CN116523984A - 一种3d点云定位及配准方法、设备和介质 - Google Patents
一种3d点云定位及配准方法、设备和介质 Download PDFInfo
- Publication number
- CN116523984A CN116523984A CN202310815325.4A CN202310815325A CN116523984A CN 116523984 A CN116523984 A CN 116523984A CN 202310815325 A CN202310815325 A CN 202310815325A CN 116523984 A CN116523984 A CN 116523984A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- straight line
- point
- data
- points
- 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 44
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000012546 transfer Methods 0.000 claims abstract description 54
- 238000005096 rolling process Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 229910052774 Proactinium Inorganic materials 0.000 claims description 4
- 229910052770 Uranium Inorganic materials 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 11
- 238000013519 translation Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种3D点云定位及配准方法、设备和介质，包括以下具体步骤：获取第一图像点云数据，采用滚球法确定点云轮廓数据；采用欧式聚类对轮廓数据进行分割，统计分割部分的点云数，保留点云数大于设定阈值的轮廓数据分割部分；对保留的轮廓数据进行直线的拟合，将拟合后的直线进行直线配对得到直线对；根据配对得到直线对构建转移矩阵，采用重叠度评价函数优化转移矩阵，输出最优转移矩阵。通过直线对进行转移矩阵的构建，优化匹配效率，同时采用重叠度评价函数优化转移矩阵，提高转移重合的精度，提高配准成功的概率。克服了现有技术中存在的对3D点云计算量庞大和特征点提取不够简洁清晰，对待配准对象和目标对象相似度要求高的缺陷。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种3D点云定位及配准方法、设备和介质。
背景技术
在工业检测中，精确定位技术是非常重要的，通常采用点云配准实现精确定位。点云配准是指将多个不同时间或不同传感器采集的点云数据进行空间位置、姿态等方面的匹配，以实现多个视角或时间点下的点云数据融合，通过对点云数据的配准，实现工件在三维空间中的精确定位，从而为后续加工、检测等操作提供更精确的基础数据支撑。
在制造车间中，工作人员需要对零部件进行检测，以确保产品质量的稳定和可靠。通过点云精确定位技术，可以获得工件的精确位置信息，从而进行高效可靠的检测；在精密的测量任务中，如3D打印、数控加工、工业扫描等，需要精确地检测和定位工件。通过点云精确定位技术，可以快速得到工件的三维模型，并恢复与现实工件尺寸有关的精度，从而能够进行高精度的测量和制造。
现有的点云配准技术主要包括刚体变换、ICP算法、特征匹配算法以及三角网格配准。刚体变换：刚体变换通过对点云进行旋转、平移、缩放等变换，将两个点云在同一坐标系下重合。优点是运行速度快、简单，但缺点是只能处理刚性变换，不适用于非刚性变换。
ICP算法：迭代最近点算法是目前最常用的点云配准算法，通过迭代计算点云之间的最小平方误差，来得到两个点云的刚体变换。ICP算法适用于非常规形状的点云匹配，但对于大量噪声或遮挡等问题，会导致匹配失败。
特征匹配算法：特征匹配算法通过提取点云中的特征点，并在两个点云之间进行特征点匹配，从而估计刚体变换矩阵。常用的特征包括点法向量、曲率、表面特征、直线、平面等。这种方法对于非刚性变换非常有效，但在点云数据量大时，特征提取和匹配时间可能较长。
