![](https://img-blog.csdnimg.cn/20201208155906163.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
点云模型训练
文章平均质量分 91
三维点云模型
SensorFusion
专注于多传感器算法开发,Camera,Lidar,Radar。
展开
-
点云模型的训练,三维空间基础,移动最小二乘法应用、Hole Filling、点云平滑重建滤波,位姿估计
位姿估计应用:针对机械式激光雷达,原创 2022-01-11 11:52:41 · 1308 阅读 · 0 评论 -
点云特征提取及分类、VFH、SVM、CNN
数据与特征决定了机器学习的上限,模型/算法/参数只是来逼近这个上限。0: 分类方式按照特征的物理属性,可以将特征分为:几何域,强度域。按照特征的空间尺度,可以分为:单点特征,局部特征,全局特征。1:传统特征单点特征主要有:三维坐标(X, Y, Z), 回波强度 Intensity, 法线 (Nx,Ny,Nz),主曲率(PCx, PCy, PCz, 及两个特征值 PC1, PC2)局部特征(一)几何域局部特征常见的有各种几何特征描述子:PFH,FPFH,SHOT,C-SHOT,RSD,3D原创 2021-12-28 09:51:05 · 22524 阅读 · 1 评论 -
lidar及tof应用,旋转矩阵左乘右乘,欧拉角,三维点,线,面求解算法,手眼标定,点云匹配及三角剖分、结构光和TOF深度图
1:Point Process直通滤波器 体素滤波器 统计滤波器 条件滤波半径滤波器 双边滤波 高斯滤波均匀采样滤波 移动最小二乘法光滑滤波基于权重局部优化投影 (WLOP) 简化算法 DoN算法以及各种通过规则进行点调整或者删除的都可以成为滤波算法直通滤波器:对于在空间分布有一定空间特征的点云数据,比如使用线结构光扫描的方式采集点云,沿z向分布较广,但x,y向的分布处于有限范围内。此时可使用直通滤波器,确定点云在x或y方向上的范围,可较快剪除离群点,达到第一步粗处理的目的。体素滤波器:原创 2021-06-21 09:05:08 · 2765 阅读 · 2 评论 -
点云slam常见框架、运动补偿、ICP、LM、牛顿法、GTSAM图优化函数库
1:hdl_graph_slam采集数据方法:rosparam set use_sim_time trueroslaunch hdl_graph_slam hdl_graph_slam_inin.launchroscd hdl_graph_slam/rvizrviz -d hdl_graph_slam.rvizrosbag play --clock ***.bag原创 2021-04-22 19:27:16 · 5381 阅读 · 2 评论 -
点云算法对比ICP、NDT,LM,Ceres-Solver,KDTree,SVM和ComplexYOLO、CenterPoint、PNP
YOLOV3 YOLOV4 CenterNet笔记本 thikpad 960max() X1 1650ti台式机 1050ti1:YOLOV3和YOLOV4对比:onnx的输入size trt的输入size必须一样thindpad GTX 940maxint8 yolov4 31ms yolov3 20msfp16 yolov4 52ms yolov3 47msfp32 yolov4 53ms yolov3 20ms1650ti (fp32)原创 2021-01-29 11:38:13 · 7145 阅读 · 4 评论 -
Apollo 6.0点云检测模型的训练, 基于TensorRT和ROS的推理
Apollo6.0点云模型的训练, 基于ROS和TensorRT进行推理原创 2020-12-04 22:44:17 · 4271 阅读 · 37 评论 -
点云分割模型的训练, 基于ROS和Caffe的推理
三维点云目标检测深度学习三维点云模型推理,为啥需要学习三维点云, 因为可用很好探测三维空间,特别是自动驾驶领域越来越多,为啥又需要深度学习三维点云,可以更好的分类,基于SVM等点云分类方法,也许只能达到80%的准确率, 深度学习只会高些;三维点云目标检测思路之一:如下图所示,先分割,再聚类,最后进行目标定位1: apollo分割模型简介根据apllo3.0的代码 , 分成4步对 Lidar 核心逻辑流程进行叙述。1.1 坐标及格式转换Apollo 使用了开源库 Eigen原创 2020-12-04 22:08:50 · 1695 阅读 · 9 评论