CN117495891B - 点云边缘检测方法、装置和电子设备 - Google Patents
点云边缘检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117495891B CN117495891B CN202311841816.2A CN202311841816A CN117495891B CN 117495891 B CN117495891 B CN 117495891B CN 202311841816 A CN202311841816 A CN 202311841816A CN 117495891 B CN117495891 B CN 117495891B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- point
- points
- point cloud
- seed
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000007499 fusion processing Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 51
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种点云边缘检测方法、装置和电子设备，基于点云中的种子点进行区域生长，以将种子点的邻域点进行区域划分，根据各区域内包含的邻域点的数量对点云进行滤除处理。以不同邻域范围划分得到各个点的多组邻域点集合，进而得到对应的邻域特征矩阵。将各个点的多组邻域特征矩阵导入预先训练得到分类模型，对多组邻域特征矩阵进行融合处理，基于得到的融合矩阵得到各个点的边缘判定结果。本方案中，采用区域生长的方式进行点云滤波处理，可以有效地将点云中的平面周围的噪声点滤除，提升点云边缘检测精度，此外，采用多组不同邻域范围的邻域点集合的邻域特征矩阵进行融合处理，可以以简洁的模型结构得到高准确性的边缘检测结果。
Description
技术领域
本发明涉及点云处理技术领域，具体而言，涉及一种点云边缘检测方法、装置和电子设备。
背景技术
点云为由拍摄设备获得的图像中的由数千万或数亿个点组成的三维点云，点云边缘可以提供有关底层几何结构的基本信息。目前深度视觉已广泛应用于场景语义分割和缺陷检测等领域，从点云中快速、准确地提取物体特征是各项应用的基本需求，因此，目前点云边缘检测是广受研究者关注的任务。
现有方法通常采用两种途径从点云中提取物体边缘：第一种，直接利用2D边缘检测器检测深度图中的物体边缘；第二种，通过提取近邻点的特征来分析检测点云边缘。其中，2D边缘检测器对深度图的检测精度会因为分辨率降低而下降，容易出现召回率低的问题。目前，基于近邻点特征的点云边缘检测方法是更为常见的方法。该方法主要分为两个阶段：第一阶段，近邻点的特征提取（如法向量、近邻点夹角和曲率等）；第二阶段，将提取的近邻点特征输入二元分类器，利用二元分类器根据这些特征进行分类，将点云中的点分类为边缘点和非边缘点。
现有的基于近邻点特征的点云边缘检测方法依赖于提取的近邻点特征，而这些特征十分容易受孤立点、飞行像素等噪声的干扰，最终导致点云边缘检测精度降低。此外，近邻点特征（如法向量和邻域点夹角等）涉及复杂的计算过程，而许多算法又常使用大规模的神经网络作为分类器，这十分影响算法的实时性，因此该类算法难以适用于嵌入式系统或实时装置。
发明内容
本发明的目的包括，例如，提供了一种点云边缘检测方法、装置和电子设备，其能够避免噪声点干扰，且以简洁的模型结构得到高准确性的边缘检测结果。
本发明的实施例可以这样实现：
第一方面，本发明提供一种点云边缘检测方法，所述方法包括：
针对待检测的点云，基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分；
根据各所述区域内包含的点的数量，对所述点云进行滤除处理；
针对滤除处理后的点云中的各个点，以不同邻域范围划分得到该点的多组邻域点集合，各所述邻域点集合中包括在对应邻域范围内的多个邻域点；
基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵；
将多组邻域特征矩阵导入预先训练得到的分类模型，将多组邻域特征矩阵进行融合处理，基于融合处理得到的融合矩阵得到所述点的边缘判定结果。
在可选的实施方式中，所述基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分的步骤，包括：
针对所述点云中未进行区域划分的点，将曲率最小的点作为种子点；
获得所述种子点的邻域点，根据所述邻域点的法向量和所述种子点的法向量判断是否将所述邻域点划分至所述种子点所属的区域；
根据所述邻域点的曲率判断是否将所述邻域点转换为种子点，直至针对所述点云中的所有种子点均执行完成区域划分。
在可选的实施方式中，所述根据所述邻域点的法向量和所述种子点的法向量判断是否将所述邻域点划分至所述种子点所属的区域的步骤，包括：
检测所述邻域点的法向量与所述种子点的法向量的夹角是否小于预设夹角；
若小于预设夹角，检测所述邻域点到所述种子点所在的平面的距离是否小于预设距离；
若小于预设距离，则判定将所述邻域点划分至所述种子点所属的区域。
在可选的实施方式中，所述基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵的步骤，包括：
针对各所述邻域点集合，对所述邻域点集合的协方差矩阵进行SVD分解，得到奇异值以及奇异值对应的特征向量；
