CN118072333B - 一种基于模板匹配的横截面提取方法及装置 - Google Patents
一种基于模板匹配的横截面提取方法及装置 Download PDFInfo
- Publication number
- CN118072333B CN118072333B CN202410481440.7A CN202410481440A CN118072333B CN 118072333 B CN118072333 B CN 118072333B CN 202410481440 A CN202410481440 A CN 202410481440A CN 118072333 B CN118072333 B CN 118072333B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- template
- curvature
- points
- similarity
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19013—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及点云数据处理技术领域,公开了一种基于模板匹配的横截面提取方法及装置,首先利用隧道CAD模型生成模板点云,并计算模板点云和测量点云中的各个点的曲率,再计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点,然后根据对应点构建EIV模型,利用EIV模型精确配准测量点云和模板点云得到配准后的点云,最后求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。本申请通过提取不同点云下的同一位置的截断面点云,减少隧道点云分析的数据处理量,提高了截断面提取的准确度,并为后续的截断面处理分析提供了基础。
Description
技术领域
本申请涉及点云数据处理技术领域,具体而言,涉及一种基于模板匹配的横截面提取方法及装置。
背景技术
点云技术是一种在计算机图形学中广泛应用的重要技术,其使用大量的点来表示三维空间中的物体或场景,这些点通常包含了空间中的位置信息以及其他可能的属性,如颜色、法线向量、纹理坐标等,点云可以由传感器扫描或计算机模型转换等多种方式获取。
随着技术的发展和应用场景的拓展,点云技术的发展趋势也呈现出一些明显的特点。首先,随着3D扫描设备的更新换代和性能的提升,点云数据的采集速度和精度不断提高,数据规模也在不断扩大。其次,随着点云数据采集设备的不断提升,点云数据的质量也在逐渐改善。最后,随着深度学习和机器学习的发展,点云数据处理算法在分类、分割、识别等方面取得了很大的进展。将点云技术应用于隧道监测中,由于隧道点云的数据量巨大,如果直接处理整个测量得到的点云数据,分析数据过程十分漫长,在实际应用中常常截取两个阶段相同位置的部分点云就行变形分析,但是如何提取两个阶段相同位置的截断面一直是技术难题。
在现有技术中,提取同一位置的截断面遇到的问题有:第一、由于隧道场景下往往没有GPS信号,因此获取的点云数据都是局部坐标系,两个阶段的点云无法直接使用,需要通过配准将两个阶段的点云坐标系进行统一。第二、以往提取隧道截断面往往使用的是利用隧道中轴线的方法,截取隧道点云到隧道中轴线一点的法平面距离小于阈值的点作为截断面。而现有技术中提取的中轴线往往有误差,其会导致法平面不是完全垂直隧道走向的截面。
发明内容
本申请的目的在于,为了克服现有的技术缺陷,提供了一种基于模板匹配的横截面提取方法及装置,通过提取不同点云下的同一位置的截断面点云,减少隧道点云分析的数据处理量,提高了截断面提取的准确度,并为后续的截断面处理分析提供了基础。
本申请目的通过下述技术方案来实现:
第一方面,本申请提出了一种基于模板匹配的横截面提取方法,所述方法包括:
利用隧道CAD模型生成模板点云,并计算模板点云和测量点云中的各个点的曲率;
计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点;
根据对应点构建EIV模型,利用所述EIV模型精确配准测量点云和模板点云得到配准后的点云;
求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。
在一种可能的实施方式中,所述曲率相似度包括左侧曲率相似度和右侧曲率相似度,计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点的步骤,包括:
计算模板点云与对应的测量点云的曲率相似度;
选择曲率大于曲率阈值的点作为备选点,将备选点按照隧道两侧分类得到左侧备选点和右侧备选点;
分别计算模板点云和测量点云的左侧备选点的左侧曲率相似度、模板点云和测量点云的右侧备选点的右侧曲率相似度;
分别将左侧曲率相似度和右侧曲率相似度大于相似度阈值的点作为对应点。
在一种可能的实施方式中,根据对应点构建EIV模型,利用所述EIV模型精确配准测量点云和模板点云得到配准后的点云的步骤,包括:
根据对应点并结合坐标转换关系构建EIV模型,利用最小二乘法求解EIV函数模型得到转移矩阵;
利用转移矩阵对模板点云和测量点云进行配准得到配准后的点云。
在一种可能的实施方式中,所述EIV模型的表达式为:
;
转移矩阵的表达式为:
;
其中、、分别为模板点云中的对应点,、、分别为测量点云中的对应点,、、分别为三个误差量,、、为三个平移量,为旋转角。
在一种可能的实施方式中,求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云的步骤,包括:
截取模板点云的侧边点云,计算侧边点云的法向量得到侧边法向量;
根据模板点云上的任意一个点云和对应的侧边法向量获取截断面;
选取配准后的点云至截断面小于点云阈值的点云得到模板点云和测量点云的截断面点云。
第二方面,本申请提出了一种基于模板匹配的横截面提取装置,所述装置包括:
曲率计算模块,用于利用隧道CAD模型生成模板点云,并计算所述模板点云和测量点云中的各个点的曲率;
相似度计算模块,用于计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点;
匹配模块,用于根据对应点构建EIV模型,利用所述EIV模型精确配准测量点云和模板点云得到配准后的点云;
生成模块,用于求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。
在一种可能的实施方式中,相似度计算模块,用于:
计算模板点云与对应的测量点云的曲率相似度;
选择曲率大于曲率阈值的点作为备选点,将备选点按照隧道两侧分类得到左侧备选点和右侧备选点;
分别计算模板点云和测量点云的左侧备选点的左侧曲率相似度、模板点云和测量点云的右侧备选点的右侧曲率相似度;
分别将左侧曲率相似度和右侧曲率相似度大于相似度阈值的点作为对应点。
在一种可能的实施方式中,匹配模块,用于:
根据对应点并结合坐标转换关系构建EIV模型,利用最小二乘法求解EIV函数模型得到转移矩阵;
利用转移矩阵对模板点云和测量点云进行配准得到配准后的点云。
在一种可能的实施方式中,所述EIV模型的表达式为:
;
转移矩阵的表达式为:
;
其中、、分别为模板点云中的对应点,、、分别为测量点云中的对应点,、、分别为三个误差量,、、为三个平移量,为旋转角。
在一种可能的实施方式中,生成模块,用于:
截取模板点云的侧边点云,计算侧边点云的法向量得到侧边法向量;
根据模板点云上的任意一个点云和对应的侧边法向量获取截断面;
选取配准后的点云至截断面小于点云阈值的点云得到模板点云和测量点云的截断面点云。
上述本申请主方案及其各进一步选择方案可以自由组合以形成多个方案,均为本申请可采用并要求保护的方案;且本申请,(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本申请方案后根据现有技术和公知常识可明了有多种组合,均为本申请所要保护的技术方案,在此不做穷举。
本申请公开了一种基于模板匹配的横截面提取方法及装置,首先利用隧道CAD模型生成模板点云,并计算模板点云和测量点云中的各个点的曲率,再计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点,然后根据对应点构建EIV模型,利用EIV模型精确配准测量点云和模板点云得到配准后的点云,最后求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。本申请通过提取不同点云下的同一位置的截断面点云,减少隧道点云分析的数据处理量,提高了截断面提取的准确度,并为后续的截断面处理分析提供了基础。
附图说明
图1示出了本申请实施例提出的基于模板匹配的横截面提取方法的流程示意图。
图2示出了本申请实施例提出的隧道CAD模型的示意图。
图3示出了本申请实施例提出的模板点云数据的示意图。
图4示出了本申请实施例中提出的测量点云转换前的模板点云和测量点云示意图。
图5示出了本申请实施例中提出的测量点云转换后的模板点云和测量点云示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本申请中的实施例,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,都属于本申请保护的范围。
在现有技术中,提取同一位置的截断面遇到的问题有:第一、由于隧道场景下往往没有GPS信号,因此获取的点云数据都是局部坐标系,两个阶段的点云无法直接使用,需要通过配准将两个阶段的点云坐标系进行统一。第二、以往提取隧道截断面往往使用的是利用隧道中轴线的方法,截取隧道点云到隧道中轴线一点的法平面距离小于阈值的点作为截断面。而现有技术中提取的中轴线往往有误差,其会导致法平面不是完全垂直隧道走向的截面。
因此,为了解决上述的问题,本申请实施例提出了一种基于模板匹配的横截面提取方法及装置,通过提取不同点云下的同一位置的截断面点云,减少隧道点云分析的数据处理量,提高了截断面提取的准确度,并为后续的截断面处理分析提供了基础,接下来对其进行详细地说明。
请参照图1,图1示出了本申请实施例提出的基于模板匹配的横截面提取方法的流程示意图,该方法应用于隧道的点云数据处理领域,包括以下各个步骤:
步骤S1、利用隧道CAD模型生成模板点云,并计算模板点云和测量点云中的各个点的曲率。
利用设计图纸生成隧道CAD模型,将该隧道CAD模型作为原始的没有产生变形的数据,对隧道CAD模型进行均匀采样转换至模板点云数据,将其与实际测量的点云数据进行对比。图2示出了本申请实施例提出的隧道CAD模型的示意图,图3示出了本申请实施例提出的模板点云数据的示意图,分别计算模板点云和测量点云中的每个点曲率。
步骤S2、计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点。
在一种可能的实施方式中,步骤S2包括:
计算模板点云与对应的测量点云的曲率相似度;
选择曲率大于曲率阈值的点作为备选点,将备选点按照隧道两侧分类得到左侧备选点和右侧备选点;
