[go: up one dir, main page]

CN113033564B - 一种高精度和鲁棒性的2d激光点云匹配的方法 - Google Patents

一种高精度和鲁棒性的2d激光点云匹配的方法 Download PDF

Info

Publication number
CN113033564B
CN113033564B CN202110193224.9A CN202110193224A CN113033564B CN 113033564 B CN113033564 B CN 113033564B CN 202110193224 A CN202110193224 A CN 202110193224A CN 113033564 B CN113033564 B CN 113033564B
Authority
CN
China
Prior art keywords
laser
point cloud
point
matching
advancing direction
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
Application number
CN202110193224.9A
Other languages
English (en)
Other versions
CN113033564A (zh
Inventor
姜跃君
张启富
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.)
Eoslift Logistics Technology Shanghai Co Ltd
Original Assignee
Eoslift Logistics Technology Shanghai Co Ltd
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 Eoslift Logistics Technology Shanghai Co Ltd filed Critical Eoslift Logistics Technology Shanghai Co Ltd
Priority to CN202110193224.9A priority Critical patent/CN113033564B/zh
Publication of CN113033564A publication Critical patent/CN113033564A/zh
Application granted granted Critical
Publication of CN113033564B publication Critical patent/CN113033564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及激光点云匹配方法，具体涉及一种高精度和鲁棒性的2D激光点云匹配的方法，将激光原始点云转换到激光坐标系的极坐标系下，并对平行于激光行进方向以及垂直于激光行进方向的点云进行分割，统计各特征的点云数量，并根据特征影响度进行点云权重评估，对点云进行粗匹配，估计初步角度旋转量，并验证初步角度旋转量是否可用，如果初步角度旋转量可用，则进行点云定向特征精匹配与优化，否则对初步角度旋转量进行初始化，对匹配质量进行评估；本发明提供的技术方案能够有效克服现有技术所存在的点云匹配精度较低、可靠性较差、缺乏可靠度有效评估的缺陷。

