CN117788538A - 点云区间配对体积方差一致性的配准方法、装置和系统 - Google Patents
点云区间配对体积方差一致性的配准方法、装置和系统 Download PDFInfo
- Publication number
- CN117788538A CN117788538A CN202410211297.XA CN202410211297A CN117788538A CN 117788538 A CN117788538 A CN 117788538A CN 202410211297 A CN202410211297 A CN 202410211297A CN 117788538 A CN117788538 A CN 117788538A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- centrality
- measurement values
- registration
- 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 55
- 238000005259 measurement Methods 0.000 claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 241000283973 Oryctolagus cuniculus Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了点云区间配对体积方差一致性的配准方法、装置和系统,涉及三维激光点云处理技术领域,包括:对待配准点云数据进行降采样处理,选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点;对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值;将局部方向中心性度量值进行排序,找到最大值和最小值,将最大值和最小值进行等分的区间划分,得到若干个区间;统计每个区间内局部方向中心性度量值的个数,并计算每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值;将比值进行比较,对配准精度进行判定。
Description
技术领域
本发明涉及三维激光点云处理技术领域,具体的是点云区间配对体积方差一致性的配准方法、装置和系统。
背景技术
配准是点云的许多应用程序中的一个关键步骤。给定一对点云,配准试图找到一个刚性变换的最优对齐,使之误差尽可能小,配准多点云,以获得被扫描物的完整三维场景。随着激光雷达等三维扫描设备成本的降低,点云处理呈上升趋势。点云配准常应用在AR/VR、自动驾驶、机器人技术等领域。配准质量会影响到图像配准的目的和效果,比如无人驾驶、模式识别、三维重建等。配准质量的高低取决于配准方法的选择、配准参数的调整、配准评价的标准等。不同的应用场景和需求可能需要不同的配准质量。一般来说,配准质量越高,表示两幅图像之间的对应关系越准确,图像之间的信息丢失越少,图像之间的差异越小。配准质量越低,表示两幅图像之间的对应关系越模糊,图像之间的信息丢失越多,图像之间的差异越大。
我们经常用到的ICP算法(一种基于迭代最近点的点云精配准方法,其目的是找到一个包含旋转和平移变换在内的刚性变换),使得两个点云之间的重合度最大。该算法简单易实现,适用于各种类型的点云数据;缺点是容易陷入局部最优解,实现的前提是需要有一个好的初始变换,它对于噪声和遮挡敏感;RANSAC算法是一种基于随机采样一致性的鲁棒配准方法,它的目的和ICP算法一样,使得两个点云之间的误差最小。RANSAC算法的优点是能够抵抗大量的噪声和异常值,适用于各种类型点云数据,缺点是需要设置多个参数,如最小子集大小、阈值、预设比例等,并且运行时间较长。
在现有的点云特征提取方法中,已经有了点特征、线特征与面特征等多种配准方法,4PCS算法是一种粗配准方法,不需要提供初始位姿,能够为精配准方法提供一个良好的初始位姿。4PCS算法可以应对点云的噪声和遮挡,即使对少量异常值“污染”的点云数据,也无需进行过滤和去噪,一般情况下配准质量较好。4PCS算法的缺点在于运行时间较长,对于特征提取和误差计算耗时较长,4PCS在数据点数量上具有二次时间复杂性。
传统的FPFH方法只考虑到了点云中每个点的最近邻域信息,算法侧重于每个点的计算,全局信息考虑较少,导致算法的鲁棒性不够强。如果点云中存在噪声或者遮挡,算法的稳定性会降低,导致配准精度不高。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供点云区间配对体积方差一致性的配准方法、装置和系统,能够提升点云配准方法的精度,降低误差率。
第一方面,本发明的目的可以通过以下技术方案实现:点云区间配对体积方差一致性的配准方法,方法包括以下步骤:
接收待配准点云数据,对待配准点云数据进行降采样处理,选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点,其中,所述待配准点云数据包括源点云和目标点云;
对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值;
将源点云和目标点云的局部方向中心性度量值进行排序,找到源点云和目标点云中,局部方向中心性度量值的最大值和最小值,将局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间;
统计每个区间内局部方向中心性度量值的个数,并计算每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值;
