CN116703992A - 一种三维点云数据精确配准方法、装置、设备及存储介质 - Google Patents

一种三维点云数据精确配准方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116703992A
CN116703992A CN202310734794.3A CN202310734794A CN116703992A CN 116703992 A CN116703992 A CN 116703992A CN 202310734794 A CN202310734794 A CN 202310734794A CN 116703992 A CN116703992 A CN 116703992A
Authority
CN
China
Prior art keywords
point cloud
cloud data
registration
matrix
target
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
Application number
CN202310734794.3A
Other languages
English (en)
Inventor
段睿
王宇
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.)
Sichuan Zemu Technology Co ltd
Original Assignee
Sichuan Zemu Technology Co ltd
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 Sichuan Zemu Technology Co ltd filed Critical Sichuan Zemu Technology Co ltd
Priority to CN202310734794.3A priority Critical patent/CN116703992A/zh
Publication of CN116703992A publication Critical patent/CN116703992A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06T2207/20081—Training; Learning

Abstract

本发明公开了一种三维点云数据精确配准方法、装置、设备及存储介质，该方法包括：获取输入格式对应的点云文件，并对点云文件进行解析，得到目标点云数据；采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据；以粗配准之后的点云数据为基础，采用精确配准算法进行进一步地配准，得到精确配准之后的点云数据。本发明先采用粗配准算法实现目标点云数据与源点云数据之间的粗配准，然后采用精确配准算法进一步优化配准参数，从而实现全自动配准，保证了配准的精准性。

Description

一种三维点云数据精确配准方法、装置、设备及存储介质
技术领域
本发明属于三维点云数据处理技术领域，具体涉及一种三维点云数据精确配准方法、装置、设备及存储介质。
背景技术
自点云重构技术提出后，国内外研究者一直在寻求将两片不同视角的模型重构到一起的方法，使得在实际应用中利用点云配准技术完成三维重构任务变为可能。点云配准是通过对多幅点云通过刚体变换，实现点云的无痕迹合并。最为直接的点云配准方式是手工选择对应点，然后通过对这些对应点计算刚体变换矩阵得到配准信息，这需要大量的人工参与，因此一般期望计算机能够实现全自动配准操作。
发明内容
本发明提供一种三维点云数据精确配准方法、装置、设备及存储介质，用以解决现有技术人工参与，不能自动配准的问题。
第一方面，本发明提供一种三维点云数据精确配准方法，包括：
获取输入格式对应的点云文件，并对点云文件进行解析，得到目标点云数据；其中，所述目标点云数据用于表征已有的源点云数据对应的不同视角下的点云数据；
采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据；
以粗配准之后的点云数据为基础，采用精确配准算法进行进一步地配准，得到精确配准之后的点云数据。
进一步地，还包括：调取预先设定的体积获取算法确定精确配准之后的点云数据对应的物体的体积；其中，所述体积获取算法包括凸包算法、原始点云修复还原算法以及过滤点云修复还原算法；
所述输入格式设置为JSON格式、txt格式以及igs格式。
进一步地，采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据，包括：
确定源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq；其中，p1,p2,…,pn表示源点云数据中n个源点，q1,q2,…,qn表示源点云数据中n个目标点；
