CN115546205B - 一种基于密度场感知的平面点云轮廓线生成方法 - Google Patents
一种基于密度场感知的平面点云轮廓线生成方法 Download PDFInfo
- Publication number
- CN115546205B CN115546205B CN202211473615.7A CN202211473615A CN115546205B CN 115546205 B CN115546205 B CN 115546205B CN 202211473615 A CN202211473615 A CN 202211473615A CN 115546205 B CN115546205 B CN 115546205B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- density
- points
- plane
- point
- 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 52
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000008447 perception Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 20
- 230000009191 jumping Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000003813 thumb Anatomy 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及平面点云轮廓线生成技术领域，解决了现有技术中缺少实现对三维点云的轮廓线进行提取生成的技术问题，尤其涉及一种基于密度场感知的平面点云轮廓线生成方法，包括以下步骤：S1、获取目标结构的三维点云；S2、采用PCA算法计算目标结构的三维点云包围盒；S3、根据三维点云包围盒的主方向将三维点云投影到平面得到平面点云，并对平面点云中的每个点设置权重；S4、在平面点云内设置若干个密度感知线，并离散成若干离散点；S5、根据密度变化得到平面点云轮廓线待选点，然后拟合成平滑曲线。本发明可以高效精确的在复杂三维点云中得到关键特征中的轮廓线信息，以此降低特征表达的复杂性，提高相关任务的检测速度和效率。
Description
技术领域
本发明涉及平面点云轮廓线生成技术领域，尤其涉及一种基于密度场感知的平面点云轮廓线生成方法。
背景技术
随着国防建设中对航空装备性能和可靠性要求的不断提高，航空装配结构的复杂性不断增加，同时对其装配精度以及装配准确要求也越来越高，因此需要高效准确的检测手段对装配质量进行检测。例如，在航空发动机中，机匣外侧安装有成千上万的零件。如果通过人工检测这些零件是否少装、漏装以及错装现象，检测可靠性和效率都极低。目前不少科研技术人员尝试采用三维扫描的方法对装配质量进行评价。
但是航空装备一般具有体积大结构复杂的特点，如果用高精度扫描仪将整个发动机扫描下来，点云数据可能有几十亿个，这样我们去做质量分析，不仅处理速度慢，而且还可能因为遮挡问题，造成点云数据大量缺失，为后面的语义分割和零件目标的识别造成巨大的难度。
轮廓线作为结构件或者装配体的主要形状特征，可以作为特征识别和目标检测主要的参考特征之一，而且利用轮廓线匹配和识别可以极大提升执行效率。因此，轮廓线匹配和识别已经在基于二维图形的目标检测中得到广泛应用。但是二维检测没有深度信息，在检测零件位置和姿态过程中很难实现。目前基于三维点云的特征检测和目标越来越多用到航空制造装配现场。
然而三维点云检测数量量大，检测效率低，特征表达复杂，如果能设计一种方法能准确利用轮廓线实现三维点云特征匹配，将能快速提高检测速度和效率，但是目前缺少利用三维点云进行提取生成轮廓线的方法。
发明内容
针对现有技术的不足，本发明提供了一种基于密度场感知的平面点云轮廓线生成方法，解决了现有技术中缺少实现对三维点云的轮廓线进行提取生成的技术问题，本发明可以高效精确的在复杂三维点云中得到关键特征中的轮廓线信息，以此降低特征表达的复杂性，提高相关任务的检测速度和效率。
为解决上述技术问题，本发明提供了如下技术方案：一种基于密度场感知的平面点云轮廓线生成方法，包括以下步骤：
S1、获取目标结构的三维点云；
S2、采用PCA算法计算目标结构的三维点云包围盒；
S3、根据三维点云包围盒的第一主方向将三维点云投影到平面得到平面点云，并对平面点云中的每个点设置权重；
S4、在平面点云内设置若干个密度感知线，并离散成若干离散点；
S5、根据密度变化得到平面点云轮廓线待选点，然后拟合成平滑曲线。
进一步地，在步骤S2中，采用PCA算法计算目标结构三维点云包围盒，具体过程包括以下步骤：
