CN117392325A - 尖轨的三维模型构建方法及装置 - Google Patents
尖轨的三维模型构建方法及装置 Download PDFInfo
- Publication number
- CN117392325A CN117392325A CN202311489699.8A CN202311489699A CN117392325A CN 117392325 A CN117392325 A CN 117392325A CN 202311489699 A CN202311489699 A CN 202311489699A CN 117392325 A CN117392325 A CN 117392325A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- rail
- data
- real
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本申请涉及点云图像处理技术领域,提供一种尖轨的三维模型构建方法及装置。所述方法包括:获取尖轨在各预设角度下的实测点云;根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;其中,所述两次配准包括对所述实测点云进行粗配准和精配准。本申请实施例提供的尖轨的三维模型构建方法,能够提高获取到的尖轨的模型数据的精确度。
Description
技术领域
本申请涉及点云图像处理技术领域,具体涉及一种尖轨的三维模型构建方法及装置。
背景技术
在尖轨生产加工后,通常需要对其尺寸进行测量。目前,对尖轨的三维模型构建方式,通常是由工人采用游标卡尺对实物进行测量,测量效率较低。为此,相关技术中,可通过获取尖轨的模型数据,如尖轨的图像,以基于尖轨的模型数据来对尖轨进行测量,以得到尖轨的尺寸。而这种方式依赖于获取到的尖轨的模型数据的精准度,因此如何提高获取到的尖轨的模型数据的精确度,以提高后续对尖轨尺寸测量的准确度,是当前亟需解决的问题。
发明内容
本申请旨在至少解决相关技术中存在的技术问题之一。为此,本申请提出一种尖轨的三维模型构建方法,能够提高获取到的尖轨的模型数据的精确度。
本申请还提出一种尖轨的三维模型构建装置。
本申请还提出一种电子设备。
本申请还提出一种计算机可读存储介质。
根据本申请第一方面实施例的尖轨的三维模型构建方法,包括:
获取尖轨在各预设角度下的实测点云;
根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
本申请实施例提供的尖轨的三维模型构建方法,通过获取尖轨在各预设角度下的实测点云,并根据尖轨对应的标准点云,对任一实测点云进行两次配准,得到目标点云后,再利用各目标点云进行三维重构,得到尖轨的三维模型,以在尖轨的模型构建时考虑了不同角度的点云,使用于构建尖轨的三维模型的点云数据更加全面,且通过尖轨对应的标准点云对实测点云进行两次配准,使用于构建尖轨的三维模型的点云数据更加准确,从而能够使获取到的尖轨的三维模型更加精确,进而提高后续利用尖轨的模型对尖轨尺寸测量的准确度。
根据本申请的一个实施例,获取尖轨在各预设角度下的实测点云,包括:
获取尖轨在各预设角度下的原始点云;
对所述原始点云进行点云精简,得到所述实测点云。
根据本申请的一个实施例,对所述原始点云进行点云精简,得到所述实测点云,包括:
根据任一扫描线,从所述原始点云中,获取位于所述扫描线上的各点数据;
根据各所述点数据在所述扫描线上的排序,对各所述点数据进行精简处理,每次精简处理均获取当前点数据对应的当前角度,以及获取当前点数据与第一点数据形成的向量,到第二点数据之间的当前距离,以在所述当前角度大于预设角度,且所述当前距离大于预设距离的情况下,将所述第一点数据迭代为所述当前点数据,进行下一次精简处理,在所述当前角度不大于预设角度,或所述当前距离不大于当前距离的情况下,删除所述第一点数据后,再将所述第二点数据迭代为所述第一点数据,进行下一次精简处理,直至完成各所述点数据的精简处理;
其中,所述第一点数据为所述当前点数据的下一点数据,所述第二点数据为所述第一点数据的下一点数据;
所述当前点数据对应的当前角度,根据所述当前点数据与所述第一点数据之间的向量,以及所述第一点数据与所述第二点数据之间的向量确定。
根据本申请的一个实施例,根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云,包括:
将所述实测点云,与所述标准点云进行粗配准,得到调整后的实测点云;
将所述调整后的实测点云,与所述标准点云进行精配准,得到所述目标点云。
根据本申请的一个实施例,所述粗配准采用4PCS粗配准算法进行;所述精配准采用LM-I CP精配准算法进行。
根据本申请的一个实施例,根据各所述目标点云进行三维重构,得到所述尖轨的三维模型,包括:
根据贪婪投影算法,对各所述目标点云进行三维重构,得到所述尖轨的三维模型。
根据本申请的一个实施例,根据各所述目标点云进行三维重构,得到所述尖轨的三维模型,包括:
从所述目标点云中,获取任一目标点;
根据所述目标点云的法线信息,确定处于所述目标点的领域半径内的各点数据组成的领域,在所述目标点的切平面上的平面投影;
根据所述平面投影,将所述领域内的各所述点数据投影至同一平面,得到投影区域;
根据贪婪投影算法,对各所述投影区域进行三维重构,得到所述尖轨的三维模型。
根据本申请第二方面实施例的尖轨的三维模型构建装置,包括:
数据获取模块,用于获取尖轨在各预设角度下的实测点云;
数据调整模块,用于根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
模型构建模块,用于根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
根据本申请第三方面实施例的电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现上述任一实施例所述的尖轨的三维模型构建方法。
根据本申请第四方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的尖轨的三维模型构建方法。
根据本申请第五方面实施例的计算机程序产品,包括:所述计算机程序被处理器执行时实现如上述任一实施例所述的尖轨的三维模型构建方法。
本申请实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
通过获取尖轨在各预设角度下的实测点云,并根据尖轨对应的标准点云,对任一实测点云进行两次配准,得到目标点云后,再利用各目标点云进行三维重构,得到尖轨的三维模型,以在尖轨的模型构建时考虑了不同角度的点云,使用于构建尖轨的三维模型的点云数据更加全面,且通过尖轨对应的标准点云对实测点云进行两次配准,使用于构建尖轨的三维模型的点云数据更加准确,从而能够使获取到的尖轨的三维模型更加精确,进而提高后续利用尖轨的模型对尖轨尺寸测量的准确度。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的尖轨的三维模型构建方法的第一流程示意图;
图2是本申请实施例提供的尖轨的三维模型构建方法的第二流程示意图;
图3是本申请实施例提供的投影原理示意图;
图4是本申请实施例提供的构建后的尖轨的三维模型示意图;
图5是本申请实施例提供的尖轨的三维模型构建装置的结构示意图;
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、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。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。
下面,将通过几个具体的实施例对本申请实施例提供的尖轨的三维模型构建方法及装置进行详细介绍和说明。
在一实施例中,提供了一种尖轨的三维模型构建方法,该方法应用于服务器,用于构建尖轨的三维模型。其中,服务器可以是独立的服务器或者是多个服务器组成的服务器集群来实现,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能采样点设备等基础云计算服务的云服务器。
如图1所示,本实施例提供的一种尖轨的三维模型构建方法包括:
步骤101,获取尖轨在各预设角度下的实测点云;
步骤102,根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
步骤103,根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
在一些实施例中,服务器可预先通过激光传感器,沿尖轨的长度方向,获取尖轨在多个预设角度下的原始点云,该原始点云即为通过激光传感器测量到的实测点云。其中,激光传感器是激光探测及测距系统的简称,是激光技术与雷达技术相结合的产物。激光传感器是一种工作在从红外到紫外光谱段的雷达系统,其原理和构造与激光测距仪极为相似。激光传感器的作用是能精确测量目标位置(距离和角度)、运动状态(速度、振动和姿态)和形状,探测、识别、分辨和跟踪目标。各预设角度可根据实际情况设定,如15°、30°或45°等。这样,便可获取到与各预设角度一一对应的各原始点云。
在得到原始点云后,可将原始点云直接作为实测点云进行处理。而为提高后续构建的三维模型的精确度,还可先对原始点云进行平滑和去噪等预处理,以将预处理后的原始点云作为实测点云。如针对任一原始点云,可采用曲线检查法和/或高斯滤波,对该原始点云进行去噪和平滑,以去除原始点云中的离群点与混杂早点,从而得到实测点云。
