PCL 点云学习八（关键点）

最新推荐文章于 2024-08-02 21:21:19 发布
最新推荐文章于 2024-08-02 21:21:19 发布
阅读量725 收藏 5
点赞数
原文链接：https://editor.csdn.net/md?articleId=116242409
版权

Harris3D

pcl的原理Harris3d详见：链接
更加准确的Harris3d论文：《Harris 3D: a robust extension of the Harris operator for interest
point detection on 3D meshes》

  1. 核心代码
    pcl::HarrisKeypoint3D<PointType,OUTPointType> detector;//<输入点云类型，输出类型>
    detector.setNonMaxSupression(true);//开启极大值抑制
    detector.setRadiusSearch(resolution);//搜索半径
    detector.setThreshold(1e-7);            //阈值
    detector.setInputCloud(cloud);
    detector.setSearchMethod(tree);
  1. 实例

#include <pcl/point_cloud.h>
#include <pcl/keypoints/harris_3d.h>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/search/flann_search.h>
#include <pcl/octree/octree_search.h>
#include <pcl/octree/octree.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/io/ply_io.h>
#include <chrono>
#define PointType pcl::PointXYZ
#define OUTPointType pcl::PointXYZI
using namespace std;
using namespace pcl;


boost::shared_ptr<pcl::visualization::PCLVisualizer> RGB_viwer(pcl::PointCloud<PointType>::Ptr cloud,
                                                              pcl::PointCloud<OUTPointType>::Ptr cloud1){
  boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
  int v1(0);
  viewer->createViewPort(0.0, 0.0, 0.5, 1.0, v1);
  viewer->addPointCloud<PointType>(cloud,"simple cloud",v1);
  //设置点云属性
  viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,3,"simple cloud",v1);

  int v2(0);
  viewer->createViewPort(0.5, 0.0, 1, 1.0, v2);
  pcl::visualization::PointCloudColorHandlerCustom<OUTPointType> single_color1(cloud1,0,255,0);
  viewer->addPointCloud<OUTPointType>(cloud1,single_color1,"XYZ add color1", v2);
  viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,3,"XYZ add color1", v2);
  viewer->addCoordinateSystem(1.0);
  return (viewer);
};

using std::chrono::system_clock;
int main(int argc, const char** argv) {
    PointCloud<PointType>::Ptr cloud(new PointCloud<PointType>() );
    PointCloud<OUTPointType>::Ptr cloudout(new PointCloud<OUTPointType>() );
    search::KdTree<PointType>::Ptr tree(new  search::KdTree<PointType>());
    //io::loadPCDFile("/home/n1/notes/pcl/harris3d/test.pcd",*cloud);
    io::loadPLYFile("/home/n1/notes/pcl/harris3d/init.ply",*cloud);
    cout<<"点云大小:"<<cloud->size()<<endl;

    //cout<<"点云大小:"<<cloud->size()<<endl;
    double resolution=0.7;//分辨率
    pcl::HarrisKeypoint3D<PointType,OUTPointType> detector;//<输入点云类型，输出类型>
    detector.setNonMaxSupression(true);//开启极大值抑制
    detector.setRadiusSearch(resolution);//搜索半径
    detector.setThreshold(1e-7);            //阈值
    detector.setInputCloud(cloud);
    detector.setSearchMethod(tree);
    system_clock::time_point t1 = system_clock::now();
    detector.compute(*cloudout);
    system_clock::time_point t2 = system_clock::now();
    std::chrono::duration<double, std::milli> time_diff = std::chrono::duration<double,std::milli>(t2-t1);
    cout<<"点云大小:"<<cloudout->size()<<endl;
    cout<<"运行时间:"<<time_diff.count()<<endl;
    //可视化
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("3D Viewer"));
    
    while (!viewer->wasStopped()){
        viewer=RGB_viwer(cloud,cloudout);
        resolution+=0.01;
        detector.setRadiusSearch(resolution);//搜索半径
        detector.compute(*cloudout);
        cout<<"点云大小:"<<cloudout->size()<<endl;
        viewer->spinOnce (10000);
        boost::this_thread::sleep (boost::posix_time::microseconds (300000));
    }
    return 0;
}

