点云配准的全面综述

最新推荐文章于 2024-03-18 15:39:26 发布
最新推荐文章于 2024-03-18 15:39:26 发布
阅读量817 收藏 2
点赞数
分类专栏： 语义分割 文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35054151/article/details/129053703
版权
本文详细综述了点云配准的技术发展历程，包括同源点云和跨源点云配准的挑战、方法分类、应用以及未来方向。点云配准在建筑信息模型、矿业开采和自动驾驶等多个领域发挥关键作用。文章讨论了基于优化的传统方法、特征学习和端到端学习的配准方法，并分析了它们的优缺点。此外，首次对跨源点云配准进行了系统性的研究，建立了新的评估基准，并提出了潜在的研究方向。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

基本情况

摘要

介绍

本文的贡献

点云配准的挑战

A 同源点云配准

B 跨源点云配准

点云配准方法的分类

A 基于优化的配准方法

B 特征学习的配准方法

C 基于端到端学习的方法

D 跨源点云配准方法

点云配准方法概述介绍

A 基于优化的配准方法

B 特征学习配准方法

C 基于端到端学习的配准

D 跨源点云配准

基于优化的方法与深度学习之间的联系

应用

A、 建筑信息模型（building information modeling，简称BIM）

B、 在矿区的开采空间

C、三维传感器在自主驾驶中

总结

基本情况

标题：A comprehensive survey on point cloud registration

作者：Xiaoshui Huang[1], Guofeng Mei[2], Jian Zhang[2], Rana Abbas[1]

