【CN109859256A】一种基于自动对应点匹配的三维点云配准方法【专利】
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910189213.6
(22)申请日 2019.03.13
(71)申请人 大连理工大学
地址 116024 辽宁省大连市高新园区凌工
路2号
(72)发明人 刘斌 张松 牛晓嫘
(74)专利代理机构 大连东方专利代理有限责任
公司 21212
代理人 姜玉蓉 李洪福
(51)Int.Cl.
G06T 7/33(2017.01)
G06T 7/37(2017.01)
(54)发明名称一种基于自动对应点匹配的三维点云配准方法(57)摘要本发明公开了一种基于自动对应点匹配的三维点云配准方法，包括以下步骤：采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；根据特征矩阵采用迭代处理方式选取匹配点；采用RANSAC算法对两个点云进行配准。该方法可以直接找到两个点云中的匹配点，并且根据匹配点进行配准，同时本方法不需要预配准，不受点云初始位置的影响；相比现有技术，本方法的鲁棒性和精确度都有大幅度提高。除了点云的整体配准，本方法还可以实现子集配准和公共部分配准，现有技术无法实现
上述功能。权利要求书1页 说明书5页 附图3页CN 109859256 A 2019.06.07
C N 109859256
A
1.一种基于自动对应点匹配的三维点云配准方法，其特征在于包括以下步骤：
采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；
采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；
根据特征矩阵采用迭代处理方式选取匹配点；
采用RANSAC算法对两个点云进行配准。
2.根据权利要求1所述的方法，其特征还在于：采用深度映射方法提取模型的局部几何特征具体采用如下方式：获取模型中每个点的相邻点集合，采用PCA算法根据相邻点集合计算该点的法向量，垂直于法向量方向构建圆盘映射面，在圆盘映射面上均匀选取映射点，以映射点为起点沿法向量方向往模型表面发射映射线，将每个映射线的长度作为该映射点处的深度值，将深度值保存在该点对应的深度矩阵中。
3.根据权利要求1所述的方法，其特征还在于：采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵具体方式为：构建卷积自编码器的网络模型，将卷积自编码器分为编码器和解码器，在编码器中设置三个卷积层和三个池化层，在解码器中设置三个反卷积层和三个上采样层，在三维模型中采集多个深度矩阵作为训练样本，利用训练样本对自编码器进行训练获得自编码器模型；将深度矩阵输入到训练好的自编码器模型中、得到对应的特征矩阵，并对特征矩阵进行中心化处理。
4.根据权利要求1所述的方法，其特征还在于：根据特征矩阵采用迭代处理方式选取匹配点采用如下方式：计算特征矩阵每一行的平均值，将三个平均值作为该点的一个三维特征坐标，在参考点的特征坐标周围收集临近点作为匹配的候选点，对所有的候选点进行迭代处理，每次迭代中将候选点的特征矩阵与参考点的特征矩阵对应位置做差值、并求平均差值，将平均差值最小的候选点作为该参考点的匹配点。
5.根据权利要求4所述的方法，其特征还在于：采用RANSAC算法对两个点云进行配准采用如下方式：采用RANSAC算法将两个点云依次迭代、在其中一个点云中随机抽取一定数量的参考点，采用迭代处理方式在另一个点云中寻找这些参考点的匹配点，根据匹配点计算两个点云的配准矩阵，利用配准矩阵对点云进行配准、并计算配准后的两个点云之间的误差，对上述过程进行迭代，选取误差最小的一次迭代结果作为最终的配准结果。
6.根据权利要求4所述的方法，其特征还在于：所述参考点的匹配点采用如下算法获取：
设点云A中有一点p，点云B中与p匹配的点是q，对特征矩阵的每一行计算平均值得到该点的特征坐标V f ，将V f 作为该点的索引坐标，对每个点的索引坐标构建k -d树，找出与点p特征坐标距离在1以内的所有点设为点集C，对点集C中的每一个点，计算其特征矩阵F ′与点p 的特征矩阵F之间的差异值s，
计算公式为：
其中n h 和n w 分别代表特征矩阵的行数和列数，i和j代表遍历矩阵中元素的计数器，设定s<设定阈值，查找最小差异值s即为点p的匹配点。
权 利 要 求 书1/1页2CN 109859256 A
(基本概念)点云三维重构文档
圆形标志点双目测量数据配准方法 一．引言： 针对三维测量系统的特点，我们可以利用人为制作的圆形特征点作为标志点，并将其紧附于待测物体表面。通过检测，可以得到若干标志点在不同视角下的三维坐标。然后依据标志点的空间几何不变性,得到不同标志点在不同视角下的匹配关系。通过若干标志点的匹配关系,进而求得不同视角下的坐标系变换关系,最终对整个三维数据进行配准。 二. 标志点匹配： 为了便于标志点的提取，标志点设置为外方内圆、外黑内白的样式。设置标志点时应尽量使得标志点位于两个视角的重叠区域，并且标志点处于无序状态，随机分布。 1. 用三维测量系统对实物进行测量,即可以得到不同视角下的点云数据,同时得到不同视角下的标志点的三维坐标数据 （问题一）。假设在两个不同视角下得到的标志点集分别为： {}x i L l l L i i ,...,2,1,|=∈= {}y i M m m M i i ,...,2,1,|=∈= 2. 对于L 中的各点分别求出其中任意两点的距离，得到距离矩阵A ，其中 ?? ? ? ? ? ? ???????=-12 1 2321213 12 1......k k k k k k l l l l l l l l l l l l l l l l l l A 同理，我们也可以得到M 中各点任意两点的距离矩阵B 。 3. 由于在不同视角下,标志点之间的相互位置并没有改变,因而它们具有空间特征不变性,比如某两个标志点之间的距离并不会因为视角的改变而改变。这样,本文的匹配算法基于以下策略: i ）由于三维测量系统得到的点云误差不可避免都存在一定的误
