(
1
(51)International Patent Classification:(81)Designated States(unless otherwise indicated,for every
G06T15/10(2006.01)G06T15/08(2011.01)kind o f national protection av ailable).AE,AG,AL,AM,
AO,AT,AU,AZ,BA,BB,BG,BH,BN,BR,BW,BY,BZ, (21)International Application Number:
CA,CH,CL,CN,CO,CR,CU,CZ,DE,DJ,DK,DM,DO,
PCT/KR2019/005655
DZ,EC,EE,EG,ES,FI,GB,GD,GE,GH,GM,GT,HN, (22)International Filing Date:HR,HU,ID,IL,IN,IR,IS,JO,JP,KE,KG,KH,KN,KP,
10May2019(10.05.2019)KR,KW,KZ,LA,LC,LK,LR,LS,LU,LY,MA,MD,ME,
MG,MK,MN,MW,MX,MY,MZ,NA,NG,NI,NO,NZ, (25)Filing Language:English OM,PA,PE,PG,PH,PL,PT,QA,RO,RS,RU,RW,
SA, (26)Publication Language:English SC,SD,SE,SG,SK,SL,SM,ST,SV,SY,TH,TJ,TM,TN,
TR,TT,TZ,UA,UG,US,UZ,VC,VN,ZA,ZM,ZW. (30)Priority Data:
20184101767910May2018(10.05.2018)IN(84)Designated States(unless otherwise indicated,for every 20184101767930April2019(30.04.2019)IN kind o f regional protection available).ARIPO(BW,GH,
GM,KE,LR,LS,MW,MZ,NA,RW,SD,SL,ST,SZ,TZ, (71)Applicant:SAMSUNG ELECTRONICS CO.,LTD.UG,ZM,ZW),Eurasian(AM,AZ,BY,KG,KZ,RU,TJ,
[KR/KR];129,Samsung-ro,Yeongtong-Gu,Suwon-Si,TM),European(AL,AT,BE,BG,CH,CY,CZ,DE,DK, Gyeonggi-do16677(KR).EE,ES,FI,FR,GB,GR,HR,HU,IE,IS,IT,LT,LU,LV, (72)Inventors:VELAPPAN,Raghavan;A204,Rajini Ashish MC,MK,MT,NL,NO,PL,PT,RO,RS,SE,SI,SK,SM,
Apartments,Tuberahalli,Varthur Road,Bangalore,Kar?TR),OAPI(BF,BJ,CF,CG,Cl,CM,GA,GN,GQ,GW, nataka,560066(IN).VETTUKUZHYPARAMBHIL,KM,ML,MR,NE,SN,TD,TG).
Suresh Kumar KrishnanKutty;VettuKuzhiParambhil,
Kottamuri P O,Throkkodithanam Changanacherry,Kerala,Published:
686105(IN).DUSI,Pavan Kumar;202,Shivaganga Com?—with international search report(Art.21(3))
plex,Kaggadasapura Main road,Bangalore,Karnataka,
560065(IN).HOLLA,Raghavendra;28/180,15th Main
Road,J C Nagar,Bengalur,Karnataka,560086(IN).YA-
DAV,Amit;Flat002,Pragathi Corel,K.G.F.Munireddy
Layout,B Narayanapura,Mahadevapura,Bangalore,Kar?
nataka,560048(IN).DAS,Nachiketa;F6,Chennu homes,
1st cross,Kaggadasapura main road,Bangalore,Karnata?
ka,560093(IN).CHUCHRA,Divyanshu;A-302,Nagar-
juna Greenwoods Apts,Kadubeesnahalli,Outer Ring Road,
Bangalore,Karnataka,560103(IN).
(74)Agent:Y.P.LEE,MOCK&PARTNERS;12F Daelim
Acrotel,13Eonju-ro30-gil,Gangnam-Gu,Seoul06292
(KR).
