<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_51204289的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/m0_51204289</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; m0_51204289]]></copyright><item><title><![CDATA[PCL 计算距离最大的两个点并保存]]></title><link>https://blog.csdn.net/m0_51204289/article/details/165103254</link><guid>https://blog.csdn.net/m0_51204289/article/details/165103254</guid><author>m0_51204289</author><pubDate>Sat, 12 Sep 2026 11:07:05 +0800</pubDate><description><![CDATA[本文介绍了一种基于暴力枚举的三维点云最远点对求解方法]]></description><category></category></item><item><title><![CDATA[Open3D 计算点云配准的精度和重叠度]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149157153</link><guid>https://blog.csdn.net/m0_51204289/article/details/149157153</guid><author>m0_51204289</author><pubDate>Sun, 17 Aug 2025 18:49:29 +0800</pubDate><description><![CDATA[本文介绍了点云配准评估方法，主要采用均方根误差(RMSE)和重叠度两个指标。RMSE越小表示配准精度越高，重叠度越大表示效果越好。文章提供了C++和Python的算法实现代码，通过Open3D库计算配准结果。实验结果表明初始配准的fitness值为1.0，RMSE为0.02955，对应点数量为32385，展示了良好的初始配准效果。代码包含点云读取、可视化及评估函数调用等完整流程，适用于点云配准的质量评估。]]></description><category></category></item><item><title><![CDATA[调试环境路径书写]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149297165</link><guid>https://blog.csdn.net/m0_51204289/article/details/149297165</guid><author>m0_51204289</author><pubDate>Sat, 12 Jul 2025 17:22:10 +0800</pubDate><description><![CDATA[摘要：在Visual Studio的C++配置中，调试环境路径不支持直接换行。]]></description><category></category></item><item><title><![CDATA[pcl::transformPointCloud注意事项]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149297081</link><guid>https://blog.csdn.net/m0_51204289/article/details/149297081</guid><author>m0_51204289</author><pubDate>Sat, 12 Jul 2025 17:18:46 +0800</pubDate><description><![CDATA[摘要： PCL库的pcl::transformPointCloud默认仅变换点坐标，]]></description><category></category></item><item><title><![CDATA[C++编程中.hpp和.h以及.cpp的区别]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149291407</link><guid>https://blog.csdn.net/m0_51204289/article/details/149291407</guid><author>m0_51204289</author><pubDate>Sat, 12 Jul 2025 11:34:38 +0800</pubDate><description><![CDATA[C++项目中常见文件类型及其区别]]></description><category></category></item><item><title><![CDATA[Open3D 大场景点云水平面校准]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149157144</link><guid>https://blog.csdn.net/m0_51204289/article/details/149157144</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 19:27:15 +0800</pubDate><description><![CDATA[本文介绍了一种基于激光点云数据的水平面校准方法。该方法通过分割地面点、估计地平面方程，计算当前法向量与目标法向量的旋转矩阵，实现点云数据的水平校准。文章详细说明了算法原理和实现步骤，并提供了Python代码示例，展示了如何使用Open3D和RANSAC算法进行平面拟合和坐标变换。实验结果表明，该方法能有效校正因路面不平或设备沉陷导致的点云倾斜问题，使校准后的点云与真实场景更吻合。该方法适用于车载移动测量系统和地面三维激光扫描仪获取的点云数据校准。]]></description><category></category></item><item><title><![CDATA[Open3D 计算FPFH特征]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149157132</link><guid>https://blog.csdn.net/m0_51204289/article/details/149157132</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 19:25:56 +0800</pubDate><description><![CDATA[计算FPFH特征]]></description><category></category></item><item><title><![CDATA[Open3D 对应点集配准的四元数法]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149157121</link><guid>https://blog.csdn.net/m0_51204289/article/details/149157121</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 19:24:32 +0800</pubDate><description><![CDATA[本文提出了一种利用单位四元数实现三维点云配准的方法。