WO2015039375A1 - 点云数据质量自动优化方法及系统 - Google Patents

点云数据质量自动优化方法及系统 Download PDF

Info

Publication number
WO2015039375A1
WO2015039375A1 PCT/CN2013/087824 CN2013087824W WO2015039375A1 WO 2015039375 A1 WO2015039375 A1 WO 2015039375A1 CN 2013087824 W CN2013087824 W CN 2013087824W WO 2015039375 A1 WO2015039375 A1 WO 2015039375A1
Authority
WO
WIPO (PCT)
Prior art keywords
point
point cloud
model
data
initial
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.)
Ceased
Application number
PCT/CN2013/087824
Other languages
English (en)
French (fr)
Inventor
黄惠
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to US14/893,035 priority Critical patent/US9684817B2/en
Publication of WO2015039375A1 publication Critical patent/WO2015039375A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—Three-dimensional [3D] image rendering
    • G06T15/10—Geometric effects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
    • G06T19/20—Editing of three-dimensional [3D] images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional [3D] objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional [3D] objects
    • G06V20/653—Three-dimensional [3D] objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Definitions

  • the invention relates to a method and system for automatically optimizing point cloud data quality. Background technique
  • 3D modeling is a hot issue in the field of computer science.
  • the modeling methods are mainly divided into two categories according to the source of the data: modeling methods based on three-dimensional scattered point data and modeling methods based on images (single frame, multi-frame, sequence).
  • the 3D laser scanning system can quickly acquire the 3D position and geometric texture information of the target object surface, and it is widely used in 3D modeling because of the relatively high accuracy of the acquired data.
  • most of the existing modeling methods are to scan the target by a specific scanning instrument to obtain the original point cloud data required for modeling, and then use a series of artificially designed precision optimization algorithms in the late offline state.
  • the point cloud data is processed by splicing, denoising, simplification, feature extraction and fusion to obtain a high-precision three-dimensional model.
  • a key factor that has a significant impact on modeling accuracy is the accuracy of the scanner that initially acquired the data.
  • the invention provides a method for automatically optimizing point cloud data quality, the method comprising the following steps: a.
  • the initial point cloud data is collected from the target object to be reconstructed to obtain an initial discrete point cloud;
  • preliminary data cleaning of the initial discrete point cloud obtained above is performed to obtain a locally optimal projection operator (LOP) sampling model.
  • LOP projection operator
  • c. Using the method of Possion surface reconstruction on the initial discrete point cloud obtained above, the Possion reconstruction point cloud model is obtained;
  • the obtained Possion reconstruction point cloud model is iterated to the initial discrete point cloud obtained above. Algorithm registration; and e.
  • the a specifically includes: collecting initial point cloud data by using a three-dimensional laser scanner to reconstruct the target object.
  • the three-dimensional laser scanner can be hand-held or a conventional laser scanning device mounted at the end of a multi-degree-of-freedom robotic arm.
  • the e specifically includes: calculating, for each point on the currently registered model, a weight of a surrounding point in a certain radius distance region corresponding to the point corresponding to the point on the obtained LOP sampling model, and the weight is The threshold is compared; if the weight is large, it indicates that the point cloud near the point in the initial discrete point cloud obtained in the step a is densely distributed, which meets the requirements of current modeling accuracy, and does not need to repeatedly scan the area; if the weight is small , indicating that the point cloud near the point in the initial discrete point cloud obtained in the step a is sparsely distributed, and the local area should be selectively scanned again in the later stage, and the above analysis process is repeated until the current modeling accuracy is satisfied.
  • the weight is zero, it can be confirmed that the point is in the step c, and the real three-dimensional laser scanning point is calculated by interpolation in the Possion algorithm, and then it is necessary to scan the blind spot position of the point in the later stage. Repeat the above analysis process until the current modeling accuracy requirements are met or the artificial termination conditions are set.
  • the artificial setting termination condition is that the number of times the scanner cannot reach or repeat the scanning exceeds the artificial predetermined value.
  • the invention provides a point cloud data quality automatic optimization system, which comprises a data collection module electrically connected to each other, a raw data sampling module, a raw data reconstruction module, a model initial registration module and a module.
  • a quality analysis module wherein: the data collection module is configured to collect initial point cloud data for the target to be reconstructed to obtain an initial discrete point cloud; and the original data sampling module is configured to perform preliminary on the initial discrete point cloud obtained above
  • the data cleaning is obtained by a locally optimal projection operator (LOP) sampling model; the original data reconstruction module is used to obtain a Possion reconstruction point cloud on the initial discrete point cloud obtained above by using a Possion surface reconstruction method.
  • LOP locally optimal projection operator
  • a model initial registration module configured to register the obtained Possion reconstruction point cloud model with an initial point cloud algorithm obtained by the initial discrete point cloud obtained above; the model quality analysis module is configured to be used for current registration At each point on the model, on the obtained L0P sampling model, calculate a weight of the surrounding point in the region corresponding to the position of the point corresponding to the point, and compare the weight with the threshold to determine whether the area in the point needs to be repeated. scanning.
  • the data collection module collects initial point cloud data by using a three-dimensional laser scanner to reconstruct the target object.
  • the three-dimensional laser scanner can be hand-held or a conventional laser scanning device mounted at the end of a multi-degree-of-freedom robotic arm.
  • the model quality analysis module calculates, for each point on the currently registered model, a weight of a surrounding point in a certain radius distance region corresponding to the point corresponding to the point on the obtained LOP sampling model, and the weight is The threshold is compared; if the weight is large, it indicates that the point cloud near the point is densely distributed in the initial discrete point cloud obtained by the data collection module, which meets the requirements of current modeling accuracy, and does not need to repeatedly scan the area; Small, it indicates that the point cloud near the point is sparse in the initial discrete point cloud obtained by the data collection module, and the local area should be selectively scanned again in the later stage, and the above analysis process is repeated until the current construction is satisfied. If the weight is zero, it can be confirmed that the point is in the original data reconstruction module, and the real 3D laser scanning point is calculated by interpolation in the Possion algorithm. Position focus scan, repeat the above analysis process until the current modeling accuracy requirements or artificial Given termination condition.
  • the artificial setting termination condition is that the number of times the scanner cannot reach or repeat the scanning exceeds the artificial predetermined value.
  • the method and system for automatically optimizing the point cloud data quality provided by the invention have no manual interference at all, and the method for automatically optimizing the input point cloud data quality in the three-dimensional modeling through the feedback obtained by multi-scale local spatial information analysis is selectively performed. Repeated scanning, which provides richer multi-scale real-scan data for later high-precision modeling, reduces the dependence on the inherent measurement accuracy of the hardware.
  • FIG. 1 is a flow chart of a method for automatically optimizing point cloud data quality according to the present invention
  • FIG. 2 is a hardware architecture diagram of a point cloud data quality automatic optimization system according to the present invention. detailed description
  • FIG. 1 there is shown a workflow diagram of a preferred embodiment of the point cloud data quality optimization method of the present invention.
  • Step S401 Collect initial point cloud data for the object to be reconstructed to obtain an initial discrete point cloud.
  • the 3D laser scanner is used to reconstruct the target object, especially for reconstructed objects with large volume and complicated geometric structure, such as beautifully crafted sculptures and other crafts in the museum, which are initially in accordance with the top and bottom, from the left. Omni-directional scanning to the right.
  • the three-dimensional laser scanner can be hand-held or a common laser scanning device installed at the end of the multi-degree-of-freedom robot arm. For some time, the measurement blind zone caused by the laser measurement accuracy or the complex geometric texture structure of the target is not considered.
  • an initial discrete point cloud representing the uneven distribution of the local point density of the real three-dimensional position is obtained.
  • Step S402 performing preliminary data cleaning on the initial discrete point cloud obtained above to obtain a LOP sampling model, that is, selecting a Locally Optimal Projection Operator (LOP) to perform preliminary downsampling and regularizing operations on the data.
  • LOP Locally Optimal Projection Operator
  • the L0P operator is used to clean the original collected data.
  • the reason for using the L0P operator is because it can generate a relatively simple point cloud while maintaining the geometric characteristics of the original input point cloud, that is, while downsampling and rejecting noise and outliers, it can also approximate complex geometry.
