CN117314987B - 点云配准方法和装置 - Google Patents
点云配准方法和装置 Download PDFInfo
- Publication number
- CN117314987B CN117314987B CN202311606122.0A CN202311606122A CN117314987B CN 117314987 B CN117314987 B CN 117314987B CN 202311606122 A CN202311606122 A CN 202311606122A CN 117314987 B CN117314987 B CN 117314987B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- registration
- points
- feature
- characteristic
- 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 65
- 230000009466 transformation Effects 0.000 claims abstract description 116
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000001914 filtration Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000012512 characterization method Methods 0.000 claims description 13
- 239000007787 solid Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (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)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种点云配准方法和装置,对获取的源点云和目标点云进行滤波处理,获得滤波处理后的源点云中的第一特征点及目标点云中的第二特征点。计算各第一特征点和第二特征点的特征向量,进而对源点云和目标点云进行粗配准。基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据精配准变换矩阵实现源点云和目标点云的精配准。通过对源点云和目标点云进行滤波处理,从而可消除离散点对配准过程造成的干扰,且基于源点云和目标点云中的第一特征点和第二特征点的特征向量进行粗配准,可以大大降低配准的复杂度,进一步地采用最小二乘法实现精配准,提高最终配准的精度。
Description
技术领域
本申请涉及三维点云处理技术领域,具体而言,涉及一种点云配准方法和装置。
背景技术
三维点云配准是将不同视角或时间拍摄的点云数据对齐,使它们在同一坐标系下表示相同的场景或物体。这是计算机视觉、机器人学和地图构建等领域的关键任务之一。配准的主要目标是找到两个或多个点云之间的最佳转换,以最小化它们之间的差异。这个过程通常分为两个主要阶段:粗配准和精配准。
粗配准指的是在两幅点云之间的变换完全未知的情况下进行较为粗糙的配准,目的主要是为精配准提供较好的变换初值。粗配准是为精确配准提供一个良好的起始点,以便后续的迭代精确匹配更有效。
由于实际获取的点云数据大多含有噪声,噪声和异常值可能会影响点云的特征提取和匹配,从而对配准产生负面影响。基于特征的点云配准算法对噪点敏感,在有噪声或者点云存在部分遮挡的情况下,算法可能会产生错误的匹配。现有的基于点云中的点进行配准方式存在计算过程复杂的问题,特别是对于大规模点云,导致算法在实际应用中的速度较慢。
发明内容
本申请的目的包括,例如,提供了一种点云配准方法和装置,其能够降低配准复杂度,且提高最终配准的精度。
本申请的实施例可以这样实现:
第一方面,本申请提供一种点云配准方法,所述方法包括:
获取源点云和目标点云,对所述源点云和目标点云进行滤波处理;
获得滤波处理后所述源点云中的第一特征点以及所述目标点云中的第二特征点;
计算各所述第一特征点和第二特征点的特征向量;
基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准;
基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据所述精配准变换矩阵实现所述源点云和目标点云的精配准。
在可选的实施方式中,对所述源点云进行滤波处理的步骤,包括:
构建包围所述源点云的第一立方体,所述第一立方体包括多个第一网格,所述源点云中的各个点位于所述多个第一网格中的其中一个第一网格;
统计各所述第一网格内的点的数量;
将第一网格内的点的数量小于设定数量的第一网格判定为离散网格;
将所述离散网格内的点进行滤除处理。
在可选的实施方式中,所述获得滤波处理后所述源点云中的第一特征点的步骤,包括:
构建包围滤波处理后的源点云的第二立方体,所述第二立方体包括多个第二网格;
针对各所述第二网格,基于所述第二网格内的所有点计算得到所述第二网格对应的表征点,将所述表征点作为该第二网格内的所有点对应的第一特征点。
在可选的实施方式中,计算各所述第一特征点的特征向量的步骤,包括:
针对各所述第一特征点,以所述第一特征点为中心构建球体,所述球体按照半径方向、方位角方向和俯仰角方向被划分为多个立体块;
根据各所述立体块的体积以及立体块内的第一特征点的分布,计算各所述立体块相对于所述第一特征点的权重;
基于所有立体块相对于所述第一特征点的权重,得到所述第一特征点的特征向量。
在可选的实施方式中,所述根据各所述立体块的体积以及立体块内的第一特征点的分布,计算各所述立体块相对于所述第一特征点的权重的步骤,包括:
针对各所述立体块,计算所述立体块的体积以及所述立体块对应的半径方向的局部区域内具有的第一特征点的密度;
根据各所述立体块的体积和密度计算所述立体块相对于所述第一特征点的权重。