(54)Title:METHOD AND APPARATUS FOR PROCESSING THREE DIMENSIONAL OBJECT IMAGE USING POINT CLOUD DATA
(57)Abstract:An apparatus and method are provided for compressing a three-dimensional(3D)object image represented by point cloud data.The method includes positioning the3D object image into a plurality of equi-sized cubes for compression;determining3D local coordinates in each of the plurality of equi-sized cubes and a cube index for each point of the3D object image positioned in the plurality of equi-sized cubes;generating two-dimensional(2D)image data based on the3D local coordinates and the cube indexes;and storing the2D image data in a memory.The2D image data includes at least one of2D geometry data,2D meta data,or2D color data.
Description
Title of Invention:METHOD AND APPARATUS FOR PROCESSING THREE DIMENSIONAL OBJECT IMAGE USING
POINT CLOUD DATA
Technical Field
[1]The disclosure relates generally to a data processing system,and more particularly,to
a method and system for handling a three-dimensional(3D)model using volumetric
point-cloud data for real time rendering.
Background Art
[2]In general,volumetric point cloud data is very large in size.Volumetric point cloud
data is a collection of three-dimensional spatial points,representing a visible surface of
an object(e.g.,an image,a video,etc.).
[3]Although many conventional methods and systems have been proposed for handling
a3D model created using volumetric point-cloud data,these conventional methods and
systems have disadvantages regarding power consumption,robustness,reliability,
integrity issues,operation dependency,time,cost,complexity,design,hardware
components used,size,a decompression time,real-time rendering,etc.
[4]Thus,it is desired to address the aforementioned disadvantages or other shortcomings
and/or provide a useful alternative.
Disclosure of Invention
Solution to Problem
[5]In accordance with an aspect of the disclosure,a compression method is provided for
a3D object image represented by point cloud data.The method includes positioning
the3D object image into a plurality of equi-sized cubes for compression;determining
3D local coordinates in each of the plurality of equi-sized cubes and a cube index for
