CN114913105A - 激光点云融合方法、装置、服务器及计算机可读存储介质 - Google Patents
激光点云融合方法、装置、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114913105A CN114913105A CN202210512885.8A CN202210512885A CN114913105A CN 114913105 A CN114913105 A CN 114913105A CN 202210512885 A CN202210512885 A CN 202210512885A CN 114913105 A CN114913105 A CN 114913105A
- Authority
- CN
- China
- Prior art keywords
- processed
- point cloud
- image
- laser
- coordinate system
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100221616 Halobacterium salinarum (strain ATCC 29341 / DSM 671 / R1) cosB gene Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Laser Beam Processing (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种激光点云融合方法、装置、服务器及计算机可读存储介质,该方法包括:获取待处理点云;其中,待处理点云包括第一待处理点云和第二待处理点云;融合第一待处理点云和所述第二待处理点云,得到目标点云。可见,本申请可以提高激光点云融合的精度。
Description
技术领域
本申请属于点云技术领域,尤其涉及一种激光点云融合方法、装置、服务器及计算机可读存储介质。
背景技术
随着传感技术和测绘装备的不断发展,数据来源多种多样,在三维重建领域,需要获取全面的点云数据,使得重建效果更佳。但是现有的不同类型的点云数据之间的融合精度较低。
发明内容
本申请实施例提供了一种激光点云融合方法、装置、服务器及计算机可读存储介质,可以解决现有技术中点云融合精度较低的技术问题。
第一方面,本申请实施例提供了一种激光点云融合方法,包括:
获取待处理点云;其中,所述待处理点云包括第一待处理点云和第二待处理点云;
融合所述第一待处理点云和所述第二待处理点云,得到目标点云。
在第一方面的一种可能的实施方式中,获取待处理点云,包括:
获取第一待处理图像和第一激光数据;
获取第二待处理图像和第二激光数据;
对所述第一激光数据所处得第一坐标系和所述第二激光数据所处得第二坐标系进行坐标系校准;
匹配所述第一待处理图像和所述第二待处理图像;
根据匹配后的所述第一待处理图像和坐标系校准后的所述第一激光数据生成第一待处理点云;
根据匹配后的所述第二待处理图像和坐标系校准后的所述第二激光数据生成第二待处理点云。
在第一方面的一种可能的实施方式中,匹配所述第一待处理图像和所述第二待处理图像,包括:
提取所述第一待处理图像的第一特征点;
提取所述第二待处理图像的第二特征点;
筛选出所述第一特征点和第二特征点中共有的目标特征点。
在第一方面的一种可能的实施方式中,融合所述第一待处理点云和所述第二待处理点云,得到目标点云,包括:
根据所述目标特征点获取位姿信息;
根据所述位姿信息,对所述第一待处理点云和所述第二待处理点云进行融合,得到目标点云。
在第一方面的一种可能的实施方式中,融合所述第一待处理点云和所述第二待处理点云,得到目标点云之后,还包括:
优化所述目标点云。
第二方面,本申请实施例提供了一种激光点云融合装置,包括:
获取模块,用于获取待处理点云;其中,所述待处理点云包括第一待处理点云和第二待处理点云;
融合模块,用于融合所述第一待处理点云和所述第二待处理点云,得到目标点云。
在第二方面的一种可选的实施方式中,所述获取模块,包括:
第一获取子模块,用于获取第一待处理图像和第一激光数据;
第二获取子模块,用于获取第二待处理图像和第二激光数据;
校准子模块,用于对所述第一激光数据所处得第一坐标系和所述第二激光数据所处得第二坐标系进行坐标系校准;
匹配子模块,用于匹配所述第一待处理图像和所述第二待处理图像;
第一生成子模块,用于根据匹配后的所述第一待处理图像和坐标系校准后的所述第一激光数据生成第一待处理点云;
第二生成子模块,用于根据匹配后的所述第二待处理图像和坐标系校准后的所述第二激光数据生成第二待处理点云。
在第二方面的一种可选的实施方式中,所述匹配子模块,包括:
第一提取单元,用于提取所述第一待处理图像的第一特征点;
第二提取单元,用于提取所述第二待处理图像的第二特征点;
筛选单元,用于筛选出所述第一特征点和第二特征点中共有的目标特征点。
在第二方面的一种可选的实施方式中,所述融合模块,包括:
第三获取子模块,用于根据所述目标特征点获取位姿信息;
融合子模块,用于根据所述位姿信息,对所述第一待处理点云和所述第二待处理点云进行融合,得到目标点云。
在第二方面的一种可选的实施方式中,所述装置,还包括:
优化模块,用于优化所述目标点云。