在可选的实施方式中,所述基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准的步骤,包括:
在每轮迭代中,每次从所述源点云中选取设定数量的待配准第一特征点,基于所述待配准第一特征点的特征向量以及所述目标点云中各所述第二特征点的特征向量,确定出与所述待配准第一特征点匹配的第二特征点;
基于匹配的待配准第一特征点和第二特征点计算得到粗配准变换矩阵,利用所述粗配准变换矩阵对所述源点云进行粗配准变换;
基于粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值,在得到的损失值达到最优或迭代到最大迭代次数时,得到最优的粗配准变换矩阵;
基于所述最优的粗配准变换矩阵对所述源点云和目标点云进行粗配准。
在可选的实施方式中,所述基于匹配的待配准第一特征点和第二特征点计算得到粗配准变换矩阵的步骤,包括:
构建匹配的设定数量的待配准第一特征点构成的第一几何形状,以及设定数量的第二特征点构成的第二几何形状;
基于所述第一几何形状和第二几何形状中的对应边的边长,计算得到几何相似度;
在所述几何相似度小于设定的相似度阈值时,基于所述第一几何形状和第二几何形状中对应的特定点计算得到粗配准变换矩阵。
在可选的实施方式中,所述基于粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值的步骤,包括:
计算粗配准变换后的源点云与所述目标点云中所有具有最近邻关系的第一特征点和第二特征点的点对之间的欧式距离;
统计欧式距离满足预设距离条件的点对的数量,若所述数量小于设定数量,则重新选取设定数量的待配准第一特征点以重新对所述源点云进行粗配准变换,直至满足预设距离条件的点对的数量大于或等于所述设定数量为止;
基于满足预设距离条件下的粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值。
在可选的实施方式中,所述基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵的步骤,包括:
在每轮迭代中,针对粗配准之后的源点云中的各个第一特征点,确定所述目标点云中与各所述第一特征点具有最近邻关系的第二特征点;
根据多组具有最近邻关系的第一特征点和第二特征点,采用最小二乘法拟合得到初始的精配准变换矩阵;
利用所述初始的精配准变换矩阵对所述源点云进行精配准变换;
基于精配准变换后的源点云和所述目标点云计算多组第一特征点和第二特征点之间的平均距离;
待相邻两轮迭代的平均距离的差值小于设定阈值时停止迭代,并将停止迭代时的精配准变换矩阵作为最优的精配准变换矩阵。
第二方面,本申请提供一种点云配准装置,所述装置包括:
滤波处理模块,用于获取源点云和目标点云,对所述源点云和目标点云进行滤波处理;
特征点获得模块,用于获得滤波处理后所述源点云中的第一特征点以及所述目标点云中的第二特征点;
计算模块,用于计算各所述第一特征点和第二特征点的特征向量;
第一配准模块,用于基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准;
第二配准模块,用于基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据所述精配准变换矩阵实现所述源点云和目标点云的精配准。
本申请实施例的有益效果包括,例如:
本申请提供一种点云配准方法和装置,对获取的源点云和目标点云进行滤波处理,获得滤波处理后的源点云中的第一特征点及目标点云中的第二特征点。计算各第一特征点和第二特征点的特征向量,进而对源点云和目标点云进行粗配准。基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据精配准变换矩阵实现源点云和目标点云的精配准。通过对源点云和目标点云进行滤波处理,从而可消除离散点对配准过程造成的干扰,且基于源点云和目标点云中的第一特征点和第二特征点的特征向量进行粗配准,可以大大降低配准的复杂度,进一步地采用最小二乘法实现精配准,提高最终配准的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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。
图1为本申请实施例提供的点云配准方法的流程图;
图2为点云粗配准和精配准的示意图;
图3为图1中S11包含的子步骤的流程图;
图4为图1中S12包含的子步骤的流程图;
图5为图1中S13包含的子步骤的流程图;
图6为构建的球体的示意图;
图7为图5中S132包含的子步骤的流程图;
图8为图1中S14包含的子步骤的流程图;
图9为图8中S142包含的子步骤的流程图;
图10为构建的第一几何形状和第二几何形状的示意图;
图11为图8中S143包含的子步骤的流程图;
图12为图1中S15包含的子步骤的流程图;
图13为本申请实施例提供的点云配准装置的功能模块框图;
图14为本申请实施例提供的电子设备的结构框图。
图标:110-点云配准装置;111-滤波处理模块;112-特征点获得模块;113-计算模块;114-第一配准模块;115-第二配准模块;120-处理器;130-存储器;140-通信模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
请参阅图1,为本申请实施例提供的点云配准方法的流程示意图,该点云配准方法可由点云配准装置来执行,该点云配准装置可以由软件和/或硬件实现,可配置在电子设备中,该电子设备可以是安装有相关软件的计算机设备。该点云配准方法的详细步骤介绍如下。
S11,获取源点云和目标点云,对所述源点云和目标点云进行滤波处理。
S12,获得滤波处理后所述源点云中的第一特征点以及所述目标点云中的第二特征点。
S13,计算各所述第一特征点和第二特征点的特征向量。
S14,基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准。
S15,基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据所述精配准变换矩阵实现所述源点云和目标点云的精配准。