三角网格配准：将点云转换为三角网格模型，再进行配准。在三角网格配准中，主要采用ICP算法及其变种算法，包括ICP+MLS、ICP+ESF等。这种方法具有高精度，适用于各种形状的点云配准，但转换耗时长，对计算资源要求较高。
发明内容
本发明所要解决的技术问题是对3D点云处理计算量庞大，耗时长，配准精度低，目的在于提供一种3D点云定位及配准方法、设备和介质，通过直线对进行转移矩阵的构建，优化匹配效率，同时采用重叠度评价函数优化转移矩阵，提高转移重合的精度，提高配准成功的概率。
本发明通过下述技术方案实现：
本发明第一方面提供一种3D点云定位及配准方法，包括以下具体步骤：
S1、获取第一图像点云数据，采用滚球法确定点云轮廓数据；
S2、采用欧式聚类对轮廓数据进行分割，统计分割部分的点云数，保留点云数大于设定阈值的轮廓数据分割部分；
S3、对保留的轮廓数据进行直线的拟合，将拟合后的直线进行直线配对得到直线对；
S4、根据配对得到直线对构建转移矩阵，采用重叠度评价函数优化转移矩阵，输出最优转移矩阵。
本发明通过获取第一图像点云数据，采用滚球法确定点云轮廓数据；采用欧式聚类对轮廓数据进行分割，统计分割部分的点云数，保留点云数大于设定阈值的轮廓数据分割部分；对保留的轮廓数据进行直线的拟合，将拟合后的直线进行直线配对得到直线对；根据配对得到直线对构建转移矩阵，采用重叠度评价函数优化转移矩阵，输出最优转移矩阵。通过直线对进行转移矩阵的构建，优化匹配效率，同时采用重叠度评价函数优化转移矩阵，提高转移重合的精度，提高配准成功的概率。克服了现有技术中存在的对3D点云计算量庞大和特征点提取不够简洁清晰，对待配准对象和目标对象相似度要求高的缺陷。
进一步的，所述S1具体包括：
根据被测件点云数据，设定滚球初始参数值，确定滚球半径r和圆心p；
获取滚球滚动轨迹，结合滚球半径和圆心，确定点云轮廓数据。
进一步的，所述确定点云轮廓数据包括：
获取滚球滚动轨迹点集P，在点集P中任选一点p1；
获取过点p和点p1且半径为0.5r的圆，得到圆心p2和圆心p3；
计算点集P中不包括点p1以外所有点到p2和p3的距离，得到数组D；
获取数组D中数值大于r的点，确定为边界点，将边界点进行融合，得到点云轮廓数据。
进一步的，所述S2具体包括：
S21、在获取点云轮廓数据中选取种子点，采用KD-Tree进行邻域搜索，遍历获取邻域内距离种子点小于设定阈值的点云数据，将筛选的点云数据和种子点聚类于集合Q；
S22、在集合Q中重新选取种子点，重复步骤S22，直至集合Q中的元素的个数不再增加。
进一步的，所述对保留的轮廓数据进行直线的拟合具体包括：
S31、根据保留的轮廓数据，选取拟合样本数据集；
S32、在拟合样本数据集随机选取两点作为假象拟合连线为L，获取距离L小于阈值s的点；
S33、从剩余样本数据集中随机抽取两点，重复步骤S31和步骤S32，直至遍历距离L小于阈值s的点，输出拟合结果。
进一步的，所述将拟合后的直线进行直线配对得到直线对具体包括：
将所有直线进行两两配对，计算配对直线的位置参数；
获取第二图像点云数据中直线对的位置参数；
基于配对直线的位置参数和第二图像点云数据中直线对的位置参数，从配对直线中筛选出有效直线对。
进一步的，所述根据配对得到直线对构建转移矩阵具体包括：
构建有效直线对的集合A，构建第二图像直线对的集合B；
计算集合A和集合B的中心点，根据中心点将集合A和集合B重新中心化，生成集合A′和B′，计算性的集合A′和B′之间的协方差矩阵；
采用SVD基于获得协方差矩阵的U、S和V，计算点集A与B之间的旋转矩阵；
根据旋转矩阵、中心点Pa和Pb，确定转移向量；
根据旋转矩阵和转移向量确定转移矩阵。
进一步的，所述采用重叠度评价函数优化转移矩阵，输出最优转移矩SVD阵具体包括：
S41、遍历集合A中的点云数据，记为i；
S42、在集合B中寻找和i相对应的点云数据距离小于阈值的点云数量；
S43、根据点云数量、第一图像点云点数和第二图像点云点数确定重叠度；
S44、判断重叠度是否大于重叠度设定阈值，若否，更新转移矩阵，重复步骤S41-S43，直至重叠度是否小于重叠度设定阈值。
本发明第二方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现一种3D点云定位及配准方法。
本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种3D点云定位及配准方法。
本发明与现有技术相比，具有如下的优点和有益效果：
1.通过直线对进行转移矩阵的构建，优化匹配效率，同时采用重叠度评价函数优化转移矩阵，提高转移重合的精度，提高配准成功的概率；
2.通过对筛选有效直线对设置的夹角阈值的改变，针对不同点云主体数据的特点，可以通过调节阈值得到相对来说少但又足够有代表性的直线对，提高准确性和计算速度；