Description

一种高精度和鲁棒性的2D激光点云匹配的方法
技术领域
本发明涉及激光点云匹配方法，具体涉及一种高精度和鲁棒性的2D激光点云匹配的方法。
背景技术
即时定位与建图技术(SLAM)中的点云匹配是关键技术，理论上如果匹配不存在误差，那么只需要激光点云的变化就可以估计出精确的位姿。但是，实际环境复杂，由于存在激光有噪声、算法不够精准等因素，导致激光点云的匹配存在累积误差，甚至很大可能在某一时间出现匹配错误的情况，进而导致定位失败或者位姿跳变。
2D激光点云匹配中最难解决的是长廊问题，如果是严格的长廊环境，单纯用激光匹配理论上是无解的，需要借用一些其他辅助的传感器进行测量与矫正。还有一种类似长廊的环境，不是严格的长廊环境，在某一方向上点云点数过少，如果另一方向接近于对称，那么很容易造成匹配失败或者匹配出错误的变换，所以需要对匹配算法进行精度和鲁棒性的优化，使得2D激光匹配算法具备普遍的环境适应性和准确性，同时我们还需要了解匹配可靠度，所以还需要提供匹配后的可靠度评价，以便记录当前估计位姿的误差状态。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种高精度和鲁棒性的2D激光点云匹配的方法，能够有效克服现有技术所存在的点云匹配精度较低、可靠性较差、缺乏可靠度有效评估的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种高精度和鲁棒性的2D激光点云匹配的方法，包括以下步骤：
S1、将激光原始点云转换到激光坐标系的极坐标系下，并对平行于激光行进方向以及垂直于激光行进方向的点云进行分割；
S2、统计各特征的点云数量，并根据特征影响度进行点云权重评估；
S3、对点云进行粗匹配，估计初步角度旋转量，并验证初步角度旋转量是否可用；
S4、如果初步角度旋转量可用，则进行点云定向特征精匹配与优化，否则对初步角度旋转量进行初始化；
S5、对匹配质量进行评估。
优选地，S1中对垂直于激光行进方向以及平行于激光行进方向的点云进行分割，包括：
计算平行于激光行进方向点云，以及垂直于激光行进方向点云距离雷达的距离，并在距离阈值内对点云进行搜索，在平行于激光行进方向得到符合条件的点特征为特征A1、特征A2，在垂直于激光行进方向得到符合条件的点特征为特征B1、特征B2，剩余所有点云的点特征记为特征C。
优选地，所述平行于激光行进方向点云的索引值包括Index1、Index2，所述垂直于激光行进方向点云的索引值包括Index3、Index4，按照下式计算：
Index1＝(θw-π/2)*180/π/(360/2400)；
Index2＝(θw+π/2)*180/π/(360/2400)；
Index3＝(θw)*180/π/(360/2400)；
Index4＝(θw+π)*180/π/(360/2400)；
其中，则Index1为右侧平行于激光行进方向点云的索引值，Index2为左侧平行于激光行进方向点云的索引值，Index3为上侧垂直于激光行进方向点云的索引值，Index4为下侧垂直于激光行进方向点云的索引值。
优选地，S2中统计各特征的点云数量，并根据特征影响度进行点云权重评估，包括：
平行于激光行进方向的点云数量为numA(A1+A2)，垂直于激光行进方向的点云数量为numB(B1+B2)，未分类特征的点云数量为numC，则设定点云权重为：
Wa∶Wb∶Wc＝1∶(k*numA)∶numB；
其中，Wa为特征A1、特征A2的点云权重，Wb为特征B1、特征B2的点云权重，Wc为特征C的点云权重，k根据实际需要进行调整；
特征A1、特征A2为平行于激光行进方向的点云，平移权重需要放低；特征B1、特征B2为垂直于激光行进方向的点云，平移权重需要提高；特征C是一些未分类的点，不需要额外附加权重。
优选地，S3中对点云进行粗匹配，估计初步角度旋转量，并验证初步角度旋转量是否可用，包括以下步骤：
S31、根据距离阈值对参考帧激光和匹配帧激光进行初步提取，保留点数最多的三个聚类点云；
S32、对聚类点云先进行直角点的提取裁剪，裁剪后再进行RANSAC拟合，可以分别得到三条直线特征line1、line2、line3，以及分别对应的直线斜率k1、k2、k3；
S33、对初步角度旋转量进行旋转粗估计；
S34、利用初步角度旋转量将匹配帧激光的直线特征line1、line2、line3中的点云，旋转到参考帧激光下，并在参考帧激光的直线特征line1、line2、line3的点云中搜索邻近点；
S35、如果邻近点的数量大致等于总的直线特征中的点云数量，则该初步角度旋转量可用，否则该初步角度旋转量不可用。
优选地，S4中进行点云定向特征精匹配与优化，包括：
激光帧之间的匹配采用ceres方式进行求解，邻近点的搜索选择极坐标系下的快速搜索方式，最小距离计算采用点到直线之间的距离，优化的误差公式为：