  • the surface information of the three-dimensional object is because it can generate a relatively simple point cloud while maintaining the geometric characteristics of the original input point cloud, that is, while downsampling and rejecting noise and outliers, it can also approximate complex geometry.
  • the surface information of the three-dimensional object is because it can generate a relatively simple point cloud while maintaining the geometric characteristics of the original input point cloud, that is, while downsampling and rejecting noise and outliers,
  • L0P operator uses parameterless modeling, does not rely on local local vectors, local patch matching and other local information, so it can efficiently deal with noise that interferes with the point direction judgment of the original input data.
  • the L0P operator is especially suitable for the following two applications where it is not easy to judge the direction of the input point: 1) One appearance has multiple folds and is close to each other; 2) For complex geometries that are difficult to reconstruct with local patch fitting methods Morphological object.
  • Step S403 using a Possion surface reconstruction method on the obtained initial discrete point cloud to obtain a Possion reconstruction point cloud model.
  • the Poisson surface reconstruction process is a multi-scale spatial adaptive analysis process, which considers all discrete points in space as a whole to be considered at one time without resorting to heuristic space partitioning or mixing operations, by solving Poisson equations. Complete the reconstruction of a complete closed mesh model to derive a three-dimensional model of the grid data level.
  • the Possion surface reconstruction mechanism reduces the dependence on a good linear sparse system and is highly robust to noise interference.
  • Step S404 performing the ICP registration on the obtained Possion reconstruction point cloud model and the initial discrete point cloud obtained above.
  • the obtained Possion reconstruction point cloud model and the initial discrete point cloud are registered by an Inter Close Point (ICP) algorithm, and the next input model is obtained after fusion.
  • the ICP algorithm calculates the transformation parameters of the two point sets by finding the relationship between the corresponding matching points of the two point sets to satisfy the convergence precision, and finally obtains the evaluation and rotation parameters between the two point sets. Complete the registration process.
  • ICP Inter Close Point
  • Step S405 Calculate, for each point on the current fusion registration model, a weight of the surrounding point in the region of the certain radius distance corresponding to the point corresponding to the point on the obtained LOP sampling model, and compare the weight with the threshold. Determine if the area in which the point is located requires repeated scans. Specifically, for each point on the current fusion registration model, a weight of a surrounding point in a certain radius distance region corresponding to the point corresponding to the point is calculated on the obtained LOP sampling model, and the weight is compared with the threshold. Comparison.
  • the weight is large, it indicates that the point cloud near the point in the initial discrete point cloud obtained in the step S401 is densely distributed, which meets the requirements of the current modeling precision, and does not need to repeatedly scan the area; if the weight is small, it indicates that The point cloud near the point in the initial discrete point cloud obtained in the step S401 is relatively thin. Sparse, the latter should be selectively scanned again for the local area, and the above analysis process is repeated until the current modeling accuracy requirement is met; if the weight is zero, it can be confirmed that the point is in the step S403, and the real three-dimensional The laser scanning point is calculated by interpolation in the Possion algorithm.
  • the artificial setting termination condition includes that the position scanner cannot reach or the number of repeated scans exceeds the artificial predetermined value.
  • FIG. 2 it is a hardware architecture diagram of the point cloud data quality automatic optimization system of the present invention.
  • the system includes a data collection module electrically connected to each other, a raw data sampling module, a raw data reconstruction module, a model initial registration module, and a model quality analysis module.
  • the data collection module is configured to collect initial point cloud data for the object to be reconstructed.
  • the data collection module adopts a three-dimensional laser scanner, and the target object to be reconstructed, especially for a reconstructed object with a large volume and a complicated geometric structure, such as a beautifully crafted sculpture and the like in a museum, etc. Down, full scan from left to right.
  • the three-dimensional laser scanner can be hand-held or a common laser scanning device installed at the end of the multi-degree-of-freedom robot arm. Some measurement blind spots due to laser measurement accuracy or complex geometric texture of the target are not considered.
  • the data collection module obtains an initial discrete point cloud representing the true three-dimensional position and uneven local point density distribution.
  • the original data sampling module is configured to perform preliminary data cleaning on the initial discrete point cloud obtained above to obtain a LOP sampling model, that is, select a Locally Optimal Projection Operator (LOP) to perform preliminary downsampling on the data. And regular operations. Specifically, the original data sampling module selects a L0P operator to clean the original collected data.
  • L0P operator The reason for using the L0P operator is because it can generate a relatively simple point cloud while maintaining the geometric features of the original input point cloud, that is, while downsampling and rejecting noise and outliers, it can also approximate complex geometry.
  • the L0P operator is easy to use. It uses parameterless modeling and does not rely on local local vectors, local patch matching, and other local information.
  • the L0P operator is especially suitable for the following two types. It is easy to judge the application of the input point direction: 1) One appearance has multiple folds and is close to each other; 2) For complex geometrical objects that are difficult to reconstruct with local patch fitting methods.
  • the original data reconstruction module is configured to adopt a Possion surface reconstruction method on the real initial discrete point cloud obtained by the data collection module to obtain a Possion reconstruction point cloud model.
  • the original data reconstruction module uses a Possion surface reconstruction method.
  • the Poisson surface reconstruction process is a multi-scale spatial adaptive analysis process. It treats all discrete points in space as a whole and considers them all at once, without resorting to heuristic space partitioning or mixing operations, by solving Poisson equations. Complete the reconstruction of a complete closed mesh model to derive a three-dimensional model of the grid data level.
  • the Possion surface reconstruction mechanism reduces the dependence on a good linear sparse system and is highly robust to noise interference.
  • the model initial registration module is configured to integrate the obtained Possion reconstruction point cloud model and the obtained initial discrete point cloud by the ICP registration method, and obtain an input model of the model quality analysis module.
  • the model initial registration module is configured to register the Possion reconstruction point cloud model obtained by the original data reconstruction module with an initial discrete point cloud by an Interrupt Near Point (ICP) algorithm, and after the fusion An input model of the model quality analysis module is obtained.
  • ICP Interrupt Near Point
  • the ICP algorithm calculates the transformation parameters of the two point sets by finding the relationship between the corresponding matching points of the two point sets to satisfy the convergence precision, and finally obtains the evaluation and rotation parameters between the two point sets. Complete the registration process.
  • the model quality analysis module is configured to calculate, on each of the points on the current fusion registration model, a weight of the surrounding point in the region of the corresponding radius of the corresponding position on the obtained LOP sampling model, and The weight is compared to the threshold to determine if the region in which the point is located requires repeated scans. Specifically, the model quality analysis module calculates, for each point on the current fusion registration model, a weight of the surrounding point in the region corresponding to the position of the point corresponding to the point on the LOP sampling model obtained above, and The weight is compared to a threshold.
  • the weight is large, it indicates that the point cloud near the point in the data collection module is densely distributed, which meets the requirements of current modeling accuracy, and does not need to repeatedly scan the area; if the weight is small, it indicates that the data collection module is Point cloud points near this point The cloth is sparse, and the latter should be selectively scanned again for the local area, and the above analysis process is repeated until the current modeling accuracy requirement is met; if the weight is zero, it can be confirmed that the point is in the original data reconstruction module. From the real 3D laser scanning point through the interpolation calculation in the Possion algorithm, it is necessary to scan the blind spot position of the point in the later stage, and repeat the above analysis process until the current modeling accuracy requirement or the artificial setting termination condition is satisfied. .
  • the artificial setting termination condition includes that the position scanner cannot reach or the number of repeated scans exceeds the artificial predetermined value.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Laser Beam Processing (AREA)
  • Numerical Control (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种点云数据质量自动优化方法，包括如下步骤：对待重建的目标物采集初始点云数据，以得到初始离散点云；对上述得到的初始离散点云进行初步的数据清洗得到LOP采样模型；在上述得到的初始离散点云上采用Possion曲面重建的方法，得到 Possion重建点云模型；将所述得到的Possion重建点云模型与上述得到的初始离散点云进行迭代最近点算法配准；针对当前配准的模型上每一点，在得到的LOP采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行比较，以确定该点所在区域是否需要重复扫描。本发明还涉及一种点云数据质量自动优化系统。

