CN117315049A - 三维全貌测量的比例尺标定方法、系统及装置 - Google Patents

三维全貌测量的比例尺标定方法、系统及装置 Download PDF

Info

Publication number
CN117315049A
CN117315049A CN202311595135.2A CN202311595135A CN117315049A CN 117315049 A CN117315049 A CN 117315049A CN 202311595135 A CN202311595135 A CN 202311595135A CN 117315049 A CN117315049 A CN 117315049A
Authority
CN
China
Prior art keywords
point cloud
point
marker
target object
information
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
CN202311595135.2A
Other languages
English (en)
Other versions
CN117315049B (zh
Inventor
陈渝阳
王闯
谢朝明
张煜
王亚利
吴弘洋
毛立凤
陈加肯
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.)
Zhejiang Top Cloud Agri Technology Co ltd
Original Assignee
Zhejiang Top Cloud Agri 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 Zhejiang Top Cloud Agri Technology Co ltd filed Critical Zhejiang Top Cloud Agri Technology Co ltd
Priority to CN202311595135.2A priority Critical patent/CN117315049B/zh
Publication of CN117315049A publication Critical patent/CN117315049A/zh
Application granted granted Critical
Publication of CN117315049B publication Critical patent/CN117315049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/012—Dimensioning, tolerancing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开一种三维全貌测量的比例尺标定方法、系统及装置，方法包括：采集含有标记物的被测目标物体全视角图像，通过三维全貌重建得到原始点云，进行预处理消除因成像设备、外界环境所产生的噪声，得到初始点云；获取目标物体颜色分布的先验特征，并结合初始点云包含的位置及颜色分布特征进行聚类，进而滤除噪声得到去噪点云；根据标记物颜色、形态特征，经去噪点云检测分割得到标记物点云，基于标记物点云位置特征信息，计算得到标定比例尺；结合标定比例尺对去噪点云表型测量信息进行转换得到实际测量信息。

