PCL点云
文章平均质量分 81
解读PCL点云库相关知识
TimeRiverForever
这个作者很懒,什么都没留下…
展开
-
5.2-手眼标定(外参标定)
返回 >>>>>> PCL-3D点云总目录一、手眼标定的原理图例说明:{b}:base基座标系{g}:gripper抓手坐标系{t}:target标定板坐标系{c}:camera相机坐标系正交矩阵的特性:眼在手上eye in hand,眼在手上,相机移动眼在手外eye to hand,眼在手外,相机固定二、手眼标定的操作将标定板固定在机械臂末端开启机械臂,开启摄像头在距离摄像头40、60、80cm的距离上,在摄像头可见范转载 2021-05-25 14:59:01 · 5273 阅读 · 6 评论 -
5.1-2D图像与3D点云融合
返回 >>>>>> PCL-3D点云总目录概述截止目前为止,我们学习了机器人学,学习了2D和3D视觉算法。我们也学习了2D相机(图像数据的来源)和3D相机(点云数据的来源)工作原理。实际上,我们最终要做的,是一个手眼机器人系统。在这个系统里,相机与机器人构成了两个非常关键的部分,它们之间需要密切配合,因此,它们之间的关系,也就非常重要。确定相机与机器人之间的关系,这是手眼标定要解决的问题。另一方面,在很多场合,为了增强算法的鲁棒性,我们通常同时使用图像数据与点云数转载 2021-05-25 14:33:05 · 4211 阅读 · 0 评论 -
4.4-点云模板匹配
返回 >>>>>> PCL-3D点云总目录接下来我们将使用学过的工具来解决更高实际的需求,将先前捕获的对象模型与新捕获的数据对齐。在此示例中,我们将拍摄一个包含一个人的深度图像,并尝试拟合先前捕获的人脸模板(1个或多个);以确定场景中人脸的位置和方向。深度图及模板图如下:红色为新拍摄的深度图像,绿色为先前制作好的人脸模板。代码实现创建文件:template_alignment.cpp#include <limits>#include <fs转载 2021-05-25 11:48:08 · 3423 阅读 · 0 评论 -
4.3-3D包容盒子
返回 >>>>>> PCL-3D点云总目录使用pcl::MomentOfInertiaEstimation类来获取基于偏心率和惯性矩的描述符。该类还允许提取云的轴对齐和定向的边界框。但是提取的OBB并非最小可能的边界框。代码实现创建文件:moment_of_inertia.cpp准备资源:./data/milk_color.pcd执行命令:./moment_of_inertia ./data/milk_color.pcd#include <vector&转载 2021-05-25 11:38:24 · 378 阅读 · 0 评论 -
4.2-点云曲面重建
返回 >>>>>> PCL-3D点云总目录曲面重建技术在逆向工程、数据可视化、机器视觉、虚拟现实、医疗技术等领域中得到了广泛的应用 。 例如,在汽车、航空等工业领域中,复杂外形产品的设计仍需要根据手工模型,采用逆向工程的手段建立产品的数字化模型,根据测量数据建立人体以及骨骼和器官的计算机模型,在医学、定制生产等方面都有重要意义 。除了上述传统的行业,随着新兴的廉价 RGBD 获取设备在数字娱乐行业的病毒式扩展,使得更多人开始使用点云来处理对象并进行工程应用 。 根据重转载 2021-05-25 11:03:55 · 2156 阅读 · 0 评论 -
4.1-点云分割
返回 >>>>>> PCL-3D点云总目录点云分割是根据空间、几何和纹理等特征对点云进行划分,使得同一划分区域内的点云拥有相似的特征 。 点云的有效分割往往是许多应用的前提。例如,在逆向工程CAD/CAM 领域,对零件的不同扫描表面进行分割,然后才能更好地进行孔洞修复、曲面重建、特征描述和提取,进而进行基于 3D内容的检索、组合重用等。在激光遥感领域,同样需要对地面、物体首先进行分类处理,然后才能进行后期地物的识别、重建 。总之,分割采用分而治之的思想,在点云处理中和转载 2021-05-25 10:54:23 · 3559 阅读 · 0 评论 -
3.5-点云配准基本数学原理
返回 >>>>>> PCL-3D点云总目录概念基础三维点云的配准即是通过对点云的旋转、平移进行对齐,进而得到一个4x4的变换矩阵,包含3x3的旋转矩阵和3x1的平移向量。旋转矩阵可以通过罗格里格斯变换成一个1x3的旋转向量,故而最终是6个变量。常用的点云配准算法是:迭代最近点算法(ICP),正态分布变换配准(NDT),基于特征不变性的配准 (ORB/FPFH/NARF)其他演变算法及不同思路算法:ICP拓展:稳健ICP、point to plane ICP、po转载 2021-05-24 20:10:15 · 2056 阅读 · 0 评论 -
3.4-点云配准之交互式ICP
返回 >>>>>> PCL-3D点云总目录本教程将教您如何编写交互式ICP查看器。 该程序将加载点云并对其施加刚性变换。 之后,ICP算法会将变换后的点云与原始对齐。 每次用户按下“空格”,都会进行一次ICP迭代,并刷新查看器。代码实现代码文件interactive_icp.cpp资源准备 monkey.ply//// Created by ty on 20-5-29.//#include <string>#include <pcl转载 2021-05-24 19:10:10 · 441 阅读 · 0 评论 -