将所述邻域点集合划分为两组子集合，根据所述邻域点集合和两组子集合中的邻域点，获得所述特征向量上的垂直分量和切向分量；
对各所述子集合的协方差矩阵进行SVD分解，得到两组奇异值组；
由所述垂直分量、切向分量和两组奇异值组构成邻域特征矩阵。
在可选的实施方式中，所述根据所述邻域点集合和两组子集合中的邻域点，获得所述特征向量上的垂直分量和切向分量的步骤，包括：
将两组所述子集合中的邻域点的子质心之间的距离分解为所述特征向量上的第一垂直分量和第一切向分量；
将所述点与所述邻域点集合的第一质心之间的距离分解为所述特征向量上的第二垂直分量和第二切向分量；
计算最大邻域点集合去除当前邻域点集合之后剩余的点的第二质心，将所述第一质心与第二质心之间的距离分解为所述特征向量上的第三垂直分量和第三切向分量。
在可选的实施方式中，所述将所述邻域点集合划分为两组子集合的步骤，包括：
基于所述奇异值以及所述邻域点集合中的邻域点的第一质心对所述邻域点集合中的邻域点进行缩放处理；
基于所述特征向量和所述第一质心构建最小拟合平面，利用所述最小拟合平面将缩放处理后的邻域点集合中的邻域点划分至两组子集合。
在可选的实施方式中，所述基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分之前，所述方法还包括：
基于所述点云中各个点的坐标信息将所述点云中的无效点和重复点进行滤除；
针对所述点云中的各个点，查找所述点的第一设定半径范围内的邻域点，若查找到的邻域点的数量小于第一设定数量，则将所述点滤除。
在可选的实施方式中，所述根据各所述区域内包含的点的数量，对所述点云进行滤除处理的步骤之后，所述方法还包括：
针对所述点云中的各个点，查找所述点的第二设定半径范围内的邻域点，若查找到的邻域点的数量小于第二设定数量，则将所述点滤除。
第二方面，本发明提供一种点云边缘检测装置，所述装置包括：
第一划分模块，用于针对待检测的点云，基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分；
滤除模块，用于根据各所述区域内包含的点的数量，对所述点云进行滤除处理；
第二划分模块，用于针对滤除处理后的点云中的各个点，以不同邻域范围划分得到该点的多组邻域点集合，各所述邻域点集合中包括在对应邻域范围内的多个邻域点；
获得模块，用于基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵；
处理模块，用于将多组邻域特征矩阵导入预先训练得到的分类模型，将多组邻域特征矩阵进行融合处理，基于融合处理得到的融合矩阵得到所述点的边缘判定结果。
第三方面，本发明提供一种电子设备，所述电子设备包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该电子设备实现前述实施方式中任意一项所述的方法。
本发明实施例的有益效果包括，例如：
本申请提供一种点云边缘检测方法、装置和电子设备，基于点云中的种子点进行区域生长，以将种子点的邻域点进行区域划分，进而根据各区域内包含的邻域点的数量对点云进行滤除处理。再以不同邻域范围划分得到各个点的多组邻域点集合，基于各邻域点集合中的邻域点获得对应的邻域特征矩阵。将各个点的多组邻域特征矩阵导入预先训练得到的分类模型，将多组邻域特征矩阵进行融合处理，基于得到的融合矩阵得到各个点的边缘判定结果。本方案中，采用区域生长的方式进行点云滤波处理，可以有效地将点云中一些噪声点滤除，提升点云边缘检测精度，此外，采用多组不同邻域范围的邻域点集合的邻域特征矩阵进行融合处理以便分类模型进行分类判断，可以以简洁的模型结构得到高准确性的边缘检测结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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边缘检测方法的流程图；
图2为图1中S11包含的子步骤的流程图；
图3为图1中S14包含的子步骤的流程图；
图4为图3中S142包含的子步骤的流程图；
图5为图3中S142包含的子步骤的另一流程图；
图6为本申请实施例中分类模型的架构示意图；
图7为本申请实施例提供的点云边缘检测装置的功能模块框图；
图8为本申请实施例提供的电子设备的结构框图。
图标：110-点云边缘检测装置；111-第一划分模块；112-滤除模块；113-第二划分模块；114-获得模块；115-处理模块；120-处理器；130-存储器；140-通信模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
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。
在本发明的描述中，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，本发明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边缘检测方法的流程示意图，该点云边缘检测方法可由点云边缘检测装置来执行，该点云边缘检测装置可以由软件和/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。该点云边缘检测方法的详细步骤介绍如下。
S11，针对待检测的点云，基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分。
S12，根据各所述区域内包含的点的数量，对所述点云进行滤除处理。
S13，针对滤除处理后的点云中的各个点，以不同邻域范围划分得到该点的多组邻域点集合，各所述邻域点集合中包括在对应邻域范围内的多个邻域点。
