基于匹配点逐层过滤的岩体点云配准方法

doi:10.7523/j.ucas.2020.0020

中国科学院大学学报 ›› 2022, Vol. 39 ›› Issue (3): 352-359.DOI: 10.7523/j.ucas.2020.0020

• 电子信息与计算机科学 • 上一篇下一篇

基于匹配点逐层过滤的岩体点云配准方法

张韬, 肖俊, 王颖

中国科学院大学人工智能学院, 北京 100049

收稿日期:2020-02-20 修回日期:2020-04-17 发布日期:2021-05-31
通讯作者: 肖俊
基金资助:
中国科学院战略性先导科技专项A类(XDA23090304)、中国科学院青年创新促进会优秀会员项目(Y201935)和中央高校基本科研业务费资助

Point cloud registration method with layer-by-layer filtering of matching points

ZHANG Tao, XIAO Jun, WANG Ying

School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China

Received:2020-02-20 Revised:2020-04-17 Published:2021-05-31

摘要/Abstract

摘要： 岩体点云配准是岩体三维重建与分析的基础。经典的点云配准方法虽然能够很好地适用于普通点云,但对于岩体点云并不能获得足够的精度。由于岩体点云表面结构复杂,且大部分区域为平面,基于岩体点云的这些特点,提出通过几何特征逐层过滤匹配点的岩体点云配准算法,引入匹配点对的协方差矩阵的特征值和特征向量矩阵,以及曲率、主方向等几何特征逐层过滤匹配点对,精确地找到匹配点对。在不同岩体点云上的实验测试与分析结果表明,该算法在准确度上有明显优势。

关键词: 岩体点云, 配准, 几何特征, 高斯曲率

Abstract: Point cloud registration of rock mass is the basis of rock mass engineering. Although the classic point cloud registration method can be well applied to ordinary point clouds, it can not be used for rock point cloud registration. Due to the complex surface structure of the point cloud of the rock mass, most of the area is flat, based on the characteristics of point cloud of rock mass, this paper proposes a rock mass point cloud registration algorithm that filters matching points layer by layer through geometric features, by introducing the eigenvalues and eigenvector matrices of the covariance matrix of matching point pairs, and geometric features such as curvature and principal direction, the matching point pairs can be accurately found. The experimental test and analysis results on different rock mass point clouds show that the algorithm in this paper has obvious advantages in accuracy.

Key words: point cloud of rock mass, registration, geometric features, Gaussian curvature

中图分类号:

TP391.41

张韬, 肖俊, 王颖. 基于匹配点逐层过滤的岩体点云配准方法[J]. 中国科学院大学学报, 2022, 39(3): 352-359.

ZHANG Tao, XIAO Jun, WANG Ying. Point cloud registration method with layer-by-layer filtering of matching points[J]. Journal of University of Chinese Academy of Sciences, 2022, 39(3): 352-359.

参考文献

[1] Besl P J, McKay N D. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2):239-256. DOI:10.1109/34.121791.
[2] 王飞鹏, 肖俊, 王颖, 等. 一种基于高斯曲率的ICP改进算法[J]. 中国科学院大学学报, 2019, 36(5):702-708. DOI:10.7523/j.issn.2095-6134.2019.05.016.
[3] Aiger D, Mitra N J, Cohen-Or D. 4-points congruent sets for robust pairwise surface registration[J]. ACM Transactions on Graphics, 2008, 27(3): 1-10. DOI:10.1145/1360612.1360684.
[4] Yang B S, Zang Y F. Automated registration of dense terrestrial laser-scanning point clouds using curves[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 95:109-121. DOI:10.1016/j.isprsjprs.2014.05.012.
[5] Xian Y R, Xiao J, Wang Y.A fast registration algorithm of rock point cloud based on spherical projection and feature extraction[J]. Frontiers of Computer Science, 2019, 13(1): 170-182. DOI:10.1007/s11704-016-6191-1.
[6] Wang F P, Xiao J, Wang Y. Efficient rock-mass point cloud registration using n-point complete graphs[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019,57(11): 9332-9343. DOI:10.1109/TGRS.2019.2926201.
[7] Hu L, Xiao J, Wang Y. An automatic 3D registration method for rock mass point clouds based on plane detection and polygon matching[J]. The Visual Computer, 2020, 36(4): 669-681. DOI:10.1007/s00371-019-01648-z.
[8] Biber P, Straßer W. The normal distributions transform: a new approach to laser scan matching[ C]// Proceedings 2003 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2003) (Cat.No.03CH37453). October 27-31, 2003, Las Vegas, NV, USA. IEEE, 2003: 2743-2748. DOI:10.1109/IROS.2003.1249285.
[9] Vongkulbhisal J, de La Torre F, Costeira J P. Discriminative optimization: theory and applications to point cloud registratio [C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). July 21-26, 2017, Honolulu, HI, USA. IEEE, 2017: 3975-3983. DOI:10.1109/CVPR.2017.423.
[10] Elbaz G, Avraham T, Fischer A. 3D point cloud registration for localization using a deep neural network auto-encoder [C]// 2017 IEEE Conference on Computer Vision and Pattern Recongition(CVPR). July 21-26, 2017, Honolulu, HI, USA. IEEE, 2017: 2472-2481. DOI:10.1109/CVPR.2017.265.
[11] Lu W X, Wan G W, Zhou Y, et al. DeepVCP: an end-to-end deep neural network for point cloud registration [C]// 2019 IEEE/CVF International Conference on Computer Vision (ICCV). October 27-November 2, 2019, Seoul, Korea (South). IEEE, 2019:12-21. DOI:10.1109/ICCV.2019.00010.
[12] 舒程珣,何云涛,孙庆科. 基于卷积神经网络的点云配准方法[J]. 激光与光电子学进展,2017, 54(3): 129-137. DOI:10.3788/LOP54.031001.
[13] 刘鸣, 舒勤, 杨赟秀, 等. 基于独立成分分析的三维点云配准算法[J]. 激光与光电子学进展, 2019, 56(1):181-189. DOI:10.3788/LOP56.011203.
[14] Zhang X P, Li H J, Cheng Z L, et al. Robust curvature estimation and geometry analysis of 3D point cloud surfaces[J]. Journal of Information & Computational Science, 2009, 6(5) : 1983-1990.
[15] Holz D, Ichim A E, Tombari F, et al. Registration with the Point Cloud Library: a modular framework for aligning in 3-D[J]. IEEE Robotics & Automation Magazine, 2015, 22(4):110-124. DOI:10.1109/MRA.2015.2432331.
[16] Lato M, Kemeny J, Harrap R M, et al. Rock bench: establishing a common repository and standards for assessing rockmass characteristics using LiDAR and photogrammetry[J]. Computers & Geosciences, 2013, 50:106-114. DOI:10.1016/j.cageo.2012.06.014.

基于匹配点逐层过滤的岩体点云配准方法

Point cloud registration method with layer-by-layer filtering of matching points

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	郑佳怡, 方俊永, 王潇, 张晓红, 刘学. 镀膜双镜头多光谱相机的波段配准方法[J]. 中国科学院大学学报, 2022, 39(3): 377-385.
[2]	焦晓祥, 崔洪斌. S²到HP⁴的共形极小浸入[J]. 中国科学院大学学报, 2020, 37(6): 721-727.
[3]	胡亮, 肖俊, 王颖. 基于多维度特征和MLP的岩体点云植被滤波方法[J]. 中国科学院大学学报, 2020, 37(3): 345-351.
[4]	王飞鹏, 肖俊, 王颖, 王云标. 一种基于高斯曲率的ICP改进算法[J]. 中国科学院大学学报, 2019, 36(5): 702-708.
[5]	迟英朋, 刘畅. 一种适用于SAR图像配准的改进SIFT算法[J]. 中国科学院大学学报, 2019, 36(2): 259-266.
[6]	凌程, 耿修瑞, 杨炜暾, 赵永超. 一种改进的基于奇异值分解的亚像素级图像配准算法[J]. 中国科学院大学学报, 2019, 36(1): 101-108.
[7]	任苗苗, 潘卓, 徐向辉, 苏海涛. 建筑物的高分辨率SAR图像仿真方法[J]. 中国科学院大学学报, 2018, 35(6): 788-794.
[8]	陈立福, 王思雨, 袁志辉, 王静, 邢学敏, 武鸿. 非线性ECS自配准成像算法中相位保持精度分析[J]. 中国科学院大学学报, 2017, 34(5): 640-646.
[9]	陈立福, 林月冠, 彭曙蓉, 李红英. 一种用于机载双天线InSAR系统的实时DEM生成方法及实现[J]. 中国科学院大学学报, 2014, 31(5): 678-684.
[10]	王军, 钟旭. 超二次曲面Q₃中的共形极小二维球面[J]. 中国科学院大学学报, 2014, 31(2): 155-159.
[11]	阿布来提·依布拉音, 王治强, 刘薇, 高慧婷. 基于Hough直线检测的深度图像配准方法[J]. 中国科学院大学学报, 2013, 30(1): 112-116.
[12]	付景超, 宇岩. 复射影空间中的极小曲面的几何[J]. 中国科学院大学学报, 2012, (6): 834-840.
[13]	李康, 焦晓祥. 复格拉斯曼流形G(2,5)中的调和2-球面[J]. 中国科学院大学学报, 2011, 28(5): 573-582.
[14]	费杰, 焦晓祥. 复格拉斯曼流形G(2,5)中的全纯2球[J]. 中国科学院大学学报, 2011, 28(2): 131-140.
[15]	陈勉，肖良. CPⁿ中的齐次曲面[J]. 中国科学院大学学报, 2009, 26(1): 30-36.