差,因此本文认为,如果两个距离值的差值不超过δ(δ的值依三维测量系统本身的精度而定),那么可以认为这两个距离值是相等的。 ii ）对于不同视角下的同一个标志点（也就是所要求得的匹配点对），它们在各自视角下与其它标志点的距离值至少有若干个是相等的。如果相等的距离值数目超过N (N 视标志点在重叠区域的数量情况而定),那么可以认为这两个在不同视角下的标志点是一对匹配点。 基于以上策略,我们可以得到在两个视角下获得的标志点三维数据 点 集 的 子 集 {}n i P p p P i i , . .., 2,1,|=∈=和{}n i Q q q Q i i ,...,2,1,|=∈=，即可以得到n 对匹配点。 三. 转换参数R 和T 的求取： 三维数据配准技术的实质是把在不同的坐标系中测量得到的数据点云进行坐标变换,问题的关键是坐标变换参数R (旋转矩阵)和T (平移向量)的求取。假设在两个视角下获得的曲面测量三维数据点云具有部分重叠区域,那么重叠区域中的标志点在两个视角下的三维坐标显然也符合上面的转换关系。 假设已经获得两个不同视角下的标志点匹配对{}n i P p p P i i ,...,2,1,|=∈=和 {}n i Q q q Q i i ,...,2,1,|=∈=，i p 和i q 都是13?的向量，则在两视角下测得的三维数据点 之间的坐标转换关系R (旋转矩阵)和T (平移向量)，应该使下面的函数最小： ∑=+-=n i i i T Rp q E 1 2 )( (1) 对于(1)式，采用SVD 矩阵分解算法，步骤如下： 1). 对于空间点集{}n i P p p P i i ,...,2,1,|=∈=和{} n i Q q q Q i i ,...,2,1,|=∈=分别计算p 和q ，其中 ∑==n i i p n p 11 (2) ∑==n i i q n q 1 1 (3)
三维点云处理软件需求说明资料讲解
三维激光扫描仪点云数据处理软件需求说明 点云数据处理软件是专用扫描软件、数据处理软件、CAD软件接口及应用于检测监测、对比分析的软件。 基本描述 点云数据处理软件能够用于海量点云数据的处理（点云数量无限制，先进内存管理）及三维模型的制作。支持模型的对整、整合、编辑、测量、检测监测、压缩和纹理映射等点云数据全套处理流程。能够基于点云进行建模，拥有规则组建智能自动建模功能（一键自动建模）要求能够精细再现还原现场。具有真彩色配准模块，扫描物体点云的颜色即为物体真实的颜色。相机彩色图片可以配准贴图到三维模型。 1.可直接操作激光扫描仪进行数据采集、输入及输出。可接受多种数据格式，如AutoCAD dxf、obj、asc、dgn、pds、pdms等，可接受自定义格式的文本文件输入。 2.软件应具高精度和高可靠性，能够进行点云数据拼接、纹理贴图、特征线的提取、具有点云数据渲染、点云数据压缩、三角网模型生成、几何体建模等功能，软件快速、准确、易操作性。 3.可以智能地自动提取出特征线，同时也可提供人工方式进行特征线的提取。 4.能够提供多种断面生成方式，可以方便地生成一系列的断面线。生成的断面可以方便的导出到CAD及其它软件中做进一步加工处理和应用。应能够提供非常精确的量测物体尺寸的方法。 5.需要一体化软件且具备完整功能1). Registration模块：多种点云拼接模式、导线平差、引入地理参考、目标识别2). Office Survey模块：任意点云导入导出；点云的裁剪、取样、过滤；提取线形地物；在办公室任意量测数据；任意纵横断面；点云矢量化；3D等高线及标注；三角格网生成；任意形体建模；隧道及道路；任意体积面积计算；点云着色；纹理贴图；连续正射影像3).Modeling模块：
CAD三维建模实例
CAD三维建模实例操作一-----创建阀盖零件的三维模型将下面给出的阀盖零件图经修改后，进行三维模型的创建。阀盖零件图如图1所示。 ●图形分析： 阀盖零件的外形由左边前端倒角30度的正六边体，右边四个角R=12mm的底座，中间有一个倒45度角和R=4mm连接左右两边。该零件的轴向为一系列孔组成。根据该零件的构造特征，其三维模型的创建操作可采用： （1）拉伸外轮廓及六边形； （2）旋转主视图中由孔组成的封闭图形； （3）运用旋转切除生成30度和45度、R4的两个封闭图形，生成外形上的倒角；（4）运用差集运算切除中间用旋转生成的阶梯轴（由孔组成的图形旋转而成），来创建该零件中间的阶梯孔，完成三维模型的创建。 如需室内设计学习指导请加QQ技术交流群：106962568 庆祝建群三周年之际，如今超级群大量收人！热烈欢迎大家！ ●零件图如图1所示。
图1 零件图 具体的操作步骤如下： 1．除了轮廓线图层不关闭，将其他所有图层关闭，并且可删除直径为65mm的圆形。然后，结果如图2所示。 图2 保留的图形 2．修改主视图。将主视图上多余的线条修剪，如图3所示。 3．将闭合的图形生成面域。单击“绘图”工具条上的“面域”按钮，框选所有的视 图后，按回车键，命令行提示：已创建8个面域。
4．旋转左视图。单击“视图”工具条上的“主视”按钮，系统自动将图形在“主视平面”中显示。注意：此时，显示的水平线，如图4 a）所示。输入“RO”（旋转）命令，按回车键，再选择右边的水平线（即左视图）的中间点，输入旋转角度值90，按回车键，完成左视图的旋转如图4 b）所示。在轴测图中看到旋转后的图形如图4 c）所示。 图4 a）旋转前图4 b）放置后 提示：图中的红色中心线是绘制的， 用该线表明二视图的中心是在一条 水平线上。 图4 c）轴测视图 5．移动视图将两视图重合的操作如下： ①单击“视图”工具条上的“俯视”按钮，系统自动将图形转换至俯视图中，如图5所示。 图5 俯视图显示图6 标注尺寸 ②单击“标注”菜单，选择“线性”标注，标注出二图间的水平距离，如图6所示。标注尺寸的目的是便于将图形水平移动进行重合。
基于三维激光扫描技术的点云拼接与三维重构