分别计算模板点云和测量点云的左侧备选点的左侧曲率相似度、模板点云和测量点云的右侧备选点的右侧曲率相似度;
分别将左侧曲率相似度和右侧曲率相似度大于相似度阈值的点作为对应点。
将模板点云和测量点云的点云数据按照隧道两侧分类,能够避免后续在匹配过程中出现错误。利用曲率特征确定对应点:计算得到的模板点云和测量点云中每个点的曲率,选择曲率大于曲率阈值的点作为备选点,将备选点分为左侧备选点和右侧备选点,找出模板点云和测量点云相匹配的点,搜索模板点云和测量点云的最近备选点,将曲率相似度大于相似度阈值的点作为对应点。
步骤S3、根据对应点构建EIV模型,利用EIV模型精确配准测量点云和模板点云得到配准后的点云。
步骤S3包括:
根据对应点并结合坐标转换关系构建EIV模型,利用最小二乘法求解EIV函数模型得到转移矩阵;
利用转移矩阵对模板点云和测量点云进行配准得到配准后的点云。
由于在现有技术当中在精配准中的对应点之间存在误差,本申请实施例利用点云配准,利用EIV模型将模板点云和测量点云转换至同一坐标系下,降低误差提升精度,实现点云的精确配准,便于后续的隧道点云数据分析。
本身实施例中的EIV模型是观测变量含误差的模型,其能够有效去除模型中误差对精度的影响。
由于精配准中的对应点之间存在误差,因此我们的方法采用EIV模型来降低误差提升精度,EIV模型的表达式为:
;
转移矩阵的表达式为:
;
其中、、分别为模板点云中的对应点,、、分别为测量点云中的对应点,、、分别为三个误差量,、、为三个平移量,为旋转角。
一般而言EIV函数模型的形式为:,其中表示观测向量,表示观测向量误差,表示系数矩阵,改正数矩阵,表示参数向量。假设系数矩阵中全为固定元素没有随机元素,得到简化后的EIV模型:,将其展开便是上述的EIV模型的表达式。
其中测量点云转换方式为:,其中、、分别为转换之后的模板点云,利用其便能将将模板点云和测量点云转换至同一坐标系下,请参照图4和图5,图4示出了本申请实施例中提出的测量点云转换前的模板点云和测量点云示意图,图5示出了本申请实施例中提出的测量点云转换后的模板点云和测量点云示意图。
步骤S4、求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。
步骤S4包括:
截取模板点云的侧边点云,计算侧边点云的法向量得到侧边法向量;
根据模板点云上的任意一个点云和对应的侧边法向量获取截断面;
选取配准后的点云至截断面小于点云阈值的点云得到模板点云和测量点云的截断面点云。
将模板点云和测量点云进行了匹配之后,通过模板点云为标准来截取需要分析的区域,通过截断面提取需要分析的区域。截取模板点云的两侧点云,计算法向量,随机选取一个点,根据该点对应的的法向量获取截断面,将模板点云和测量点云到截断面距离小于一定值的点作为截断面点,即可得到模板点云的截断面点云和测量点云的截断面点云。
因此,本申请公开的横截面提取方法及装置,首先利用隧道CAD模型生成模板点云,并计算模板点云和测量点云中的各个点的曲率,再计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点,然后根据对应点构建EIV模型,利用EIV模型精确配准测量点云和模板点云得到配准后的点云,最后求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。本申请通过提取不同点云下的同一位置的截断面点云,减少隧道点云分析的数据处理量,提高了截断面提取的准确度,并为后续的截断面处理分析提供了基础。
下面给出一种基于模板匹配的横截面提取装置可能的实现方式,其用于执行上述实施例及可能的实现方式中示出的横截面提取方法各个执行步骤和相应的技术效果,该装置包括:
曲率计算模块,用于利用隧道CAD模型生成模板点云,并计算模板点云和测量点云中的各个点的曲率;
相似度计算模块,用于计算模板点云与对应的测量点云的曲率相似度,将曲率相似度大于相似度阈值的点作为对应点;
匹配模块,用于根据对应点构建EIV模型,利用EIV模型精确配准测量点云和模板点云得到配准后的点云;
生成模块,用于求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。
在一种可能的实施方式中,相似度计算模块,用于:
计算模板点云与对应的测量点云的曲率相似度;
选择曲率大于曲率阈值的点作为备选点,将备选点按照隧道两侧分类得到左侧备选点和右侧备选点;
分别计算模板点云和测量点云的左侧备选点的左侧曲率相似度、模板点云和测量点云的右侧备选点的右侧曲率相似度;
分别将左侧曲率相似度和右侧曲率相似度大于相似度阈值的点作为对应点。
在一种可能的实施方式中,匹配模块,用于:
根据对应点并结合坐标转换关系构建EIV模型,利用最小二乘法求解EIV函数模型得到转移矩阵;
利用转移矩阵对模板点云和测量点云进行配准得到配准后的点云。
在一种可能的实施方式中,EIV模型的表达式为:
;
转移矩阵的表达式为:
;
其中、、分别为模板点云中的对应点,、、分别为测量点云中的对应点,、、分别为三个误差量,、、为三个平移量,为旋转角。
在一种可能的实施方式中,生成模块,用于:
截取模板点云的侧边点云,计算侧边点云的法向量得到侧边法向量;
根据模板点云上的任意一个点云和对应的侧边法向量获取截断面;
选取配准后的点云至截断面小于点云阈值的点云得到模板点云和测量点云的截断面点云。