Narf3D

在边缘提取使用的就是narf关键点，详见边缘提取

  1. 核心代码：
     Eigen::Affine3f sensor_pose= (Eigen::Affine3f)Eigen::Translation3f(0.0f, 0.0f, 0.0f);
    float noise_level=0.0;
    float min_range=0.0;
    int border_size=1;
    std::cout<<"1:"<<endl;
    pcl::RangeImage::CoordinateFrame coordinate_frame=pcl::RangeImage::CAMERA_FRAME;
    boost::shared_ptr<pcl::RangeImage> range_image_ptr(new pcl::RangeImage());
    float angulareslution=(float)(0.5f*(M_PI/180.0f));    //1度
    range_image_ptr->createFromPointCloud(*cloud,angulareslution,pcl::deg2rad(360.0f),pcl::deg2rad(180.0f),
                                            sensor_pose,coordinate_frame,noise_level,min_range,border_size);
    range_image_ptr->integrateFarRanges(far_ranges);
    int support_size=1;
    pcl::RangeImageBorderExtractor narfextrator;//特征点
    
    pcl::NarfKeypoint  narf_keyPoints_detector(&narfextrator);//初始化描述子
    
    pcl::RangeImage& range_image = *range_image_ptr;
    narf_keyPoints_detector.setRangeImage(&range_image);    //设置输入点云
    narf_keyPoints_detector.getParameters().support_size=support_size;//设置支撑平面大小
    narf_keyPoints_detector.getParameters().max_no_of_interest_points=-1;//返回最大关键点个数
    narf_keyPoints_detector.getParameters().min_distance_between_interest_points=0.08;//两个关键点之间的最小距离 min_distance_between_interest_points*support_size
    narf_keyPoints_detector.getParameters().optimal_distance_to_high_surface_change=0.10;//变化大小optimal_distance_to_high_surface_change*support_size
    narf_keyPoints_detector.getParameters().min_interest_value=0.30;//考虑作为关键的最小值
    narf_keyPoints_detector.getParameters().optimal_range_image_patch_size=10;//提取块大小
    narf_keyPoints_detector.getParameters().distance_for_additional_points=10;//低于该范围叶会提取关键点包多小于min_interest_value distance_for_additional_points*support_size
    narf_keyPoints_detector.getParameters().add_points_on_straight_edges=false;//作当为true 时位于straight edges的关键点也会备选取
    narf_keyPoints_detector.getParameters().do_non_maximum_suppression=true;//极大值抑制
    narf_keyPoints_detector.getParameters().no_of_polynomial_approximations_per_point=true;//使用双变量函数拟合求解关键点
    narf_keyPoints_detector.getParameters().max_no_of_threads=1;//求解操作的最大线程数
    narf_keyPoints_detector.getParameters().use_recursive_scale_reduction=false;//使用降采样提高提取速度
    narf_keyPoints_detector.getParameters().calculate_sparse_interest_image=true;//是否开启启发式算法提取关键点

 pcl::PointCloud<int> keypoint_indices;  //索引值
 narf_keyPoints_detector.compute(keypoint_indices);
  1. 实例
#include <pcl/keypoints/narf_keypoint.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/range_image/range_image.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/range_image_border_extractor.h>
#include <pcl/keypoints/narf_keypoint.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <Eigen/Eigen>
using namespace std;
using namespace pcl;
typedef pcl::PointXYZ PointType;

boost::shared_ptr<pcl::visualization::PCLVisualizer> RGB_viwer(pcl::PointCloud<PointType>::Ptr cloud,
                                                              pcl::PointCloud<PointType>::Ptr cloud1
                                                              ){
  boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
  int v1(0);
  viewer->addPointCloud<PointType>(cloud,"simple cloud");
  //设置点云属性
  viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,1,"simple cloud");


  pcl::visualization::PointCloudColorHandlerCustom<PointType> single_color1(cloud1,0,255,0);
  viewer->addPointCloud<PointType>(cloud1,single_color1,"XYZ add color1");
  viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,3,"XYZ add color1");


