CN116246121A - 一种基于改进最远点采样的点云数据处理方法 - Google Patents

一种基于改进最远点采样的点云数据处理方法 Download PDF

Info

Publication number
CN116246121A
CN116246121A CN202310530587.6A CN202310530587A CN116246121A CN 116246121 A CN116246121 A CN 116246121A CN 202310530587 A CN202310530587 A CN 202310530587A CN 116246121 A CN116246121 A CN 116246121A
Authority
CN
China
Prior art keywords
point
distance
points
sampling
cloud data
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
Application number
CN202310530587.6A
Other languages
English (en)
Other versions
CN116246121B (zh
Inventor
田茂义
李文君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310530587.6A priority Critical patent/CN116246121B/zh
Publication of CN116246121A publication Critical patent/CN116246121A/zh
Application granted granted Critical
Publication of CN116246121B publication Critical patent/CN116246121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/70—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
    • 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
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种基于改进最远点采样的点云数据处理方法，涉及一般的图像数据处理或产生技术领域，包括如下步骤：对激光雷达设备进行连接和校准；将从激光雷达采集的三维点云数据输入到计算机中；在激光雷达坐标系中根据欧式距离公式计算两点之间的欧式距离；获取所需要的平均点间距；将重心点作为第一个采样点；遍历所有点，计算每个点到已经选取的采样点的距离，并选取距离最远的点作为新的采样点；利用最近邻点计算平均点间距，并与所需平均点间距进行比较；若满足要求则退出循环，不满足则继续循环。本发明的技术方案克服现有技术中的最远点采样因点数约束导致的采样后点云的分布不均匀引起的整体特征缺失问题。