龙源期刊网 https://www.360docs.net/doc/c716101638.html, 基于三维激光扫描技术的点云拼接与三维重构 作者：黄凌潇 来源：《科学与财富》2017年第06期 摘要：为了提高测量目标物的精度与便捷性，本文提出一种基于三维激光扫描技术的点 云拼街与三维重构方法，对空间信息进行可视化表达，即进行三维建模，基于Leica C10三维激光扫描仪，对目标物进行三维扫描，分两站扫描得到点云数据后，运用Cyclone进行点云拼接与重构，试验显示，可以极大提高测量精度与便捷性。 关键词：三维激光扫面技术；点云拼接；三维重构 前言 三维激光扫描技术是一种先进的全自动高精度立体扫描技术，又称为“实景复制技术”，是继GPS空间定位技术后的又一项测绘技术革新。传统的大地测量方法，如三角测量方法，GPS 测量都是基于点的测量，而三维激光扫描是基于面的数据采集方式。三维激光扫描获得的原始数据为点云数据。点云数据是大量扫描离散点的结合。三维激光扫描的主要特点是实时性、主动性、适应性好。三维激光扫描数据经过简单的处理就可以直接使用，无需复杂的费时费力的数据后处理；且无需和被测物体接触，可以在很多复杂环境下应用；并且可以和GPS等集合起来实现更强、更多的应用。三维激光扫描技术作为目前发展迅猛的新技术，必定会在诸多领域得到更深入和广泛的应用。 1、三维激光扫描仪工作原理 三维激光扫描仪的主要构造是由一台高速精确的激光测距仪，配上一组可以引导激光并以均匀角速度扫描的反射棱镜。激光测距仪主动发射激光，同时接受由自然物表面反射的信号从而可以进行测距，针对每一个扫描点可测得测站至扫描点的斜距，再配合扫描的水平和垂直方向角，可以得到每一扫描点与测站的空间相对坐标。如果测站的空间坐标是已知的，那么则可以求得每一个扫描点的三维坐标。以Leica C10三维激光扫描仪为例，该扫描仪是以反射镜进行垂直方向扫描，水平方向则以伺服马达转动仪器来完成水平360度扫描，从而获取三维点云数据。 地面型三维激光扫描系统工作原理：三维激光扫描仪发射器发出一个激光脉冲信号，经物体表面漫反射后，沿几乎相同的路径反向传回到接收器，可以计算日标点P与扫描仪距离S，控制编码器同步测量每个激光脉冲横向扫描角度观测值α和纵向扫描角度观测值β。三维激光扫描测量一般为仪器自定义坐标系。X轴在横向扫描面内，Y轴在横向扫描面内与X轴垂直，Z轴与横向扫描面垂直。获得P的坐标。
三维点云数据处理的技术研究
三维点云数据处理的技术研究 中国供求网 【摘要】本文分析了大数据领域的现状、数据点云处理技术的方法，希望能够对数据的技术应用提供一些参考。 【关键词】大数据;云数据处理;应用 一、前言 随着计算机技术的发展，三维点云数据技术得到广泛的应用。但是，受到设备的影响，数据获得存在一些问题。 二、大数据领域现状 数据就像货币、黄金以及矿藏一样，已经成为一种新的资产类别，大数据战略也已上升为一种国家意志，大数据的运用与服务能力已成为国家综合国力的重要组成部分。当大数据纳入到很多国家的战略层面时，其对于业界发展的影响那是不言而喻的。国家层面上，发达国家已经启动了大数据布局。2012年3月，美国政府发布《大数据研究和发展倡议》，把应对大数据技术革命带来的机遇和挑战提高到国家战略层面，投资2亿美元发展大数据，用以强化国土安全、转变教育学习模式、加速科学和工程领域的创新速度和水平;2012年7月，日本提出以电子政府、电子医疗、防灾等为中心制定新ICT(信息通讯技术)战略，发布“新ICT计划”，重点关注大数据研究和应用;2013年1月，英国政府宣布将在对地观测、医疗卫生等大数据和节能计算技术方面投资1(89亿英镑。 同时，欧盟也启动“未来投资计划”，总投资3500亿欧元推动大数据等尖端技术领域创新。市场层面上，美通社发布的《大数据市场:2012至2018年全球形势、发展趋势、产业
分析、规模、份额和预测》报告指出，2012年全球大数据市场产值为63亿美元，预计2018年该产值将达483亿。国际企业巨头们纷纷嗅到了“大数据时代”的商机，传统数据分析企业天睿公司(Teradata)、赛仕软件(SAS)、海波龙(Hy-perion)、思爱普(SAP)等在大数据技术或市场方面都占有一席之地;谷歌(Google)、脸谱(Facebook)、亚马逊(Amazon)等大数据资源企业优势显现;IBM、甲骨文(Oracle)、微软(Microsoft)、英特尔(Intel)、EMC、SYBASE等企业陆续推出大数据产品和方案抢占市场，比如IBM公司就先后收购了SPSS、发布了IBMCognosExpress和InfoSphereBigInsights 数据分析平台，甲骨文公司的OracleNoSQL数据库，微软公司WindowsAzure 上的HDInsight大数据解决方案，EMC公司的 GreenplumUAP(UnifiedAnalyticsPlat-form)大数据引擎等等。 在中国，政府和科研机构均开始高度关注大数据。工信部发布的物联网“十二五”规划上，把信息处理技术作为四项关键技术创新工程之一提出，其中包括了海量数据存储、数据挖掘、图像视频智能分析，这都是大数据的重要组成部分，而另外三项:信息感知技术、信息传输技术、信息安全技术，也都与大数据密切相 关;2012年12月，国家发改委把数据分析软件开发和服务列入专项指南;2013年科技部将大数据列入973基础研究计划;2013年度国家自然基金指南中，管理学部、信息学部和数理学部都将大数据列入其中。2012年12月，广东省启了《广东省实施大数据战略工作方案》;北京成立“中关村大数据产业联盟”;此外，中国科学院、清华大学、复旦大学、北京航空航天大学、华东师范大学等相继成立了近十个从事数据科学研究的专门机构。中国互联网数据中心(IDC)对中国大数据技术和服务市场2012,2016年的预测与分析指出:该市场规模将会从2011年的7760万美元增长到2016年的6。17亿美元，未来5年的复合增长率达51(4%，市场规模增长近7倍。数据价值链和产业链初显端倪，阿里巴巴、百度、腾
数据处理点云处理