Description

点云数据质量自动优化方法及系统 技术领域
本发明涉及一种点云数据质量自动优化方法及系统。 背景技术
三维建模是计算机科学领域中的一个热门问题。其建模方法按照数据的来 源主要分为两类： 基于三维散乱点数据的建模方法和基于图像 （单帧、 多帧、 序列）的建模方法。三维激光扫描系统可以快速获取目标对象表面的三维位置 和几何紋理信息， 因其获取的数据相对精度高而在三维建模领域得到广泛应 用。然而，现有的建模方法大多是通过特定扫描仪器对目标物进行扫描得到建 模所需的原始点云数据，然后在后期离线状态下采用一系列人为设计的精度优 化算法， 人工对获取的点云数据进行了拼接、 去噪、 简化、 特征提取和融合等 处理， 从而得到高精度的三维模型。这里一个对建模精度影响重大的关键因子 即是初始采集数据的扫描仪的测量精度。
现有的三维建模技术多是应用在已经经过前期处理的相对质量较高的点 云数据上。即是离线将采集到的离散点云经过一定的人工清洗和填补， 再运用 对输入数据规整度要求高，人为设计的优化算法一一基于计算几何的方法或基 于隐式曲面的方法，将这些离散点云计算成网格模型，加上一定的紋理和渲染， 最终达到三维建模的目的。可见，现有的高精度三维建模技术大多对硬件设备 的测量精度依赖很高， 同时需要较多的人工参与。 发明内容
有鉴于此， 有必要提供一种点云数据质量自动优化方法及系统。
本发明提供一种点云数据质量自动优化方法， 该方法包括如下步骤： a. 对待重建的目标物采集初始点云数据， 以得到初始离散点云； b.对上述得到的 初始离散点云进行初步的数据清洗得到局部最优投影算子 （Locally Optimal Projection operator, LOP)采样模型； c.在上述得到的初始离散点云上采用 Possion 曲面重建的方法， 得到 Possion 重建点云模型； d.将所述得到的 Possion重建点云模型与上述得到的初始离散点云进行迭代最近点算法配准； 及 e.针对当前配准的模型上每一点， 在得到的 L0P采样模型上计算该点对应 位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行 比较， 以确定该点所在区域是否需要重复扫描。
其中， 所述的 a具体包括：采用三维激光扫描仪对待重建的目标物采集初 始点云数据。
所述的三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的 普通激光扫描装置。
所述的 e具体包括：针对当前配准的模型上每一点， 在上述得到的 L0P采 样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并 将所述权重与阈值进行比较； 若权重较大， 则表明在所述步骤 a得到的初始离 散点云中该点附近的点云分布较密集， 符合当前建模精度要求， 无需重复扫描 该区域； 若权重较小， 则表明在所述步骤 a得到的初始离散点云中该点附近的 点云分布较稀疏，后期应针对该局部区域有选择地再次扫描， 并重复上述分析 过程， 直到满足当前的建模精度要求； 若权重为零， 则可以肯定该点是在所述 步骤 c中， 由真实三维激光扫描点经过 Possion算法中的插值计算得出， 则后 期有必要对该点所在的盲区位置重点扫描， 重复上述分析过程， 直到满足当前 的建模精度要求或人为设定终止条件。
所述的人为设定终止条件为某些位置扫描仪无法到达或者重复扫描的次 数超出了人为预定值。
本发明提供一种点云数据质量自动优化系统，该系统包括相互电性连接的 数据收集模块、 原始数据采样模块、 原始数据重建模块、模型初配准模块及模 型质量分析模块，其中：所述数据收集模块用于对待重建的目标物采集初始点 云数据， 以得到初始离散点云； 所述原始数据采样模块用于对上述得到的初始 离散点云进行初步的数据清洗得到局部最优投影算子 （Locally Optimal Projection operator, LOP)采样模型； 所述原始数据重建模块用于在上述得 到的初始离散点云上采用 Possion曲面重建的方法，得到 Possion重建点云模 型；所述模型初配准模块用于将所述得到的 Possion重建点云模型与上述得到 的初始离散点云进行迭代最近点算法配准；所述模型质量分析模块用于针对当 前配准的模型上每一点，在得到的 L0P采样模型上计算该点对应位置一定半径 距离区域内的周围点对它的一个权重， 并将所述权重与阈值进行比较， 以确定 该点所在区域是否需要重复扫描。
其中，所述的数据收集模块采用三维激光扫描仪对待重建的目标物采集初 始点云数据。
所述的三维激光扫描仪可以为手持式，或是安装在多自由度机械臂末端的 普通激光扫描装置。
所述的模型质量分析模块针对当前配准的模型上每一点， 在上述得到的 L0P 采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个 权重， 并将所述权重与阈值进行比较； 若权重较大， 则表明在所述数据收集模 块得到的初始离散点云中该点附近的点云分布较密集， 符合当前建模精度要 求， 无需重复扫描该区域； 若权重较小， 则表明在所述数据收集模块得到的初 始离散点云中该点附近的点云分布较稀疏，后期应针对该局部区域有选择地再 次扫描， 并重复上述分析过程， 直到满足当前的建模精度要求； 若权重为零， 则可以肯定该点是在所述原始数据重建模块中， 由真实三维激光扫描点经过 Possion算法中的插值计算得出， 则后期有必要对该点所在的盲区位置重点扫 描， 重复上述分析过程， 直到满足当前的建模精度要求或人为设定终止条件。
所述的人为设定终止条件为某些位置扫描仪无法到达或者重复扫描的次 数超出了人为预定值。 本发明所提供的点云数据质量自动优化方法及系统， 完全无人工干涉，通 过多尺度局部空间信息分析得出的反馈自动完成三维建模中输入点云数据质 量优化的方法，选择性地进行重复扫描，进而为后期的高精度建模提供更丰富 的多尺度真实扫描数据， 减少了对硬件固有测量精度的依赖性。 附图说明
图 1为本发明点云数据质量自动优化方法的流程图；
图 2为本发明点云数据质量自动优化系统的硬件架构图。 具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图 1所示，是本发明点云数据质量自动优化方法较佳实施例的作业流 程图。
步骤 S401 , 对待重建的目标物采集初始点云数据， 以得到初始离散点云。 具体而言， 采用三维激光扫描仪， 对待重建的目标物， 尤其针对体积较大、 几 何结构较复杂的重建对象， 如博物馆中制作精美的雕塑等工艺品等，初步按照 从上到下，从左到右的全方位扫描。其中，所述三维激光扫描仪可以为手持式， 或是安装在多自由度机械臂末端的普通激光扫描装置。暂不考虑某些因激光测 量精度， 或目标物的复杂几何紋理结构而带来的测量盲区，在本步骤中得到一 个表示真实三维位置局部点密度分布不均匀的初始离散点云。
步骤 S402, 对上述得到的初始离散点云进行初步的数据清洗得到 L0P采 样模型，也即选择局部最优投影算子（Locally Optimal Projection operator, LOP) 针对数据进行初步的下采样及规整操作。 具体而言， 选用 L0P算子， 对 原始采集数据进行清洗。采用 L0P算子的理由是因为能够生成一个相对简洁的 点云， 同时保持了原始输入点云的几何特征， 即在降采样和剔除噪声和野值点 的同时， 还可以来近似表示复杂几何形态的三维物体表面信息。 L0P算子使用 方便， 它使用无参数建模， 不依赖于局部法向量、局部面片匹配等其他局部信 息，因此它可以高效地处理掉那些干扰原始输入数据中点方向判断的噪声。 L0P 算子尤其适用于以下两种不容易判断输入点方向的应用情形： 1 ) 一个外观有 多个褶皱并且彼此靠的很近； 2 ) 针对那些用局部面片拟合方法难以重建的复 杂几何形态物体。
步骤 S403 , 在所述得到的初始离散点云上采用 Possion曲面重建的方法， 得到 Possion重建点云模型。 具体而言， 使用泊松（Possion) 曲面重建方法。 泊松曲面重建过程是一个多尺度空间自适应分析的过程，它将空间中所有的离 散点当做一个整体来一次性考虑， 而不借助于启发式空间分区或混合等操作， 通过求解泊松方程完成重建出一个完整的封闭性网格模型，从而得出网格数据 级别的三维模型。特别要说明的是 Possion曲面重建机制减少了对一个良好的 线性稀疏系统的依赖度， 对噪声干扰具有很高的鲁棒性。
步骤 S404, 将所述得到的 Possion重建点云模型与上述得到的初始离散 点云进行 ICP配准。具体而言，将所述得到的 Possion重建点云模型与初始离 散点云通过迭代最近点 （Interative Closest Points , ICP) 算法进行配准， 融合后获得下一步的输入模型。所述的 ICP算法通过寻找两个点集的对应匹配 点之间的关系， 计算两个点集的变换参数， 以满足收敛精度， 最终求得两个点 集之间的评议和旋转参数， 来完成配准过程。
步骤 S405, 针对当前融合配准的模型上每一点， 在得到的 L0P采样模型 上计算该点对应位置一定半径距离区域内的周围点对它的一个权重，并将所述 权重与阈值进行比较， 以确定该点所在区域是否需要重复扫描。 具体而言， 针 对当前融合配准的模型上每一点，在上述得到的 L0P采样模型上计算该点对应 位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进行 比较。 若权重较大， 则表明在所述步骤 S401得到的初始离散点云中该点附近 的点云分布较密集， 符合当前建模精度要求， 无需重复扫描该区域； 若权重较 小， 则表明在所述步骤 S401得到的初始离散点云中该点附近的点云分布较稀 疏， 后期应针对该局部区域有选择地再次扫描， 并重复上述分析过程， 直到满 足当前的建模精度要求； 若权重为零， 则可以肯定该点是在所述步骤 S403中， 由真实三维激光扫描点经过 Possion算法中的插值计算得出，则后期有必要对 该点所在的盲区位置重点扫描， 重复上述分析过程， 直到满足当前的建模精度 要求或人为设定终止条件。所述的人为设定终止条件包括：某些位置扫描仪无 法到达或者重复扫描的次数超出了人为预定值。
参阅图 2所示， 是本发明点云数据质量自动优化系统的硬件架构图。该系 统包括相互电性连接的数据收集模块、原始数据采样模块、原始数据重建模块、 模型初配准模块及模型质量分析模块。
所述数据收集模块用于对待重建的目标物采集初始点云数据。 具体而言， 所述数据收集模块采用三维激光扫描仪，对待重建的目标物， 尤其针对体积较 大、几何结构较复杂的重建对象， 如博物馆中制作精美的雕塑等工艺品等， 初 步按照从上到下， 从左到右的全方位扫描。其中， 所述三维激光扫描仪可以为 手持式， 或是安装在多自由度机械臂末端的普通激光扫描装置。暂不考虑某些 因激光测量精度，或目标物的复杂几何紋理结构而带来的测量盲区，所述数据 收集模块得到一个表示真实三维位置， 局部点密度分布不均匀的初始离散点 云。
所述原始数据采样模块用于对上述得到的初始离散点云进行初步的数据 清洗得到 L0P 采样模型， 也即选择局部最优投影算子 （Locally Optimal Projection operator, LOP)针对数据进行初步的下采样及规整操作。 具体而 言， 所述原始数据采样模块选用 L0P 算子， 对原始采集数据进行清洗。 采用 L0P算子的理由是因为能够生成一个相对简洁的点云， 同时保持了原始输入点 云的几何特征， 即在降采样和剔除噪声和野值点的同时，还可以来近似表示复 杂几何形态的三维物体表面信息。 L0P算子使用方便， 它使用无参数建模， 不 依赖于局部法向量、局部面片匹配等其他局部信息， 因此它可以高效地处理掉 那些干扰原始输入数据中点方向判断的噪声。 L0P算子尤其适用于以下两种不 容易判断输入点方向的应用情形： 1 )一个外观有多个褶皱并且彼此靠的很近; 2 ) 针对那些用局部面片拟合方法难以重建的复杂几何形态物体。
所述原始数据重建模块用于在所述数据收集模块得到的真实初始离散点 云上采用 Possion曲面重建的方法， 得到一个 Possion重建点云模型。具体而 言， 所述原始数据重建模块使用泊松 （Possion) 曲面重建方法。 泊松曲面重 建过程是一个多尺度空间自适应分析的过程，它将空间中所有的离散点当做一 个整体来一次性考虑， 而不借助于启发式空间分区或混合等操作，通过求解泊 松方程完成重建出一个完整的封闭性网格模型，从而得出网格数据级别的三维 模型。特别要说明的是 Possion曲面重建机制减少了对一个良好的线性稀疏系 统的依赖度， 对噪声干扰具有很高的鲁棒性。
所述模型初配准模块用于将所述得到的 Possion 重建点云模型与上述得 到的初始离散点云，通过 ICP配准方法， 融合后得出所述模型质量分析模块的 输入模型。具体而言，所述模型初配准模块用于将所述原始数据重建模块得到 的 Possion 重建点云模型与初始离散点云通过迭代最近点 （Interative Closest Points , ICP ) 算法进行配准， 融合后获得所述模型质量分析模块的 输入模型。所述的 ICP算法通过寻找两个点集的对应匹配点之间的关系， 计算 两个点集的变换参数， 以满足收敛精度， 最终求得两个点集之间的评议和旋转 参数， 来完成配准过程。
所述的模型质量分析模块用于针对当前融合配准的模型上每一点，在得到 的 L0P 采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一 个权重， 并将所述权重与阈值进行比较， 以确定该点所在区域是否需要重复扫 描。 具体而言， 所述模型质量分析模块针对当前融合配准的模型上每一点， 在 上述得到的 L0P 采样模型上计算该点对应位置一定半径距离区域内的周围点 对它的一个权重， 并将所述权重与阈值进行比较。若权重较大， 则表明在所述 数据收集模块中该点附近的点云分布较密集， 符合当前建模精度要求， 无需重 复扫描该区域； 若权重较小， 则表明在所述数据收集模块中该点附近的点云分 布较稀疏， 后期应针对该局部区域有选择地再次扫描， 并重复上述分析过程， 直到满足当前的建模精度要求； 若权重为零， 则可以肯定该点是在所述原始数 据重建模块中， 由真实三维激光扫描点经过 Possion算法中的插值计算得出， 则后期有必要对该点所在的盲区位置重点扫描，重复上述分析过程， 直到满足 当前的建模精度要求或人为设定终止条件。所述的人为设定终止条件包括：某 些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应 能理解， 上述较佳实施方式仅用来说明本发明， 并非用来限定本发明的保护范 围， 任何在本发明的精神和原则范围之内， 所做的任何修饰、 等效替换、 改进 等， 均应包含在本发明的权利保护范围之内。

