点云从入门到精通技术详解100篇-基于无监督学习的 TOF 矢量点云自适应目标提取(下)
由图 6.24~6.26 可知,在各距离角度的场景中均能较好的把目标物从复杂环境中提取出来,具有较强的鲁棒性。的表现也较为优秀,但与等分法相反,该方法则是过多的滤除了一些有效数据点,因此可以发现目标物支架和光学底座的下。法在具有优秀效果的同时,具有很强的鲁棒性,在实际问题中更加具有应用价值。迭代次数的增加,计算时间呈线性增长趋势,而本文方法则随着迭代次数的增加,根据表 6.5 可知,随着距离的增加,拍摄获取到的场景点云数量逐渐降低,因此,结合实际问题,有针对性的选择合适的评估指标是一项至关重要的环。
复制链接