CN117237428B - 一种面向三维点云的数据配准方法、装置及介质 - Google Patents
一种面向三维点云的数据配准方法、装置及介质 Download PDFInfo
- Publication number
- CN117237428B CN117237428B CN202311519623.5A CN202311519623A CN117237428B CN 117237428 B CN117237428 B CN 117237428B CN 202311519623 A CN202311519623 A CN 202311519623A CN 117237428 B CN117237428 B CN 117237428B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- source
- dimensional
- 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 43
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000013519 translation Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种面向三维点云的数据配准方法、装置及介质,所述方法包括:对三维点云数据进行预处理,包括使用体素法进行下采样和使用统计滤波器进行去除数据噪声;然后,通过区域生长算法提取三维点云中的平面结构;然后,构建基于平面结构和面面相交的交线组成的特征描述符,利用特征描述符的相似性,来匹配三维点云的平面结构;然后,利用匹配的平面结构,估计配准参数中的尺度参数、旋转参数和平移参数,根据配准参数进行转换参数优化;根据配准参数计算刚性坐标变换矩阵,将变换矩阵应用于源点云,实现三维点云的数据配准。本发明能够有效匹配对应平面,然后对转换参数进行优化,提升配准精度。
Description
技术领域
本发明属于三维点云数据处理领域,尤其涉及一种面向三维点云的数据配准方法、装置及介质。
背景技术
三维点云的数据配准是指,在两组三维点云的相对位置姿态未知的情况下,通过寻找一个刚体坐标变换矩阵,对源点云进行刚性标准变换,使得两组三维点云可以对齐到统一的坐标系下。三维点特征常用于三维点云的数据配准,一般分为特征提取和特征匹配两步,通过匹配的三维点特征对应关系,计算刚体坐标变换矩阵,但这种基于三维点特征的方法的鲁棒性较差。
由于两组三维点云之间,存在噪声幅度、分辨率和尺度差异,当前数据配准方法,难以满足三维点云的数据配准需求。
发明内容
发明目的:为解决上述技术问题,本发明提供了一种面向三维点云的数据配准方法、装置及介质,能够有效匹配对应平面,快速准确地完成转换参数的计算和优化。
技术方案:本发明所述的一种面向三维点云的数据配准方法,包括以下步骤:
(1)输入两组不同坐标系下的三维点云数据,并分别设定为目标点云和源点云;
(2)基于体素法分别对两组三维点云进行下采样;
(3)基于统计滤波器分别对两组三维点云进行数据噪声去噪;
(4)通过区域生长算法分别对两组三维点云提取点云中的平面结构;
(5)分别对两组三维点云,构建基于平面结构和面面相交的交线组成的特征描述符,利用特征描述符的相似性,来匹配三维点云的平面结构;
(6)利用匹配的平面结构关系,计算源点云相对于目标点云的配准转换参数;
(7)根据配准转换参数,计算刚性变换矩阵,将刚性坐标变换矩阵应用于源点云,对源点云进行坐标变换,实现三维点云的数据配准。
进一步地,所述步骤(2)实现过程如下:
首先对三维点云进行八叉树体素化,然后计算出每一个非空体素网格的重心点,以所述重心点来替代所述体素网格中所有点,得到下采样后的三维点云数据。
进一步地,所述步骤(3)实现过程如下:
首先计算三维点云中每个点到k个领域点的平均欧式距离,三维点分布服从高斯分布,其形状取决于均值和标准差/>,定义标准范围/>,其中std为标准差倍数,不满足标准范围的,则从数据中去除。
进一步地,所述步骤(4)实现过程如下:
首先创建一个空的种子点序列和聚类区域,将排序后的三维点云中曲率最小的点添加到种子点序列中;然后搜索当前种子点的邻域点,并比较每个邻域点与当前种子点的法线夹角;如果法线夹角小于预先设定阈值,将该点添加到当前区域;如果该邻域点的曲率小于阈值,将其添加到种子点序列中,然后删除当前种子点;重复以上步骤,直到种子序列为空;区域生长完成后对剩余点重复以上步骤,得到三维点云中的所有平面结构。
进一步地,所述步骤(5)实现过程如下:
(51)通过两两平面结构相交得到所有交线,从中任意选择一条交线和一对交线平面,利用图元之间的几何关系来构建描述符,构建的描述符如下:
