[go: up one dir, main page]

CN117808703B - 一种多尺度大型部件装配间隙点云滤波方法 - Google Patents

一种多尺度大型部件装配间隙点云滤波方法 Download PDF

Info

Publication number
CN117808703B
CN117808703B CN202410224098.2A CN202410224098A CN117808703B CN 117808703 B CN117808703 B CN 117808703B CN 202410224098 A CN202410224098 A CN 202410224098A CN 117808703 B CN117808703 B CN 117808703B
Authority
CN
China
Prior art keywords
point cloud
point
scale
filtering
neighborhood
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
CN202410224098.2A
Other languages
English (en)
Other versions
CN117808703A (zh
Inventor
汪俊
吴翔
濮宬涵
李子宽
张沅
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.)
Shandong Hangfu Intelligent Equipment Technology Co.,Ltd.
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202410224098.2A priority Critical patent/CN117808703B/zh
Publication of CN117808703A publication Critical patent/CN117808703A/zh
Application granted granted Critical
Publication of CN117808703B publication Critical patent/CN117808703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种多尺度大型部件装配间隙点云滤波方法，包括：对大型部件装配间隙原始点云P进行ROI区域的分割，通过点云密度感知器提取得到点云密度最小的ROI区域点云，从而保留有效的点云数据；对ROI区域点云进行无效点滤除与大尺度离群点滤波滤除，得到滤波后点云；通过区域生长聚类的方法提取所有点云的聚类，从而形成具有连续性的点云簇，并基于权重投票的方法对间隙无关点云进行分割与滤除，得到有效点云，提高对间隙相关点云的准确性；通过对有效点云进行小尺度点云光顺解决局部区域点云粗糙，获得最终滤波后点云。本发明利用多尺度滤波的方法，实现了对点云的快速全面滤波处理。

Description

一种多尺度大型部件装配间隙点云滤波方法
技术领域
本发明涉及三维数据处理的算法，具体涉及一种多尺度大型部件装配间隙点云滤波方法。
背景技术
间隙作为大型部件装配的一项重要指标，因此对于车身间隙进行测量非常有必要，通过三维扫描技术可以非常完整地获取大型部件装配间隙结构的点云，并根据获取的点云进一步进行特征分析可以测量大型部件装配间隙的大小，从而指导大型部件装配的过程。
但是由于环境干扰与震动等问题可能会导致我们获取的点云存在离群点、无效点、无关区域点云混入和点云粗糙等情况，这些都会对后续的特征提取与计算过程带来干扰。由于噪声点云状态各异，无法使用单一传统滤波算法进行很好滤除。此外，无效点云和无关区域点云的存在会影响结果，也需要进行滤除。
发明内容
针对现有技术的不足，本发明提供了一种多尺度大型部件装配间隙点云滤波方法，解决了单一传统滤波算法对存在离群点、无效点、无关区域点云混入和点云粗糙的点云无法准确的有效滤除等问题，该方法通过基于点云密度感知的方法，对原始点云进行ROI区域的分割。该分割过程能够识别出点云中密度较高的区域，从而保留有效的点云数据。接着，对分割出来ROI区域点云进行无效点和大尺度的离群点滤除以提高后续处理的准确性。然后，采用区域生长的方法对滤波后的点云进行聚类操作，从而形成具有连续性的点云簇。其次，基于权重投票的方法对聚类后的点云数据进行分割与滤除；通过分析每个点的权重，判断其是否属于间隙无关的点云，进而分割和滤除操作，以提高对间隙相关点云的准确性；最后，针对局部区域点云粗糙的情况，通过对点云进行小尺度点云光顺处理；该处理能够平滑点云数据，使其更加连续和细致，提高点云数据的质量；本发明利用多尺度滤波的方法对大型部件装配间隙点云进行快速滤除，实现了对点云的快速全面滤波处理。
为解决上述技术问题，本发明提供了如下技术方案：一种多尺度大型部件装配间隙点云滤波方法，包括以下步骤：
S1、对大型部件装配间隙原始点云P进行ROI区域的分割，通过点云密度感知器提取得到点云密度最小的ROI区域点云/>；
S2、对ROI区域点云进行无效点滤除与大尺度离群点滤波滤除，得到滤波后点云；
S3、通过区域生长聚类的方法提取所有点云的聚类，并基于权重投票的方法对间隙无关点云进行分割与滤除，得到有效点云/>；
S4、通过对有效点云进行小尺度点云光顺解决局部区域点云粗糙，获得最终滤波后点云/>。
进一步地，所述S1中对大型部件装配间隙原始点云P进行ROI区域的分割，通过点云密度感知器提取得到点云密度最小的ROI区域点云/>，具体过程包括以下步骤：
S11、初始化点云X、Y、Z三个维度的最小坐标集合中元素为无限大和最大坐标集合/>中元素为无限小，通过点云迭代器遍历所有点云，通过不断迭代更新最终得到新的/>和/>，并根据两个集合的参数构建点云的整体包围盒B；
S12、构建点云密度感知器，其中、/>、/>为点云密度感知器的长宽高，，/>为基于先验的间隙宽度的2倍，/>；
S13、在点云整体包围盒B内，通过点云密度感知器进行迭代搜索进行密度计算，点云密度，/>为当前密度感知器范围内点的数量，通过搜索确定点云密度最小的ROI区域点云/>。
进一步地，所述S2中对ROI区域点云进行无效点滤除与大尺度离群点滤波滤除，得到滤波后点云/>，具体过程包括以下步骤：
S21、通过多条件约束的方法对中无效点云进行滤除，令约束条件共/>个条件判断点云是否为无效点云，判断条件，/>为当前点云中的点，当/>时该点云为无效点云，滤除无效点云后的点云为/>；
S22、对点云中每个点/>定义一个局部邻域/>，对于每个点/>的曲率/>及其基于局部邻域/>的曲率特征/>，基于点/>的曲率/>及其局部曲率特征/>的标准差统计的方法对离群点进行滤除，获取滤波后的点云/>。
进一步地，所述S3中通过区域生长聚类的方法提取所有点云的聚类，并基于权重投票的方法对间隙无关点云进行分割与滤除，得到有效点云/>，具体过程包括以下步骤：
S31、通过基于区域生长的方式对点云进行聚类，通过选取内单个点作为种子点作为聚类的起点，构建k-近邻域/>，基于余弦相似度/>度量的方式确定点与点之间的相似度，/>其取值在[-1,1]范围内，/>表示当前种子点，/>表示当前邻域内的点，根据种子点的余弦相似度进行聚类，不断重复上述过程直到没有符合条件的点则生成一个聚类，然后重新从/>剩余点云中选择种子点重复上述过程，直到/>中没有点云结束；
S32、通过计算每个聚类点云关于其他点云的平均豪斯多夫距离和每个聚类点云的法向/>以及每个聚类点云的数量/>和与模板点云相似度/>，；
S33、通过基于权重投票的方式，对每个聚类进行权重投票最终每个聚类的得分为，计算公式为/>，其中/>，/>，/>，/>为/>拟合直线的法向，为两个向量的模长，将/>值最大的两个聚类提取出来作为内点点云，对将点云视为外点点云进行处理，得到有效点云/>。
进一步地，所述S4中通过对点云进行小尺度点云光顺解决局部区域点云粗糙，获得最终滤波后点云/>，具体过程包括以下步骤：
S41、确定一个适当的小尺度光滑半径，该半径用于定义光滑操作的范围，这个光滑半径根据点云的特征和应用需求进行选择；
S42、对于有效点云中的每个点/>，根据光滑半径确定其邻域/>，邻域为包含在光滑半径范围内的相邻点；
S43、对于邻域中的点，通过使用最小二乘法来计算计算其法线向量；
S44、对于每个点利用邻域/>中的法线信息进行光滑操作，使用加权平均的方法，其中点的新位置由邻域中点的加权平均确定，权重根据点与邻域中其他点的法线方向的一致性进行计算，重复S41-S44上述过程，直到整个点云都得到平滑处理，获得最终滤波后点云/>。
借由上述技术方案，本发明提供了一种多尺度大型部件装配间隙点云滤波方法，至少具备以下有益效果：
首先，通过基于点云密度感知的方法，对原始点云进行ROI区域的分割，该分割过程能够识别出点云中密度较高的区域，从而保留有效的点云数据。接着，对分割出来ROI区域点云进行无效点和大尺度的离群点滤除以提高后续处理的准确性。然后，采用区域生长的方法对滤波后的点云进行聚类操作，从而形成具有连续性的点云簇，其次，基于权重投票的方法对聚类后的点云数据进行分割与滤除，通过分析每个点的权重，判断其是否属于间隙无关的点云，进而进行分割和滤除操作，以提高对间隙相关点云的准确性。最后，针对局部区域点云粗糙的情况，通过对点云进行小尺度点云光顺处理。该方法处理能够平滑点云数据，使其更加连续和细致，提高点云数据的质量；本发明利用多尺度滤波的方法，实现了对点云的快速全面滤波处理。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本发明提供的一种多尺度大型部件装配间隙点云滤波方法的流程图；
图2本发明构建点云的整体包围盒示意图；
图3是本发明大型部件装配间隙三维点云的滤波的大尺度滤波和无关点滤除后的效果示意图；
图4是本发明大型部件装配间隙三维点云的滤波的最终滤波效果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图4，示出了本实施例的一种具体实施方式，首先，通过基于点云密度感知的方法，对原始点云进行ROI区域的分割。该分割过程能够识别出点云中密度较高的区域，从而保留有效的点云数据。接着，对分割出来ROI区域点云进行无效点和大尺度的离群点滤除以提高后续处理的准确性。然后，采用区域生长的方法对滤波后的点云进行聚类操作，从而形成具有连续性的点云簇。其次，基于权重投票的方法对聚类后的点云数据进行分割与滤除。通过分析每个点的权重，判断其是否属于间隙无关的点云，进而进行分割和滤除操作，以提高对间隙相关点云的准确性。最后，针对局部区域点云粗糙的情况，通过对点云进行小尺度点云光顺处理。该处理能够平滑点云数据，使其更加连续和细致，提高点云数据的质量。本发明利用多尺度滤波的方法，实现了对点云的快速全面滤波处理。
请参照图1，本实施例提出了一种多尺度大型部件装配间隙点云滤波方法，该方法包括以下步骤：
S1、对大型部件装配间隙原始点云P进行ROI区域的分割，通过点云密度感知器提取得到点云密度最小的ROI区域点云/>；
作为步骤S1的优选实施方式，具体过程包括以下步骤：
S11、初始化点云X、Y、Z三个维度的最小坐标集合中元素为无限大和最大坐标集合/>中元素为无限小，通过点云迭代器遍历所有点云，通过不断迭代更新最终得到新的/>和/>，并根据两个集合的参数构建点云的整体包围盒B，效果如图2所示；
S12、构建点云密度感知器，其中、/>、/>为点云密度感知器的长宽高，，/>为基于先验的间隙宽度的2倍，/>；
S13、在点云整体包围盒B内，通过点云密度感知器进行迭代搜索进行密度计算，点云密度，/>为当前密度感知器范围内点的数量，通过搜索确定点云密度最小的ROI区域点云/>。
本实施例中，通过基于点云密度感知的方法，对原始点云进行ROI区域的分割。该分割过程能够识别出点云中密度较高的区域，从而保留有效的点云数据。
S2、对ROI区域点云进行无效点滤除与大尺度离群点滤波滤除，得到滤波后点云；
作为步骤S2的优选实施方式，具体过程包括以下步骤：
S21、通过多条件约束的方法对中无效点云进行滤除，令约束条件共/>个条件判断点云是否为无效点云，判断条件，/>为当前点云中的点，当/>时该点云为无效点云，滤除无效点云后的点云为/>；
S22、对点云中每个点/>定义一个局部邻域/>，对于每个点/>的曲率/>及其基于局部邻域/>的曲率特征/>，基于点/>的曲率/>及其局部曲率特征/>的标准差统计的方法对离群点进行滤除，获取滤波后的点云/>；
其中，，/>、/>是点/>的主曲率，且/>；
；
为局部邻域/>中的点数量，/>为/>的邻域点/>的曲率。
本实施例中，对分割出来ROI区域点云进行无效点和大尺度的离群点滤除以提高后续处理的准确性。
S3、通过区域生长聚类的方法提取所有点云的聚类，并基于权重投票的方法对间隙无关点云进行分割与滤除，得到有效点云/>；
作为步骤S3的优选实施方式，具体过程包括以下步骤：
S31、通过基于区域生长的方式对点云进行聚类，通过选取内单个点作为种子点作为聚类的起点，构建k-近邻域/>，基于余弦相似度/>度量的方式确定点与点之间的相似度，/>其取值在[-1,1]范围内，/>表示当前种子点，/>表示当前邻域内的点，根据种子点的余弦相似度进行聚类，不断重复上述过程直到没有符合条件的点则生成一个聚类，然后重新从/>剩余点云中选择种子点重复上述过程，直到/>中没有点云结束；
S32、通过计算每个聚类点云关于其他点云的平均豪斯多夫距离和每个聚类点云的法向/>以及每个聚类点云的数量/>和与模板点云相似度/>，；
其中：，/>，/>和/>为由/>中分割的聚类；
S33、通过基于权重投票的方式，对每个聚类进行权重投票最终每个聚类的得分为，计算公式为/>，其中/>，/>，/>，/>为/>拟合直线的法向，为两个向量的模长，将/>值最大的两个聚类提取出来作为内点点云，对将点云视为外点点云进行处理，得到有效点云/>，效果如图3所示。
本实施例中，采用区域生长的方法对滤波后的点云进行聚类操作，从而形成具有连续性的点云簇。其次，基于权重投票的方法对聚类后的点云数据进行分割与滤除。通过分析每个点的权重，判断其是否属于间隙无关的点云，进而分割和滤除操作，以提高对间隙相关点云的准确性。
S4、通过对有效点云进行小尺度点云光顺解决局部区域点云粗糙，获得最终滤波后点云/>。
作为步骤S4的优选实施方式，具体过程包括以下步骤：
S41、确定一个适当的小尺度光滑半径，该半径用于定义光滑操作的范围，这个光滑半径根据点云的特征和应用需求进行选择；
S42、对于有效点云中的每个点/>，根据光滑半径确定其邻域/>，邻域为包含在光滑半径范围内的相邻点；
S43、对于邻域中的点，通过使用最小二乘法来计算计算其法线向量；
S44、对于每个点利用邻域/>中的法线信息进行光滑操作，使用加权平均的方法，其中点的新位置由邻域中点的加权平均确定，权重根据点与邻域中其他点的法线方向的一致性进行计算，重复S41-S44上述过程，直到整个点云都得到平滑处理，获得最终滤波后点云/>，效果如图4所示。
采用临近采样点的加权平均来修正采样点位置，其表达式为其中/>为原始点云，/>为滤波后点云，/>为滤波因子，n为/>处的法矢；
；
计算为/>与/>的空间距离，/>为/>在/>的法向上的距离,/>为/>的邻域点，/>表示向量积，/>、为高斯核函数，表示临近点对/>影响权重。/>为/>到每个临近点的距离，为/>到每个临近点到/>法矢上的投影距离对于该点的影响权重。
本实施例中，针对局部区域点云粗糙的情况，通过对点云进行小尺度点云光顺处理。该处理能够平滑点云数据，使其更加连续和细致，提高点云数据的质量。
综上，本发明利用多尺度滤波的方法对大型部件装配间隙点云进行快速滤除，实现了对点云的快速全面滤波处理。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种多尺度大型部件装配间隙点云滤波方法，其特征在于，包括以下步骤：
S1、对大型部件装配间隙原始点云P进行ROI区域的分割，初始化点云X、Y、Z三个维度的最小坐标集合Setmin＝(xmin,ymin,zmin)中元素为无限大和最大坐标集合Setmax＝(xmax,ymax,zmax)中元素为无限小，通过点云密度感知器提取得到点云密度ρ最小的ROI区域点云P'，其中，点云密度感知器的长宽高为l、w、h，l＝ymax-ymin，w为基于先验的间隙宽度的2倍，h＝zmax-zmin；
S2、对ROI区域点云P'进行无效点滤除得到点云P”，再通过大尺度离群点滤波方法，对点云P”中每个点p″i定义一个局部邻域N″i，对于每个点p″i的曲率fi及其基于局部邻域N″i的曲率特征Fi，基于点p″i的曲率fi及其局部曲率特征Fi的标准差统计的方法对离群点进行滤除，获取滤波后的点云Pa；
S3、通过区域生长聚类的方法选取Pa内单个点作为种子点作为聚类的起点，构建k-近邻域N(pi)，基于余弦相似度Sθ度量的方式确定点与点之间的相似度，其取值在[-1,1]范围内，pi表示当前种子点，pj表示当前邻域N(pi)内的点，根据种子点的余弦相似度进行聚类，不断重复上述过程直到没有符合条件的点则生成一个聚类，然后重新从Pa剩余点云中选择种子点重复上述过程，直到Pa中没有点云结束来提取Pa所有点云的聚类，并基于权重投票的方法对间隙无关点云进行分割与滤除，得到有效点云Pg；
S4、通过对有效点云Pg进行小尺度点云光顺解决局部区域点云粗糙，获得最终滤波后点云Pf；其具体过程包括以下步骤：
S41、确定一个适当的小尺度光滑半径，该半径用于定义光滑操作的范围，这个光滑半径根据点云的特征和应用需求进行选择；
S42、对于有效点云Pg中的每个点根据光滑半径确定其邻域/>邻域/>为包含在光滑半径范围内的相邻点；
S43、对于邻域中的点，通过使用最小二乘法来计算计算其法线向量；
S44、对于每个点利用邻域/>中的法线信息进行光滑操作，使用加权平均的方法，其中点的新位置由邻域中点的加权平均确定，权重根据点与邻域中其他点的法线方向的一致性进行计算，重复S41-S44上述过程，直到整个点云都得到平滑处理，获得最终滤波后点云Pf。
2.根据权利要求1所述的一种多尺度大型部件装配间隙点云滤波方法，其特征在于，所述S1具体过程包括以下步骤：
S11、通过点云迭代器遍历所有点云，通过不断迭代更新最终得到新的Setmin和Setmax，并根据两个集合的参数构建点云的整体包围盒B；
S12、在点云整体包围盒B内，通过点云密度感知器进行迭代搜索进行密度计算，点云密度points为当前密度感知器范围内点的数量，通过搜索确定点云密度ρ最小的ROI区域点云P'。
3.根据权利要求1所述的一种多尺度大型部件装配间隙点云滤波方法，其特征在于，所述S2还包括：通过多条件约束的方法对P'中无效点云进行滤除，令约束条件C1,C2,…Cn共n个条件判断点云是否为无效点云，判断条件J＝C1(p'i)*C2(P'i)…Cn(p'i)，p'i为当前点云中的点，当J＝0时该点云为无效点云，滤除无效点云后的点云为P”。
4.根据权利要求1所述的一种多尺度大型部件装配间隙点云滤波方法，其特征在于，所述S3中基于权重投票的方法对间隙无关点云进行分割与滤除，得到有效点云Pg，具体过程包括以下步骤：
S31、通过计算每个聚类点云关于其他点云的平均豪斯多夫距离Hi和每个聚类点云的法向Nci以及每个聚类点云的数量numi和与模板点云相似度Sci，Sci＝0or Sci＝1；
S32、通过基于权重投票的方式，对每个聚类进行权重投票最终每个聚类的得分为valuei，计算公式为valuei＝α*Hi+β*|Nci-Npaline|+γ*numi+Sci，其中α＝0.1，β＝0.5，γ＝0.02，Npaline为Pa拟合直线的法向，|Nci-Npaline|为两个向量的模长，将valuei值最大的两个聚类提取出来作为内点点云，对将点云视为外点点云进行处理，得到有效点云Pg。
CN202410224098.2A 2024-02-29 2024-02-29 一种多尺度大型部件装配间隙点云滤波方法 Active CN117808703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410224098.2A CN117808703B (zh) 2024-02-29 2024-02-29 一种多尺度大型部件装配间隙点云滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410224098.2A CN117808703B (zh) 2024-02-29 2024-02-29 一种多尺度大型部件装配间隙点云滤波方法

Publications (2)

Publication Number Publication Date
CN117808703A CN117808703A (zh) 2024-04-02
CN117808703B true CN117808703B (zh) 2024-05-10

Family

ID=90422173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410224098.2A Active CN117808703B (zh) 2024-02-29 2024-02-29 一种多尺度大型部件装配间隙点云滤波方法

Country Status (1)

Country Link
CN (1) CN117808703B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118392054B (zh) * 2024-06-27 2024-08-30 南京航空航天大学 基于点云数据与豪斯多夫度量的航天壁板厚度测量方法

Citations (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049751A (zh) * 2013-01-24 2013-04-17 苏州大学 一种改进的加权区域匹配高空视频行人识别方法
KR101612779B1 (ko) * 2014-11-03 2016-04-15 계명대학교 산학협력단 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치
WO2017011595A1 (en) * 2015-07-13 2017-01-19 Agerpoint, Inc. Modular systems and methods for determining crop yields with high resolution geo-referenced sensors
WO2017087415A1 (en) * 2015-11-17 2017-05-26 The Board Of Trustees Of The Leland Stanford Junior University Profiling of pathology images for clinical applications
CN106909902A (zh) * 2017-03-01 2017-06-30 北京航空航天大学 一种基于改进的层次化显著模型的遥感目标检测方法
CN107369161A (zh) * 2017-07-19 2017-11-21 无锡信捷电气股份有限公司 一种基于改进欧式聚类的散乱工件点云分割方法
CN109409437A (zh) * 2018-11-06 2019-03-01 安徽农业大学 一种点云分割方法、装置、计算机可读存储介质及终端
WO2019073252A1 (en) * 2017-10-13 2019-04-18 The Chancellor, Masters And Scholars Of The University Of Oxford METHODS AND SYSTEMS FOR ANALYZING TIME-ORDINED IMAGE DATA
WO2019242174A1 (zh) * 2018-06-21 2019-12-26 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
WO2020154966A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A rgb point clouds based map generation system for autonomous vehicles
WO2020154967A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles
WO2020154964A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A point clouds registration system for autonomous vehicles
WO2021097618A1 (zh) * 2019-11-18 2021-05-27 深圳市大疆创新科技有限公司 点云分割方法、系统及计算机存储介质
WO2021129317A1 (zh) * 2019-12-26 2021-07-01 华南理工大学 一种基于法向量的点云平滑光顺滤波方法
CN113269791A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于边缘判定与区域生长的点云分割方法
US11128636B1 (en) * 2020-05-13 2021-09-21 Science House LLC Systems, methods, and apparatus for enhanced headsets
WO2021184757A1 (zh) * 2020-03-14 2021-09-23 苏州艾吉威机器人有限公司 机器人视觉末端定位方法、装置及计算机可读存储介质
CN114155355A (zh) * 2021-12-07 2022-03-08 亿嘉和科技股份有限公司 基于点云的带电主电线检测方法及装置
CN114492619A (zh) * 2022-01-22 2022-05-13 电子科技大学 一种基于统计和凹凸性的点云数据集构建方法及装置
WO2022099528A1 (zh) * 2020-11-12 2022-05-19 深圳元戎启行科技有限公司 点云法向量计算方法、装置、计算机设备和存储介质
WO2022193335A1 (zh) * 2021-03-15 2022-09-22 深圳大学 点云数据处理方法、装置、计算机设备和存储介质
CN115147433A (zh) * 2021-03-29 2022-10-04 苏州杰锐思智能科技股份有限公司 点云配准方法
CN115294293A (zh) * 2022-10-08 2022-11-04 速度时空信息科技股份有限公司 基于低空航摄成果自动化编译高精地图道路参考线的方法
CN115578398A (zh) * 2022-10-25 2023-01-06 华南理工大学 一种基于区域增长法的焊缝点云分割方法
CN115601269A (zh) * 2022-11-01 2023-01-13 南京工业大学（Cn） 一种考虑环境动态影响的结构点云数据多尺度滤波方法
WO2023024482A1 (zh) * 2021-08-23 2023-03-02 奥比中光科技集团股份有限公司 一种室内结构化重建方法、装置及计算机可读存储介质
CN116012600A (zh) * 2023-01-30 2023-04-25 西湾智慧(广东)信息科技有限公司 基于形态学提取点云局部曲面特征的方法
WO2023066231A1 (zh) * 2021-10-18 2023-04-27 北京魔鬼鱼科技有限公司 车辆点云识别成像方法、系统、计算机设备和存储介质
CN116503419A (zh) * 2023-03-31 2023-07-28 云南电网有限责任公司曲靖供电局 基于地面点去除与密度导向滤波的线路点云树木分割方法
CN116612132A (zh) * 2023-05-25 2023-08-18 重庆茂侨科技有限公司 基于集料特征的3d点云目标分割方法
CN116738339A (zh) * 2023-06-09 2023-09-12 北京航空航天大学 一种小样本电信号多分类深度学习识别检测方法
CN116883754A (zh) * 2023-07-20 2023-10-13 成都市勘察测绘研究院(成都市基础地理信息中心) 一种面向地面LiDAR点云的建筑物信息提取方法
CN116977679A (zh) * 2023-08-09 2023-10-31 王子静 一种基于图像识别的图像采集方法及系统
CN117115012A (zh) * 2023-07-25 2023-11-24 山东科技大学 一种道路路面点云标线分割去噪方法
CN117218343A (zh) * 2023-09-11 2023-12-12 电子科技大学 一种基于深度学习的语义部件姿态估计方法
CN117292181A (zh) * 2023-09-20 2023-12-26 吉林大学 基于3d点云处理的钣金件孔组分类及全尺寸测量方法
CN117408913A (zh) * 2023-12-11 2024-01-16 浙江托普云农科技股份有限公司 待测物体点云去噪方法、系统及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10151839B2 (en) * 2012-06-01 2018-12-11 Agerpoint, Inc. Systems and methods for determining crop yields with high resolution geo-referenced sensors
US11435194B2 (en) * 2019-01-28 2022-09-06 Uatc, Llc Scaffolds for globally consistent maps
CN111539070B (zh) * 2020-04-27 2022-03-08 南京航空航天大学 基于实测数据的翼身对接间隙分布控制方法
US11804039B2 (en) * 2020-05-28 2023-10-31 Science House LLC Systems, methods, and apparatus for enhanced cameras
US11385726B2 (en) * 2020-06-01 2022-07-12 Science House LLC Systems, methods, and apparatus for enhanced presentation remotes
CN112053361B (zh) * 2020-10-15 2021-11-09 南京航空航天大学 一种基于大规模点云的飞机蒙皮对缝检测方法
US11425852B2 (en) * 2020-10-16 2022-08-30 Verdant Robotics, Inc. Autonomous detection and control of vegetation

Patent Citations (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049751A (zh) * 2013-01-24 2013-04-17 苏州大学 一种改进的加权区域匹配高空视频行人识别方法
KR101612779B1 (ko) * 2014-11-03 2016-04-15 계명대학교 산학협력단 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치
WO2017011595A1 (en) * 2015-07-13 2017-01-19 Agerpoint, Inc. Modular systems and methods for determining crop yields with high resolution geo-referenced sensors
WO2017087415A1 (en) * 2015-11-17 2017-05-26 The Board Of Trustees Of The Leland Stanford Junior University Profiling of pathology images for clinical applications
CN106909902A (zh) * 2017-03-01 2017-06-30 北京航空航天大学 一种基于改进的层次化显著模型的遥感目标检测方法
CN107369161A (zh) * 2017-07-19 2017-11-21 无锡信捷电气股份有限公司 一种基于改进欧式聚类的散乱工件点云分割方法
WO2019073252A1 (en) * 2017-10-13 2019-04-18 The Chancellor, Masters And Scholars Of The University Of Oxford METHODS AND SYSTEMS FOR ANALYZING TIME-ORDINED IMAGE DATA
WO2019242174A1 (zh) * 2018-06-21 2019-12-26 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
CN109409437A (zh) * 2018-11-06 2019-03-01 安徽农业大学 一种点云分割方法、装置、计算机可读存储介质及终端
WO2020154967A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles
WO2020154964A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A point clouds registration system for autonomous vehicles
WO2020154966A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A rgb point clouds based map generation system for autonomous vehicles
WO2021097618A1 (zh) * 2019-11-18 2021-05-27 深圳市大疆创新科技有限公司 点云分割方法、系统及计算机存储介质
WO2021129317A1 (zh) * 2019-12-26 2021-07-01 华南理工大学 一种基于法向量的点云平滑光顺滤波方法
WO2021184757A1 (zh) * 2020-03-14 2021-09-23 苏州艾吉威机器人有限公司 机器人视觉末端定位方法、装置及计算机可读存储介质
US11128636B1 (en) * 2020-05-13 2021-09-21 Science House LLC Systems, methods, and apparatus for enhanced headsets
WO2022099528A1 (zh) * 2020-11-12 2022-05-19 深圳元戎启行科技有限公司 点云法向量计算方法、装置、计算机设备和存储介质
WO2022193335A1 (zh) * 2021-03-15 2022-09-22 深圳大学 点云数据处理方法、装置、计算机设备和存储介质
CN115147433A (zh) * 2021-03-29 2022-10-04 苏州杰锐思智能科技股份有限公司 点云配准方法
CN113269791A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于边缘判定与区域生长的点云分割方法
WO2023024482A1 (zh) * 2021-08-23 2023-03-02 奥比中光科技集团股份有限公司 一种室内结构化重建方法、装置及计算机可读存储介质
WO2023066231A1 (zh) * 2021-10-18 2023-04-27 北京魔鬼鱼科技有限公司 车辆点云识别成像方法、系统、计算机设备和存储介质
CN114155355A (zh) * 2021-12-07 2022-03-08 亿嘉和科技股份有限公司 基于点云的带电主电线检测方法及装置
CN114492619A (zh) * 2022-01-22 2022-05-13 电子科技大学 一种基于统计和凹凸性的点云数据集构建方法及装置
CN115294293A (zh) * 2022-10-08 2022-11-04 速度时空信息科技股份有限公司 基于低空航摄成果自动化编译高精地图道路参考线的方法
CN115578398A (zh) * 2022-10-25 2023-01-06 华南理工大学 一种基于区域增长法的焊缝点云分割方法
CN115601269A (zh) * 2022-11-01 2023-01-13 南京工业大学（Cn） 一种考虑环境动态影响的结构点云数据多尺度滤波方法
CN116012600A (zh) * 2023-01-30 2023-04-25 西湾智慧(广东)信息科技有限公司 基于形态学提取点云局部曲面特征的方法
CN116503419A (zh) * 2023-03-31 2023-07-28 云南电网有限责任公司曲靖供电局 基于地面点去除与密度导向滤波的线路点云树木分割方法
CN116612132A (zh) * 2023-05-25 2023-08-18 重庆茂侨科技有限公司 基于集料特征的3d点云目标分割方法
CN116738339A (zh) * 2023-06-09 2023-09-12 北京航空航天大学 一种小样本电信号多分类深度学习识别检测方法
CN116883754A (zh) * 2023-07-20 2023-10-13 成都市勘察测绘研究院(成都市基础地理信息中心) 一种面向地面LiDAR点云的建筑物信息提取方法
CN117115012A (zh) * 2023-07-25 2023-11-24 山东科技大学 一种道路路面点云标线分割去噪方法
CN116977679A (zh) * 2023-08-09 2023-10-31 王子静 一种基于图像识别的图像采集方法及系统
CN117218343A (zh) * 2023-09-11 2023-12-12 电子科技大学 一种基于深度学习的语义部件姿态估计方法
CN117292181A (zh) * 2023-09-20 2023-12-26 吉林大学 基于3d点云处理的钣金件孔组分类及全尺寸测量方法
CN117408913A (zh) * 2023-12-11 2024-01-16 浙江托普云农科技股份有限公司 待测物体点云去噪方法、系统及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Overall filtering algorithm for multiscale noise removal from point cloud data;Ren, Y等;《IEEE Access》;20210714;第9卷;110723-110734 *
一种改进的形态学ＬｉＤＡＲ点云滤波算法;周钦坤等;《甘肃科学学报》;20201031;第32卷(第5期);1-5 *
基于激光雷达的障碍物三维检测与跟踪方法研究;王月阳;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20231215(第12期);C035-22 *
基于聚类的航空导管三维重建方法;李红卫等;《计算机工程与设计》;20230430;第44卷(第4期);1206-1212 *

Also Published As

Publication number Publication date
CN117808703A (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
WO2021017361A1 (zh) 一种基于边缘和梯度特征的模板匹配算法
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
WO2022141145A1 (zh) 面向对象的高分辨率遥感影像多尺度分割方法及系统
JP5353631B2 (ja) 画像処理方法、画像処理プログラム及び画像処理装置
CN117808703B (zh) 一种多尺度大型部件装配间隙点云滤波方法
Cheng et al. Image segmentation based on multi-region multi-scale local binary fitting and Kullback–Leibler divergence
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
CN110176021B (zh) 结合亮度校正的显著性信息的水平集图像分割方法及系统
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
Zhou et al. Superpixels by bilateral geodesic distance
Pang et al. A modified scheme for liver tumor segmentation based on cascaded FCNs
CN115035164B (zh) 一种运动目标识别方法及装置
Kumbar et al. Tp-node: Topology-aware progressive noising and denoising of point clouds towards upsampling
Tan et al. Saliency detection by deep network with boundary refinement and global context
CN115147433A (zh) 点云配准方法
CN117808866A (zh) 一种基于测绘点云和bim模型的各构件施工进度计算方法
CN103559488A (zh) 基于定性空间关系的卡通人物的脸部特征提取方法
CN115239780A (zh) 一种基于不同参数的点云粗配准方法
CN112183596A (zh) 结合局部网格约束和几何约束的直线段匹配方法与系统
CN110533669B (zh) 基于变分水平集的sar图像超像素分割方法
CN116994243B (zh) 一种轻量级农业害虫检测方法及系统
CN118941597B (zh) 一种基于球树和dbscan聚类的slam前端配准方法及装置
CN110060258A (zh) 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和系统
Xue et al. An Active Contour Model Based on Adaptive Weights

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20250102

Address after: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu

Patentee after: Nanjing University of Aeronautics and Astronautics Asset Management Co.,Ltd.

Country or region after: China

Address before: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu

Patentee before: Nanjing University of Aeronautics and Astronautics

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20250116

Address after: No. 881 Yongda Street, Fuxin Street, Fushan District, Yantai City, Shandong Province, China 265503

Patentee after: Shandong Hangfu Intelligent Equipment Technology Co.,Ltd.

Country or region after: China

Address before: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu

Patentee before: Nanjing University of Aeronautics and Astronautics Asset Management Co.,Ltd.

Country or region before: China