在得到尖轨的所有实测点云后,针对任一实测点云,可将该实测点云,与该尖轨的标准点云进行粗配准和精配准,以利用标准点云对实测点云进行两次配准,来得到目标点云。其中,标准点云为预先根据尖轨构建的理论上的点云。
在将所有的实测点云均与标准点云进行粗配准和精配准后,即可得到与各实测点云一一对应的目标点云。在得到各目标点云后,即可利用各目标点云,对尖轨进行表面重构,从而得到尖轨的三维模型。
通过获取尖轨在各预设角度下的实测点云,并根据尖轨对应的标准点云,对任一实测点云进行两次配准,得到目标点云后,再利用各目标点云进行三维重构,得到尖轨的三维模型,以在尖轨的模型构建时考虑了不同角度的点云,使用于构建尖轨的三维模型的点云数据更加全面,且通过尖轨对应的标准点云对实测点云进行两次配准,使用于构建尖轨的三维模型的点云数据更加准确,从而能够使获取到的尖轨的三维模型更加精确,进而提高后续利用尖轨的模型对尖轨尺寸测量的准确度。
而为提高尖轨的三维模型构建效率,在一些实施例中,获取尖轨在各预设角度下的实测点云,包括:
获取尖轨在各预设角度下的原始点云;
对所述原始点云进行点云精简,得到所述实测点云。
在一些实施例中,在获取到尖轨在各预设角度下的原始点云后,可先使用使用曲线检查法来去除原始点云的离散噪点,然后使用高斯滤波来将原始点云中混杂噪声点恢复到正确的位置上后,可将经过去噪的原始点云进行点云精简,如使用随机采样或最大允许偏差法等方式,来对原始点云进行精简,以得到实测点云。这样,便可降低后续需要处理的数据量,从而提高尖轨的模型构建效率。
而为在提高尖轨的三维模型构建效率的同时,提高构建的三维模型的精确度,在一些实施例中,对所述原始点云进行点云精简,得到所述实测点云,包括:
根据任一扫描线,从所述原始点云中,获取位于所述扫描线上的各点数据;
根据各所述点数据在所述扫描线上的排序,对各所述点数据进行精简处理,每次精简处理均获取当前点数据对应的当前角度,以及获取当前点数据与第一点数据形成的向量,到第二点数据之间的当前距离,以在所述当前角度大于预设角度,且所述当前距离大于预设距离的情况下,将所述第一点数据迭代为所述当前点数据,进行下一次精简处理,在所述当前角度不大于预设角度,或所述当前距离不大于当前距离的情况下,删除所述第一点数据后,再将所述第二点数据迭代为所述第一点数据,进行下一次精简处理,直至完成各所述点数据的精简处理;
其中,所述第一点数据为所述当前点数据的下一点数据,所述第二点数据为所述第一点数据的下一点数据;
所述当前点数据对应的当前角度,根据所述当前点数据与所述第一点数据之间的向量,以及所述第一点数据与所述第二点数据之间的向量确定。
在一些实施例中,在对各原始点云进行去噪后,可基于原始点云的轮廓,设置多条扫描线,每一条扫描线上包括多个点数据,扫描线的两端为原始点云边界上的点数据。针对任一条扫描线,可按点数据在该扫描线上的排序,按从左到右、从右到左、从上到下或从下到上的顺序,对各点云数据进行精简处理。
示例性的,服务器可根据实际情况,设定一个预设角度θT和预设距离dT。假设要对某条扫描线上的点数据进行精简处理,则可从左到右,将该扫描线上的第一个点P1作为当前点数据,连接P1和P1后的第二个点P2,此时第二个点P2即为第一点数据,同时连接P2与第三个点P3,此时第三个点P3即为第二点数据。然后,根据P1与P2的向量以及P2与P3的向量即可得到两个向量的夹角作为当前点数据P1对应的当前角度和第二点数据P3到/>的当前距离d2,/>在得到当前角度θ2以及当前距离d2后,如果θ2>θT且d2>dT,则说明P2为保留点,此时则保留P2,同时将P2迭代为当前点数据,继续上述过程。若θ2≤θT或d2≤dT,则说明P2为去除点,此时则删除P2,然后将P3迭代为第一点数据,此时P1依旧为当前点数据,P3为第一点数据,P3的下一个点数据P4即为第二点数据,这样在下一次进行精简处理时,则连接P1和P3,同时连接P3与P4,计算向量/>和/>的当前角度θ3和P4到/>的距离d3,判断P3是否为保留点,以此类推。这样,便可在完成原始点云的所有扫描线的点数据的精简处理后,得到对应的实测点云。
通过上述方式,可使获取到的实测点云中的各点数据均能够满足允许的误差值,从而提高尖轨的三维模型构建效率的同时,能够提高构建的三维模型的精确度。
在得到各实测点云后,即可利用尖轨对应的标准点云,来对各实测点云进行两次配准,从而得到与各实测点云一一对应的各目标点云。而为提高目标点云的获取效率和准确性,在一些实施例中,在将实测点云与该尖轨的标准点云进行二次配准时,可采用依次配准的方式来进行。具体的,可将实测点云与标准点云先进行粗配准,得到调整后的实测点云,再将调整后的实测点云与标准点云进行精配准,以得到目标点云。其中,粗配准可采用4PCS粗配准算法进行;精配准采用LM-ICP精配准算法进行。