根据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵，并确定协方差矩阵对应的循环列向量；
以所述协方差矩阵以及协方差矩阵对应的循环列向量，构建对称矩阵；
获取对称矩阵的特征值以及特征值对应的特征向量，并基于对称矩阵的特征值以及特征值对应的特征向量，确定旋转矩阵以及平移矩阵，得到目标点云数据与源点云数据之间的刚性变换参数；
基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据。
进一步地，根据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵，并确定协方差矩阵对应的循环列向量，包括：
据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵为：
其中，Mpq表示协方差矩阵，pi表示源点云数据中第i个源点，qi表示目标点云数据中第i个目标点，T表示转置；
确定协方差矩阵对应的循环列向量为χ＝(m23,m31,m12)T；其中，mab＝(Mpq-Mpq T)ab，mab表示m23,m31,m12中任意一个，m23,m31,m12均表示循环列向量中的元素。
进一步地，以所述协方差矩阵以及协方差矩阵对应的循环列向量，构建对称矩阵为：
其中，trace(Mpq)表示协方差矩阵Mpq的迹，I3表示3*3的单位矩阵。
进一步地，获取对称矩阵的特征值以及特征值对应的特征向量，并基于对称矩阵的特征值以及特征值对应的特征向量，确定旋转矩阵以及平移矩阵，得到目标点云数据与源点云数据之间的刚性变换参数，包括：
获取对称矩阵的特征值以及特征值对应的特征向量；
确定特征值中的最大值，提取最大值的对应的目标特征向量U＝(u0,u1,u2,u3)；其中，u0,u1,u2,u3均表示特征向量中的元素；
以目标特征向量U＝(u0,u1,u2,u3)为基础，获取旋转矩阵R为：
以旋转矩阵R为基础，获取平移矩阵t为：
t＝p-Rq
其中，p表示源点云数据集，q表示目标点云数据集；
根据旋转矩阵R以及平移矩阵t，得到目标点云数据与源点云数据之间的刚性变换参数。
进一步地，以粗配准之后的点云数据为基础，采用精确配准算法进行进一步地配准，得到精确配准之后的点云数据，包括：
以粗配准之后的点云数据为基础，确定聚类数为K，并随机采样K个类别的聚类中心；
以K个类别的聚类中心为基础，将以粗配准之后的点云数据中每个点按照欧式距离最短原则分配至K个类别中；
以K个类别中的点为基础，对聚类中心进行更新，得到更新后的聚类中心；
以更新后的聚类中心为基础，对目标点云数据与源点云数据之间的刚性变换参数进行更新，得到更新之后的刚性变换参数；
判断相邻两次更新之后的刚性变换参数之间的变化数值是否小于设定阈值，若是，则将最后一个更新之后的刚性变换参数作为最终的刚性变换参数，并基于最终的刚性变换参数进行进一步地配准，得到精确配准之后的点云数据，否则更新后的聚类中心为基础，将点云数据中每个点按照欧式距离最短原则分配至K个类别中，并返回更新聚类中心的步骤；
其中，以更新后的聚类中心为基础，对目标点云数据与源点云数据之间的刚性变换参数进行更新，得到更新之后的刚性变换参数为：
其中，Rl表示第l次更新中的旋转矩阵，tl表示第l次更新中的平移矩阵，Pij表示第i个目标点云数据，表示第i个目标点云数据对应的聚类中心，/>表示旋转矩阵R以及平移矩阵t的求解函数。
第二方面，本发明提供一种三维点云数据精确配准装置，包括点云数据获取模块、粗配准模块以及精准配模块；
所述点云数据获取模块用于获取输入格式对应的点云文件，并对点云文件进行解析，得到目标点云数据；其中，所述目标点云数据用于表征已有的源点云数据对应的不同视角下的点云数据；
所述粗配准模块用于采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据；
所述精准配模块用于以粗配准之后的点云数据为基础，采用精确配准算法进行进一步地配准，得到精确配准之后的点云数据。
第三方面，本发明提供一种三维点云数据精确配准设备，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；
所述存储器存储计算机执行指令；
所述处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面所述的三维点云数据精确配准方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现第一方面所述的三维点云数据精确配准方法。