Claims

权 利 要 求
1.一种点云数据质量自动优化方法， 其特征在于， 该方法包括如下步骤： a.对待重建的目标物采集初始点云数据， 以得到初始离散点云；
b.对上述得到的初始离散点云进行初步的数据清洗得到局部最优投影算 子 (Locally Optimal Projection operator, LOP) 米样模型；
c.在上述得到的初始离散点云上采用 Possion 曲面重建的方法， 得到 Possion重建点云模型；
d.将所述得到的 Possion重建点云模型与上述得到的初始离散点云进行迭 代最近点算法配准； 及
e.针对当前配准的模型上每一点， 在得到的 LOP采样模型上计算该点对 应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值进 行比较， 以确定该点所在区域是否需要重复扫描。
2.如权利要求 1所述的方法， 其特征在于， 所述的 a具体包括： 采用三维 激光扫描仪对待重建的目标物采集初始点云数据。
3.如权利要求 2所述的方法， 其特征在于， 所述的三维激光扫描仪可以为 手持式， 或是安装在多自由度机械臂末端的普通激光扫描装置。
4.如权利要求 1所述的方法， 其特征在于， 所述的 e具体包括：
针对当前配准的模型上每一点， 在上述得到的 L0P采样模型上计算该点 对应位置一定半径距离区域内的周围点对它的一个权重，并将所述权重与阈值 进行比较；
若权重较大，则表明在所述步骤 a得到的初始离散点云中该点附近的点云 分布较密集， 符合当前建模精度要求， 无需重复扫描该区域；
若权重较小，则表明在所述步骤 a得到的初始离散点云中该点附近的点云 分布较稀疏，后期应针对该局部区域有选择地再次扫描，并重复上述分析过程， 直到满足当前的建模精度要求；
若权重为零， 则可以肯定该点是在所述步骤 c中， 由真实三维激光扫描点 经过 Possion算法中的插值计算得出， 则后期有必要对该点所在的盲区位置重 点扫描， 重复上述分析过程， 直到满足当前的建模精度要求或人为设定终止条 件。
5.如权利要求 4所述的方法， 其特征在于， 所述的人为设定终止条件为某 些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
6.—种点云数据质量自动优化系统， 其特征在于， 该系统包括相互电性连 接的数据收集模块、 原始数据采样模块、 原始数据重建模块、模型初配准模块 及模型质量分析模块， 其中：
所述数据收集模块用于对待重建的目标物采集初始点云数据，以得到初始 离散点云；
所述原始数据采样模块用于对上述得到的初始离散点云进行初步的数据 清洗得到局部最优投影算子 （Locally Optimal Projection operator, LOP ) 采样 模型；
所述原始数据重建模块用于在上述得到的初始离散点云上采用 Possion曲 面重建的方法， 得到 Possion重建点云模型；
所述模型初配准模块用于将所述得到的 Possion重建点云模型与上述得到 的初始离散点云进行迭代最近点算法配准；
所述模型质量分析模块用于针对当前配准的模型上每一点，在得到的 LOP 采样模型上计算该点对应位置一定半径距离区域内的周围点对它的一个权重， 并将所述权重与阈值进行比较， 以确定该点所在区域是否需要重复扫描。
7.如权利要求 6所述的系统， 其特征在于， 所述的数据收集模块采用三维 激光扫描仪对待重建的目标物采集初始点云数据。
8.如权利要求 7所述的系统， 其特征在于， 所述的三维激光扫描仪可以为 手持式， 或是安装在多自由度机械臂末端的普通激光扫描装置。
9.如权利要求 6所述的系统， 其特征在于， 所述的模型质量分析模块针对 当前配准的模型上每一点， 在上述得到的 LOP采样模型上计算该点对应位置 一定半径距离区域内的周围点对它的一个权重， 并将所述权重与阈值进行比 的点云分布较稀疏， 后期应针对该局部区域有选择地再次扫描， 并重复上述分 析过程， 直到满足当前的建模精度要求；
若权重为零， 则可以肯定该点是在所述原始数据重建模块中， 由真实三维 激光扫描点经过 Possion算法中的插值计算得出， 则后期有必要对该点所在的 盲区位置重点扫描， 重复上述分析过程， 直到满足当前的建模精度要求或人为 设定终止条件。
10.如权利要求 9所述的系统， 其特征在于， 所述的人为设定终止条件为 某些位置扫描仪无法到达或者重复扫描的次数超出了人为预定值。
PCT/CN2013/087824 2013-09-17 2013-11-26 点云数据质量自动优化方法及系统 Ceased WO2015039375A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/893,035 US9684817B2 (en) 2013-09-17 2013-11-26 Method and system for automatically optimizing quality of point cloud data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310424344.0A CN103489218B (zh) 2013-09-17 2013-09-17 点云数据质量自动优化方法及系统
CN201310424344.0 2013-09-17