将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:所述待配准点云数据的获取过程:
用三维激光扫描仪,通过发射和接收激光束来测量物体或场景的距离和反射率,从而生成点云数据,作为待配准点云数据。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:所述选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点的过程:
计算中心点到每个样本点间的距离,将计算得出的中心点到每个样本点间的距离进行排序,选择出距离最小的k个点。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:所述对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量通过把最近的k个最近邻点相连接,形成球形三角形,用球形三角形的t体积方差来扩展局部方向中心性度量。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:所述对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值的过程如下:
设三维空间中的一个单纯形是由d个K个最近邻KNN点p1,p2,...,pd组成的,这些点已经被映射到超球体上,其中pi=(xi1,xi2,…,xid),向量,/>,···,/>,具有相同原点的pd在向量空间中确定一个二维的平行六面体p,让和/>,那么就有了p的体积:
(1)
单纯形S是一个嵌入在平行六面体P中的超四面体,共享d-1条边pdp1,pdp2,...,pdpd−1,S的体积是:
(2)
在测量单纯形体积S后,计算单纯形体积和与超球面表面积之间的偏差,并进一步将全局体积误差相等地分配给每个细分单位,保证不同细分下的细分单元的体积和在同一维度上是不变的,d维单位球面的广义表面积为:
(3)
假设凸复形由f个单纯形s1、s2、...,sf组成,并据此将超球面细分为f个单位u1、u2、...,uf,细分单元ui的体积求解为:
(4)
局部方向中心性度量计算所有细分单元的体积的差异:
(5)
式中的DCM是指局部方向中心性度量值。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:所述将源点云和目标点云的局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间的过程:
设局部方向中心性度量值的取值范围是在0到1之间,则将0到1平均分成十份,每一份的区间长度是0.1,接着进行计数的过程,看每个值应属于哪个区间,那么该区间中度量值的个数加1,到最后得到每个区间内一共有多少个局部方向中心性度量值。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:所述将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定的过程:
将源点云对应的比值与目标点云对应的比值进行比较,判定源点云对应的比值与目标点云对应的比值是否一样,对生成点云的旋转矩阵与平移矩阵,与原数据的Groundtruth值进行旋转、平移误差的计算,误差越小配准精度越高,从而进行配准。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:所述源点云对应的比值与目标点云对应的比值越接近,则配准精度越高。
第二方面,为了达到上述目的,本发明公开了点云区间配对体积方差一致性的配准装置,包括:
数据处理模块,用于接收待配准点云数据,对待配准点云数据进行降采样处理,选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点,其中,所述待配准点云数据包括源点云和目标点云;
数据点处理模块,用于对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值;
区间划分模块,用于将源点云和目标点云的局部方向中心性度量值进行排序,找到源点云和目标点云中,局部方向中心性度量值的最大值和最小值,将局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间;
比值计算模块,用于统计每个区间内局部方向中心性度量值的个数,并计算每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值;
配准判定模块,用于将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定。
在本发明的另一方面,为了达到上述目的,公开了点云区间配对体积方差一致性的配准系统,包括:
存储器,用于存储指令;
处理器,用于读取所述存储指令,并执行所述存储指令实现如上所述的点云区间配对体积方差一致性的配准方法。
本发明的有益效果:
本发明将源点云和目标点云进行相同的处理运算,运用类似查找排序的算法,进行全局的点运算,实现了全局配准,而非局部配准,实现了足够的速度和精度融合,效率高且鲁棒性强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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为本发明方法流程示意图;
图2为根据本发明实施例的ModelNet40数据集的物体轮廓图,a图为沙发,b图为长椅,c图为飞机;
图3为根据本发明实施例的3DMatch数据集的配准结果图,上一排是场景配准前,下一排是对应的场景配准后;