本发明提供的一种三维点云数据精确配准方法、装置、设备及存储介质，先采用粗配准算法实现目标点云数据与源点云数据之间的粗配准，然后采用精确配准算法进一步地优化配准参数，从而实现全自动配准，保证了配准的精准性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种三维点云数据精确配准方法的流程图。
图2为本发明实施例提供的一种三维点云数据精确配准装置的结构示意图。
图3为本发明实施例提供的一种三维点云数据精确配准设备的结构示意图。
其中，201-点云数据获取模块、202-粗配准模块、203-精准配模块、301-存储器、302-处理器、303-总线。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面结合附图详细说明本发明的实施例。
如图1所示，本发明提供一种三维点云数据精确配准方法，包括：
S101、获取输入格式对应的点云文件，并对点云文件进行解析，得到目标点云数据。其中，所述目标点云数据用于表征已有的源点云数据对应的不同视角下的点云数据。
将采集到的目标点云以刚性变换的形式通过旋转与平移变换移动至目标点云的处理过程即为三维点云配准。通常在一个视角下不能完全采集物体的所有三维点云数据，因此需要将不同视角下的点云数据进行配准，从而实现模型的构建。
可选的，还可以先对点云数据进行数据采集和预处理：利用激光雷达、光学相机等传感器获取三维点云数据，并通过滤波、降采样等预处理方法对点云数据进行优化。
S102、采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据。
粗配准算法可以选择三维点云特征直方图或者RANSAC(RANdomSAmpleConsensus，随机抽样一致)算法。值得说明的是，本实施例仅作为示例，还可以采用其他算法进行粗配准，以确定刚性变换参数。
S103、以粗配准之后的点云数据为基础，采用精确配准算法(CalculationAsPrecision，CAP算法)进行在一种可能得实施方式中配准，得到精确配准之后的点云数据。
通过对粗配准之后的点云数据进行一步处理，以使配准得到优化，从而实现精准的配准。
可选的，还可以对点云数据进行精简，例如：采用包围盒法、均匀采样法或曲率采样法等进行点云数据的精简。
在一种可能得实施方式中，还包括：调取预先设定的体积获取算法确定精确配准之后的点云数据对应的物体的体积。其中，所述体积获取算法包括凸包算法、原始点云修复还原算法以及过滤点云修复还原算法。所述输入格式设置为JSON格式、txt格式以及igs格式。
数据输入和格式转换：用户可以选择输入JSON字符串或者文件路径。如果输入为JSON字符串，该算法会将角度距离数据转换为极坐标点云数据。如果输入为文件路径，该算法支持读取txt文件和igs文件中的数据，并将数据转换成三维点云数组，满足了不同用户的需求。
凸包算法：使用scipy.spatial库中的ConvexHull类实现。原始点云修复还原：通过open3d库实现。过滤点云修复还原：先使用凸包算法过滤点云，然后通过open3d库实现修复还原。根据用户选择的计算方法，执行相应的操作来计算点云围成的封闭体积。
更具体的，凸包算法是一种计算一个点集合凸包的方法。凸包是包围点集的最小凸多边形，可以将凸包看作是将一根橡皮筋拉到点集的最外围，然后松开后收缩至紧贴点集的形状。在本发明中，采用scipy.spatial库中的ConvexHull类实现凸包算法。实现步骤如下：(1)对给定的点云数据points，使用ConvexHull(points)函数计算凸包。(2)提取凸包上的顶点，存储在repaired_points(修复点集合)。(3)使用三角剖分算法(Delaunay)，对repaired_points进行剖分。(4)计算并累加所有四面体的体积，得到封闭体积。
原始点云修复还原指的是直接在原始点云数据基础上进行网格生成与修复。在本发明中，采用open3d库实现原始点云修复还原。实现步骤如下：(1)对原始点云数据进行体素下采样，降低数据密度。(2)估计点云的法线向量。(3)删除包含NaN和inf值的点。(4)使用Alpha Shape算法(树冠点云投影面积计算算法)创建封闭网格，通过自适应的网格修复策略调整alpha参数。(5)计算封闭网格的体积。
过滤点云修复还原是在凸包算法基础上，对修复后的点云再次进行修复还原操作。通过过滤点云修复还原，可以进一步提高体积计算的准确性。实现步骤如下：(1)首先根据原始点云数据计算凸包，得到过滤点云数据。(2)对过滤点云数据进行体素下采样，降低数据密度。(3)估计点云的法线向量。(4)删除包含NaN和inf值的点。(5)使用AlphaShape算法创建封闭网格，通过自适应的网格修复策略调整alpha参数。(6)计算封闭网格的体积。