非接触三维扫描测量数据的处理研究 1 点云数据的处理 1.1 噪声点的剔除和失真点的查找.在非接触三维扫描测量过程中,受测量方式、被测量物体材料性质、外界干扰等因素的影响,不可避免地会产生误差很大的点(噪声点)和失真点(跳点).因此在数据处理的第一步,就应利用相关专用软件所提供的去噪声点功能除去那些误差大的噪声点和找出可能存在的失真点[3].失真点的查找需要一定的技巧和经验,下面介绍3种方法供大家参考:①直观检查法.通过图形显示终端,用肉眼直接将与截面数据点集偏离较大的点或存在于屏幕上的孤点剔除.这种方法适合于数据的初步检查,可从数据点集中筛选出一些比较大的异常点.②曲线检查法.通过截面的首末数据点,用最小二乘法拟合得到一条样条曲线,曲线的阶次可根据曲面截面的形状决定,通常为3~4阶,然后分别计算中间数据点pi到样条曲线的距离‖e‖,如果‖e‖大于等于[ε]([ε]为给定的允差),则认为pi是坏点,应予以剔除(见图1).③弦高差方法.连接检查点的前后2点,计算中间数据点pi到弦的距离‖e‖,如果‖e‖ [ε]([ε]为给定的允差),则认为pi是坏点,应予以剔除.这种方法适合于测量点均匀且较密集的场合,特别是在曲率变化较大的位置(见图2). 图1 曲线检查法剔除坏点 图2 弦高差方法 1.2 数据精简.非接触三维扫描测量的突出特点是点云十分密集,数据量极其庞大(在1m2的范围内有数十万个点).若将如此庞大的数据量直接用于曲面构建不仅需要巨大的计算机资源(普通微机可能无法胜任)和很长的计算时间,而且整个处理过程也将变得难以控制,更何况并非所有的测试数据对曲面的构建都有用.因此,有必要在保证一定精度的前提下,对测试数据进行精简.数据精简的原则是在扫描曲率较大的地方保持较多的数据点,在曲率变化较小的地方保持较少的数据点.不同类型的点云采用不同的精简方式.散乱点云可通过随机采样的方法来精简,而对于扫描线点云和多边形点云可采用等间距、倍率、等量及弦偏差等方法进行精减.此外均匀网格法与非均匀网格法也可用来精减点云数据.其中均匀网格法只需选取其中的某些点,无需改变点的位置,可以很好地保留原始数据,特别适合简单零件表面瑕点的快速剔除.由于均匀网格法没有考虑被测物体的表面形状特征,因此它不适合对形状复杂的重要工程部件测试数据的处理.与之相反,非均匀网格法可以根据被测工程部件外部形状特征的实际需要来确定网格的疏密,因此它可在保证后继曲面构建精度的前提下减少数据量,这在处理尺寸变化较大的自由形体方面显得十分有效. 1.3 数据的平滑处理.点云数据中的随机误差将影响到后续曲面的构建及生成三维实体模
点云数据处理
点云数据处理 ICP点云配准就是我们非常熟悉的点云处理算法之一。实际上点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。点云的存储、压缩、渲染等问题也是研究的热点。随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展，点云数据处理技术正成为最有前景的技术之一。PCL是三维点云数据处理领域必备的工具和基本技能，这篇博客也将粗略介绍。 三维点云数据处理方法 1. 点云滤波（数据预处理） 1. 点云滤波（数据预处理） 点云滤波，顾名思义，就是滤掉噪声。原始采集的点云数据往往包含大量散列点、孤立点，比如下图为滤波前后的点云效果对比。 点云滤波的主要方法有：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等，这些算法都被封装在了PCL点云库中。 2. 点云关键点 我们都知道在二维图像上，有Harris、SIFT、SURF、KAZE这样的关键点提取算法，这种特征点的思想可以推广到三维空间。从技术上来说，关键点的数量相比于原始点云或图像的数据量减小很多，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表示，而且不失代表性和描述性，从而加快了后续的识别，追踪等对数据的处理了速度，故而，关键点技术成为在2D和3D 信息处理中非常关键的技术。
常见的三维点云关键点提取算法有一下几种：ISS3D、Harris3D、NARF、SIFT3D 这些算法在PCL库中都有实现，其中NARF算法是博主见过用的比较多的。 3. 特征和特征描述 如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数，比如法线方向、曲率、文理特征等等。如同图像的特征一样，我们需要使用类似的方式来描述三维点云的特征。 常用的特征描述算法有：法线和曲率计算、特征值分析、PFH、FPFH、3D Shape Context、Spin Image等。 PFH：点特征直方图描述子，FPFH：跨苏点特征直方图描述子，FPFH是PFH的简化形式。这里不提供具体描述了，具体细节去谷歌吧。 4. 点云配准 点云配准的概念也可以类比于二维图像中的配准，只不过二维图像配准获取得到的是x，y，alpha，beta等放射变化参数，二三维点云配准可以模拟三维点云的移动和对其，也就是会获得一个旋转矩阵和一个平移向量，通常表达为一个4×3的矩阵，其中3×3是旋转矩阵，1*3是平移向量。严格说来是6个参数，因为旋转矩阵也可以通过罗格里德斯变换转变成1*3的旋转向量。 常用的点云配准算法有两种：正太分布变换和著名的ICP点云配准，此外还有许多其它算法，列举如下： ICP：稳健ICP、point to plane ICP、point to line ICP、MBICP、GICP NDT 3D、Multil-Layer NDT
无人机影像匹配点云滤波处理与三维重建