3.3-点云配准流程代码示例
返回 >>>>>> PCL-3D点云总目录使用迭代最近点算法(ICP)迭代最近点算法(Iterative Closest Point,简称ICP算法)代码实现创建文件:iterative_closest_point.cpp#include <iostream>#include <pcl/io/pcd_io.h>#include <pcl/point_types.h>#include <pcl/registrati转载 2021-05-24 16:06:59 · 2123 阅读 · 1 评论 -
3.2-点云配准原理概述
点云配准需求场景随着计算机辅助设计技术的发展,通过实物模型产生数字模型的逆向工程技术获得了越来越广泛的应用,与此同时,硬件设备的日趋完善也为数字模型操作提供了足够的技术支持。由于三维扫描仪设备受到测量方式和被测物体形状的条件限制,一次扫描往往只能获取到局部的点云信息,进而需要进行多次扫描,然后每次扫描时得到的点云都有独立的坐标系,不可以直接进行拼接。在逆向工程、计算机视觉、文物数字化等领域中,由于点云的不完整、旋转错位、平移错位等,使得要得到完整点云就需要对多个局部点云进行配准。为了得到被测物体的完整转载 2021-05-24 15:43:44 · 4993 阅读 · 0 评论 -
3.1-点云计算数学基础
函数求导方差&协方差矩阵基本概念方差(Variance)衡量的是单个随机变量的变化(比如一个人在群体中的身高),概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度。方差的公式为:¯x是随机变量x的均值,n为样本总数。标准差(Standard Deviation)是方差的算术平方根,用σ表示。标准差能反映一个数据集的离散程度。协方差(Covariance)衡量的是两个随机变量同时变化的离散程度(比如一个人在群体中的身高和体重)。方差是协方差的一种特殊情况。协方差矩转载 2021-05-24 14:56:58 · 1242 阅读 · 0 评论 -
2.8-特征检测与描述子
返回 >>>>>> PCL-3D点云总目录3D特征描述子特征描述子 Feature Descriptor是每个特征点独特的身份认证同一空间点在不同视角的特征点具有高度相似的描述子不同特征点的描述子差异性尽量大通常描述子是一个具有固定长度的向量描述子可以分为以下几种类型:基于不变性的描述子、基于直方图的描述子、二进制描述子PCL主要实现了:NARF特征点描述子、PFH(FPFH)点特征直方图描述子、RoPs 特征、VFH视点特征直方图描述子、GASD全局对转载 2021-05-24 11:46:45 · 843 阅读 · 0 评论 -
2.4-关键点Keypoints
返回 >>>>>> PCL-3D点云总目录关键点也称为兴趣点,它是 2D 图像或 3D 点云或曲面模型上,可以通过检测标准来获取的具有稳定性、区别性的点集。从技术上来说,关键点的数量比原始点云或图像的数据量少很多,其与局部特征描述子结合组成关键点描述子。常用来构成原始数据的紧凑表示 ,具有代表性与描述性,从而加快后续识别、追踪等对数据的处理速度 。固而,关键点提取就成为 2D 与 3D 信息处理中不可或缺的关键技术 。关键点概念及算法¶NARF(Normal Al转载 2021-05-24 11:12:01 · 1012 阅读 · 0 评论 -
2.3-深度图RangeImage
返回 >>>>>> PCL-3D点云总目录深度图目前深度图像的获取方法有激光雷达深度成像法,计算机立体视觉成像,坐标测量机法,莫尔条纹法,结构光法等等,针对深度图像的研究重点主要集中在以下几个方面,深度图像的分割技术深度图像的边缘检测技术基于不同视点的多幅深度图像的配准技术基于深度数据的三维重建技术基于三维深度图像的三维目标识别技术深度图像的多分辨率建模和几何压缩技术等等在PCL 中深度图像与点云最主要的区别在于其近邻的检索方式的不同,并且可以互相转换。转载 2021-05-24 10:56:07 · 604 阅读 · 0 评论 -
2.2-滤波器及其原理
返回 >>>>>> PCL-3D点云总目录高斯滤波¶使用高斯卷积核对图片进行平滑(模糊)处理,是一种常见的线性图片过滤技术。每一个输出图片中的像素点都是其输入图片中周围邻居像素值的加权求和结果。其核心就是一个核函数的卷积操作,对图片进行低通滤波。高斯模糊(Gaussian blur / GB)图片滤波器定义如下:GB[I]p∑q∈SGσ(∥p−q∥)Iq这里$G_σ(x) $ 表示二维的高斯卷积核Gσ(x)12转载 2021-05-24 10:30:07 · 611 阅读 · 0 评论 -
2.1-PCL点云滤波Filtering