S21、根据三维点云中所有点的坐标计算整个三维点云的质心；
S22、根据质心的坐标得到该点的协方差矩阵；
S23、根据质心的协方差矩阵确定三维点云包围盒坐标轴的第一主方向；
S24、基于平面点云和右手定则确定三维点云包围盒其他两个坐标轴的方向；
S25、根据三维点云包围盒坐标的三个方向分别计算出与其相对应的距离最大和最小边界，得到三个方向边界；
S26、根据三个方向边界确定包围盒。
进一步地，在步骤S1中，目标结构的三维点云包括但不局限于扫描获取的复杂结构的三维点云或者装配体三维模型离散得到的点云数据。
进一步地，在步骤S3中，根据三维点云包围盒的第一主方向将三维点云投影到平面得到平面点云，并对平面点云中的每个点设置权重，具体过程包括以下步骤：
S31、以三维点云包围盒的第一主方向为三维点云中所有点的投影方向，以第一主方向的上边界为投影面，将三维点云中的所有点投影到投影面，得到平面点云；
S32、根据三维点云中的所有点在投影前是否为被遮挡点设置投影权重值。
进一步地，步骤S32的具体过程包括：
沿投影方向的反方向划定一个圆柱形的包围区域，以最小间隙0.1mm为圆柱形包围区域半径；
若某个点沿投影方向的反方向在包围区域内存在其他点，则该点为被遮挡点，投影权重值设置为0；
若该点没有被遮挡，则投影权重值设置为L×100，L为该点到投影面的距离。
进一步地，在步骤S4中，若干个密度感知线在平面点云内互相平行，两个密度感知线之间的间隔距离设置为0.2mm。
进一步地，在步骤S5中，根据密度变化得到平面点云轮廓线待选点，然后拟合成平滑曲线，具体过程包括以下步骤：
S51、计算密度感知线上每个点的0.3mm空间邻域内的所有邻域点；
S52、将离散点在平面点云内所有邻域点的权重相加得到离散点的点云密度值；
S53、根据轮廓线位置密度呈现梯度变化提取出现跳动的点云密度值并记录其所在密度感知线的序号；
S54、按照密度感知线的序号相邻且距离不超过密度感知线间隙的1.5倍跳动位置的所有离散点进行归类；
S55、采用基于曲线拟合的最小二乘法将归类后的离散点拟合为轮廓线。
借由上述技术方案，本发明提供了一种基于密度场感知的平面点云轮廓线生成方法，至少具备以下有益效果：
1、本发明可以高效精确的在复杂三维点云中得到关键特征中轮廓信息，该信息可以用于特征识别、点云配准、也可以通过平面点云轮廓信息与二维图片的轮廓信息融合用于其他任务的开发，因此具有鲁棒性强、效率高、推广应用价值高的优点。
2、本发明针对在航空航天装备复杂结构的装配过程中或者装配完成后，通过三维扫描设备采集到装配体的表面点云，然后利用本发明的轮廓线生成方法完成三维结构轮廓线特征提取。
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为本发明平面点云轮廓线生成方法的流程图；
图2为本发明三维模型装配结构图；
图3为本发明三维模型离散后的三维点云数据的示意图；
图4为本发明求取的三维点云包围盒以及主方向的示意图；
图5为本发明投影距离计算规则示意图；
图6为本发明被遮挡点判断过程的示意图；
图7为本发明三维点云投影到平面加入权重后结果图；
图8为本发明在平面点云内设置若干个密度感知线的示意图；
图9为本发明密度感知线上概率梯度变化较大的点归类示意图；
图10为本发明轮廓线提取结果图。
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。
请参照图1-图10，示出了本实施例的一种具体实施方式，本实施例针对在航空航天装备复杂结构的装配过程中或者装配完成后，通过三维扫描设备采集到装配体的表面点云，然后利用本发明的轮廓线生成方法完成三维结构轮廓线特征提取。
请参照图1，本实施例提出了一种基于密度场感知的平面点云轮廓线生成方法，该方法包括以下步骤：
S1、获取目标结构的三维点云，目标结构的三维点云包括但不局限于扫描获取的复杂结构的三维点云或者装配体三维模型离散得到的点云数据。
具体的，目标结构在本实施中为生成轮廓线的对象，以图2为例进行说明，本实施例选择类似于航空发动机结构的装配体合成数据，即装配体三维模型，如图2所示，该装配体包括曲面管道结构，平面结构以及其他零件结构，然后将其离散成三维点云数据如图3所示。
S2、采用PCA算法计算目标结构的三维点云包围盒；
请参照图4，本实施例以点云模型P为例进行具体说明采用PCA算法计算目标结构的三维点云包围盒这一步骤，具体过程如下：
S21、根据三维点云中所有点的坐标计算整个三维点云的质心。
点云模型P质心的具体计算方法为：假定点云模型为P，即该步骤中的三维点云，点云模型P中的三维坐标点分别为，则点云模型为P的质心设为，质心的坐标表示为：
质心的计算公式为：
上式中，n为点云中点的总数，，为质心的坐标。