本发明提供了凸包算法、原始点云修复还原和过滤点云修复还原三种计算方法，用户可以根据实际需求和数据特点自由选择合适的计算方法，以达到更好的计算效果和准确度。本发明采用了open3d库和scipy.spatial库，对点云数据进行高效处理，包括体素下采样、法线估计、去除NaN和inf值、创建封闭网格等操作，为用户提供了快速、准确的点云处理方案。
在原始点云修复还原和过滤点云修复还原的过程中，本发明采用了一种自适应的网格修复策略。当封闭网格未能成功闭合时，算法会自动尝试调整AlphaShape算法的参数，直至网格闭合或达到最大尝试次数。这种策略可以有效地提高封闭网格生成的成功率，从而提高体积计算的准确性。
可选的，可以提供原始点云、过滤点云和修补点云的可视化功能，帮助用户直观地了解点云处理过程和效果，方便用户对算法进行评估和调整。
在一种可能得实施方式中，采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据，包括：
确定源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq。其中，p1,p2,…,pn表示源点云数据中n个源点，q1,q2,…,qn表示源点云数据中n个目标点。
根据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵，并确定协方差矩阵对应的循环列向量。
以所述协方差矩阵以及协方差矩阵对应的循环列向量，构建对称矩阵。
获取对称矩阵的特征值以及特征值对应的特征向量，并基于对称矩阵的特征值以及特征值对应的特征向量，确定旋转矩阵以及平移矩阵，得到目标点云数据与源点云数据之间的刚性变换参数。
基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据。
在一种可能得实施方式中，根据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵，并确定协方差矩阵对应的循环列向量，包括：
据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵为：
其中，Mpq表示协方差矩阵，pi表示源点云数据中第i个源点，qi表示目标点云数据中第i个目标点，T表示转置。
确定协方差矩阵对应的循环列向量为χ＝(m23,m31,m12)T。其中，mab＝(Mpq-Mpq T)ab，mab表示m23,m31,m12中任意一个，m23,m31,m12均表示循环列向量中的元素。
在一种可能得实施方式中，以所述协方差矩阵以及协方差矩阵对应的循环列向量，构建对称矩阵为：
其中，trace(Mpq)表示协方差矩阵Mpq的迹，I3表示3*3的单位矩阵。
在一种可能得实施方式中，获取对称矩阵的特征值以及特征值对应的特征向量，并基于对称矩阵的特征值以及特征值对应的特征向量，确定旋转矩阵以及平移矩阵，得到目标点云数据与源点云数据之间的刚性变换参数，包括：
获取对称矩阵的特征值以及特征值对应的特征向量。
确定特征值中的最大值，提取最大值的对应的目标特征向量U＝(u0,u1,u2,u3)。其中，u0,u1,u2,u3均表示特征向量中的元素。
以目标特征向量U＝(u0,u1,u2,u3)为基础，获取旋转矩阵R为：
以旋转矩阵R为基础，获取平移矩阵t为：
t＝p-Rq
其中，p表示源点云数据集，q表示目标点云数据集。
根据旋转矩阵R以及平移矩阵t，得到目标点云数据与源点云数据之间的刚性变换参数。
当粗配准获得旋转矩阵R以及平移矩阵t，可以对目标点云数据进行初步配准，但是为了进一步提高配准效果，还可以对配准之后的点云数据进行处理，以获取更精准的刚性变换参数。
可以将不同视角点云视为整体，求出各视角点云到聚类中心所描述模型的变换矩阵，逐步迭代以减小配准误差，直至配准完成。例如，将配准问题转换为聚类问题，首先将多视角点云视为一个整体。点云中每一个信息点均可以在聚类中心所构成的模型中找到对应点，各视角点云分别配准到聚类中心所构成的模型上，再通过逐步迭代更新聚类中心来更新整体点云模型，逐步缩小误差，直至配准完成。
在一种可能得实施方式中，以粗配准之后的点云数据为基础，采用精确配准算法进行在一种可能得实施方式中配准，得到精确配准之后的点云数据，包括：
以粗配准之后的点云数据为基础，确定聚类数为K，并随机采样K个类别的聚类中心。
以K个类别的聚类中心为基础，将以粗配准之后的点云数据中每个点按照欧式距离最短原则分配至K个类别中。
当点云数据中每个点按照欧式距离最短原则分配至K个类别中时，每个点均存在了对应的类标，可以以次为基础进行
以K个类别中的点为基础，对聚类中心进行更新，得到更新后的聚类中心。
对聚类中心进行更新，可以为：
其中，N表示待配准视图的总数，M表示待配准视图中点的总数，Cij表示点Pij的类标，k＝1,2,…,K。
以更新后的聚类中心为基础，对目标点云数据与源点云数据之间的刚性变换参数进行更新，得到更新之后的刚性变换参数。