Publications (1)

Publication Number Publication Date
WO2015039375A1 true WO2015039375A1 (zh) 2015-03-26

Family

ID=49829413

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2013/087824 Ceased WO2015039375A1 (zh) 2013-09-17 2013-11-26 点云数据质量自动优化方法及系统

Country Status (3)

Country Link
US (1) US9684817B2 (zh)
CN (1) CN103489218B (zh)
WO (1) WO2015039375A1 (zh)

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106370670A (zh) * 2016-10-12 2017-02-01 上海建工集团股份有限公司 基于3d激光扫描的建筑预制构件质量检测系统及方法
CN107085219A (zh) * 2017-04-28 2017-08-22 上海华测导航技术股份有限公司 一种地面线数据的自动生成系统
CN107102339A (zh) * 2017-04-28 2017-08-29 上海华测导航技术股份有限公司 一种地面线数据的自动生成方法
CN107167815A (zh) * 2017-04-28 2017-09-15 上海华测导航技术股份有限公司 一种公路公路地面线数据的自动生成系统及方法
CN109783854A (zh) * 2018-12-11 2019-05-21 浙江铁牛汽车车身有限公司 扫描点云与数字cad曲面位移偏差提取方法
CN109887012A (zh) * 2019-01-09 2019-06-14 天津大学 一种结合自适应搜索点集的点云配准方法
CN109934859A (zh) * 2019-03-18 2019-06-25 湖南大学 一种基于特征增强多维权重描述子的icp配准方法
CN110363857A (zh) * 2019-06-14 2019-10-22 西北农林科技大学 降雨过程中土壤侵蚀地表形态dem构建、观测方法及装置
CN110533645A (zh) * 2019-08-23 2019-12-03 上海交通大学 基于视觉任务的点云数据压缩质量评价方法及系统
CN110796741A (zh) * 2019-09-24 2020-02-14 山东科技大学 一种基于双向布料模拟的机载激光测深点云滤波方法
CN111127613A (zh) * 2019-12-25 2020-05-08 华南理工大学 基于扫描电子显微镜的图像序列三维重构方法及系统
CN111241615A (zh) * 2019-12-31 2020-06-05 国网山西省电力公司晋中供电公司 一种高度真实感的变电站多源融合三维建模方法
CN111258320A (zh) * 2020-02-14 2020-06-09 广东博智林机器人有限公司 一种机器人避障的方法及装置、机器人、可读存储介质
CN111951307A (zh) * 2020-07-23 2020-11-17 西北大学 基于伪Huber损失函数的三维点云仿射配准方法及系统
CN112270698A (zh) * 2019-12-31 2021-01-26 山东理工大学 基于最邻近曲面的非刚性几何配准方法
CN112562078A (zh) * 2020-12-04 2021-03-26 嘉兴恒创电力设计研究院有限公司 一种三维地质分析预测模型构建方法
CN112581607A (zh) * 2020-12-28 2021-03-30 武汉中仪物联技术股份有限公司 一种管道三维模型的构建方法、系统和介质
CN113140036A (zh) * 2021-04-30 2021-07-20 中德（珠海）人工智能研究院有限公司 一种三维建模方法、装置、设备及存储介质
CN113762154A (zh) * 2021-09-07 2021-12-07 西安理工大学 一种基于点云数据集的零件特征识别方法
CN113808276A (zh) * 2021-10-18 2021-12-17 西安热工研究院有限公司 一种基于外接球策略区域增长的点云表面重建方法及系统
CN113870123A (zh) * 2021-08-19 2021-12-31 中国铁路设计集团有限公司 基于车载移动激光点云的接触网导高与拉出值自动检测方法
CN113989242A (zh) * 2021-10-29 2022-01-28 湖南大学 一种基于高斯混合模型隐变量监督学习的多点云配准方法
CN114581449A (zh) * 2022-05-09 2022-06-03 北京建筑大学 城墙鼓胀的提取方法
CN114611248A (zh) * 2022-03-21 2022-06-10 北京工业大学 飞机雷达罩加工毛坯件三维重建方法、装置、介质及设备
CN114882083A (zh) * 2022-04-25 2022-08-09 西北工业大学 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置
CN115146405A (zh) * 2022-06-24 2022-10-04 南京航空航天大学 一种基于非刚性配准变形的薄壁零件模型重构方法
CN115578532A (zh) * 2021-07-05 2023-01-06 同济大学 喷筑建造方法及装置
CN116468767A (zh) * 2023-03-28 2023-07-21 南京航空航天大学 基于局部几何特征和隐式距离场的飞机表面重建方法
CN116828485A (zh) * 2023-07-20 2023-09-29 山东科技大学 一种适用于厂房内复杂环境的uwb基站三维布设方法及系统
CN118334568A (zh) * 2024-06-13 2024-07-12 广汽埃安新能源汽车股份有限公司 一种位姿构建方法、装置、电子设备及存储介质
CN118537497A (zh) * 2024-07-24 2024-08-23 青岛大学 一种大规模点云的加权泊松盘重采样方法、设备及介质
CN118550906A (zh) * 2024-05-23 2024-08-27 鹏城实验室 数据质量提升方法、相关装置和介质
CN118710823A (zh) * 2024-08-30 2024-09-27 济南市勘察测绘研究院 一种基于三维激光扫描的建筑建模方法及系统
CN118762145A (zh) * 2024-09-09 2024-10-11 中南大学 扫掠面高精度重建方法及管道零件曲面重建方法
CN119760975A (zh) * 2024-12-09 2025-04-04 襄阳诚智电力设计有限公司 一种通过点云数据生成拟合悬链线的方法
CN120558184A (zh) * 2025-05-16 2025-08-29 云图数据科技(郑州)有限公司 基于城市规划与建筑设计的智能测量方法及装置
CN120913408A (zh) * 2025-09-28 2025-11-07 陕西交通电子工程科技有限公司 一种基于三维实景地图的交通视频异常管控方法及系统