第三方面,本申请实施例提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第四方面,本申请实施例提供了一种可读计算机可读存储介质,所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例通过获取待处理点云;其中,待处理点云包括第一待处理点云和第二待处理点云;融合第一待处理点云和所述第二待处理点云,得到目标点云,提高激光点云融合的精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的激光点云融合方法的流程示意图;
图2是本申请实施例提供的激光点云融合装置的结构框图;
图3是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
参见图1,为本申请实施例提供的激光点云融合方法的流程示意图,作为示例而非限定,该方法可以应用于服务器,该方法可以包括以下步骤:
步骤S101,获取待处理点云。
其中,待处理点云包括第一待处理点云和第二待处理点云。
需说明的是,第一待处理点云和第二待处理点云是根据不同类型的激光扫描设备拍摄同一目标对象生成的。
第一待处理点云和第二待处理点云对应同一拍摄对象,第一待处理点云可以是地面激光扫描仪拍摄得到的,第二待处理点云可以是无人机航拍得到的。
具体应用中,获取待处理点云,包括:
步骤S101-1,获取第一待处理图像和第一激光数据。
步骤S101-2,获取第二待处理图像和第二激光数据。
其中,第一待处理图像和第一激光数据可以是地面激光扫描仪拍摄得到的,第一待处理图像可以是全景图像,第一激光数据中包含第一待处理图像中每个像素点的深度值;第二待处理图像和第二激光数据可以是无人机航拍得到的,第二待处理图像可以是普通图像,第二激光数据中包含第二待处理图像中每个像素点的深度值。另外,地面激光扫描仪还可以获取目标对象的第一GPS数据,无人机也可以获取目标对象的第二GPS数据。
步骤S101-3,对第一激光数据所处得第一坐标系和所述第二激光数据所处得第二坐标系进行坐标系校准。
具体地,第一GPS数据所处得是第一坐标系,第二GPS数据所处的是第二坐标系,第一GPS数据和第二GPS数据进行坐标对齐,即对第一激光数据所处得第一坐标系和所述第二激光数据所处得第二坐标系进行坐标系校准。
步骤S101-4,匹配第一待处理图像和第二待处理图像。
示例性地,匹配第一待处理图像和第二待处理图像,包括:
步骤S101-4-1,提取第一待处理图像的第一特征点。
示例性地,采用特征提取算法提取第一待处理图像的第一特征点。
步骤S101-4-2,提取第二待处理图像的第二特征点。
示例性地,采用特征提取算法提取第一待处理图像的第一特征点。
需说明的是,特征提取算法是AKAZE算法。AKAZE特征算法是SIFT特征算法的一种改进版本,但不使用高斯模糊来构建尺度空间,因为高斯模糊具有丢失边缘信息的缺点,进而采用非线性扩散滤波来构建尺度空间,从而保留图像更多的边缘特征。
步骤S101-4-3,筛选出第一特征点和第二特征点中共有的目标特征点。
示例性地,将第一特征点和第二特征点输入至预先训练的神经网络,输出共有的目标特征点。
可选的,筛选出第一特征点和第二特征点中共有的目标特征点之前,还包包括:训练神经网络。
可以理解的是:先用现有的算法提取粗略匹配,sfm算法进行稠密重建,筛取有效点,训练一个神经网络,实现无人机的拍摄与全景图像的匹配。
神经网络的训练过程中包括初始步和迭代步。其中,初始步是普通图像与全景图像的粗匹配,可以把已经在模型中的全景图像切片,用全景图像切片后的普通图像与普通图像的特征点进行匹配。初始步也可以将无人机的图像转成全景图像的一部分,实现全景对全景的匹配。迭代步就直接使用无人机图像与全景图像的匹配做迭代。其中,神经网络的模型可以是对普通图像和全景图像进行特征点匹配的神经网络模型,例如是SuperGlue模型、SuperGlue模型变体或者OANet模型。
步骤S101-5,根据匹配后的第一待处理图像和坐标系校准后的第一激光数据生成第一待处理点云。
示例性地,根据下式得到第一待处理点云的三维坐标:
其中,(u,v)为第一待处理图像中每个特征点的像素坐标,d为第一待处理图像中每个像素点的深度值,K为地面激光扫描仪的内参,(X,Y,Z)为第一待处理点云的三维坐标。
步骤S101-6,根据匹配后的第二待处理图像和坐标系校准后的第二激光数据生成第二待处理点云。
示例性地,根据下式得到第二待处理点云的三维坐标:
其中,(u,v)为第二待处理图像中每个特征点的像素坐标,d为第二待处理图像中每个像素点的深度值,K为无人机的内参,(X,Y,Z)为第二待处理点云的三维坐标。
步骤S102,融合第一待处理点云和第二待处理点云,得到目标点云。
具体应用中,融合第一待处理点云和第二待处理点云,得到目标点云,包括:
步骤S102-1,根据目标特征点获取位姿信息。
其中,根据SFM算法对目标特征点进行匹配,得到位姿信息。
步骤S102-2,根据位姿信息,对第一待处理点云和第二待处理点云进行融合,得到目标点云。
示例性地,根据位姿信息,通过ICP算法对第一待处理点云和第二待处理点云进行融合,得到目标点云。
在一种可选的实施方式中,融合第一待处理点云和第二待处理点云,得到目标点云之后,还包括:
优化目标点云。
可以理解的是,对第一待处理点云和第二待处理点云进行融合,得到目标点云之后,会有一些点云重叠,首先将合成的点云进行光栅化,对每个栅格计算两部分点云的密度A和可见度B(点云法线与相机位置和点云连线之间的夹角)可信度C = A * (cosB)。哪部分点云可信度越高,最终合成的点云选择哪一部分,从而达到优化目标点云的目的。
