PaQiuQiu
大家好,我是某AI赛道头部企业算法总监,欢迎来到我的CSDN个人主页!作为一个热衷于技术的从业者,我在这里与大家分享最新的科技动态、独到的技术观点和实践经验。
展开
-
3D,从无知到无畏
文章目录算法原理1、[3D,那些你需要知道的硬件知识](https://blog.csdn.net/lxy_2011/article/details/120038261)2、[3D,点云中的2棵树](https://blog.csdn.net/lxy_2011/article/details/120268279)3、[3D,小白需要知道的点云概念](https://blog.csdn.net/lxy_2011/article/details/120285608)4、[3D,2大点云库](https://bl原创 2022-03-06 14:24:45 · 521 阅读 · 1 评论 -
CloudCompare—点云几何体分割
通常的做法是,在判断点是否在多边形内部之前,先检查点是否在多边形的边界上。需要注意的是,这段代码似乎是基于一个特定的算法(可能是由W. Randolph Franklin提出的)来判断点是否在多边形内部。对于在多边形上的点,判断方法稍微有些不同。因为多边形的边界上的点可能被计算为与多边形内部的点具有相同的交点数量,这会导致误判。它首先检查一个多边形是否完全在视口内,然后遍历点云中的每个点,检查其是否在多边形内,并根据。通过这种方法,可以在不需要检查多边形的所有顶点的情况下快速判断点是否在多边形内部。原创 2024-04-17 18:50:00 · 153 阅读 · 0 评论 -
CloudCompare 整体架构
上面这些主要模块中,带有 “Q” 开头的说明这个模块依赖 QT。下面自底向上逐个介绍这些模块。原创 2024-04-17 11:07:45 · 121 阅读 · 0 评论 -
EasyCloud软件简介
运行环境:Win10 + PCL1.9 + VTK8.1 + Qt5.12 + VS2017基于PCL点云库的三维点云数据处理软件本软件的用户界面主要包括以下几个部分(如图1):[1]菜单栏,将软件功能模块划分为不同菜单,包括文件、视图、显示,点云简化、特征提取、三维重建以及帮助等;[2]工具栏,常用工具按钮,如打开,保存,更改点云颜色等;[3]点云文件管理窗口,用资源树的形式组织管理当前的点云文件;[4]属性窗口,记录点云文件个数、点得个数,颜色等常用属性;原创 2024-03-22 10:33:37 · 46 阅读 · 0 评论 -
Windows10系统下CGAL的安装编译
在工具栏中打开Qt VS Tools–>Qt Options–>Add添加msvc_2017_64 = .\Qt5.12\5.12.0\msvc2017_64。(2)安装完成后,重启VS,点集文件->新建->项目->Qt就可以关于Qt的信息;(1)打开VS2022,扩展–>管理扩展–>联机–>搜索Qt–>安装Qt Visual Studio Tools。若提示环境变量设置失败,要让我们自行设置环境变量:PATH = .\CGAL-5.6\auxiliary\gmp。如果一切顺利,运行后可以看到如下结果。原创 2023-12-26 21:05:40 · 91 阅读 · 0 评论 -
PCL 点云边界提取
目前PCL中应该只集成了AC,因为这个方法确实比HdC好,已经够用了。这两种方法的思路都非常简单,但是却非常有效,而往往流传下来的经典方法都是这种简单有效的方法。目前,在点云的边界特征检测(网格模型的边界特征检测已经是一个确定性问题了,见网格模型边界检测)方面,PCL中有一个针对点云边界的可以称作为是。这些问题在点云边界提取的研究和应用中是需要重点关注和解决的。通过改进算法和数据预处理方法,可以提高点云边界提取的准确性和效率。如图所示,第一行为非边界点邻域经过投影后,近邻点与当前点。的方法,这个方法出自。原创 2023-12-09 15:55:28 · 796 阅读 · 0 评论 -
3D点云处理软件CloudCompare
开源项目推荐:3D点云处理软件CloudCompare,基于Qt和OpenGL。原创 2023-12-06 21:28:03 · 129 阅读 · 0 评论 -
一文详解手眼标定公式推导
这种,当然手眼标定还是有很多细节在里面的,比如怎么摆位置,相机的选型及机械臂的选型,希望大家一起探讨,文中若有任何不当之处也欢迎斧正。是我们要求得的转换矩阵,里面有6个线性无关的变量,其中旋转3个自由度,平移3个自由度。:机械臂末端坐标系(点)到机械臂基底坐标系(点)的旋转矩阵。:机械臂末端坐标系(点)到机械臂基底坐标系(点)的平移矩阵。为此,我们引入了一种新的东西——齐次变换矩阵。:机械臂末端坐标系到机械臂基底坐标系变换矩阵。求解目标:基底坐标系到相机的变换矩阵。求解目标:基底坐标系到相机的变换矩阵。原创 2023-10-26 09:16:41 · 137 阅读 · 0 评论 -
点云平面拟合新国标怎么应对?