西南交通大学硕士研究生学位论文第Ｖ页 目录 第１章绪论…………………………………………………………………………………．１１．２国内外研究现状……………………………………………………………………２１．２．１点云数据获取研究现状……………………………………………………．２ １．２．２点云数据滤波和分类研究现状……………………………………………．４ １．２．３建筑物三维重建研究现状…………………………………………………．６１．３论文的主要内容和结构……………………………………………………………９第２章无人机影像匹配点云………………………………………………………………１０２．１无人机影像匹配点云提取关键技术……………………………………………．．１０２．１．１相机标定……………………………………………………………………１０ ２．１．２ＰＯＳ辅助空中三角测量……………………………………………………１１ ２．１．３影像匹配点云提取…………………………………………………………１２２．２无人机影像匹配点云精度评估…………………………………………………．．１７２．２．１精度评定方法………………………………………………………………１７ ２．２．２精度评估实验………………………………………………………………１８２．３本章小结…………………………………………………………………………．．２１第３章改进形态学滤波算法的点云数据滤波……………………………………………２２３．１改进的数学形态学滤波算法……………………………………………………．．２２３．１．１渐进窗口尺寸的形态学滤波算法…………………………………………２３ ３．１．２虚拟格网对点云数据组织方式的改进……………………………………２６３．２基于改进的形态学滤波算法实验………………………………………………．．２７３．２．１关键参数设置………………………………………………………………２８ ３．２．２滤波实验与分析……………………………………………………………２８３．３本章小节…………………………………………………………………………．．３４第４章基于参数化技术的三维重建………………………………………………………３５４．１参数化三维建模技术……………………………………………………………．．３６４．２基于ＣｉｔｙＥｎｇｉｎｅ参数化建模……………………………………………………．３６
点云数据三维网格化
将雷射点云数据三维网格化以分面之研究 黄国彦R92521109 一﹒前言 激光技术(Light Amplification by Stimulated Emission of Radiation, Laser)发明于1960 年，顾名思义，雷射运作的原理即是以辐射激发光线的能量，因此也称为激光[赖志恒，2003]。雷射扫瞄到目标点反射后可由其时间差得知之间的距离，若是配合GPS等……定位仪器，便能更进一步自扫瞄时的位置推出目标点的坐标，故对于量测或重建物空间信息之应用越趋重要。 要以点的方式表现一件物体的外形需要数量繁多且密集的点群方能忠实呈现，因此要如何处理庞大的雷射点云数据即是一门重要的课题，除了大量的点数外，另一个要面对的即是点云数据为不规则散布的问题，此时最常见的方式即是以规则网格使点云数据结构化，其后再内插求得点云数据的范围与信息。然而内插后的规则网格皆会丧失空间信息，对三维分布的扫瞄点资料而言，以2.5D维度的表示法将扫瞄数据结构化，难以完整展现出扫瞄点精确描述地物的特性[赖志恒，2003]。因此本次研究的主题即着重在不破坏或是干扰原始数据的前提之下，以三维网格的结构找出点云所提供之面信息。 光达点云数据三维网格化的概念是，将每笔点云数据的集合看成是一张三维的影像，而为了利用影像处理的技术，则必须在点云所处的坐标系内进行规则的三维网格切割，且网格切割的坐标系三轴与物空间坐标系的三轴一样同为右旋坐标系统[陈英鸿，2004]。 此次研究中，每一个网格可提供的信息为： 1.网格之间的位相关系及其范围与编号 2.各网格所包含的点数及其坐标值、反射强度(Intensity) 在下一章的部份将说明要如何利用这些信息，有效的搜寻哪些光达点群为同一个平面并找出平面法向量。
CAD三维绘图教程和案例很实用
CAD 绘制三维实体基础 AutoCAD除具有强大的二维绘图功能外，还具备基本的三维造型能力。若物体并无复杂的外表曲面及多变的空间结构关系，则使用AutoCAD可以很方便地建立物体的三维模型。本章我们将介绍AutoCAD三维绘图的基本知识。 11.1 三维几何模型分类 在AutoCAD中，用户可以创建3种类型的三维模型：线框模型、表面模型及实体模型。这3种模型在计算机上的显示方式是相同的，即以线架结构显示出来，但用户可用特定命令使表面模型及实体模型的真实性表现出来。 11.1.1线框模型(Wireframe Model) 线框模型是一种轮廓模型，它是用线（3D空间的直线及曲线）表达三维立体，不包含面及体的信息。不能使该模型消隐或着色。又由于其不含有体的数据，用户也不能得到对象的质量、重心、体积、惯性矩等物理特性，不能进行布尔运算。图11-1显示了立体的线框模型，在消隐模式下也看到后面的线。但线框模型结构简单，易于绘制。 11.1.2 表面模型（Surface Model） 表面模型是用物体的表面表示物体。表面模型具有面及三维立体边界信息。表面不透明，能遮挡光线，因而表面模型可以被渲染及消隐。对于计算机辅助加工，用户还可以根据零件的表面模型形成完整的加工信息。但是不能进行布尔运算。如图11-2所示是两个表面模型的消隐效果，前面的薄片圆筒遮住了后面长方体的一部分。 图11-1 线框模型 图11-2 表面模型 1、三维模型的分类及三维坐标系； 2、三维图形的观察方法； 3、创建基本三维实体； 4、由二维对象生成三维实体； 5、编辑实体、实体的面和边；