S14，基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵。
S15，将多组邻域特征矩阵导入预先训练得到的分类模型，对多组邻域特征矩阵进行融合处理，基于融合处理得到的融合矩阵得到所述点的边缘判定结果。
本实施例中，待检测的点云为通过拍摄设备，例如3D相机所采集到的目标对象的图像中的点云数据，目标对象可以是如工件等物体模型。待检测的点云中包括多个点，多个点中包括边缘点以及非边缘点，其中，可能还存在一些噪声点。为了获得模型有关的底层几何结构的基本信息，需要确定出点云中的边缘点，因此，需要判定点云中的各个点为边缘点还是非边缘点。
点云中所存在的噪声点将对边缘检测判断造成干扰，因此，本实施例中，首先对点云进行滤除处理，以滤除掉点云中所存在的噪声点。
由于噪声点往往是独立于点云边缘所构成的平面或曲面（通常为平面）的点，在区域生长过程中，平面上的点可以逐渐生长然后扩展至整个平面，所形成区域中的点的数量远远大于噪声点生长所形成区域内的点的点数。因此，本实施例中，通过确定出点云中的种子点并采用区域生长的方式，以进行邻域点的区域划分，从而可以将点云划分为多个区域。再基于各个区域内包含的点的数量，对点云进行滤除处理。
例如，可以统计各个区域内包含的点的数量，将点的数量小于设定数量的区域进行滤除，即将该区域内的点进行滤除。从而可以将一些并未处于平面上的噪声点进行过滤，以避免这些噪声点所造成的点云边缘不明显的缺陷，提高后续点云边缘检测的精度。
在判断某个点为边缘点还是非边缘点时，需要结合与该点相邻的邻域点的相关特征进行判断。为了基于的特征信息能够尽可能丰富，以精准进行边缘检测，本实施例中，对于点云中的各个点，可以以不同邻域范围划分得到该点的多组邻域点集合，再基于多组邻域点集合得到的多组邻域特征矩阵进行边缘检测判断。
例如，可以按照四个不同的邻域范围进行邻域划分，得到对应的四组邻域点集合，假设每组邻域点集合中包含的邻域点的数量可分别为16、32、64、128。针对每组邻域点集合可以得到多个维度的邻域特征，假设为12维的邻域特征，即每组邻域特征矩阵为12维。如此，针对每个点，则可以得到该点的412维的邻域特征。
本实施例中，预先训练得到分类模型，该分类模型为多尺度融合及分类网络模型。分类模型可以预先基于包含多个样本的样本集进行训练得到，样本集包括正样本及负样本，正样本可为点云中的边缘点，负样本可为点云中的非边缘点。其中，正样本和负样本分别具有样本标签，即表征为边缘点的标签，或表征为非边缘点的标签。
按照上述类似方式获得各个样本的多组邻域特征矩阵后，将多组邻域特征矩阵导入构建的网络模型中对网络模型进行训练，基于网络模型对样本的输出结果以及样本的样本标签，并在构建的损失函数的指导下进行训练以对网络模型的模型参数进行调整，直至满足预设要求时停止迭代，得到训练完成的分类模型。
考虑到在大多数点云中，边缘点的数量一般远远少于非边缘点的数量，因此，本实施例中，在模型训练阶段采用焦点损失函数进行训练指导，从而以降低正负样本不平衡所带来的影响。
在实际应用阶段，则可以利用预先训练得到的分类模型对待检测的点云中的各个点进行边缘检测判断。针对点云中的各个点，将该点的多组邻域特征矩阵导入分类模型中，在分类模型中首先可将多组邻域特征矩阵进行融合处理得到融合矩阵，最终再基于融合矩阵得到点的边缘判定结果。
在将多组邻域特征矩阵进行融合处理时，例如邻域特征矩阵为四组，则可以两两进行拼接融合处理，再将得到的两组融合矩阵进行拼接融合处理得到最终的融合矩阵。当然，也可以采用其他的融合处理方式，本实施例在此不作具体限制，只要能够结合多组邻域特征矩阵的相关信息执行分类判断即可。
本实施例所提供的点云边缘检测方案，针对待检测的点云，首先采用区域生长的方式进行点云滤波处理，可以有效地将点云中未处于平面上的噪声点进行滤除，以提升点云边缘检测精度。此外，采用多组不同邻域范围的邻域点集合的邻域特征矩阵进行融合处理以便分类模型进行分类判断，可以以简洁的模型结构得到高准确性的边缘检测结果。
由上述可知，本实施例中，采用区域生长方式实现点云中的噪声点的滤除。而由拍摄设备所采集到的点云中，可能还存在一些无效点、重复点及孤立点。因此，本实施例中，在进行区域生长以进行点云滤除处理之前，还可首先通过以下方式对待检测的点云进行过滤处理：
基于所述点云中各个点的坐标信息将所述点云中的无效点和重复点进行滤除，针对所述点云中的各个点，查找所述点的第一设定半径范围内的邻域点，若查找到的邻域点的数量小于第一设定数量，则将所述点滤除。
本实施例中，由拍摄设备采集获得的点云中各个点具有坐标信息，坐标信息可以是世界坐标系下的坐标值。后续在进行区域生长、邻域特征矩阵计算等过程中均需要利用到点的坐标信息，因此需要各个点具有准确的坐标信息。而获得的点云中可能存在一些点的坐标信息并不符合要求，例如可能缺失某个坐标轴上的坐标值、坐标值明显错误等情况。可以将这些点判定为无效点，并将无效点进行滤除。
此外，获得的点云中可能还存在一些点的坐标信息是重复的，这些点可以判定为重复点，同样地，可以将重复点进行滤除。
此外，为了进一步地过滤掉点云中的冗余信息，还可以采用体素滤波的方式对点云进行滤波处理，以减少点云的点数，提高后续计算效率和算法运行速度。其中，体素滤波可以采用现有的常用的体素滤波方式，本实施例在此不作赘述。
在此基础上，为了过滤掉点云中一些距离点云平面较远的孤立点，可以通过对各个点进行一定范围内的邻域点查询，并基于查询到的邻域点的数量来判定点是否为孤立点，进而将判定为孤立点的点进行滤除。
实施时，可以基于点云中包含的点构建K-D树tree1，各个点映射为K-D树tree1中的各个节点。针对各个点，可以通过查询K-D树tree1，以查询在第一设定半径范围内该点的邻域点，若查询到的邻域点的数量小于第一设定数量，可以判定该点为孤立点，并将该点滤除处理。若查询到的邻域点的数量大于或等于第一设定数量，则可保留该点。
按照上述方式，对点云中的各个点进行遍历，并对遍历到的点进行检测判断，以完成所有点的检测判断为止。
由于采用上述方式仅能对距离点云平面较远的孤立点进行滤除，而对于距离点云平面较近的噪声点难以过滤，因此，在此基础上，再采用上述的区域生长的方式以过滤到点云中的噪声点。
请参阅图2，本实施例中，上述基于区域生长的方式对点云进行区域划分的步骤中，可以通过以下方式实现：
S111，针对所述点云中未进行区域划分的点，将曲率最小的点作为种子点。
S112，获得所述种子点的邻域点，根据所述邻域点的法向量和所述种子点的法向量判断是否将所述邻域点划分至所述种子点所属的区域。
S113，根据所述邻域点的曲率判断是否将所述邻域点转换为种子点，直至针对所述点云中的所有种子点均执行完成区域划分。
本实施例中，对于点云中的各个点，采用一定的判断机制以将各个点划分至对应区域中。在进行划分时，可以以种子点为基准进行划分。在选取种子点时可以将未进行区域划分的点中的曲率最小的点作为种子点。
针对种子点，可以获得该种子点的一定范围内的邻域点，构成邻域点集合。实施时，可以基于构建的K-D树以对种子点进行近邻查询，确定该种子点的邻域点。
针对邻域点集合中的各个邻域点，可以通过以下方式判断是否将邻域点划分至种子点所属的区域：
检测所述邻域点的法向量与所述种子点的法向量的夹角是否小于预设夹角；若小于预设夹角，检测所述邻域点到所述种子点所在的平面的距离是否小于预设距离；若小于预设距离，则判定将所述邻域点划分至所述种子点所属的区域。
此外，针对各邻域点而言，可检测该邻域点自身的曲率是否小于或等于预设曲率，若小于或等于预设曲率，则可以将该邻域点转换为种子点，并加入至种子点集合中。待某个种子点的邻域点集合中的所有邻域点均遍历完成之后，再从种子点集合中取下一个种子点，并执行上述的区域划分判断。直至种子点集合中的所有种子点均遍历完成，即执行完成区域划分为止。
如此可以将点云划分为多个区域，将其中区域内包含的点的数量小于设定数量的区域进行滤除。
虽然在上述区域生长之前已进行了孤立点的滤除处理，但是在经过区域生长并进行区域滤除时，会滤除掉点云中的一些点，可能会导致原本不是孤立点的点变成了孤立点，因此，本实施例中，在区域生长并进行区域滤除之后，还可通过以下方式再次执行孤立点的滤除处理：
针对所述点云中的各个点，查找所述点的第二设定半径范围内的邻域点，若查找到的邻域点的数量小于第二设定数量，则将所述点滤除。
本实施例中，同样地，可以基于点云中的点构建K-D树tree2，针对点云中的各个点，通过查询K-D树tree2，以寻找在第二设定半径范围内的邻域点，若邻域点的数量小于第二设定数量，可判定该点为孤立点，可将该点滤除。
至此，通过以上方式完成对待检测的点云的滤波处理。在此基础上，以不同邻域范围划分得到各个点的多组邻域点集合，并基于各邻域点集合中的邻域点获得对应的邻域特征矩阵。请参阅图3，本实施例中，邻域特征矩阵可通过以下方式获得：
S141，针对各所述邻域点集合，对所述邻域点集合的协方差矩阵进行SVD分解，得到奇异值以及奇异值对应的特征向量。
S142，将所述邻域点集合划分为两组子集合，根据所述邻域点集合和两组子集合中的邻域点，获得所述特征向量上的垂直分量和切向分量。
S143，对各所述子集合的协方差矩阵进行SVD分解，得到两组奇异值组。
S144，由所述垂直分量、切向分量和两组奇异值组构成邻域特征矩阵。
由于点云中的边缘点和非边缘点，在邻域点的协方差矩阵的SVD分解的奇异值以及特征向量上的分量上具有较大差异，因此，本实施例中，主要以奇异值以及特征向量上的分量构成邻域特征矩阵，以用于边缘点和非边缘点的检测判断。
本实施例中，假设当前所针对的邻域点集合中的邻域点的数量为k 1，可将该邻域点集合标记为，可以对该邻域点集合的协方差矩阵/>进行SVD分解（singular valuedecomposition，奇异值分解），以得到奇异值以及奇异值对应的特征向量。
为了以更多维度表示邻域特征，因此，本实施例中，可以将邻域点集合划分为两组子集合，分别基于各组子集合中的邻域点获得特征向量上的垂直分量和切向分量。
请参阅图4，本实施例中，可以通过以下方式将邻域点集合划分为两组子集合：
S1421，基于所述奇异值以及所述邻域点集合中的邻域点的第一质心对所述邻域点集合中的邻域点进行缩放处理。
S1422，基于所述特征向量和所述第一质心构建最小拟合平面，利用所述最小拟合平面将缩放处理后的邻域点集合中的邻域点划分至两组子集合。
本实施例中，可以通过以下方式计算得到邻域点集合的第一质心/>：
其中，表示邻域点集合/>中邻域点的数量。对邻域点集合/>的协方差矩阵/>按照以下公式进行SVD分解：
其中，假设协方差矩阵为一个m/>n的矩阵，则U i为一个m/>m的矩阵，/>是一个m/>n的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，V i为一个n/>n的矩阵。在SVD分解后，从/>中可得到协方差矩阵/>的奇异值/>、/>和/>，以及对应奇异值/>的特征向量/>。
可以利用奇异值、/>和第一质心/>，按照以下方式对邻域点集合/>中的邻域点p进行缩放处理，得到缩放处理后的邻域点集合/>：
基于特征向量与第一质心/>构建一个最小拟合平面，该最小拟合平面可以将缩放处理后的邻域点集合中的邻域点划分至两个子集合中/>和/>，这两个子集合可表征如下：
请参阅图5，在此基础上，根据邻域点集合和两组子集合中的邻域点，获得特征向量上的垂直分量和切向分量的步骤可以通过以下方式实现：
S1423，将两组所述子集合中的邻域点的子质心之间的距离分解为所述特征向量上的第一垂直分量和第一切向分量。
S1424，将所述点与所述邻域点集合的第一质心之间的距离分解为所述特征向量上的第二垂直分量和第二切向分量。
S1425，计算最大邻域点集合去除当前邻域点集合之后剩余的点的第二质心，将所述第一质心与第二质心之间的距离分解为所述特征向量上的第三垂直分量和第三切向分量。
本实施例中，可以通过以下公式分别计算两个子集合和/>的子质心/>、/>：
计算两个子质心和/>之间的距离，并将该距离分解为在向量/>上的第一垂直分量/>和第一切向分量/>：
为了改进异常值和边界的检测，可以计算当前所针对的点p i与邻域点集合的质心之间的距离，将该距离分解为在特征向量/>上的第二垂直分量/>和第二切向分量：
考虑到不同大小邻域之间的关联，假设最大邻域点集合为，可以计算最大邻域点集合去除当前邻域点集合之后剩余的点/>的第二质心/>。计算该第二质心/>与上述的第一质心/>之间的距离，并将该距离分解为在特征向量/>上的第三垂直分量/>和第三切向分量/>：
此外，对划分得到的两组子集合的协方差矩阵/>、进行SVD分解：
从分解后的和/>可得到两组奇异值组，分别标记为。
通过以上方式，可以得到由垂直分量、切向分量和两组奇异值组构成的邻域特征矩阵，具体地，包括第一垂直分量、第一切向分量、第二垂直分量、第二切向分量、第三垂直分量、第三切向分量以及两组奇异值组，得到的12维的邻域特征矩阵可表示如下：
在划分得到四个邻域范围对应的邻域点集合的情况下，最终得到的四组邻域特征矩阵构成的特征矩阵X i可表示如下：
在此基础上，针对点云中的各个点，可以将各个点的多组邻域特征矩阵导入预先训练得到的分类模型。在分类模型中，首先对多组邻域特征矩阵进行融合处理。
请结合参阅图6，在各个点具有四组邻域特征矩阵的情况下，在一种可能的实现方式中，可以将第一组邻域特征矩阵和第二组邻域特征矩阵/>在神经元上进行拼接融合得到24维的神经元，这24维神经元经过全连接网络以及leaky ReLU激活单元后得到12维神经元。与此同时，对第三组邻域特征矩阵/>和第四组邻域特征矩阵/>采用相同处理方式得到12维的神经元。
然后将两个12维神经元进行拼接得到24维神经元，这24维神经元再经过全连接网络以及leaky ReLU激活单元、dropout层的处理，最终通过softmax层输出点对应的边缘判定结果。本实施例中，在分类阶段加入dropout层，可以防止过度拟合，并且促进更稳定的分类检测。
本实施例所提供的点云边缘检测方法，克服了传统点云边缘检测算法对点云噪声的敏感性，显著减少了噪声点、孤立点等对边缘检测结果的影响。通过引入K-D树范围查询的方式，可以大大减少点云中的孤立点，且通过引入区域生长方式，有效地滤除点云中的噪声点。最终使得点云的边缘更加明显，有助于提高复杂环境下的点云边缘检测精度。
此外，采用多个不同的邻域范围划分得到多组邻域点集合，并得到多组邻域特征矩阵，可以使得提取的特征包含足够的信息以供分类模型分析处理，进而提高边缘检测算法的鲁棒性和稳定性。
进一步地，本实施例中使用了多尺度融合和分类网络构成的分类模型，可以将多个尺寸的特征有效融合。如此，整个模型网络可以更加简洁和紧凑，网络参数也可以大大减少，有助于减少前期的模型训练和测试时间。在保证点云边缘检测准确性的前提下，该方案在应用于实时性要求较高的场景时性能更佳。
基于同一发明构思，请参阅图7，示出了本申请实施例提供的点云边缘检测装置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点云边缘检测装置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115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7示出的点云边缘检测装置110只是一种装置示意图。其中，点云边缘检测装置110可以包括第一划分模块111、滤除模块112、第二划分模块113、获得模块114和处理模块115，下面分别对该点云边缘检测装置110的各个功能模块的功能进行详细阐述。
第一划分模块111，用于针对待检测的点云，基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分；
可以理解，该第一划分模块111可以用于执行上述步骤S11，关于该第一划分模块111的详细实现方式可以参照上述步骤S11有关的内容。
滤除模块112，用于根据各所述区域内包含的点的数量，对所述点云进行滤除处理；
可以理解，该滤除模块112可以用于执行上述步骤S12，关于该滤除模块112的详细实现方式可以参照上述步骤S12有关的内容。
第二划分模块113，用于针对滤除处理后的点云中的各个点，以不同邻域范围划分得到该点的多组邻域点集合，各所述邻域点集合中包括在对应邻域范围内的多个邻域点；
可以理解，该第二划分模块113可以用于执行上述步骤S13，关于该第二划分模块113的详细实现方式可以参照上述步骤S13有关的内容。
获得模块114，用于基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵；
可以理解，该获得模块114可以用于执行上述步骤S14，关于该获得模块114的详细实现方式可以参照上述步骤S14有关的内容。
处理模块115，用于将多组邻域特征矩阵导入预先训练得到的分类模型，将多组邻域特征矩阵进行融合处理，基于融合处理得到的融合矩阵得到所述点的边缘判定结果。
可以理解，该处理模块115可以用于执行上述步骤S15，关于该处理模块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，上述第一划分模块111可以用于：
针对所述点云中未进行区域划分的点，将曲率最小的点作为种子点；
获得所述种子点的邻域点，根据所述邻域点的法向量和所述种子点的法向量判断是否将所述邻域点划分至所述种子点所属的区域；
根据所述邻域点的曲率判断是否将所述邻域点转换为种子点，直至针对所述点云中的所有种子点均执行完成区域划分。
在一种可能的实现方式中，上述第一划分模块111可以用于：
检测所述邻域点的法向量与所述种子点的法向量的夹角是否小于预设夹角；
若小于预设夹角，检测所述邻域点到所述种子点所在的平面的距离是否小于预设距离；
若小于预设距离，则判定将所述邻域点划分至所述种子点所属的区域。
在一种可能的实现方式中，上述获得模块114可以用于：
针对各所述邻域点集合，对所述邻域点集合的协方差矩阵进行SVD分解，得到奇异值以及奇异值对应的特征向量；
将所述邻域点集合划分为两组子集合，根据所述邻域点集合和两组子集合中的邻域点，获得所述特征向量上的垂直分量和切向分量；
对各所述子集合的协方差矩阵进行SVD分解，得到两组奇异值组；
由所述垂直分量、切向分量和两组奇异值组构成邻域特征矩阵。
在一种可能的实现方式中，上述获得模块114可以用于：
将两组所述子集合中的邻域点的子质心之间的距离分解为所述特征向量上的第一垂直分量和第一切向分量；
将所述点与所述邻域点集合的第一质心之间的距离分解为所述特征向量上的第二垂直分量和第二切向分量；
计算最大邻域点集合去除当前邻域点集合之后剩余的点的第二质心，将所述第一质心与第二质心之间的距离分解为所述特征向量上的第三垂直分量和第三切向分量。
在一种可能的实现方式中，上述获得模块114可以用于：
基于所述奇异值以及所述邻域点集合中的邻域点的第一质心对所述邻域点集合中的邻域点进行缩放处理；
基于所述特征向量和所述第一质心构建最小拟合平面，利用所述最小拟合平面将缩放处理后的邻域点集合中的邻域点划分至两组子集合。
在一种可能的实现方式中，所述滤除模块112还可以用于：
基于所述点云中各个点的坐标信息将所述点云中的无效点和重复点进行滤除；
针对所述点云中的各个点，查找所述点的第一设定半径范围内的邻域点，若查找到的邻域点的数量小于第一设定数量，则将所述点滤除。
在一种可能的实现方式中，所述滤除模块112还可以用于：
针对所述点云中的各个点，查找所述点的第二设定半径范围内的邻域点，若查找到的邻域点的数量小于第二设定数量，则将所述点滤除。
请参阅图8，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边缘检测方法。
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8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8中所示更多或者更少的组件，或者具有与图8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边缘检测方法。
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，能够执行上述点云边缘检测方法。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边缘检测方法、装置和电子设备，基于点云中的种子点进行区域生长，以将种子点的邻域点进行区域划分，进而根据各区域内包含的邻域点的数量对点云进行滤除处理。再以不同邻域范围划分得到各个点的多组邻域点集合，基于各邻域点集合中的邻域点获得对应的邻域特征矩阵。将各个点的多组邻域特征矩阵导入预先训练得到的分类模型，将多组邻域特征矩阵进行融合处理，基于得到的融合矩阵得到各个点的边缘判定结果。本方案中，采用区域生长的方式进行点云滤波处理，可以有效地将点云中一些噪声点滤除，提升点云边缘检测精度，此外，采用多组不同邻域范围的邻域点集合的邻域特征矩阵进行融合处理以便分类模型进行分类判断，可以以简洁的模型结构得到高准确性的边缘检测结果。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种点云边缘检测方法，其特征在于，所述方法包括：
针对待检测的点云，基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分；
根据各所述区域内包含的点的数量，对所述点云进行滤除处理；
针对滤除处理后的点云中的各个点，以不同邻域范围划分得到该点的多组邻域点集合，各所述邻域点集合中包括在对应邻域范围内的多个邻域点；
基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵；
将多组邻域特征矩阵导入预先训练得到的分类模型，对多组邻域特征矩阵进行融合处理，基于融合处理得到的融合矩阵得到所述点的边缘判定结果；
所述基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵的步骤，包括：
针对各所述邻域点集合，对所述邻域点集合的协方差矩阵进行SVD分解，得到奇异值以及奇异值对应的特征向量；将所述邻域点集合划分为两组子集合，根据所述邻域点集合和两组子集合中的邻域点，获得所述特征向量上的垂直分量和切向分量；对各所述子集合的协方差矩阵进行SVD分解，得到两组奇异值组；由所述垂直分量、切向分量和两组奇异值组构成邻域特征矩阵；
所述将所述邻域点集合划分为两组子集合的步骤，包括：
基于所述奇异值以及所述邻域点集合中的邻域点的第一质心对所述邻域点集合中的邻域点进行缩放处理；基于所述特征向量和所述第一质心构建最小拟合平面，利用所述最小拟合平面将缩放处理后的邻域点集合中的邻域点划分至两组子集合；
所述根据所述邻域点集合和两组子集合中的邻域点，获得所述特征向量上的垂直分量和切向分量的步骤，包括：
将两组所述子集合中的邻域点的子质心之间的距离分解为所述特征向量上的第一垂直分量和第一切向分量；将所述点与所述邻域点集合的第一质心之间的距离分解为所述特征向量上的第二垂直分量和第二切向分量；计算最大邻域点集合去除当前邻域点集合之后剩余的点的第二质心，将所述第一质心与第二质心之间的距离分解为所述特征向量上的第三垂直分量和第三切向分量；
其中，利用以下公式对邻域点集合中的邻域点p进行缩放处理：
第一垂直分量和第一切向分量/>通过以下公式计算得到：
第二垂直分量和第二切向分量/>通过以下公式计算得到：
第三垂直分量和第三切向分量/>通过以下公式计算得到：
其中，表示缩放处理后的邻域点集合，/>、/>表示奇异值，/>和 />表示两组子集合的子质心，/>表示特征向量，p i表示所针对的点，/>表示第一质心，表示第二质心。
2.根据权利要求1所述的点云边缘检测方法，其特征在于，所述基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分的步骤，包括：
针对所述点云中未进行区域划分的点，将曲率最小的点作为种子点；
获得所述种子点的邻域点，根据所述邻域点的法向量和所述种子点的法向量判断是否将所述邻域点划分至所述种子点所属的区域；
根据所述邻域点的曲率判断是否将所述邻域点转换为种子点，直至针对所述点云中的所有种子点均执行完成区域划分。
3.根据权利要求2所述的点云边缘检测方法，其特征在于，所述根据所述邻域点的法向量和所述种子点的法向量判断是否将所述邻域点划分至所述种子点所属的区域的步骤，包括：
检测所述邻域点的法向量与所述种子点的法向量的夹角是否小于预设夹角；
若小于预设夹角，检测所述邻域点到所述种子点所在的平面的距离是否小于预设距离；
若小于预设距离，则判定将所述邻域点划分至所述种子点所属的区域。
4.根据权利要求1所述的点云边缘检测方法，其特征在于，所述基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分之前，所述方法还包括：
基于所述点云中各个点的坐标信息将所述点云中的无效点和重复点进行滤除；
针对所述点云中的各个点，查找所述点的第一设定半径范围内的邻域点，若查找到的邻域点的数量小于第一设定数量，则将所述点滤除。
5.根据权利要求4所述的点云边缘检测方法，其特征在于，所述根据各所述区域内包含的点的数量，对所述点云进行滤除处理的步骤之后，所述方法还包括：
针对所述点云中的各个点，查找所述点的第二设定半径范围内的邻域点，若查找到的邻域点的数量小于第二设定数量，则将所述点滤除。
6.一种点云边缘检测装置，其特征在于，用于实现权利要求1-5任意一项所述的点云边缘检测方法，所述装置包括：
第一划分模块，用于针对待检测的点云，基于所述点云中的种子点进行区域生长，以将所述种子点的邻域点进行区域划分；
滤除模块，用于根据各所述区域内包含的点的数量，对所述点云进行滤除处理；
第二划分模块，用于针对滤除处理后的点云中的各个点，以不同邻域范围划分得到该点的多组邻域点集合，各所述邻域点集合中包括在对应邻域范围内的多个邻域点；
获得模块，用于基于各所述邻域点集合中的邻域点获得对应的邻域特征矩阵；
处理模块，用于将多组邻域特征矩阵导入预先训练得到的分类模型，对多组邻域特征矩阵进行融合处理，基于融合处理得到的融合矩阵得到所述点的边缘判定结果。
7.一种电子设备，其特征在于，所述电子设备包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该电子设备实现权利要求1-5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841816.2A CN117495891B (zh) | 2023-12-29 | 2023-12-29 | 点云边缘检测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841816.2A CN117495891B (zh) | 2023-12-29 | 2023-12-29 | 点云边缘检测方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117495891A CN117495891A (zh) | 2024-02-02 |
| CN117495891B true CN117495891B (zh) | 2024-04-30 |
Family
ID=89673019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311841816.2A Active CN117495891B (zh) | 2023-12-29 | 2023-12-29 | 点云边缘检测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495891B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118015035A (zh) * | 2024-04-09 | 2024-05-10 | 法奥意威(苏州)机器人系统有限公司 | 基于单邻域特征的点云边缘检测方法、装置和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
| CN105182358A (zh) * | 2014-04-25 | 2015-12-23 | 谷歌公司 | 用于使用激光点云进行物体检测的方法和系统 |
| CN111862289A (zh) * | 2020-08-04 | 2020-10-30 | 天津大学 | 一种基于gan网络的点云上采样方法 |
| WO2022099528A1 (zh) * | 2020-11-12 | 2022-05-19 | 深圳元戎启行科技有限公司 | 点云法向量计算方法、装置、计算机设备和存储介质 |
| CN115330819A (zh) * | 2022-10-12 | 2022-11-11 | 杭州蓝芯科技有限公司 | 一种软包分割定位方法、工控机和机器人抓取系统 |
-
2023
- 2023-12-29 CN CN202311841816.2A patent/CN117495891B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105182358A (zh) * | 2014-04-25 | 2015-12-23 | 谷歌公司 | 用于使用激光点云进行物体检测的方法和系统 |
| CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
| CN111862289A (zh) * | 2020-08-04 | 2020-10-30 | 天津大学 | 一种基于gan网络的点云上采样方法 |
| WO2022099528A1 (zh) * | 2020-11-12 | 2022-05-19 | 深圳元戎启行科技有限公司 | 点云法向量计算方法、装置、计算机设备和存储介质 |
| CN115330819A (zh) * | 2022-10-12 | 2022-11-11 | 杭州蓝芯科技有限公司 | 一种软包分割定位方法、工控机和机器人抓取系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117495891A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| CN108107444B (zh) | 基于激光数据的变电站异物识别方法 | |
| CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
| CN111680542A (zh) | 基于多尺度特征提取和Pointnet神经网络的钢卷点云识别与分类方法 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
| CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
| CN110930456A (zh) | 基于pcl点云库的钣金零件的三维立体识别及定位方法 | |
| CN113129335B (zh) | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 | |
| CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
| CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111738319B (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
| CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
| CN114663373A (zh) | 一种用于零件表面质量检测的点云配准方法及装置 | |
| Ge et al. | Three-dimensional location methods for the vision system of strawberry-harvesting robots: development and comparison | |
| CN106980878B (zh) | 三维模型几何风格的确定方法及装置 | |
| CN114913519B (zh) | 一种3d目标检测方法、装置、电子设备及存储介质 | |
| CN116664867A (zh) | 一种基于多证据融合选取训练样本的特征提取方法及装置 | |
| CN116310902A (zh) | 一种基于轻量级神经网络的无人机目标检测方法及系统 | |
| Altundogan et al. | Multiple object tracking with dynamic fuzzy cognitive maps using deep learning | |
| CN115861352A (zh) | 单目视觉、imu和激光雷达的数据融合和边缘提取方法 | |
| CN115511853A (zh) | 基于方向可变特征的遥感船舶检测与识别方法 | |
| Han et al. | Feature based sampling: a fast and robust sampling method for tasks using 3D point cloud | |
| CN113723468B (zh) | 一种三维点云的物体检测方法 |
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 |