Description

一种基于改进最远点采样的点云数据处理方法
技术领域
本发明涉及一般的图像数据处理或产生技术领域，具体涉及一种基于改进最远点采样的点云数据处理方法。
背景技术
当前，三维扫描仪等设备的普及和数据存储技术的不断发展使得点云数据的规模越来越大。在云计算和物联网等领域，许多数据都是以点云形式存在，大规模点云数据的处理已成为一个重要的任务。
采样算法成为大规模点云数据处理中的一个重要环节。点云数据的应用需要对数据进行一定的预处理以提取所需的特征，包括特征点、表面法向量、曲率等。在这些预处理步骤中，采样算法能够对点云数据进行维数约减，并提取最具代表性的点集，这有助于降低计算复杂度，提高计算效率。传统的点云采样算法主要基于密集采样，即从密集的点云数据中均匀采样。然而，在处理大规模点云数据时，密集采样算法存在计算和存储上的瓶颈，难以满足大规模数据处理的要求。
最远点采样（Farthest Point sampling，FPS）是一个基本的点云采样算法，其被广泛应用于点云分割、识别、配准、重建等领域以及各类三维物体检测算法。它可以用来从点云中选取一些最具代表性的点，用于后续的计算。在大规模点云数据处理中进行采样可以大大降低计算复杂度和存储需求。相比之下，基于最远点采样的算法具有较低的复杂度和存储需求，而且能够抽出数据中最具代表性的点，在点云数据处理中得到了广泛应用。在三维物体识别、场景重建、激光雷达数据处理等领域中，使用基于最远点采样的算法能够获得非常良好的效果，表现优异。同时，这种算法也非常灵活和易于实现，可以应用于各种点云数据处理任务。因此，最远点采样算法成为了当前点云采样中的一种常见技术之一。但是，最远点采样（FPS）只能控制采样点数，不能控制平均点间距，在此背景下，会产生采样点分布不均匀，导致整体特征不能完整表达。
因此，现需要一种在保留目标整体特征的前提下，采样后点云分布均匀的基于改进最远点采样的点云数据处理方法。
发明内容
本发明的主要目的在于提供一种基于改进最远点采样的点云数据处理方法，以解决现有技术中对点云数据进行采样时，不能同时兼顾保留目标整体特征和采样后点云分布均匀的问题。
为实现上述目的，本发明提供了一种基于改进最远点采样的点云数据处理方法，包括如下步骤：S1，对激光雷达设备进行连接和校准；S2，将从激光雷达采集的三维点云数据输入到计算机中；S3，对于点云数据中的任意两个点，在激光雷达坐标系中根据欧式距离公式计算两点之间的欧式距离；S4，根据实际需求，获取所需要的平均点间距；S5，通过对所有点云数据的坐标值求平均得到整个点云的重心点，并将重心点作为第一个采样点；S6，遍历所有点，计算每个点到已经选取的采样点的距离，并选取距离最远的点作为新的采样点；S7，通过步骤S6选取出四个点P0，P1，P2，P3，并利用最近邻点计算平均点间距，并与所需平均点间距进行比较，判断是否满足所需平均点间距； S8，若满足所需平均点间距则退出循环，输出经处理后的被测实物的三维点云数据，若不满足则重复进行步骤S6–S7，直到满足所需平均点间距。
进一步地，步骤S1具体包括如下步骤：S1.1，对被测实物进行清理，以确保点云数据的准确性；S1.2，利用夹具或支架将被测实物固定在激光雷达坐标系中；S1.3，根据实际需要设置激光雷达的扫描参数，包括：扫描角度、分辨率。
进一步地，步骤S2具体为：使用激光扫描仪测量实物，获得被测实物的三维点云数据，以扫描仪为中心，依据右手系原则建立笛卡尔坐标系即激光扫描仪坐标系，以激光发射中心为原点，x轴指向激光扫描仪扫描的起始方向，z轴垂直于激光扫描仪水平旋转平面，y轴垂直于xoz平面，依据被测实物反射回的激光信号，表达出其在激光雷达坐标系中的位置。
进一步地，步骤S3具体为：计算在激光雷达坐标系中的任意两点
Figure SMS_1
之间的欧式距 离
Figure SMS_2
，两点坐标分别为
Figure SMS_3
和
Figure SMS_4
，两点之间的欧式距离
Figure SMS_5
利用公式（1）计 算。
Figure SMS_6
（1）。
进一步地，步骤S5具体为：利用公式（2）计算某被测实物点的点云集合
Figure SMS_7
的重心点，其中/>
Figure SMS_8
为各个被测实物点，每个点有三个维度的坐标，即x、y、z三个方位元素在激光雷达坐标系中的坐标值。
Figure SMS_9
（2）
其中，
Figure SMS_11
表示在x轴方向上的重心位置，/>
Figure SMS_13
表示在y轴方向上的重心位置，
Figure SMS_14
在表示在z轴方向上的重心位置，共有n个点，/>
Figure SMS_15
代表点/>
Figure SMS_16
的x轴坐标；/>
Figure SMS_17
代表点/>
Figure SMS_18
的y轴坐标；/>
Figure SMS_10
代表点/>
Figure SMS_12
的z轴坐标。