3.可以通过调节直线对角度差和距离差阈值来对配对直线对的相似性做调节，当点云噪点过多，相似性下降时，放宽这两个阈值，可以得到更多的直线对对应关系，提高配准成功的概率；
4.通过重叠度的计算，采用在变换后的第二图像点云中的每一点的邻域内搜索，是否在第二图像点云中有最近点，提高了重合的精度。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为本发明实施例中的定位检测方法；
图2为本发明实施例中的平移量小时的配准对比图；
图3为本发明实施例中的平移量大时的配准对比图；
图4为本发明实施例中的旋转时的配准对比图；
图5为本发明实施例中的旋转加不共面时的配准对比图；
图6为本发明实施例中的平移时的配准对比图；
图7为本发明实施例中的旋转时的配准对比图；
图8为本发明实施例中的旋转加平移加不共面时的配准对比图。
实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
作为一种可能的实施例，如图1所示，本实施例第一方面提供一种3D点云定位及配准方法，包括以下具体步骤：
S1、获取第一图像点云数据，采用滚球法确定点云轮廓数据；
S2、采用欧式聚类对轮廓数据进行分割，统计分割部分的点云数，保留点云数大于设定阈值的轮廓数据分割部分；
S3、对保留的轮廓数据进行直线的拟合，将拟合后的直线进行直线配对得到直线对；
S4、根据配对得到直线对构建转移矩阵，采用重叠度评价函数优化转移矩阵，输出最优转移矩阵。
本实施例通过直线对进行转移矩阵的构建，优化匹配效率，同时采用重叠度评价函数优化转移矩阵，提高转移重合的精度，提高配准成功的概率。克服了现有技术中存在的对3D点云计算量庞大和特征点提取不够简洁清晰，对待配准对象和目标对象相似度要求高的缺陷。
具体的，步骤S1中，采用滚球法确定点云轮廓数据是一种快速获得边界的方法，比按照根据相邻点法向量夹角筛选边界的方法计算速度更快，提取到的是主要轮廓，而我们关心的也正是大轮廓特征，而不需要非常细节的轮廓特征；
步骤S2中，通过对各种轮廓设定点数阈值后再聚类，在符合要求的轮廓类中进行直线提取，有去噪的作用，筛选出真正反应轮廓信息的点做直线拟合；
步骤S3中，通过计算直线对的夹角，作为下一步直线对配对的依据；
步骤S4中，通过只需要用直线对中的三个点（直线对的中心点p1，中心点在两个直线上的投影点沿着各自直线的方向向量滑动一个单位长度得到点p2，p3），通过SVD（Singular Value Decomposition）奇异值分解的方法计算转移矩阵，比传统的用点云中所有的点先一一寻找对应点，再用所有点计算转移矩阵的方法更快，且克服了传统方法因点云位置关系相差大，而无法得到正确的点对应关系，从而计算不出能够配准的转移矩阵，本方法无论是在相差大还是小的情况下都适用。
S1具体包括：根据被测件点云数据，设定滚球初始参数值，确定滚球半径r和圆心p；获取滚球滚动轨迹，结合滚球半径和圆心，确定点云轮廓数据。提取轮廓用到的是alphashapes算法，具有简单快速性，同时提取内外所有轮廓的优点。原理如下：对于一个点云，若一个半径为α的圆，绕其进行滚动。若滚动圆半径α足够小时，则点云中每一点均为边界点；若适当增大到一定程度，其只在边界点上进行滚动，其滚动的轨迹为点云边界。
确定点云轮廓数据包括：
获取滚球滚动轨迹点集P，在点集P中任选一点p1；
获取过点p和点p1且半径为0.5r的圆，得到圆心p2和圆心p3；
计算点集P中不包括点p1以外所有点到p2和p3的距离，得到数组D；
获取数组D中数值大于r的点，确定为边界点，将边界点进行融合，得到点云轮廓数据。
提取到的点云轮廓数据中，有大轮廓的也有小轮廓的，从大轮廓点云中提取直线，对整体点云的姿态具有更好的代表性。区分是大轮廓还是小轮廓的方法是：采用欧式聚类的方法先对空间中连成一体的各个轮廓做彼此分割，统计每一个分割部分中点云的点数，对点数小的类进行去除。具体包括：
在获取点云轮廓数据中选取种子点，采用KD-Tree进行邻域搜索，遍历获取邻域内距离种子点小于设定阈值的点云数据，将筛选的点云数据和种子点聚类于集合Q；
在集合Q中重新选取种子点，重复上述步骤，直至集合Q中的元素的个数不再增加。
对保留的轮廓数据进行直线的拟合具体包括：
根据保留的轮廓数据，选取拟合样本数据集；
在拟合样本数据集随机选取两点作为假象拟合连线为L，获取距离L小于阈值s的点；
从剩余样本数据集中随机抽取两点，重复上述步骤，直至遍历距离L小于阈值s的点，输出拟合结果。
将拟合后的直线进行直线配对得到直线对具体包括：
将所有直线进行两两配对，计算配对直线的位置参数；
获取第二图像点云数据中直线对的位置参数；