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的横截面提取方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的横截面提取方法的有益效果,详见前面的实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本申请实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的横截面提取方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一横截面提取方法实施例中的步骤,因此,可以实现本申请实施例所提供的任一横截面提取方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于模板匹配的横截面提取方法,其特征在于,所述方法包括:
利用隧道CAD模型生成模板点云,并计算模板点云和测量点云中的各个点的曲率;
计算模板点云与对应的测量点云的曲率相似度;
选择曲率大于曲率阈值的点作为备选点,将备选点按照隧道两侧分类得到左侧备选点和右侧备选点;
分别计算模板点云和测量点云的左侧备选点的左侧曲率相似度、模板点云和测量点云的右侧备选点的右侧曲率相似度;
分别将左侧曲率相似度和右侧曲率相似度大于相似度阈值的点作为对应点;
根据对应点构建EIV模型,利用所述EIV模型精确配准测量点云和模板点云得到配准后的点云;
求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。
2.如权利要求1所述的横截面提取方法,其特征在于,根据对应点构建EIV模型,利用所述EIV模型精确配准测量点云和模板点云得到配准后的点云的步骤,包括:
根据对应点并结合坐标转换关系构建EIV模型,利用最小二乘法求解EIV函数模型得到转移矩阵;
利用转移矩阵对模板点云和测量点云进行配准得到配准后的点云。
3.如权利要求2所述的横截面提取方法,其特征在于,所述EIV模型的表达式为:
;
转移矩阵的表达式为:
;
其中、、分别为模板点云中的对应点,、、分别为测量点云中的对应点,、、分别为三个误差量,、、为三个平移量,为旋转角。
4.如权利要求1所述的横截面提取方法,其特征在于,求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云的步骤,包括:
截取模板点云的侧边点云,计算侧边点云的法向量得到侧边法向量;
根据模板点云上的任意一个点云和对应的侧边法向量获取截断面;
选取配准后的点云至截断面小于点云阈值的点云得到模板点云和测量点云的截断面点云。
5.一种基于模板匹配的横截面提取装置,其特征在于,所述装置包括:
曲率计算模块,用于利用隧道CAD模型生成模板点云,并计算所述模板点云和测量点云中的各个点的曲率;
相似度计算模块,用于计算模板点云与对应的测量点云的曲率相似度;
选择曲率大于曲率阈值的点作为备选点,将备选点按照隧道两侧分类得到左侧备选点和右侧备选点;
分别计算模板点云和测量点云的左侧备选点的左侧曲率相似度、模板点云和测量点云的右侧备选点的右侧曲率相似度;
分别将左侧曲率相似度和右侧曲率相似度大于相似度阈值的点作为对应点;
匹配模块,用于根据对应点构建EIV模型,利用所述EIV模型精确配准测量点云和模板点云得到配准后的点云;
生成模块,用于求解模板点云的侧边法向量,并利用侧边法向量截取配准后的点云分别得到模板点云和测量点云的截断面点云。
6.如权利要求5所述的横截面提取装置,其特征在于,匹配模块,用于:
根据对应点并结合坐标转换关系构建EIV模型,利用最小二乘法求解EIV函数模型得到转移矩阵;
利用转移矩阵对模板点云和测量点云进行配准得到配准后的点云。
7.如权利要求6所述的横截面提取装置,其特征在于,所述EIV模型的表达式为:
;
转移矩阵的表达式为:
;
其中、、分别为模板点云中的对应点,、、分别为测量点云中的对应点,、、分别为三个误差量,、、为三个平移量,为旋转角。
8.如权利要求5所述的横截面提取装置,其特征在于,生成模块,用于:
截取模板点云的侧边点云,计算侧边点云的法向量得到侧边法向量;
根据模板点云上的任意一个点云和对应的侧边法向量获取截断面;
选取配准后的点云至截断面小于点云阈值的点云得到模板点云和测量点云的截断面点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410481440.7A CN118072333B (zh) | 2024-04-22 | 2024-04-22 | 一种基于模板匹配的横截面提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410481440.7A CN118072333B (zh) | 2024-04-22 | 2024-04-22 | 一种基于模板匹配的横截面提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118072333A CN118072333A (zh) | 2024-05-24 |
CN118072333B true CN118072333B (zh) | 2024-07-30 |
Family
ID=91095831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410481440.7A Active CN118072333B (zh) | 2024-04-22 | 2024-04-22 | 一种基于模板匹配的横截面提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118072333B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689394A (zh) * | 2021-08-20 | 2021-11-23 | 浙江省交通工程管理中心 | 一种基于三维点云的隧道初支平整度检测方法 |