Figure BDA0002945974070000041
将所有对应点数据带入到ceres中进行求解；
其中，J是代价函数，Wi是对应权重，pi的对应点为pj1和pj2，ni是对应点pj1和pj2连线的法向量，tk+1是平移向量，R(θk+1)是旋转矩阵，θ是旋转角度。
优选地，旋转角度θ的初始估计为初步角度旋转量，如果没有初始估计，则默认旋转角度θ为0；
经过初始估计旋转量的矫正，将匹配帧点云转换到参考帧下，得到对应的极坐标系和笛卡尔坐标系的点云，然后进行邻近点的搜索，可以得到对应点的点集corr，对corr中的对应点进行搜索，判断对应点索引值符合的点云特征，并配置其权重Wi。
优选地，S5中对匹配质量进行评估，包括：
根据ceres计算位姿变换量，可以计算出匹配帧中的对应点点集在参考帧坐标系下的坐标，同样的对应点之间的距离为：
Figure BDA0002945974070000042
计算出误差的雅可比矩阵：
Figure BDA0002945974070000043
总的计算公式为：
Figure BDA0002945974070000044
循环遍历所有的对应点，计算最终的协方差矩阵cov；
其中，Z为对应点的坐标值(jx,jy)，cov(z)根据实际激光的噪声特性配置，可以设置成方差对角阵。
(三)有益效果
与现有技术相比，本发明所提供的一种高精度和鲁棒性的2D激光点云匹配的方法，能够分类激光点云中的对称特征或者稀疏点特征，利用相同特征类进行匹配，并且附加权重规则保证误差优化的方向兼顾性，最后输出位姿的变换以及可靠度，保证点云匹配的精确性和鲁棒性，在类似长廊环境或在某个方向点云稀疏的环境，能够更精确地输出激光点云位姿变换。
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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明中激光点云匹配的流程示意图；
图2为本发明中类似长廊环境下的点云定向分割示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。
一种高精度和鲁棒性的2D激光点云匹配的方法，如图1和图2所示，将激光原始点云转换到激光坐标系的极坐标系下，并对平行于激光行进方向以及垂直于激光行进方向的点云进行分割。
激光在世界坐标系中的位姿记为(Xw，Yw，θw)，将激光原始点云Cloud转换到激光坐标系的极坐标系下，该点云记为Cloudw，该方法所使用的激光扫描特性为360度，扫描频率35HZ，2400点集，最大扫描距离30m。
其中，对垂直于激光行进方向以及平行于激光行进方向的点云进行分割，包括：
计算平行于激光行进方向点云，以及垂直于激光行进方向点云距离雷达的距离，并在距离阈值内对点云进行搜索，在平行于激光行进方向得到符合条件的点特征为特征A1、特征A2，在垂直于激光行进方向得到符合条件的点特征为特征B1、特征B2，剩余所有点云的点特征记为特征C。
平行于激光行进方向点云的索引值包括Index1、Index2，垂直于激光行进方向点云的索引值包括Index3、Index4，按照下式计算：
Index1＝(θw-π/2)*180/π/(360/2400)；
Index2＝(θw+π/2)*180/π/(360/2400)；
Index3＝(θw)*180/π/(360/2400)；
Index4＝(θw+π)*180/π/(360/2400)；
其中，如图2所示，y轴的正向为激光的行进方向，Index1为右侧平行于激光行进方向点云的索引值，Index2为左侧平行于激光行进方向点云的索引值，Index3为上侧垂直于激光行进方向点云的索引值，Index4为下侧垂直于激光行进方向点云的索引值。
分别求算Index1、Index2点云距离雷达的距离，即查找Cloudw中的距离值r，得到r1、r2，Cloudw中分别从Index1、Index2处顺序向两边搜索并计算偏差距离△r＝(ri-r1)，设置阈值距离为0.3m。如果大于阈值则停止搜索，通过搜索index1、index2求算得到符合条件的点分别为特征A1、特征A2，同样的通过搜索index3、index4求算得到符合条件的点分别为特征B1、特征B2，剩余的所有点云记为特征C。
统计各特征的点云数量，并根据特征影响度进行点云权重评估，具体包括：
平行于激光行进方向的点云数量为numA(A1+A2)，垂直于激光行进方向的点云数量为numB(B1+B2)，未分类特征的点云数量为numC，则设定点云权重为：
Wa∶Wb∶Wc＝1∶(k*numA)∶numB；
其中，Wa为特征A1、特征A2的点云权重，Wb为特征B1、特征B2的点云权重，Wc为特征C的点云权重，k根据实际需要进行调整；