示例性的,在得到实测点云后,可先在实测点云P中依据共面不共线原则选择4个点,组成一个共面的4点基B,并在标准点云Q中提取出与4点基B近似全等4点子集。然后,通过计算选出的点基B在这个平面的两个仿射不变量r1和r2,即:
r1=||a-e||/||a-b||,r2=||c-e||/||c-d||。
在得到两个仿射不变量r1和r2后,即可基于计算出的两个放射不变量r1和r2,与由n个点组成的标准点云Q,来确定在O(n2+k)时间内,可以从标准点云Q中提取出所有与点基B近似的点集。最后,通过4点集B和标准点云Q中余下的子集,计算最小二乘意义上的最佳变换矩阵,并将最佳变换矩阵作用到实测点云P中,即可实现实测点云的粗配准。
在完成实测点云的粗配准后,即可采用LM-ICP法对点云精配准。具体的,选择一个初始变换矩阵作为实测点云与标准点云的初始对齐状态,然后对于实测点云中的每个点,在标准点云中找到其最近邻点,以将实测点云中的每个点,与目标点云中的最近领点进行关联。然后,使用关联的点对计算刚性变换矩阵,如使用SVD或奇异值分解等方法进行计算。在计算刚性变换矩阵后,可判断该计算结果是否达到收敛条件,若否,则重新将实测点云中的每个点,与目标点云中的最近领点进行关联,直至达到收敛条件,则表示完成精配准。
示例性的,给定初始值xo,设置参数λ和迭代中止参数δ,计算对于第k次迭代,求解出当前的雅克比矩阵Ji(xk)和误差fi(xk),将其代入(Ji(xk)TJi(xk)+λI)Δxk=-Ji(xk)Tfi(xk)求解Δxk。若F(xk+Δxk)<F(xk),且||Δxk||<δ则停止迭代,输出精配准结果,反之则令xk+1=xk+Δxk,缩小λ,重新求解增量方程;若F(xk+Δxk)>F(xk),则增大λ,令xk+1=xk+Δxk,重新求解增量方程。
通过4PCS粗配准算法将实测点云与标准点云进行粗配准,再通过LM-ICP精配准算法将粗配准后的实测点云与标准点云进行精配准,来得到目标点云,从而使获取到的目标点云更为精确,进而提高后续利用目标点云构建的尖轨的三维模型的精确度。
在得到各目标点云后,即可利用各目标点云,对尖轨进行三维重构,来得到尖轨的三维模型。而为进一步提高获取到的三维模型的精确度,在一些实施例中,根据各所述目标点云进行三维重构,得到所述尖轨的三维模型,包括:
根据贪婪投影算法,对各所述目标点云进行三维重构,得到所述尖轨的三维模型。
在一些实施例中,在得到各目标点云后,可使用贪婪投影算法,对目标点云的投影点进行三角剖分,然后将在投影平面上建立的拓扑关系映射回空间,不断进行循环,最终即可完成尖轨的三维模型的构建。
具体的,如图2所示,根据各所述目标点云进行三维重构,得到所述尖轨的三维模型,包括:
步骤201,从所述目标点云中,获取任一目标点;
步骤202,根据所述目标点云的法线信息,确定处于所述目标点的预设半径内的各点数据组成的领域,在所述目标点的切平面上的平面投影;
步骤203,根据所述平面投影,将所述领域内的各所述点数据投影至同一平面,得到投影区域;
步骤204,根据贪婪投影算法,对各所述投影区域进行三维重构,得到所述尖轨的三维模型。
在一些实施例中,服务器预先设置有邻域半径r,在得到目标点云后,可从目标点云中,选取任一点数据作为目标点。在确定目标点后,即可采用KD树结构,从目标点云中,选取与目标点的距离在邻域半径r内的k个点数据作为邻近点,以由这k个邻近点组成领域。
在确定领域后,利用该目标点云的法线信息,将该领域投影在平面上,该平面与邻域形成的曲面近似相切,可求出邻域内的任意一点在该目标点的切平面上的投影。通过对目标点的领域的投影,领域中的K个邻近点均被投影到目标点的切平面上,从而可得到领域在切平面上的平面投影。在得到领域在切平面上的平面投影后,使用贪婪投影算法,对平面投影中每个邻近点的投影点进行三角剖分,然后将在投影平面上建立的拓扑关系映射回空间,不断进行循环,最终即可完成尖轨的曲面的重建。其中,通过三角剖分方法确定点云中的一个点所有的拓扑关系时,该点被定义为完成状态。若因为设置了三角形的最大允许角度等参数导致一个点缺失了一些三角形,则该点被定义为边界点。其原理如图3所示。这样,对每个目标点云进行处理后,即可得到尖轨的三角网格模型,从而得到尖轨的三维模型,如图4所示。
通过上述方式来对每个目标点云进行重构,能够使最终得到的点云数据更为精确,进而进一步提高得到尖轨的三维模型的精确度。
下面对本申请提供的尖轨的三维模型构建装置进行描述,下文描述的尖轨的三维模型构建装置与上文描述的尖轨的三维模型构建方法可相互对应参照。
在一实施例中,如图5所示,提供了一种尖轨的三维模型构建装置,包括:
数据获取模块210,用于获取尖轨在各预设角度下的实测点云;
数据调整模块220,用于根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