图4为根据本发明实施例的RESSO数据集的配准结果图;
图5为根据本发明实施例的Stanford数据集的兔子配准结果图(降采样参数为0.005);
图6为根据本发明实施例的Stanford数据集的兔子配准结果图(降采样参数为0.001),左一为配准前,二三四为配准后;
图7为根据本发明实施例的Stanford数据集的龙配准结果图;
图8为本发明系统结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
下面,对本申请实施例涉及的相关术语进行介绍:
点云:点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,在获取物体表面每个采样点的空间坐标后,得到的是点的集合,称之为“点云”;
点云配准:点云配准分为粗配准(Coarse Registration)和精配准(FineRegistration)两个阶段。
精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。应用最为广泛的精配准算法应该是ICP以及ICP的各种变种(稳健ICP、point to plane ICP、Pointto line ICP、MBICP、GICP、NICP)。
粗配准是指在点云相对位姿完全未知的情况下对点云进行配准,可以为精配准提供良好的初始值。当前较为普遍的点云自动粗配准算法包括基于穷举搜索的配准算法和基于特征匹配的配准算法。
基于穷举搜索的配准算法:
遍历整个变换空间以选取使误差函数最小化的变换关系或者列举出使最多点对满足的变换关系。如RANSAC配准算法、四点一致集配准算法(4-Point Congruent Set,4PCS)、Super4PCS算法等……
基于特征匹配的配准算法:
通过被测物体本身所具备的形态特性构建点云间的匹配对应,然后采用相关算法对变换关系进行估计。如基于点FPFH特征的SAC-IA、FGR等算法、基于点SHOT特征的AO算法以及基于线特征的ICL等…
球形三角形:球形三角形又叫做球面三角,球面三角是研究球面三角形的边、角关系的一门学科,根据弧和所对圆心角的关系,可以得出角的量度。一圆周所对的圆心角为360°。因此,1度的弧所对的圆心角,叫做1°的角;1角分的弧相对的圆心角,叫做1′;1角秒的弧所对的圆心角,叫做1′′。
如图1所示,
点云区间配对体积方差一致性的配准方法,方法包括以下步骤:
接收待配准点云数据,对待配准点云数据进行降采样处理,选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点,其中,所述待配准点云数据包括源点云和目标点云;
其中,待配准点云数据的获取过程:
对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值;
选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点的过程:
计算中心点到每个样本点间的距离,将计算得出的中心点到每个样本点间的距离进行排序,选择出距离最小的k个点。
对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量通过把最近的k个最近邻点相连接,形成球形三角形,用球形三角形的体积方差来扩展局部方向中心性度量。
对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值的过程如下:
设三维空间中的一个单纯形是由d个KNN(K-NearestNeighbor,K个最近邻)点p1,p2,...,pd组成的,这些点已经被映射到超球体上,其中pi=(xi1,xi2,…,xid),向量,,···,/>,具有相同原点的pd在向量空间中确定一个二维的平行六面体p,让和/>,那么就有了p的体积:
(1)
单纯形S是一个嵌入在平行六面体P中的超四面体,共享d-1条边pdp1,pdp2,...,pdpd−1,S的体积是:
(2)
在测量单纯形体积S后,计算单纯形体积和与超球面表面积之间的偏差,并进一步将全局体积误差相等地分配给每个细分单位,保证不同细分下的细分单元的体积和在同一维度上是不变的,d维单位球面的广义表面积为:
(3)
假设凸复形由f个单纯形s1、s2、...,sf组成,并据此将超球面细分为f个单位u1、u2、...,uf,细分单元ui的体积求解为:
(4)
局部方向中心性度量计算所有细分单元的体积的差异:
(5)
式中的DCM是指局部方向中心性度量值。
具体的,下面通过实施例对本发明方案作进一步阐述:
把最近的k个最近邻相连接,形成球形三角形,则局部方向中心性度量从计算二维角度方差变成计算三维的体积方差。每一个点都有一个度量值,将这一步运用于全局点,循环计算,得到所有点的局部方向中心性度量值。为了在高维空间中细分超球面,本发明采用Qhull算法来构建邻近点的凸复合体。由于所有的邻近点都被映射到了球面上,邻近点被保证为凸复合体的顶点(不包括重复的邻近点)。
三维球面上三角形面积计算如下,设三角形顶点为A(x0 ,y0 ,z0),B(x1 ,y1 ,z1),C(x2 ,y2 ,z2),所求三角形面积S为:
,
为了衡量三维空间中点的局部方向性分布,将三维空间中查询点邻域内的点连接凸包的三角形体积的方差定义为三维空间中的局部方向中心性度量:
,
其中,公式中的DCM是指局部方向中心性度量值,S是指d维单位球面的广义表面积,f是指构成凸复形的单纯形个数, ui是指细分单元的体积。