Description

三维全貌测量的比例尺标定方法、系统及装置
技术领域
本发明涉及三维应用领域，尤其涉及一种三维全貌测量的比例尺标定方法、系统及装置。
背景技术
三维模型是对真实物体的模拟，有助于理解物体，并且提供更全面的信息，三维解析多用于SLAM领域，通过特殊传感器进行距离感知与目标膨胀检测。在工业和工程应用中，有比较丰富的关于三维建模的应用和案例，在三维测量应用中，目前主要通过激光雷达、多目相机、深度相机等传感器进行三维测量与重建，包括通过多个相机进行重建与解析，提取单株玉米株型；采用双目相机进行目标检测与测距，检测倒车障碍；在工业生产中采用双目测距实现回转类零件测量等方法。
现有技术存在扩展性不强等问题，不能在多个不同场景中表现普适性。
发明内容
本发明针对现有技术中的问题，提供了一种三维全貌测量的比例尺标定方法、系统及装置。
为了解决上述问题，本发明通过下述技术方案得以解决：
一种三维全貌测量的比例尺标定方法，包括以下步骤：
获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
作为一种可实施方式，所述获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异，包括以下步骤：
通过所述标记物对被测目标物体进行标定；
获取标定后被测目标物体的全视角图像，基于多视图三维重建算法，得到原始点云，且包含颜色信息及位置信息；
基于原始点云所包含位置信息，预处理删除不符合被测目标物体分布特征的点云，得到初始点云。
作为一种可实施方式，所述基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云，包括以下步骤：
获取被测目标物体的先验信息，基于先验信息对初始点云进行聚类得到聚类点云，计算聚类点云中聚类点云块密度并进行排序；
基于排序后聚类点云块，删除其中符合噪声分布的聚类点云块，得到第一点云；
分析第一点云位置信息，消除孤立点，得到去噪点云。
作为一种可实施方式，所述根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云，包括以下步骤：
通过去噪点云的颜色信息，计算去噪点云颜色分布区间，具体表达式如下所示：
其中，表示去噪点云中某一点/>通道的分离值，/>表示去噪点云中某一点/>通道的分离值，/>表示去噪点云中某一点/>通道的分离值，/>表示超蓝色指标；
对去噪点云进行标记物分割得到分割点云，具体表达式如下所示：
。
作为一种可实施方式，所述基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云，包括以下步骤：
基于分割点云位置信息，结合点云离散程度、点云均匀性特征，将不同分布的点云进行划分，得到区域点云；
基于标记物先验信息，对区域点云中区域点云块进行形状检测及判别，得到标记物点云。
作为一种可实施方式，所述基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，包括以下步骤：
计算分割点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余分割点云重复以上步骤，直至遍历所有点，即完成分割点云区域生长分析，得到区域点云。
作为一种可实施方式，所述对所述区域点云进行标记物检测，得到标记物点云，包括以下步骤：
对区域点云中各区域点云块进行拟合，得到区域点云块的最小外接立方体，计算最小外接立方体的长度、最小外接立方体的宽度及最小外接立方体的高度并进行排序；
计算各区域点云块的长短边比值及分布密度，进而判断所述区域点云块是否符合标记物先验信息，得到标记物点云。
作为一种可实施方式，所述基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺，包括以下步骤：
计算标记物间形心相对距离，获得标记物中心点实际距离，得到标定比例尺，具体表达式如下所示：
其中，为标记物间形心相对距离，/>表示标定比例尺，/>表示标记物形心1的横坐标，/>表示标记物形心1的纵坐标，/>表示标记物形心1的竖坐标，/>表示标记物形心2的横坐标，/>表示标记物形心2的纵坐标，/>表示标记物形心2的竖坐标。
作为一种可实施方式，所述基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息，包括以下步骤：
获得被测目标物体的表型信息，包括被测目标物体长度、被测目标物体宽度、被测目标物体高度、被测目标物体表面积及被测目标物体体积；
基于所述标定比例尺，计算得到实际目标长度、实际目标宽度、实际目标高度、实际目标表面积及实际目标体积，具体表达式如下所示：
其中，表示被测目标物体宽度，/>表示被测目标物体高度，/>表示被测目标物体表面积，/>表示被测目标物体体积，/>表示实际目标宽度，/>表示实际目标高度，/>表示实际目标表面积，/>表示实际目标体积。
一种三维全貌测量的比例尺标定系统，包括点云获取模块、点云去噪模块、点云分割模块、点云检测模块、尺度计算模块及尺度转换模块；
所述点云获取模块，获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
所述点云去噪模块，基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
所述点云分割模块，根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
所述点云检测模块，基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
所述尺度计算模块，基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