切比雪夫平面拟合的目标是找到平面模型参数 (A, B, C, D) 使得点云中的每个点到拟合平面的距离的最大值最小。原创 2023-10-20 20:51:13 · 611 阅读 · 0 评论 -
PCL 大规模点云显示
是一种在计算机图形学中用于优化渲染性能的技术,主要应用于三维模型、地形等复杂几何数据的渲染中。LOD通过在不同的距离和尺寸下使用不同的模型细节级别,使得在近处显示高细节的模型,而在远处则只显示简化的模型。这样可以减少需要渲染的数据量,提高渲染性能。LOD将一个复杂的模型分成多个不同的细节层次,每个层次都有一个相应的模型表示。随着视点的移动,系统会根据视点与模型的距离和大小,自动切换显示不同的细节层次,从而在不影响视觉效果的前提下,提高渲染性能。在点云可视化中,LOD技术也可以应用于优化点云的渲染性能。原创 2023-08-09 06:08:44 · 203 阅读 · 0 评论 -
PCL 点云表面法线计算
给定一个几何表面,通常很难将表面某个点的法线方向推断为垂直于该点表面的向量。但是,由于我们获取的点云数据集是真实表面上的一组点样本,因此有两种可能性:我们将使用后者,即给定点云数据集,直接计算云中每个点的表面法线。尽管有许多不同的法线估计方法,我们先了解其中最简单也是最常见的一个,确定表面一点法线的问题近似于估计表面的一个相切面法线的问题,因此转换过来以后就变成一个最小二乘法平面拟合估计问题。我们将平面表示为一个点 ccc 和一个法向量 n⃗\vec{n}n,则从一个点 pi∈Pkp_i∈P^kpi∈Pk原创 2023-07-27 18:53:13 · 398 阅读 · 0 评论 -
一文教你读懂3D目标检测
本文共4593字,预计需要20分钟,可以先收藏再看哦1 简介目标检测是计算机视觉领域的传统任务,与图像识别不同,目标检测不仅需要识别出图像上存在的物体,给出对应的类别,还需要将该物体的位置通过最小包围框(Bounding box)的方式给出。根据目标检测需要输出结果的不同,一般将使用RGB图像进行目标检测,输出物体类别和在图像上的最小包围框的方式称为2D目标检测,而将使用RGB图像、RGB-D深度...原创 2019-05-06 15:57:54 · 20670 阅读 · 3 评论 -
PCL 点云配准——模型点云和实际点云
这是PCL官网提供的一个教程,该教程提供了一个示例,将先前捕获的对象模型与一些新捕获的点云数据进行配准。在这个具体的例子中,我们将拍摄一张包含一个人的深度图像,并尝试拟合一些之前捕获的面部模板;使我们能够确定场景中面部的位置和方向。原创 2023-07-03 18:29:48 · 385 阅读 · 0 评论 -
【6D位姿估计】Point Pair Feature (PPF)
论文名字用 4 个词高度总结了 PPF 算法的精髓:“整体建模,局部匹配下面这张图反应了论文的基本思想(原创 2023-05-06 14:54:46 · 570 阅读 · 0 评论 -
PCL 点云变换
欧氏变换要求旋转矩阵是正交阵。原创 2023-04-24 17:12:18 · 483 阅读 · 0 评论 -
3D,点云拼接2
由于错误的对应关系对于最终的刚体变换矩阵的估算会产生负面的影响,所以必须去除它们,于是我们使用随机采样一致性( Random Sample Consensus , RANSAC )估算或者其他方法剔除错误对应关系,最终只保留一定比例的对应关系,这样即能提高变换矩阵的估算精度也可以提高配准速度。辅助标志点:通过在被测物体表面粘贴标签,将这些标签作为标志点,对多次测量得到的点云数据进行配准时,对这些有显著特征的标签进行识别配准,代替了对整体点云的配准,提高效率,精确度。基于找到的关键点,我们必须。原创 2023-03-03 18:53:39 · 662 阅读 · 0 评论 -
PCL 欧氏聚类分割