S22、根据质心的坐标得到该点的协方差矩阵；
三维点云的质心的协方差矩阵表示为：
上式中，，n为三维点云P中点的总数，，E为点到质心的样本方差，T为转置符号。
S23、根据质心的协方差矩阵确定三维点云包围盒坐标轴的第一主方向；
具体的，由协方差矩阵的实对称性可知，我们可以得到该矩阵的非负特征值，将特征值按从大到小排序，则最大的特征值对应的特征向量为三维点云中点最密集的方向，称之为第一主方向，即Z轴。
S24、基于平面点云和右手定则确定三维点云包围盒其他两个坐标轴的方向；
在步骤S24中，基于平面点云和右手定则确定三维点云包围盒其他两个坐标轴的方向，具体过程包括以下步骤：
S241、以第一主方向为法向和质心的坐标原点定义一个平面；
S242、将三维点云中的所有点投影到平面，得到初始平面点云；
S243、计算初始平面点云中点中距离最远的两个点，定义从点的序号最小的点到序号最大点的方向为第二主方向即X轴，在此处，三维点云包围盒的主方向为第一主方向，即Z轴。
S244、以三维点云包围盒的主方向为大拇指指向，利用右手定则确定第三主方向即Y轴，其中Y轴垂直于X轴和Z轴。
S25、根据三维点云包围盒坐标的三个方向分别计算出与其相对应的距离最大和最小边界，得到三个方向边界；
具体的，在步骤S242中，三维点云中的所有点投影到平面过程中可以得到所有点到平面的距离，平面将空间分成两侧，如图5所示的投影距离规则所示，正向一侧到投影平面的距离赋正值，负向一侧的点到投影平面的距离赋负值，根据投影距离的大小找到距离最大点和最小点，最大点和最小点所在平行于投影平面的点平面为主方向的上下边界。同理我们在其他两个主方上也能找到相应的上下边界。
S26、根据三个方向边界确定包围盒。
具体的，由步骤S25确定了点云的在三个主方向上的六个边界，即第一主方向Z轴、第二主方向X轴和第三主方向Y轴，六个边界即包围盒的六个面，六个面围城一个六面体即为所求的包围盒。
S3、根据三维点云包围盒的第一主方向将三维点云投影到平面得到平面点云，并对平面点云中的每个点设置权重；
在步骤S3中，根据三维点云包围盒的第一主方向将三维点云投影到平面得到平面点云，并对平面点云中的每个点设置权重，具体过程包括以下步骤：
S31、以三维点云包围盒的第一主方向为三维点云中所有点的投影方向，以第一主方向的上边界为投影面，将三维点云中的所有点投影到投影面，得到平面点云；
S32、根据三维点云中的所有点在投影前是否为被遮挡点设置投影权重值。
根据步骤S2中求取的三维点云包围盒的第一主方向，也可以根据其他需求选择投影方向，将三维点云投影到一个平面，投影过程中对每个点计算投影方向另一侧是否还有点，以此来判断是否为被遮挡点，如果有遮挡，原则上从投影方向看结构点云，此点为看不到的点，因此不能构成从投影方向观察到的轮廓线，我们将其设置为最低权重点，其他的非遮挡点，我们根据点到投影面的距离L以此设置一定梯度的权重，如图7所示，加入权重后平面点云的轮廓线更加明显的显示出来。
步骤S32的具体过程包括：
沿投影方向的反方向划定一个圆柱形的包围区域，以最小间隙0.1mm为圆柱形包围区域半径；若某个点沿投影方向的反方向在包围区域内存在其他点，则该点为被遮挡点，投影权重值设置为0；若该点没有被遮挡，则投影权重值设置为L×100，L为该点到投影面的距离。
判断方法如图6所示，沿着投影方向的反方向，划定一个圆柱形的包围区域，我们以扫描点云时的最小间隙0.1mm为包围区域的半径，如果该点沿投影方向反方向在包围区域内存在其他点，我们认为该点为被遮挡点，投影权重值设置为0，如果该点没有被遮挡，此时权重与点到投影面的距离L有关，我们设置为L×100为投影权重值，距离增大100倍是为了让不同距离的点之间呈现更明显的梯度分布。
S4、在平面点云内设置若干个密度感知线，并离散成若干离散点，若干个密度感知线在平面点云内互相平行，两个密度感知线之间的间隔距离设置为0.2mm；
如图8所示，根据三维点云包围盒的主方向和投影面，从平面点云的下侧网上设置n条相互平行的密度感知线，经过离散后，每条密度感知线都是由一些离散点构成。
S5、根据密度变化得到平面点云轮廓线待选点，然后拟合成平滑曲线。
在步骤S5中，根据密度变化得到平面点云轮廓线待选点，然后拟合成平滑曲线，具体过程包括以下步骤：
S51、计算密度感知线上每个点的0.3mm空间邻域内的所有邻域点；
具体过程以密度感知线为例：离散成点为，其中
j为感知线离散点的个数，计算步骤S31中平面点云中所有点到密度感知线中所有离散点的距离。如果平面点云中点的距离到密度感知线中一个点的距离小于0.3mm，我们称为该点的邻域点。
由步骤S4中知，密度感知线是由若干离散点组成，且位于平面点云内部，我们以半径0.3mm为包围球，以每个离散点为球心，计算出每个密度线内离散点在平面点云的所有邻域点。
