CN117576172A - 基于改进关键点的配准方法和装置 - Google Patents
基于改进关键点的配准方法和装置 Download PDFInfo
- Publication number
- CN117576172A CN117576172A CN202410047881.6A CN202410047881A CN117576172A CN 117576172 A CN117576172 A CN 117576172A CN 202410047881 A CN202410047881 A CN 202410047881A CN 117576172 A CN117576172 A CN 117576172A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional
- points
- target point
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 70
- 230000009466 transformation Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于改进关键点的配准方法和装置,对于获取的源点云进行聚类处理,以得到多个点云簇,并确定出多个点云簇中的目标点云簇。基于目标点云簇中的各个三维点及三维点的多个邻近点构成协方差矩阵,对协方差矩阵进行分解获得三维点的法向量。基于目标点云簇中每个关键点的法向量,确定目标点云簇中的关键点,并基于目标点云簇和目的点云中的关键点实现两者间的配准。本方案中,采用三维点聚类方式,从而可以确定出目标对象对应的目标点云簇,排除其他对象的干扰点云簇。此外,采用基于点云本身特征的法向量计算方式确定关键点,可以提取更具几何特征的关键点,进而提高配准速度和精度。
Description
技术领域
本申请涉及三维点云处理技术领域,具体而言,涉及一种基于改进关键点的配准方法和装置。
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。基于关键点的点云配准是一种通过识别两个或多个点云中的显著关键点,并通过匹配这些关键点来对点云进行对齐的方法。关键点也称为兴趣点,是通过定义检测标准来获取的具有稳定性、区别性的点集。从技术上来说,关键点的数量要比原始点云的数目少很多,与局部特征描述子结合在一起,组成关键点描述子常用来形成原始数据的紧凑表示,而且不失代表性与描述性,从而加快识别、追踪数据的处理速度。故而,关键点提取成了2D和3D信息处理中不可或缺的关键技术。
现有的基于关键点特征的点云配准方法中,通过深度相机实际获取的点云图中,由于相机的拍摄视角,可能拍摄得到除了所需点云之外的其他对象的点云,这些点云将对配准过程造成干扰。此外,现有配准方法中,在选取点云中用于配准的关键点时,关键点缺乏代表性,在配准所需时间和配准精度上均存在不足。
发明内容
本申请的目的包括,例如,提供了一种基于改进关键点的配准方法和装置,其能够排除其他对象的干扰点云簇且提取更具几何特征的关键点,进而提高配准速度和精度。
本申请的实施例可以这样实现:
第一方面,本申请提供一种基于改进关键点的配准方法,所述方法包括:
对获取的源点云中的多个三维点进行聚类处理,以将所述多个三维点聚类为多个点云簇,并确定出所述多个点云簇中的目标点云簇;
针对所述目标点云簇中的每个三维点,基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵,对所述协方差矩阵进行分解获得所述三维点的法向量;
根据所述目标点云簇中每个三维点的法向量,确定出所述目标点云簇中的关键点;
基于所述目标点云簇中的关键点以及目的点云中的关键点实现所述目标点云簇与所述目的点云的配准。
在可选的实施方式中,所述基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵的步骤,包括:
确定所述三维点以及所述三维点的多个邻近点的质心点;
计算所述多个邻近点中距离所述三维点的最大距离,将所述最大距离作为高斯权重;
基于所述多个邻近点、质心点以及高斯权重构建得到协方差矩阵。
在可选的实施方式中,所述对所述协方差矩阵进行分解获得所述三维点的法向量的步骤,包括:
对所述协方差矩阵进行特征值分解,获得多个特征值以及各所述特征值对应的特征向量;
确定所述多个特征值中最小特征值对应的特征向量,将确定出的特征向量作为所述三维点的法向量。
在可选的实施方式中,所述基于所述目标点云簇中每个三维点的法向量,确定出所述目标点云簇中的关键点的步骤,包括:
针对所述目标点云簇中的每个三维点,确定所述三维点的多个邻近点;
计算各所述邻近点的法向量与所述三维点的法向量之间的夹角,将夹角大于预设夹角的邻近点确定为关键点。
在可选的实施方式中,所述基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵的步骤之前,所述方法还包括:
采用初始参数并基于所述目标点云簇中的多个三维点构建三维网格,所述三维网格包括多个网格单元,各所述三维点位于所述多个网格单元中的其中一个网格单元;
针对各所述网格单元,基于所述网格单元中的三维点确定所述网格单元中的目标三维点,并将所述网格单元中除所述目标三维点之外的其他三维点滤除;
计算滤除处理之后所述目标点云簇的点云密度,若所述点云密度大于预设密度,则更新所述初始参数得到更新参数,基于所述更新参数和滤除处理之后的目标点云簇中的目标三维点构建三维网格后继续进行滤除处理,直至得到的点云密度小于或等于所述预设密度为止。
在可选的实施方式中,所述基于所述网格单元中的三维点确定所述网格单元中的目标三维点的步骤,包括:
基于所述网格单元中的三维点确定所述网格单元的质心点;
计算所述网格单元中各所述三维点与所述质心点的距离,将最小距离对应的三维点作为所述网格单元的目标三维点。
