-
公开(公告)号：CN112488127B
公开(公告)日：2022-08-09
申请号：CN202011447817.5
申请日：2020-12-09
Applicant: 南京邮电大学
Abstract: 本发明提出了基于层次B样条的多尺度点云特征点检测与匹配，包括以下步骤：构建一种曲面变化度量指标；根据曲面变化度量指标将点云分为潜在和非潜在特征点两类，并根据非潜在特征点估算点云噪声水平；采用层次B样条算法对潜在特征点进行拟合；在拟合过程中记录曲面变化信息形成曲率尺度空间，构建稳定局部坐标系的显著特征点；根据层次B样条控制点分布信息以及控制点间曲率大小构建二进制特征描述符；根据描述符相似性，依靠特征点的拓扑关系在模型点云中搜索对应特征点，实现特征点匹配。本发明能够在有噪声和非均匀采样条件下，提高特征点采样的准确性和重复性，并且二进制特征描述符相较于已有的特征描述符有更高的区分度和匹配成功率。
-
公开(公告)号：CN112561977A
公开(公告)日：2021-03-26
申请号：CN202011471186.0
申请日：2020-12-14
Applicant: 南京邮电大学
Abstract: 本发明提出了基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，包括：生成锥形点云数据；对锥形点云数据进行随机采样生成样本点；对样本点的邻域数据进行姿态调整；对调整后的邻域数据进行Hough投影生成灰度图像从而构造样本特征；将连续的标准法向量离散化后映射成类别从而构造样本标签；构建轻量化特征映射网络SharpNet；用得到的样本特征和类别标签训练SharpNet；根据网络输出的离散类别计算出初始法向量；通过阈值设置，筛选邻域点，并使用筛选后的邻域点对初始法向量进行修正。本发明能够实现尖锐特征法向量的准确估算，且对噪声和离群点具有很强的鲁棒性，与已有的深度学习方法相比具有明显的效率优势。
-
公开(公告)号：CN112561977B
公开(公告)日：2022-08-19
申请号：CN202011471186.0
申请日：2020-12-14
Applicant: 南京邮电大学
Abstract: 本发明提出了基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，包括：生成锥形点云数据；对锥形点云数据进行随机采样生成样本点；对样本点的邻域数据进行姿态调整；对调整后的邻域数据进行Hough投影生成灰度图像从而构造样本特征；将连续的标准法向量离散化后映射成类别从而构造样本标签；构建轻量化特征映射网络SharpNet；用得到的样本特征和类别标签训练SharpNet；根据网络输出的离散类别计算出初始法向量；通过阈值设置，筛选邻域点，并使用筛选后的邻域点对初始法向量进行修正。本发明能够实现尖锐特征法向量的准确估算，且对噪声和离群点具有很强的鲁棒性，与已有的深度学习方法相比具有明显的效率优势。
-
公开(公告)号：CN112488127A
公开(公告)日：2021-03-12
申请号：CN202011447817.5
申请日：2020-12-09
Applicant: 南京邮电大学
Abstract: 本发明提出了基于层次B样条的多尺度点云特征点检测与匹配，包括以下步骤：构建一种曲面变化度量指标；根据曲面变化度量指标将点云分为潜在和非潜在特征点两类，并根据非潜在特征点估算点云噪声水平；采用层次B样条算法对潜在特征点进行拟合；在拟合过程中记录曲面变化信息形成曲率尺度空间，构建稳定局部坐标系的显著特征点；根据层次B样条控制点分布信息以及控制点间曲率大小构建二进制特征描述符；根据描述符相似性，依靠特征点的拓扑关系在模型点云中搜索对应特征点，实现特征点匹配。本发明能够在有噪声和非均匀采样条件下，提高特征点采样的准确性和重复性，并且二进制特征描述符相较于已有的特征描述符有更高的区分度和匹配成功率。
-
-
-
Search Results
4
records
(took 0.017 seconds)