S52、将离散点在平面点云内所有邻域点的权重相加得到离散点的点云密度值；
从步骤S3中可知每个平面点云的点都带有投影权重值，将每个密度线感知线上单个离散点的所有邻域点的权重相加，为该离散点的总权重，本实施例中称总权重为点云密度值。
S53、根据轮廓线位置密度呈现梯度变化提取出现跳动的点云密度值并记录其所在密度感知线的序号；
具体的，通过分析可知，轮廓线位置密度呈现梯度变化，即点云密度值出现跳动，我们将跳动位置和其所在密度感知线的序号记录下来。
S54、按照密度感知线的序号相邻且距离不超过密度感知线间隙的1.5倍跳动位置的所有离散点进行归类；
请参照图9，在步骤S54中，按照密度感知线的序号相邻且距离不超过密度感知线间隙的1.5倍跳动位置的所有离散点进行归类，具体过程包括以下步骤：
S541、设置相邻密度感知线之间的距离为0.3mm，其中圆点均为点云密度出现跳变的位置，密度感知线中包含若干条密度线；
S542、以密度线跳变位置的点为起点，判断在密度线中是否存在距离小于0.45mm跳变位置的点；
若存在距离小于0.45mm跳变位置的点，则与密度线跳变位置的点归为一类，并做标记为已归类；随后继续在密度线中搜索与密度线跳变位置的点存在是否距离小于0.45mm跳变位置的点；
若不存在距离小于0.45mm跳变位置的点，则从密度线跳变位置的点为起点重复步骤S542在密度线中检索，直到所有的点都标记为已经归类使用。
S55、采用基于曲线拟合的最小二乘法将归类后的离散点拟合为轮廓线；
针对密度感知线中的每个离散点，在平面点云中求其所有的邻域点，密度感知线中每个点的邻域点权重之和作为该点所在位置的点云密度值。通过理论分析知，点云密度值呈现梯度变化的位置即为轮廓线位置，本实施例通过密度感知线得到梯度变化位置点，然后根据密度感知线位置关系将梯度变化的离散点连接起来拟合成光滑曲线，即得到平面点云的轮廓线。
请参照图10，为图1通过本实施例所提供的轮廓线生成方法对于轮廓线提取的结果图，因此，本实施例可以高效精确的在复杂三维点云中得到关键特征中轮廓信息，该信息可以用于特征识别、点云配准、也可以通过平面点云轮廓信息与二维图片的轮廓信息融合用于其他任务的开发，因此具有鲁棒性强、效率高、推广应用价值高的优点。
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 (6)
1.一种基于密度场感知的平面点云轮廓线生成方法，其特征在于，包括以下步骤：
S1、获取目标结构的三维点云；
S2、采用PCA算法计算目标结构的三维点云包围盒；
S3、根据三维点云包围盒的第一主方向将三维点云投影到平面得到平面点云，并对平面点云中的每个点设置权重；
S31、以三维点云包围盒的第一主方向为三维点云中所有点的投影方向，以第一主方向的上边界为投影面，将三维点云中的所有点投影到投影面，得到平面点云；
S32、根据三维点云中的所有点在投影前是否为被遮挡点设置投影权重值；
S4、在平面点云内设置若干个密度感知线，并离散成若干离散点；
S5、根据密度变化得到平面点云轮廓线待选点，然后拟合成平滑曲线；
S51、计算密度感知线上每个点的0.3mm空间邻域内的所有邻域点；
S52、将离散点在平面点云内所有邻域点的权重相加得到离散点的点云密度值；
S53、根据轮廓线位置密度呈现梯度变化提取出现跳动的点云密度值并记录其所在密度感知线的序号；
S54、按照密度感知线的序号相邻且距离不超过密度感知线间隙的1.5倍跳动位置的所有离散点进行归类；
S55、采用基于曲线拟合的最小二乘法将归类后的离散点拟合为轮廓线。
2.根据权利要求1所述的平面点云轮廓线生成方法，其特征在于：在步骤S2中，采用PCA算法计算目标结构三维点云包围盒，具体过程包括以下步骤：
S21、根据三维点云中所有点的坐标计算整个三维点云的质心；
S22、根据质心的坐标得到该点的协方差矩阵；
S23、根据质心的协方差矩阵确定三维点云包围盒坐标轴的第一主方向；
S24、基于平面点云和右手定则确定三维点云包围盒其他两个坐标轴的方向；
S25、根据三维点云包围盒坐标的三个方向分别计算出与其相对应的距离最大和最小边界，得到三个方向边界；
S26、根据三个方向边界确定包围盒。
3.根据权利要求2所述的平面点云轮廓线生成方法，其特征在于：在步骤S24中，基于平面点云和右手定则确定三维点云包围盒其他两个坐标轴的方向，具体过程包括以下步骤：
S241、以第一主方向为法向和质心的坐标原点定义一个平面；
S242、将三维点云中的所有点投影到平面，得到初始平面点云；
S243、计算初始平面点云中点中距离最远的两个点，定义从点的序号最小的点到序号最大点的方向为第二主方向即X轴；
S244、以三维点云包围盒的主方向为大拇指指向，利用右手定则确定第三主方向即Y轴，其中Y轴垂直于X轴和Z轴。
4.根据权利要求1所述的平面点云轮廓线生成方法，其特征在于：步骤S32的具体过程包括：