在三维点集分布中,内部点邻域内邻近点分布均匀,其邻近点所构建的凸包表面三角形面积分布均匀,局部方向中心性度量值较低,而集合边缘点邻近点分布总是倾向于邻域一侧,所构建三维凸包表面三角形面积差异较大,局部方向中心性度量值较高。使用局部方向中心性度量方法可以让物体的轮廓更清晰的显现,高亮部分是物体的轮廓,当存在交叉面的时候,交叉处的点比单平面的点要亮。如图2所示。
将源点云和目标点云的局部方向中心性度量值进行排序,找到源点云和目标点云中,局部方向中心性度量值的最大值和最小值,将局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间;
将源点云和目标点云的局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间的过程:
统计每个区间内局部方向中心性度量值的个数,并计算每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值;
设局部方向中心性度量值的取值范围是在0到1之间,则将0到1平均分成十份,每一份的区间长度是0.1,接着进行计数的过程,看每个值应属于哪个区间,那么该区间中度量值的个数加1,到最后得到每个区间内一共有多少个局部方向中心性度量值。
每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值通过以下公式进行计算:
其中,r是各区间的占比值,R是每个区间内局部方向中心性度量值的个数,numel(label)是指局部方向中心性度量值的总个数。
将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定。
将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定的过程:
将源点云对应的比值与目标点云对应的比值进行比较,判定源点云对应的比值与目标点云对应的比值是否一样,对生成点云的旋转矩阵与平移矩阵,与原数据的Groundtruth值进行旋转、平移误差的计算,误差越小配准精度越高,从而进行配准。
基于区间配对体积方差一致性的点云配准方法,本发明将多类数据集按照点对区间对应方法进行配准,实验结果如图3-6所示。
由于点云降采样参数值的设定可以改变点云数据的密度,同时也影响着点云配准的精度与速度,比如物体边界处会模糊。因此,不同参数设置的结果也会影响配准的精度,也会导致配准的旋转误差和平移误差有所不同。
总体而言,本发明通过对算法参数的修改和优化,可以进一步提高算法的准确性和鲁棒性稳定性,得到更加可靠精确的三维点云配准结果,为后续各种应用的处理和分析提供更强有力的支持。
表1-同一参数下各种场景对在两种方法下的误差精度
(释义:当降采样参数为0.03时,场景对1和2、1和12以及1和14在两种方法下的误差精度。同理0.04、0.06和0.07。因表中涉及四种不同参数,且场景对不同,故描述为各种场景对。)
表2 同一参数下不同场景对在两种方法下的误差精度
(释义:场景4、5、6所涉及到的场景对在相同降采样参数0.05的情况下,在两种方法下的误差精度。因降采样参数相同,但却是4、5、6三个不同场景,故描述为不同场景。)
表3 同一场景对在不同参数下的两种方法的误差精度
实施例二:如图8所示,本发明公开了点云区间配对体积方差一致性的配准装置,包括:
数据处理模块,用于接收待配准点云数据,对待配准点云数据进行降采样处理,选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点,其中,所述待配准点云数据包括源点云和目标点云;
数据点处理模块,用于对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值;
区间划分模块,用于将源点云和目标点云的局部方向中心性度量值进行排序,找到源点云和目标点云中,局部方向中心性度量值的最大值和最小值,将局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间;
比值计算模块,用于统计每个区间内局部方向中心性度量值的个数,并计算每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值;
配准判定模块,用于将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定。
实施例三:在本发明的另一方面,为了达到上述目的,公开了点云区间配对体积方差一致性的配准系统,包括:
存储器,用于存储指令;
处理器,用于读取所述存储指令,并执行所述存储指令实现如上所述的点云区间配对体积方差一致性的配准方法。
基于同一种发明构思,本发明还提供一种计算机设备,该计算机设备包括:一个或多个处理器,以及存储器,用于存储一个或多个计算机程序;程序包括程序指令,处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其用于实现一条或一条以上指令,具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种计算机存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解,本公开不受上述实施例的限制,上述实施例和说明书中描述的只是说明本公开的原理,在不脱离本公开精神和范围的前提下,本公开还会有各种变化和改进,这些变化和改进都落入要求保护的本公开范围内容。
Claims (10)
1.点云区间配对体积方差一致性的配准方法,其特征在于,方法包括以下步骤:
接收待配准点云数据,对待配准点云数据进行降采样处理,选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点,其中,所述待配准点云数据包括源点云和目标点云;