在可选的实施方式中,所述基于所述目标点云簇中的关键点以及所述目的点云中的关键点实现所述目标点云簇与所述目的点云的配准的步骤,包括:
获得所述目标点云簇中各个关键点的特征描述子以及所述目的点云中各个关键点的特征描述子;
基于所述目标点云簇中各所述关键点的特征描述子以及所述目的点云中各所述关键点的特征描述子对所述目标点云簇和所述目的点云中的关键点进行匹配,得到多个匹配点对;
根据所述多个匹配点对计算得到粗变换矩阵,基于所述粗变换矩阵对所述目标点云簇进行粗配准;
基于粗配准后的目标点云簇和目的点云,并利用最小二乘法计算精变换矩阵,基于所述精变换矩阵对所述粗配准后的目标点云簇进行精配准。
在可选的实施方式中,所述获得所述目标点云簇中各个关键点的特征描述子的步骤,包括:
针对所述目标点云簇中的各个关键点,基于所述关键点构建包围球体,所述包围球体被划分为多个立方体;
计算各所述立方体相对于所述关键点的权重;
根据多个立方体对应的多个权重,构建所述关键点的特征描述子。
在可选的实施方式中,所述计算各所述立方体相对于所述关键点的权重的步骤,包括:
针对各所述立方体,计算得到所述立方体的体积;
计算所述立方体所在的半径范围内所述关键点的邻近点的点数;
根据所述点数和所述体积计算得到局部点密度;
基于所述立方体的体积以及所述局部点密度,计算得到所述立方体相对于所述关键点的权重。
第二方面,本申请提供一种基于改进关键点的配准装置,所述装置包括:
聚类模块,用于对获取的源点云中的多个三维点进行聚类处理,以将所述多个三维点聚类为多个点云簇,并确定出所述多个点云簇中的目标点云簇;
构建模块,用于针对所述目标点云簇中的每个三维点,基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵,对所述协方差矩阵进行分解获得所述三维点的法向量;
确定模块,用于根据所述目标点云簇中每个三维点的法向量,确定出所述目标点云簇中的关键点;
配准模块,用于基于所述目标点云簇中的关键点以及目的点云中的关键点实现所述目标点云簇与所述目的点云的配准。
本申请实施例的有益效果包括,例如:
本申请提供一种基于改进关键点的配准方法和装置,对于获取的源点云进行聚类处理,以得到多个点云簇,并确定出多个点云簇中的目标点云簇。基于目标点云簇中的各个三维点及三维点的多个邻近点构成协方差矩阵,对协方差矩阵进行分解获得三维点的法向量。基于目标点云簇中每个关键点的法向量,确定目标点云簇中的关键点,并基于目标点云簇和目的点云中的关键点实现两者间的配准。本方案中,采用三维点聚类方式,从而可以确定出目标对象对应的目标点云簇,排除其他对象的干扰点云簇,此外,采用基于点云本身特征的法向量计算方式确定关键点,可以提取更具几何特征的点,进而提高配准速度和精度。
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基于改进关键点的配准方法的流程图;
图2为本申请实施例中采集的源点云的示意图;
图3为本申请实施例提供的基于改进关键点的配准方法中,滤除处理方法的流程图;
图4(a)至图4(d)为网格单元中不同类型的三维点的示意图;
图5为图3中S22包含的子步骤的流程图;
图6为图1中S12包含的子步骤的流程图;
图7为图1中S12包含的子步骤的另一流程图;
图8为图1中S13包含的子步骤的流程图;
图9为图1中S14包含的子步骤的流程图;
图10为图9中S141包含的子步骤的流程图;
图11为本申请实施例提供的基于改进关键点的配准装置的功能模块框图;
图12为本申请实施例提供的电子设备的结构框图。
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,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基于改进关键点的配准方法的流程示意图,该基于改进关键点的配准方法可由基于改进关键点的配准装置来执行,该基于改进关键点的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。该基于改进关键点的配准方法的详细步骤介绍如下。
S11,对获取的源点云中的多个三维点进行聚类处理,以将多个三维点聚类为多个点云簇,并确定出多个点云簇中的目标点云簇。
S12,针对目标点云簇中的每个三维点,基于三维点以及三维点的多个邻近点构建协方差矩阵,对协方差矩阵进行分解获得三维点的法向量。
S13,根据目标点云簇中每个三维点的法向量,确定出目标点云簇中的关键点。
S14,基于目标点云簇中的关键点以及目的点云中的关键点实现目标点云簇与目的点云的配准。
本实施例中,源点云可以是通过深度相机对目标对象进行拍摄后所获得的图像中的点云,源点云中包括多个三维点。实际拍摄时,由于受深度相机的视野大小及拍摄角度的影响,采集到的源点云中往往会出现多团点云。例如,图2中所示,源点云包括多团点云,其中包括目标对象对应的点云,此外,可能还包括其他对象对应的点云(干扰点云),如远处的物体、地面等。而其他对象的点云将干扰后续的配准操作,因此,需要将其他对象的点云进行去除处理。
同一对象的三维点一般较为集中,而不同对象的三维点之间比较分散。基于此,可以通过对源点云中的多个三维点进行聚类处理,从而将多个三维点聚类为多个点云簇,其中,一个点云簇中的三维点即对应一个对象。
由于三维点的采集主要是针对目标对象进行采集,因此,目标对象所对应的点云簇往往具有较多数量的三维点。因此,在将源点云聚类为多个点云簇之后,可以将其中包含三维点的数量最多的点云簇作为目标点云簇,即目标对象对应的点云簇。同时,可以将源点云中除目标点云簇之外的其他点云簇进行滤除处理,从而避免其他点云簇对配准造成干扰。
在现有的配准方法中,往往是在对点云进行干扰点滤除等处理之后,将滤除处理后的点云中的三维点作为关键点以用于配准。但是,仅仅通过滤除等处理后剩余的三维点可能并不具备显著几何变化特征,进而导致影响配准速度且降低配准精度。