CN117078587A (zh) * | 2023-06-09 | 2023-11-17 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于三维点云的隧道电缆附件检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6884016B2 (ja) * | 2017-03-22 | 2021-06-09 | 清水建設株式会社 | トンネル掘削管理処理方法及びトンネル掘削管理処理装置 |
US20230367015A1 (en) * | 2020-10-01 | 2023-11-16 | Nec Corporation | Inspection system, extraction device, and inspection method |
CN113408074A (zh) * | 2021-06-28 | 2021-09-17 | 吉林大学 | 一种轮对踏面参数测量方法及装置 |
CN116993995A (zh) * | 2023-05-30 | 2023-11-03 | 中南大学 | 一种隧道挖掘过程中岩碴片的识别方法、终端设备及介质 |
-
2024
- 2024-04-22 CN CN202410481440.7A patent/CN118072333B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689394A (zh) * | 2021-08-20 | 2021-11-23 | 浙江省交通工程管理中心 | 一种基于三维点云的隧道初支平整度检测方法 |
CN117078587A (zh) * | 2023-06-09 | 2023-11-17 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于三维点云的隧道电缆附件检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118072333A (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062282B (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
CN111652217B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN108228798B (zh) | 确定点云数据之间的匹配关系的方法和装置 | |
CN111598946B (zh) | 一种物体位姿测量方法、装置及存储介质 | |
CN109241901B (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
WO2023193401A1 (zh) | 点云检测模型训练方法、装置、电子设备及存储介质 | |
CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
CN113961738B (zh) | 一种多特征铸件三维模型检索方法及装置 | |
CN112926592B (zh) | 一种基于改进Fast算法的商标检索方法及装置 | |
CN114359383A (zh) | 一种图像定位方法、装置、设备以及存储介质 | |
CN110472651B (zh) | 一种基于边缘点局部特征值的目标匹配与定位方法 | |
CN108992033B (zh) | 一种视觉测试的评分装置、设备和存储介质 | |
CN113159103B (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN113435479A (zh) | 基于区域特征表达约束的特征点匹配方法与系统 | |
JP5500245B2 (ja) | トレーニング方法及び装置並びに画像における対象の姿勢視角を推定する方法及び装置 | |
CN118072333B (zh) | 一种基于模板匹配的横截面提取方法及装置 | |
CN117593420A (zh) | 基于图像处理的平面图纸标注方法、装置、介质及设备 | |
CN117351371A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN112184785A (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN112199984B (zh) | 一种大尺度遥感图像的目标快速检测方法 | |
CN109934837B (zh) | 一种3d植物叶片轮廓的提取方法、装置及系统 | |
CN110619650A (zh) | 一种基于线结构激光点云的边缘点提取方法和装置 | |
CN115830340B (zh) | 一种点云目标识别方法和装置、存储介质 | |
CN118279599B (zh) | 结合ransac和最近点采样算法的点云平面提取方法 | |
CN114485608B (zh) | 一种用于高精度地图制作的局部点云快速配准方法 |
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 |