算法通过最小化目标函数(4)求解最佳坐标变换，主要步骤包括：1)计算点集重心(5)(6)；2)构建协方差矩阵(7)；3)构造4×4矩阵(8)并求解其特征向量；4)将最大特征值对应的特征向量转换为旋转矩阵(10)；5)计算平移向量(11)。实验采用Python实现，通过Open3D库处理点云数据，成功将绿色源点云配准至蓝色目标点云（如图），验证了算法的有效性。测试数据由MATLAB生成，包含3000个球面点坐标及其旋转变换]]></description><category></category></item><item><title><![CDATA[Open3D 对应点集配准的SVD法]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149157107</link><guid>https://blog.csdn.net/m0_51204289/article/details/149157107</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 19:22:59 +0800</pubDate><description><![CDATA[本文介绍了基于SVD分解的点云配准算法原理与实现。算法通过计算两个点云的质心、中心化向量和协方差矩阵，利用奇异值分解求解旋转矩阵R和平移向量t。详细推导了目标函数的最小二乘解过程，并给出Python实现代码，使用Open3D库进行点云可视化。实验展示了初始点云和配准后的结果对比，测试数据由Matlab生成球面点集并进行旋转变换。该方法可用于三维重建等领域，相关参考文献和代码链接一并提供。]]></description><category></category></item><item><title><![CDATA[Open3D 提取两片点云的重叠区域和非重叠区域]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149157096</link><guid>https://blog.csdn.net/m0_51204289/article/details/149157096</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 19:21:45 +0800</pubDate><description><![CDATA[本文介绍了使用Open3D库提取两片点云重叠与非重叠部分的方法。通过计算源点云与目标点云的距离，利用numpy.where()筛选距离小于阈值(0.01)的点作为重叠部分。结果显示为绿色重叠区域和红色非重叠区域。该方法简单高效，适用于点云配准、三维重建等应用场景。参考链接提供了PCL库的类似实现方案。]]></description><category></category></item><item><title><![CDATA[点云配准精度评价指标——均方根误差(python版本)]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149157085</link><guid>https://blog.csdn.net/m0_51204289/article/details/149157085</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 19:20:35 +0800</pubDate><description><![CDATA[本文介绍了基于点云配准的均方根误差（RMSE）计算方法。首先阐述了RMSE的数学定义和评价标准，公式表明理想配准状态下对应点距离应为0。随后提供了Python代码实现，利用Open3D库读取点云数据并计算点对距离，最终输出RMSE值。实验结果表明该方法能有效评估点云配准精度，为三维重建等应用提供量化指标。文中还包含参考文献和示例数据，展示了完整的算法流程与可视化结果。]]></description><category></category></item><item><title><![CDATA[Open3D 计算点云的倒角距离（Chamfer Distance）]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149665</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149665</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:59:32 +0800</pubDate><description><![CDATA[本文介绍了使用Open3D计算点云间倒角距离(Chamfer Distance)的方法。倒角距离通过计算两片点云间所有点的平均最短距离，衡量点云之间的相似度。文章提供了Python实现代码，包括读取点云数据、计算双向点距离总和、最终求取倒角距离的完整流程。示例结果显示了两片点云间的倒角距离值为0.0409665。该方法可应用于点云重建、配准等任务中的质量评估。]]></description><category></category></item><item><title><![CDATA[Open3D 计算点云的距离]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149657</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149657</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:58:20 +0800</pubDate><description><![CDATA[本文介绍了使用Open3D库计算两点云间距离的方法。主要内容包括：1）compute_point_cloud_distance函数原理，该函数计算源点云每个点到目标点云的最近距离；2）算法实现源码解析，展示基于KDTree的最近邻搜索过程；3）实际应用代码示例，读取PCD文件并可视化距离大于阈值的点；4）验证结果，通过对比CloudCompare软件测量值，确认计算结果的准确性（单位为米）。该方法也可用于计算Chamfer距离，为点云处理提供了有效工具。]]></description><category></category></item><item><title><![CDATA[Open3D 彩色点云配准]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149650</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149650</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:57:17 +0800</pubDate><description><![CDATA[摘要： 本文介绍了基于Open3D的彩色点云配准方法，结合颜色信息提升配准精度。首先解析了Colored ICP算法的原理，该算法通过融合几何与颜色特征优化点云对齐。随后展示了代码实现流程：读取点云数据、初始位置可视化、点对平面ICP粗配准，以及多尺度彩色ICP精配准（包括降采样、法线估计等步骤）。