对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值;
将源点云和目标点云的局部方向中心性度量值进行排序,找到源点云和目标点云中,局部方向中心性度量值的最大值和最小值,将局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间;
统计每个区间内局部方向中心性度量值的个数,并计算每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值;
将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定。
2.根据权利要求1所述的点云区间配对体积方差一致性的配准方法,其特征在于,所述待配准点云数据的获取过程:
用三维激光扫描仪,通过发射和接收激光束来测量物体或场景的距离和反射率,从而生成点云数据,作为待配准点云数据。
3.根据权利要求1所述的点云区间配对体积方差一致性的配准方法,其特征在于,所述选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点的过程:
计算中心点到每个样本点间的距离,将计算得出的中心点到每个样本点间的距离进行排序,选择出距离最小的k个点。
4.根据权利要求1所述的点云区间配对体积方差一致性的配准方法,其特征在于,所述对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量通过把最近的k个最近邻点相连接,形成球形三角形,用球形三角形的体积方差来扩展局部方向中心性度量。
5.根据权利要求1所述的点云区间配对体积方差一致性的配准方法,其特征在于,所述对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值的过程如下:
设三维空间中的一个单纯形是由d个K个最近邻KNN点p1,p2,...,pd组成的,这些点已经被映射到超球体上,其中pi=(xi1,xi2,…,xid),向量,/>,···,/>,具有相同原点的pd在向量空间中确定一个二维的平行六面体p,让和/>,那么就有了p的体积:
(1)
单纯形S是一个嵌入在平行六面体P中的超四面体,共享d-1条边pdp1,pdp2,...,pdpd−1,S的体积是:
(2)
在测量单纯形体积S后,计算单纯形体积和与超球面表面积之间的偏差,并进一步将全局体积误差相等地分配给每个细分单位,保证不同细分下的细分单元的体积和在同一维度上是不变的,d维单位球面的广义表面积S为:
(3)
假设凸复形由f个单纯形s1、s2、...,sf组成,并据此将超球面细分为f个单位u1、u2、...,uf,细分单元ui的体积求解为:
(4)
局部方向中心性度量计算所有细分单元的体积的差异:
(5)
式中的DCM是指局部方向中心性度量值。
6.根据权利要求1所述的点云区间配对体积方差一致性的配准方法,其特征在于,所述将源点云和目标点云的局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间的过程:
设局部方向中心性度量值的取值范围是在0到1之间,则将0到1平均分成十份,每一份的区间长度是0.1,接着进行计数的过程,看每个值应属于哪个区间,那么区间中度量值的个数加1,到最后得到每个区间内一共有多少个局部方向中心性度量值。
7.根据权利要求1所述的点云区间配对体积方差一致性的配准方法,其特征在于,所述将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定的过程:
将源点云对应的比值与目标点云对应的比值进行比较,判定源点云对应的比值与目标点云对应的比值是否一样,对生成点云的旋转矩阵与平移矩阵,与原数据的Groundtruth值进行旋转、平移误差的计算,误差越小配准精度越高,从而进行配准。
8.根据权利要求7所述的点云区间配对体积方差一致性的配准方法,其特征在于,所述源点云对应的比值与目标点云对应的比值越接近,则配准精度越高。
9.点云区间配对体积方差一致性的配准装置,其特征在于,包括:
数据处理模块,用于接收待配准点云数据,对待配准点云数据进行降采样处理,选取降采样处理后的待配准点云数据中任意一点作为中心点,运用k近邻算法找到离中心点最近的k个点,其中,所述待配准点云数据包括源点云和目标点云;
数据点处理模块,用于对选取的每个中心点和中心点周围的k个点计算局部方向中心性度量,得到源点云和目标点云所有点的局部方向中心性度量值;
区间划分模块,用于将源点云和目标点云的局部方向中心性度量值进行排序,找到源点云和目标点云中,局部方向中心性度量值的最大值和最小值,将局部方向中心性度量值的最大值和最小值进行等分的区间划分,得到若干个区间;
比值计算模块,用于统计每个区间内局部方向中心性度量值的个数,并计算每个区间内局部方向中心性度量值的个数与局部方向中心性度量值的总数的比值;
配准判定模块,用于将源点云对应的比值与目标点云对应的比值进行比较,根据比较结果对配准精度进行判定。
10.点云区间配对体积方差一致性的配准系统,其特征在于,包括:
存储器,用于存储指令;
处理器,用于读取所述存储指令,并执行所述存储指令实现如权利要求1-8任一项所述的点云区间配对体积方差一致性的配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211297.XA CN117788538B (zh) | 2024-02-27 | 2024-02-27 | 点云区间配对体积方差一致性的配准方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211297.XA CN117788538B (zh) | 2024-02-27 | 2024-02-27 | 点云区间配对体积方差一致性的配准方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117788538A true CN117788538A (zh) | 2024-03-29 |