本实施例中,源点云和目标点云均为包含多个点的三维点云,源点云可以是利用拍摄设备对目标物体,例如工件等进行拍摄后所构建的点云,而目标点云可以是在计算机设备的相关软件中所构建的目标物体的点云。或者,源点云和目标点云可以是以不同视角或在不同时间对目标物体进行拍摄后所构建的点云。
由于获取的点云数据大多含有噪声,噪声和异常点均可能会影响点云的特征提取和匹配,从而对配准产生负面影响。因此,本实施例中,首先对源点云和目标点云进行滤波处理,以过滤掉源点云和目标点云中存在的噪声、异常点等。
源点云和目标点云中所存在的点的数量一般是较多的,若基于大量的点进行配准则配准工作量较大,配准过程较为复杂,因此,本实施例中,可以获得滤波处理后的源点云中的第一特征点以及目标点云中的第二特征点。
其中,源点云中的第一特征点基于源点云中包含的点所确定,第一特征点的数量小于源点云中包含的点的数量,利用多个第一特征点来表征源点云的特征,可以以较少数量的点,尽可能表征源点云的特征,降低后续配准的复杂度。
同样地,目标点云中的第二特征点基于目标点云中包含的点所确定。利用数量相对较少的第二特征点来表征目标点云的特征。
在此基础上,可计算各个第一特征点和第二特征点的特征向量。各个第一特征点的特征向量可表征其他的第一特征点与该第一特征点之间的相对关系,而各个第二特征点的特征向量可表征其他的第二特征点与该第二特征点之间的相对关系。采用特征向量来表征第一特征点、第二特征点,可以使得各个第一特征点和第二特征点不再是单独的点,而是作为集群中的点,携带集群中点之间的相对关系。
基于第一特征点和第二特征点的特征向量实现源点云和目标点云的粗配准,如图2中所示,粗配准之后两个点云可以达到较高的相似度。粗配准后的结果作为精配准的初始状态,因此,粗配准的效果将影响到精配准的精度。
在对源点云进行粗配准的变换之后,可以基于粗配准后的源点云和目标点云采用最小二乘法拟合得到精配准变换矩阵。精配准变换矩阵包括旋转矩阵和平移矩阵。基于精配准变换矩阵即可对源点云执行精配准变换,从而以使得精配准之后源点云和目标点云达到基本一致,如图2中所示。
本实施例所提供的点云配准方案中,通过对源点云和目标点云进行滤波处理,从而可消除离散点对配准过程造成的干扰,且基于源点云和目标点云中的第一特征点和第二特征点的特征向量进行粗配准,可以大大降低配准的复杂度,进一步地采用最小二乘法实现精配准,提高最终配准的精度。
请参阅图3,本实施例中,在上述对源点云进行滤波处理时,可以通过以下方式实现:
S111,构建包围所述源点云的第一立方体,所述第一立方体包括多个第一网格,所述源点云中的各个点位于所述多个第一网格中的其中一个第一网格。
S112,统计各所述第一网格内的点的数量。
S113,将第一网格内的点的数量小于设定数量的第一网格判定为离散网格。
S114,将所述离散网格内的点进行滤除处理。
本实施例中,源点云一般是基于拍摄设备所采集的点云数据,存在较多的干扰噪声,噪声的存在对计算点的相似性具有较大影响,因此,可首先对源点云进行滤波处理。本实施例中,可以采用离散滤波方式进行处理,离散滤波主要包括体素滤波和离散点滤波。
首先可对源点云进行体素滤波,例如,可以删除源点云包含的点中的无效点、重复点等,以过滤掉源点云中的冗余信息,降低数据密度,从而提高计算效率和算法运行速度,同时在一定程度上减少噪声。
在此基础上,对源点云进行离散点滤波处理,具体地,可以构建包围源点云的立方体,该立方体为一刚好能容纳源点云的所有点的最小立方体,为了便于和后续所构建的其他立方体进行区分,此处将构建的立方体命名为第一立方体。
在三维空间中将第一立方体划分为多个第一网格,可以通过构建纵向上的多个平面和横向上的多个平面,从而将第一立体方分割为多个第一网格。如此,源点云中的各个点将位于其中一个第一网格中,而各个第一网格中可能不具有点、可能具有一个点,也可能具有多个点。
基于目标物体所构建的源点云,通常点云中的点较为集中,而噪声等离散点一般偏离物体表面,即处于离散状态。基于此,本实施例中,可以统计各个第一网格内的点的数量,若第一网格内的点的数量小于设定数量,表明该第一网格内的点很可能处于离散状态,也即为噪声点,相应地该第一网格为离散网格。在对各个第一网格内的点的数量统计结束之后,可以将判定为离散网格内的点进行滤除处理。如此,可以过滤掉拍摄设备实际拍摄时产生的干扰点。
本实施例中,在一种可能的实现方式中,可以建立八叉树并建立离散索引列,在通过上述方式判定出离散网格后,即将该离散网格加入离散索引列中。最后,将源点云中的处于离散索引列中的离散网格中的点进行滤除。
本实施例中,通过以上方式可以消除源点云中的冗余信息,并滤除其中的噪声点,从而避免对配准过程造成干扰。
需要说明的是,对于目标点云的滤波处理与上述源点云的滤波处理相似,可参见上述过程,本实施例在此不作赘述。
在此基础上,获得滤波处理后源点云中的第一特征点,请参阅图4,该步骤可以通过以下方式实现:
S121,构建包围滤波处理后的源点云的第二立方体,所述第二立方体包括多个第二网格。
S122,针对各所述第二网格,基于所述第二网格内的所有点计算得到所述第二网格对应的表征点,将所述表征点作为该第二网格内的所有点对应的第一特征点。
本实施例中,在上述对源点云进行滤波处理之后,可重新构建包围滤波处理后的源点云的立方体,该立方体命名为第二立方体。第二立方体的构建方式与上述第一立方体的构建方式相似。
第二立方体包括的各个第二网格中,可能存在一个或多个点。对于各个第二网格,可以基于第二网格的相关信息计算得到第二网格的表征点。
本实施例中,作为一种可能的实现方式,第二网格的表征点的计算方式可以是通过第二网格内的点,计算其质心,将质心作为第二网格的表征点。
作为另一种可能的实现方式,第二网格的表征点可以是计算第二网格的中心点,将中心点作为第二网格的表征点。
在又一种实现方式中,第二网格的表征点可以是第二网格内距离计算出的质心或者是中心点最近的点。
本实施例中,将确定出的各个表征点作为源点云的第一特征点。如此,可以利用数量相对较少的第一特征点来表征源点云的特征,降低后续配准复杂度。