点云数据虽然可以确定3D对象的形状,大小和一些其他属性,但是3D点云通常由于传感器的限制,数据是嘈杂稀疏且无序的,比如激光雷达线性和角速率的变化,点的采集密度也是不均匀的,此外点云数据的表面形状可以是任意的,是没有数据统计分布呈现出来的。所以这就给点云的分割带来一系列的问题。3)分割算法应该能适用于不同的扫描器,即便是相同的场景在不同的扫描仪生成出的点云也是具有不同的属性的,并且产生点云的质量以及稀疏性的也是不一样的。的点 $p_{11} $, $p_{12} $,找到一点,重复1,找到。原创 2023-02-20 18:04:04 · 489 阅读 · 0 评论 -
PCL 最小包围盒
包围体(包容盒)是一个简单的几何空间,里面包含着复杂形状的物体。为物体添加包围体的目的是快速的进行碰撞检测或者进行精确的碰撞检测之前进行过滤(即当包围体碰撞,才进行精确碰撞检测和处理)。包围体类型包括球体、轴对齐包围盒(AABB)、有向包围盒(OBB)、8-DOP以及凸壳(CONVEX HULL)。原创 2023-02-27 21:52:01 · 634 阅读 · 0 评论 -
PCL 平面拟合——最小二乘
最小二乘法无法处理异常值,当数据中存在异常值时,最小二乘可能会产生不正确的结果;最小二乘法的最大优点在于,它可以求解出最优参数;最小二乘是一种基于数据的模型,要求较大量的数据。对于线性不可分的数据,最小二乘无法处理;法则,得出最小二乘法平面拟合参数。5、使用最小二乘法平面拟合参数。受误差的影响可以小到最小。原创 2023-02-17 11:23:20 · 598 阅读 · 0 评论 -
PCL 平面拟合——RANSAC
根据 ransac 的思想,当一次随机样本子集中全部都为内点时,此时拟合的模型比较好。的方法,从一系列包含有离群值的数据中计算数学模型参数的方法。通常都是未知的,因此我们可以通过计算距离时获得的(估计)内点数量来更新迭代阈值。个,就保存下这个平面,并将处在这个平面上的点都标记为已匹配。这个过程重复多次,选出包含点最多的模型即得到最后的结果。3、计算所有其他点到该平面的距离,如果小于阈值。4、终止的条件是迭代N次后找到的平面小于。个点,或者找不到三个未标记的点。,就认为是处在同一个平面的点。原创 2023-02-14 16:36:56 · 944 阅读 · 0 评论 -
PCL OcTree(二)——点云压缩
提供针对这种数据的压缩方法就变得十分有用。PCL库提供了点云压缩功能,它允许编码压缩所有类型的点云,包括“无序”点云,它具有无参考点和变化的点尺寸、分辨率、分布密度和点顺序等结构特征。而且,底层的octree数据结构允许。点云由庞大的数据集组成,这些数据集通过距离、颜色、法线等附加信息来描述空间三维点。此外,点云能以非常高的速率被创建出来,因此需要占用相当大的存储资源,一旦。是一种多媒体与平台直接的标准传输API接口,用于将硬件数据导入到计算机中。原创 2023-01-26 16:42:42 · 869 阅读 · 0 评论 -
PCL OcTree(一)——空间变化检测
Octree是一种管理稀疏3D数据的树状结构,利用Octree实现多个无序点云之间的空间变化检测,这些点云可能在尺寸、分辨率、 密度和点顺序等方面有所差异,通过递归的比较Octree的树结构,可以鉴定出由Octree产生的体素组成的区别所代表的空间变化,并且通过Octree的“双缓冲”技术,可以实时的探测多个点云之间的空间组成的差异。对无序点云在空间变化上的检测,其实是对前后两幅点云在八叉树结构下的差异检测。因此我们要首先载入一个原始点云,并生成第一个八叉树结构;原创 2022-12-29 17:50:24 · 264 阅读 · 0 评论 -
叉车机器人托盘定位技术:近期进展回顾