  return (viewer);
}

int main(int argc, const char** argv) {
    PointCloud<PointType>::Ptr cloud(new PointCloud<PointType>());
    pcl::PointCloud<pcl::PointWithViewpoint> far_ranges;
    io::loadPCDFile("/home/n1/notes/pcl/narf3d/test.pcd",*cloud);
     io::loadPCDFile("/home/n1/notes/pcl/narf3d/test.pcd",far_ranges);
    StatisticalOutlierRemoval<PointXYZ> SOR;//  初始化对像
    SOR.setInputCloud(cloud);
    SOR.setMeanK(50);               ///最临近距离求取均值点的个数
    SOR.setStddevMulThresh(1);       //设置阈值 阈值=均值+设置系数*标准差 小于阈值为内点，大于阈值为离群点
    SOR.filter(*cloud);


     Eigen::Affine3f sensor_pose= (Eigen::Affine3f)Eigen::Translation3f(0.0f, 0.0f, 0.0f);
    float noise_level=0.0;
    float min_range=0.0;
    int border_size=1;
    std::cout<<"1:"<<endl;
    pcl::RangeImage::CoordinateFrame coordinate_frame=pcl::RangeImage::CAMERA_FRAME;
    boost::shared_ptr<pcl::RangeImage> range_image_ptr(new pcl::RangeImage());
    float angulareslution=(float)(0.5f*(M_PI/180.0f));    //1度
    range_image_ptr->createFromPointCloud(*cloud,angulareslution,pcl::deg2rad(360.0f),pcl::deg2rad(180.0f),
                                            sensor_pose,coordinate_frame,noise_level,min_range,border_size);
    range_image_ptr->integrateFarRanges(far_ranges);
    int support_size=1;
    pcl::RangeImageBorderExtractor narfextrator;//特征点
    
    pcl::NarfKeypoint  narf_keyPoints_detector(&narfextrator);//初始化描述子
    
    pcl::RangeImage& range_image = *range_image_ptr;
    narf_keyPoints_detector.setRangeImage(&range_image);    //设置输入点云
    narf_keyPoints_detector.getParameters().support_size=support_size;//设置支撑平面大小
    narf_keyPoints_detector.getParameters().max_no_of_interest_points=-1;//返回最大关键点个数
    narf_keyPoints_detector.getParameters().min_distance_between_interest_points=0.08;//两个关键点之间的最小距离 min_distance_between_interest_points*support_size
    narf_keyPoints_detector.getParameters().optimal_distance_to_high_surface_change=0.10;//变化大小optimal_distance_to_high_surface_change*support_size
    narf_keyPoints_detector.getParameters().min_interest_value=0.30;//考虑作为关键的最小值
    narf_keyPoints_detector.getParameters().optimal_range_image_patch_size=10;//提取块大小
    narf_keyPoints_detector.getParameters().distance_for_additional_points=10;//低于该范围叶会提取关键点包多小于min_interest_value distance_for_additional_points*support_size
    narf_keyPoints_detector.getParameters().add_points_on_straight_edges=false;//作当为true 时位于straight edges的关键点也会备选取
    narf_keyPoints_detector.getParameters().do_non_maximum_suppression=true;//极大值抑制
    narf_keyPoints_detector.getParameters().no_of_polynomial_approximations_per_point=true;//使用双变量函数拟合求解关键点
    narf_keyPoints_detector.getParameters().max_no_of_threads=1;//求解操作的最大线程数
    narf_keyPoints_detector.getParameters().use_recursive_scale_reduction=false;//使用降采样提高提取速度
    narf_keyPoints_detector.getParameters().calculate_sparse_interest_image=true;//是否开启启发式算法提取关键点

     
    pcl::PointCloud<int> keypoint_indices;  //索引值
    narf_keyPoints_detector.compute(keypoint_indices);
    std::cout<<"keypoint_indices.size():"<<keypoint_indices.size()<<endl;


    pcl::PointCloud<PointType>::Ptr keypoints_ptr(new pcl::PointCloud<PointType>());//特征点
    keypoints_ptr->points.resize(keypoint_indices.points.size());
    for(size_t i=0;i<keypoint_indices.points.size();++i)
    {        
        keypoints_ptr->points[i].x=range_image_ptr->points[keypoint_indices.points[i]].x;
                keypoints_ptr->points[i].y=range_image_ptr->points[keypoint_indices.points[i]].y;
                        keypoints_ptr->points[i].z=range_image_ptr->points[keypoint_indices.points[i]].z;
    }

