Efficient Online Segmentation for Sparse 3D Laser Scans-- 在线的稀疏点云分割

最新推荐文章于 2024-07-06 18:20:20 发布
最新推荐文章于 2024-07-06 18:20:20 发布
阅读量1.3k 收藏 6
点赞数 5
分类专栏： 点云PCL与SLAM 文献阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 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/u013019296/article/details/103625010
版权
点云PCL与SLAM 同时被 2 个专栏收录
81 篇文章 585 订阅 ¥9.90 ¥99.00
订阅专栏
文献阅读
18 篇文章 9 订阅
订阅专栏
本文介绍了一种高效在线的3D激光点云分割方法，尤其适用于稀疏数据。通过去除地面，使用深度图像进行快速分割，算法在移动CPU上能以高帧率运行。该方法基于角度测量，避免直接处理3D点云，适用于 Velodyne VLP-16 扫描仪，代码开源并已在实际场景中验证效果。
摘要由CSDN通过智能技术生成

最近发现好多CSDN的博客在转载我的文章，来吸引关注，这里只好将我的博客园的原创文章再次的搬到CSDN的专栏中，同时希望同学们尊重；劳动成果，并注明转载出处！！！

在基于激光的自动驾驶或者移动机器人的应用中，在移动场景中提取单个对象的能力是十分重要的。因为这样的系统需要在动态的感知环境中感知到周围发生变化或者移动的对象，在感知系统中，将图像或者点云数据预处理成单个物体是进行进一步分析的第一个步骤。

在这篇文章中就提出了一种十分高效的分割方法。首先是将扫描到的点云移除平面处理，然后移除平面后一定范围内的点云数据分割成不同的对象。该论文的是集中解决了在很小的计算量的条件下，能够在大多数系统上做到高效的分割。避免了直接对3D点云的计算，并直接在2.5D 的深度图像上进行操作。此方案能够很好的解决处理稀疏的3D点云数据。作者使用了新型Velodyne VLP-16扫描仪，并且代码是在C++和ROS中实现了这种方法，并且代码是开源的，这种方法可以做到使用单核CPU以及高于传感器的帧运行速率运行，能够产生高质量的分割结果。