模型构建模块230,用于根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
通过获取尖轨在各预设角度下的实测点云,并根据尖轨对应的标准点云,对任一实测点云进行两次配准,得到目标点云后,再利用各目标点云进行三维重构,得到尖轨的三维模型,以在尖轨的模型构建时考虑了不同角度的点云,使用于构建尖轨的三维模型的点云数据更加全面,且通过尖轨对应的标准点云对实测点云进行两次配准,使用于构建尖轨的三维模型的点云数据更加准确,从而能够使获取到的尖轨的三维模型更加精确,进而提高后续利用尖轨的模型对尖轨尺寸测量的准确度。
在一实施例中,数据获取模块210具体用于:
获取尖轨在各预设角度下的原始点云;
对所述原始点云进行点云精简,得到所述实测点云。
在一实施例中,数据获取模块210具体用于:
根据任一扫描线,从所述原始点云中,获取位于所述扫描线上的各点数据;
根据各所述点数据在所述扫描线上的排序,对各所述点数据进行精简处理,每次精简处理均获取当前点数据对应的当前角度,以及获取当前点数据与第一点数据形成的向量,到第二点数据之间的当前距离,以在所述当前角度大于预设角度,且所述当前距离大于预设距离的情况下,将所述第一点数据迭代为所述当前点数据,进行下一次精简处理,在所述当前角度不大于预设角度,或所述当前距离不大于当前距离的情况下,删除所述第一点数据后,再将所述第二点数据迭代为所述第一点数据,进行下一次精简处理,直至完成各所述点数据的精简处理;
其中,所述第一点数据为所述当前点数据的下一点数据,所述第二点数据为所述第一点数据的下一点数据;
所述当前点数据对应的当前角度,根据所述当前点数据与所述第一点数据之间的向量,以及所述第一点数据与所述第二点数据之间的向量确定。
在一实施例中,数据调整模块220具体用于:
将所述实测点云,与所述标准点云进行粗配准,得到调整后的实测点云;
将所述调整后的实测点云,与所述标准点云进行精配准,得到所述目标点云。
在一实施例中,所述粗配准采用4PCS粗配准算法进行;所述精配准采用LM-I CP精配准算法进行。
在一实施例中,模型构建模块230具体用于:
根据贪婪投影算法,对各所述目标点云进行三维重构,得到所述尖轨的三维模型。
在一实施例中,模型构建模块230具体用于:
从所述目标点云中,获取任一目标点;
根据所述目标点云的法线信息,确定处于所述目标点的领域半径内的各点数据组成的领域,在所述目标点的切平面上的平面投影;
根据所述平面投影,将所述领域内的各所述点数据投影至同一平面,得到投影区域;
根据贪婪投影算法,对各所述投影区域进行三维重构,得到所述尖轨的三维模型。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)810、通信接口(Communicat ion I nterface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序,以执行尖轨的三维模型构建方法,例如包括:
获取尖轨在各预设角度下的实测点云;
根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种处理器可读存储介质,处理器可读存储介质存储有计算机程序,计算机程序用于使处理器执行上述各实施例提供的方法,例如包括:
获取尖轨在各预设角度下的实测点云;
根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种尖轨的三维模型构建方法,其特征在于,包括:
获取尖轨在各预设角度下的实测点云;
根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
2.根据权利要求1所述的尖轨的三维模型构建方法,其特征在于,获取尖轨在各预设角度下的实测点云,包括:
获取尖轨在各预设角度下的原始点云;
对所述原始点云进行点云精简,得到所述实测点云。
3.根据权利要求2所述的尖轨的三维模型构建方法,其特征在于,对所述原始点云进行点云精简,得到所述实测点云,包括:
根据任一扫描线,从所述原始点云中,获取位于所述扫描线上的各点数据;
根据各所述点数据在所述扫描线上的排序,对各所述点数据进行精简处理,每次精简处理均获取当前点数据对应的当前角度,以及获取当前点数据与第一点数据形成的向量,到第二点数据之间的当前距离,以在所述当前角度大于预设角度,且所述当前距离大于预设距离的情况下,将所述第一点数据迭代为所述当前点数据,进行下一次精简处理,在所述当前角度不大于预设角度,或所述当前距离不大于当前距离的情况下,删除所述第一点数据后,再将所述第二点数据迭代为所述第一点数据,进行下一次精简处理,直至完成各所述点数据的精简处理;
其中,所述第一点数据为所述当前点数据的下一点数据,所述第二点数据为所述第一点数据的下一点数据;