    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer=RGB_viwer(cloud,keypoints_ptr);
    while (!viewer->wasStopped()){
        viewer->spinOnce (100);

        
        boost::this_thread::sleep (boost::posix_time::microseconds (100000));
    }
    return 0;
}

SIFT

从图像领域的《Distinctive image features from scale-invariant keypoints》拓展
翻译：详见链接1
简略链接2

  1. 简要
  • Dog空间：类似与在图像中，遍历点云进行高斯模糊，找到某一点固定的半径，在半径使用高斯权重得到一个新强度值，得到一个尺度空间，类似的得到多个尺度空间，临近的尺度空间求差，就得到了4维的DOG空间
  • 寻找局部最大值：类似的，在4维空间中，寻找每一个点的高斯差值在其k个邻域内，是否具有局部最大值/最小值，如果有则为关键点
  • 这样我们将会得到一个关键点+尺度
  • pcl中的sift只提取了关键点并没有计算描述符
  1. 核心代码
    float min_scale=0.01;
    int n_octaves=6;
    int n_scales_pre_octave=4;
    int min_constast=0.01;

    pcl::SIFTKeypoint<PointXYZ,PointWithScale> SIFT;    //创建对象
    PointCloud<PointWithScale>::Ptr result(new PointCloud<PointWithScale>());      //结果
    pcl::search::KdTree<PointXYZ>::Ptr tree(new pcl::search::KdTree<PointXYZ>());
    SIFT.setInputCloud(cloud);  //设置输入点云
    SIFT.setSearchMethod(tree); //设置搜索方法
    SIFT.setScales(min_scale,n_octaves,n_scales_pre_octave);//设置最小尺度，层数，每层尺度空间个数
    SIFT.setMinimumContrast(min_constast);  //阈值
    SIFT.compute(*result);
  1. 计算narf描述子
 std::vector<int> keypoint_indices2;//赋值索引
    keypoint_indices2.resize (keypoint_indices.points.size ());  
    for (unsigned int i=0; i<keypoint_indices.size (); ++i) 
        keypoint_indices2[i]=keypoint_indices.points[i];    
    pcl::NarfDescriptor narf_descriptor (&range_image, &keypoint_indices2);//计算描述子 深度图像 搜索点索引
    narf_descriptor.getParameters ().support_size = support_size;
    bool rotation_invariant = true;
    narf_descriptor.getParameters ().rotation_invariant = rotation_invariant;//使用旋转不变版本
    pcl::PointCloud<pcl::Narf36> narf_descriptors;//描述子
    narf_descriptor.compute(narf_descriptors);
    cout << "共提取了： "<<narf_descriptors.size ()<<" 待提取点大小 "
                      <<keypoint_indices.points.size ()<< " .\n";
  1. 实例
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/keypoints/sift_keypoint.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/octree/octree.h>
#include <pcl/visualization/pcl_visualizer.h>
using namespace pcl;
using namespace std;
typedef pcl::PointXYZ PointType;

boost::shared_ptr<pcl::visualization::PCLVisualizer> RGB_viwer(pcl::PointCloud<PointType>::Ptr cloud,
                                                              pcl::PointCloud<PointWithScale>::Ptr cloud1
                                                              ){
  boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
  int v1(0);
  viewer->addPointCloud<PointType>(cloud,"simple cloud");
  //设置点云属性
  viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,1,"simple cloud");


  pcl::visualization::PointCloudColorHandlerCustom<PointWithScale> single_color1(cloud1,0,255,0);
  viewer->addPointCloud<PointWithScale>(cloud1,single_color1,"XYZ add color1");
  viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,3,"XYZ add color1");


  return (viewer);
}

//使用z方向替换强度值用来计算尺度空间，即回值，还可以用法线、曲率代替
//对于PointXYZI，PointXYZRGB，PointXYZRGBA无需构造该结构
namespace pcl
{
  template<>
    struct SIFTKeypointFieldSelector<PointXYZ>
    {
      inline float
      operator () (const PointXYZ &p) const
      {
        return p.z;
      }
    };
}

int main(int argc, const char** argv) {
    PointCloud<PointXYZ>::Ptr cloud(new PointCloud<PointXYZ>());
    io::loadPCDFile("/home/n1/notes/pcl/sift3d/pig.pcd",*cloud);
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    float min_scale=0.01;
    int n_octaves=6;
    int n_scales_pre_octave=4;
    int min_constast=0.01;

    pcl::SIFTKeypoint<PointXYZ,PointWithScale> SIFT;    //创建对象
    PointCloud<PointWithScale>::Ptr result(new PointCloud<PointWithScale>());      //结果
    pcl::search::KdTree<PointXYZ>::Ptr tree(new pcl::search::KdTree<PointXYZ>());
    SIFT.setInputCloud(cloud);  //设置输入点云
    SIFT.setSearchMethod(tree); //设置搜索方法
    SIFT.setScales(min_scale,n_octaves,n_scales_pre_octave);//设置最小尺度，层数，每层尺度空间个数
    SIFT.setMinimumContrast(min_constast);  //阈值
    SIFT.compute(*result);
    viewer=RGB_viwer(cloud,result);
    while (!viewer->wasStopped()){
        viewer->spinOnce (100);

        
        boost::this_thread::sleep (boost::posix_time::microseconds (100000));
    }
    return 0;
}
磊磊哈哈
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCL学习：关键点-Keypoint类
zfjBIT的专栏
06-19 1518
关键点也称为兴趣点，它是2D图像或是3D点云或者曲面模型上，可以通过定义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，关键点的数量相比于原始点云或图像的数据量减小很多，与局部特征描述子结合在一起，组成关键点描述子常用来形成原始数据的表示，而且不失代表性和描述性，从而加快了后续的识别，追踪等对数据的处理了速度，故而，关键点技术成为在2D和3D 信息处理中非常关键的技术。 pcl::Key...
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
02-27 57万+
PCL学习目录。博客长期更新，最近一次更新时间为：2024年9月4日。
PCL点云库学习笔记（6）——关键点
张飞飞的博客
12-27 3761
1.关键点相关概念及算法 关键点也称为兴趣点，它是 2D 图像、3D 点云或曲面模型上，可以通过定义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，关键点的数量相比于原始点云或图像的 数据量小很多，它与局部特征描述子结合在一起，组成关键点描述子，常用来形成原始数据 的紧凑表示，而且不失代表性与描述性，从而可以加快后续识别、追踪等对数据的处理速 度。关键点提取是 2D 与 3D 信息处理中不可或缺的关键技术。 ...
PCL从理解到应用【08】 点云特征 | 法线估计 | 主曲率估计
最新发布
黎国溥
08-02 1015
在PCL中，有多种方法和函数可以用来提取点云特征，本文介绍几何特征。其中，几何特征主要包括法线估计和主曲率估计。这些特征能够描述点云表面的几何形状，常用于进一步的点云处理和分析，如配准、分割和物体识别。平面的法向量估计，示例效果：1. 法向量 (Normal Vector)法向量是一个垂直于曲面或平面的向量，描述了曲面在某一点的局部方向。对于一个三维曲面，法向量是法平面的法线。对于每个点，定义一个局部邻域。在这个邻域中，使用算法拟合一个平面。法向量是拟合平面的法线方向。
PCL点云库——关键点
kkmd66的博客
10-29 2306
NARF（Normal Aligned Radial Feature）关键点是为了从深度图像中识别物体而提出的，关键点探测的重要一步是减少特征提取时的搜索空间，把重点放在重要的结构上，对NARF关键点提取过程有以下要求：（1）提取的过程必须将边缘以及物体表面变化信息考虑在内；（2）关键点的位置必须稳定，可以被重复探测到，即使换了不同的视角；（3）关键点所在的位置必须有稳定的支持区域，可以计算描述子并进行唯一的法向量估计。
PCL之点云关键点检测
03-29
该文件包含了PCL三种关键点检测技术的对比，包括Narf关键点 ，SIFT关键点与HARRIS关键点，结果展示在同一个视窗上，运行完弹出viewer后，按R键显示对比结果
PCL中的关键点
qq_29462849的博客
12-19 585
NARF关键点是为了从深度图像中识别物体而提出的，关键点探测的重要一步是减少特征提取时的搜索空间，把重点放在重要的结构上，对NARF关键点提取过程有以下要求： 提取的过程必须考虑边缘以及物体表面变化信息在内; 关键点的位置必须稳定的可以被重复探测，即使换了不同的视角; 关键点所在的位置必须有稳定的支持区域，可以计算描述子和进行唯一的估计法向量; 为了满足上述要求，提出以下探测步骤来进行关键点提...
点云库PCL学习——关键点
zzh_AI的博客
06-19 934
关键点也称为兴趣点，它是2D图像或是3D点云或者曲面模型上，可以通过定义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，关键点的数量相比于原始点云或图像的数据量减小很多，与局部特征描述子结合在一起，组成关键点描述子常用来形成原始数据的表示，而且不失代表性和描述性，从而加快了后续的识别，追踪等对数据的处理了速度，故而，关键点技术成为在2D和3D 信息处理中非常关键的技术。 1.关键点提...
PCL学习之获取点云
小羊哈利
10-09 6482
刚入门学习PCL点云库，有些基础东西比较茫然。比如已经存在由RGB-D sensor获取的rgb image和depth image，如何将其转化为点云。下面，以比较通用的点云类型pcl::PointXYZRGB为例，讲述如何获取对应的点云数据。**code：** pcl::PointCloud::Ptr depth2cloud( cv::Mat rgb_image, cv::Mat depth_
PCL 点云Harris关键点检测
weixin_43896283的博客
11-27 520
c++ 点云Harris关键点检测
PCL 点云SUSAN关键点提取
点云侠的博客
12-26 1319
实现了SUSAN关键点探测器的在RGB-D数据中的扩展，主要根据在强度与法向量的变化来提取关键点。SUSAN与Harris的不同之处在于它直接利用法线，所以速度更快。
点云关键点提取（1）
04-10
pcl中实现对点云的关键点提取，具体包括iss和sift关键点。
PCL，点云滤波
10-19
使用PCL的点云滤波程序，调用PCL枯函数建立Kdtree，进行点云滤波
PCL点云拼接
01-28
需安装PCL，配好环境。程序中需要更改的内容包括原点云、目标点云及二者间估算的转换矩阵（4*4）。
PCL点云处理通用技术使用指南
03-12
### PCL点云处理通用技术使用指南 #### 第一章：点云基础知识 **1.1 什么是点云？** 点云是一种三维空间中的数据表示形式，由一系列离散的三维点组成，每个点通常携带位置信息（X、Y、Z坐标）和其他属性如颜色或...
这是我学习PCL点云配准的代码
02-20
这是我学习PCL点云配准的代码，包括了VFH特征的使用、SHOT特征描述符、对应关系可视化以及ICP配准、PFH特征描述符、对应关系可视化以及ICP配准、3DSC特征描述符、对应关系可视化以及ICP配准、Spin Image自旋图像描述...
PCL点云配准（3）
weixin_34332905的博客
09-12 1110
(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...
第八周PCL学习-点云分割（八）
longer88888的博客
04-10 2213
目录 一、点云分割 1.1 概述 1.2 PCL库中点云分割方法 1.3 算法原理 1.3.1 Plane model segmentation (平面模型分割） 1.3.2 算法原理 1.2 算法原理 1.4 实验 二、总结 三、参考文献 前言 点云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，...
PCL点云处理与关键点提取
weixin_38498629的博客
04-04 4979
关键点简介 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 。(也就是能够代表对象特征的子点集) 固而，关键点提取就成为了2D与3D信息处理中不可获缺的关键技术 关键点概念以及算法 NARF(Normal Aligned Radial Feature)关键
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
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