其中,为交线,/>为平面结构,/>表示两种图元的夹角,/>表示两条直线之间的距离,/>表示直线与两个平面结构交点的距离;
(52)对于两个描述符,使用范数作为特征之间的相似性度量:
其中,表示源点云第i个特征描述符,/>表示目标点云第j个特征描述符,上标/>表示来自目标点云,/>表示来自源点云,/>表示相似度;/>越小,两个描述符之间的相似度越高;反之则相似度越低;设置相似度阈值/>确定两个描述符是否对应。
进一步地,所述步骤(6)实现过程如下:
(61)使用对应两交线的距离的比值得到尺度:
其中,表示来自源点云的两交线的距离,/>表示来自源点云的两交线的距离,上标/>表示来自目标点云,/>表示来自源点云;
使用两对交线的单位方向向量来估计旋转矩阵:
其中,是交线的单位方向向量,/>表示来自目标点云的交线的单位方向向量,/>表示来自源点云的交线的单位方向向量,使用两交线间的最短线段的一对端点计算平移向量/>:
(62)将每个初始转换矩阵应用到源点云平面结构,统计目标点云和源点云中对应平面结构数,仅保留对应平面结构数最多的一组转换参数;
(63)设有个对应平面结构,最小化下面的目标函数确定最优的旋转矩阵/>:
其中,和/>分别是目标点云和源点云中的平面结构的单位法向量;通过下式计算最优的尺度因子/>和平移向量/>:
其中,为尺度因子,/>为平移向量,/>表示来自目标点云的平面结构到原点的距离,/>表示来自源点云的平面结构到原点的距离。
进一步地,所述步骤(7)实现过程如下:
将源点云转换到目标点云的坐标系下,转换参数包括尺度参数、旋转参数/>和平移参数/>,根据转换参数计算得到刚体变换矩阵/>如下:
将转换矩阵应用到源点云,即实现所述的面向三维点云的数据配准。
基于相同的发明构思,本发明还提供一种装置设备,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如上所述的面向三维点云的数据配准方法的步骤。
基于相同的发明构思,本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如上所述的面向三维点云的数据配准方法的步骤。
与现有技术相比,本发明的优点和有益效果:本发明首先通过体素下采样和统计滤波器进行数据预处理,减少了数据冗余,降低了噪声的干扰,区域生长算法能够快速地提取平面结构;本发明基于平面结构和面面相交的交线组成的特征描述符,该描述符能够有效匹配对应平面,然后基于所有对应平面对转换参数进行了优化,提升了配准精度。
附图说明
图1为面向三维点云的数据配准方法的流程图;
图2为本发明中描述符构建示意图;
图3为本发明中目标点云和源点云初始位姿图;
图4为本发明中目标点云和源点云配准结果图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示,本发明提供一种面向三维点云的数据配准方法,包括以下步骤:
S1:输入两组不同坐标系下的三维点云数据,并分别设定为目标点云和源点云,初始位姿如图3所示,上侧为源点云,下侧为目标点云。
S2:分别对两组三维点云,基于体素法,进行下采样。
体素法具体步骤包括:首先对三维点云进行八叉树体素化,然后计算出每一个非空体素网格的重心点,以所述的重心点来替代所述体素网格中所有点,以得到下采样后的三维点云数据。
S3: 分别对两组三维点云,基于统计滤波器,去除数据噪声去噪。
统计滤波器具体步骤包括:首先计算三维点云中每个点到k个领域点的平均欧式距离,三维点分布服从高斯分布,其形状取决于均值和标准差/>,定义标准范围,其中std为标准差倍数,不满足上述标准范围则从数据中去除该点。
S4:分别对两组三维点云,通过区域生长算法,提取点云中的平面结构。
区域生长算法具体步骤包括:首先创建一个空的种子点序列和聚类区域,将排序后的三维点云中曲率最小的点添加到种子点序列中。然后搜索当前种子点的邻域点,并比较每个邻域点与当前种子点的法线夹角。如果法线夹角小于阈值,将该点添加到当前区域。如果该邻域点的曲率小于阈值,将其添加到种子点序列中,然后删除当前种子点。重复以上步骤,直到种子序列为空。此时,区域生长完成;接下来对剩余点重复进行以上步骤。最后得到三维点云中的所有平面结构。
S5:分别对两组三维点云,构建基于平面结构和面面相交的交线组成的特征描述符,利用特征描述符的相似性,来匹配三维点云的平面结构;具体包括以下步骤:
S5.1:构建基于平面结构和面面相交的交线组成的特征描述符。
基于步骤S4中的平面结构集合,通过两两平面结构相交得到所有交线,接着从中任意选择一条交线和一对平面/>,/>是/>和/>的交叉平面,利用之间的几何关系来构建描述符,构建方式如图2所示,/>是/>间的最短线段的端点,是直线/>与/>的交点,/>是两个图元之间的夹角,构建的描述符如下式所示:
其中, 表示两种图元的夹角,/>表示两条直线之间的距离,/>表示直线与两个平面结构交点的距离。
S5.2:利用特征描述符的相似性,来匹配三维点云的平面结构。
对于两个描述符,使用范数作为特征之间的相似性度量。
其中,表示源点云第i个特征描述符,/>表示目标点云第j个特征描述符,上标/>表示来自目标点云,/>表示来自源点云,/>表示相似度;/>越小,两个描述符之间的相似度越高;反之则相似度越低;设置相似度阈值/>确定两个描述符是否对应。
S6.1:利用匹配的平面结构关系,计算源点云相对于目标点云的初始配准转换参数,包括尺度参数、旋转参数和平移参数。
使用对应两交线的距离的比值得到尺度:
其中,表示来自源点云的两交线的距离,/>表示来自源点云的两交线的距离,上标/>表示来自目标点云,/>表示来自源点云。
使用两对交线的单位方向向量来估计旋转矩阵:
其中,是交线的单位方向向量,/>表示来自目标点云的交线的单位方向向量,/>表示来自源点云的交线的单位方向向量。
然后使用两交线间的最短线段的一对端点计算平移向量/>:
。
S6.2:将每组转换参数应用到源点云平面结构,然后统计目标点云和源点云中对应平面结构数,仅保留对应平面结构数最多的一个转换矩阵。
S6.3:最后优化配准参数。
设有个对应平面结构,最小化下面的目标函数确定最优的旋转矩阵/>:
其中,和/>分别是目标点云和源点云中的平面结构的单位法向量;通过下式计算最优的尺度因子/>和平移向量/>:
其中, 为尺度因子,/>为平移向量,/>表示来自目标点云的平面结构到原点的距离,/>表示来自源点云的平面结构到原点的距离。
S7:根据步骤S6的转换参数,将源点云转换到目标点云的坐标系下,转换参数包括尺度参数、旋转参数/>和平移参数/>,根据转换参数计算得到刚体变换矩阵/>如下:
将转换矩阵应用到源点云,即实现所述的面向三维点云的数据配准。
基于相同的发明构思,本发明所述的装置设备,包括存储器和处理器,其中:存储器,用于存储能够在处理器上运行的计算机程序;处理器,用于在运行所述计算机程序时,执行如上所述的面向三维点云的数据配准方法的步骤。
基于相同的发明构思,本发明所述的存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如上所述的面向三维点云的数据配准方法的步骤。
本实施例选取了不同位姿的两组三维点云数据进行实验,如图3所示,上侧为源点云,下侧为目标点云。对点云进行体素下采样后,此时源点云和目标点云的点数分别为314898和364568,接着应用区域生长算法提取平面结构,分别在源点云和目标点云提取了18和27个平面,接着应用步骤S5~S7计算刚体变换矩阵,转换源点云后,配准结果如图4所示。由图4可知,两组三维点云数据基本重合在一起,本发明方法能够对三维点云数据取得良好的配准效果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种面向三维点云的数据配准方法,其特征在于,包括以下步骤:
(1)输入两组不同坐标系下的三维点云数据,并分别设定为目标点云和源点云;
(2)基于体素法分别对两组三维点云进行下采样;
(3)基于统计滤波器分别对两组三维点云进行数据噪声去噪;
(4)通过区域生长算法分别对两组三维点云提取点云中的平面结构;
(5)分别对两组三维点云,构建基于平面结构和面面相交的交线组成的特征描述符,利用特征描述符的相似性,来匹配三维点云的平面结构;
(6)利用匹配的平面结构关系,计算源点云相对于目标点云的配准转换参数;
(7)根据配准转换参数,计算刚性变换矩阵,将刚性坐标变换矩阵应用于源点云,对源点云进行坐标变换,实现三维点云的数据配准;
所述步骤(4)实现过程如下:
首先创建一个空的种子点序列和聚类区域,将排序后的三维点云中曲率最小的点添加到种子点序列中;然后搜索当前种子点的邻域点,并比较每个邻域点与当前种子点的法线夹角;如果法线夹角小于预先设定阈值,将该点添加到当前区域;如果该邻域点的曲率小于阈值,将其添加到种子点序列中,然后删除当前种子点;重复以上步骤,直到种子序列为空;区域生长完成后对剩余点重复以上步骤,得到三维点云中的所有平面结构;
所述步骤(5)实现过程如下:
(51)通过两两平面结构相交得到所有交线,从中任意选择一条交线和一对交线平面,利用图元之间的几何关系来构建描述符,构建的描述符如下:
D5=[∠(l1,l2) ∠(P1,P2) ∠(l2,P1) ∠(l2,P2) d12/d34]
其中,l1,l2为交线,P1,P2为平面结构,∠(*,*)表示两种图元的夹角,d12表示两条直线之间的距离,d34表示直线l2与两个平面结构交点的距离;
(52)对于两个描述符,使用L2范数作为特征之间的相似性度量:
其中,表示源点云第i个特征描述符,/>表示目标点云第j个特征描述符;上标t表示来自目标点云,s表示来自源点云,sf表示相似度;sf越小,两个描述符之间的相似度越高;反之则相似度越低;设置相似度阈值ε确定两个描述符是否对应;
所述步骤(6)实现过程如下:
(61)使用对应两交线的距离的比值得到尺度γe:
γe=dist/diss
其中,dis×为两交线的距离,上标t表示来自目标点云,s表示来自源点云;
使用两对交线的单位方向向量来估计旋转矩阵Re:
其中,R为旋转矩阵,是交线的单位方向向量,上标t表示来自目标点云,s表示来自源点云;使用两交线间的最短线段的一对端点/>计算平移向量te:
(62)将每个初始转换矩阵应用到源点云平面结构,统计目标点云和源点云中对应平面结构数,仅保留对应平面结构数最多的一组转换参数;
(63)设有n个对应平面结构,最小化下面的目标函数确定最优的旋转矩阵R*:
其中,是平面结构的单位法向量;通过下式计算最优的尺度因子γ*和平移向量t*:
其中,γ为尺度因子,t为平移向量,表示平面结构到原点的距离,上标t表示来自目标点云,s表示来自源点云。
2.根据权利要求1所述的一种面向三维点云的数据配准方法,其特征在于,所述步骤(2)实现过程如下:
首先对三维点云进行八叉树体素化,然后计算出每一个非空体素网格的重心点,以所述重心点来替代所述体素网格中所有点,得到下采样后的三维点云数据。
3.根据权利要求1所述的一种面向三维点云的数据配准方法,其特征在于,所述步骤(3)实现过程如下:
首先计算三维点云中每个点到k个领域点的平均欧式距离,三维点分布服从高斯分布,其形状取决于均值μ和标准差σ,定义标准范围(μ-σ*std,μ+σ*std),其中std为标准差倍数,不满足标准范围的,则从数据中去除。
4.根据权利要求1所述的一种面向三维点云的数据配准方法,其特征在于,所述步骤(7)实现过程如下:
将源点云转换到目标点云的坐标系下,转换参数包括尺度参数γ*、旋转参数R*和平移参数t*,根据转换参数计算得到刚体变换矩阵T如下:
将转换矩阵T应用到源点云,即实现所述的面向三维点云的数据配准。
5.一种装置设备,其特征在于,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如权利要求1-4任一项所述的面向三维点云的数据配准方法的步骤。
6.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如权利要求1-4任一项所述的面向三维点云的数据配准方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519623.5A CN117237428B (zh) | 2023-11-15 | 2023-11-15 | 一种面向三维点云的数据配准方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519623.5A CN117237428B (zh) | 2023-11-15 | 2023-11-15 | 一种面向三维点云的数据配准方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237428A CN117237428A (zh) | 2023-12-15 |
CN117237428B true CN117237428B (zh) | 2024-02-20 |
Family
ID=89084759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311519623.5A Active CN117237428B (zh) | 2023-11-15 | 2023-11-15 | 一种面向三维点云的数据配准方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237428B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745778B (zh) * | 2024-02-01 | 2024-05-28 | 法奥意威(苏州)机器人系统有限公司 | 一种点云配准实现方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654483A (zh) * | 2015-12-30 | 2016-06-08 | 四川川大智胜软件股份有限公司 | 三维点云全自动配准方法 |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN114972459A (zh) * | 2022-05-31 | 2022-08-30 | 哈尔滨理工大学 | 一种基于低维点云局部特征描述符的点云配准方法 |