基于各个第二网格确定出第一特征点,在判定点云中点的邻域关系时实际即是以各个第二网格构成的体素单元的邻域关系来判定。如此,邻域关系计算更加简单,简化了复杂的邻域搜索过程。并且各个体素单元之间的操作是独立的,因此支持并行计算方式,相对于其他的关键点提取算法而言,本实施例所提供的方式可以提高计算速度。
在此基础上,可以计算源点云中各个第一特征点的特征向量。请参阅图5,本实施例中,该步骤可以通过以下方式实现:
S131,针对各所述第一特征点,以所述第一特征点为中心构建球体,所述球体按照半径方向、方位角方向和俯仰角方向被划分为多个立体块。
S132,根据各所述立体块的体积以及立体块内的第一特征点的分布,计算各所述立体块相对于所述第一特征点的权重。
S133,基于所有立体块相对于所述第一特征点的权重,得到所述第一特征点的特征向量。
针对源点云中的各个第一特征点,构建如图6中所示的以第一特征点为中心的球体。该球体的半径表示为,球体的表面法向/>为北极方向。
其中,半径是一个多元素向量,可表示为/>,也即,按照各个半径大小来构建球体,相当于可以构建出J+1个球体,可以理解为在以最大半径构建球体之后,可以按照剩余的各个半径大小在半径方向对球体划分为J+1个间隔。此外,还可以按照方位角在方位角方向上划分出L+1个间隔/>,按照俯仰角在俯仰角方向上划分出K+1个间隔/>。结合三个方向上的划分,则可以分割出/>个立体块。
本实施例中,考虑到由于立体块在半径上是对数分割的,如果球体中心附近的区域太小,将很容易受到噪声干扰。因此,可以设置R 0作为最小半径r min,以防止点分布在小半径区域而失去统计意义。假设R J作为最大半径r max,则半径方向上各个半径R j的计算方式如下:
将某个第一特征点作为球心构建球体之后,该第一特征点周围的其他第一特征点也将位于球体内,具体地,可以位于球体内的各个立体块中。为了对第一特征点的分布进行细节描述,可以对第一特征点的相对关系,也可以理解为第一特征点的上下文信息进行分析。
具体地,本实施例中,可以根据各个立体块的体积以及立体块内的第一特征点的分布,计算各个立体块相对于第一特征点的权重。请参阅图7,该步骤可以包括以下子步骤:
S1321,针对各所述立体块,计算所述立体块的体积以及所述立体块对应的半径方向的局部区域内具有的第一特征点的密度。
S1322,根据各所述立体块的体积和密度计算所述立体块相对于所述第一特征点的权重。
本实施例中,针对某个作为球心的第一特征点,可以通过以下方式计算出各个立体块相对于该第一特征点的权重:
其中,表示第j个半径方向、第k个方位角方向和第l个俯仰角方向的立体块的体积,/>为对应局部区域内点的密度,即以第一特征点为球心,上述立体块对应的半径方向的局部区域内第一特征点的点数。本实施例中,采用除以体积进行标准化可以补偿掉局部区域的尺寸的变化(由半径和俯仰角带来的)。
基于计算得到的第一特征点对应的权重,可以组成特征向量,特征向量表征围绕该第一特征点的形状上下文信息,表示如下:
其中,,/>。
需要说明的是,目标点云中的第二特征点以及特征向量的计算方式与源点云中第一特征点及特征向量的计算方式相似,本实施例在此不作赘述。
在上述基础上,基于各个第一特征点和第二特征点的特征向量进行源点云和目标点云的粗配准。请参阅图8,本实施例中,该步骤通过以下方式实现:
S141,在每轮迭代中,每次从所述源点云中选取设定数量的待配准第一特征点,基于所述待配准第一特征点的特征向量以及所述目标点云中各所述第二特征点的特征向量,确定出与所述待配准第一特征点匹配的第二特征点。
S142,基于匹配的待配准第一特征点和第二特征点计算得到粗配准变换矩阵,利用所述粗配准变换矩阵对所述源点云进行粗配准变换。
S143,基于粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值,在得到的损失值达到最优或迭代到最大迭代次数时,得到最优的粗配准变换矩阵。
S144,基于所述最优的粗配准变换矩阵对所述源点云和目标点云进行粗配准。
本实施例中,源点云中第一特征点的特征向量、目标点云中第二特征点的特征向量将分别作为源点云和目标点云的描述符。进行两个点云之间的粗匹配需要确定最优的粗配准变换矩阵,最优的粗配准变换矩阵可以通过多轮迭代过程以最终确定。
在每轮迭代中,每次从源点云中选取设定数量的第一特征点作为待配准第一特征点,其中,设定数量为大于或等于3,例如,可以每次选取3个待配准第一特征点。需要从目标点云中确定出与该3个待配准第一特征点所对应的3个第二特征点。本实施例中,采用特征点的特征向量来进行匹配。
在确定待配准第一特征点后,可以利用待配准第一特征点的特征向量与各个第二特征点的特征向量相乘,将乘积最小的第二特征点作为待配准第一特征点匹配的第二特征点。
从而基于匹配的待配准第一特征点和第二特征点计算得到粗配准变换矩阵。为了进一步保障匹配过程的准确度,请参阅图9,本实施例中,还可以通过以下方式对匹配进行验证后再进行变换矩阵的计算:
S1421,构建匹配的设定数量的待配准第一特征点构成的第一几何形状,以及设定数量的第二特征点构成的第二几何形状。
S1422,基于所述第一几何形状和第二几何形状中的对应边的边长,计算得到几何相似度。
S1423,在所述几何相似度小于设定的相似度阈值时,基于所述第一几何形状和第二几何形状中对应的特征点计算得到粗配准变换矩阵。
如图10中所示,假设选取3个第一特征点作为待配准第一特征点,分别为p 1、p 2和p 3,若经过匹配后确定的匹配的3个第二特征点分别为q 1、q 2和q 3。基于3个待配准第一特征点可以构建得到图10中左侧的三角形(第一几何形状),且基于3个第二特征点可构建得到图10中右侧的三角形(第二几何形状)。
基于构建的第一几何形状和第二几何形状可以计算出两者之间的集合相似度。具体地,通过以下公式可计算得到一个矢量:
几何相似度即为矢量的长度值/>。可以预设设置一个相似度阈值/>,若计算得到的几何相似度小于相似度阈值,则可以基于当前选取且匹配的特征点进行粗配准变换矩阵的计算。而若计算得到的几何相似度大于或等于相似度阈值,可返回上述重新选取待配准第一特征点,并重新匹配第二特征点,再进行几何相似度的计算,直至得到的几何相似度小于相似度阈值为止。