托盘广泛应用在仓库和零售店中,对于叉车机器人和托盘拣选设备,托盘的自动定位和识别技术对于非常值得研究。由于托盘类型在实际场景中变化很大,因此很难研发单一的解决方案来检测所有类型的托盘。本文概述了工业叉车机器人和托盘拣选设备上的托盘识别和定位技术。回顾和比较了一些现代计算机视觉技术。特别的,深度神经网络(DNN)通常用于RGB图像中托盘的检测和定位;点云方法用于标记二维范围数据中的感兴趣区域(ROI),并提取托盘的特征,该方法能够提供托盘的精确定位。原创 2022-11-27 13:44:36 · 180 阅读 · 0 评论 -
3D,那些你需要知道的硬件知识(2)
3D,那些你需要知道的硬件知识(2) 常见的三维视觉技术,包含双目、ToF、激光三角、结构光等,如下图: 双目、ToF、结构光(散斑)的精度为 mm 级,多见于消费领域,如:导航避障,VR/AR,刷脸支付等 线激光、结构光(编码)的精度是 um 级,主要应用在工业领域,如:表面缺陷检测、三维测量等 另外,还有 nm 级精度的光谱共焦技术,可用于透明材质物体的三维测量 按照激光投射的不同模式,激光三角法有点激光、线激光、多线激光、激光网格等 为了直观的了解原创 2022-11-27 13:02:24 · 682 阅读 · 0 评论 -
PCL KdTree(二)——点云去重叠点
若某一个点在某一距离阈值范围内不止一个点,则认为有重叠点。一般用于解决多视角点云数据拼接后存在点分层现象及重叠数据冗余的问题。判别过程中可根据各点邻域内点数或各点的最近点点距及法线夹角等信息进行判定,获取重叠区域。原创 2022-11-27 09:44:26 · 1136 阅读 · 0 评论 -
PCL KdTree(一)——点云密度
本文主要讲述基于距离的方法,即通过计算点云各点的距离平局值来估算点云分布的疏密程度。采样设备不同、设备距离场景远近的不同,导致点云密度存在差异。运算速度比较快,适合大点云小点云卡范围;不适合卡出非常复杂的范围的情况,不好验证;2、适合点云分布较分散的情况,根据某一些值可得到目标点云;3、适合简单卡掉或者卡出异常值;点云距离越小,点云分布越密集。原创 2022-11-25 14:47:50 · 769 阅读 · 0 评论 -
PCL 滤波采样(四)——体素采样
点云的几何结构不仅是宏观的几何外形,也包括其微观的排列方式,比如横向相似的尺寸,纵向相同的距离,如果使用高分辨率相机等设备对点云进行采集,点云往往会比较密集。过多的点云数量会对后续分割等工作带来困难,体素格滤波器可以达到下采样的同时不破坏点云本身几何结构的功能。**最小体素边长:**设置体素网格的大小。原创 2022-09-23 12:03:07 · 349 阅读 · 0 评论 -
PCL 滤波采样(三)——MLS平滑
不规则数据直接进行曲面重建会造成曲面不光滑或者漏洞,在不能进行额外扫描的情况下,可以通过数据重采样解决这一问题,重采样算法通过对周围数据点进行高阶多项式插值来重建表面缺失部分,也可以用来解决由多个扫描点造成“双墙”伪数据问题。原创 2022-09-13 15:14:28 · 903 阅读 · 0 评论 -
3D,点云公开数据集
该数据集来自德国卡尔斯鲁厄理工学院的一个项目,其中包含了利用 KIT 的无人车平台采集的大量城市环境的点云数据集(KITTI),这个数据集不仅有雷达、图像、GPS、INS 的数据,而且有经过人工标记的分割跟踪结果,可以用来客观评价大范围三维建模和精细分类的效果和性能[^3]。该数据集包括两个子数据集,分别是 NYU-Depth V1 和 NYU-Depth V2,都是由来自各种室内场景的视频序列组成,这些视频序列由来自 Microsoft Kinect 的 RGB 和 Depth 摄像机记录[^3]。...原创 2022-08-05 16:41:15 · 776 阅读 · 0 评论 -
PCL 滤波采样(二)——直通滤波