返回 >>>>>> PCL-3D点云总目录点云滤波概述¶在获取点云数据时,由于设备精度、操作者经验、环境因素等带来的影响,以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响,点云数据中将不可避免地出现一些噪声点。实际应用中除了这些测量随机误差产生的噪声点之外,由于受到外界干扰如视线遮挡、障碍物等因素的影响,点云数据中往往存在着一些离主体点云较远的离散点,即离群点。不同的获取设备点云噪声结构也有不同。通过滤波完成的功能还包括孔洞修复、最小信息损失的海转载 2021-04-23 14:34:17 · 505 阅读 · 0 评论 -
2.7-点云表面法线估算
返回 >>>>>> PCL-3D点云总目录估算点云表面法线表面法线是几何表面的重要属性,在许多领域(例如计算机图形应用程序)中大量使用,以应用正确的光源以产生阴影和其他视觉效果。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:使用表面网格化技术从获取的点云数据集中获取基础表面,然后从网格中计算表面法线;使用近似值直接从点云数据集中推断表面法线。我们将使用后者,转载 2021-04-13 16:51:53 · 2835 阅读 · 1 评论 -
2.6-特征描述与提取Features
3D 点云特征描述与提取是点云信息处理中的最基础也是最关键的部分,点云的识别、分割、重采样、配准、曲面重建等大部分算法,都十分依赖特征描述与提取的结果。从尺度上来划分,一般分为局部特征描述和全局特征描述。例如局部的法线等几何形状特征的描述,全局的拓扑特征描述,都属于3D点云特征描述与提取范畴。在 PCL 中,目前已有很多基本的特征描述子与提取算法。特征点理想情况下,在使用同一种度量规则情况下,相同或相似的表面上的点的特征值应该非常相似,不同表面上的点的特征描述子有明显的差异。通过以下几个条件的变化仍能转载 2021-04-13 15:40:58 · 311 阅读 · 0 评论 -
2.5-随机采样一致性算法RANSAC
RANSAC概念及作用RANSAC是“RANdom SAmple Consensus”(随机抽样共识或采样一致性)的缩写,它是一种迭代方法,用于从包含异常值的一组数据中估计数学模型的参数。该算法由Fischler和Bolles于1981年发布。RANSAC算法假定我们要查看的所有数据均由内部值和异常值组成。可以用带有一组特定参数值的模型来解释离群值,而离群值在任何情况下都不适合该模型。其过程可以从数据中估计所选模型的最佳参数。左图和右图(来自[Wikipedia])显示了RANSAC算法在二维数据集上转载 2021-04-13 14:42:19 · 960 阅读 · 1 评论 -
1.3-PCL点云拓扑结构
点云拓扑之k-d Tree点云拓扑之OCTrees 八叉树点云分解之k-d Tree通过3D相机(雷达、激光扫描、立体相机)获取到的点云,一般数据量较大,分布不均匀,数据主要表征了目标物表面的大量点的集合,这些离散的点如果希望实现基于邻域关系的快速查找比对功能,就必须对这些离散的点之间建立拓扑关系。常见的空间索引一般是自上而下逐级划分空间的各种索引结构,包括BSP树,k-d tree、KDB tree、R tree、CELL tree、八叉树等。有了这些关系,我们就可以实现点云的降采样,计算特征向量,转载 2021-04-13 11:31:42 · 1130 阅读 · 2 评论 -
1.2-PCL点云输入/输出(I/O)
数据文件格式一个典型的PCD文件如下:# .PCD v.5 - Point Cloud Data file formatVERSION .5FIELDS x y zSIZE 4 4 4TYPE F F FCOUNT 1 1 1WIDTH 397HEIGHT 1POINTS 397DATA ascii0.0054216 0.11349 0.040749-0.0017447 0.11425 0.041273-0.010661 0.11338 0.0409160.026422 0.1转载 2021-04-13 10:32:43 · 305 阅读 · 0 评论 -
1.1-PCL点云及其可视化
概述点云Point Cloud是三维空间中,表达目标空间分布和目标表面特性的点的集合,点云通常可以从深度相机中直接获取,也可以从CAD等软件中生成。点云是用于表示多维点集合的数据结构,通常用于表示三维数据。在3D点云中,这些点通常代表采样表面的X,Y和Z几何坐标。当存在颜色信息时(请参见下图),点云变为4D。三维图像有以下几种表现形式:深度图(描述物体与相机的距离信息),几何模型(由CAD等软件生成),点云模型(逆向工程设备采集生成)一些常见的点云图如下:人的侧脸3D一只兔子3D桌子及牛奶4转载 2021-04-13 10:19:00 · 1484 阅读 · 0 评论 -
PCL-3D点云处理算法及使用介绍总目录
PCL-3D点云一、点云入门01-点云及其可视化02-点云输入输出03-点云拓扑结构二、点云进阶三、点云高级四、点云应用五、2D与3D融合附录:相关开发环境原创 2021-04-13 09:24:31 · 700 阅读 · 4 评论