编译：点云PCL

来源：arXiv 2021

</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
点云配准算法综述-完整解读
m0_47313541的博客
05-29 930
基于优化的配准是利用优化策略估计变换矩阵。大多数基于优化的配准方法[104]、[54]、[78]、[15]包含两个阶段：对应搜索和变换估计。图（a）总结了这一类别的主要过程。
点云配准：一个全面综述
QfcaLinux的博客
09-27 459
（1）基于特征的方法：这类方法通过提取点云中的特征描述符，如SIFT、FPFH等，然后使用特征匹配算法来计算点云之间的变换关系。点云配准是计算机视觉和三维重建领域中的关键任务，它的目标是将多个点云数据集对齐以获得一个整体一致的点云模型。（3）配准时空一致性：考虑点云在时间序列中的变化，以及点云之间的时空关系，可以实现更准确的点云配准。（2）局部配准和全局配准的融合：将局部配准和全局配准方法相结合，可以在保持局部细节的同时获得全局一致的配准结果。希望本文对您对点云配准有所帮助！点云配准的背景和意义。
跨源点云配准
darren_pty
05-01 574
点云配准
点云的无序性_点云配准的端到端深度神经网络：ICCV2019论文解读
weixin_39653761的博客
11-20 663
点云配准的端到端深度神经网络：ICCV2019论文解读DeepVCP: An End-to-End Deep Neural Network for Point Cloud Registration论文链接：http://openaccess.thecvf.com/content_ICCV_2019/papers/Lu_DeepVCP_An_End-to-End_Deep_Neural_Networ...
PCL点云配准（3）
weixin_34332905的博客
09-12 1183
(1)关于点云的配准     1.首先给定源点云与目标点云。     2.提取特征确定对应点    3.估计匹配点对应的变换矩阵    4.应用变换矩阵到源点云到目标点云的变换 配准的流程图                         通过特征点的匹配步骤 （1）计算源点云与目标点云的关键点  （2）计算关键点的特征描述子（比如：FPFH等等）  （3）匹配特征点计算出对应关系  （4）从...
点云配准综述一篇综述《A comprehensive survey on point cloud registration》（翻译）
u010484388的博客
06-26 7433
文章将配准方法分为了同源配准和不同源（跨源）数据配准，同源配准分为了基于优化的方法，基于特征的方法，基于端到端的配准算法。
高精度点云配准（最优传输角度下篇）
qwj的博客
07-20 915
高精度点云配准（最优传输角度）
深度学习与优化方法：点云配准全面综述
该综述旨在全面回顾优化方法和深度学习在点云配准中的应用，分析它们之间的相互关系，为后续研究提供新的视角。此外，随着技术发展，跨源点云对齐成为一个新兴领域，研究者们正在探索如何处理不同来源的点云数据。 ...
外文文献_配准_点云建模_点云配准_
10-04
"点云数据的配准算法综述.pdf"可能是一个全面的点云配准算法研究，涵盖了各种经典和现代的方法，如NDT（Normal Distributions Transform）、GMMREG（Gaussian Mixture Model Registration）、FGR（Fast Global ...
多视图点云配准算法综述
一点人工一点智能的博客
02-17 3558
针对三维多视图点云配准问题，本研究首先对近二十余年的方法进行了系统分类，然后依据分类对方法进行归纳总结，随后介绍了该领域的主流数据库与评价指标，最后对本研究工作进行总结
点云配准综述
xinxiangwangzhi_的博客
01-05 3523
1基本概念 点云配准定义：通过求解坐标转换关系，将连续扫描的两帧或多帧激光点云统一到同一坐标系（scan–to-scan），或者将当前扫描点云与以建立的地图进行配准（scan-to-map）从而最终恢复载体位置和姿态的变化。 slam配准：为了得到相对姿态变化，在实时性与精度之间取得平衡 测绘点云配准（拼接）：得到坐标系统一的点云，更注重精度 二者解决的是同一个问题。 2配准方法分类 文章主要从scan-to-scan内容，分为三类，基于点的配准icp类，基于特征的配准，基于数字特性的配准NDT类。 各自的
点云处理【七】(点云配准)
略知12的博客
10-26 8747
点云配准一般分为粗配准和精配准，粗配准指的是在两幅点云之间的变换完全未知的情况下进行较为粗糙的配准，目的主要是为精配准提供较好的变换初值；（1）Point-to-Plane ICP：将icp中点到点的距离改为点到目标面的距离，这样就不容易陷入局部最优，但也增加了计算量。4PCS:四点配准算法(4PCS)基于寻找四个点的一致集合，并尝试找到最佳的变换，使得这些点在源和目标点云中都是一致的。基于优化的配准方法大致可分为4种方法：基于ICP的变种方法、基于图优化的、基于GMM的和半定的配准方法。
点云配准论文阅读3-Cross-source point cloud registration: Challenges, progress and prospects跨源点云配准：挑战、进展与展望
最新发布
dc爱傲雪和技术
03-18 1821
随着3D传感器技术的快速发展，跨源点云cross-source point cloud（CSPC）配准这一新兴话题引起了越来越多的关注。与传统的同源点云侧重于来自同一类型 3D 传感器（例如 Kinect）的数据不同，CSPC 来自不同类型的 3D 传感器（例如 Kinect 和 LiDAR）。CSPC注册将同源数据采集的需求推广到异源数据采集的需求，从而导致应用的泛化，并结合了多种传感器的优点。在本文中，我们对 CSPC 注册进行了系统回顾。
2021最新关于点云配准的全面综述
惊鸿一博
03-08 6693
目录 基本情况 摘要 介绍 本文的贡献 点云配准的挑战 A同源点云配准 B跨源点云配准 点云配准方法的分类 A基于优化的配准方法 B特征学习的配准方法 C基于端到端学习的方法 D跨源点云配准方法 点云配准方法概述介绍 A基于优化的配准方法 B特征学习配准方法 C基于端到端学习的配准 D跨源点云配准 基于优化的方法与深度学习之间的联系 应用 A、 建筑信息模型（building information modeling，简称BIM） B、 在矿区的...
点云配准方法
darren_pty
04-28 1215
点云配准
综述|2021最新关于点云配准的全面介绍
sinat_16423171的博客
07-05 4058
标题：A comprehensive survey on point cloud registration 作者：Xiaoshui Huang[1], Guofeng Mei[2], Jian Zhang[2], Rana Abbas[1] 编译：点云PCL 来源：arXiv 2021 摘要 点云配准是点云之间的变换估计问题，从优化的角度来看，它经历了很长的发展历史。最近，深度学习的成功极大地提高了配准的鲁棒性和效率。本综述试图对基于优化的学习方法与深度学习方法进行全面的回顾，并建立两者之间的联系
Deep Learning for 3D Point Clouds: A Survey(三维点云深度学习研究综述)
qq_41353493的博客
08-07 1739
Deep Learning for 3D Point Clouds: A Survey(三维点云深度学习研究综述) Guo Y, Wang H, Hu Q, et al. Deep learning for 3d point clouds: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020. 本文综述了三维理解的最新方法，包括三维形状分类、三维目标检测与跟踪、三维场景与目标分割。对这些方法进行了
三维点云综述
weixin_41284198的博客
05-22 4905
    三维图像的表现形式有：深度图（以灰度表达物体与相机的距离）、几何模型（CAD软件建立）、点云模型（最常见、最基础）。图像处理三个层次：低层次：图像强化、滤波、边缘检测等中层次：连通区域标记（label）、图像分割等高层次：物体识别、场景分析点云处理三个层次：低层次：滤波、关键点（keypoints）、分割（segmention）中层次：特征描述（feature）高层次：配准（registr...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CVer儿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值