基于满足上述条件的第一几何形状和第二几何形状中对应的特征点计算得到粗配准变换矩阵。基于计算出的粗配准变换矩阵对源点云进行粗配准,得到粗配准后的源点云。
为了对粗配准的结果进行评价,本实施例中,设置一个损失公式,该损失公式为两个点云之间的距离平方和,可以理解,在两个点云之间的距离平方和越小时,两个点云之间的一致性越高。故此,需要寻找一个粗配准变换矩阵,使得基于粗配准变换矩阵对源点云进行粗配准之后,粗配准之后的源点云与目标点云之间的距离平方和达到最小,表征如下:
其中,表示粗配准变换矩阵,/>表示距离平方和。
因此,可以基于粗配准变换后的源点云和目标点云计算构建的损失公式的损失值。为了进一步对粗配准过程进行优化,因此,请参阅图11,该步骤可以通过以下方式实现:
S1431,计算粗配准变换后的源点云与所述目标点云中所有具有最近邻关系的第一特征点和第二特征点的点对之间的欧式距离。
S1432,统计欧式距离满足预设距离条件的点对的数量,若所述数量小于设定数量,则重新选取设定数量的待配准第一特征点以重新对所述源点云进行粗配准变换,直至满足预设距离条件的点对的数量大于或等于所述设定数量为止。
S1433,基于满足预设距离条件下的粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值。
本实施例中,两个点云中匹配的点对之间的关系为所述的最近邻关系。计算每一匹配的点对中两个点之间的欧式距离,其中,欧式距离小于设置的距离阈值的点对为满足预设距离条件的点对。本实施例中,可以将欧式距离小于距离阈值的点对中的点作为内点。
若粗配准后的源点云中内点的数量较少,例如数量小于设定数量,则表明当前得到的粗配准后的源点云与目标点云之间的匹配度较低,因此,可以返回以重新选取待配准第一特征点,并重新确定匹配的第二特征点,重新计算得到粗配准变换矩阵,再对源点云进行粗配准变换,满足预设距离条件的点对的数量大于或等于设定数量为止。
在此基础上,再基于粗配准变换后的源点云和目标点云进行损失公式的损失值的计算。
在通过上述方式进行多轮迭代后,在得到的损失值达到最优,例如达到最小且不再变化时,或者是迭代到设置的最大迭代次数时,可以停止迭代。此时得到的粗配准变换矩阵作为最优的粗配准变换矩阵,最后,基于最优的粗配准变换矩阵对源点云进行粗配准。
在此基础上,基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,再进行精配准。请参阅图12,本实施例中,该步骤通过以下方式实现:
S151,在每轮迭代中,针对粗配准之后的源点云中的各个第一特征点,确定所述目标点云中与各所述第一特征点具有最近邻关系的第二特征点。
S152,根据多组具有最近邻关系的第一特征点和第二特征点,采用最小二乘法拟合得到初始的精配准变换矩阵。
S153,利用所述初始的精配准变换矩阵对所述源点云进行精配准变换。
S154,基于精配准变换后的源点云和所述目标点云计算多组第一特征点和第二特征点之间的平均距离。
S155,待相邻两轮迭代的平均距离的差值小于设定阈值时停止迭代,并将停止迭代时的精配准变换矩阵作为最优的精配准变换矩阵。
本实施例中,在确定出粗配准之后的源点云和目标点云中所有具有最近邻关系的点对之后,采用最小二乘法拟合得到初始精配准变换矩阵。其中,精配准变换矩阵包括旋转矩阵R和平移矩阵T,可以通过以下方式拟合,并最终使得误差函数达到最小:/>
其中,p i表示粗配准后的源点云中的第i个第一特征点,q i表示目标点云中第i个第二特征点,N表示第一特征点的总量。
采用拟合得到的精配准变换矩阵对源点云进行精配准变换,得到的精配准变换后的源点云中的点p i’(变换前为p i)表示为。
按照以下公式计算得到精配准变换后源点云和目标点云中匹配的第一特征点和第二特征点之间的平均距离:
本实施例中,可以按照以上方式执行多轮迭代,待相邻两轮迭代得到的平均距离的差值小于设定阈值时停止迭代,即/>,k表示迭代轮次。
将停止迭代时得到的精配准变换矩阵作为最优的精配准变换矩阵,基于最优的精配准变换矩阵对源点云进行精配准,以实现源点云和目标点云的配准。
本实施例所提供的点云配准方法,首先对源点云和目标点云进行离散点滤波处理,显著减少了离散点,提高了点云数据的质量和可靠性,克服了现有点云配准方法对于点云噪声的敏感性,降低了噪声对后续处理流程的干扰,提高了配准算法的抗噪声性和准确性。
此外,采用体素特征提取方法获得点云的特征关键点,如此,不仅有助于保留点云形状的本征信息,帮助提高配准的精确度,还能够大幅度提高整体配准速度。
进一步地,本实施例中,采用体素特征关键点和三维形状上下文相结合的方式,得到更全面的特征描述符,使得算法更富有表达能力,能够更准确地描述点云的几何结构。
在此基础上,通过上述的基于特征向量的粗配准方式,可以获得较为准确的粗配准变换矩阵,从而可加速后续精配准以及提高精配准的最终精度。
本实施例所提供的点云配准方法,综合考虑了抗噪声性、速度和精度,取得了显著的技术效果,为相关领域的进一步研究和应用提高了有力的支持。
基于同一发明构思,请参阅图13,示出了本申请实施例提供的点云配准装置110的功能模块示意图,本实施例可以根据上述方法实施例对该基于点云配准装置110进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
比如,在采用对应各个功能划分各个功能模块的情况下,图13示出的点云配准装置110只是一种装置示意图。其中,点云配准装置110可以包括滤波处理模块111、特征点获得模块112、计算模块113、第一配准模块114和第二配准模块115,下面分别对该点云配准装置110的各个功能模块的功能进行详细阐述。
滤波处理模块111,用于获取源点云和目标点云,对所述源点云和目标点云进行滤波处理;
可以理解,该滤波处理模块111可以用于执行上述步骤S11,关于该滤波处理模块111的详细实现方式可以参照上述步骤S11有关的内容。
特征点获得模块112,用于获得滤波处理后所述源点云中的第一特征点以及所述目标点云中的第二特征点;
可以理解,该特征点获得模块112可以用于执行上述步骤S12,关于该特征点获得模块112的详细实现方式可以参照上述步骤S12有关的内容。
计算模块113,用于计算各所述第一特征点和第二特征点的特征向量;