Families Citing this family (86)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103978488A (zh) * 2014-05-14 2014-08-13 常州信息职业技术学院 基于云模型控制系统的搬运机器人
CN104063894B (zh) * 2014-06-13 2017-02-22 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统
TWI701018B (zh) * 2015-01-29 2020-08-11 日商新力股份有限公司 資訊處理裝置、資訊處理方法、及程式
CN106033622B (zh) * 2015-03-19 2020-03-24 联想(北京)有限公司 一种数据采集及目标对象的重建方法、装置
CN105787933B (zh) * 2016-02-19 2018-11-30 武汉理工大学 基于多视角点云配准的岸线三维重建装置及方法
CN105651202A (zh) * 2016-02-29 2016-06-08 内蒙古伊泰煤炭股份有限公司 一种用于测量矿山体积的三维扫描方法及装置
WO2017155970A1 (en) 2016-03-11 2017-09-14 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
US10989542B2 (en) 2016-03-11 2021-04-27 Kaarta, Inc. Aligning measured signal data with slam localization data and uses thereof
US11573325B2 (en) 2016-03-11 2023-02-07 Kaarta, Inc. Systems and methods for improvements in scanning and mapping
US11567201B2 (en) 2016-03-11 2023-01-31 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
CN106023298B (zh) * 2016-06-22 2018-06-19 山东理工大学 基于局部泊松曲面重建的点云刚性配准方法
US10304256B2 (en) * 2016-12-13 2019-05-28 Indoor Reality Inc. Point cloud cleaning method
CN108694741B (zh) * 2017-04-07 2021-11-12 杭州海康威视数字技术股份有限公司 一种三维重建方法及装置
CN107103153B (zh) * 2017-05-17 2023-09-19 南怀方 一种基于三维激光扫描技术的矿产资源消耗量评估方法
CN107288016B (zh) * 2017-06-07 2019-12-31 长安大学 一种基于三维激光检测技术的沥青路面铣刨质量评价方法
WO2019099605A1 (en) 2017-11-17 2019-05-23 Kaarta, Inc. Methods and systems for geo-referencing mapping systems
WO2019165194A1 (en) * 2018-02-23 2019-08-29 Kaarta, Inc. Methods and systems for processing and colorizing point clouds and meshes
CN108399609B (zh) * 2018-03-06 2020-07-31 北京因时机器人科技有限公司 一种三维点云数据的修补方法、装置和机器人
WO2019195270A1 (en) 2018-04-03 2019-10-10 Kaarta, Inc. Methods and systems for real or near real-time point cloud map data confidence evaluation
WO2020009826A1 (en) 2018-07-05 2020-01-09 Kaarta, Inc. Methods and systems for auto-leveling of point clouds and 3d models
CN110969693A (zh) * 2018-09-30 2020-04-07 天津理工大学 一种获取锻模缺损部位模型的方法
CN109389626B (zh) * 2018-10-10 2021-08-20 湖南大学 一种基于采样球扩散的复杂异形曲面点云配准方法
CN111127315B (zh) * 2018-10-31 2023-07-21 北京北科天绘科技有限公司 激光点云数据的超分辨处理方法、装置、系统和存储介质
US11200430B2 (en) * 2018-11-05 2021-12-14 Tusimple, Inc. Systems and methods for detecting trailer angle
CN111462297B (zh) * 2019-01-22 2023-06-23 国网上海市电力公司 一种10kv开关柜三维实景模型的建模方法
CN109900298B (zh) * 2019-03-01 2023-06-30 武汉光庭科技有限公司 一种车辆定位校准方法及系统
CN110264572B (zh) * 2019-06-21 2021-07-30 哈尔滨工业大学 一种融合几何特性与力学特性的地形建模方法及系统
CN110335297B (zh) * 2019-06-21 2021-10-08 华中科技大学 一种基于特征提取的点云配准方法
CN110348620A (zh) * 2019-07-02 2019-10-18 深圳大学 基于激光扫描的建筑拆除废弃物产生量预测方法及装置
CN110473239A (zh) * 2019-08-08 2019-11-19 刘秀萍 一种三维激光扫描的高精度点云配准方法
CN112419164B (zh) * 2019-08-23 2022-08-19 南京理工大学 一种基于曲率和邻域重构的加权引导点云模型去噪方法
WO2021087785A1 (zh) * 2019-11-05 2021-05-14 深圳市大疆创新科技有限公司 地形检测方法、可移动平台、控制设备、系统及存储介质
CN110807832B (zh) * 2019-11-13 2023-08-15 国网河北省电力有限公司沧州供电分公司 一种基于地面三维扫描仪的电力线自动提取方法
CN111127667B (zh) * 2019-11-19 2023-03-31 西北大学 基于区域曲率二进制描述符的点云初始配准方法
CN111009005A (zh) * 2019-11-27 2020-04-14 天津大学 几何信息与光度信息相结合的场景分类点云粗配准方法
WO2021142843A1 (zh) * 2020-01-19 2021-07-22 Oppo广东移动通信有限公司 图像扫描方法及装置、设备、存储介质
CN111311650B (zh) * 2020-01-20 2023-05-05 南方电网数字电网研究院有限公司 一种点云数据的配准方法、装置及存储介质
CN111583309B (zh) * 2020-04-14 2023-02-28 西北工业大学 一种复杂曲面上实现Z-pin植入的方法
CN111583388B (zh) * 2020-04-28 2023-12-08 光沦科技(深圳)有限公司 一种三维扫描系统的扫描方法及设备
CN111679288B (zh) * 2020-06-19 2022-10-21 中国林业科学研究院资源信息研究所 一种点云数据的空间分布度量方法
CN112150606B (zh) * 2020-08-24 2022-11-08 上海大学 一种基于点云数据的螺纹表面三维重构方法
CN112241997B (zh) * 2020-09-14 2024-03-26 西北大学 基于多尺度点云上采样的三维模型建立、修复方法及系统
CN112233249B (zh) * 2020-10-29 2024-05-21 上海应用技术大学 基于密集点云的b样条曲面拟合方法及装置
CN112257722B (zh) * 2020-11-11 2023-08-01 南京工业大学 基于抗差非线性高斯-赫尔默特模型的点云拟合方法
CN112381940A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种点云数据生成数字高程模型的处理方法、装置及终端设备
CN112819869A (zh) * 2021-01-22 2021-05-18 辽宁工程技术大学 一种基于IHarris-TICP算法的三维点云配准方法
CN112883976B (zh) * 2021-02-06 2025-09-16 罗普特科技集团股份有限公司 基于点云的语义分割方法、装置、系统及存储介质
WO2022183500A1 (zh) * 2021-03-05 2022-09-09 中国科学院深圳先进技术研究院 基于投影的点云质量评价方法、装置、设备和存储介质
CN113516157A (zh) * 2021-04-13 2021-10-19 杭州思看科技有限公司 嵌入式三维扫描系统和三维扫描装置
CN113432572B (zh) * 2021-06-04 2022-04-12 南京淳铁建设有限公司 一种基于三维扫描的复杂结构最优测点规划方法
CN113487479B (zh) * 2021-06-30 2024-08-02 北京易控智驾科技有限公司 车端实时检测识别高精度地图边界方法和系统
CN113592711B (zh) * 2021-07-22 2024-01-12 中山大学 点云数据不均匀的三维重建方法、系统、设备及存储介质
CN113625301B (zh) * 2021-09-03 2024-01-19 国网山东省电力公司济宁供电公司 一种基于单扫描头激光雷达扩大建图视场的方法及系统
CN113962945B (zh) * 2021-10-09 2024-06-07 厦门大学 一种低重复度线激光点云数据拼接方法
CN113936070B (zh) * 2021-10-14 2024-06-04 厦门大学 基于最优传输理论的二维点云形状分区域并行重建方法
CN114092545B (zh) * 2021-11-08 2024-11-22 南京工业大学 一种适用于球形靶标拟合的自适应栅格搜索方法
CN114036643B (zh) * 2021-11-10 2024-05-14 中国科学院沈阳自动化研究所 一种变形舱段数字孪生体建模方法
CN114066723A (zh) * 2021-11-11 2022-02-18 贝壳找房(北京)科技有限公司 设备检测方法、装置及存储介质
CN114266783B (zh) * 2021-12-15 2025-04-15 江苏集萃智能光电系统研究所有限公司 一种高效高精度计算刚性点云曲面之间距离的方法
CN114417524B (zh) * 2021-12-27 2023-05-12 西北工业大学 基于点云薄壁圆筒尺寸精度分析与ar可视化方法
CN114373002B (zh) * 2022-01-04 2023-08-18 杭州三坛医疗科技有限公司 一种点云配准方法及装置
CN114419278A (zh) * 2022-01-19 2022-04-29 厦门大学 室内三维彩色网格模型生成方法及系统
CN114840925B (zh) * 2022-04-26 2025-06-24 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
CN115147541A (zh) * 2022-06-09 2022-10-04 北京瓦特曼智能科技有限公司 钢包检测方法、装置、电子设备及计算机可读存储介质
CN115131523B (zh) * 2022-07-01 2025-04-08 中国科学院软件研究所 一种基于迭代泊松表面重建的三维点云生成表面方法
CN115507519A (zh) * 2022-09-29 2022-12-23 青岛海尔空调器有限总公司 用于空调器监控的方法及装置、空调器、存储介质
CN116109760A (zh) * 2022-11-29 2023-05-12 浙江大学 基于vmd和稀疏采样点云的复杂曲面形貌高保真重构方法
CN116168180B (zh) * 2023-02-28 2025-03-21 先临三维科技股份有限公司 点云处理方法、装置、设备及存储介质
CN116168056B (zh) * 2023-03-28 2024-09-20 武汉理工大学 一种目标物轮廓点云的提取方法、装置、设备及存储介质
CN116246121B (zh) * 2023-05-12 2023-08-11 山东科技大学 一种基于改进最远点采样的点云数据处理方法
CN116758003A (zh) * 2023-05-16 2023-09-15 武汉理工大学 基于匹配关键点特征强度的复杂零件扫描区域规划方法
CN117036622B (zh) * 2023-10-08 2024-02-23 海纳云物联科技有限公司 融合航拍图像和地面扫描的三维重建方法、装置和设备
CN117315001B (zh) * 2023-11-27 2024-02-23 江苏房城建设工程质量检测有限公司 一种基于激光扫描的房建面积快速检测方法及系统
CN117579754B (zh) * 2024-01-16 2024-05-07 思看科技(杭州)股份有限公司 三维扫描方法、装置、计算机设备以及存储介质
CN118445881B (zh) * 2024-04-24 2025-11-25 中国建筑第八工程局有限公司 工程项目实模一致性的检查方法
CN118762066B (zh) * 2024-08-15 2025-08-12 北京新兴华安智慧科技有限公司 一种点云数据配准方法、装置、存储介质及电子设备
CN119048541B (zh) * 2024-08-19 2025-03-07 中国航空工业集团公司北京长城计量测试技术研究所 一种扫描点云数据中缝隙边缘特征数据搜寻方法
CN119169204B (zh) * 2024-11-20 2025-02-11 深圳市博大建设集团有限公司 一种多视角三维激光点云拼接方法及系统
CN119693441B (zh) * 2024-12-03 2025-07-01 西安科技大学 一种散料堆体体积的自动化测量方法
CN119722987B (zh) * 2024-12-10 2025-11-07 重庆交通大学 一种文物碎片的三维匹配与数字化修复方法
CN119397719B (zh) * 2024-12-31 2025-03-25 天信仪表集团有限公司 一种管网精细化建模方法及系统
CN119918346B (zh) * 2024-12-31 2025-10-10 中国长江电力股份有限公司 一种用于抽水蓄能电站三维复杂曲体建模几何导入零失真方法
CN119478299A (zh) * 2025-01-15 2025-02-18 核工业北京地质研究院 挖掘工程的挖掘精度的确定方法
CN120235869B (zh) * 2025-05-30 2025-08-01 嘉科（无锡）密封技术有限公司 一种油封回油线高度检测方法
CN120894515A (zh) * 2025-06-13 2025-11-04 上海昇视唯盛科技有限公司 一种基于视觉及表面梯度的非标智能定制焊接系统
CN121189036B (zh) * 2025-11-24 2026-03-03 北京威特空间科技有限公司 一种量化夯土文物掏蚀病害发育程度的预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101082988A (zh) * 2007-06-19 2007-12-05 北京航空航天大学 自动的深度图像配准方法
CN102169579A (zh) * 2011-03-31 2011-08-31 西北工业大学 密集点云模型快速精确配准方法
EP2584533A1 (fr) * 2011-10-21 2013-04-24 Thales Procédé de reconstruction 3D d'un objet d'une scène
CN103236064A (zh) * 2013-05-06 2013-08-07 东南大学 一种基于法向量的点云自动配准方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5988862A (en) * 1996-04-24 1999-11-23 Cyra Technologies, Inc. Integrated system for quickly and accurately imaging and modeling three dimensional objects
US7272264B2 (en) * 2003-09-11 2007-09-18 International Business Machines Corporation System and method for hole filling in 3D models
JP4892480B2 (ja) * 2004-07-23 2012-03-07 ３シェイプ・アクティーゼルスカブ 適応三次元走査
US20170056057A1 (en) * 2006-05-12 2017-03-02 Vytronus, Inc. System and method for ultrasonically sensing and ablating tissue
EP2294555A1 (en) * 2008-07-10 2011-03-16 C-True Ltd. Three dimensional mesh modeling
US9245382B2 (en) * 2008-10-04 2016-01-26 Microsoft Technology Licensing, Llc User-guided surface reconstruction
US8274508B2 (en) * 2011-02-14 2012-09-25 Mitsubishi Electric Research Laboratories, Inc. Method for representing objects with concentric ring signature descriptors for detecting 3D objects in range images
CN103065354A (zh) * 2012-12-24 2013-04-24 中国科学院深圳先进技术研究院 点云优化方法及其装置
JP2016512973A (ja) * 2013-02-11 2016-05-12 ネオメドツ エスアーエールエル 身体に対して対象を追跡するための追跡装置
US8872818B2 (en) * 2013-03-15 2014-10-28 State Farm Mutual Automobile Insurance Company Methods and systems for capturing the condition of a physical structure
CN103247074A (zh) * 2013-04-23 2013-08-14 苏州华漫信息服务有限公司 一种结合深度信息与人脸分析技术的3d照相方法
CN104063894B (zh) * 2014-06-13 2017-02-22 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统
EP3192057A4 (en) * 2014-09-10 2018-03-21 Vangogh Imaging Inc. Real-time dynamic three-dimensional adaptive object recognition and model reconstruction
KR20160147491A (ko) * 2015-06-15 2016-12-23 한국전자통신연구원 3차원 모델 생성 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101082988A (zh) * 2007-06-19 2007-12-05 北京航空航天大学 自动的深度图像配准方法
CN102169579A (zh) * 2011-03-31 2011-08-31 西北工业大学 密集点云模型快速精确配准方法
EP2584533A1 (fr) * 2011-10-21 2013-04-24 Thales Procédé de reconstruction 3D d'un objet d'une scène
CN103236064A (zh) * 2013-05-06 2013-08-07 东南大学 一种基于法向量的点云自动配准方法