进一步地，步骤S6具体包括如下步骤：S6.1，利用公式(1)计算重心点距离点云中其他各个点的欧式距离，选取距离重心点最远的点作为起始点，记作P0；S6.2，计算除P0点外，所有点到P0点的欧氏距离，选取除P0点外，剩余的所有点中距离P0最远的点，记为P1；S6.3，对于除了P0，P1以外剩余的每个点，分别计算到P0和P1的距离，比较某一点到P0，P1的距离，选取最短的距离作为该点到P0，P1的距离，选择距离P0，P1最大的那个点，记为P2；S6.4，重复步骤S6.3继续遍历所有点，对于除了P0，P1，P2以外剩余的每个点，分别计算到P0，P1和P2的距离，比较某一点到P0，P1，P2的距离，选取最短的距离作为该点到P0，P1，P2的距离，选择距离P0，P1，P2最大的那个点，记为P3。
进一步地，步骤S7的利用最近邻点计算平均点间距的方法具体为：对选取出的四个点P0，P1，P2，P3，寻找每个点的最近邻点，并计算其到最近邻点的距离，对四个距离求和取平均值，求取得到的值即为平均点间距，上述过程用公式（3）表示为：
Figure SMS_19
（3）
在公式（3）中
Figure SMS_20
为四个点P0，P1，P2，P3的平均点间距，/>
Figure SMS_21
为各点至其最近邻点的距离该距离通过公式（1）的欧氏距离计算得到。
本发明具有如下有益效果：
本发明通过对采样得到的点进行逐次平均点间距求取，并与所需平均点间距进行比较，来保证采样后的点云数据在保留点云外部轮廓特征同时还充分考虑了点云平均点间距在采样中可控性，从而避免了现有的采样方法在对整个点云数据进行采样时时，无法同时兼顾点云平均点间距与物体外部轮廓特征完整的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本发明的一种基于改进最远点采样的点云数据处理方法的流程图。
图2示出了吉他原始数据点云图。
图3示出了利用本发明提供的方法对图2所示的吉他原始点云数据进行采样后的采样图。
图4示出了利用原始最远点采样方法对图2所示的吉他原始点云数据进行采样后的采样图。
图5示出了利用均匀下采样的方法对图2所示的吉他原始点云数据进行采样后的采样图。
图6示出了植物原始数据点云图。
图7示出了利用本发明提供的方法对图6所示的植物原始点云数据进行采样后的采样图。
图8示出了利用原始最远点采样方法对图6所示的植物原始点云数据进行采样后的采样图。
图9示出了利用均匀下采样的方法对图6所示的植物原始点云数据进行采样后的采样图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示的一种基于改进最远点采样的点云数据处理方法，包括如下步骤：
S1，对激光雷达设备进行连接和校准，以确保设备能够进行正常工作。
具体地，步骤S1具体包括如下步骤：S1.1，对被测实物进行清理，以确保点云数据的准确性；S1.2，利用夹具或支架将被测实物固定在激光雷达坐标系中；S1.3，根据实际需要设置激光雷达的扫描参数，包括：扫描角度、分辨率。
S2，将从激光雷达采集的三维点云数据输入到计算机中，以便后续对数据进行分析和处理。
具体地，步骤S2具体为：使用激光扫描仪测量实物，获得被测实物的三维点云数据，以扫描仪为中心，依据右手系原则建立笛卡尔坐标系即激光扫描仪坐标系，以激光发射中心为原点，x轴指向激光扫描仪扫描的起始方向，z轴垂直于激光扫描仪水平旋转平面，y轴垂直于xoz平面，依据被测实物反射回的激光信号，表达出其在激光雷达坐标系中的位置。
S3，对于点云数据中的任意两个点，在激光雷达坐标系中根据欧式距离公式计算两点之间的欧式距离。
具体地，步骤S3具体为：计算在激光雷达坐标系中的任意两点
Figure SMS_22
之间的欧式距离
Figure SMS_23
，两点坐标分别为
Figure SMS_24
和
Figure SMS_25
，两点之间的欧式距离
Figure SMS_26
利用公式（1）计算。
Figure SMS_27
（1）。
S4，根据实际需求，获取所需要的平均点间距。
S5，通过对所有点云数据的坐标值求平均得到整个点云的重心点，并将重心点作为第一个采样点。
具体地，步骤S5具体为：利用公式（2）计算某被测实物点的点云集合
Figure SMS_28
的重心点，其中/>
Figure SMS_29
为各个被测实物点，每个点有三个维度的坐标，即x、y、z三个方位元素在激光雷达坐标系中的坐标值。
Figure SMS_30
（2）
其中，
Figure SMS_32
表示在x轴方向上的重心位置，/>
Figure SMS_34
表示在y轴方向上的重心位置，
Figure SMS_35
在表示在z轴方向上的重心位置，共有n个点，/>
Figure SMS_36
代表点/>
Figure SMS_37
的x轴坐标；/>
Figure SMS_38
代表点/>
Figure SMS_39
的y轴坐标；/>
Figure SMS_31
代表点/>
Figure SMS_33
的z轴坐标。
S6，遍历所有点，计算每个点到已经选取的采样点的距离，并选取距离最远的点作为新的采样点。