可以理解,该计算模块113可以用于执行上述步骤S13,关于该计算模块113的详细实现方式可以参照上述步骤S13有关的内容。
第一配准模块114,用于基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准;
可以理解,该第一配准模块114可以用于执行上述步骤S14,关于该第一配准模块114的详细实现方式可以参照上述步骤S14有关的内容。
第二配准模块115,用于基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据所述精配准变换矩阵实现所述源点云和目标点云的精配准。
可以理解,该第二配准模块115可以用于执行上述步骤S15,关于该第二配准模块115的详细实现方式可以参照上述步骤S15有关的内容。
在一种可能的实现方式中,上述滤波处理模块111可以用于:
构建包围所述源点云的第一立方体,所述第一立方体包括多个第一网格,所述源点云中的各个点位于所述多个第一网格中的其中一个第一网格;
统计各所述第一网格内的点的数量;
将第一网格内的点的数量小于设定数量的第一网格判定为离散网格;
将所述离散网格内的点进行滤除处理。
在一种可能的实现方式中,上述特征点获得模块112可以用于:
构建包围滤波处理后的源点云的第二立方体,所述第二立方体包括多个第二网格;
针对各所述第二网格,基于所述第二网格内的所有点计算得到所述第二网格对应的表征点,将所述表征点作为该第二网格内的所有点对应的第一特征点。
在一种可能的实现方式中,上述计算模块113可以用于:
针对各所述第一特征点,以所述第一特征点为中心构建球体,所述球体按照半径方向、方位角方向和俯仰角方向被划分为多个立体块;
根据各所述立体块的体积以及立体块内的第一特征点的分布,计算各所述立体块相对于所述第一特征点的权重;
基于所有立体块相对于所述第一特征点的权重,得到所述第一特征点的特征向量。
在一种可能的实现方式中,上述计算模块113具体可以用于:
针对各所述立体块,计算所述立体块的体积以及所述立体块对应的半径方向的局部区域内具有的第一特征点的密度;
根据各所述立体块的体积和密度计算所述立体块相对于所述第一特征点的权重。
在一种可能的实现方式中,上述第一配准模块114可以用于:
在每轮迭代中,每次从所述源点云中选取设定数量的待配准第一特征点,基于所述待配准第一特征点的特征向量以及所述目标点云中各所述第二特征点的特征向量,确定出与所述待配准第一特征点匹配的第二特征点;
基于匹配的待配准第一特征点和第二特征点计算得到粗配准变换矩阵,利用所述粗配准变换矩阵对所述源点云进行粗配准变换;
基于粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值,在得到的损失值达到最优或迭代到最大迭代次数时,得到最优的粗配准变换矩阵;
基于所述最优的粗配准变换矩阵对所述源点云和目标点云进行粗配准。
在一种可能的实现方式中,上述第一配准模块114具体可以用于:
构建匹配的设定数量的待配准第一特征点构成的第一几何形状,以及设定数量的第二特征点构成的第二几何形状;
基于所述第一几何形状和第二几何形状中的对应边的边长,计算得到几何相似度;
在所述几何相似度小于设定的相似度阈值时,基于所述第一几何形状和第二几何形状中对应的特定点计算得到粗配准变换矩阵。
在一种可能的实现方式中,上述第一配准模块114具体可以用于:
计算粗配准变换后的源点云与所述目标点云中所有具有最近邻关系的第一特征点和第二特征点的点对之间的欧式距离;
统计欧式距离满足预设距离条件的点对的数量,若所述数量小于设定数量,则重新选取设定数量的待配准第一特征点以重新对所述源点云进行粗配准变换,直至满足预设距离条件的点对的数量大于或等于所述设定数量为止;
基于满足预设距离条件下的粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值。
在一种可能的实现方式中,上述第二配准模块115可以用于:
在每轮迭代中,针对粗配准之后的源点云中的各个第一特征点,确定所述目标点云中与各所述第一特征点具有最近邻关系的第二特征点;
根据多组具有最近邻关系的第一特征点和第二特征点,采用最小二乘法拟合得到初始的精配准变换矩阵;
利用所述初始的精配准变换矩阵对所述源点云进行精配准变换;
基于精配准变换后的源点云和所述目标点云计算多组第一特征点和第二特征点之间的平均距离;
请参阅图14,为本申请实施例提供的电子设备的结构框图,该电子设备可以是计算机设备等,电子设备包括存储器130、处理器120及通信模块140。存储器130、处理器120以及通信模块140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器130用于存储程序或者数据。存储器130可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器130中存储的数据或程序,并执行本申请任意实施例提供的点云配准方法。
通信模块140用于通过网络建立电子设备与其他通信终端之间的通信连接,并用于通过网络收发数据。
应当理解的是,图14所示的结构仅为电子设备的结构示意图,电子设备还可包括比图14中所示更多或者更少的组件,或者具有与图14所示不同的配置。
进一步地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有机器可执行指令,机器可执行指令被执行时实现上述实施例提供的点云配准方法。
具体地,该计算机可读存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该计算机可读存储介质上的计算机程序被运行时,能够执行上述点云配准方法。关于计算机可读存储介质中的及其可执行指令被运行时所涉及的过程,可以参照上述方法实施例中的相关说明,这里不再详述。