在这里插入图片描述

左图：使用Velodyne VLP-16扫描仪得到的稀疏3D点云数据分割后

了解本专栏 订阅专栏 解锁全文
点云PCL公众号博客
关注
专栏目录
订阅专栏
3D点云分割论文总结
weixin_43211438的博客
04-17 5529
Fast Range Image-Based Segmentation of Sparse 3D Laser Scans for Online Operation - 挑战 由于lidar点云的稀疏性，尤其在垂直方向上，即便相邻点云是来自于同一物体，它们之间也会存在着一个欧氏距离。并且随着Object与Lidar距离的增大，这个距离会越来越大，给目标识别带来的挑战也越大。 - 常见点云分割方法 主...
sparse-segmentation:RISS 2018-稀疏LIDAR点云的分割
04-29
使用SqueezeSeg的稀疏点云的语义分割-RISS 2018 该存储库包含： 一个基于C ++的点云地面注释器，基于：3D点云的快速分割：LIDAR数据的范式作者：Dimitris Zermas Izzat Izzat和Nikolas Papanikolopoulos @inproceedings{7989591, author={D. Zermas and I. Izzat and N. Papanikolopoulos}, booktitle={2017 IEEE International Conference on Robotics and Automation (ICRA)}, title={Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicl
Fast Range Image-Based Segmentationof Sparse 3D Laser Scans for Online Operation
最新发布
weixin_51374771的博客
07-06 760
翻译不易，还请点赞收藏！！！！！！！！！ 若点赞两天内没有过10，将仅本人可见！ 摘要— 从3D距离数据中进行对象分割是移动机器人中的一个重要课题。一个在动态环境中导航的机器人需要识别可能会改变或移动的对象。通常，激光扫描数据的分割是进一步分析前的第一步处理。在本文中，我们提出了一种快速的方法，该方法能够将3D距离数据分割成不同的对象，实时运行，并且计算需求较小。我们的方法避免了3D点云的显式计算，直接在2D范围图像上进行所有计算，从而使每次扫描的分割速度更快。我们方法的另
三维点云数据，深度相机获取
06-27
深度相机获取的三维点云数据，可以用于机器人环境建模。
TOF深度相机数据到点云转换(一)
weixin_58663121的博客
11-08 3371
TOF深度相机数据与点云转深度图
深度图生成3D点云
新缸中之脑
11-14 925
从立体相机到 3D 传感器的许多设备都可以深度图的形式提供有关它们正在捕获的场景的距离信息。为了从此类图像中获取有意义的数据，通常需要将这些深度图转换为 3D 点云。在这篇文章中，我们将使用 Microsoft Kinect V2 获得的深度帧执行此类转换，但所描述的方法可以轻松移植到其他硬件。尽管有非常优雅的数学方法可以做到这一点，但我们仍将坚持一些基本的三角学。首先，什么是深度图？这些信息可用于图像处理、地图绘制、导航等领域的各种应用。
点云分割和点云分类（点云语义分割）
热门推荐
DayDayUp
09-05 5万+
概念 点云分割（point cloud segmentation） 根据空间、几何和纹理等特征点进行划分，同一划分内的点云拥有相似的特征。 点云分割的目的是分块，从而便于单独处理。 点云分类（point cloud classification) 为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集。同一个点云集具有相似或相同的属性，例如地面、树木、人等。也叫做点云语义分割。 特征提取 单个点或一组点可以根据低级属性检测某种类型的点。 “低级属性”是指没有语义（例如，位置，高.
三维点云depth_Efficient Online Segmentation for Sparse 在线的稀疏点云分割
weixin_30571837的博客
01-12 383
微信公众号的原文有实验的视频，可以关注微信公众号查看视频demo效果 最近发现好多CSDN的博客在转载我的文章，来吸引关注，这里只好将我的博客园的原创文章再次的搬到CSDN的专栏中，同时希望同学们尊重；劳动成果，并注明转载出处！！！在基于激光的自动驾驶或者移动机器人的应用中，在移动场景中提取单个对象的能力是十分重要的。因为这样的系统需要在动态的感知环境中感知到周围发生变化或者移动的对象，在感知系统...
Efficient Online Segmentation for Sparse 3D LaserScans.pdf
12-23
标题“Efficient Online Segmentation for Sparse 3D LaserScans”与描述内容相同，表明了本文研究的核心主题是针对稀疏3D激光扫描数据进行高效实时分割的技术方法。 #### 关键知识点概览： 1. **背景与应用场景**...
SfM稀疏三维点云重建【VS2015+OpenCV3.4+PLC1.8】--完整工程文件
03-08
基于SfM实现视觉稀疏三维点云重建，完整的工程文件，内含所需图片，可直接运行。环境：Win10+VS2015+OpenCV3.4+PLC1.8。
semantic-segmentation-editor:Web标签工具，用于位图图像和点云
05-10
一个基于Web的标签工具，用于创建AI训练数据集（2D和3D）。 该工具是在自动驾驶研究的背景下开发的。 它支持图像（.jpg或.png）和点云（.pcd）。 这是一个由 ， 和开发的应用程序。 最新变化 版本1.5：提供Docker...
深度相机Kinect2.0三维点云拼接实验（四）
qq_42144047的博客
05-19 1127
文章目录摘要总结 摘要   Kinect2.0是微软推出的一款RGB-D相机，它即支持普通相机的拍摄，也支持脉冲测量深度信息。本系列文章基于该传感器给出基本的环境搭建、原理讲解、点云数据捕捉、三维点云拼接等开发源码，当然也会总结经验帮大家排雷避坑。本小节介绍点云图像的捕获。 总结   后续开发笔者选择的是Windows系统，给出的源码也是VS2019下的，后续开源出来的源码有一定基础的小伙伴可以参考代码自行修改。笔者将搭建环境所需要的所有软件、脚本、项目模板全部开源至微信公众号 “ 24K纯学渣 ” ，回复
三维视觉--点云获取（Intel Realsense d455深度相机）方案实现C++版
低调猫熊的博客
07-17 3798
关于点云的获取，网上搜了好久，只有一些概念性的介绍，没有实际的（代码），所以我就写一篇获取点云的具体操作方法和实现代码。我觉得把点云的获取分为两步，可能更有利于对点云的理解。此外，因为这里会涉及到点云的一些操作，所以我们还需要配置点云库，目前主流用的是Open3D和PCL，用起来差不多，我这里以PCL1.10.0为例，具体配置步骤网上有很多教程，可以参考。下载好后直接安装就可以，安装路径自选，安装完成后，桌面会有对应的软件，可以直接打开相机（有操作文档，这里不赘述，感兴趣的可以研究研究）。
深视 线扫相机 获取点云数据
qthello
05-12 334
我这里使用阻塞方式获取数据。他们还提供了非阻塞也就是回调方式获取数据，但是我的代码在线程同步的时候经常崩溃，没找到原因。还有一种是无线循环获取数据，我这里也没跑通，出来的数据不对。2，并且文档不更新，我看了好久，按照文档开发，结果不行，技术说文档太旧了。3，文档里好多代码，特别度的魔数，突然出现一个数字，也不解释啥意思。最近项目上用到了深视的线扫相机，集成了三天才搞定，分享下代码。顺便吐槽一下，想用相机取图，这么简单的功能，搞得如此麻烦。1，文档有三份，就不能集成到一份么，维护起来也简单。
深度相机同时保存深度图和彩色图及合成点云
chengde6896383的专栏
06-12 601
https://blog.csdn.net/yaked/article/details/80781204
三维视觉--基于Kinect2.0深度相机的点云获取方案实现（C++版）
低调猫熊的博客
07-17 1410
上一篇中使用的点云获取设备是Intel Realsense d455相机，这两天接触的相机不少，也发现很多点云检测和分割的论文中使用的都是Kinect相机，今天就再分享一篇使用Kinect2.0获取点云并使用C++实现。首先还是相机SDK的下载和安装：可以去官网下载，也可以到我之前分享的百度网盘获取。
【SLAM】2019浙大SLAM暑期学校--申抒含《基于图像的三维建模》学习记录1~稀疏点云重建
王博（Kings）的博客
07-29 3630
目录 简介 三维重建 三维几何视觉核心问题： 途径一：Simultaneous Localization and Mapping (SLAM) 途径二：Structure from Motion (SfM) SLAM & Incremental SfM： SfM误差消除策略： 图像三维建模的基本流程 稀疏点云重建 基础：小孔相机模型 重投影误差最小化 相机位姿初始化...
3d u-net: learning dense volumetric segmentation from sparse annotation
06-06
b'3d u-net: learning dense volumetric segmentation from sparse annotation' 是一种利用稀疏注释学习密集体积分割的方法。该方法基于 3D U-Net 架构，将稀疏标注的样本和不同分辨率的图像层级相结合，从而实现了对密集分割的学习和预测。
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

点云PCL公众号博客

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