基于配对直线的位置参数和第二图像点云数据中直线对的位置参数，从配对直线中筛选出有效直线对；
计算步骤包括：；
获取两条异面直线m和直线n，获取直线m上一点M及其方向向量 ，获取直线n上一点N及其方向向量/>，确定两条异面直线m和直线n的距离d和夹角θ。
根据配对得到直线对构建转移矩阵具体包括：
构建有效直线对的集合A，构建第二图像直线对的集合B；
计算集合A和集合B的中心点Pa和Pb：
根据中心点将集合A和集合B重新中心化，生成集合A′和B′，计算性的集合A′和B′之间的协方差矩阵；
采用SVD基于获得协方差矩阵的U、S和V，计算点集A与B之间的旋转矩阵R；
根据旋转矩阵R中心点Pa和Pb，确定转移向量t，t=Pb-R×Pa；
根据旋转矩阵R和转移向量t确定转移矩阵。
采用重叠度评价函数优化转移矩阵，输出最优转移矩阵具体包括：
遍历集合A中的点云数据，记为i；
在集合B中寻找和i相对应的点云数据距离小于阈值的点云数量；
根据点云数量、第一图像点云点数和第二图像点云点数确定重叠度；
判断重叠度是否大于重叠度设定阈值，若否，更新转移矩阵，重复上述步骤，直至重叠度是否小于重叠度设定阈值。
在点云直线集里面筛选有效直线对所给的夹角阈值可以预先设置为10°，这代表着从直线集中得到有效直线对的夹角为10°～90°。具体的，针对不同点云主体数据的特点，可以通过调节阈值得到相对来说少但又足够有代表性的直线对，提高准确性和计算速度。夹角阈值的取值范围是0°～90°。
寻找不同点云中的直线对的对应关系时，可以通过调节直线对角度差和距离差阈值来对配对直线对的相似性做调节，当点云噪点过多，相似性下降时，放宽这两个阈值，可以得到更多的直线对对应关系，提高配准成功的概率。
对于重叠度的计算，采用在变换后的source中的每一点的邻域r内搜索，是否在target中有最近点。这个半径参数r调节了源点云变换后和目标点云相比，重合的精度，越小则输出的配准结果约精确。
本实施例第二方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现一种3D点云定位及配准方法。
本实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种3D点云定位及配准方法。
作为一种可能的实施例，如图2-图5所示，提供了不同配置情况的配置对比图，图2-图5中左边均为配准前第一图像和第二图像的位置关系，右边是第一图像和第二图像配准后的位置关系。其中，第一图像为被测件的位置图像，第二图像为被测件定位配准后的目标位置图像。
实验一共检验了四种位置关系下的配准效果，第一图像和第二图像的点云的初始位置关系：①平移量小，②平移量大，③旋转，④旋转加不共面，手机中框不是平放于实验台时会出现不共面情况，比如：扫描时手机中框和平台之间有异物。
四种情况下，点云的重叠度均达到要求，输出了有效的转移矩阵。
作为一种可能的实施例，如图6-图8所示，提供了被测件中框的结构光扫描数据-配准实验结果，结构光相比于线激光，所得数据噪音更多，稳定性和精度更差，但配准结果依然良好。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种3D点云定位及配准方法，其特征在于，包括以下具体步骤：
S1、获取第一图像点云数据，采用滚球法确定点云轮廓数据；
S2、采用欧式聚类对轮廓数据进行分割，统计分割部分的点云数，保留点云数大于设定阈值的轮廓数据分割部分；
S3、对保留的轮廓数据进行直线的拟合，将拟合后的直线进行直线配对得到直线对；
S4、根据配对得到直线对构建转移矩阵，采用重叠度评价函数优化转移矩阵，输出最优转移矩阵。
2.根据权利要求1所述的3D点云定位及配准方法，其特征在于，所述S1具体包括：
根据被测件点云数据，设定滚球初始参数值，确定滚球半径r和圆心p；
获取滚球滚动轨迹，结合滚球半径和圆心，确定点云轮廓数据。
3.根据权利要求2所述的3D点云定位及配准方法，其特征在于，所述确定点云轮廓数据包括：
获取滚球滚动轨迹点集P，在点集P中任选一点p1；
获取过点p和点p1且半径为0.5r的圆，得到圆心p2和圆心p3；
计算点集P中不包括点p1以外所有点到p2和p3的距离，得到数组D；
获取数组D中数值大于r的点，确定为边界点，将边界点进行融合，得到点云轮廓数据。
4.根据权利要求1所述的3D点云定位及配准方法，其特征在于，所述S2具体包括：
S21、在获取点云轮廓数据中选取种子点，采用KD-Tree进行邻域搜索，遍历获取邻域内距离种子点小于设定阈值的点云数据，将筛选的点云数据和种子点聚类于集合Q；
S22、在集合Q中重新选取种子点，重复步骤S22，直至集合Q中的元素的个数不再增加。