法向量可用于识别具有显著几何特征变化的三维点,可用于区分不同物体的几何特征,帮助确定点云之间的最佳变换,以最小化它们之间的差异。基于此,本实施例中,采用计算目标点云簇中各个三维点的法向量,进而基于法向量这一特征确定出目标点云簇中的关键点。
进一步地,本实施例中,为了更加体现点云本身特性,在计算各个三维点的法向量时,具体是通过三维点及其邻近点构建协方差矩阵,通过对协方差矩阵进行分解以计算得到三维点的法向量。如此,可以基于点云本身特性所计算得到的法向量来确定后续配准所用的关键点。
其中,邻近点是指在空间位置上距离某个三维点较近的一定范围内的三维点,可以基于需求设置该一定范围的大小。
此外,本实施例中,还可获得目的点云,目的点云可以是基于计算机设备中的相关软件所构建的目标对象的点云,或者是采用深度相机从相对于源点云而言的其他角度所采集的点云等。获得的目的点云中可能仅包括目标对象对应的点云,也可能还包括除目标对象对应的点云之外的其他点云。
在目的点云仅包含目标对象对应的点云时,可以采用与目标点云簇相同的关键点确定方式确定出目的点云中的关键点。在目的点云除目标对象对应的点云之外还包括其他点云时,可以采用上述基于源点云筛选出目标点云簇并从目标点云簇中确定出关键点的相同方式确定出目的点云中的关键点。
基于此,可以根据目标点云簇和目的点云中的关键点实现目标点云簇与目的点云的配准。
本实施例所提供的基于改进关键点的配置方法,采用三维点聚类方式,从而可以确定出目标对象对应的目标点云簇,排除其他对象的干扰点云簇。此外,采用基于更具点云本身特征的法向量计算方式确定关键点,可以提取更具几何特征的关键点,进而提高配准速度和精度。
本实施例中,在上述对源点云中的多个三维点进行聚类处理时,可以基于多个三维点构建Kd树Kd-Tree,以用于对三维空间中的三维点进行组织和搜索。选取源点云中的任意一个三维点P,基于Kd树搜索得到该三维点P的k个邻近点,并计算k个邻近点中各个邻近点与三维点P之间的距离。可以将距离小于预设距离的邻近点加入聚类点集C[m]中,其中,m表示聚类标签,相同的m代表同一个点云簇。
在得到聚类点集C[m]之后,可以取该聚类点集中除三维点P之外的其他三维点,重新进行点搜索和基于距离的判断,直至聚类点集C[m]中的三维点都完成搜索为止。
本实施例中,可以在源点云中先排除开已经具有聚类标签的三维点,即表示这些三维点构成一个点云簇。然后更新m标签,开始下一轮的聚类搜索,直至源点云中的所有三维点全部完成搜索,得到基于源点云聚类得到的多个点云簇。然后将多个点云簇中包含三维点最多的点云簇作为目标点云簇。
本实施例中,考虑到目标点云簇中可能还存在一些冗余点和噪声点,这些冗余点和噪声点对于表示场景或对象的整体结构并无贡献,反而会干扰配准过程且降低配准速度。
此外,目标点云簇一般为目的点云的子集,但目标点云簇和目的点云的密度可能相差较大,当两者密度均匀且相近时,更利于两者之间的配准。因此,可以对目标点云簇进行降采样处理,以去除目标点云簇中的冗余点和噪声点,并且将目标点云簇中三维点的密度降低。从而使得目标点云簇更加简洁,减少其数据量进而提高处理速度和效率,同时保留有整体结构的关键信息。
基于此,请参阅图3,在上述构建协方差矩阵以计算三维点的法向量的步骤之前,本实施例所提供的基于改进关键点的配准方法还可包括以下步骤:
S21,采用初始参数并基于目标点云簇中的多个三维点构建三维网格,三维网格包括多个网格单元,各三维点位于多个网格单元中的其中一个网格单元。
S22,针对各网格单元,基于网格单元中的三维点确定网格单元中的目标三维点,并将网格单元中除目标三维点之外的其他三维点滤除。
S23,计算滤除处理之后目标点云簇的点云密度,若点云密度大于预设密度,则更新初始参数得到更新参数,基于更新参数和滤除处理之后的目标点云簇中的目标三维点构建三维网格后继续进行滤除处理,直至得到的点云密度小于或等于预设密度为止。
本实施例中,三维网格可以理解为可包围目标点云簇中的多个三维点的最小包围盒。三维网格可以划分为多个网格单元,网格单元可以理解为立方体。如此,目标点云簇中的各个三维点将落入各个网格单元中,一个网格单元中可能具有一个或多个三维点,也可能不具有三维点。
所述的初始参数可以包括网格单元的数量、网格单元的边长等参数。初始参数可以基于点云的特性以及应用需求进行设置。
针对各个网格单元,若网格单元内的三维点的数量较少,例如数量低于预设数量时,可以将该网格单元内的三维点视为离散点,可以将该网格单元中的三维点滤除,并且删除该网格单元,以避免影响后续点云密度的计算。
为了进一步进行降采样,以降低目标点云簇中的点密度,还可以通过确定各个网格单元中的代表点,删除网格单元中除代表点之外的其他三维点,从而实现降采样。
在现有的传统方式中,在确定网格单元的代表点时,一般是将网格单元的中心点确定为代表点。但是实际场景中,深度相机拍摄的点云一般获得的是物体表面上的点,即多为图4(a)中所示,三维点多聚集于网格单元的一侧。这种情况下若使用网格单元的中心点(A点)作为代表点,无法合理表征该网格单元的特征,进而影响后续的点云配准精度。
然而若使用距离中心点最近的三维点(B点)作为代表点,即图4(b)中所示,由于该距离中心点最近的三维点可能偏离主体点云团,因此,这种方式也不合理。
此外,现有还有一些方案中采用如图4(c)中网格单元的质心点(C点)作为代表点,但是由于网格单元的质心点是通过网格单元中所有三维点的位置信息所确定,因此,质心点是通过计算得到的,而并非是网格单元中实际存在的三维点。针对高密度点云而言,这种方式可较好地表针结果,对结果影响较小。但是对于低密度点云,这种方法下的偏差至可能会对后续精确配准造成无法忽视的影响,因此,这种方式也存在一定缺陷。
基于上述研究发现,请参阅图5,本实施例中,通过以下方式确定网格单元中的目标三维点,即代表点:
S221,基于网格单元中的三维点确定网格单元的质心点。
S222,计算网格单元中各三维点与质心点的距离,将最小距离对应的三维点作为网格单元的目标三维点。