沿投影方向的反方向划定一个圆柱形的包围区域，以最小间隙0.1mm为圆柱形包围区域半径；
若某个点沿投影方向的反方向在包围区域内存在其他点，则该点为被遮挡点，投影权重值设置为0；
若该点没有被遮挡，则投影权重值设置为L×100，L为该点到投影面的距离。
5.根据权利要求1所述的平面点云轮廓线生成方法，其特征在于：在步骤S4中，若干个密度感知线在平面点云内互相平行，两个密度感知线之间的间隔距离设置为0.2mm。
6.根据权利要求1所述的平面点云轮廓线生成方法，其特征在于：在步骤S54中，按照密度感知线的序号相邻且距离不超过密度感知线间隙的1.5倍跳动位置的所有离散点进行归类，具体过程包括以下步骤：
S541、设置相邻密度感知线之间的距离为0.3mm，其中圆点均为点云密度出现跳变的位置，密度感知线中包含若干条密度线；
S542、以密度线跳变位置的点为起点，判断在密度线中是否存在距离小于0.45mm跳变位置的点；
若存在距离小于0.45mm跳变位置的点，则与密度线跳变位置的点归为一类，并做标记为已归类；随后继续在密度线中搜索与密度线跳变位置的点存在是否距离小于0.45mm跳变位置的点；
若不存在距离小于0.45mm跳变位置的点，则从密度线跳变位置的点为起点重复步骤S542在密度线中检索，直到所有的点都标记为已经归类使用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211473615.7A CN115546205B (zh) | 2022-11-23 | 2022-11-23 | 一种基于密度场感知的平面点云轮廓线生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211473615.7A CN115546205B (zh) | 2022-11-23 | 2022-11-23 | 一种基于密度场感知的平面点云轮廓线生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115546205A CN115546205A (zh) | 2022-12-30 |
| CN115546205B true CN115546205B (zh) | 2023-04-07 |
Family
ID=84720096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211473615.7A Active CN115546205B (zh) | 2022-11-23 | 2022-11-23 | 一种基于密度场感知的平面点云轮廓线生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115546205B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830031A (zh) * | 2023-02-22 | 2023-03-21 | 深圳市兆兴博拓科技股份有限公司 | 电路板贴片的检测方法、系统及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932688A (zh) * | 2020-09-10 | 2020-11-13 | 深圳大学 | 一种基于三维点云的室内平面要素提取方法、系统及设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469404B (zh) * | 2015-11-26 | 2018-06-29 | 北京建筑大学 | 一种基于三维点云数据的旋转体拟合方法及装置 |
| US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
| CN112595258B (zh) * | 2020-11-23 | 2022-04-22 | 湖南航天智远科技有限公司 | 基于地面激光点云的地物轮廓提取方法 |
| CN112802041A (zh) * | 2021-02-05 | 2021-05-14 | 北京工业大学 | 一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法 |
-
2022
- 2022-11-23 CN CN202211473615.7A patent/CN115546205B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932688A (zh) * | 2020-09-10 | 2020-11-13 | 深圳大学 | 一种基于三维点云的室内平面要素提取方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115546205A (zh) | 2022-12-30 |