11.1.3 实体模型 实体模型具有线、表面、体的全部信息。对于此类模型，可以区分对象的内部及外部，可以对它进行打孔、切槽和添加材料等布尔运算，对实体装配进行干涉检查，分析模型的质量特性，如质心、体积和惯性矩。对于计算机辅助加工，用户还可利用实体模型的数据生成数控加工代码，进行数控刀具轨迹仿真加工等。如图11-3所示是实体模型。 11．2 三维坐标系实例——三维坐标系、长方体、倒角、删除面 AutoCAD的坐标系统是三维笛卡儿直角坐标系，分为世界坐标系（WCS）和用户坐标系（UCS）。图11-4表示的是两种坐标系下的图标。图中“X”或“Y”的剪头方向表示当前坐标轴X轴或Y轴的正方向，Z轴正方向用右手定则判定。 缺省状态时，AutoCAD的坐标系是世界坐标系。世界坐标系是唯一的，固定不变的，对于二维绘图，在大多数情况下，世界坐标系就能满足作图需要，但若是创建三维模型，就不太方便了，因为用户常常要在不同平面或是沿某个方向绘制结构。如绘制图11-5所示的图形，在世界坐标系下是不能完成的。此时需要以绘图的平面为XY坐标平面，创建新的坐标系，然后再调用绘图命令绘制图形。 图11-3 实体模型 图11-4 表示坐标系的图标 世界坐标
三维激光扫描仪点云数据处理与建模
三维激光扫描仪点云数据处理与建模点云的预处理由于三维激光扫描仪在扫描过程中，外界环境因素对扫描目标的阻挡和遮掩，如移动的车辆、行人树木的遮挡，及实体本身的反射特性不均匀，需要对点云经行过滤，剔除点云数据内含有的不稳定点和错误点。实际操作中，需要选择合适的过滤算法来配合这一过程自动完成。 点云配准使用控制点配准，将点云配准到控制网坐标系下;靶标缺失的点云，利用公共区域寻找同名点对其进行两两配准，当同名点对不能找到时，利用人工配准法。后两种方法均为两两配准，为了将所有点云转换到统一的控制网坐标系下与控制点配准法得到点云配在一起，两两配准时要求其中一站必须为已经配到控制网坐标系下的点云。 点云拼接外业采集的数据导入至软件时会根据坐标点自动拼接，但由于人为操作和角架的误差，一些点云接合处不太理想，这时需要进行手动拼接，对一些无坐标补扫面的拼接也需手动处理。手动拼接时对点云应适当压缩，选择突出、尖角、不同平面的特征点，以降低操作误差。如采用1cm激光间隔扫描时拼接后的误差在3mm以下较为理想。 建立三维模型当建筑物数字化为大量离散的空间点云数据后，在此基础上来构造建筑物的三维模型。
点云的漏洞修复由于点云本身的离散性，会导致模型存在一定缺陷，需要在多边形阶段对其进行修补、调整等操作后，才能得到准确的实物数字模型。由于建筑物形状复杂多样，所以目前网格的修补难以实现全自动化。三维激光扫描仪点云数据的漏洞修复主要采用两种方法:当空洞出现在平面区域内，比如窗户或者墙面上的洞，可采用线性插值的方法填补空洞数据;当空洞出现在非平面区域，如圆柱上出现的漏洞，可采取二次曲面插值方法。
基于三维点云处理技术的工件识别和匹配
Computer Science and Application 计算机科学与应用, 2019, 9(12), 2303-2313 Published Online December 2019 in Hans. https://www.360docs.net/doc/c716101638.html,/journal/csa https://https://www.360docs.net/doc/c716101638.html,/10.12677/csa.2019.912256 Parts Identification and Matching Based on 3D Point Cloud Processing Technology Rongrong Chen School of Automation, Southeast University, Nanjing Jiangsu Received: Nov. 20th, 2019; accepted: Dec. 3rd, 2019; published: Dec. 10th, 2019 Abstract In the field of automatic sorting, machine vision technology plays a decisive role. This paper uses a method based on 3D point cloud processing technology to identify and match workpieces, so as to sort out the target workpieces from the messy workpiece piles on the production line. Firstly, a dense point cloud is collected by using a laser sensor to obtain three-dimensional point cloud data of the identified area. Secondly, after denoising and filtering the point cloud data, it calculates the normal vector of the denoised point cloud, and then performing the voxelgriddownsampling to ob-tain key points and reduce the calculation amount. Thirdly, the histogram feature descriptor of the normal direction is calculated for the key point, thereby it obtains the descriptor associated with point cloud of the target and point cloud of the scene. It uses the K-tree structure search algorithm to find a similar descriptor based on the Euclidean distance, and added to the association set. Fourthly, the clustering algorithm is called to obtain a local point cloud set matching