5.根据权利要求1所述的3D点云定位及配准方法，其特征在于，所述对保留的轮廓数据进行直线的拟合具体包括：
S31、根据保留的轮廓数据，选取拟合样本数据集；
S32、在拟合样本数据集随机选取两点作为假象拟合连线为L，获取距离L小于阈值s的点；
S33、从剩余样本数据集中随机抽取两点，重复步骤S31和步骤S32，直至遍历距离L小于阈值s的点，输出拟合结果。
6.根据权利要求1所述的3D点云定位及配准方法，其特征在于，所述将拟合后的直线进行直线配对得到直线对具体包括：
将所有直线进行两两配对，计算配对直线的位置参数；
获取第二图像点云数据中直线对的位置参数；
基于配对直线的位置参数和第二图像点云数据中直线对的位置参数，从配对直线中筛选出有效直线对。
7.根据权利要求6所述的3D点云定位及配准方法，其特征在于，所述根据配对得到直线对构建转移矩阵具体包括：
构建有效直线对的集合A，构建第二图像直线对的集合B；
计算集合A和集合B的中心点，根据中心点将集合A和集合B重新中心化，生成集合A′和B′，计算性的集合A′和B′之间的协方差矩阵；
采用SVD基于获得协方差矩阵的U、S和V，计算点集A与B之间的旋转矩阵；
根据旋转矩阵、中心点Pa和Pb，确定转移向量；
根据旋转矩阵和转移向量确定转移矩阵。
8.根据权利要求7所述的3D点云定位及配准方法，其特征在于，所述采用重叠度评价函数优化转移矩阵，输出最优转移矩阵具体包括：
S41、遍历集合A中的点云数据，记为i；
S42、在集合B中寻找和i相对应的点云数据距离小于阈值的点云数量；
S43、根据点云数量、第一图像点云点数和第二图像点云点数确定重叠度；
S44、判断重叠度是否大于重叠度设定阈值，若否，更新转移矩阵，重复步骤S41-S43，直至重叠度是否小于重叠度设定阈值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的3D点云定位及配准方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一项所述的3D点云定位及配准方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310815325.4A CN116523984B (zh) | 2023-07-05 | 2023-07-05 | 一种3d点云定位及配准方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310815325.4A CN116523984B (zh) | 2023-07-05 | 2023-07-05 | 一种3d点云定位及配准方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523984A true CN116523984A (zh) | 2023-08-01 |
| CN116523984B CN116523984B (zh) | 2023-09-26 |
Family
ID=87403344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310815325.4A Active CN116523984B (zh) | 2023-07-05 | 2023-07-05 | 一种3d点云定位及配准方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523984B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014080330A2 (en) * | 2012-11-22 | 2014-05-30 | Geosim Systems Ltd. | Point-cloud fusion |
| US20190205695A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for determining matching relationship between point cloud data |
| CN110070567A (zh) * | 2019-04-28 | 2019-07-30 | 中铁七局集团有限公司 | 一种地面激光点云配准方法 |
| CN110310331A (zh) * | 2019-06-18 | 2019-10-08 | 哈尔滨工程大学 | 一种基于直线特征与点云特征结合的位姿估计方法 |
| US20200160487A1 (en) * | 2018-11-15 | 2020-05-21 | Toyota Research Institute, Inc. | Systems and methods for registering 3d data with 2d image data |