each point of the3D object image positioned in the plurality of equi-sized cubes;
generating two-dimensional(2D)image data based on the3D local coordinates and the
cube indexes,wherein the2D image data includes at least one of2D geometry data,
2D meta data,or2D color data;and storing the2D image data in a memory.
Advantageous Effects of Invention
[6]The method and apparatus of the disclosure provides high compression rate,reduced
decoding time and no loss in peak signal to noise ratio(PSNR)for3D object image
with point cloud data.
Brief Description of Drawings
[7]The above and other aspects,features,and advantages of certain embodiments of the
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：
c++对txt文件的读取与写入/* 这是自己写程序时突然用到这方面的技术，在网上搜了一下，特存此以备后用~ */ #include
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
基于激光扫描的变电站设备三维点云数据识别技术研究 发表时间：2019-11-20T13:01:24.000Z 来源：《中国电业》2019年15期作者：徐冬生 [导读] 变电站在不断的发展过程当中，激光扫描仪的应用变得越来越普及 摘要：变电站在不断的发展过程当中，激光扫描仪的应用变得越来越普及，而在扫描的过程当中，就能够得到物体表面的三维坐标信息了，且这一获取过程十分迅速，这对于后期三维模型的建立是具有相当大的裨益。经过实际调查能够得知，目前的后期三维模型的建立主要的方式就是通过人眼来对三维点云数据进行辨认，然后再找出相关的模型来进行建模过程，但是这种方式所消耗的人力资源较多，已经不能符合时代的发展节奏了。因此，在本文中就将对基于激光扫描的变电站设备三维点云数据识别技术进行分析和研究，并试图提出一定的建议。 关键词：激光扫描；变电站；云数据识别；识别技术；研究分析 前言：在进入二十一世纪之后，国内的科学技术的发展速度十分迅速，三维点云数据识别技术就是其中的一种，这项技术属于一种三维实体识别技术，这项技术其中包含一些比较常见的技术种类，首先是计算机学，其次是人工智能学，最后是图像处理学以及模式识别学等等，随着时间的推移，这项技术已经成为了相关学者进行研究的重点，其在城市建设工作乃至国内的军事领域都能得到比较重要的应用，因此，在接下来的文章当中就将对基于激光扫描的变电站设备三维点云数据识别技术进行分析和研究。 一、三维物体识别技术的研究现状 就目前来说，对三维物体的识别一般具有以下几种方式，在接下来的文章当中就将对几种不同的三维物体的识别方式的特点和原理进行一定的介绍； 1.基于模板和几何特征的识别方式 这种方式在识别的过程当中主要利用的是物体的外观特性，在很多的CAD设计的模型当中都是利用的物体的外观特性，具体的识别流程是这样的：首先，需要将符合需求的图像输入到模型当中，这样设计的模型就能够得到关于对于物体的描述，模型根据对物体的描述就能够与模型库当中的模板类型进行匹配，从而完成整个物体的识别流程。这种识别方式的主要优势在于比较直观，而且比较容易理解，应用起来比较方便。但是现如今需要识别的物体的结构比较复杂，以物体的特点进行物体三维模型的难度也比较大，另外也是最为重要的一点就是需要比较大的人工方面的投入，为此，基于模板和几何特征的识别方式在现实的变电站的应用是比较困难的[1]。 2.基于视图的识别方式 这种识别方式主要利用的是物体的二维图像，但是对于同一种物体来说，各个视角下的二维图像都是不一样的，但是可以利用二维图像的全局特征来实现颜色直方图的描述，后期再通过互相的匹配就能够实现最终的识别。这种方式在物体的方向性上拥有比较好的效果，但是对于光照是十分敏感的，将其应用到现实的变电站设备当中是比较困难的[2]。 3.三维物体识别方式 在前文已经进行了一定的提及，那就是以上的两种识别技术的实际应用难度都比较大，在这种情况之下，诞生了三维物体的识别技术，在应用之初，三维物体识别技术就展现出来相当不错的实际效果。在应用过程当中，这种识别技术实现了检测视图的局部图像块，通过计算技术得到其主要的特征，并将其存贮到数据库当中，这种识别方式的优势在于物体的外观是随着视角的改变而改变的，其稳定性比较好，在社会的各项工作当中都比较适用[3]。 4. 基于深度图像的识别方式 在近几年以来，基于深度图像的识别方式开始变为了新的发展方向，这种方式对于物体的形状的依赖程度比较大，且比灰度图像的识别是更为简易的。因此，现如今很多国家都在对这项技术进行分析和研究，其发展空间和发展上限都是比较良好的[4]。 5.基于光学处理的三维物体的识别方式 这种识别方式其实在当今社会的发展中具有比较多的应用，这种方式的识别准确率较高，例如现如今的人脸识别就是其主要的应用方式。但是这种识别方式具有一定的弊端，那就是只能去处理二维的图像信息，所以在识别之前，需要对三维的物体进行预处理，使其转变为二维的信息[5]。 二、激光扫描测量技术的发展现状 众所周知，通过三维的点云数据能够相对比较准确的来描述一个物体，因此，在当今的时代发展当中。基于三维点云数据的物体识别已经成为了一种新的发展方向； 1.接触式测量 在实际的接触式测量过程中，设备上的探测传感器的工作需要与测量空间轴线的运动进行配合，这样就能够获取到真实且准确的物体的空间坐标信息，再经过相关的计算方式就能完成计算过程，在之后就能够还原最终被测的物体了[6]。 这种方式的优势是比较明显的，那就是容易得到高精度的物体的空间三维坐标信息，但是虽然数值比较准确，但是实际的采集工作比较缓慢，而激光扫描测量技术的应用其实是需要快速工作的，在这种情况之下就不利于对软质的材料进行测量。 2.非接触式测量 非接触式的测量具有三种不同的测量方式，分别是光学测量、电磁测量以及超声波测量，这三种测量方式在实际的社会当中都有一定的应用，其中应用比较频繁的就是光学测量，这种测量方式不光测量速度比较快，且能够在短时间之内就获取到比较精确的数据值，在人力资源上的消耗比较少，这对于后续的物体的三维仿真模型的建立工作是具有非常巨大的裨益的[7]。 三、变电站设备三维点云数据识别技术的整体流程以及预处理 （一）变电站设备点云数据识别整体处理流程 一般情况下，变电站设备点云数据识别整体处理流程主要具有四个工作阶段，首先是点云数据的采集，其次是点云数据的预处理，之后就是点云数据的特征提取，最后就是目标点云数据的识别了[8]； 在现阶段的变电站设备的工作过程当中，其点云数据的采集几乎都是通过激光扫描仪来实现的，其中Faro激光扫描仪可以满足精确的3D的测量需求，可以说，Faro激光扫描仪在进行应用之后，不仅能够快速的建立一些比较复杂的三维模型，还能够快速的得到各种数据，其中
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
ffil论文 基于PointNet++的室外场景三维点云多目标检测方法 吴登禄12薛喜辉1,2张东文1,2付展宏1,2 （1.顺丰科技有限公司2.物流机器人技术与应用工程研究中心） 摘要：针对室外场景三维点云的稀疏性对目标检测带来的挑战问题，设计一个基于PointNet++的点云检测方法。该方法首先预处理点云，获取感兴趣区域点云；再聚类点云，对物体进行分割；接着通过PointNet卄检测，获得目标的类别结果；最后通过三维bounding box获得目标物体的长宽高及朝向。为验证该方法的有效性，用16线velodyne激光雷达采集室外真实场景的数据，并制作样本集进行网络训练。最终结果验证，该方法能获得较高的检测准确率，并满足实时性要求。 关键词：点云；目标检测；PointNet++；室外场景 0引言 室外场景的三维目标检测应用广泛，如自动驾驶、勘探以及增强现实等领域。目前，室外场景采用的主流传感器有摄像头和激光雷达2类。相对于摄像头获取的二维图像信息而言，激光雷达获取的三维点云能提供更可靠的深度及三维物体的轮廓信息，近年来逐渐应用于目标检测。然而，激光雷达对三维空间不均匀采样，致使获得的点云越远越稀疏，这给目标检测的准确性带来较大挑战。 针对上述问题，研究者提出许多处理方法，如将点云转化为鸟瞰图，鸟瞰图中的像素点对应实际场景的一系列网格，然后填充每个网格中点的密度、平均强度和高度，作为每个像素的RGB值，最后利用图像检测的方法得到鸟瞰图的目标［册；或将三维空间用体素栅格划分,然后利用人工提取每个体素栅格的特征，最后进行检测曲。但上述方法处理过程中会损失点云信息，存在瓶颈，特别是对一些小物体的检测。针对这个问题，文献［5］首先将三维空间用体素栅格划分，然后通过学习的方法提取每个体素栅格点的特征，最后进行检测。但这个过程比较耗时，难以满足室外场景实时检测的需求。文献［6］提出了PointNet,能够直接学习原始点云的特征，并在ModelNet等数据集上有优异表现。但PointNet只考虑点云的全局特征而忽略局部特征；为此，进一步提出PomtNet++,整合了局部和全局的点云特征，提高其在数据集上的性能⑺。本文将PointNet++应用于室夕卜场景三维点云多目标检测，并得到三维物体的bounding box。 1基于PointNet++的三维点云多目标检测1.1整体框架 室外场景往往比较复杂，从激光雷达获取的点云数据，除感兴趣的目标外，还包含各种其他物体。首先，需要预处理点云，获得感兴趣区域的点云；其次, PointNet++做分类检测时处理的点云是单个物体点云，需要对感兴趣区域内的点云进行聚类，以区分不同物体；然后，将区分的物体输入PointNet卄网络获取检测类别结果；最后，利用bounding box生成算法获取三维物体的大小及朝向。整体框架如图1所示。 图1基于PointNet++的三维点云多目标检测整体框架1.2点云预处理 室外场景激光雷达获取的原始点云如图2所示,包含感兴趣道路内区域点云和道路外非感兴趣点云。为获得感兴趣区域内点云，减少后续步骤计算量，点云预处理流程如图3所示。 2019年第40卷第4期自动化与信息工程 5
点云滤波方法-CAL-FENGHAI.-(YICAI)-Company One1
激光雷达点云数据滤波算法综述 滤波对象及目的：通过机载激光雷达快速获取高精度三维地理数据，对它所获取的点云数据的滤波过程就是将LIDAR点云数据中的地面点和非地面点分离的过程。 滤波方法：对数学形态学的滤波算法、基于坡度的滤波法、基于ＴＩＮ的LIDAR点云过滤算法、基于伪扫描线的滤波算法、基于多分辨率方向预测的LIDAR点云滤波方法。 （一）LIDAR数据形态学滤波算法： （1）离散点云腐蚀处理。遍历LIDAR点云数据，以任意一点为中心开ｗ×ｗ大小的窗口，比较窗口内各点的高程，取窗口内最小高程值为腐蚀后的高程（2）离散点膨胀处理。再次遍历LIDAR点云数据，对经过腐蚀后的数据用同样大小的结构窗口做膨胀。即以任意一点为中心开ｗ×ｗ大小的窗口，此时，用腐 蚀后的高程值代替原始高程值，比较窗口内各点的高程，取窗口内最大高程值 为膨胀后的高程 （3）地面点提取。设Z p是p点的原始高程，ｔ为阈值，在每点膨胀操作结束时，对该点是否是地面点作出判断。如果ｐ点膨胀后的高程值和其原始高程值Z p 之差的绝对值小于或等于阈值ｔ，则认为ｐ点为地面点，否则为非地面点 该算法有两种滤波方式：一种是按离散点进行滤波，一种是按格网滤波。（1）按离散点滤波：是对每个激光点进行腐蚀和膨胀操作各一次，结构窗口内数据的选取按距离来量度。 （2）按格网滤波：指将每个格网看成一个“像素”，按照数字图像处理中取邻域的方法来开取结构窗口。腐蚀时，格网的“像素值”即为ｗ×ｗ邻域所包含格网的最小高程值；膨胀时，格网的“像素值”即为ｗ×ｗ邻域所包含格网的最大高程值。 优缺点：总体上，数学形态学算法存在的主要问题是坡度阈值的人工选取和细节地形的方块效应。如果阈值设定太大，可能保留一些低矮的地物目标，设定太小，则可能削平地形特征。现在各种阈值的选取一般根据研究者的经验设定，或者根据地形特征设定的，没有考虑全局的特征因素，不具有普适性。解决这些问题的方法是根据地形的起伏大小和高程变化自适应的进行滤波窗口调整。但此方法在大范围地区及地形变化强烈山区的有效性还有待进一步 研究。 实际应用：从应用上，Lindenberger将数字形态学方法引人到机载激光雷达数据滤波中，首先采用水平结构单元对机载激光测高数据进行开运算，过滤剖面式激光扫描数据，然后利用自回归过程改善了开运算结果。 （二）基于坡度变化的滤波算法 滤波基本思想：基于坡度变化的滤波算法是根据地形坡度变化确定最优滤波函数，对于给定的高差值，随着两点间距离的减小，高程值大的激光脚点属于地面点的可能性就越小。
( 1 (51)International Patent Classification:(81)Designated States(unless otherwise indicated,for every G06T15/10(2006.01)G06T15/08(2011.01)kind o f national protection av ailable).AE,AG,AL,AM, AO,AT,AU,AZ,BA,BB,BG,BH,BN,BR,BW,BY,BZ, (21)International Application Number: CA,CH,CL,CN,CO,CR,CU,CZ,DE,DJ,DK,DM,DO, PCT/KR2019/005655 DZ,EC,EE,EG,ES,FI,GB,GD,GE,GH,GM,GT,HN, (22)International Filing Date:HR,HU,ID,IL,IN,IR,IS,JO,JP,KE,KG,KH,KN,KP, 10May2019(10.05.2019)KR,KW,KZ,LA,LC,LK,LR,LS,LU,LY,MA,MD,ME, MG,MK,MN,MW,MX,MY,MZ,NA,NG,NI,NO,NZ, (25)Filing Language:English OM,PA,PE,PG,PH,PL,PT,QA,RO,RS,RU,RW, SA, (26)Publication Language:English SC,SD,SE,SG,SK,SL,SM,ST,SV,SY,TH,TJ,TM,TN, TR,TT,TZ,UA,UG,US,UZ,VC,VN,ZA,ZM,ZW. (30)Priority Data: 20184101767910May2018(10.05.2018)IN(84)Designated States(unless otherwise indicated,for every 20184101767930April2019(30.04.2019)IN kind o f regional protection available).ARIPO(BW,GH, GM,KE,LR,LS,MW,MZ,NA,RW,SD,SL,ST,SZ,TZ, (71)Applicant:SAMSUNG ELECTRONICS CO.,LTD.UG,ZM,ZW),Eurasian(AM,AZ,BY,KG,KZ,RU,TJ, [KR/KR];129,Samsung-ro,Yeongtong-Gu,Suwon-Si,TM),European(AL,AT,BE,BG,CH,CY,CZ,DE,DK, Gyeonggi-do16677(KR).EE,ES,FI,FR,GB,GR,HR,HU,IE,IS,IT,LT,LU,LV, (72)Inventors:VELAPPAN,Raghavan;A204,Rajini Ashish MC,MK,MT,NL,NO,PL,PT,RO,RS,SE,SI,SK,SM, Apartments,Tuberahalli,Varthur Road,Bangalore,Kar?TR),OAPI(BF,BJ,CF,CG,Cl,CM,GA,GN,GQ,GW, nataka,560066(IN).VETTUKUZHYPARAMBHIL,KM,ML,MR,NE,SN,TD,TG). Suresh Kumar KrishnanKutty;VettuKuzhiParambhil, Kottamuri P O,Throkkodithanam Changanacherry,Kerala,Published: 686105(IN).DUSI,Pavan Kumar;202,Shivaganga Com?—with international search report(Art.21(3)) plex,Kaggadasapura Main road,Bangalore,Karnataka, 560065(IN).HOLLA,Raghavendra;28/180,15th Main Road,J C Nagar,Bengalur,Karnataka,560086(IN).YA- DAV,Amit;Flat002,Pragathi Corel,K.G.F.Munireddy Layout,B Narayanapura,Mahadevapura,Bangalore,Kar? nataka,560048(IN).DAS,Nachiketa;F6,Chennu homes, 1st cross,Kaggadasapura main road,Bangalore,Karnata? ka,560093(IN).CHUCHRA,Divyanshu;A-302,Nagar- juna Greenwoods Apts,Kadubeesnahalli,Outer Ring Road, Bangalore,Karnataka,560103(IN). (74)Agent:Y.P.LEE,MOCK&PARTNERS;12F Daelim Acrotel,13Eonju-ro30-gil,Gangnam-Gu,Seoul06292 (KR). (54)Title:METHOD AND APPARATUS FOR PROCESSING THREE DIMENSIONAL OBJECT IMAGE USING POINT CLOUD DATA (57)Abstract:An apparatus and method are provided for compressing a three-dimensional(3D)object image represented by point cloud data.The method includes positioning the3D object image into a plurality of equi-sized cubes for compression;determining3D local coordinates in each of the plurality of equi-sized cubes and a cube index for each point of the3D object image positioned in the plurality of equi-sized cubes;generating two-dimensional(2D)image data based on the3D local coordinates and the cube indexes;and storing the2D image data in a memory.The2D image data includes at least one of2D geometry data,2D meta data,or2D color data.
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.doczj.com/doc/a07995061.html,/journal/csa https://https://www.doczj.com/doc/a07995061.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
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
3D point cloud similarity detection algorithm based on isometric transformation CHENG Rui ，LIU Feng -lian （School of Computer Science and Engineering ， Tianjin University of Technology ，Tianjin 300384，China ）Abstract ：The purpose of this paper is to propose a 3D point cloud similarity detection algorithm based on isometric transformation to provide a new method for 3D point cloud identification and classification..The research method uses the idea of voting space and thinks that similar point pairs have the same isometric transformation.Firstly ，the shape of the object is expressed by B-spline parameter surface fitting ，and a local geometric feature composed of principal curvature and normal vector is defined to match the feature point pairs.Calculate the isometric trans -formation between the point -to -features ，classify the isometric transformations ，and compare the isometric distances of the points between the pairs of isometric points.Finally ，under each type of isometric transformation ，a PCA -based clustering algorithm for point pairs with the same approximate isometric can be used to obtain similar regions composed of similar point pairs.The experimental results show that the results of the isometric transformation ，noise and downsampling of the original point cloud are tested under the Princeton and TOSCA point cloud da-tasets ，similar areas on the shape of the object can be detected.Research conclusions ：The feasibility and robustness of the method are verified by experiments.This method simplifies the data preprocessing process ，can effectively complete the similarity of the detected object model ，and has a good application prospect to the classification and recognition of 3D point clouds. Key words ：surface fitting ；geometric feature ；feature point pair ；isometric transformation ；PCA clustering 基于等距变换的三维点云相似性检测算法 程瑞，刘凤连 （天津理工大学计算机科学与工程学院， 天津300384）摘要：本文研究目的是运用基于等距变换的三维点云相似性检测算法来为三维点云识别和分类问题提供新的方法.该研究方法利用投票空间的思想，认为相似的点对具有相同的等距变换.首先，通过B 样条参数曲面拟合表达物体形状.其次，定义了一种主曲率和法向量组成的局部几何特征来匹配特征点对.计算点对特征之间的等距变换，将等距变换进行分类，比较同类等距下点对间特征的等距距离.最后，在每类等距变换下，对具有相同近似等距的点对进行基于PCA 的聚类算法，从而得到相似点对之间构成的相似区域.实验研究结果显示在通过普林斯顿和TOSCA 点云数据集下测试，对原始点云进行等距变换、噪声、降采样的处理后，能够检测到物体形状上的相似区域.研究结论：通过实验，验证了算法的可行性和鲁棒性，该方法简化了数据的预处理的过程，能够高效检测物体模型的相似性，对三维点云的分类和识别问题有着很好的应用前景. 关键词： 曲面拟合；几何特征；特征点对；等距变换；PCA 聚类中图分类号：TP391文献标识码：A d oi ：10.3969/j.issn.1673-095X.2019.01.004文章编号：1673-095X （2019）01-0021-06 天津理工大学学报JOURNA L OF TIANJIN UNIVERSITY OF TECHNOLOGY 第35卷第1期 2019年2月Vol .35No.1Feb.2019收稿日期：2018-10-18.作者简介：程瑞（1993—），男，回族，硕士研究生，E-mail ：286040359@https://www.doczj.com/doc/a07995061.html,. 通讯作者：刘凤连（1965—），男，教授，硕士生导师，E-mail ：lflian@https://www.doczj.com/doc/a07995061.html,.三维点云分类和识别问题是计算机视觉领域研 究的核心，而相似性计算则是识别和分类的关键.本 文针对物体形状的三维点云的相似性进行研究，阅 读了点云分类和识别的相关文献.在近年的点云相关的论文中，斯坦福大学提出的关于深度学习的模型PointNet 解决了点云在深度学习中的应用问题[1]，