the target point cloud in the scene based on the Hough voting algorithm, and then the target point cloud is matched with the locked local point cloud set using the classical point cloud matching algorithm ICP. Finally, the global hypothesis verification algorithm is used to filter out the wrong points to reduce the error rate and to calibrate the identified targets for visual output. Compared with the general algorithm, the me-thod is more efficient and improves the time and accuracy of recognition. Keywords 3D Recognition, ICP, Machine Vision, Point Cloud Technology, Point Cloud Matching 基于三维点云处理技术的工件识别和匹配 陈荣荣 东南大学自动化学院，江苏南京 收稿日期：2019年11月20日；录用日期：2019年12月3日；发布日期：2019年12月10日
【CN109859256A】一种基于自动对应点匹配的三维点云配准方法【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910189213.6 (22)申请日 2019.03.13 (71)申请人 大连理工大学 地址 116024 辽宁省大连市高新园区凌工 路2号 (72)发明人 刘斌 张松 牛晓嫘 (74)专利代理机构 大连东方专利代理有限责任 公司 21212 代理人 姜玉蓉 李洪福 (51)Int.Cl. G06T 7/33(2017.01) G06T 7/37(2017.01) (54)发明名称一种基于自动对应点匹配的三维点云配准方法(57)摘要本发明公开了一种基于自动对应点匹配的三维点云配准方法，包括以下步骤：采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；根据特征矩阵采用迭代处理方式选取匹配点；采用RANSAC算法对两个点云进行配准。该方法可以直接找到两个点云中的匹配点，并且根据匹配点进行配准，同时本方法不需要预配准，不受点云初始位置的影响；相比现有技术，本方法的鲁棒性和精确度都有大幅度提高。除了点云的整体配准，本方法还可以实现子集配准和公共部分配准，现有技术无法实现 上述功能。权利要求书1页 说明书5页 附图3页CN 109859256 A 2019.06.07 C N 109859256 A
1.一种基于自动对应点匹配的三维点云配准方法，其特征在于包括以下步骤： 采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵； 采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵； 根据特征矩阵采用迭代处理方式选取匹配点； 采用RANSAC算法对两个点云进行配准。 2.根据权利要求1所述的方法，其特征还在于：采用深度映射方法提取模型的局部几何特征具体采用如下方式：获取模型中每个点的相邻点集合，采用PCA算法根据相邻点集合计算该点的法向量，垂直于法向量方向构建圆盘映射面，在圆盘映射面上均匀选取映射点，以映射点为起点沿法向量方向往模型表面发射映射线，将每个映射线的长度作为该映射点处的深度值，将深度值保存在该点对应的深度矩阵中。 3.根据权利要求1所述的方法，其特征还在于：采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵具体方式为：构建卷积自编码器的网络模型，将卷积自编码器分为编码器和解码器，在编码器中设置三个卷积层和三个池化层，在解码器中设置三个反卷积层和三个上采样层，在三维模型中采集多个深度矩阵作为训练样本，利用训练样本对自编码器进行训练获得自编码器模型；将深度矩阵输入到训练好的自编码器模型中、得到对应的特征矩阵，并对特征矩阵进行中心化处理。 4.根据权利要求1所述的方法，其特征还在于：根据特征矩阵采用迭代处理方式选取匹配点采用如下方式：计算特征矩阵每一行的平均值，将三个平均值作为该点的一个三维特征坐标，在参考点的特征坐标周围收集临近点作为匹配的候选点，对所有的候选点进行迭代处理，每次迭代中将候选点的特征矩阵与参考点的特征矩阵对应位置做差值、并求平均差值，将平均差值最小的候选点作为该参考点的匹配点。 5.根据权利要求4所述的方法，其特征还在于：采用RANSAC算法对两个点云进行配准采用如下方式：采用RANSAC算法将两个点云依次迭代、在其中一个点云中随机抽取一定数量的参考点，采用迭代处理方式在另一个点云中寻找这些参考点的匹配点，根据匹配点计算两个点云的配准矩阵，利用配准矩阵对点云进行配准、并计算配准后的两个点云之间的误差，对上述过程进行迭代，选取误差最小的一次迭代结果作为最终的配准结果。 6.根据权利要求4所述的方法，其特征还在于：所述参考点的匹配点采用如下算法获取： 设点云A中有一点p，点云B中与p匹配的点是q，对特征矩阵的每一行计算平均值得到该点的特征坐标V f ，将V f 作为该点的索引坐标，对每个点的索引坐标构建k -d树，找出与点p特征坐标距离在1以内的所有点设为点集C，对点集C中的每一个点，计算其特征矩阵F ′与点p 的特征矩阵F之间的差异值s， 计算公式为： 其中n h 和n w 分别代表特征矩阵的行数和列数，i和j代表遍历矩阵中元素的计数器，设定s<设定阈值，查找最小差异值s即为点p的匹配点。 权 利 要 求 书1/1页2CN 109859256 A