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106370670B (zh) * 2016-10-12 2023-08-22 上海建工集团股份有限公司 基于3d激光扫描的建筑预制构件质量检测系统及方法
CN106370670A (zh) * 2016-10-12 2017-02-01 上海建工集团股份有限公司 基于3d激光扫描的建筑预制构件质量检测系统及方法
CN107085219A (zh) * 2017-04-28 2017-08-22 上海华测导航技术股份有限公司 一种地面线数据的自动生成系统
CN107102339A (zh) * 2017-04-28 2017-08-29 上海华测导航技术股份有限公司 一种地面线数据的自动生成方法
CN107167815A (zh) * 2017-04-28 2017-09-15 上海华测导航技术股份有限公司 一种公路公路地面线数据的自动生成系统及方法
CN109783854A (zh) * 2018-12-11 2019-05-21 浙江铁牛汽车车身有限公司 扫描点云与数字cad曲面位移偏差提取方法
CN109783854B (zh) * 2018-12-11 2023-07-21 浙江深康汽车车身模具有限公司 扫描点云与数字cad曲面位移偏差提取方法
CN109887012A (zh) * 2019-01-09 2019-06-14 天津大学 一种结合自适应搜索点集的点云配准方法
CN109887012B (zh) * 2019-01-09 2023-03-31 天津大学 一种结合自适应搜索点集的点云配准方法
CN109934859A (zh) * 2019-03-18 2019-06-25 湖南大学 一种基于特征增强多维权重描述子的icp配准方法
CN109934859B (zh) * 2019-03-18 2023-03-24 湖南大学 一种基于特征增强多维权重描述子的icp配准方法
CN110363857B (zh) * 2019-06-14 2022-09-20 西北农林科技大学 降雨过程中土壤侵蚀地表形态dem构建、观测方法及装置
CN110363857A (zh) * 2019-06-14 2019-10-22 西北农林科技大学 降雨过程中土壤侵蚀地表形态dem构建、观测方法及装置
CN110533645A (zh) * 2019-08-23 2019-12-03 上海交通大学 基于视觉任务的点云数据压缩质量评价方法及系统
CN110796741A (zh) * 2019-09-24 2020-02-14 山东科技大学 一种基于双向布料模拟的机载激光测深点云滤波方法
CN110796741B (zh) * 2019-09-24 2023-04-25 山东科技大学 一种基于双向布料模拟的机载激光测深点云滤波方法
CN111127613B (zh) * 2019-12-25 2023-06-16 华南理工大学 基于扫描电子显微镜的图像序列三维重构方法及系统
CN111127613A (zh) * 2019-12-25 2020-05-08 华南理工大学 基于扫描电子显微镜的图像序列三维重构方法及系统
CN112270698B (zh) * 2019-12-31 2024-02-27 山东理工大学 基于最邻近曲面的非刚性几何配准方法
CN112270698A (zh) * 2019-12-31 2021-01-26 山东理工大学 基于最邻近曲面的非刚性几何配准方法
CN111241615A (zh) * 2019-12-31 2020-06-05 国网山西省电力公司晋中供电公司 一种高度真实感的变电站多源融合三维建模方法
CN111258320A (zh) * 2020-02-14 2020-06-09 广东博智林机器人有限公司 一种机器人避障的方法及装置、机器人、可读存储介质
CN111951307B (zh) * 2020-07-23 2023-09-19 西北大学 基于伪Huber损失函数的三维点云仿射配准方法及系统
CN111951307A (zh) * 2020-07-23 2020-11-17 西北大学 基于伪Huber损失函数的三维点云仿射配准方法及系统
CN112562078A (zh) * 2020-12-04 2021-03-26 嘉兴恒创电力设计研究院有限公司 一种三维地质分析预测模型构建方法
CN112581607B (zh) * 2020-12-28 2024-04-30 武汉中仪物联技术股份有限公司 一种管道三维模型的构建方法、系统和介质
CN112581607A (zh) * 2020-12-28 2021-03-30 武汉中仪物联技术股份有限公司 一种管道三维模型的构建方法、系统和介质
CN113140036A (zh) * 2021-04-30 2021-07-20 中德（珠海）人工智能研究院有限公司 一种三维建模方法、装置、设备及存储介质
CN113140036B (zh) * 2021-04-30 2024-06-07 中德（珠海）人工智能研究院有限公司 一种三维建模方法、装置、设备及存储介质
CN115578532A (zh) * 2021-07-05 2023-01-06 同济大学 喷筑建造方法及装置
CN113870123A (zh) * 2021-08-19 2021-12-31 中国铁路设计集团有限公司 基于车载移动激光点云的接触网导高与拉出值自动检测方法
CN113870123B (zh) * 2021-08-19 2023-01-03 中国铁路设计集团有限公司 基于车载移动激光点云的接触网导高与拉出值自动检测方法
CN113762154B (zh) * 2021-09-07 2024-04-09 西安理工大学 一种基于点云数据集的零件特征识别方法
CN113762154A (zh) * 2021-09-07 2021-12-07 西安理工大学 一种基于点云数据集的零件特征识别方法
CN113808276A (zh) * 2021-10-18 2021-12-17 西安热工研究院有限公司 一种基于外接球策略区域增长的点云表面重建方法及系统
CN113808276B (zh) * 2021-10-18 2024-02-20 西安热工研究院有限公司 一种基于外接球策略区域增长的点云表面重建方法及系统
CN113989242A (zh) * 2021-10-29 2022-01-28 湖南大学 一种基于高斯混合模型隐变量监督学习的多点云配准方法
CN114611248A (zh) * 2022-03-21 2022-06-10 北京工业大学 飞机雷达罩加工毛坯件三维重建方法、装置、介质及设备
CN114882083A (zh) * 2022-04-25 2022-08-09 西北工业大学 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置
CN114581449B (zh) * 2022-05-09 2022-08-12 北京建筑大学 城墙鼓胀的提取方法
CN114581449A (zh) * 2022-05-09 2022-06-03 北京建筑大学 城墙鼓胀的提取方法
CN115146405A (zh) * 2022-06-24 2022-10-04 南京航空航天大学 一种基于非刚性配准变形的薄壁零件模型重构方法
CN115146405B (zh) * 2022-06-24 2024-02-20 南京航空航天大学 一种基于非刚性配准变形的薄壁零件模型重构方法
CN116468767B (zh) * 2023-03-28 2023-10-13 南京航空航天大学 基于局部几何特征和隐式距离场的飞机表面重建方法
CN116468767A (zh) * 2023-03-28 2023-07-21 南京航空航天大学 基于局部几何特征和隐式距离场的飞机表面重建方法
CN116828485A (zh) * 2023-07-20 2023-09-29 山东科技大学 一种适用于厂房内复杂环境的uwb基站三维布设方法及系统
CN116828485B (zh) * 2023-07-20 2023-12-22 山东科技大学 一种适用于厂房内复杂环境的uwb基站三维布设方法及系统
CN118550906A (zh) * 2024-05-23 2024-08-27 鹏城实验室 数据质量提升方法、相关装置和介质
CN118334568A (zh) * 2024-06-13 2024-07-12 广汽埃安新能源汽车股份有限公司 一种位姿构建方法、装置、电子设备及存储介质
CN118537497A (zh) * 2024-07-24 2024-08-23 青岛大学 一种大规模点云的加权泊松盘重采样方法、设备及介质
CN118710823A (zh) * 2024-08-30 2024-09-27 济南市勘察测绘研究院 一种基于三维激光扫描的建筑建模方法及系统
CN118762145A (zh) * 2024-09-09 2024-10-11 中南大学 扫掠面高精度重建方法及管道零件曲面重建方法
CN119760975A (zh) * 2024-12-09 2025-04-04 襄阳诚智电力设计有限公司 一种通过点云数据生成拟合悬链线的方法
CN120558184A (zh) * 2025-05-16 2025-08-29 云图数据科技(郑州)有限公司 基于城市规划与建筑设计的智能测量方法及装置
CN120913408A (zh) * 2025-09-28 2025-11-07 陕西交通电子工程科技有限公司 一种基于三维实景地图的交通视频异常管控方法及系统