针对各个网格单元,可以获得网格单元中的所有三维点的位置信息,三维点的位置信息可以表示为(x,y,z),分别为在X轴、Y轴和Z轴上的坐标值。网格单元的质心点的位置信息可表示为(C x,C y,C z),质心点的位置信息可以通过对网格单元中所有三维点的位置信息进行平均值计算得到。
质心点的位置信息计算公式如下:
其中,N表示网格单元中三维点的数量。
在此基础上,分别计算网格单元中各个三维点距离质心点的距离,可以通过三维点的位置信息和质心点的位置信息,采用欧式距离计算方式计算得到两者之间的距离。将距离质心点最近的三维点作为网格单元的目标三维点,如图4(d)中的D点。
本实施例通过以上方式,确定的网格单元的目标三维点是实际存在的三维点,并且可以准确表征网格单元的特征,有利于后续的精确配准。
本实施例中,将各个网格单元中的目标三维点保留,将其他的三维点滤除,从而可以降低点云的密度。在此基础上,计算滤除处理之后目标点云簇的点云密度。
点云密度的计算方式如下:
点云密度=三维点的数量/(网格单元个数×单个网格单元体积)
在点云密度较大时,例如大于预设密度时可以重新构建三维网格,并基于重新构建的三维网格对目标点云簇进行滤除处理。在重新构建三维网格时,基于对初始参数进行更新得到的更新参数以及目前的已经过滤除处理后的目标点云簇中的目标三维点进行构建。针对重新构建的三维网格中的各个网格单元,采用上述相同的方式确定网格单元中的目标三维点,并将目标三维点保留、其他三维点滤除。再次计算滤除处理之后的目标点云簇的点云密度,若点云密度仍然大于预设密度,则再次执行上述步骤,直至点云密度小于或等于预设密度为止。
通过以上方式,可以将目标点云簇中的冗余点、干扰点过滤,并且可以将目标点云簇的点云密度降低,保障可以达到与目的点云相近的密度,提高配准的精度。
在上述基础上,确定出目标点云簇中的关键点以及目的点云中的关键点,基于两者的关键点进行配准。
由上述可知,本实施例中,采用基于法向量的方式确定关键点,法向量可通过构建协方差矩阵,并对协方差矩阵进行分析计算得到法向量。请参阅图6,本实施例可通过以下方式构建协方差矩阵:
S121,确定三维点以及三维点的多个邻近点的质心点。
S122,计算多个邻近点中距离三维点的最大距离,将最大距离作为高斯权重。
S123,基于多个邻近点、质心点以及高斯权重构建得到协方差矩阵。
本实施例中,对于目标点云簇中的每个三维点采用相同的方式确定其法向量。对于每个三维点P,确定三维点P以及其k个邻近点所构成的局部区域,计算得到该局部区域的质心点P 0。确定该局部区域内的邻近点中距离三维点P距离最大的邻近点,将该邻近点与三维点P之间的距离作为高斯权重σ。结合质心点、邻近点以及高斯权重,并按照以下公式构建得到协方差矩阵:
在上述基础上,请参阅图7,对协方差矩阵进行分析获得三维点的法向量的步骤,可以通过以下方式实现:
S124,对协方差矩阵进行特征值分解,获得多个特征值以及各特征值对应的特征向量。
S125,确定多个特征值中最小特征值对应的特征向量,将确定出的特征向量作为三维点的法向量。
本实施例中,对构建的协方差矩阵进行特征值分解,可以获得三个特征值以及分别与各个特征值对应的特征向量。将其中最小特征值对应的特征向量作为三维点P的法向量。
对于目标点云簇中的每个三维点,按照上述方式可以获得各个三维点的法向量。而法向量变换明显的点有利于后续配准,因此,请参阅图8,本实施例中,在确定目标点云簇中的关键点时,可以通过以下方式取确定:
S131,针对目标点云簇中的每个三维点,确定三维点的多个邻近点。
S132,计算各邻近点的法向量与三维点的法向量之间的夹角,将夹角大于预设夹角的邻近点确定为关键点。
本实施例中,针对目标点云簇中的任意一个三维点P,可以通过邻近点查询的方式确定该三维点P的k个邻近点。针对各个邻近点,可以分别计算三维点P的法向量与邻近点的法向量之间的夹角,若两者之间的夹角大于预设夹角,则将邻近点加入关键点列表中。对于每个三维点均按此方式确定关键点之后,可以将关键点列表中重复的三维点进行去重处理,即可得到目标点云簇中的所有关键点。
在此基础上,可以基于目标点云簇中的关键点以及目的点云中的关键点执行两者之间的配准。在配准时需要确定两者之间所对应的点对,基于点对的信息进行配准。请参阅图9,本实施例中,可以通过以下方式实现两个点云之间的配准:
S141,获得目标点云簇中各个关键点的特征描述子以及目的点云中各个关键点的特征描述子。
S142,基于目标点云簇中各关键点的特征描述子以及目的点云中各关键点的特征描述子对目标点云簇和目的点云中的关键点进行匹配,得到多个匹配点对。
S143,根据多个匹配点对计算得到粗变换矩阵,基于粗变换矩阵对目标点云簇进行粗配准。
S144,基于粗配准后的目标点云簇和目的点云,并利用最小二乘法计算精变换矩阵,基于精变换矩阵对粗配准后的目标点云簇进行精配准。
特征描述子可以表征各个关键点的特征,基于特征描述子来确定目标点云簇和目的点云中所匹配的关键点,从而得到多个匹配点对。根据匹配点对中的关键点之间的位置关系,可以确定出粗变换矩阵,粗变换矩阵包括旋转矩阵和平移矩阵。
基于确定出的粗变换矩阵可以对目标点云簇进行粗变换,以实现目标点云簇与目的点云之间的粗配准。在粗配准之后,目标点云簇与目的点云可达到基本相似,但是两者之间还存在一定差异。因此,在此基础上,还可对粗变换之后的目标点云簇进行精变换,以实现目标点云簇与目的点云之间的精配准,使两者之间尽可能达到一致。
现有的传统方式中,在确定两个点云之间匹配的点对时,主要采用基于全局特征描述子的方式和基于点特征的方式。基于全局特征描述子的方案难以捕捉细节的细微变化,对物体遮挡比较敏感。而基于点特征的方式,例如基于表面曲率,在噪声数据下存在不稳定的缺陷。
基于上述研究发现,本实施例中,针对各个关键点,采用关键点与点云中的其他关键点之间的相对关系以确定其特征描述子,具体地,请参阅图10,可以通过以下方式获得各关键点的特征描述子:
S1411,针对目标点云簇中的各个关键点,基于关键点构建包围球体,包围球体被划分为多个立方体。