具体地，步骤S6具体包括如下步骤：S6.1，利用公式(1)计算重心点距离点云中其他各个点的欧式距离，选取距离重心点最远的点作为起始点，记作P0；S6.2，计算除P0点外，所有点到P0点的欧氏距离，选取除P0点外，剩余的所有点中距离P0最远的点，记为P1；S6.3，对于除了P0，P1以外剩余的每个点，分别计算到P0和P1的距离，比较某一点到P0，P1的距离，选取最短的距离作为该点到P0，P1的距离，选择距离P0，P1最大的那个点，记为P2；S6.4，重复步骤S6.3继续遍历所有点，对于除了P0，P1，P2以外剩余的每个点，分别计算到P0，P1和P2的距离，比较某一点到P0，P1，P2的距离，选取最短的距离作为该点到P0，P1，P2的距离，选择距离P0，P1，P2最大的那个点，记为P3。
S7，通过步骤S6选取出四个点P0，P1，P2，P3，并利用最近邻点计算平均点间距，并与所需平均点间距进行比较，判断是否满足所需平均点间距 。
具体地，步骤S7的利用最近邻点计算平均点间距的方法具体为：对选取出的四个点P0，P1，P2，P3，寻找每个点的最近邻点，并计算其到最近邻点的距离，对四个距离求和取平均值，求取得到的值即为平均点间距，上述过程用公式（3）表示为：
Figure SMS_40
（3）
在公式（3）中
Figure SMS_41
为四个点P0，P1，P2，P3的平均点间距，/>
Figure SMS_42
为各点至其最近邻点的距离该距离通过公式（1）的欧氏距离计算得到。
S8，若满足所需平均点间距则退出循环，输出经处理后的被测实物的三维点云数据，若不满足则重复进行步骤S6–S7，直到满足所需平均点间距。为了验证本发明提供的方法的特性，下面进行两组实验，每组实验包括对比实验1、对比实验2和对比实验3。
在第一组实验中，如图2、图3、图4和图5所示。利用激光扫描仪获得吉他的原始三维点云数据，如图2所示，共有数据点10000个，图3、图4和图5为采样后点云数据。
对比实验1为采用本发明提出的方法和原始数据进行对比，本发明提出的方法使得采样后的平均点间距变为原先的2.068倍，运算后得到的点数为4203个，得出如图3所示的采样图。与图2所示的原始数据进行对比，发现本发明提供的方法可以在减少采样点数量的同时还能保证平均点间距可控，即整体点云数据更均匀。
对比实验2为采用本发明提出的方法和采用原始最远点采样算法进行采样后的数据进行对比，可以发现原始最远点采样算法因为无法控制平均点间距，只能控制采样点数，在此背景下，会产生采样点数不够，导致整体特征不能完整表达，在本对比实验中，令采样点数为400，得到如图4所示的采样图，可以发现吉他琴头位置和指板位置处的点云出现严重缺失，丢失部分点云信息，而本发明提出的方法在点云点数减少的同时，还能保证保留了整体信息。
对比实验3采用本发明提供的方法和采用均匀下采样的方法进行对比，为了便于与本发明提出的方法进行比较，采样时抽稀倍数为15即减少原来1/15的点数，采样后的得到的点数为667，得出如图5所示的采样图。通过使用本发明提出的方法处理后的数据如图3所示与采用均匀下采样的方式进行采样得到的数据如图5所示进行对比，发现平均点间距不可控，点云分布散乱。
在第二组实验中，如图6、图7、图8和图9所示。利用激光扫描仪获得植物的原始三维点云数据，如图6所示，共有数据点10000个，图7、图8和图9为采样后点云数据。
对比实验1为采用本发明提出的方法和原始数据进行对比，本发明提出的方法采样后的平均点间距变为原先的1.892倍，运算后得到的点数为5403个，得出如图7所示的采样图。与原始数据如图6所示进行对比，可以发现本发明提出的方法可以在减少点数的同时还能保证平均点间距可控，即整体点云数据更均匀。
对比实验2为采用本发明提出的方法和采用原始最远点采样算法进行采样后的数据进行对比，可以发现原始最远点采样算法因为无法控制平均点间距，只能控制采样点数，在此背景下，会产生采样点数不够，导致整体特征不能完整表达，在本实验中，令采样点数为1200，得到如图8所示的采样图，可以发现植物的叶片位置处的点云出现严重缺失，丢失部分叶片部分点云信息，在对植物保护相关的研究中，叶片信息是十分重要的研究对象。而本发明提出的方法保证了点云点数数量减少的同时还能保证保留了叶片的完整信息。
对比实验3采用本发明提供的方法和采用均匀下采样的方法进行对比，为了便于与本发明提出的方法进行比较，采样时抽稀倍数为15即减少原来1/15的点数，采样后的得到的点数为667，得出如图9所示的采样图。通过对比图7和图9，发现采用均匀下采样的方法的平均点间距不可控，点云分布十分散乱，导致植物叶片与花盆在左下部分混为一体，较难区分。
通过以上两组对比实验可知，本发明提出的方法，与原始最远点采样算法和均匀下采样方法对比，可以在保持物体整体特性的同时，得到平均点间距可控的点云数据。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.一种基于改进最远点采样的点云数据处理方法，其特征在于，包括如下步骤：
S1，对激光雷达设备进行连接和校准；
S2，将从激光雷达采集的三维点云数据输入到计算机中；
S3，对于点云数据中的任意两个点，在激光雷达坐标系中根据欧式距离公式计算两点之间的欧式距离；
S4，根据实际需求，获取所需要的平均点间距；