实验结果表明，该方法有效改善了配准效果，最终实现了两片彩色点云的高精度对齐，配准结果通过可视化直观呈现。相关测试数据和参考论文已在文中提供。]]></description><category></category></item><item><title><![CDATA[PCA 实现点云粗配准（python版本）]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149640</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149640</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:56:03 +0800</pubDate><description><![CDATA[本文介绍了一种基于主成分分析（PCA）的点云初始配准方法，通过计算两组点云的主轴方向和质心坐标，估计初始旋转矩阵和平移向量。针对主轴方向可能存在反向的情况，提出8种可能的调整方案，并通过最小化配准误差选择最优变换参数。该方法为后续精配准提供良好初始值，适用于Open3D 0.18.0环境。实验结果表明，该方法能有效实现点云的粗配准，配准误差较小，为精确配准奠定基础。]]></description><category></category></item><item><title><![CDATA[Open3D 使用GICP对点云配准]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149615</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149615</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:54:55 +0800</pubDate><description><![CDATA[摘要： 本文介绍了广义迭代最近点（GICP）算法的原理与实现。GICP将ICP和Point-to-plane ICP结合到概率框架中，通过协方差矩阵优化配准过程，提高鲁棒性。算法流程包括构建高斯分布模型、定义配准误差和计算变换矩阵。基于Open3D库的Python实现展示了点云配准过程，并通过可视化对比了原始点云和配准结果。实验表明，GICP能有效提升配准精度（RMSE从0.029降至0.002），适用于更广泛的点云配准场景。代码开源并附有详细注释，便于复现和应用。]]></description><category></category></item><item><title><![CDATA[Open3D 鲁棒损失函数优化的ICP算法]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149603</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149603</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:53:26 +0800</pubDate><description><![CDATA[《基于鲁棒损失函数的ICP算法改进与实现》 本文探讨了ICP算法中通过鲁棒损失函数优化配准效果的原理与实现。核心在于利用权重函数w()过滤离群点，将非凸优化问题转化为迭代重加权最小二乘问题（公式3）。Open3D提供了多种损失函数（CauchyLoss、HuberLoss等）的实现接口，本文以L2Loss为例展示了点到面ICP配准的完整代码流程。实验结果表明，该方法能有效提高配准精度，初始位置评估和变换后的可视化对比验证了算法的有效性。文章还提供了测试数据下载链接，便于读者复现实验。]]></description><category></category></item><item><title><![CDATA[Open3D 多幅点云配准]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149595</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149595</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:52:24 +0800</pubDate><description><![CDATA[本文介绍了基于Open3D的多视配准方法，通过姿态图估计实现多个点云在全局空间中的对齐。主要内容包括：1) 多视配准以点云为输入，输出使点云对齐的刚性变换矩阵；2) 使用姿态图建模，包含节点（几何体及其变换矩阵）和边（相邻几何体的变换关系）；3) 实现过程分为两步：先通过ICP进行两两点云配准，再构建包含odometry edges和loop closure edges的姿态图。实验代码展示了从三幅未对齐点云出发，经过下采样、两两配准，最终构建姿态图的过程。该方法对局部和全局配准的鲁棒性进行了区分处理，并利]]></description><category></category></item><item><title><![CDATA[Open3D 点到面的ICP配准算法]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149537</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149537</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:48:44 +0800</pubDate><description><![CDATA[摘要：本文介绍了点到平面ICP算法的原理与实现。该算法通过最小化源点云到目标点云对应点所在平面的距离，比传统点到点ICP收敛更快、稳定性更好。文章详细阐述了算法原理、Open3D中的关键函数，并提供了完整的Python代码实现流程。实验结果表明，该方法能有效实现点云配准，配准后的点云重叠区域显著增加。测试数据与代码均已公开，方便读者复现与验证。]]></description><category></category></item><item><title><![CDATA[Open3D 点对点的ICP配准算法]]></title><link>https://blog.csdn.net/m0_51204289/article/details/149149477</link><guid>https://blog.csdn.net/m0_51204289/article/details/149149477</guid><author>m0_51204289</author><pubDate>Sun, 06 Jul 2025 09:42:45 +0800</pubDate><description><![CDATA[ICP配准算法通过迭代计算刚体变换（平移和旋转），最小化两帧点云之间的距离误差。算法流程包括施加初始变换、寻找最近邻点对、求解最优变换矩阵，并判断收敛条件。实现中利用Open3D库的registration_icp函数进行点对点配准，通过fitness和RMSE指标评估配准质量。实验结果显示，初始点云存在明显偏移，经过ICP配准后两帧点云成功对齐。该算法适用于三维点云数据的精确配准，在激光点云处理等领域具有重要应用价值。]]></description><category></category></item></channel></rss>