hmin,wmin);其中,hmin=min[ha,hb],wmin=min[wa,wb];式中,hmin表示最小高度值,wmin表示最小宽度值;然后计算数据矩阵ax(hmin,wmin)与bx(hmin,wmin)的初始均方误差;
II.若点云数据A、B的类型不属于墙面数据:高度差 式中,/>表示经过步骤S6或S72处理后的数据矩阵ax(hmax,wmax)中的hmax,/>表示经过步骤S6或S72处理后的数据矩阵bx(hmax,wmax)中的hmax;并将/>作为初始均方误差,然后执行步骤S714;其中,/>表示最小均方误差。
8.根据权利要求5所述的相似点云数据对齐方法,其特征在于,所述步骤S72具体包括如下步骤:
S721.计算得到数据矩阵ax、bx之间的宽度差wdif以及初始均方误差,若wdif>0,则执行步骤S722;若wdif=0,则执行步骤S724;
S722.若wdif≥wp,wp>0,则对初始宽度较宽的数据矩阵的左边进行三单位宽度的裁剪,然后执行步骤S723;若0<wdif<wp,wp>0,则对初始宽度较宽的数据矩阵的左边进行一单位宽度的裁剪,然后执行步骤S723;其中,wp表示宽度阈值;
S723.计算经过步骤S722处理后的数据矩阵ax与bx之间的均方误差,并与上一次计算得到的均方误差进行对比;若当前均方误差小于上一次的均方误差,则返回步骤S722,否则执行步骤S726;
S724.对数据矩阵ax的左边进行一单位宽度的裁剪,然后计算裁剪后的数据矩阵ax与经过步骤S721处理后的数据矩阵bx之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S724,否则执行步骤S725;
S725.对数据矩阵bx的左边进行一单位宽度的裁剪,然后计算裁剪后的数据矩阵bx与经过步骤S724处理后的数据矩阵ax之间的均方误差,并与上一次计算得到的均方误差进行对比,若当前均方误差小于上一次的均方误差,则循环步骤S725,否则执行步骤S726;
S726.判断wdif的当前值大小;若wdif>0,则对宽度较宽的数据矩阵的右边进行多余宽度的裁剪,然后执行步骤S727;否则直接执行步骤S727;
S727.判断数据矩阵ax与bx之间是否已完成等高的裁剪处理,若完成,则执行步骤S8,否则执行步骤S71。
9.根据权利要求1所述的相似点云数据对齐方法,其特征在于,所述步骤S8具体包括:对完成等高以及等宽裁剪处理的数据矩阵ax与bx中的数据进行nan位置的计算,若在数据矩阵bx中与数据矩阵ax中出现nan的位置相对应的位置数据不为nan时,则将数据矩阵bx中该位置数据设置为nan;若在数据矩阵ax中与数据矩阵bx中出现nan的位置相对应的位置数据不为nan时,则将数据矩阵ax中该位置数据设置为nan。
10.根据权利要求1至9任一项所述的相似点云数据对齐方法,其特征在于,还包括步骤S9:将完成步骤S8处理的数据矩阵ax与bx以npy格式进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211001586.4A CN115439644B (zh) | 2022-08-19 | 2022-08-19 | 一种相似点云数据对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211001586.4A CN115439644B (zh) | 2022-08-19 | 2022-08-19 | 一种相似点云数据对齐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115439644A CN115439644A (zh) | 2022-12-06 |
CN115439644B true CN115439644B (zh) | 2023-08-08 |
Family
ID=84242498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211001586.4A Active CN115439644B (zh) | 2022-08-19 | 2022-08-19 | 一种相似点云数据对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439644B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702151A (zh) * | 2016-03-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 一种室内地图构建方法及装置 |
CN109087388A (zh) * | 2018-07-12 | 2018-12-25 | 南京邮电大学 | 基于深度传感器的物体三维建模方法 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110455187A (zh) * | 2019-08-21 | 2019-11-15 | 哈尔滨工业大学 | 一种基于三维视觉的盒体工件焊缝的检测方法 |
CN112837241A (zh) * | 2021-02-09 | 2021-05-25 | 贵州京邦达供应链科技有限公司 | 建图重影去除方法、设备及存储介质 |
GB202108116D0 (en) * | 2021-06-07 | 2021-07-21 | Correvate Ltd | Aligning 3D datasets |
CN114241018A (zh) * | 2021-12-09 | 2022-03-25 | 电子科技大学 | 一种牙齿点云配准方法、系统及可读存储介质 |
CN114612632A (zh) * | 2022-03-03 | 2022-06-10 | 武汉科技大学 | 一种基于三维激光点云数据的排序、插值处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464999B (zh) * | 2007-12-19 | 2011-01-05 | 鸿富锦精密工业(深圳)有限公司 | 三维色阶比对系统及方法 |
KR20220112072A (ko) * | 2021-02-03 | 2022-08-10 | 한국전자통신연구원 | 점군 데이터 정합 오차 최소점 탐색 장치 및 방법 |
-
2022