所述尺度转换模块，基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
作为一种可实施方式，所述点云检测模块，被设置为：
计算分割点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余分割点云重复以上步骤，直至遍历所有点，即完成分割点云区域生长分析，得到区域点云。
作为一种可实施方式，所述点云检测模块，被设置为：
对区域点云中各区域点云块进行拟合，得到区域点云块的最小外接立方体，计算最小外接立方体的长度、最小外接立方体的宽度及最小外接立方体的高度并进行排序；
计算各区域点云块的长短边比值及分布密度，进而判断所述区域点云块是否符合标记物先验信息，得到标记物点云。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下所述的方法：
获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
一种三维全貌测量的比例尺标定装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下所述的方法：
获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
本发明由于采用了以上技术方案，具有显著的技术效果：
通过本发明解决了三维测量中普适性不强的问题，能够根据不同场景和精度要求调整标记物形状和安装方式，可扩展性强。
实现了中小型厘米级精度的三维测量应用，对表型信息的研究具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明方法的流程示意图；
图2是本发明系统的整体示意图；
图3是本发明三维重建系统架构示意图；
图4是初始点云示意图；
图5是去噪点云示意图；
图6是标记物检测结果示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
一种三维全貌测量的比例尺标定方法，如图1所示，包括以下步骤：
S100：获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
S200：基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
S300：根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
S400：基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
S500：基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
S600：基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
通过本发明的方法解决了三维测量中普适性不强的问题，实现了中小型厘米级精度的三维测量应用，对表型信息的研究具有重要意义。
在步骤S100中，获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异，预处理后得到初始点云如图4所示，包括以下步骤：
S110：三维重建系统如图3所示，其中，301为物体，在本实施例中为水稻盆栽，302为转台，303为矩形标记物，304为图像采集装置，305为服务器；当然，在其他实施例中，其他物体也可以，比如小麦等其他农作物，或者静物或者其他物体；
S120：固定图像采集装置304，通过转台302转动带动水稻盆栽301旋转，采集得到水稻全视角图像；
S130：通过三维全貌重建得到原始点云，将无穷点滤除得到初始点云如图4所示，具体表达式如下所示：
其中，为/>中任一点，/>为该点横坐标，/>为该点纵坐标，/>为该点竖坐标，/>、/>、/>为该点在RGB图像空间的各个通道分离值。
在步骤S200中，基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云如图5所示，包括以下步骤：
S210：根据待测目标颜色分布特性，设置聚类数量，对去噪点云进行聚类，具体步骤如下所示：
Step1：输入初始点云、聚类数/>；
Step2：随机选择个中心点，根据/>颜色数据，将每个点分配到最近的中心点；
Step3：重新计算每一类包含的点到该类中心点距离的平均值，分配每个点到最近的中心点；
Step4：重复步骤Step3，直到所有的点不再被重新分配或是达到最大的迭代次数（本实施例中最大迭代次数设置为120）；
Step5：输出聚类点云。
S220：根据聚类点云具有连续性与稠密性，而噪声则比较离散，对聚类点云块进行密度计算与排序，具体步骤如下所示：
输入聚类点云，邻域搜索半径/>，初始化空密度列表/>；
for index=0 to size
从中取第index个点集/>
初始化pointSum=0,distanceSum=0
for i=0 to size
for j=0 to size
pointSum++
其中，为点集/>在半径/>内点集；
根据对/>进行降序排序后，得到排序后密度/>及排序后聚类点云，排序后内部点云性质不变。
S230：分析颜色特征，以及被测目标整体颜色类别不超过3类的先验知识，对初始点云/>中属于/>、/>的点云进行滤除，得到第一点云/>，进而通过统计滤波滤除孤立点得到去噪点云/>。
在步骤S300中，根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云，包括以下步骤：
S310：采用ExB算法对标记物进行颜色分割，具体步骤如下所示：