S5，通过对所有点云数据的坐标值求平均得到整个点云的重心点，并将重心点作为第一个采样点；
S6，遍历所有点，计算每个点到已经选取的采样点的距离，并选取距离最远的点作为新的采样点；
S7，通过步骤S6选取出四个点P0，P1，P2，P3，并利用最近邻点计算平均点间距，并与所需平均点间距进行比较，判断是否满足所需平均点间距；
S8，若满足所需平均点间距则退出循环，输出经处理后的被测实物的三维点云数据，若不满足则重复进行步骤S6–S7，直到满足所需平均点间距。
2.根据权利要求1所述的一种基于改进最远点采样的点云数据处理方法，其特征在于，步骤S1具体包括如下步骤：
S1.1，对被测实物进行清理，以确保点云数据的准确性；
S1.2，利用夹具或支架将被测实物固定在激光雷达坐标系中；
S1.3，根据实际需要设置激光雷达的扫描参数，包括：扫描角度、分辨率。
3.根据权利要求1所述的一种基于改进最远点采样的点云数据处理方法，其特征在于，步骤S2具体为：使用激光扫描仪测量实物，获得被测实物的三维点云数据，以扫描仪为中心，依据右手系原则建立笛卡尔坐标系即激光扫描仪坐标系，以激光发射中心为原点，x轴指向激光扫描仪扫描的起始方向，z轴垂直于激光扫描仪水平旋转平面，y轴垂直于xoz平面，依据被测实物反射回的激光信号，表达出其在激光雷达坐标系中的位置。
4.根据权利要求1所述的一种基于改进最远点采样的点云数据处理方法，其特征在于，步骤S3具体为：计算在激光雷达坐标系中的任意两点
Figure QLYQS_1
之间的欧式距离/>
Figure QLYQS_2
，两点坐标分别为/>
Figure QLYQS_3
和/>
Figure QLYQS_4
，两点之间的欧式距离/>
Figure QLYQS_5
利用公式（1）计算，
Figure QLYQS_6
（1）。
5.根据权利要求1所述的一种基于改进最远点采样的点云数据处理方法，其特征在于，步骤S5具体为：利用公式（2）计算某被测实物点的点云集合
Figure QLYQS_7
的重心点，其中/>
Figure QLYQS_8
为各个被测实物点，每个点有三个维度的坐标，即x、y、z三个方位元素在激光雷达坐标系中的坐标值；/>
Figure QLYQS_9
（2）
其中，
Figure QLYQS_11
表示在x轴方向上的重心位置，/>
Figure QLYQS_12
表示在y轴方向上的重心位置，/>
Figure QLYQS_14
在表示在z轴方向上的重心位置，共有n个点，/>
Figure QLYQS_15
代表点/>
Figure QLYQS_16
的x轴坐标；/>
Figure QLYQS_17
代表点/>
Figure QLYQS_18
的y轴坐标；/>
Figure QLYQS_10
代表点/>
Figure QLYQS_13
的z轴坐标。
6.根据权利要求1所述的一种基于改进最远点采样的点云数据处理方法，其特征在于，步骤S6具体包括如下步骤：
S6.1，利用公式(1)计算重心点距离点云中其他各个点的欧式距离，选取距离重心点最远的点作为起始点，记作P0；
S6.2，计算除P0点外，所有点到P0点的欧氏距离，选取除P0点外，剩余的所有点中距离P0最远的点，记为P1；
S6.3，对于除了P0，P1以外剩余的每个点，分别计算到P0和P1的距离，比较某一点到P0，P1的距离，选取最短的距离作为该点到P0，P1的距离，选择距离P0，P1最大的那个点，记为P2；
S6.4，重复步骤S6.3继续遍历所有点，对于除了P0，P1，P2以外剩余的每个点，分别计算到P0，P1和P2的距离，比较某一点到P0，P1，P2的距离，选取最短的距离作为该点到P0，P1，P2的距离，选择距离P0，P1，P2最大的那个点，记为P3。
7.根据权利要求1所述的一种基于改进最远点采样的点云数据处理方法，其特征在于，步骤S7的利用最近邻点计算平均点间距的方法具体为：对选取出的四个点P0，P1，P2，P3，寻找每个点的最近邻点，并计算其到最近邻点的距离，对四个距离求和取平均值，求取得到的值即为平均点间距，上述过程用公式（3）表示为：
Figure QLYQS_19
（3）
在公式（3）中
Figure QLYQS_20
为四个点P0，P1，P2，P3的平均点间距，/>
Figure QLYQS_21
为各点至其最近邻点的距离该距离通过公式（1）的欧氏距离计算得到。/>
CN202310530587.6A 2023-05-12 2023-05-12 一种基于改进最远点采样的点云数据处理方法 Active CN116246121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310530587.6A CN116246121B (zh) 2023-05-12 2023-05-12 一种基于改进最远点采样的点云数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310530587.6A CN116246121B (zh) 2023-05-12 2023-05-12 一种基于改进最远点采样的点云数据处理方法