所述当前点数据对应的当前角度,根据所述当前点数据与所述第一点数据之间的向量,以及所述第一点数据与所述第二点数据之间的向量确定。
4.根据权利要求1-3任一项所述的尖轨的三维模型构建方法,其特征在于,根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云,包括:
将所述实测点云,与所述标准点云进行粗配准,得到调整后的实测点云;
将所述调整后的实测点云,与所述标准点云进行精配准,得到所述目标点云。
5.根据权利要求4所述的尖轨的三维模型构建方法,其特征在于,所述粗配准采用4PCS粗配准算法进行;所述精配准采用LM-ICP精配准算法进行。
6.根据权利要求1-3任一项所述的尖轨的三维模型构建方法,其特征在于,根据各所述目标点云进行三维重构,得到所述尖轨的三维模型,包括:
根据贪婪投影算法,对各所述目标点云进行三维重构,得到所述尖轨的三维模型。
7.根据权利要求6所述的尖轨的三维模型构建方法,其特征在于,根据各所述目标点云进行三维重构,得到所述尖轨的三维模型,包括:
从所述目标点云中,获取任一目标点;
根据所述目标点云的法线信息,确定处于所述目标点的领域半径内的各点数据组成的领域,在所述目标点的切平面上的平面投影;
根据所述平面投影,将所述领域内的各所述点数据投影至同一平面,得到投影区域;
根据贪婪投影算法,对各所述投影区域进行三维重构,得到所述尖轨的三维模型。
8.一种尖轨的三维模型构建装置,其特征在于,包括:
数据获取模块,用于获取尖轨在各预设角度下的实测点云;
数据调整模块,用于根据所述尖轨对应的标准点云,对任一所述实测点云进行两次配准,得到目标点云;
模型构建模块,用于根据各所述目标点云进行三维重构,得到所述尖轨的三维模型;
其中,所述两次配准包括对所述实测点云进行粗配准和精配准。
9.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的尖轨的三维模型构建方法。
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,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的尖轨的三维模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489699.8A CN117392325A (zh) | 2023-11-09 | 2023-11-09 | 尖轨的三维模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489699.8A CN117392325A (zh) | 2023-11-09 | 2023-11-09 | 尖轨的三维模型构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117392325A true CN117392325A (zh) | 2024-01-12 |
Family
ID=89470070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311489699.8A Pending CN117392325A (zh) | 2023-11-09 | 2023-11-09 | 尖轨的三维模型构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392325A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250881A (zh) * | 2016-08-25 | 2016-12-21 | 深圳大学 | 一种基于三维点云数据的目标识别方法及系统 |
CN110796728A (zh) * | 2019-09-20 | 2020-02-14 | 南京航空航天大学 | 一种基于扫描式激光雷达的非合作航天器三维重建方法 |
CN115060188A (zh) * | 2022-04-14 | 2022-09-16 | 北京交通大学 | 辙叉心轨型面处理方法及系统 |
CN116164663A (zh) * | 2022-12-02 | 2023-05-26 | 北京交通大学 | 一种道岔尖轨型面轨道式机器人测量设备及其三维模型重建方法 |
CN116704254A (zh) * | 2023-06-15 | 2023-09-05 | 平安科技(深圳)有限公司 | 点云分类方法、装置、计算机设备及存储介质 |
-
2023