输入；
for i=0 to size
取在RGB三通道的颜色分离值R、G、B
if<0
=/>-/>
end if
end for
输出经过颜色分割后的。
在步骤S400中，基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云，包括以下步骤：
S410：对经过颜色分割后的进行形状选择得到标记物点云，具体步骤如下所示：
Step1：计算中各个点对应法线/>；
Step2：计算中各个点对应曲率/>；
Step3：定义种子点云临近查找规则，在本实施例中采用k临近搜索算法，其中设置nearSearch=30；
Step4：设置法线夹角阈值和曲率阈值，在本实施例中、/>，其中/>表示法线夹角阈值，/>表示曲率阈值，作为后续种子生长停止判别依据；
Step5：对进行升序排序，选择曲率最低的点作为初始种子点；
Step6：根据法线夹角阈值，搜索当前种子点的邻域点，计算邻域点的法线与当前种子点的法线之间的夹角，小于的邻域点加入到当前区域；
Step7：根据曲率阈值，曲率是否足够小表示表面是否处在同一个弯曲程度，检查每个邻域点的曲率，小于的邻域点加入到种子点序列中，并删除当前种子点，以新的种子点继续生长；
Step8：重复以上生长过程，直到种子点序列被清空，此时一个区域生长完成，并将其加入到聚类数组中；
Step9：对所有点重复进行以上步骤，直至遍历所有点。
S420：S410所述区域生长分析具体计算过程如下所示：
输入、法线/>、曲率/>、查找规则/>、法线阈值/>及曲率阈值/>；
初始化区域列表置为空,可用点云列表/>；
While非空 do
令
令
从中取曲率最小的点/>
更新
更新
将从/>中删除
for i=0 to size
搜索的k近邻/>
for j=0 to size
取当中一点/>
if则
将从/>中剔除
if则
endif
endif
end for
end for
将当前区域添加到全局列表块中:
end while
输出，其中/>，/>为第i区域块点集。
S430：对进行形状检测与判别，得到标记物点云块如图6所示，具体步骤如下所示：
计算中各个点云块最小外接立方体的长、宽、高，并进行降序排列得到对应长度h1、h2、h3；
分别计算各个点云块的长短边比值、分布密度，并作为头信息得到包含头信息的点云块，具体计算公式如下所示：
其中，为长短边比值，/>为分布密度，/>为/>包含的点数量。
输入初始化空列表，对/>进行基于/>的降序排列得到/>；
for i=0 to size
if size==2
break
else
取点云块及对应边长比/>
if
end if
end if
end for
当内点云块数量为2时，分别将点云块中点集计入/>，当/>内点云块数量小于2时，说明建模效果较差，无法检测分割出标记物信息，终止操作。
在步骤S500中，基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺，包括以下步骤：
S510：根据标记物信息计算得到标定比例尺，具体计算过程如下所示：
输入、标记物中心点实际距离/>，单位为mm；
分别对、/>进行同级别的上采样得到/>、/>，并计算得到形心坐标/>、/>；
计算形心间相对距离，进而得到标定比例尺，用来表示点云间一个单位的实际距离，具体表达式如下所示：
其中，表示形心/>的横坐标，/>表示形心/>的纵坐标，形心/>的竖坐标，/>表示形心/>的横坐标，/>表示形心的纵坐标，/>形心/>的竖坐标，/>表示标定比例尺。
在步骤S600中，基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息，包括以下步骤：
基于去噪点云进行表型测量，得到去噪点云的长、宽、高、表面积及体积，结合标定比例尺进行尺度转换得到实际表型信息，具体表达式如下所示：
其中，为去噪点云长，/>为去噪点云宽，/>为去噪点云高，/>为去噪点云表面积，/>为去噪点云体积，/>为实际目标长，/>为实际目标宽，为实际目标高，/>为实际目标表面积，/>为实际目标体积。
实施例2：一种三维全貌测量的比例尺标定系统，如图2所示，包括点云获取模块100、点云去噪模块200、点云分割模块300、点云检测模块400、尺度计算模块500及尺度转换模块600；
所述点云获取模块100，获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
所述点云去噪模块200，基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
所述点云分割模块300，根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
所述点云检测模块400，基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
所述尺度计算模块500，基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
所述尺度转换模块600，基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型,所有等同的技术方案也属于本发明的范畴。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同、相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。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，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (14)