判断相邻两次更新之后的刚性变换参数之间的变化数值是否小于设定阈值，若是，则将最后一个更新之后的刚性变换参数作为最终的刚性变换参数，并基于最终的刚性变换参数进行在一种可能得实施方式中配准，得到精确配准之后的点云数据，否则更新后的聚类中心为基础，将点云数据中每个点按照欧式距离最短原则分配至K个类别中，并返回更新聚类中心的步骤。
其中，以更新后的聚类中心为基础，对目标点云数据与源点云数据之间的刚性变换参数进行更新，得到更新之后的刚性变换参数为：
其中，Rl表示第l次更新中的旋转矩阵，tl表示第l次更新中的平移矩阵，Pij表示第i个目标点云数据，表示第i个目标点云数据对应的聚类中心，/>表示旋转矩阵R以及平移矩阵t的求解函数。
利用奇异值分解方法求解，分别求解点集与聚类中心的加权中心，得到去中心化的点集后计算其协方差矩阵S，分解协方差矩阵S所得的两个酉矩阵U和V计算旋转矩阵R，再根据点集的加权中心与聚类中心的加权中心计算出平移矢量t。
可选的，还可以设置最大更新次数，当更新次数大于最大更新次数时，则可以认为精确配准完成，得到更新之后的刚性变换参数。
实施例2
如图2所示，本发明提供一种三维点云数据精确配准装置，包括点云数据获取模块201、粗配准模块202以及精准配模块203。
所述点云数据获取模块201用于获取输入格式对应的点云文件，并对点云文件进行解析，得到目标点云数据。其中，所述目标点云数据用于表征已有的源点云数据对应的不同视角下的点云数据。
所述粗配准模块202用于采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据。
所述精准配模块203用于以粗配准之后的点云数据为基础，采用精确配准算法进行在一种可能得实施方式中配准，得到精确配准之后的点云数据。
本实施例所述的一种三维点云数据精确配准装置可以执行上述实施例1所述的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
实施例3
如图3所示，本申请实施例提供了一种三维点云数据精确配准设备，包括存储器301和处理器302，所述存储器301与处理器302之间通过总线303相互连接。
所述存储器301存储计算机执行指令。
所述处理器302执行存储器存储的计算机执行指令，使得处理器执行如实施例1所述的一种三维点云数据精确配准方法。
实施例4
本实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时用于实现如实施例1所述的一种三维点云数据精确配准方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(random accessmemory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM302F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer，RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
实施例5
本申请实施例还可以提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如实施例1所述的一种三维点云数据精确配准方法。
本发明提供的一种三维点云数据精确配准方法、装置、设备及存储介质，先采用粗配准算法实现目标点云数据与源点云数据之间的粗配准，然后采用精确配准算法进一步优化配准参数，从而实现全自动配准，保证了配准的精准性。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括：本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种三维点云数据精确配准方法，其特征在于，包括：
获取输入格式对应的点云文件，并对点云文件进行解析，得到目标点云数据；其中，所述目标点云数据用于表征已有的源点云数据对应的不同视角下的点云数据；
采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据；
以粗配准之后的点云数据为基础，采用精确配准算法进行进一步地配准，得到精确配准之后的点云数据。
2.根据权利要求1所述的三维点云数据精确配准方法，其特征在于，还包括：调取预先设定的体积获取算法确定精确配准之后的点云数据对应的物体的体积；其中，所述体积获取算法包括凸包算法、原始点云修复还原算法以及过滤点云修复还原算法；
所述输入格式设置为JSON格式、txt格式以及igs格式。
3.根据权利要求1所述的三维点云数据精确配准方法，其特征在于，采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据，包括：
确定源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq；其中，p1,p2,…,pn表示源点云数据中n个源点，q1,q2,…,qn表示源点云数据中n个目标点；