综上所述,本申请实施例提供的点云配准方法和装置,对获取的源点云和目标点云进行滤波处理,获得滤波处理后的源点云中的第一特征点及目标点云中的第二特征点。计算各第一特征点和第二特征点的特征向量,进而对源点云和目标点云进行粗配准。基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据精配准变换矩阵实现源点云和目标点云的精配准。通过对源点云和目标点云进行滤波处理,从而可消除离散点对配准过程造成的干扰,且基于源点云和目标点云中的第一特征点和第二特征点的特征向量进行粗配准,可以大大降低配准的复杂度,进一步地采用最小二乘法实现精配准,提高最终配准的精度。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种点云配准方法,其特征在于,所述方法包括:
获取源点云和目标点云,对所述源点云和目标点云进行滤波处理;
获得滤波处理后所述源点云中的第一特征点以及所述目标点云中的第二特征点;
计算各所述第一特征点和第二特征点的特征向量;
基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准;
基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据所述精配准变换矩阵实现所述源点云和目标点云的精配准;
其中,计算各所述第一特征点的特征向量的步骤,包括:
针对各所述第一特征点,以所述第一特征点为中心构建球体,所述球体按照半径方向、方位角方向和俯仰角方向被划分为多个立体块;根据各所述立体块的体积以及立体块内的第一特征点的分布,计算各所述立体块相对于所述第一特征点的权重;基于所有立体块相对于所述第一特征点的权重,得到所述第一特征点的特征向量。
2.根据权利要求1所述的点云配准方法,其特征在于,对所述源点云进行滤波处理的步骤,包括:
构建包围所述源点云的第一立方体,所述第一立方体包括多个第一网格,所述源点云中的各个点位于所述多个第一网格中的其中一个第一网格;
统计各所述第一网格内的点的数量;
将第一网格内的点的数量小于设定数量的第一网格判定为离散网格;
将所述离散网格内的点进行滤除处理。
3.根据权利要求1所述的点云配准方法,其特征在于,所述获得滤波处理后所述源点云中的第一特征点的步骤,包括:
构建包围滤波处理后的源点云的第二立方体,所述第二立方体包括多个第二网格;
针对各所述第二网格,基于所述第二网格内的所有点计算得到所述第二网格对应的表征点,将所述表征点作为该第二网格内的所有点对应的第一特征点。
4.根据权利要求1所述的点云配准方法,其特征在于,所述根据各所述立体块的体积以及立体块内的第一特征点的分布,计算各所述立体块相对于所述第一特征点的权重的步骤,包括:
针对各所述立体块,计算所述立体块的体积以及所述立体块对应的半径方向的局部区域内具有的第一特征点的密度;
根据各所述立体块的体积和密度计算所述立体块相对于所述第一特征点的权重。
5.根据权利要求1所述的点云配准方法,其特征在于,所述基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准的步骤,包括:
在每轮迭代中,每次从所述源点云中选取设定数量的待配准第一特征点,基于所述待配准第一特征点的特征向量以及所述目标点云中各所述第二特征点的特征向量,确定出与所述待配准第一特征点匹配的第二特征点;
基于匹配的待配准第一特征点和第二特征点计算得到粗配准变换矩阵,利用所述粗配准变换矩阵对所述源点云进行粗配准变换;
基于粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值,在得到的损失值达到最优或迭代到最大迭代次数时,得到最优的粗配准变换矩阵;
基于所述最优的粗配准变换矩阵对所述源点云和目标点云进行粗配准。
6.根据权利要求5所述的点云配准方法,其特征在于,所述基于匹配的待配准第一特征点和第二特征点计算得到粗配准变换矩阵的步骤,包括:
构建匹配的设定数量的待配准第一特征点构成的第一几何形状,以及设定数量的第二特征点构成的第二几何形状;
基于所述第一几何形状和第二几何形状中的对应边的边长,计算得到几何相似度;
在所述几何相似度小于设定的相似度阈值时,基于所述第一几何形状和第二几何形状中对应的特定点计算得到粗配准变换矩阵。
7.根据权利要求5所述的点云配准方法,其特征在于,所述基于粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值的步骤,包括:
计算粗配准变换后的源点云与所述目标点云中所有具有最近邻关系的第一特征点和第二特征点的点对之间的欧式距离;
统计欧式距离满足预设距离条件的点对的数量,若所述数量小于设定数量,则重新选取设定数量的待配准第一特征点以重新对所述源点云进行粗配准变换,直至满足预设距离条件的点对的数量大于或等于所述设定数量为止;
基于满足预设距离条件下的粗配准变换后的源点云和所述目标点云计算构建的损失公式的损失值。
8.根据权利要求1所述的点云配准方法,其特征在于,所述基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵的步骤,包括:
在每轮迭代中,针对粗配准之后的源点云中的各个第一特征点,确定所述目标点云中与各所述第一特征点具有最近邻关系的第二特征点;
根据多组具有最近邻关系的第一特征点和第二特征点,采用最小二乘法拟合得到初始的精配准变换矩阵;
利用所述初始的精配准变换矩阵对所述源点云进行精配准变换;
基于精配准变换后的源点云和所述目标点云计算多组第一特征点和第二特征点之间的平均距离;
待相邻两轮迭代的平均距离的差值小于设定阈值时停止迭代,并将停止迭代时的精配准变换矩阵作为最优的精配准变换矩阵。
9.一种点云配准装置,其特征在于,所述装置包括:
滤波处理模块,用于获取源点云和目标点云,对所述源点云和目标点云进行滤波处理;
特征点获得模块,用于获得滤波处理后所述源点云中的第一特征点以及所述目标点云中的第二特征点;
计算模块,用于计算各所述第一特征点和第二特征点的特征向量;
第一配准模块,用于基于各所述第一特征点和第二特征点的特征向量对所述源点云和目标点云进行粗配准;
第二配准模块,用于基于粗配准之后的源点云和目标点云,采用最小二乘法拟合得到精配准变换矩阵,根据所述精配准变换矩阵实现所述源点云和目标点云的精配准;
其中,所述计算模块具体用于:
针对各所述第一特征点,以所述第一特征点为中心构建球体,所述球体按照半径方向、方位角方向和俯仰角方向被划分为多个立体块;根据各所述立体块的体积以及立体块内的第一特征点的分布,计算各所述立体块相对于所述第一特征点的权重;基于所有立体块相对于所述第一特征点的权重,得到所述第一特征点的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606122.0A CN117314987B (zh) | 2023-11-29 | 2023-11-29 | 点云配准方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606122.0A CN117314987B (zh) | 2023-11-29 | 2023-11-29 | 点云配准方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314987A CN117314987A (zh) | 2023-12-29 |
CN117314987B true CN117314987B (zh) | 2024-01-26 |
Family
ID=89250270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606122.0A Active CN117314987B (zh) | 2023-11-29 | 2023-11-29 | 点云配准方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314987B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830297B (zh) * | 2024-03-01 | 2024-05-28 | 法奥意威(苏州)机器人系统有限公司 | 焊缝识别方法、焊接方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340862A (zh) * | 2020-02-18 | 2020-06-26 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220112072A (ko) * | 2021-02-03 | 2022-08-10 | 한국전자통신연구원 | 점군 데이터 정합 오차 최소점 탐색 장치 및 방법 |
-
2023
- 2023-11-29 CN CN202311606122.0A patent/CN117314987B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340862A (zh) * | 2020-02-18 | 2020-06-26 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117314987A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117314987B (zh) | 点云配准方法和装置 | |
CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
CN117173227B (zh) | 基于平面拟合的点云配准方法、装置和电子设备 | |
CN110111375B (zh) | 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置 | |
CN117876446B (zh) | 基于圆柱体检测的点云配准方法和装置 | |
CN112356019B (zh) | 一种用于灵巧手抓取的目标物体形体分析方法及装置 | |
CN114972459A (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN117291936B (zh) | 点云分割方法、装置、设备和介质 | |
CN116091727A (zh) | 一种基于多尺度特征描述的复杂曲面点云配准方法、电子设备及存储介质 | |
CN116452583A (zh) | 点云缺陷检测方法、装置、系统及存储介质 | |
CN113052954A (zh) | 基于线段匹配的三维重建方法、装置、终端及存储介质 | |
CN117726668A (zh) | 点云圆柱体检测方法和装置 | |
CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
CN115423854A (zh) | 一种基于多尺度特征提取的多视角点云配准及点云融合方法 | |
CN112446952B (zh) | 三维点云法向量的生成方法、装置、电子设备及存储介质 | |
CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
WO2013044484A1 (en) | Method and apparatus for robust similarity comparison of 3d models | |
CN117218143B (zh) | 点云分割方法和装置 | |
CN112184776A (zh) | 一种目标跟踪方法、装置及存储介质 | |
CN117788538B (zh) | 点云区间配对体积方差一致性的配准方法、装置和系统 | |
CN116226426B (zh) | 基于形状的三维模型检索方法、计算机设备和存储介质 | |
CN115994942B (zh) | 三维模型的对称提取方法、装置、设备及存储介质 | |
CN114494429B (zh) | 大规模无控制立体平差网几何定位粗差探测与处理方法 | |
CN117788539B (zh) | 一种点云数据配准方法、系统及电子设备 | |
CN114842084B (zh) | 一种地图构建方法、装置及移动探测设备 |
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 |