- 2023-11-09 CN CN202311489699.8A patent/CN117392325A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250881A (zh) * | 2016-08-25 | 2016-12-21 | 深圳大学 | 一种基于三维点云数据的目标识别方法及系统 |
CN110796728A (zh) * | 2019-09-20 | 2020-02-14 | 南京航空航天大学 | 一种基于扫描式激光雷达的非合作航天器三维重建方法 |
CN115060188A (zh) * | 2022-04-14 | 2022-09-16 | 北京交通大学 | 辙叉心轨型面处理方法及系统 |
CN116164663A (zh) * | 2022-12-02 | 2023-05-26 | 北京交通大学 | 一种道岔尖轨型面轨道式机器人测量设备及其三维模型重建方法 |
CN116704254A (zh) * | 2023-06-15 | 2023-09-05 | 平安科技(深圳)有限公司 | 点云分类方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Senin et al. | Point set augmentation through fitting for enhanced ICP registration of point clouds in multisensor coordinate metrology | |
Grant et al. | Point-to-plane registration of terrestrial laser scans | |
WO2015096508A1 (zh) | 一种模型约束下的在轨三维空间目标姿态估计方法及系统 | |
CN104463894A (zh) | 一种多视角三维激光点云全局优化整体配准方法 | |
KR20170068462A (ko) | 에지를 이용한 3차원 모델 생성 | |
CN105547190B (zh) | 基于双角度单频率条纹投影的三维形貌测量方法及装置 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
Wu et al. | A novel high precise laser 3D profile scanning method with flexible calibration | |
Belhaoua et al. | Error evaluation in a stereovision-based 3D reconstruction system | |
CN112669460B (zh) | 一种工件缺陷检测方法、系统及计算机可读存储介质 | |
CN110047133A (zh) | 一种面向点云数据的列车边界提取方法 | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN114241018A (zh) | 一种牙齿点云配准方法、系统及可读存储介质 | |
Ma et al. | Efficient rotation estimation for 3D registration and global localization in structured point clouds | |
Zhu et al. | Triangulation of well-defined points as a constraint for reliable image matching | |
CN117392325A (zh) | 尖轨的三维模型构建方法及装置 | |
CN116681750A (zh) | 一种自适应点云曲率计算方法、设备及其存储介质 | |
CN116740151A (zh) | 一种InSAR点云的配准方法及终端设备 | |
CN115965712A (zh) | 一种建筑物二维矢量图构建方法、系统、设备及存储介质 | |
CN114581328A (zh) | 一种料堆点云数据插补方法、装置、设备及介质 | |
CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 | |
CN115900537A (zh) | Pcb孔定位方法、装置、计算机设备和存储介质 | |
CN113610971B (zh) | 一种细粒度三维模型构建方法、装置及电子设备 | |
CN108230377B (zh) | 点云数据的拟合方法和系统 | |
Lv et al. | Point-based integration for 3D object reconstruction from Ladar range images |
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 |