Publications (2)

Publication Number Publication Date
CN116246121A true CN116246121A (zh) 2023-06-09
CN116246121B CN116246121B (zh) 2023-08-11

Family

ID=86633526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310530587.6A Active CN116246121B (zh) 2023-05-12 2023-05-12 一种基于改进最远点采样的点云数据处理方法

Country Status (1)

Country Link
CN (1) CN116246121B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160125226A1 (en) * 2013-09-17 2016-05-05 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method and system for automatically optimizing quality of point cloud data
CN105976312A (zh) * 2016-05-30 2016-09-28 北京建筑大学 基于点特征直方图的点云自动配准方法
US20170053438A1 (en) * 2014-06-13 2017-02-23 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method and system for reconstructing a three-dimensional model of point clouds
WO2018088610A1 (ko) * 2016-11-09 2018-05-17 (주)안세기술 레이저 스캐너를 이용한 대상 물체의 실시간 동적 위치 추적이 가능한 3ｄ 레이저 스캐너 시스템
US20200311963A1 (en) * 2019-03-28 2020-10-01 Topcon Corporation Point cloud data processing method and point cloud data processing device
CN112396567A (zh) * 2020-11-26 2021-02-23 河北工业大学 基于法向修正与位置滤波两步法的散乱点云去噪方法
CN112396067A (zh) * 2021-01-19 2021-02-23 苏州挚途科技有限公司 点云数据采样方法、装置及电子设备
DE102019132973A1 (de) * 2019-12-04 2021-06-10 Valeo Schalter Und Sensoren Gmbh Verfahren zur Umorganisation von Abtastpunkten in einer von einem Detektionssystem eines Fahrzeugs erzeugten Punktwolke
CN114119731A (zh) * 2021-11-29 2022-03-01 苏州中科全象智能科技有限公司 一种线激光3d相机点云轮廓线的等间隔采样方法
CN114627346A (zh) * 2022-03-15 2022-06-14 电子科技大学 一种保留重要特征的点云数据下采样方法
CN114627374A (zh) * 2022-03-09 2022-06-14 国网湖北省电力有限公司电力科学研究院 一种基于激光雷达和云台的点云采集系统及绝缘子识别定位方法
CN115015881A (zh) * 2022-05-30 2022-09-06 西安电子科技大学 一种全向旋转的单线激光雷达装置及组网点云配准方法
RU2791416C1 (ru) * 2021-11-12 2023-03-07 Цзянсуская корпорация по ядерной энергетике Способ трехмерной реконструкции резьбы отверстий под шпильки главного разъёма корпуса реактора и автоматической идентификации дефектов
US20230076092A1 (en) * 2021-08-24 2023-03-09 Beijing University Of Civil Engineering And Architecture Full-automatic classification method for three-dimensional point cloud and deep neural network model
CN115937149A (zh) * 2022-12-12 2023-04-07 广东利灏房地产有限公司 一种基于三角网格化的墙面局部偏差自动化检测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160125226A1 (en) * 2013-09-17 2016-05-05 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method and system for automatically optimizing quality of point cloud data
US20170053438A1 (en) * 2014-06-13 2017-02-23 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method and system for reconstructing a three-dimensional model of point clouds
CN105976312A (zh) * 2016-05-30 2016-09-28 北京建筑大学 基于点特征直方图的点云自动配准方法
WO2018088610A1 (ko) * 2016-11-09 2018-05-17 (주)안세기술 레이저 스캐너를 이용한 대상 물체의 실시간 동적 위치 추적이 가능한 3ｄ 레이저 스캐너 시스템
US20200311963A1 (en) * 2019-03-28 2020-10-01 Topcon Corporation Point cloud data processing method and point cloud data processing device
DE102019132973A1 (de) * 2019-12-04 2021-06-10 Valeo Schalter Und Sensoren Gmbh Verfahren zur Umorganisation von Abtastpunkten in einer von einem Detektionssystem eines Fahrzeugs erzeugten Punktwolke
CN112396567A (zh) * 2020-11-26 2021-02-23 河北工业大学 基于法向修正与位置滤波两步法的散乱点云去噪方法
CN112396067A (zh) * 2021-01-19 2021-02-23 苏州挚途科技有限公司 点云数据采样方法、装置及电子设备
US20230076092A1 (en) * 2021-08-24 2023-03-09 Beijing University Of Civil Engineering And Architecture Full-automatic classification method for three-dimensional point cloud and deep neural network model
RU2791416C1 (ru) * 2021-11-12 2023-03-07 Цзянсуская корпорация по ядерной энергетике Способ трехмерной реконструкции резьбы отверстий под шпильки главного разъёма корпуса реактора и автоматической идентификации дефектов
CN114119731A (zh) * 2021-11-29 2022-03-01 苏州中科全象智能科技有限公司 一种线激光3d相机点云轮廓线的等间隔采样方法
CN114627374A (zh) * 2022-03-09 2022-06-14 国网湖北省电力有限公司电力科学研究院 一种基于激光雷达和云台的点云采集系统及绝缘子识别定位方法
CN114627346A (zh) * 2022-03-15 2022-06-14 电子科技大学 一种保留重要特征的点云数据下采样方法
CN115015881A (zh) * 2022-05-30 2022-09-06 西安电子科技大学 一种全向旋转的单线激光雷达装置及组网点云配准方法
CN115937149A (zh) * 2022-12-12 2023-04-07 广东利灏房地产有限公司 一种基于三角网格化的墙面局部偏差自动化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李娜;王丹;: "基于采样抠图和自适应颜色的图像合成算法", 液晶与显示, no. 02 *
田国富;张志升;: "基于CATIA的车身后底板逆向设计", 汽车工程师, no. 04 *