- 2022-08-19 CN CN202211001586.4A patent/CN115439644B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702151A (zh) * | 2016-03-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 一种室内地图构建方法及装置 |
CN109087388A (zh) * | 2018-07-12 | 2018-12-25 | 南京邮电大学 | 基于深度传感器的物体三维建模方法 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110455187A (zh) * | 2019-08-21 | 2019-11-15 | 哈尔滨工业大学 | 一种基于三维视觉的盒体工件焊缝的检测方法 |
CN112837241A (zh) * | 2021-02-09 | 2021-05-25 | 贵州京邦达供应链科技有限公司 | 建图重影去除方法、设备及存储介质 |
GB202108116D0 (en) * | 2021-06-07 | 2021-07-21 | Correvate Ltd | Aligning 3D datasets |
CN114241018A (zh) * | 2021-12-09 | 2022-03-25 | 电子科技大学 | 一种牙齿点云配准方法、系统及可读存储介质 |
CN114612632A (zh) * | 2022-03-03 | 2022-06-10 | 武汉科技大学 | 一种基于三维激光点云数据的排序、插值处理方法 |
Non-Patent Citations (1)
Title |
---|
Hybrid approach for alignment of a pre-processed three-dimensional point cloud, video, and CAD model using partial point cloud in retrofitting applications;Ashok Kumar Patil等;《International Journal of Distributed Sensor Networks》;1-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN115439644A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109945853B (zh) | 一种基于3d点云航拍图像的地理坐标定位系统和方法 | |
CN111127561B (zh) | 一种多视角图像标定装置及方法 | |
CN113192179B (zh) | 一种基于双目立体视觉的三维重建方法 | |
CN112347882A (zh) | 一种智能分拣控制方法和智能分拣控制系统 | |
CN110738618A (zh) | 一种基于双目相机的不规则堆料体积测量方法 | |
CN112308925A (zh) | 可穿戴设备的双目标定方法、设备及存储介质 | |
CN108447124A (zh) | 一种基于点云的古建筑轮廓提取方法及系统 | |
CN112435206B (zh) | 利用深度相机对物体进行三维信息重建的方法 | |
CN115774265A (zh) | 用于工业机器人的二维码和激光雷达融合定位方法与装置 | |
CN114741768A (zh) | 智能变电站三维建模方法 | |
CN111400830A (zh) | 一种三维毛坯工件的加工校准方法及装置 | |
CN113077497A (zh) | 基于3d ndt-icp算法的掘进巷道点云配准方法 | |
CN115439644B (zh) | 一种相似点云数据对齐方法 | |
CN113465522A (zh) | 一种基于点云的输电通道内隐患测距的方法 | |
CN116638766A (zh) | 3d打印偏差检测方法、装置和计算机设备 | |
CN113240748B (zh) | 一种应用于激光切割机的双相机定位方法 | |
CN113670316A (zh) | 基于双雷达的路径规划方法、系统、存储介质及电子设备 | |
KR20090072030A (ko) | 항공용 라이다로부터 추출된 빌딩폴리곤의 내재적기하정규화 방법 | |
CN110969650B (zh) | 一种基于中心投影的强度图像与纹理序列间的配准方法 | |
CN117274158A (zh) | 一种在线监测陶瓷光固化增材制造工艺铺料缺陷的方法 | |
CN116091615A (zh) | 一种基于立体矩阵小球的rgbd相机坐标转换与视觉定位方法 | |
US20230143661A1 (en) | Teaching data conversion device, teaching data conversion method, and non-temporary storage medium | |
CN112665528A (zh) | 一种激光扫描三维成像的矫正方法 | |
CN112084938A (zh) | 一种基于图结构提高平面目标表征稳定性的方法及装置 | |
CN110751657A (zh) | 一种基于三角形覆盖的图像三维分形维数计算方法 |
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 | ||
CB02 | Change of applicant information |
Address after: CNC5021, Floor 5, Block C, Jiabo City, No. 189, Foshan Avenue Middle, Chancheng District, Foshan City, Guangdong Province, 528041 Applicant after: Guangdong Linghui Digital Space Technology Co.,Ltd. Address before: CNC5021, Floor 5, Block C, Jiabo City, No. 189, Foshan Avenue Middle, Chancheng District, Foshan City, Guangdong Province, 528041 Applicant before: Guangdong Linghui Construction Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |