CN117495932B - 一种电力设备异源点云配准方法及系统 - Google Patents

一种电力设备异源点云配准方法及系统 Download PDF

Info

Publication number
CN117495932B
CN117495932B CN202311787202.0A CN202311787202A CN117495932B CN 117495932 B CN117495932 B CN 117495932B CN 202311787202 A CN202311787202 A CN 202311787202A CN 117495932 B CN117495932 B CN 117495932B
Authority
CN
China
Prior art keywords
point
point cloud
matching
characteristic
points
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
Application number
CN202311787202.0A
Other languages
English (en)
Other versions
CN117495932A (zh
Inventor
王恒
李金林
文雷
姚广耀
王冠华
牛健飞
耿风慧
穆明亮
谭洪强
郭广乾
李昊敏
黄涛
支增辉
刘韩奇
任军
于增志
李守正
王彩芝
邵选英
杨铠帆
王慧
董鹏程
田茂祥
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.)
State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Shandong Electric Power 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 State Grid Shandong Electric Power Co Ltd filed Critical State Grid Shandong Electric Power Co Ltd
Priority to CN202311787202.0A priority Critical patent/CN117495932B/zh
Publication of CN117495932A publication Critical patent/CN117495932A/zh
Application granted granted Critical
Publication of CN117495932B publication Critical patent/CN117495932B/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
    • G06T7/30—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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明涉及异源点云配准领域，具体公开一种电力设备异源点云配准方法及系统，对点云进行面检测，获得点云包含的所有特征面；点云包括源点云和目标点云，特征面包括平面和/或曲面；使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子；根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系；每个特征面匹配关系获得一组匹配点集；基于各个匹配点集对点云进行粗配准和精配准。本发明检测点云特征面，对特征面进行描述，相对于单独描述各个特征点，其鲁棒性更强，精度更高，同时使用神经网络提取特征，相对于人工设计特征，其特征提取更全面和有效。

Description

一种电力设备异源点云配准方法及系统
技术领域
本发明涉及异源点云配准领域，具体涉及一种电力设备异源点云配准方法及系统。
背景技术
基于三维点云对电力设备进行状态评估与故障诊断已成为当前电网重点发展方向，获取电力设备的三维信息是非常必要的，但是单个传感器因为遮挡问题往往采集不到电力设备的全部信息，更多的是需要多传感器配合来实现3D信息采集，然后融合多个传感器的信息得到目标3D信息。其中，异源点云配准技术是其关键环节。
当前，点云配准的流程分为特征点检测、特征点描述、特征点匹配、点云粗配准、点云精配准的步骤。特征点对的检测匹配精度决定了最终点云配准的精度，目前特征匹配依赖于点的邻域特征，容易造成误匹配，鲁棒性低。且描述子采用人工设计的特征，无法完全的描述检测点的特征。
发明内容
为解决上述问题，本发明提供一种电力设备异源点云配准方法及系统，检测点云特征面，对特征面进行描述，相对于单独描述各个特征点，其鲁棒性更强，精度更高，同时使用神经网络提取特征，相对于人工设计特征，其特征提取更全面和有效。
第一方面，本发明的技术方案提供一种电力设备异源点云配准方法，包括以下步骤：
对点云进行面检测，获得点云包含的所有特征面；所述点云包括源点云和目标点云，所述特征面包括平面和/或曲面；
使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子；
根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系；
每个特征面匹配关系获得一组匹配点集；
基于各个匹配点集对点云进行粗配准和精配准。
在一个可选的实施方式中，对点云进行面检测，获得点云的所有特征面，具体包括以下步骤：
创建特征面数据库，数据库中包含多种标准类型面的面方程；
对点云进行降采样；
遍历降采样后点云中的每个点；
针对当前点，选取该点指定半径范围内的所有点与该点构成点集；
将当前点集进行各个类型面的面方程拟合，若拟合后的方程参数与对应标准类型面的方程参数的误差小于指定值，则当前点集构成一个特征面，记为初始特征面；
使用递归方法将初始特征面周围的满足初始特征面方程的点加入到初始特征面，所有加入的点与当前点集构成最终的特征面；
已加入特征面的点后续不再遍历。
在一个可选的实施方式中，使用递归方法将初始特征面周围的满足初始特征面方程的点加入到初始特征面，所有加入的点与当前点集构成最终的特征面，具体包括：
将初始特征面最边缘的若干点记为第一点集，遍历第一点集中的每个点；
针对当前点，选取其指定范围内的点集构成第二点集；
将第二点集中的每个点依次带入到初始特征面方程中，若误差小于指定值则将对应点加入到初始特征面。
在一个可选的实施方式中，标准类型面包括平面、抛物柱面、圆柱面、马鞍面、圆锥面。
在一个可选的实施方式中，使用神经网络对点云的所有特征面进行特征提取，具体包括：
使用主干神经网络对点云的所有特征面进行特征提取，主干神经网络的损失函数为：
其中，表示源点云中第i个点p i的描述子，/>表示目标点云中与点p i对应的点q i的描述子，m为源点云的点数，n为目标点云的点数，R为旋转参数，t i为点p i的平移参数。
在一个可选的实施方式中，根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系，具体包括：
分别将源点云的各个特征面和目标点云的各个特征面根据面类型分组；
将源点云和目标点云的同一面类型分组中的特征面根据描述子相互匹配，获得对应的匹配关系。
在一个可选的实施方式中，将源点云和目标点云的同一面类型分组中的特征面根据描述子相互匹配，获得对应的匹配关系，具体包括：
针对第一个面类型分组，选取源点云的第一个特征面分别与目标点云的这一分组中的各个特征面计算描述子差异损失，最小的描述子差异损失对应的目标点云特征面为源点云第一个特征面的匹配面；
以此类推，对源点云的所有特征面与目标点云的所有特征面进行匹配。
在一个可选的实施方式中，每个特征面匹配关系获得一组匹配点集，具体包括：
取特征面的中心或重心作为表示点，获得特征面对应的匹配点集。
在一个可选的实施方式中，在基于各个匹配点集对点云进行粗配准和精配准之前，还包括去除匹配点集中的错误匹配点对的步骤，具体包括;
将源点云特征面的匹配点集记为第一匹配点集，将目标点云特征面的对应匹配点集记为第二匹配点集；
遍历第一匹配点集中的每个点；
针对当前点，根据距离特征找到与当前点最近的k个邻域点；
计算当前点和各个邻域点两两之间的距离，共得到M个距离；
遍历第二匹配点集中的每个点；
针对当前点，根据距离特征找到与当前点最近的k个邻域点；
计算当前点和各个邻域点两两之间的距离，共得到M个距离；
针对第一匹配点集和第二匹配点集中的一组匹配点，共得到2M个距离，将这2M个距离进行聚类，若匹配点对全部正确，距离值会全部两两聚到一起，若出现单独的距离，则认为出现错误匹配点对；将单独距离的两个点记为待确定点，两个待确定点所对应的两组匹配点对中至少有一组是错误的，针对每个待确定点，检测其与其他点所构成的距离是否也出现单独距离，若出现，则该待确定点所对应的匹配点对是错误的，在匹配点对中去除该点对。
第二方面，本发明的技术方案提供一种电力设备异源点云配准系统，包括，
特征面检测模块：对点云进行面检测，获得点云的所有特征面；所述点云包括源点云和目标点云，所述特征面包括平面和/或曲面；
特征提取模块：使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子；
特征面匹配模块：根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系；
匹配点集获取模块：每个匹配关系获得一组匹配点集；
配准模块：基于各个匹配点集对点云进行粗配准和精配准。
本发明提供的一种电力设备异源点云配准方法及系统，相对于现有技术，具有以下有益效果：首先检测点云包含的所有特征面，以特征面为单位进行特征提取获得描述子，再基于特征面的描述子对特征面进行匹配，最终获得多个匹配点集，相对于单独描述各个特征点，其鲁棒性更强，精度更高，同时使用神经网络提取特征，相对于人工设计特征，其特征提取更全面和有效。另外，本发明在进行特征面匹配时，先根据面类型分组，大幅度降低匹配的计算量，提高匹配速度。本发明基于距离特征去除匹配点集中的错误匹配点，提高配准精度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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是本发明实施例提供的一种电力设备异源点云配准方法流程示意图。
图2是本发明实施例提供的一种电力设备异源点云配准方法系统结构示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例提供一种电力设备异源点云配准方法，建立曲面方程库检测点云中的平面和曲面，为了准确的、全面的描述平面和曲面信息，采用点云特征描述器网络提取曲面特征，将源点云与目标点云中的所有曲面和平面输入到点云特征提取器中，输出对应的特征描述子，基于特征描述子进行3D面特征匹配，得到特征匹配对，进而基于面的质心或者中心得到匹配点对，基于匹配点之间的距离约束采用聚类的方法实现错误匹配点对的去除，基于RANSAC/最小二乘法等方法实现点云粗配准，最后基于粗配准位姿用ICP等方法做点云精配准。相比于特征点描述的方法，特征面描述的方法鲁棒性更强，其精度也更高。相对于人工设计的几何特征描述子而言，神经网络提取的特征会更全面，更有效。
图1是本发明实施例提供的一种电力设备异源点云配准方法流程示意图，如图1所示，该方法包括以下步骤。
S1，对点云进行面检测，获得点云包含的所有特征面。
其中点云包括源点云和目标点云，特征面包括平面和/或曲面。
S2，使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子。
S3，根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系。
S4，每个匹配关系获得一组匹配点集。
S5，基于各个匹配点集对点云进行粗配准和精配准。
本实施例主要包括点云平面和曲面提取、曲面和平面特征描述、特征点匹配、点云粗配准与精配准的步骤，在一个可选的实施方式中，为提高配准精度，还在配准之前将匹配点集中的错误匹配点对去除。以下对各个步骤进行详细说明。
步骤1，点云面检测。
对点云进行面检测，获得点云包含的所有特征面。该步骤是对源点云和目标点云均进行面检测，获得源点云的所有特征面和目标点云的所有特征面，特征面包括平面和/或曲面，一般电力设备的点云既包括平面又包括曲面。
在曲面数据库中可以存储平面、抛物柱面、圆柱面、马鞍面、圆锥面等曲面方程，遍历点云时，进行点云降采样降低计算量，然后遍历点云的每个点，在指定范围的邻域内选点集，利用该点集进行不同的曲面或平面方程拟合，若拟合误差小于指定值认为是曲面，然后进行曲面的延申，不断的添加周围的点到入该曲面上，若该点到曲面的距离大于指定阈值则停止，要不一直添加直到大于指定阈值，这里可以利用递归实现，加入到曲面上的点不再遍历，遍历剩下的点，得到点云中蕴藏的一些曲面和平面集合，待配准点云中的源点云、目标点云执行同样的操作。
具体包括以下步骤。
步骤1.1，创建特征面数据库，数据库中包含多种标准类型面的面方程。
本实施例中，标准类型面包括平面、抛物柱面、圆柱面、马鞍面、圆锥面。
步骤1.2，对点云进行降采样。
步骤1.3，遍历降采样后点云中的每个点。
步骤1.4，针对当前点，选取该点指定半径范围内的所有点与该点构成点集。
步骤1.5，将当前点集进行各个类型面的面方程拟合，若拟合后的方程参数与对应标准类型面的方程参数的误差小于指定值，则当前点集构成一个特征面，记为初始特征面。
步骤1.6，使用递归方法将初始特征面周围的满足初始特征面方程的点加入到初始特征面，所有加入的点与当前点集构成最终的特征面。
步骤1.6.1，将初始特征面最边缘的若干点记为第一点集，遍历第一点集中的每个点。
步骤1.6.2，针对当前点，选取其指定范围内的点集构成第二点集。
步骤1.6.3，将第二点集中的每个点依次带入到初始特征面方程中，若误差小于指定值则将对应点加入到初始特征面。
需要说明的是，已加入特征面的点后续不再遍历。
以检测球面、平面为例，平面、球面的一般方程为：
第一步，先检测源点云中的球面，遍历点云中的点，假设当前点为pi，求其指定半径范围内的点集，进行球面拟合，拟合方程如下，求下列组合可得到球面参数，求其拟合误差，若误差大于指定阈值认为此处不是球面，则继续遍历下一个点，若小于指定阈值，则进入下一步。
第二步，根据距离阈值求该点pi指定半径范围内最边缘的若干个点，然后求这些点指定范围内的点集pj（j∈1，2，……，h），循环所有的pj，将该点pj带入到球面方程中，若误差小于指定值则将该点加入到球面中，继续求该点指定范围内的点集，重复上述操作反复延拓点集合至到加入的点带入球面方程后大于指定阈值后才终止迭代，这里可用回溯实现。然后再循环其他pj，执行相同操作，以上所有遍历过的点都认为是该曲面上的点，不再重新遍历。然后再执行上一步。
目标点云也执行上述相同操作，实现源点云与目标点云中的球面检测。
第三步，检测点云中的平面，如第二步所述，但平面的拟合方程应该修改如下，然后继续循环第二步即可，可实现点云中的平面检测。
步骤2，点云特征描述。
该步骤使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子。
步骤1得到了源点云和目标点云中的平面、曲面集，遍历所有的平面、曲面，将属于该平面曲面的点输入到特征提取器中，这里可以用PointNet等主干神经网络实现，网络输出为所有曲面平面的特征向量，源点云、目标点云中的所有平面集合同理，得到了源点云、目标点云中所有平面的描述子。
需要说明的是，主干神经网络需要预先训练，训练前进行数据集制作，训练后进行测试。
数据集制作可由Solodworks建立电力设备上的三维模型，然后生成点云，将点云变换到指定姿态，生成的点云作为源点云，变换后的点云作为目标点云作为一个点云对，可变换多个位姿得到多组数据，得到训练数据集。
网络结构采用MLP作为基础提取结构，输入为源点云和目标点云，其中源点云和目标点云的姿态真实值是已知的，将源点云和目标点云的关系引入到该网络中。网络结构如下，输入源点云m*3（指m个三维点），目标点云的n*3（指n个三维点），然后经过主干特征提取网络中提取特征，最后输出（m+n）*a，其中a为特征维度。其中训练损失函数设计如下：
其中代表源点云中p i对应的特征描述子，/>对应目标点云中qi对应的特征描述子，一般情况下，这两点的特征描述子欧氏距离应该为0，根据该准则确定网络特征提取基准，训练点云特征网络提取器。这样训练使得源点云与目标点云对应点的描述子相同，达到特征描述子的提取效果。
测试阶段，将源点云与目标点云输入到点云点特征提取器中，输出每个点的特征，然后将输入源点云中面p i的点特征分别求和与取最大值、最小值组成的长度为a*3的向量作为该面的特征向量，其他的面同理，从而得到源点云、目标点云中对应曲面/平面的特征描述子。
步骤3，点云特征匹配。
该步骤根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系，并根据每个匹配关系获得一组匹配点集。
为降低特征匹配的计算量，该步骤先分别将源点云的各个特征面和目标点云的各个特征面根据面类型分组，再将源点云和目标点云的同一面类型分组中的特征面根据描述子相互匹配，获得对应的匹配关系。
具体的，得到曲面/平面等点集描述子后，将这些曲面按照平面、抛物柱面、圆柱面、马鞍面、圆锥面等分组。分组后，匹配平面时，只在源点云与目标点云中的平面集合中进行匹配，匹配球面时，只在源点云与目标点云中的球面集合中进行匹配，相对于遍历所有特征匹配，该方法可大幅度降低计算量，提高计算速度。
匹配时，根据描述之差异损失进行匹配。首先针对第一个面类型分组，选取源点云的第一个特征面分别与目标点云的这一分组中的各个特征面计算描述子差异损失，最小的描述子差异损失对应的目标点云特征面为源点云第一个特征面的匹配面。以此类推，对源点云的所有特征面与目标点云的所有特征面进行匹配。
以球面为例，找到源点云与目标点云中的所有球面，然后在球面的这个组内根据描述子差异损失进行特征的一一匹配，原理如表1所示。则对于源点云中的球面A，取特征损失最小的目标点云中的球面作为源点云球面A的匹配球面。
表1：球面描述子差异损失
确定源点云和目标点云中特征面的匹配关系之后，将每个特征面匹配关系获取一组匹配点集，可取每个特征面的中心或重心作为表示点，获得特征面对应的匹配点集。循环所有特征面，获得所有匹配点集。需要说明的是，每组匹配点集中包含若干组匹配点对。
步骤4，错误匹配点对去除。
匹配点对中往往存在一些错误匹配点，去除这些错误匹配点有利于提高后续的点云配准的精确性。遍历所有的匹配点集中的点pi，根据距离特征找到其最近的k个邻域点pj，pi与邻域点pj的点之间距离应该与目标点云qi与qj的距离相等，计算pi，pj这k+1个点两两之间的距离，qi与qj这k+1个点两两之间的距离，得到2M个距离，对该距离值进行聚类，全是正确匹配点的情况下，距离值会两两聚到一起，若出现单独的一个距离出现，则认为那个距离对应的两组匹配点至少由一组是错误的，再根据其他其中两个点与别的点的距离关系找出哪组匹配点对错误，则在匹配点对中去除该点对，遍历所有的匹配点对，完成匹配点对错误点的去除。
步骤4.1，将源点云特征面的匹配点集记为第一匹配点集，将目标点云特征面的对应匹配点集记为第二匹配点集。
步骤4.2，遍历第一匹配点集中的每个点，针对当前点，根据距离特征找到与当前点最近的k个邻域点，计算当前点和各个邻域点两两之间的距离，共得到M个距离。
步骤4.3，遍历第二匹配点集中的每个点；针对当前点，根据距离特征找到与当前点最近的k个邻域点；计算当前点和各个邻域点两两之间的距离，共得到M个距离。
步骤4.4，针对第一匹配点集和第二匹配点集中的一组匹配点，共得到2M个距离，将这2M个距离进行聚类，若匹配点对全部正确，距离值会全部两两聚到一起，若出现单独的距离，则认为出现错误匹配点对；将单独距离的两个点记为待确定点，两个待确定点所对应的两组匹配点对中至少有一组是错误的，针对每个待确定点，检测其与其他点所构成的距离是否也出现单独距离，若出现，则该待确定点所对应的匹配点对是错误的，在匹配点对中去除该点对。
例如，源点云的第一匹配点集中的点A，其近邻点为B、C、D；相应的目标点云的第二匹配点集中的点分别为A'、B'、C'、D'。分别计算A、B、C、D两两之间的距离，共六个距离AB、AC、AD、BC、BD、CD；分别计算A'、B'、C'、D'两两之间的距离，共六个距离A'B'、A'C'、A'D'、B'C'、B'D'、C'D'。
若匹配点对全部正确，则经聚类后应为（AB，A'B'）、（AC，A'C'）、（AD，A'D'）、（BC，B'C'）、（BD，B'D'）、（CD、C'D'）的匹配结果。如果出现单独距离没有聚类，说明存在错误匹配点对，例如AD未聚类，则说明AA'、DD'这两组匹配点对中有一组是错误的，如果AB、AC任意一个也出现未聚类的情况，则说明AA'匹配点对是错误匹配点对，如果BD、CD任意一个也出现未聚类的情况，则说明DD'匹配点对是错误匹配点对。
步骤5，点云粗配准。
得到去除错误匹配点对的匹配点集之后，可通过最小二乘法或者RANSAC方法进行源点云与目标点云之间的位姿估计，得到粗略的初始位姿。
其中最小二乘法如下所示，源点云与目标点云的关系如下所示。
其中r1，r2，r3，……，r9，t1，t2，t3是未知数，X`,Y`,Z`是目标点云中的点，X,Y,Z是源点云中的点，化简上式建立方程如下所示，一个点提供3个约束，若n个点，则可以组成3*n行的约束，求解该线性方程组，可实现位姿的最小二乘法估计，得到的位姿作为粗配准的位姿，当然，这里也可以用RANSAC方法实现。
步骤6，点云精配准。
初始位姿往往点云配准的精度不高，需要再粗配准提供的位姿下进一步做精确配准，这里用ICP算法等配准算法做精确配准即可。
对上述方案做了异源点云配准验证实验，将对应点之间的均方根误差作为点云配准精度的评价标准，实验结果证明，点云配准均方根误差在4mm以内。
上文中对于一种电力设备异源点云配准方法的实施例进行了详细描述，基于上述实施例描述的电力设备异源点云配准方法，本发明实施例还提供了一种与该方法对应的电力设备异源点云配准系统。
图2是本发明实施例提供的一种电力设备异源点云配准系统结构示意框图，电力设备异源点云配准系统200根据其所执行的功能，可以被划分为多个功能模块，如图2所示。所述功能模块可以包括：特征面检测模块210、特征提取模块220、特征面匹配模块230、匹配点集获取模块240、配准模块250。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
特征面检测模块210：对点云进行面检测，获得点云的所有特征面；其中点云包括源点云和目标点云，特征面包括平面和/或曲面。
特征提取模块220：使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子。
特征面匹配模块230：根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系。
匹配点集获取模块240：每个匹配关系获得一组匹配点集。
配准模块250：基于各个匹配点集对点云进行粗配准和精配准。
本实施例的电力设备异源点云配准系统用于实现前述的电力设备异源点云配准方法，因此该系统中的具体实施方式可见前文中的电力设备异源点云配准方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的电力设备异源点云配准系统用于实现前述的电力设备异源点云配准方法，因此其作用与上述方法的作用相对应，这里不再赘述。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (5)

1.一种电力设备异源点云配准方法，其特征在于，包括以下步骤：
对点云进行面检测，获得点云包含的所有特征面；所述点云包括源点云和目标点云，所述特征面包括平面和/或曲面；
使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子；
根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系；
每个特征面匹配关系获得一组匹配点集；
基于各个匹配点集对点云进行粗配准和精配准；
其中，对点云进行面检测，获得点云的所有特征面，具体包括以下步骤：
创建特征面数据库，数据库中包含多种标准类型面的面方程；
对点云进行降采样；
遍历降采样后点云中的每个点；
针对当前点，选取该点指定半径范围内的所有点与该点构成点集；
将当前点集进行各个类型面的面方程拟合，若拟合后的方程参数与对应标准类型面的方程参数的误差小于指定值，则当前点集构成一个特征面，记为初始特征面；
使用递归方法将初始特征面周围的满足初始特征面方程的点加入到初始特征面，所有加入的点与当前点集构成最终的特征面；
已加入特征面的点后续不再遍历；
其中，使用递归方法将初始特征面周围的满足初始特征面方程的点加入到初始特征面，所有加入的点与当前点集构成最终的特征面，具体包括：
将初始特征面最边缘的若干点记为第一点集，遍历第一点集中的每个点；
针对当前点，选取其指定范围内的点集构成第二点集；
将第二点集中的每个点依次带入到初始特征面方程中，若误差小于指定值则将对应点加入到初始特征面；
其中，使用神经网络对点云的所有特征面进行特征提取，具体包括：
使用主干神经网络对点云的所有特征面进行特征提取，主干神经网络的损失函数为：
其中，表示源点云中第i个点p i的描述子，/>表示目标点云中与点p i对应的点q i的描述子，m为源点云的点数，n为目标点云的点数，R为旋转参数，t i为点p i的平移参数；
其中，根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系，具体包括：
分别将源点云的各个特征面和目标点云的各个特征面根据面类型分组；
将源点云和目标点云的同一面类型分组中的特征面根据描述子相互匹配，获得对应的匹配关系；
其中，将源点云和目标点云的同一面类型分组中的特征面根据描述子相互匹配，获得对应的匹配关系，具体包括：
针对第一个面类型分组，选取源点云的第一个特征面分别与目标点云的这一分组中的各个特征面计算描述子差异损失，最小的描述子差异损失对应的目标点云特征面为源点云第一个特征面的匹配面；
以此类推，对源点云的所有特征面与目标点云的所有特征面进行匹配。
2.根据权利要求1所述的电力设备异源点云配准方法，其特征在于，标准类型面包括平面、抛物柱面、圆柱面、马鞍面、圆锥面。
3.根据权利要求2所述电力设备异源点云配准方法，其特征在于，每个特征面匹配关系获得一组匹配点集，具体包括：
取特征面的中心或重心作为表示点，获得特征面对应的匹配点集。
4.根据权利要求3所述的电力设备异源点云配准方法，其特征在于，在基于各个匹配点集对点云进行粗配准和精配准之前，还包括去除匹配点集中的错误匹配点对的步骤，具体包括;
将源点云特征面的匹配点集记为第一匹配点集，将目标点云特征面的对应匹配点集记为第二匹配点集；
遍历第一匹配点集中的每个点；
针对当前点，根据距离特征找到与当前点最近的k个邻域点；
计算当前点和各个邻域点两两之间的距离，共得到M个距离；
遍历第二匹配点集中的每个点；
针对当前点，根据距离特征找到与当前点最近的k个邻域点；
计算当前点和各个邻域点两两之间的距离，共得到M个距离；
针对第一匹配点集和第二匹配点集中的一组匹配点，共得到2M个距离，将这2M个距离进行聚类，若匹配点对全部正确，距离值会全部两两聚到一起，若出现单独的距离，则认为出现错误匹配点对；将单独距离的两个点记为待确定点，两个待确定点所对应的两组匹配点对中至少有一组是错误的，针对每个待确定点，检测其与其他点所构成的距离是否也出现单独距离，若出现，则该待确定点所对应的匹配点对是错误的，在匹配点对中去除该点对。
5.一种电力设备异源点云配准系统，其特征在于，该系统执行权利要求1-4任一项所述的方法，包括，
特征面检测模块：对点云进行面检测，获得点云的所有特征面；所述点云包括源点云和目标点云，所述特征面包括平面和/或曲面；
特征提取模块：使用神经网络对点云的所有特征面进行特征提取，获得各个特征面的描述子；
特征面匹配模块：根据描述子将源点云的特征面与目标点云的特征面进行匹配，获得源点云各个特征面与目标点云的各个特征面的匹配关系；
匹配点集获取模块：每个匹配关系获得一组匹配点集；
配准模块：基于各个匹配点集对点云进行粗配准和精配准。
CN202311787202.0A 2023-12-25 2023-12-25 一种电力设备异源点云配准方法及系统 Active CN117495932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311787202.0A CN117495932B (zh) 2023-12-25 2023-12-25 一种电力设备异源点云配准方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311787202.0A CN117495932B (zh) 2023-12-25 2023-12-25 一种电力设备异源点云配准方法及系统

Publications (2)

Publication Number Publication Date
CN117495932A CN117495932A (zh) 2024-02-02
CN117495932B true CN117495932B (zh) 2024-04-16

Family

ID=89683232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311787202.0A Active CN117495932B (zh) 2023-12-25 2023-12-25 一种电力设备异源点云配准方法及系统

Country Status (1)

Country Link
CN (1) CN117495932B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241059A (zh) * 2018-08-30 2019-01-18 百度在线网络技术（北京）有限公司 一种点云数据的构造方法、装置、电子设备及存储介质
CN109389625A (zh) * 2018-10-08 2019-02-26 湖南大学 一种基于多尺度描述子筛除误匹配的三维图像配准方法
CN110276790A (zh) * 2019-06-28 2019-09-24 易思维（杭州）科技有限公司 基于形状约束的点云配准方法
CN110766733A (zh) * 2019-10-28 2020-02-07 广东三维家信息科技有限公司 单空间点云配准方法及装置
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN113706710A (zh) * 2021-08-11 2021-11-26 武汉大学 基于fpfh特征差异的虚拟点多源点云融合方法及系统
WO2022078433A1 (zh) * 2020-10-15 2022-04-21 左忠斌 一种多点组合式3d采集系统及方法
CN114840925A (zh) * 2022-04-26 2022-08-02 成都信息工程大学 一种车身部分测量数据到整体cad模型的配准方法
WO2022165876A1 (zh) * 2021-02-06 2022-08-11 湖南大学 一种基于wgan的无监督多视角三维点云联合配准方法
CN114937066A (zh) * 2022-06-09 2022-08-23 重庆理工大学 基于交叉偏移特征与空间一致性的点云配准系统及方法
CN115033967A (zh) * 2022-06-27 2022-09-09 北京航空航天大学 一种基于点云数据的建筑物模板实例化建模方法
CN115564811A (zh) * 2022-09-28 2023-01-03 国网江苏省电力有限公司电力科学研究院 一种变压器接线端子点云配准方法
CN115661509A (zh) * 2022-09-27 2023-01-31 上海可明科技有限公司 基于三维点云icp配准算法的手术器械识别分类方法
CN117132630A (zh) * 2023-06-10 2023-11-28 湖北工业大学 一种基于二阶空间兼容性度量的点云配准方法
WO2023226429A1 (zh) * 2022-05-24 2023-11-30 东南大学 基于设计-实测点云模型的预制梁体数字预拼装匹配方法
CN117192513A (zh) * 2023-09-07 2023-12-08 吉林大学 一种雪天环境下路侧激光雷达背景过滤方法
CN117274339A (zh) * 2023-10-24 2023-12-22 南京信息工程大学 一种基于改进的iss-3dsc特征结合icp的点云配准方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10510435B2 (en) * 2013-04-30 2019-12-17 California Institute Of Technology Error correction of multiplex imaging analysis by sequential hybridization
US10536860B2 (en) * 2017-05-10 2020-01-14 Facebook, Inc. Multi-hop wireless network planning

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241059A (zh) * 2018-08-30 2019-01-18 百度在线网络技术（北京）有限公司 一种点云数据的构造方法、装置、电子设备及存储介质
CN109389625A (zh) * 2018-10-08 2019-02-26 湖南大学 一种基于多尺度描述子筛除误匹配的三维图像配准方法
CN110276790A (zh) * 2019-06-28 2019-09-24 易思维（杭州）科技有限公司 基于形状约束的点云配准方法
CN110766733A (zh) * 2019-10-28 2020-02-07 广东三维家信息科技有限公司 单空间点云配准方法及装置
WO2022078433A1 (zh) * 2020-10-15 2022-04-21 左忠斌 一种多点组合式3d采集系统及方法
WO2022165876A1 (zh) * 2021-02-06 2022-08-11 湖南大学 一种基于wgan的无监督多视角三维点云联合配准方法
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN113706710A (zh) * 2021-08-11 2021-11-26 武汉大学 基于fpfh特征差异的虚拟点多源点云融合方法及系统
CN114840925A (zh) * 2022-04-26 2022-08-02 成都信息工程大学 一种车身部分测量数据到整体cad模型的配准方法
WO2023226429A1 (zh) * 2022-05-24 2023-11-30 东南大学 基于设计-实测点云模型的预制梁体数字预拼装匹配方法
CN114937066A (zh) * 2022-06-09 2022-08-23 重庆理工大学 基于交叉偏移特征与空间一致性的点云配准系统及方法
CN115033967A (zh) * 2022-06-27 2022-09-09 北京航空航天大学 一种基于点云数据的建筑物模板实例化建模方法
CN115661509A (zh) * 2022-09-27 2023-01-31 上海可明科技有限公司 基于三维点云icp配准算法的手术器械识别分类方法
CN115564811A (zh) * 2022-09-28 2023-01-03 国网江苏省电力有限公司电力科学研究院 一种变压器接线端子点云配准方法
CN117132630A (zh) * 2023-06-10 2023-11-28 湖北工业大学 一种基于二阶空间兼容性度量的点云配准方法
CN117192513A (zh) * 2023-09-07 2023-12-08 吉林大学 一种雪天环境下路侧激光雷达背景过滤方法
CN117274339A (zh) * 2023-10-24 2023-12-22 南京信息工程大学 一种基于改进的iss-3dsc特征结合icp的点云配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于特征提取和匹配的点云自动配准算法;马山庄;;科技创新与应用;20160908(25);全文 *

Also Published As

Publication number Publication date
CN117495932A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN108376408B (zh) 一种基于曲率特征的三维点云数据快速加权配准方法
CN108022262A (zh) 一种基于点的邻域重心向量特征的点云配准方法
CN109697692B (zh) 一种基于局部结构相似的特征匹配方法
CN107481274B (zh) 一种三维作物点云的鲁棒性重构方法
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
CN111027140B (zh) 基于多视角点云数据的飞机标准件模型快速重构方法
CN104867137A (zh) 一种基于改进ransac算法的图像配准方法
CN105654483A (zh) 三维点云全自动配准方法
WO2022237225A1 (zh) 针对具有平面基准但不完整的三维扫描点云的在线实时配准方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
CN115409886B (zh) 一种基于点云的零件几何特征测量方法、装置及系统
CN114743259A (zh) 位姿估计方法、位姿估计系统、终端、存储介质及应用
CN116402866A (zh) 基于点云的零件数字孪生几何建模与误差评定方法及系统
CN114663373A (zh) 一种用于零件表面质量检测的点云配准方法及装置
CN114648445B (zh) 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法
CN113450269A (zh) 一种基于3d视觉的点云关键点提取方法
CN110490915B (zh) 一种基于卷积受限玻尔兹曼机的点云配准方法
CN102254353B (zh) 一种三维模型的特征描述方法
Xing et al. Efficient MSPSO sampling for object detection and 6-D pose estimation in 3-D scenes
CN117495932B (zh) 一种电力设备异源点云配准方法及系统
CN111553410B (zh) 基于关键点局部曲面特征直方图和空间关系的点云识别方法
CN113313200A (zh) 一种基于法向约束的点云精匹配方法
CN117115390A (zh) 一种变电站中变电设备的三维模型布局方法
Tran et al. 3D point cloud registration based on the vector field representation
Liu et al. A fast weighted registration method of 3d point cloud based on curvature feature

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