本申请实施例中,通过获取待处理点云;其中,待处理点云包括第一待处理点云和第二待处理点云;融合第一待处理点云和所述第二待处理点云,得到目标点云,提高激光点云融合的精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的方法,图2示出了本申请实施例提供的激光点云融合装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该装置包括:
获取模块21,用于获取待处理点云;其中,所述待处理点云包括第一待处理点云和第二待处理点云;
融合模块22,用于融合所述第一待处理点云和所述第二待处理点云,得到目标点云。
在一种可选的实施方式中,所述获取模块,包括:
第一获取子模块,用于获取第一待处理图像和第一激光数据;
第二获取子模块,用于获取第二待处理图像和第二激光数据;
校准子模块,用于对所述第一激光数据所处得第一坐标系和所述第二激光数据所处得第二坐标系进行坐标系校准;
匹配子模块,用于匹配所述第一待处理图像和所述第二待处理图像;
第一生成子模块,用于根据匹配后的所述第一待处理图像和坐标系校准后的所述第一激光数据生成第一待处理点云;
第二生成子模块,用于根据匹配后的所述第二待处理图像和坐标系校准后的所述第二激光数据生成第二待处理点云。
在一种可选的实施方式中,所述匹配子模块,包括:
第一提取单元,用于提取所述第一待处理图像的第一特征点;
第二提取单元,用于提取所述第二待处理图像的第二特征点;
筛选单元,用于筛选出所述第一特征点和第二特征点中共有的目标特征点。
在一种可选的实施方式中,所述融合模块,包括:
第三获取子模块,用于根据所述目标特征点获取位姿信息;
融合子模块,用于根据所述位姿信息,对所述第一待处理点云和所述第二待处理点云进行融合,得到目标点云。
在一种可选的实施方式中,所述装置,还包括:
优化模块,用于优化所述目标点云。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图3为本申请实施例提供的服务器的结构示意图。如图3所示,该实施例的服务器3包括:至少一个处理器30、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
所述服务器3可以是云端服务器等计算设备。该服务器可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是服务器3的举例,并不构成对服务器3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元,例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备,例如所述服务器3上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种可读计算机可读存储介质,所述可读计算机可读存储介质优选为计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种激光点云融合方法,其特征在于,包括:、
获取待处理点云;其中,所述待处理点云包括第一待处理点云和第二待处理点云;
融合所述第一待处理点云和所述第二待处理点云,得到目标点云。
2.如权利要求1所述的激光点云融合方法,其特征在于,获取待处理点云,包括:
获取第一待处理图像和第一激光数据;
获取第二待处理图像和第二激光数据;
对所述第一激光数据所处得第一坐标系和所述第二激光数据所处得第二坐标系进行坐标系校准;
匹配所述第一待处理图像和所述第二待处理图像;
根据匹配后的所述第一待处理图像和坐标系校准后的所述第一激光数据生成第一待处理点云;
根据匹配后的所述第二待处理图像和坐标系校准后的所述第二激光数据生成第二待处理点云。
3.如权利要求2所述的激光点云融合方法,其特征在于,匹配所述第一待处理图像和所述第二待处理图像,包括:
提取所述第一待处理图像的第一特征点;
提取所述第二待处理图像的第二特征点;
筛选出所述第一特征点和第二特征点中共有的目标特征点。
4.如权利要求3所述的激光点云融合方法,其特征在于,融合所述第一待处理点云和所述第二待处理点云,得到目标点云,包括:
根据所述目标特征点获取位姿信息;
根据所述位姿信息,对所述第一待处理点云和所述第二待处理点云进行融合,得到目标点云。
5.如权利要求1所述的激光点云融合方法,其特征在于,融合所述第一待处理点云和所述第二待处理点云,得到目标点云之后,还包括:
优化所述目标点云。
6.一种激光点云融合装置,其特征在于,包括:
获取模块,用于获取待处理点云;其中,所述待处理点云包括第一待处理点云和第二待处理点云;
融合模块,用于融合所述第一待处理点云和所述第二待处理点云,得到目标点云。
7.如权利要求6所述的激光点云融合装置,其特征在于,所述获取模块,包括:
第一获取子模块,用于获取第一待处理图像和第一激光数据;
第二获取子模块,用于获取第二待处理图像和第二激光数据;
校准子模块,用于对所述第一激光数据所处得第一坐标系和所述第二激光数据所处得第二坐标系进行坐标系校准;
匹配子模块,用于匹配所述第一待处理图像和所述第二待处理图像;
第一生成子模块,用于根据匹配后的所述第一待处理图像和坐标系校准后的所述第一激光数据生成第一待处理点云;
第二生成子模块,用于根据匹配后的所述第二待处理图像和坐标系校准后的所述第二激光数据生成第二待处理点云。
8.如权利要求7所述的激光点云融合装置,其特征在于,所述匹配子模块,包括:
第一提取单元,用于提取所述第一待处理图像的第一特征点;
第二提取单元,用于提取所述第二待处理图像的第二特征点;