CN117788538B CN117788538B (zh) | 2024-05-10 |
Family
ID=90380170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410211297.XA Active CN117788538B (zh) | 2024-02-27 | 2024-02-27 | 点云区间配对体积方差一致性的配准方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788538B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047840A1 (en) * | 2005-08-24 | 2007-03-01 | Siemens Corporate Research Inc | System and method for salient region feature based 3d multi modality registration of medical images |
CN109887015A (zh) * | 2019-03-08 | 2019-06-14 | 哈尔滨工程大学 | 一种基于局部曲面特征直方图的点云自动配准方法 |
CN110490912A (zh) * | 2019-07-17 | 2019-11-22 | 哈尔滨工程大学 | 基于局部灰度顺序模型描述符的3d-rgb点云配准方法 |
CN112488228A (zh) * | 2020-12-07 | 2021-03-12 | 京科互联科技(山东)有限公司 | 面向风控系统数据补全的双向聚类方法 |
CN112784873A (zh) * | 2020-12-25 | 2021-05-11 | 华为技术有限公司 | 一种语义地图的构建方法及设备 |
US20220262043A1 (en) * | 2019-07-17 | 2022-08-18 | Sony Group Corporation | Information processing apparatus and method |
CN115620001A (zh) * | 2022-12-15 | 2023-01-17 | 长春理工大学 | 基于3d点云双边扩增算法的视觉辅助系统 |
CN115731215A (zh) * | 2022-11-29 | 2023-03-03 | 中汽创智科技有限公司 | 一种回环检测方法、装置、电子设备及存储介质 |
CN116452583A (zh) * | 2023-06-14 | 2023-07-18 | 南京信息工程大学 | 点云缺陷检测方法、装置、系统及存储介质 |
CN116596977A (zh) * | 2023-05-17 | 2023-08-15 | 北京化工大学 | 一种针对低重叠率点云的配准方法 |
CN117372489A (zh) * | 2023-12-07 | 2024-01-09 | 武汉工程大学 | 一种用于双线结构光三维测量的点云配准方法及系统 |
-
2024
- 2024-02-27 CN CN202410211297.XA patent/CN117788538B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047840A1 (en) * | 2005-08-24 | 2007-03-01 | Siemens Corporate Research Inc | System and method for salient region feature based 3d multi modality registration of medical images |
CN109887015A (zh) * | 2019-03-08 | 2019-06-14 | 哈尔滨工程大学 | 一种基于局部曲面特征直方图的点云自动配准方法 |
CN110490912A (zh) * | 2019-07-17 | 2019-11-22 | 哈尔滨工程大学 | 基于局部灰度顺序模型描述符的3d-rgb点云配准方法 |
US20220262043A1 (en) * | 2019-07-17 | 2022-08-18 | Sony Group Corporation | Information processing apparatus and method |
CN112488228A (zh) * | 2020-12-07 | 2021-03-12 | 京科互联科技(山东)有限公司 | 面向风控系统数据补全的双向聚类方法 |
CN112784873A (zh) * | 2020-12-25 | 2021-05-11 | 华为技术有限公司 | 一种语义地图的构建方法及设备 |
CN115731215A (zh) * | 2022-11-29 | 2023-03-03 | 中汽创智科技有限公司 | 一种回环检测方法、装置、电子设备及存储介质 |
CN115620001A (zh) * | 2022-12-15 | 2023-01-17 | 长春理工大学 | 基于3d点云双边扩增算法的视觉辅助系统 |