特征A1、特征A2为平行于激光行进方向的点云，平移权重需要放低；特征B1、特征B2为垂直于激光行进方向的点云，平移权重需要提高；特征C是一些未分类的点，不需要额外附加权重。
在激光的帧间匹配中，因为旋转对类似长廊环境的敏感性不大，影响旋转估计量的最大原因是旋转量过大，所以对旋转附加和点云特征C一样的权重就可以。
对点云进行粗匹配，估计初步角度旋转量，并验证初步角度旋转量是否可用，包括以下步骤：
S31、根据距离阈值对参考帧激光和匹配帧激光进行初步提取，保留点数最多的三个聚类点云；
S32、对聚类点云先进行直角点的提取裁剪，裁剪后再进行RANSAC拟合，可以分别得到三条直线特征line1、line2、line3，以及分别对应的直线斜率k1、k2、k3；
S33、对初步角度旋转量进行旋转粗估计；
S34、利用初步角度旋转量将匹配帧激光的直线特征line1、line2、line3中的点云，旋转到参考帧激光下，并在参考帧激光的直线特征line1、line2、line3的点云中搜索邻近点；
S35、如果邻近点的数量大致等于总的直线特征中的点云数量，则该初步角度旋转量可用，否则该初步角度旋转量不可用。
值得注意的是，对点云进行粗匹配采用的是与上述点云特征提取不同的聚类算法，可以与点云的定向分割同步进行。
如果初步角度旋转量可用，则进行点云定向特征精匹配与优化，否则对初步角度旋转量进行初始化。
其中，进行点云定向特征精匹配与优化，包括：
激光帧之间的匹配采用ceres方式进行求解，邻近点的搜索选择极坐标系下的快速搜索方式，最小距离计算采用点到直线之间的距离，优化的误差公式为：
Figure BDA0002945974070000081
将所有对应点数据带入到ceres中进行求解；
其中，J是代价函数，Wi是对应权重，pi的对应点为pj1和pj2，ni是对应点pj1和pj2连线的法向量，tk+1是平移向量，R(θk+1)是旋转矩阵，θ是旋转角度。
将所有对应点数据带入到ceres中进行求解时，迭代次数设置为20次，求解器设置为LM求解方式。
旋转角度θ的初始估计为初步角度旋转量，如果没有初始估计，则默认旋转角度θ为0；
经过初始估计旋转量的矫正，将匹配帧点云转换到参考帧下，得到对应的极坐标系和笛卡尔坐标系的点云，然后进行邻近点的搜索，可以得到对应点的点集corr，对corr中的对应点进行搜索，判断对应点索引值符合的点云特征，并配置其权重Wi。
对匹配质量进行评估，具体包括：
根据ceres计算位姿变换量(△x，△y，△θ)，可以计算出匹配帧中的对应点点集在参考帧坐标系下的坐标，同样的对应点之间的距离为：
Figure BDA0002945974070000082
计算出误差的雅可比矩阵：
Figure BDA0002945974070000091
总的计算公式为：
Figure BDA0002945974070000092
循环遍历所有的对应点，计算最终的协方差矩阵cov；
其中，Z为对应点的坐标值(jx,jy)，cov(z)根据实际激光的噪声特性配置，可以设置成方差对角阵。
cov对角矩阵表示位姿x，y和θ的方差，如果值很小，代表两个对应点的点云匹配良好；如果值很大，则表明匹配存在较大误差，并记录当前匹配的位姿不可靠，从而用于后续的优化处理。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：包括以下步骤：
S1、将激光原始点云转换到激光坐标系的极坐标系下，并对平行于激光行进方向以及垂直于激光行进方向的点云进行分割；
S2、统计各特征的点云数量，并根据特征影响度进行点云权重评估；
S3、对点云进行粗匹配，估计初步角度旋转量，并验证初步角度旋转量是否可用；
S4、如果初步角度旋转量可用，则进行点云定向特征精匹配与优化，否则对初步角度旋转量进行初始化；
S5、对匹配质量进行评估。
2.根据权利要求1所述的高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：S1中对垂直于激光行进方向以及平行于激光行进方向的点云进行分割，包括：
计算平行于激光行进方向点云，以及垂直于激光行进方向点云距离雷达的距离，并在距离阈值内对点云进行搜索，在平行于激光行进方向得到符合条件的点特征为特征A1、特征A2，在垂直于激光行进方向得到符合条件的点特征为特征B1、特征B2，剩余所有点云的点特征记为特征C。
3.根据权利要求2所述的高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：所述平行于激光行进方向点云的索引值包括Index1、Index2，所述垂直于激光行进方向点云的索引值包括Index3、Index4，按照下式计算：
Index1＝(θw-π/2)*180/π/(360/2400)；
Index2＝(θw+π/2)*180/π/(360/2400)；
Index3＝(θw)*180/π/(360/2400)；
Index4＝(θw+π)*180/π/(360/2400)；
其中，Index1为右侧平行于激光行进方向点云的索引值，Index2为左侧平行于激光行进方向点云的索引值，Index3为上侧垂直于激光行进方向点云的索引值，Index4为下侧垂直于激光行进方向点云的索引值。
4.根据权利要求2所述的高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：S2中统计各特征的点云数量，并根据特征影响度进行点云权重评估，包括：
平行于激光行进方向的点云数量为numA(A1+A2)，垂直于激光行进方向的点云数量为numB(B1+B2)，未分类特征的点云数量为numC，则设定点云权重为：
Wa∶Wb∶Wc＝1∶(k*numA)∶numB；
其中，Wa为特征A1、特征A2的点云权重，Wb为特征B1、特征B2的点云权重，Wc为特征C的点云权重，k根据实际需要进行调整；
特征A1、特征A2为平行于激光行进方向的点云，平移权重需要放低；特征B1、特征B2为垂直于激光行进方向的点云，平移权重需要提高；特征C是一些未分类的点，不需要额外附加权重。
5.根据权利要求4所述的高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：S3中对点云进行粗匹配，估计初步角度旋转量，并验证初步角度旋转量是否可用，包括以下步骤：
S31、根据距离阈值对参考帧激光和匹配帧激光进行初步提取，保留点数最多的三个聚类点云；
S32、对聚类点云先进行直角点的提取裁剪，裁剪后再进行RANSAC拟合，可以分别得到三条直线特征line1、line2、line3，以及分别对应的直线斜率k1、k2、k3；
S33、对初步角度旋转量进行旋转粗估计；
S34、利用初步角度旋转量将匹配帧激光的直线特征line1、line2、line3中的点云，旋转到参考帧激光下，并在参考帧激光的直线特征line1、line2、line3的点云中搜索邻近点；
S35、如果邻近点的数量大致等于总的直线特征中的点云数量，则该初步角度旋转量可用，否则该初步角度旋转量不可用。
6.根据权利要求5所述的高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：S4中进行点云定向特征精匹配与优化，包括：
激光帧之间的匹配采用ceres方式进行求解，邻近点的搜索选择极坐标系下的快速搜索方式，最小距离计算采用点到直线之间的距离，优化的误差公式为：
Figure FDA0002945974060000031
将所有对应点数据带入到ceres中进行求解；
其中，J是代价函数，Wi是对应权重，pi的对应点为pj1和pj2，ni是对应点pj1和pj2连线的法向量，tk+1是平移向量，R(θk+1)是旋转矩阵，θ是旋转角度。
7.根据权利要求6所述的高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：旋转角度θ的初始估计为初步角度旋转量，如果没有初始估计，则默认旋转角度θ为0；
经过初始估计旋转量的矫正，将匹配帧点云转换到参考帧下，得到对应的极坐标系和笛卡尔坐标系的点云，然后进行邻近点的搜索，可以得到对应点的点集corr，对corr中的对应点进行搜索，判断对应点索引值符合的点云特征，并配置其权重Wi。
8.根据权利要求6所述的高精度和鲁棒性的2D激光点云匹配的方法，其特征在于：S5中对匹配质量进行评估，包括：
根据ceres计算位姿变换量，可以计算出匹配帧中的对应点点集在参考帧坐标系下的坐标，同样的对应点之间的距离为：
Figure FDA0002945974060000032
计算出误差的雅可比矩阵：
Figure FDA0002945974060000041
总的计算公式为：
Figure FDA0002945974060000042
循环遍历所有的对应点，计算最终的协方差矩阵cov；
其中，Z为对应点的坐标值(jx,jy)，cov(z)根据实际激光的噪声特性配置，可以设置成方差对角阵。
CN202110193224.9A 2021-02-20 2021-02-20 一种高精度和鲁棒性的2d激光点云匹配的方法 Active CN113033564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110193224.9A CN113033564B (zh) 2021-02-20 2021-02-20 一种高精度和鲁棒性的2d激光点云匹配的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110193224.9A CN113033564B (zh) 2021-02-20 2021-02-20 一种高精度和鲁棒性的2d激光点云匹配的方法

Publications (2)

Publication Number Publication Date
CN113033564A CN113033564A (zh) 2021-06-25
CN113033564B true CN113033564B (zh) 2022-10-14

Family

ID=76460857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110193224.9A Active CN113033564B (zh) 2021-02-20 2021-02-20 一种高精度和鲁棒性的2d激光点云匹配的方法

Country Status (1)

Country Link
CN (1) CN113033564B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115453549B (zh) * 2022-09-13 2024-12-17 浙江科聪控制技术有限公司 一种基于二维激光雷达的环境直角点坐标角度的提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463894A (zh) * 2014-12-26 2015-03-25 山东理工大学 一种多视角三维激光点云全局优化整体配准方法
WO2016185637A1 (ja) * 2015-05-20 2016-11-24 三菱電機株式会社 点群画像生成装置および表示システム
CN109035207A (zh) * 2018-07-03 2018-12-18 电子科技大学 密度自适应的激光点云特征检测方法
CN109492656A (zh) * 2017-09-11 2019-03-19 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN109781119A (zh) * 2017-11-15 2019-05-21 百度在线网络技术（北京）有限公司 一种激光点云定位方法和系统
CN110208771A (zh) * 2019-07-01 2019-09-06 南京林业大学 一种移动二维激光雷达的点云强度改正方法
CN111709981A (zh) * 2020-06-22 2020-09-25 高小翎 特征线融合的激光点云与模拟图像的配准方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463894A (zh) * 2014-12-26 2015-03-25 山东理工大学 一种多视角三维激光点云全局优化整体配准方法
WO2016185637A1 (ja) * 2015-05-20 2016-11-24 三菱電機株式会社 点群画像生成装置および表示システム
CN109492656A (zh) * 2017-09-11 2019-03-19 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN109781119A (zh) * 2017-11-15 2019-05-21 百度在线网络技术（北京）有限公司 一种激光点云定位方法和系统
CN109035207A (zh) * 2018-07-03 2018-12-18 电子科技大学 密度自适应的激光点云特征检测方法
CN110208771A (zh) * 2019-07-01 2019-09-06 南京林业大学 一种移动二维激光雷达的点云强度改正方法
CN111709981A (zh) * 2020-06-22 2020-09-25 高小翎 特征线融合的激光点云与模拟图像的配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Directionally constrained fully convolutional neural network for airborne LiDAR point cloud classification;Congcong Wen 等;《ELSEVIER》;20200208;全文 *
Plane segmentation and fitting method of point clouds based on improved density clustering algorithm for laser radar;Xiaobin Xu 等;《ELSEVIER》;20181122;全文 *
移动机器人基于激光点云定位建图的汽车宽度与方位估计;薛连杰 等;《机械与电子》;20180630;第36卷(第6期);全文 *

Also Published As

Publication number Publication date
CN113033564A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN106548147B (zh) 一种快速的噪声鲁棒性图像异物检测方法及teds系统
CN112484746B (zh) 一种基于地平面的单目视觉辅助激光雷达里程计方法
CN103955939B (zh) 三维扫描系统中点云拼接用边界特征点配准方法
CN107798326B (zh) 一种轮廓视觉检测方法
CN112509044A (zh) 一种基于点线特征融合的双目视觉slam方法
CN106529394B (zh) 一种室内场景物体同时识别与建模方法
CN112966542A (zh) 一种基于激光雷达的slam系统和方法
CN103727930A (zh) 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法
CN114608522B (zh) 一种基于视觉的障碍物识别与测距方法
CN106500594B (zh) 融合反射强度和几何特征的铁路轨道半自动检测方法
CN115639547A (zh) 多线激光雷达与gnss_ins联合标定方法、系统及介质
CN116091603A (zh) 一种基于点特征的箱体工件位姿测量方法
CN113033564B (zh) 一种高精度和鲁棒性的2d激光点云匹配的方法
CN113947636A (zh) 一种基于深度学习的激光slam定位系统及方法
CN113920180A (zh) 一种基于正态分布变换假设校验的点云配准优化方法
CN118135214A (zh) 集装箱船货舱三维点云特征数据的提取和精度检验方法
CN114549549A (zh) 一种动态环境下基于实例分割的动态目标建模跟踪方法
CN111652801A (zh) 一种点云精准拼接方法
CN112734816A (zh) 基于CSS-Delaunay的异源图像配准方法
WO2018131163A1 (ja) 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体
CN110766728B (zh) 基于深度学习的组合图像特征精确匹配方法
CN112560917A (zh) 一种视觉定位方法及系统
CN118334657A (zh) 一种点云标签的自动生成方法与基于卷积神经网络的动态分割方法
CN101968357A (zh) 一种从二维图像序列检测平面区域的方法
CN113793355B (zh) 无人机影像铁路钢轨顶面中心线自动匹配方法

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