S1412,计算各立方体相对于关键点的权重。
S1413,根据多个立方体对应的多个权重,构建关键点的特征描述子。
对于目标点云簇中的任意一个关键点P i,以关键点P i为球体中心点,以R3dsc_frame为半径,以表面法向量N i为北极方向,从而构建得到包围球体。
对构建的包围球体进行划分,得到多个立方体。划分的方式可以是在半径方向上设置多个半径大小、沿方位角方向设置多个方位角、沿俯仰角方向设置多个俯仰角,从而将包围球体划分为多个立方体。例如,半径R3dsc_frame可为,以在半径方向划分为J+1个间隔,方位角设置为/>,以在方位角方向划分为L+1个间隔,俯仰角设置为/>,以在俯仰角方向划分为K+1个间隔。如此,可以将包围球体划分为/>。
在实施时,由于每个间隔在半径上是对数分割的,如果包围球体的中心点P i附近的区域太小,会容易受到噪声干扰,因此,可对半径方向上所设置的半径大小进行限制,从而避免点分布在小半径区域而失去统计意义。具体地,半径大小R j可按以下公式计算得到:
其中,r min为最小设置半径,r max为最大设置半径,J为半径设置数量。
针对关键点P i,计算包围球体中各个立方体相对于该关键点的权重。该步骤实质是获得关键点P i与各个立方体中的其他关键点之间的相对关系,可以通过以下方式实现:
S14121,针对各立方体,计算得到立方体的体积。
S14122,计算立方体所在的半径范围内关键点的邻近点的点数。
S14123,根据点数和体积计算得到局部点密度。
S14124,基于立方体的体积以及局部点密度,计算得到立方体相对于关键点的权重。
本实施例中,针对在第j个半径方向、第k个方位角方向和第l个俯仰角方向的立方体,该立方体内的邻近点的点数除以该立方体的体积可以得到立体方的局部点密度/>。
根据立方体的体积以及局部点密度,可以计算得到该立方体相对于关键点P i的权重:
按照以上方式,可以将各个立方体相对于关键点P i的权重构成特征向量,该特征向量可以表征围绕关键点P i的形状上下文信息,表示如下:
其中,,/>。
本实施例中,各个关键点对应的特征向量作为关键点的特征描述子,在此基础上,基于两个点云中关键点的特征描述子确定粗变换矩阵,基于粗变换矩阵实现粗配准。
确定两个点云中的匹配点对的过程为多次迭代过程,在每一轮迭代中,可从目标点云簇中选择多个关键点,其中n≥3,并基于该多个关键点的特征描述子与目的点云中各个关键点的特征描述子,查找到在目的点云中对应的多个关键点。
目标点云簇中的多个关键点可构成第一几何形状,目的点云中的多个关键点可构成第二几何形状。确定第一几何形状以及第二几何形状中对应边长之差以及对应边长中的较大值,以形成一个矢量。若矢量的大小小于或等于设置的差异阈值,表征第一几何形状和第二几何形状之间的差异较小,则可以继续后续流程。而若计算得到的矢量的大小大于差异阈值,则可返回重新从目标点云簇中选择关键点,并结合目的点云中匹配的关键点构建矢量,直至得到的矢量的大小小于或等于设置的差异阈值为止。
例如,目的点云簇中的选择的关键点为p 1、p 2、p 3,确定出的目的点云中对应的关键点为q 1、q 2、q 3。基于关键点p 1、p 2、p 3构建的第一几何形状中的边长为,基于关键点q 1、q 2、q 3构建的第二几何形状中的边长为/>。
通过以下公式计算得到矢量:
本实施例中,待计算得到的矢量的大小小于或等于预设阈值时,表明所基于的匹配点对是相对准确的,可以利用确定的匹配点对计算得到初始变换矩阵。
基于初始变换矩阵对目标点云簇进行初始变换,针对初始变换后的目标点云簇和目的点云,计算两者之间最近邻(匹配点对)的关键点之间的距离,将距离小于距离阈值的关键点作为内点。若内点的数量小于数量阈值,则表明初始变换后的目标点云簇与目的点云之间差异还较大,可以返回重新从目标点云簇中进行关键点的选择,直至内点的数量大于或等于数量阈值为止。
为了对粗配准的结果进行评价,本实施例中,设置一个损失函数,该损失函数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,需要寻找一个粗变换矩阵,使得基于粗变换矩阵对目标点云簇进行粗配准之后,粗配准之后的目标点云簇与目的点云之间的距离平方和达到最小,表征如下:
其中,表示粗变换矩阵,/>表示距离平方和。
在经过多次迭代之后,若得到的损失函数的函数值达到最小且不再变化,则当前的粗变换矩阵作为最优的粗变换矩阵,可以基于该最优的粗变换矩阵对目标点云簇进行粗配准,得到粗配准后的目标点云簇。
在此基础上,还可采用最小二乘法计算精变换矩阵,实现目标点云簇与目的点云之间的精配准。
本实施例中,在确定出粗配准之后的目标点云簇和目的点云中所有具有最近邻关系的匹配点对之后,采用最小二乘法拟合得到初始精变换矩阵。其中,精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表示粗配准后的目标点云簇中的第i个关键点,q i表示目的点云中第i个关键点,N表示关键点的总量。
采用拟合得到的精变换矩阵对目标点云簇进行精配准,得到的精配准后的目标点云簇中的点p i’(变换前为p i)表示为。
按照以下公式计算得到精配准后目标点云簇和目的点云中匹配点对的平均距离:
/>
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变换矩阵作为最优的精变换矩阵,基于最优的精变换矩阵对目标点云簇进行精配准,以实现目标点云簇和目的点云的配准。
本实施例所提供的基于改进关键点的配准方法,选取的关键点保留了原始点云的特征,通过关键点的有效选取提高了后续配准的精准度和速度。
利用基于欧式聚类的点云去噪算法,对深度相机拍摄获取的多零散部分点云进行去噪,获取所需点云部分。有效地避免了噪点的干扰,提高了配准算法的抗噪声性和准确性,在实际应用中具有实用性。
此外,采用基于点云密度的自适应点云降采样,利用点云质心最近邻的点作为表征点实现降采样,避免额外增加点云中不存在的点影响后续配准。