CN116758126A (zh) * | 2023-06-28 | 2023-09-15 | 南通大学 | 一种基于相似三角形的误匹配剔除的快速点云配准方法 |
-
2023
- 2023-11-15 CN CN202311519623.5A patent/CN117237428B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654483A (zh) * | 2015-12-30 | 2016-06-08 | 四川川大智胜软件股份有限公司 | 三维点云全自动配准方法 |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN114972459A (zh) * | 2022-05-31 | 2022-08-30 | 哈尔滨理工大学 | 一种基于低维点云局部特征描述符的点云配准方法 |
CN116758126A (zh) * | 2023-06-28 | 2023-09-15 | 南通大学 | 一种基于相似三角形的误匹配剔除的快速点云配准方法 |
Non-Patent Citations (2)
Title |
---|
"城市场景中的异源点云配准方法";彭澍等;《激光杂志》;第25-31页 * |
"采用八叉树体素生长的点云平面提取";李明磊等;《光学精密工程》;第172-182页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117237428A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903327B (zh) | 一种稀疏点云的目标物尺寸测量方法 | |
CN109409437B (zh) | 一种点云分割方法、装置、计算机可读存储介质及终端 | |
CN112017220B (zh) | 一种基于抗差约束最小二乘算法的点云精确配准方法 | |
CN109767463B (zh) | 一种三维点云自动配准方法 | |
CN108389250B (zh) | 基于点云数据快速生成建筑物断面图的方法 | |
CN109903319B (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN109493372B (zh) | 大数据量、少特征的产品点云数据快速全局优化配准方法 | |
CN117237428B (zh) | 一种面向三维点云的数据配准方法、装置及介质 | |
CN110688947B (zh) | 一种同步实现人脸三维点云特征点定位和人脸分割的方法 | |
CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及系统 | |
CN109147040B (zh) | 基于模板的人体点云孔洞修补方法 | |
CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
CN111340862B (zh) | 一种基于多特征融合的点云配准方法、装置及存储介质 | |
CN105654483A (zh) | 三维点云全自动配准方法 | |
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN114494368A (zh) | 一种结合降维投影和特征匹配的低重叠率点云配准方法 | |
CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
CN111259788A (zh) | 头颈拐点的检测方法、装置以及计算机设备 | |
CN112381945B (zh) | 三维模型过渡面的重建方法及系统 | |
CN110688440A (zh) | 一种适用于子地图重叠部分较少的地图融合方法 | |
CN116563354A (zh) | 一种结合特征提取和聚类算法的激光点云配准方法 | |
CN108876711B (zh) | 一种基于图像特征点的草图生成方法、服务器及系统 | |
CN115511935A (zh) | 基于迭代离散化与线性插值的正态分布变换点云配准方法 | |
CN109934837B (zh) | 一种3d植物叶片轮廓的提取方法、装置及系统 | |
CN112991408B (zh) | 大场景高分辨率遥感图像自适应区域多特征配准方法及系统 |
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 |