| CN111210466A (zh) * | 2020-01-14 | 2020-05-29 | 华志微创医疗科技（北京）有限公司 | 多视角点云配准方法、装置以及计算机设备 |
| CN111709981A (zh) * | 2020-06-22 | 2020-09-25 | 高小翎 | 特征线融合的激光点云与模拟图像的配准方法 |
| CN112396641A (zh) * | 2020-11-17 | 2021-02-23 | 中国矿业大学(北京) | 一种基于全等二基线匹配的点云全局配准方法 |
| CN113516695A (zh) * | 2021-05-25 | 2021-10-19 | 中国计量大学 | 激光轮廓仪平面度测量中的点云配准策略 |
| CN114910892A (zh) * | 2022-06-13 | 2022-08-16 | 中国第一汽车股份有限公司 | 一种激光雷达的标定方法、装置、电子设备及存储介质 |
| CN114972512A (zh) * | 2022-05-27 | 2022-08-30 | 南京航空航天大学 | 一种机场场面目标物定位方法及系统 |
-
2023
- 2023-07-05 CN CN202310815325.4A patent/CN116523984B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014080330A2 (en) * | 2012-11-22 | 2014-05-30 | Geosim Systems Ltd. | Point-cloud fusion |
| US20190205695A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for determining matching relationship between point cloud data |
| US20200160487A1 (en) * | 2018-11-15 | 2020-05-21 | Toyota Research Institute, Inc. | Systems and methods for registering 3d data with 2d image data |
| CN110070567A (zh) * | 2019-04-28 | 2019-07-30 | 中铁七局集团有限公司 | 一种地面激光点云配准方法 |
| CN110310331A (zh) * | 2019-06-18 | 2019-10-08 | 哈尔滨工程大学 | 一种基于直线特征与点云特征结合的位姿估计方法 |
| CN111210466A (zh) * | 2020-01-14 | 2020-05-29 | 华志微创医疗科技（北京）有限公司 | 多视角点云配准方法、装置以及计算机设备 |
| CN111709981A (zh) * | 2020-06-22 | 2020-09-25 | 高小翎 | 特征线融合的激光点云与模拟图像的配准方法 |
| CN112396641A (zh) * | 2020-11-17 | 2021-02-23 | 中国矿业大学(北京) | 一种基于全等二基线匹配的点云全局配准方法 |
| CN113516695A (zh) * | 2021-05-25 | 2021-10-19 | 中国计量大学 | 激光轮廓仪平面度测量中的点云配准策略 |
| CN114972512A (zh) * | 2022-05-27 | 2022-08-30 | 南京航空航天大学 | 一种机场场面目标物定位方法及系统 |
| CN114910892A (zh) * | 2022-06-13 | 2022-08-16 | 中国第一汽车股份有限公司 | 一种激光雷达的标定方法、装置、电子设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| CHEN CHAO 等: "Semi-automatic range to range registration: a feature-based method", 《FIFTH INTERNATIONAL CONFERENCE ON 3-D DIGITAL IMAGING AND MODELING》, pages 1 - 8 * |
| INTIMES: "基于线特征的鱼眼图像与地面激光雷达点云配准", 《测绘通报》, no. 2021, pages 74 - 80 * |