CN116596977A (zh) * | 2023-05-17 | 2023-08-15 | 北京化工大学 | 一种针对低重叠率点云的配准方法 |
CN116452583A (zh) * | 2023-06-14 | 2023-07-18 | 南京信息工程大学 | 点云缺陷检测方法、装置、系统及存储介质 |
CN117372489A (zh) * | 2023-12-07 | 2024-01-09 | 武汉工程大学 | 一种用于双线结构光三维测量的点云配准方法及系统 |
Non-Patent Citations (3)
Title |
---|
POUX F等: "Unsupervised segmentation of indoor 3D point cloud: Application to object-based classification", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》, vol. 44, 31 December 2020 (2020-12-31), pages 111 - 118 * |
TU B等: "A new context-aware framework for defending against adversarial attacks in hyperspectral image classification", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 61, 27 November 2023 (2023-11-27), pages 1 - 14 * |
王月海等: "改进的采样一致性点云配准算法", 《计算机工程与设计》, vol. 43, no. 5, 16 May 2022 (2022-05-16), pages 1382 - 1388 * |
Also Published As
Publication number | Publication date |
---|---|
CN117788538B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6744847B2 (ja) | 3dアライメントアルゴリズムのためのバランスの取れたプローブサイトの選択 | |
JP4686762B2 (ja) | 三次元形状の位置あわせ方法及びプログラム | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
CN109784250B (zh) | 自动引导小车的定位方法和装置 | |
JP2012168941A (ja) | 記述子を用いて3dオブジェクトまたはオブジェクトを表す方法 | |
CN111524168B (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
JP2011238204A (ja) | 3次元シーンにおける3次元物体の認識及び位置姿勢決定方法 | |
CN109615702B (zh) | 网格补洞方法、图像处理设备及具有存储功能的装置 | |
CN114359042A (zh) | 点云拼接方法和装置、三维扫描仪及电子设备 | |
Lin et al. | Optimizing ZNCC calculation in binocular stereo matching | |
Sveier et al. | Object detection in point clouds using conformal geometric algebra | |
CN114863060A (zh) | 基于点云的三维模型重建方法、装置、设备及存储介质 | |
CN110136048B (zh) | 一种图像配准方法及系统、存储介质及终端 | |
CN111798453A (zh) | 用于无人驾驶辅助定位的点云配准方法及其系统 | |
CN111739071A (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
Lu et al. | Automatic point cloud registration algorithm based on the feature histogram of local surface | |
Zou et al. | Automatic 3D point cloud registration algorithm based on triangle similarity ratio consistency | |
WO2021231265A1 (en) | Methods and apparatus for generating point cloud histograms | |
CN110458951B (zh) | 一种电网杆塔的建模数据获取方法及相关装置 | |
CN117788538B (zh) | 点云区间配对体积方差一致性的配准方法、装置和系统 | |
CN117058008A (zh) | 遥感影像几何与辐射一体化校正方法、装置、设备及介质 | |
CN115205558B (zh) | 一种具有旋转和尺度不变性的多模态影像匹配方法及装置 | |
CN110399892B (zh) | 环境特征提取方法和装置 | |
CN111369425A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN117745778B (zh) | 一种点云配准实现方法、装置、存储介质及电子设备 |
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 |