1、卡出或者卡掉某一个维度取值在一定范围内的点,适合点云初步卡ROI区域;2、适合点云分布较分散的情况,根据某一些值可得到目标点云;3、适合简单卡掉或者卡出异常值;运算速度比较快,适合大点云小点云卡范围;不适合卡出非常复杂的范围的情况,不好验证;首先,指定一个维度及该维度下的值域。其次,遍历点云中的每个点,判断该点在指定维度的取值是否在值域范围内,删除取值不在值域内的点。最后,遍历结束,留下的点即构成滤波后点云。2、核心代码3、效果实现【1】Filtering a PointCloud using原创 2022-07-04 22:59:52 · 480 阅读 · 2 评论 -
PCL 滤波采样(一)——统计学滤波
文章目录一、应用背景二、实现过程三、主要函数及代码实现1、主要函数2、核心代码3、效果实现四、参考文献四、参考文献一、应用背景激光扫描通常会产生密度不均匀的点云数据集,另外测量中的误差也会产生稀疏的离群点。此时,估计局部点云特征(例如采样点处法向量或曲率变化等)时运算复杂,会导致错误的数值;统计滤波采用基于统计学的思想,将点云平均点距看作服从正态分布的形式对输入点云进行滤波降噪。可以简单理解为:大部分点都是彼此挨着的,偶尔有个别点会飘到点群外围。二、实现过程对每个点的邻域进行统计分析,则点云中所原创 2022-04-29 11:30:05 · 958 阅读 · 0 评论 -
3D,点云可视化技术
3D,点云可视化技术随着三维激光扫描技术的发展,目前可以采集到海量的点云数据。点云数据中本身仅仅包含多个点数据,对于较小规模的点云数据,只需要依次使用面或者点等方式将其全部渲染出来。但是面对较大数据量的点云,就需要考虑许多随之而来的问题:1)内存限制:以基于 V8 引擎为例,32 位机器可使用内存约为 0.7 GB,64 位机器可使用内存约为 1.4 GB。而渲染完整的 1 Billion 无 RGB 信息的点云数据就需要超过 22 GB 的内存进行存储(对于 JavaScript 仅有 doubl原创 2022-02-18 11:55:00 · 680 阅读 · 0 评论 -
3D,点云重建
在谈点云重建之前,先聊聊点云模型表达。三维数据的表达形式一般有如下4种:即三维空间中点的集合,多边形网格,体素网格以及多角度的RGB图像或者RGB-D图像。其中,三维空间中点的集合是对现实世界物体形状最自然的表示方法之一,也就是我们常说的离散点云。但是它仅能表示物体的几何属性,而不能表示物体的拓扑以及纹理等信息,离散点云一般有如下特征:1)数据量大2)渲染显示大3)模型操作计算不方便如何利用有限的三维采样获取完整的三维几何呢?毫无疑问,唯一的途径就是重建,即Point cloud Recon原创 2022-02-16 16:40:30 · 2516 阅读 · 0 评论 -
3D,点云拼接
作为点云的热门研究方向之一,点云拼接一直以来都是众多科研工作者争相研究的对象。那么,它究竟有何魅力呢?在正式介绍之前,我们不妨问自己几个问题:点云拼接、配准和注册有嘛关系?为什么要进行点云拼接嘞?怎么做好点云拼接,如何评判拼接的好坏?如果你能准确回答如上三个问题,请打道回府,因为再看下去可能会浪费你的时间。如果回答不了,请入座~1、点云拼接,配准,注册有什么联系?这是我们经常看到的三个词,有的论文或者书籍上称为拼接、有的叫配准,还有些国外软件可能会用到注册这个字眼,是不是傻傻分不清楚。如果原创 2022-02-15 17:57:15 · 3104 阅读 · 0 评论 -
3D,点云分割,不要割个寂寞
点云分割的目的是分块,便于后续的单独处理。一般做法是根据空间、几何和纹理等特征信息进行划分,使同一划分内的点云具有相同或相似的特征。目前,点云分割有2条路径可选:即经典的分割方法和基于深度学习的分割方法。首先,我们看一下有哪些经典的分割方法:随机采样一致性算法,大名鼎鼎的RANSAC欧式聚类分割算法条件欧式聚类分割基于区域生长的分割基于颜色的区域生长分割最小图割的分割基于法线微分的分割基于超体素的分割除了RANSAC是基于概率的分割,其余几种都是基于聚类的分割。这里我们重点介绍原创 2022-02-08 16:23:52 · 1327 阅读 · 0 评论 -