1.一种三维全貌测量的比例尺标定方法，其特征在于，包括以下步骤：
获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
2.根据权利要求1所述的一种三维全貌测量的比例尺标定方法，其特征在于，获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异，包括以下步骤：
通过所述标记物对被测目标物体进行标定；
获取标定后被测目标物体的全视角图像，基于多视图三维重建算法，得到原始点云，且包含颜色信息及位置信息；
基于原始点云所包含位置信息，预处理删除不符合被测目标物体分布特征的点云，得到初始点云。
3.根据权利要求1所述的一种三维全貌测量的比例尺标定方法，其特征在于，基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云，包括以下步骤：
获取被测目标物体的先验信息，基于先验信息对初始点云进行聚类得到聚类点云，计算聚类点云中聚类点云块密度并进行排序；
基于排序后聚类点云块，删除其中符合噪声分布的聚类点云块，得到第一点云；
分析第一点云位置信息，消除孤立点，得到去噪点云。
4.根据权利要求1所述的一种三维全貌测量的比例尺标定方法，其特征在于，根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云，包括以下步骤：
通过去噪点云的颜色信息，计算去噪点云颜色分布区间，具体表达式如下所示：
其中，表示去噪点云中某一点/>通道的分离值，/>表示去噪点云中某一点/>通道的分离值，/>表示去噪点云中某一点/>通道的分离值，/>表示超蓝色指标；
对去噪点云进行标记物分割得到分割点云，具体表达式如下所示：
。
5.根据权利要求1所述的一种三维全貌测量的比例尺标定方法，其特征在于，基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云，包括以下步骤：
基于分割点云位置信息，结合点云离散程度、点云均匀性特征，将不同分布的点云进行划分，得到区域点云；
基于标记物先验信息，对区域点云中区域点云块进行形状检测及判别，得到标记物点云。
6.根据权利要求5所述的一种三维全貌测量的比例尺标定方法，其特征在于，所述基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，包括以下步骤：
计算分割点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余分割点云重复以上步骤，直至遍历所有点，即完成分割点云区域生长分析，得到区域点云。
7.根据权利要求5所述的一种三维全貌测量的比例尺标定方法，其特征在于，所述对所述区域点云进行标记物检测，得到标记物点云，包括以下步骤：
对区域点云中各区域点云块进行拟合，得到区域点云块的最小外接立方体，计算最小外接立方体的长度、最小外接立方体的宽度及最小外接立方体的高度并进行排序；
计算各区域点云块的长短边比值及分布密度，进而判断所述区域点云块是否符合标记物先验信息，得到标记物点云。
8.根据权利要求1所述的一种三维全貌测量的比例尺标定方法，其特征在于，基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺，包括以下步骤：
计算标记物间形心相对距离，获得标记物中心点实际距离，得到标定比例尺，具体表达式如下所示：
其中，为标记物间形心相对距离，/>表示标定比例尺，/>表示标记物形心1的横坐标，/>表示标记物形心1的纵坐标，/>表示标记物形心1的竖坐标，/>表示标记物形心2的横坐标，/>表示标记物形心2的纵坐标，/>表示标记物形心2的竖坐标。