进一步地,使用根据点云局部自适应计算高斯权重的法向量计算方法获得点云的法向量,并提取法向量变化明显的三维点作为关键点,有助于保留点云形状的本征信息,提高配准的精确度。
本方案在点云配准领域综合考虑了实际点云的特征,在点云的抗噪声性和精度,取得了不错的技术效果,为相关领域的进一步研究和应用提供了有力的支持。
基于同一发明构思,请参阅图11,示出了本申请实施例提供的基于改进关键点的配准装置的功能模块示意图,本实施例可以根据上述方法实施例对该基于改进关键点的配准装置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11示出的基于改进关键点的配准装置只是一种装置示意图。其中,基于改进关键点的配准装置可以包括聚类模块、构建模块、确定模块和配准模块,下面分别对该基于改进关键点的配准装置的各个功能模块的功能进行详细阐述。
聚类模块,用于对获取的源点云中的多个三维点进行聚类处理,以将多个三维点聚类为多个点云簇,并确定出多个点云簇中的目标点云簇;
构建模块,用于针对目标点云簇中的每个三维点,基于三维点以及三维点的多个邻近点构建协方差矩阵,对协方差矩阵进行分解获得三维点的法向量;
确定模块,用于根据目标点云簇中每个三维点的法向量,确定出目标点云簇中的关键点;
配准模块,用于基于目标点云簇中的关键点以及目的点云中的关键点实现目标点云簇与目的点云的配准。
可以理解,聚类模块、构建模块、确定模块和配准模块可以用于执行上述步骤S11至步骤S14,关于各个模块的详细实现方式可以参照上述步骤S11至步骤S14有关的内容。
在一种可能的实现方式中,基于改进关键点的配准装置还包括滤除处理模块,滤除处理模块可以用于:
采用初始参数并基于目标点云簇中的多个三维点构建三维网格,三维网格包括多个网格单元,各三维点位于多个网格单元中的其中一个网格单元;
针对各网格单元,基于网格单元中的三维点确定网格单元中的目标三维点,并将网格单元中除目标三维点之外的其他三维点滤除;
计算滤除处理之后目标点云簇的点云密度,若点云密度大于预设密度,则更新初始参数得到更新参数,基于更新参数和滤除处理之后的目标点云簇中的目标三维点构建三维网格后继续进行滤除处理,直至得到的点云密度小于或等于预设密度为止。
关于基于改进关键点的配准装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
请参阅图12,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、处理器及通信模块。存储器、处理器以及通信模块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,存储器用于存储程序或者数据。存储器可以是,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(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。
处理器用于读/写存储器中存储的数据或程序,并执行本申请任意实施例提供的基于改进关键点的配准方法。
通信模块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12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12中所示更多或者更少的组件,或者具有与图12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基于改进关键点的配准方法。
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,能够执行上述基于改进关键点的配准方法。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,本申请实施例提供的基于改进关键点的配准方法和装置,采用三维点聚类方式,从而可以确定出目标对象对应的目标点云簇,排除其他对象的干扰点云簇。此外,采用基于点云本身特征的法向量计算方式确定关键点,可以提取更具几何特征的关键点,进而提高配准速度和精度。
以上,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权利要求的保护范围为准。
Claims (10)
1.一种基于改进关键点的配准方法,其特征在于,所述方法包括:
对获取的源点云中的多个三维点进行聚类处理,以将所述多个三维点聚类为多个点云簇,并确定出所述多个点云簇中的目标点云簇;
针对所述目标点云簇中的每个三维点,基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵,对所述协方差矩阵进行分解获得所述三维点的法向量;
根据所述目标点云簇中每个三维点的法向量,确定出所述目标点云簇中的关键点;
基于所述目标点云簇中的关键点以及目的点云中的关键点实现所述目标点云簇与所述目的点云的配准。
2.根据权利要求1所述的基于改进关键点的配准方法,其特征在于,所述基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵的步骤,包括:
确定所述三维点以及所述三维点的多个邻近点的质心点;
计算所述多个邻近点中距离所述三维点的最大距离,将所述最大距离作为高斯权重;
基于所述多个邻近点、质心点以及高斯权重构建得到协方差矩阵。
3.根据权利要求1所述的基于改进关键点的配准方法,其特征在于,所述对所述协方差矩阵进行分解获得所述三维点的法向量的步骤,包括:
对所述协方差矩阵进行特征值分解,获得多个特征值以及各所述特征值对应的特征向量;
确定所述多个特征值中最小特征值对应的特征向量,将确定出的特征向量作为所述三维点的法向量。
4.根据权利要求1所述的基于改进关键点的配准方法,其特征在于,所述基于所述目标点云簇中每个三维点的法向量,确定出所述目标点云簇中的关键点的步骤,包括:
针对所述目标点云簇中的每个三维点,确定所述三维点的多个邻近点;
计算各所述邻近点的法向量与所述三维点的法向量之间的夹角,将夹角大于预设夹角的邻近点确定为关键点。
5.根据权利要求1所述的基于改进关键点的配准方法,其特征在于,所述基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵的步骤之前,所述方法还包括:
采用初始参数并基于所述目标点云簇中的多个三维点构建三维网格,所述三维网格包括多个网格单元,各所述三维点位于所述多个网格单元中的其中一个网格单元;
针对各所述网格单元,基于所述网格单元中的三维点确定所述网格单元中的目标三维点,并将所述网格单元中除所述目标三维点之外的其他三维点滤除;
计算滤除处理之后所述目标点云簇的点云密度,若所述点云密度大于预设密度,则更新所述初始参数得到更新参数,基于所述更新参数和滤除处理之后的目标点云簇中的目标三维点构建三维网格后继续进行滤除处理,直至得到的点云密度小于或等于所述预设密度为止。
6.根据权利要求5所述的基于改进关键点的配准方法,其特征在于,所述基于所述网格单元中的三维点确定所述网格单元中的目标三维点的步骤,包括:
基于所述网格单元中的三维点确定所述网格单元的质心点;
计算所述网格单元中各所述三维点与所述质心点的距离,将最小距离对应的三维点作为所述网格单元的目标三维点。
7.根据权利要求1所述的基于改进关键点的配准方法,其特征在于,所述基于所述目标点云簇中的关键点以及所述目的点云中的关键点实现所述目标点云簇与所述目的点云的配准的步骤,包括:
获得所述目标点云簇中各个关键点的特征描述子以及所述目的点云中各个关键点的特征描述子;
基于所述目标点云簇中各所述关键点的特征描述子以及所述目的点云中各所述关键点的特征描述子对所述目标点云簇和所述目的点云中的关键点进行匹配,得到多个匹配点对;
根据所述多个匹配点对计算得到粗变换矩阵,基于所述粗变换矩阵对所述目标点云簇进行粗配准;
基于粗配准后的目标点云簇和目的点云,并利用最小二乘法计算精变换矩阵,基于所述精变换矩阵对所述粗配准后的目标点云簇进行精配准。
8.根据权利要求7所述的基于改进关键点的配准方法,其特征在于,所述获得所述目标点云簇中各个关键点的特征描述子的步骤,包括:
针对所述目标点云簇中的各个关键点,基于所述关键点构建包围球体,所述包围球体被划分为多个立方体;
计算各所述立方体相对于所述关键点的权重;
根据多个立方体对应的多个权重,构建所述关键点的特征描述子。
9.根据权利要求8所述的基于改进关键点的配准方法,其特征在于,所述计算各所述立方体相对于所述关键点的权重的步骤,包括:
针对各所述立方体,计算得到所述立方体的体积;
计算所述立方体所在的半径范围内所述关键点的邻近点的点数;
根据所述点数和所述体积计算得到局部点密度;
基于所述立方体的体积以及所述局部点密度,计算得到所述立方体相对于所述关键点的权重。
10.一种基于改进关键点的配准装置,其特征在于,所述装置包括:
聚类模块,用于对获取的源点云中的多个三维点进行聚类处理,以将所述多个三维点聚类为多个点云簇,并确定出所述多个点云簇中的目标点云簇;
构建模块,用于针对所述目标点云簇中的每个三维点,基于所述三维点以及所述三维点的多个邻近点构建协方差矩阵,对所述协方差矩阵进行分解获得所述三维点的法向量;
确定模块,用于根据所述目标点云簇中每个三维点的法向量,确定出所述目标点云簇中的关键点;
配准模块,用于基于所述目标点云簇中的关键点以及目的点云中的关键点实现所述目标点云簇与所述目的点云的配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410047881.6A CN117576172B (zh) | 2024-01-12 | 2024-01-12 | 基于改进关键点的配准方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410047881.6A CN117576172B (zh) | 2024-01-12 | 2024-01-12 | 基于改进关键点的配准方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576172A true CN117576172A (zh) | 2024-02-20 |
CN117576172B CN117576172B (zh) | 2024-04-30 |
Family
ID=89888412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410047881.6A Active CN117576172B (zh) | 2024-01-12 | 2024-01-12 | 基于改进关键点的配准方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576172B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136178A (zh) * | 2018-02-08 | 2019-08-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于端点拟合的三维激光点云配准方法及装置 |
CN110136179A (zh) * | 2018-02-08 | 2019-08-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于直线拟合的三维激光点云配准方法及装置 |
CN111091062A (zh) * | 2019-11-21 | 2020-05-01 | 东南大学 | 一种基于3d视觉聚类和匹配的机器人乱序目标分拣方法 |
CN112381861A (zh) * | 2020-09-18 | 2021-02-19 | 南京航空航天大学 | 一种基于地基激光雷达的林地点云数据配准和分割方法 |
CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
CN115393418A (zh) * | 2022-07-19 | 2022-11-25 | 浙江科技学院 | 一种基于三维点云图像的马尾松部分表型参数自动测量方法 |
-
2024
- 2024-01-12 CN CN202410047881.6A patent/CN117576172B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136178A (zh) * | 2018-02-08 | 2019-08-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于端点拟合的三维激光点云配准方法及装置 |
CN110136179A (zh) * | 2018-02-08 | 2019-08-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于直线拟合的三维激光点云配准方法及装置 |
CN111091062A (zh) * | 2019-11-21 | 2020-05-01 | 东南大学 | 一种基于3d视觉聚类和匹配的机器人乱序目标分拣方法 |
CN112381861A (zh) * | 2020-09-18 | 2021-02-19 | 南京航空航天大学 | 一种基于地基激光雷达的林地点云数据配准和分割方法 |
CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
CN115393418A (zh) * | 2022-07-19 | 2022-11-25 | 浙江科技学院 | 一种基于三维点云图像的马尾松部分表型参数自动测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117576172B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong | Intrinsic shape signatures: A shape descriptor for 3D object recognition | |
US7995055B1 (en) | Classifying objects in a scene | |
US20120206438A1 (en) | Method for Representing Objects with Concentric Ring Signature Descriptors for Detecting 3D Objects in Range Images | |
CN108388902B (zh) | 结合全局框架点与局部shot特征的复合3d描述子构建方法 | |
JP2014081347A (ja) | 3dシーンにおける3d物体の認識および姿勢決定のための方法 | |
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 | |
CN111340862B (zh) | 一种基于多特征融合的点云配准方法、装置及存储介质 | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
Guo et al. | 3D object recognition from cluttered and occluded scenes with a compact local feature | |
CN114663373A (zh) | 一种用于零件表面质量检测的点云配准方法及装置 | |
Othmani et al. | A novel computer-aided tree species identification method based on burst wind segmentation of 3d bark textures | |
CN117314987B (zh) | 点云配准方法和装置 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN113345072A (zh) | 一种多视角遥感地形影像点云重建方法及系统 | |
CN112070787B (zh) | 基于对立推理理论的航空三维点云平面分割方法 | |
CN113435479A (zh) | 基于区域特征表达约束的特征点匹配方法与系统 | |
Srivastava et al. | Drought stress classification using 3D plant models | |
CN112017219B (zh) | 一种激光点云配准方法 | |
CN117576172B (zh) | 基于改进关键点的配准方法和装置 | |
CN114186588A (zh) | 一种实时层次化滤波方法 | |
CN114413882A (zh) | 一种基于多假设跟踪的全局初定位方法和装置 | |
Patricia et al. | Discovering similarities in Landsat satellite images using the K-means method | |
CN117173424B (zh) | 一种点云坡面边缘线识别方法、系统及可读存储介质 | |
Jiang et al. | Efficient Match Pair Retrieval for Large-scale UAV Images via Graph Indexed Global Descriptor | |
CN115018893B (zh) | 一种建筑细部结构自动单体化方法、系统及可读存储介质 |
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 |