3D,激光三角法
一款典型的线激光传感器平台由以下三部分组成:1、功能相机(图像传感器+镜头)2、激光器(激光源+光学部件)3、直线运动装置(可带编码器)那么它是如何实现距离测量的呢?首先,激光器产生激光线投射到物体表面,激光器经反射,被相机传感器采集;由于激光器,物体和相机之间的三角关系,被反射的激光线会由于物体高度不同而出现在相机传感器不同的位置上;然后,随着物体的直线运动,物体所有高度上的信息被相机传感器采集,得到物体高度信息的像素坐标Y′,Z′Y', Z'Y′,Z′;通过像素坐标和物体实际坐标系之间原创 2022-01-29 13:59:17 · 5313 阅读 · 0 评论 -
3D,点云关键点和特征描述
3D点云特征描述与提取是点云信息处理中最基础也是最关键的一部分。如果要对一个三维点云进行描述,光有点云的位置是不够的,常常需要计算一些额外的参数,比如法线方向、曲率、纹理特征、颜色、领域中心距、协方差矩阵、熵等等。如同图像的特征(sift、surf、orb)一样,我们需要使用类似的方式来描述三维点云的特征。点云的识别,分割,重采样,配准曲面重建等大部分算法,都严重依赖特征描述与提取的结果。从尺度上来分,一般分为局部特征的描述和全局特征的描述,例如局部的法线等几何形状特征的描述,全局的拓扑特征的描述,都属于原创 2021-11-19 10:44:34 · 4493 阅读 · 0 评论 -
3D,点云滤波到底滤了什么?
好的开始是成功的一半,获取到的数据越好,对算法的要求越低,最后处理得到的结果也越稳定。反之,如果一开始就是杂乱无章的数据,任你算法再牛,也终究逃不过异常值的情况,从而导致败北。作为点云预处理的第一步,点云滤波扛起了大旗。获取点云数据时,由于设备精度、操作者经验、环境因素、以及电磁波的衍射特性(电磁波遇到障碍物时偏离原来直线传播的物理现象)等带来的影响,点云数据中将不可避免地出现一些坏分子1号——噪点;此外,实际应用时除了这些随机误差产生的噪点外,由于受到外界干扰如视线遮挡、障碍物等因素,点云数据中还会存原创 2021-09-18 13:22:09 · 237 阅读 · 0 评论 -
3D,2大点云库
库,Library;Libray,也可以翻译为图书馆,而图书馆,给人的感觉就是海纳百川有容乃大。作为点云家族的2大开源库,PCL 和 Open3D 无疑是众多developer的福音。一、PCL历史PCL起初是ROS(Robot Operating System,机器人操作系统)下由来自于慕尼黑大学(TUM - Technische Universität München)和斯坦福大学(Stanford University)Radu博士等人维护和开发的开源项目,主要应用于机器人研究应用领域,随着各原创 2021-09-16 11:27:01 · 1262 阅读 · 0 评论 -
3D,小白需要理解的点云概念
对于初入点云世界的小白,首先来个灵魂三拷问:什么是点云?点云从哪儿来滴撒?点云在实际生活中用在哪儿嘞?what is 点云?先看下维基百科的定义:A point cloud is a set of data points in space. The points may represent a 3D shape or object. Each point position has its set of Cartesian coordinates (X, Y, Z).简单理解下,就是点云是原创 2021-09-14 13:49:04 · 5030 阅读 · 0 评论