9.根据权利要求1所述的一种三维全貌测量的比例尺标定方法，其特征在于，基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息，包括以下步骤：
获得被测目标物体的表型信息，包括被测目标物体长度、被测目标物体宽度、被测目标物体高度、被测目标物体表面积及被测目标物体体积；
基于所述标定比例尺，计算得到实际目标长度、实际目标宽度、实际目标高度、实际目标表面积及实际目标体积，具体表达式如下所示：
其中，表示被测目标物体宽度，/>表示被测目标物体高度，/>表示被测目标物体表面积，/>表示被测目标物体体积，/>表示实际目标宽度，/>表示实际目标高度，/>表示实际目标表面积，/>表示实际目标体积。
10.一种三维全貌测量的比例尺标定系统，包括点云获取模块、点云去噪模块、点云分割模块、点云检测模块、尺度计算模块及尺度转换模块；
所述点云获取模块，获取被测目标物体的全视角图像，经三维重建得到原始点云，预处理后得到初始点云，其中，所述被测目标物体基于标记物标定且标记物颜色与被测目标物体的颜色存在差异；
所述点云去噪模块，基于初始点云的位置分布特征及颜色分布特征，并结合被测目标物体的先验信息，去除噪声后得到第一点云，进而对第一点云去除孤立点得到去噪点云；
所述点云分割模块，根据标记物的颜色信息，对去噪点云的颜色分布区间进行分析，对去噪点云进行标记物分割得到分割点云；
所述点云检测模块，基于所述分割点云的位置信息及颜色信息进行区域生长分析，得到区域点云，对所述区域点云进行标记物检测，得到标记物点云；
所述尺度计算模块，基于所述标记物点云与标记物中心点实际距离，计算得到标定比例尺；
所述尺度转换模块，基于所述去噪点云进行被测目标物体的表型测量，得到被测目标物体的表型信息，基于所述标定比例尺对所述表型信息进行转换得到实际测量信息。
11.根据权利要求10所述的一种三维全貌测量的比例尺标定系统，其特征在于，所述点云检测模块，被设置为：
计算分割点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余分割点云重复以上步骤，直至遍历所有点，即完成分割点云区域生长分析，得到区域点云。
12.根据权利要求10所述的一种三维全貌测量的比例尺标定系统，其特征在于，所述点云检测模块，被设置为：
对区域点云中各区域点云块进行拟合，得到区域点云块的最小外接立方体，计算最小外接立方体的长度、最小外接立方体的宽度及最小外接立方体的高度并进行排序；
计算各区域点云块的长短边比值及分布密度，进而判断所述区域点云块是否符合标记物先验信息，得到标记物点云。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任意一项所述的方法。
14.一种三维全貌测量的比例尺标定装置，包括存储器、处理器以及存储在所述存储器中并在所述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计算机程序时实现如权利要求1至9任意一项所述的方法。
CN202311595135.2A 2023-11-28 2023-11-28 三维全貌测量的比例尺标定方法、系统及装置 Active CN117315049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311595135.2A CN117315049B (zh) 2023-11-28 2023-11-28 三维全貌测量的比例尺标定方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311595135.2A CN117315049B (zh) 2023-11-28 2023-11-28 三维全貌测量的比例尺标定方法、系统及装置