基于三维点云的重建技术研究
工学硕士学位论文 基于点云的三维重建技术研究 蔡宽 哈尔滨工业大学 2010年6月
国内图书分类号：TP391.41学校代码：10213国际图书分类号：681密级：公开 工学硕士学位论文 基于点云的三维重建技术研究 硕士研究生：蔡宽 导师：唐好选副教授 申请学位：工学硕士 学科、专业：计算机科学与技术 所在单位：计算机科学与技术学院 答辩日期：2010年6月 授予学位单位：哈尔滨工业大学
Classified Index：TP391.41 U.D.C.:681 Dissertation for the Master Degree in Engineering STUDY ON3D RECONSTRUCTION BASED ON POINT CLOUD Candidate：Cai Kuan Supervisor：Associate Prof.Tang Haoxuan Academic Degree Applied for：Master of Engineering Specialty：Computer Science and Technology Affiliation:School of Computer Science and Technology Date of Defence：June,2010 Harbin Institute of Technology Degree-Conferring-Institution： ：
哈尔滨工业大学工学硕士学位论文 -- IV 摘要 三维重建技术是计算机视觉、逆向工程、虚拟现实等研究领域中的一个重要问题，是计算机图形学的重要组成部分。随着科学技术的不断发展，传统的基于图像的三维重建方法由于在精确度上、重建速度上、算法适用性上都有着不可避免的缺陷，已很难满足人们对高精度、真实感三维模型建模和绘制的要求，而基于点云的三维重建技术可以直接通过物体表面离散点简单快捷地重构出高度真实的三维模型，因此已成为当前三维重建技术研究的热点，也是其中的重点和难点。 本文采用基于点的三维重建技术，对物体进行三维网格表面重建。通过三维激光扫描仪采集物体表面点云，接着对采样点云进行简化处理，进而对简化后的点云采用网格前沿生成算法进行三角网格化，从而恢复出具有真实感的三维物体网格表面模型。 为了减少用于三角网格化的点的数量，本文首先对散乱点云进行简化处理。针对点云简化过程中常用的K 近邻搜索算法的搜索效率不能适应海量空间散乱点云这一问题，提出了一种可控参数K 近邻快速搜索算法。通过以测点X、Y、Z坐标值为中心，每隔步长个点搜索与中心坐标值差值小于偏移量的点，取交集中的前K 个点建立测点的K 近邻，然后采用法向精度法对散乱点云进行简化，使得在曲率变化大的地方保留了较多的点，而曲率变化小的地方保留了较少的点，为后续的三角网格化操作打下了良好的基础。 在得到简化后的三维物体表面点后，由于这些点是离散分布的，所以需要对点云进行三角网格化。针对以往的散乱点云空间直接三角剖分算法比较少且生成的网格质量和算法效率普遍不高的问题，本文提出一种改进的网格前沿生成算法。首先建立候选点的搜索标准，并生成一个初始三角形，然后不断沿着初始三角形的边界搜索扩展边的最佳候选点，并判断最佳候选点是否是扩展边的前面和后面一些边的最佳候选点，以此生成物体的三维网格表面模型。 最后，本文依据所提出的算法及标准设计并实现了一个空间散乱点云三维重建系统，进一步验证了所提算法的可行性和有效性。
CAD三维绘图教程与案例很实用
C A D三维绘图教程与案例 很实用 Prepared on 21 November 2021
CAD 绘制三维实体基础 AutoCAD 除具有强大的二维绘图功能外，还具备基本的三维造型能力。若物体并无复杂的外表曲面及多变的空间结构关系，则使用AutoCAD 可以很方便地建立物体的 三维模型。本章我们将介绍AutoCAD 三维绘图的基本知识。 三维几何模型分类 在AutoCAD 中，用户可以创建3种类型的三维模型：线框模型、表面模型及实体模型。这3种模型在计算机上的显示方式是相同的，即以线架结构显示出来，但用户可用特定命令使表面模型及实体模型的真实性表现出来。 线框模型(Wireframe Model) 线框模型是一种轮廓模型，它是用线（3D 空间的直线及曲线）表达三维立体，不包含面及体的信息。不能使该模型消隐或着色。又由于其不含有体的数据，用户也不能得到对象的质量、重心、体积、惯性矩等物理特性，不能进行布尔运算。图11-1显示了立体的线框模型，在消隐模式下也看到后面的线。但线框模型结构简单，易于绘制。 表面模型（Surface Model ） 表面模型是用物体的表面表示物体。表面模型具有面及三维立体边界信息。表面不透明，能遮挡光线，因而表面模型可以被渲染及消隐。对于计算机辅助加工，用户还可以根据零件的表面模型形成完整的加工信息。但是不能进行布尔运算。如图11-2所示是两个表面模型的消隐效果，前面的薄片圆筒遮住了后面长方体的一部分。 实体模型 实体模型具有线、表面、体的全部信息。对于此类模型，可以区分对象的内部及外部，可以对它进行打孔、切槽和添加材料等布尔运算，对实体装配进行干涉检查，分析模型的质量特性，如质心、体积和惯性矩。对于计算机辅助加工，用户还可利用实体模型的数据生成数控加工代码，进行数控刀具轨迹仿真加工等。如图11-3所示是实体模型。 11．2 三维坐标系实例——三维坐标系、长方体、倒角、删除面 AutoCAD 的坐标系统是三维笛卡儿直角坐标系，分为世界坐标系（WCS ）和用户坐标系（UCS ）。图11-4表示的是两种坐标系下的图标。 图中“X ”或“Y ”的剪 头方向表示当前坐标轴X 轴或Y 轴的正方向，Z 轴正方向用右手定则判定。 图11-1 线框模型 图11-2 表面模型 图11-3 实体模型 1、三维模型的分类及三维坐标系； 2、三维图形的观察方法； 3、创建基本三维实体； 4、由二维对象生成三维实体； 5、编辑实体、实体的面和边；