时序多维点云形变识别方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种时序多维点云形变识别方法、系统、电子设备及存储介质，其中，时序多维点云形变识别方法包括：基于发生形变的被测物体表面的多帧点云，构建时序多维点云；格网化时序多维点云；对格网化后的时序多维点云进行逐点形变追踪；基于形变追踪结果建立时序多维点云的点对匹配关系；基于点对匹配关系构建局部形变描述子和全局形变描述子，以识别被测物体表面形变过程。本发明专利技术应用于小场景精细化全场形变识别，通过在时序多维点云中构建局部和全局形变描述子，为物体表面的形变提供了一种全面且完整的识别的方法，从局部和全局的角度准确刻画了被测物体表面形变的全过程，更好地反映了形变规律、揭示了形变机制与特点。揭示了形变机制与特点。揭示了形变机制与特点。

【技术实现步骤摘要】
时序多维点云形变识别方法、系统、电子设备及存储介质


[0001]本领域涉及点云形变识别
，尤其涉及一种时序多维点云形变识别方法、系统、电子设备及存储介质。

技术介绍

[0002]随着传感器技术和观测平台的迅速发展，点云已成为表征物体表面三维信息的常用方式，目前对物体表面的形变识别技术也已逐渐从识别物体表面标志点的形变发展成为基于物体表面点云的全场形变识别。
[0003]基于物体表面点云的全场形变识别方法通常可以分为两类：基于点云模型和基于表面模型。前者主要包括C2C(Cloud
‑
to
‑
Cloud，云到云)和M3C2(Multiscale Model
‑
to
‑
Model Cloud，多尺度模型到模型云)的方法，后者主要包括C2M(Cloud
‑
to
‑
Mesh，点云到模型)和M2M(Mesh
‑
to
‑
Mesh，模型到模型)的方法，两者的区别是前者通过直接比较点云来识别形变，而后者建立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序多维点云形变识别方法，其特征在于，所述时序多维点云形变识别方法包括：基于发生形变的被测物体表面的多帧点云，构建时序多维点云；格网化所述时序多维点云；对格网化后的时序多维点云进行逐点形变追踪；基于形变追踪结果建立所述时序多维点云的点对匹配关系；其中，所述点对匹配关系为所述时序多维点云的前一帧多维点云与后一帧多维点云之间的匹配关系；基于所述点对匹配关系构建局部形变描述子和全局形变描述子，以识别所述被测物体表面的形变过程。2.如权利要求1所述的时序多维点云形变识别方法，其特征在于，所述构建时序多维点云的步骤前包括：按照预设时间间隔采集发生形变的被测物体表面的多帧点云；所述构建时序多维点云的步骤包括：按照采集时间顺序，基于采集到的所述多帧点云构建时序多维点云；或，所述构建时序多维点云的步骤前包括：实时采集发生形变的被测物体表面的多帧点云；所述构建时序多维点云的步骤包括：基于实时采集的所述多帧点云，实时构建时序多维点云。3.如权利要求1所述的时序多维点云形变识别方法，其特征在于，所述格网化所述时序多维点云的步骤前包括：预处理所述时序多维点云，所述预处理包括去除背景数据、去除噪声数据和均一化处理中至少一种。4.如权利要求1所述的时序多维点云形变识别方法，其特征在于，所述对格网化后的时序多维点云进行逐点形变追踪的步骤包括：对格网化后的时序多维点云提取关键点和所述关键点的多维特征，其中所述多维特征包括旋转缩放不变特征和/或纹理特征；基于所述多维特征，对所述关键点进行初始点对匹配；通过相关性模型和迭代优化方法，优化所述初始点对匹配结果，以建立格网点对匹配关系；所述迭代优化的方法包括高斯
‑
牛顿迭代方法；所述相关性模型用于判断点对匹配是否精确。5.如权利要求4所述的时序多维点云形变识别方法，其特征在于，所述基于形变追踪结果建立所述时序多维点云的点对匹配关系的步骤包括：根据所述格网点对匹配关系，建立所述时序多维点云的点对匹配关系。6.如权利要求1所述的时序多维点云形变识别方法，其特征在于，所述基于所述点对匹配关系构建局部形变描述子的步骤包括：基于所述点对匹配关系，获取离散的时空坐标信息、离散的位移向量、离散的应变向量及离散的形变速率向量；
基于所述离散的时空坐标信息、离散的位移向量、离散的应变向量及离散的形变速率向量，...

【专利技术属性】
技术研发人员：刘春，赵爽，张景，艾克然木，
申请(专利权)人：同济大学，
类型：发明
国别省市：