根据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵，并确定协方差矩阵对应的循环列向量；
以所述协方差矩阵以及协方差矩阵对应的循环列向量，构建对称矩阵；
获取对称矩阵的特征值以及特征值对应的特征向量，并基于对称矩阵的特征值以及特征值对应的特征向量，确定旋转矩阵以及平移矩阵，得到目标点云数据与源点云数据之间的刚性变换参数；
基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据。
4.根据权利要求3所述的三维点云数据精确配准方法，其特征在于，根据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵，并确定协方差矩阵对应的循环列向量，包括：
据所述源点云数据{p1,p2,…,pn}对应的质心μp以及目标点云数据{q1,q2,…,qn}对应的质心μq，获取协方差矩阵为：
其中，Mpq表示协方差矩阵，pi表示源点云数据中第i个源点，qi表示目标点云数据中第i个目标点，T表示转置；
确定协方差矩阵对应的循环列向量为χ＝(m23,m31,m12)T；其中，mab＝(Mpq-Mpq T)ab，mab表示m23,m31,m12中任意一个，m23,m31,m12均表示循环列向量中的元素。
5.根据权利要求4所述的三维点云数据精确配准方法，其特征在于，以所述协方差矩阵以及协方差矩阵对应的循环列向量，构建对称矩阵为：
其中，trace(Mpq)表示协方差矩阵Mpq的迹，I3表示3*3的单位矩阵。
6.根据权利要求5所述的三维点云数据精确配准方法，其特征在于，获取对称矩阵的特征值以及特征值对应的特征向量，并基于对称矩阵的特征值以及特征值对应的特征向量，确定旋转矩阵以及平移矩阵，得到目标点云数据与源点云数据之间的刚性变换参数，包括：
获取对称矩阵的特征值以及特征值对应的特征向量；
确定特征值中的最大值，提取最大值的对应的目标特征向量U＝(u0,u1,u2,u3)；其中，u0,u1,u2,u3均表示特征向量中的元素；
以目标特征向量U＝(u0,u1,u2,u3)为基础，获取旋转矩阵R为：
以旋转矩阵R为基础，获取平移矩阵t为：
t＝p-Rq
其中，p表示源点云数据集，q表示目标点云数据集；
根据旋转矩阵R以及平移矩阵t，得到目标点云数据与源点云数据之间的刚性变换参数。
7.根据权利要求1所述的三维点云数据精确配准方法，其特征在于，以粗配准之后的点云数据为基础，采用精确配准算法进行进一步地配准，得到精确配准之后的点云数据，包括：
以粗配准之后的点云数据为基础，确定聚类数为K，并随机采样K个类别的聚类中心；
以K个类别的聚类中心为基础，将以粗配准之后的点云数据中每个点按照欧式距离最短原则分配至K个类别中；
以K个类别中的点为基础，对聚类中心进行更新，得到更新后的聚类中心；
以更新后的聚类中心为基础，对目标点云数据与源点云数据之间的刚性变换参数进行更新，得到更新之后的刚性变换参数；
判断相邻两次更新之后的刚性变换参数之间的变化数值是否小于设定阈值，若是，则将最后一个更新之后的刚性变换参数作为最终的刚性变换参数，并基于最终的刚性变换参数进行进一步地配准，得到精确配准之后的点云数据，否则更新后的聚类中心为基础，将点云数据中每个点按照欧式距离最短原则分配至K个类别中，并返回更新聚类中心的步骤；
其中，以更新后的聚类中心为基础，对目标点云数据与源点云数据之间的刚性变换参数进行更新，得到更新之后的刚性变换参数为：
其中，Rl表示第l次更新中的旋转矩阵，tl表示第l次更新中的平移矩阵，Pij表示第i个目标点云数据，表示第i个目标点云数据对应的聚类中心，/>表示旋转矩阵R以及平移矩阵t的求解函数。
8.一种三维点云数据精确配准装置，其特征在于，包括点云数据获取模块、粗配准模块以及精准配模块；
所述点云数据获取模块用于获取输入格式对应的点云文件，并对点云文件进行解析，得到目标点云数据；其中，所述目标点云数据用于表征已有的源点云数据对应的不同视角下的点云数据；
所述粗配准模块用于采用粗配准算法确定目标点云数据与源点云数据之间的刚性变换参数，并基于该刚性变换参数将目标点云数据转换至源点云数据所处坐标系统，得到粗配准之后的点云数据；
所述精准配模块用于以粗配准之后的点云数据为基础，采用精确配准算法进行进一步地配准，得到精确配准之后的点云数据。
9.一种三维点云数据精确配准设备，其特征在于，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；
所述存储器存储计算机执行指令；
所述处理器执行存储器存储的计算机执行指令，使得处理器执行如权利要求1至7任一项所述的三维点云数据精确配准方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现权利要求1至7任一项所述的三维点云数据精确配准方法。