筛选单元,用于筛选出所述第一特征点和第二特征点中共有的目标特征点。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210512885.8A CN114913105A (zh) | 2022-05-12 | 2022-05-12 | 激光点云融合方法、装置、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210512885.8A CN114913105A (zh) | 2022-05-12 | 2022-05-12 | 激光点云融合方法、装置、服务器及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913105A true CN114913105A (zh) | 2022-08-16 |
Family
ID=82766411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210512885.8A Pending CN114913105A (zh) | 2022-05-12 | 2022-05-12 | 激光点云融合方法、装置、服务器及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913105A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758006A (zh) * | 2023-05-18 | 2023-09-15 | 广州广检建设工程检测中心有限公司 | 脚手架质量检测方法及装置 |
-
2022
- 2022-05-12 CN CN202210512885.8A patent/CN114913105A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758006A (zh) * | 2023-05-18 | 2023-09-15 | 广州广检建设工程检测中心有限公司 | 脚手架质量检测方法及装置 |
CN116758006B (zh) * | 2023-05-18 | 2024-02-06 | 广州广检建设工程检测中心有限公司 | 脚手架质量检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145238B (zh) | 单目内窥镜图像的三维重建方法、装置及终端设备 | |
CN109064428B (zh) | 一种图像去噪处理方法、终端设备及计算机可读存储介质 | |
CN108711144B (zh) | 增强现实方法及装置 | |
CN109741241B (zh) | 鱼眼图像的处理方法、装置、设备和存储介质 | |
CN113807451B (zh) | 全景图像特征点匹配模型的训练方法、装置以及服务器 | |
CN112927306B (zh) | 拍摄装置的标定方法、装置及终端设备 | |
CN112435193B (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
CN112348885B (zh) | 视觉特征库的构建方法、视觉定位方法、装置和存储介质 | |
CN111383264B (zh) | 一种定位方法、装置、终端及计算机存储介质 | |
CN111383254A (zh) | 一种深度信息获取方法、系统及终端设备 | |
CN115393815A (zh) | 道路信息生成方法、装置、电子设备和计算机可读介质 | |
CN113379815A (zh) | 基于rgb相机与激光传感器的三维重建方法、装置及服务器 | |
CN114913105A (zh) | 激光点云融合方法、装置、服务器及计算机可读存储介质 | |
CN118115659A (zh) | 多视图三维重建方法、装置、电子设备及存储介质 | |
US20230053952A1 (en) | Method and apparatus for evaluating motion state of traffic tool, device, and medium | |
CN114022358A (zh) | 一种激光相机与球幕相机的图像拼接方法、装置及服务器 | |
CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
CN116681745A (zh) | 基于激光深度的三维重建方法、装置、服务器及存储介质 | |
CN114861904A (zh) | 图像训练数据的生成方法、装置、终端设备及存储介质 | |
CN117201708B (zh) | 带有位置信息的无人机视频拼接方法、装置、设备及介质 | |
CN113157835B (zh) | 基于gis平台的图像处理方法、装置、平台及存储介质 | |
CN114529514B (zh) | 基于图结构的深度数据质量评价方法及装置 | |
CN114092559A (zh) | 一种全景图像特征点描述符生成网络的训练方法以及装置 | |
CN116797633A (zh) | 平面图与三维模型的对齐方法、装置、服务器及存储介质 | |
CN116263962A (zh) | 一种数字地图与三维模型的对齐方法、装置以及服务器 |
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 |