Also Published As

Publication number Publication date
US9684817B2 (en) 2017-06-20
CN103489218A (zh) 2014-01-01
US20160125226A1 (en) 2016-05-05
CN103489218B (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
WO2015039375A1 (zh) 点云数据质量自动优化方法及系统
CN109272524B (zh) 一种基于阈值分割的小尺度点云噪声去噪方法
CN106127770B (zh) 轮廓测量方法及系统
CN110866969B (zh) 基于神经网络与点云配准的发动机叶片重构方法
CN100559398C (zh) 自动的深度图像配准方法
JP2021192064A (ja) ３次元計測システム及び３次元計測方法
CN110335234A (zh) 一种基于古文物LiDAR点云的三维变化检测方法
CN116858102A (zh) 基于点云匹配的焊缝尺寸检测方法、系统、介质及设备
CN119090362B (zh) 基于三维点云与bim的施工构件质量检测方法及装置
CN107730519A (zh) 一种人脸二维图像到人脸三维重建的方法及系统
CN102306397A (zh) 点云数据网格化的方法
CN102129716A (zh) 一种用于水火弯板曲面拟合的方法
CN112785711A (zh) 一种基于三维重建的绝缘子爬电距离检测方法和检测系统
CN113450269A (zh) 一种基于3d视觉的点云关键点提取方法
CN103793939A (zh) 大规模点云数据的局部增长式曲面重建方法
CN110969650A (zh) 一种基于中心投影的强度图像与纹理序列间的配准方法
CN111369662B (zh) Ct图像中血管的三维模型重建方法及系统
Eastwood et al. Autonomous close-range photogrammetry using machine learning
Łukaszewicz et al. Reverse engineering approach for object with free-form surfaces using standard surface-solid parametric CAD system
CN118587260A (zh) 一种虚实融合维修性试验场景高精度配准方法
CN108230377B (zh) 点云数据的拟合方法和系统
Hiriwatanawong et al. Feature-based next-best-view selection for scanning 3d objects
CN119723031B (zh) 一种基于3d对抗点云的目标抓取方法、电子设备、介质
JP2018156442A (ja) 推定器学習装置、法線方向推定装置、方法、及びプログラム
Sharma Heterogeneous Object Modelling: Representation, Construction and Process Planning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13893744

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14893035

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 07/07/2016)

122 Ep: pct application non-entry in european phase

Ref document number: 13893744

Country of ref document: EP

Kind code of ref document: A1