Also Published As

Publication number Publication date
CN116246121B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN109755995B (zh) 基于ros机器人操作系统的机器人自动充电对接方法
CN111311650B (zh) 一种点云数据的配准方法、装置及存储介质
CN110853081B (zh) 基于单木分割的地面和机载LiDAR点云配准方法
WO2021052283A1 (zh) 处理三维点云数据的方法和计算设备
CN113034600B (zh) 基于模板匹配的无纹理平面结构工业零件识别和6d位姿估计方法
CN109242019B (zh) 一种水面光学小目标快速检测与跟踪方法
CN112381862B (zh) 一种cad模型与三角网格全自动配准方法和装置
CN110009678B (zh) 正畸用弓丝弯制检测方法及系统
WO2022247137A1 (zh) 机器人及其充电桩识别方法和装置
CN111273701B (zh) 一种云台视觉控制系统以及控制方法
CN117237428B (zh) 一种面向三维点云的数据配准方法、装置及介质
CN116246121B (zh) 一种基于改进最远点采样的点云数据处理方法
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN112232248B (zh) 一种多线LiDAR点云数据平面特征的提取方法及装置
CN113406658A (zh) 一种基于点线特征扫描匹配的移动机器人定位方法
CN111489386A (zh) 点云特征点提取方法、装置、存储介质、设备及系统
CN115578314A (zh) 基于连续边缘提取的眼镜框识别及抓取上料方法
CN115284279A (zh) 一种基于混叠工件的机械臂抓取方法、装置及可读介质
CN113627548A (zh) 一种平面工件模板匹配方法、装置、介质及计算机设备
TWI425428B (zh) 利用小波極值點於指紋影像之偵測奇異點方法及其系統
Wan et al. Online Obstacle Detection for USV based on Improved RANSAC Algorithm
CN113176557B (zh) 基于投影的虚拟激光雷达在线模拟方法
CN112433198B (zh) 一种从激光雷达的三维点云数据中提取平面的方法
CN103593874B (zh) 基于均匀网格局部聚焦的点云法向量重定向方法和装置
Zhang et al. Pose detection of parallel robot based on improved Hough‐K‐means and SURF algorithms

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