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 | |
| Kasaei et al. | GOOD: A global orthographic object descriptor for 3D object recognition and manipulation | |
| JP5705147B2 (ja) | 記述子を用いて３ｄオブジェクトまたはオブジェクトを表す方法 | |
| Zhong | Intrinsic shape signatures: A shape descriptor for 3D object recognition | |
| JP5800494B2 (ja) | 特定領域選択装置、特定領域選択方法及びプログラム | |
| US20110273442A1 (en) | Recognition and pose determination of 3d objects in 3d scenes | |
| US9189709B2 (en) | Information processing apparatus and information processing method | |
| CN108388902B (zh) | 结合全局框架点与局部shot特征的复合3d描述子构建方法 | |
| Zhang et al. | KDD: A kernel density based descriptor for 3D point clouds | |
| CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
| CN110930456A (zh) | 基于pcl点云库的钣金零件的三维立体识别及定位方法 | |
| CN115546205B (zh) | 一种基于密度场感知的平面点云轮廓线生成方法 | |
| CN113255677B (zh) | 一种岩体结构面及产状信息快速提取方法、设备及介质 | |
| CN105809113A (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
| Pratikakis et al. | Partial 3D object retrieval combining local shape descriptors with global fisher vectors | |
| CN110334704B (zh) | 基于分层学习的三维模型兴趣点提取方法及系统 | |
| Kim et al. | Shape distribution-based approach to comparing 3D CAD assembly models | |
| Kasaei et al. | An orthographic descriptor for 3D object learning and recognition | |
| Xiao et al. | Filtering method of rock points based on BP neural network and principal component analysis | |
| CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
| JP6623126B2 (ja) | 物体検索装置、三次元物体モデル化装置、方法、及びプログラム | |
| Zhao et al. | A quantitative evaluation of comprehensive 3D local descriptors generated with spatial and geometrical features | |
| Zimmer et al. | Efficient computation of shortest path-concavity for 3D meshes | |
| US9953458B2 (en) | Method and apparatus for generating shape descriptor of a model | |
| Tan et al. | Local features and manifold ranking coupled method for sketch-based 3D model retrieval |
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 |