| INTIMES: "平面点云的轮廓线计算alpha shapes算法原理和实现", pages 2, Retrieved from the Internet <URL:https://blog.csdn.net/zjjsd195/article/details/122390210> * |
| ZHANGJIN HUANG 等: "Surface Reconstruction from Point Clouds: A Survey and a Benchmark", 《HTTPS://ARXIV.ORG/ABS/2205.02413》, pages 1 - 27 * |
| 刘波 等: "使用安置参数优化的无人机点云与影像精配准", 《测绘科学》, vol. 46, no. 9, pages 94 - 108 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523984B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105021124B (zh) | 一种基于深度图的平面零件三维位置和法向量计算方法 | |
| CN108898147B (zh) | 一种基于角点检测的二维图像边缘平直化方法、装置 | |
| CN108597009B (zh) | 一种基于方向角信息进行三维目标检测的方法 | |
| US20040170315A1 (en) | Calibration apparatus, calibration method, program for calibration, and calibration jig | |
| WO2021052283A1 (zh) | 处理三维点云数据的方法和计算设备 | |
| CN108225319B (zh) | 基于目标特征的单目视觉快速相对位姿估计系统及方法 | |
| CN112381841A (zh) | 一种动态场景下基于gms特征匹配的语义slam方法 | |
| CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
| CN113096094A (zh) | 三维物体表面缺陷检测方法 | |
| CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
| JP2018136896A (ja) | 情報処理装置、システム、情報処理方法、および物品の製造方法 | |
| CN112017232A (zh) | 图像内圆形图案的定位方法、装置及设备 | |
| CN105405122A (zh) | 一种基于数据平稳性的圆检测方法 | |
| CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
| JP5976089B2 (ja) | 位置姿勢計測装置、位置姿勢計測方法、およびプログラム | |
| WO2022148091A1 (zh) | 目标匹配方法、装置和机器人 | |
| CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
| CN111462216B (zh) | 一种圆形阵列标定板中圆心像素坐标确定方法 | |
| CN116523984B (zh) | 一种3d点云定位及配准方法、设备和介质 | |
| Li et al. | Method for detecting pipeline spatial attitude using point cloud alignment | |
| CN115112098B (zh) | 一种单目视觉的一维二维测量方法 | |
| CN116309817A (zh) | 一种基于rgb-d相机的托盘检测与定位方法 | |
| JPH07146121A (ja) | 視覚に基く三次元位置および姿勢の認識方法ならびに視覚に基く三次元位置および姿勢の認識装置 | |
| Bazazian et al. | Segmentation-based multi-scale edge extraction to measure the persistence of features in unorganized point clouds | |
| WO2002063547A1 (en) | Structure-guided image measurement method |
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 |