CN202310734794.3A 2023-06-20 2023-06-20 一种三维点云数据精确配准方法、装置、设备及存储介质 Pending CN116703992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310734794.3A CN116703992A (zh) 2023-06-20 2023-06-20 一种三维点云数据精确配准方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310734794.3A CN116703992A (zh) 2023-06-20 2023-06-20 一种三维点云数据精确配准方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116703992A true CN116703992A (zh) 2023-09-05

Family

ID=87844818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310734794.3A Pending CN116703992A (zh) 2023-06-20 2023-06-20 一种三维点云数据精确配准方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116703992A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115228A (zh) * 2023-10-23 2023-11-24 广东工业大学 Sop芯片管脚共面度检测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115228A (zh) * 2023-10-23 2023-11-24 广东工业大学 Sop芯片管脚共面度检测方法及装置

Similar Documents

Publication Publication Date Title
WO2018108129A1 (zh) 用于识别物体类别的方法及装置、电子设备
WO2018099405A1 (zh) 人脸分辨率重建方法、重建系统和可读介质
WO2021244661A1 (zh) 确定图像中血管信息的方法和系统
CN110599528A (zh) 一种基于神经网络的无监督三维医学图像配准方法及系统
CN114972366B (zh) 基于图网络的大脑皮层表面全自动分割方法及系统
CN104424629A (zh) 一种x光胸片肺部分割方法和装置
CN113111861A (zh) 人脸纹理特征提取、3d人脸重建方法及设备及存储介质
CN110969619B (zh) 一种自动识别鼻咽癌原发肿瘤的方法及装置
CN111507409B (zh) 一种基于深度多视角学习的高光谱影像分类方法及装置
CN110136135B (zh) 分割方法、装置、设备以及存储介质
US20190295272A1 (en) Synthesizing hair features in image content based on orientation data from user guidance
CN111028923B (zh) 数字病理图像染色归一化方法、电子装置及存储介质
CN102737382A (zh) 一种前列腺超声图像自动精确分割方法
CN116703992A (zh) 一种三维点云数据精确配准方法、装置、设备及存储介质
CN115345938B (zh) 基于全局到局部的头影标记点定位方法、设备及介质
CN107610121B (zh) 一种肝脏统计形状模型初始位姿设定方法
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN108305268A (zh) 一种图像分割方法及装置
CN111091560A (zh) 鼻咽癌原发肿瘤图像识别方法及系统
CN113870420A (zh) 三维人脸模型重建方法、装置、存储介质及计算机设备
CN103700146A (zh) 一种基于各向异性结构张量的三维数据增强可视化方法
CN102855666B (zh) 基于层次化回归模型的颅面重构方法
CN107492101B (zh) 基于自适应构造最优图的多模态鼻咽肿瘤分割算法
CN108198213B (zh) 一种标记管状结构的方法及装置、管状结构的处理终端
CN115311418A (zh) 一种多细节层次树木模型单体化重建方法及装置

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