Publications (2)

Publication Number Publication Date
CN117315049A true CN117315049A (zh) 2023-12-29
CN117315049B CN117315049B (zh) 2024-03-08

Family

ID=89273957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311595135.2A Active CN117315049B (zh) 2023-11-28 2023-11-28 三维全貌测量的比例尺标定方法、系统及装置

Country Status (1)

Country Link
CN (1) CN117315049B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635719A (zh) * 2024-01-26 2024-03-01 浙江托普云农科技股份有限公司 基于多传感器融合的除草机器人定位方法、系统及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9934590B1 (en) * 2015-06-25 2018-04-03 The United States Of America As Represented By The Secretary Of The Air Force Tchebichef moment shape descriptor for partial point cloud characterization
US20180096463A1 (en) * 2016-09-30 2018-04-05 Disney Enterprises, Inc. Point cloud noise and outlier removal for image-based 3d reconstruction
CN111696210A (zh) * 2020-04-22 2020-09-22 北京航天控制仪器研究所 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
US20210042999A1 (en) * 2018-11-06 2021-02-11 Tencent Technology (Shenzhen) Company Limited Method, device, and storage medium for segmenting three-dimensional object
KR102217215B1 (ko) * 2019-08-12 2021-02-18 한다희 스케일바를 이용한 3차원 모델 제작 서버 및 방법
CN112819883A (zh) * 2021-01-28 2021-05-18 华中科技大学 一种规则对象检测及定位方法
CN113192206A (zh) * 2021-04-28 2021-07-30 华南理工大学 基于目标检测和背景去除的三维模型实时重建方法及装置
US20210405200A1 (en) * 2020-06-28 2021-12-30 Beijing Baidu Netcome Science Technology Co. Ltd. High-Precision Mapping Method And Device
CN116523898A (zh) * 2023-05-29 2023-08-01 贵州省烟草科学研究院 一种基于三维点云的烟草表型性状提取方法
CN116612035A (zh) * 2023-05-30 2023-08-18 同济大学 一种隧道围岩三维点云数据降噪方法
CN116958218A (zh) * 2023-08-14 2023-10-27 苏州大学 一种基于标定板角点对齐的点云与图像配准方法及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9934590B1 (en) * 2015-06-25 2018-04-03 The United States Of America As Represented By The Secretary Of The Air Force Tchebichef moment shape descriptor for partial point cloud characterization
US20180096463A1 (en) * 2016-09-30 2018-04-05 Disney Enterprises, Inc. Point cloud noise and outlier removal for image-based 3d reconstruction
US20210042999A1 (en) * 2018-11-06 2021-02-11 Tencent Technology (Shenzhen) Company Limited Method, device, and storage medium for segmenting three-dimensional object
KR102217215B1 (ko) * 2019-08-12 2021-02-18 한다희 스케일바를 이용한 3차원 모델 제작 서버 및 방법
CN111696210A (zh) * 2020-04-22 2020-09-22 北京航天控制仪器研究所 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
US20210405200A1 (en) * 2020-06-28 2021-12-30 Beijing Baidu Netcome Science Technology Co. Ltd. High-Precision Mapping Method And Device
CN112819883A (zh) * 2021-01-28 2021-05-18 华中科技大学 一种规则对象检测及定位方法
CN113192206A (zh) * 2021-04-28 2021-07-30 华南理工大学 基于目标检测和背景去除的三维模型实时重建方法及装置
CN116523898A (zh) * 2023-05-29 2023-08-01 贵州省烟草科学研究院 一种基于三维点云的烟草表型性状提取方法
CN116612035A (zh) * 2023-05-30 2023-08-18 同济大学 一种隧道围岩三维点云数据降噪方法
CN116958218A (zh) * 2023-08-14 2023-10-27 苏州大学 一种基于标定板角点对齐的点云与图像配准方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丛佳男;孙彤彤;: "大断面点云数据提取的优化方法研究", 测绘与空间地理信息, no. 10 *
林婷婷;江晟;李荣华;葛研军;周颖;: "非合作目标视觉位姿测量与地面验证方法", 大连交通大学学报, no. 03 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635719A (zh) * 2024-01-26 2024-03-01 浙江托普云农科技股份有限公司 基于多传感器融合的除草机器人定位方法、系统及装置
CN117635719B (zh) * 2024-01-26 2024-04-16 浙江托普云农科技股份有限公司 基于多传感器融合的除草机器人定位方法、系统及装置

Also Published As

Publication number Publication date
CN117315049B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN105701478B (zh) 杆状地物提取的方法和装置
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
CN117315049B (zh) 三维全貌测量的比例尺标定方法、系统及装置
CN111340797A (zh) 一种激光雷达与双目相机数据融合检测方法及系统
CN109978035B (zh) 基于改进的k-means和损失函数的行人检测方法
CN112526513A (zh) 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN110766719A (zh) 一种目标跟踪方法、设备及存储介质
CN111340723B (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN110889399B (zh) 基于深度学习的高分辨率遥感影像弱小目标检测方法
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
CN117408913B (zh) 待测物体点云去噪方法、系统及装置
CN113218408B (zh) 适用于多地形的多传感器融合的2Dslam方法及其系统
CN111178193A (zh) 一种车道线的检测方法、检测装置及计算机可读存储介质
CN116186864B (zh) 一种基于bim技术的深基坑模型快速建模方法及系统
CN113393413B (zh) 基于单目与双目视觉协同的水域面积测量方法和系统
CN115578531B (zh) 基于遥感数据的城市三维模型重建方法
CN115546437A (zh) 用于机械设备的斜坡检测方法、处理器和斜坡检测装置
CN112037233B (zh) 基于大津法与k均值聚类算法联合优化的图像二值化方法
CN116152127A (zh) 一种3d点云处理方法、装置、设备和介质
CN113920391A (zh) 一种基于生成尺度自适应真值图的目标计数方法
CN117315002B (zh) 待测物体三维表型测量方法、系统及装置
CN117409024B (zh) 用于稀疏点云的高鲁棒性高压电力线分割方法及其应用
CN116152333B (zh) 一种相机外参标定的方法、装置、设备及介质
CN117152239B (zh) 一种基于点云数据的仓内物料体积计算方法及系统

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