点云PCL
文章平均质量分 72
weixin_38498629
这个作者很懒,什么都没留下…
展开
-
PCL-3D特征描述子
3D特征描述子什么是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全局对齐的空间分布描述子基于惯性矩和偏心率的描述原创 2022-04-27 14:09:29 · 413 阅读 · 1 评论 -
表面点云法线
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。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。通常我们一般使用后者,即给定点云数据集,直接计算云中每个点的表面法线。基础理论尽管有许多不同的法线估计方法,我们先了解其中最简单也是最常见的一个,确定表面一点法线的问题近似于估计表面的一个相切面法线的问题,因此转换过来以后就变成一个最小二乘法平面拟合估计问题原创 2022-04-21 12:11:09 · 968 阅读 · 0 评论 -
# PCL特征描述与提取Features
特征描述与提取Features3D 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子应该非常相似,不同表面上的点的特征描述子有明显的原创 2022-04-14 14:03:40 · 597 阅读 · 0 评论 -
PCL点云处理-RANSAC
RANSAC算法简介RANSAC从样本中随机抽选出一个样本子集,使用最小方差估计算法对这个子集计算模型参数,然后计算所有样本与该模型的偏差,再使用一个预先设定好的阈值与偏差比较,当偏差小于阈值时,该样本点属于模型内样本点 ( inliers),或称内部点、局内点或内点,否则为模型外样本点(outliers),或称外部点、局外点或外点,记录下当前的 inliers 的个数,然后重复这一过程。每一次重复都记录当前最佳的模型参数,所谓最佳即是inliers的个数最多 ,此时对应的inliers个数为 best_原创 2022-04-14 09:47:04 · 508 阅读 · 1 评论 -
PCL点云处理与关键点提取
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)关键原创 2022-04-04 12:34:14 · 4957 阅读 · 0 评论 -
PCL点云NARF特征点
NARF: 3D Range Image Features for Object RecognitionNARF 全称 normal aligned radial feature(法线对齐的径向特征) 。是一种3D特征点检测和描述算法。下面将分别详述 NARF 特征点的提取和描述。NARF特征点提取NARF说了很多其实就是考虑以下两点:考虑表面稳定性考虑物体边缘处由以上的两个参考,NARF可以有如下特点:提取出边缘点,这些点往往更加具有稳定性和可重复性提取出Normal稳定的,也就是一些平原创 2022-03-30 15:56:43 · 1017 阅读 · 0 评论 -
点云处理深度图
深度图深度图,这个就不多介绍了,下面图介绍了深度图的形成方法:pcl提供了点云转深度图的接口* 代码实现range_image.cpp原创 2022-03-26 13:09:12 · 342 阅读 · 0 评论 -
点云处理-高斯滤波与双边滤波
高斯滤波首先介绍下高斯函数:Gσ(x)=12πσ2exp(−x22σ2)G_\sigma(x)=\frac{1}{2 \pi \sigma^2}exp(-\frac{x^2}{2 \sigma^2})Gσ(x)=2πσ21exp(−2σ2x2)下面是高斯卷积核的定义:GB[I]p=∑q∈SGσ(∣∣p−q∣∣)IqGB[I]_p=\sum_{q \in S} G_{\sigma}(||p-q||) I_qGB[I]p=q∈S∑Gσ(∣∣p−q∣∣)Iq这里的p代表中心点,q代表卷积核原创 2022-03-26 12:48:04 · 2303 阅读 · 0 评论 -
点云滤波概述
点云滤波刚刚产生的点云往往伴随着将噪声点、离群点、孔洞、数据压缩等 按照后续需求处理,才能够更好地进行配准、特征提取、曲面重建、可视化等后续流程。PCL滤波模块提供了很多滤波处理算法双边滤波高斯滤波条件滤波直通滤波基于随即采样一致性滤波RANSAC等。滤波相关文档https://pcl-tutorials.readthedocs.io/en/latest/#filtering应用场景点云数据密度不规则需要平滑处理去除因为遮挡等问题造成离群点数据量较大,需要进行下采样原创 2022-03-23 21:42:04 · 958 阅读 · 0 评论 -
pcl_octree八叉树
pcl octree库提供了八叉树这个原理简,就是每一个分支和节点有八个叶子节点,就是把空间每层分成八个立方体,然后在立方体中从大的空间立方体依次到达我们的目标立方体。pcl-octree实现提供了有效的最近邻居搜索体素(Voxel)邻居搜索k最近邻居搜索“半经搜索邻居”“空间占用率"和"每个体素(Voxel)的点密度”树结构的序列化和反序列化下面是pcl-octree的使用案例#include<pcl/point_cloud.h>#include<pcl/o原创 2022-03-23 16:41:33 · 151 阅读 · 0 评论 -
点云分解值k-d Tree
K-D树点云数据集比较大,为了方便进行邻近检索等,就必须对这些离散的点建立拓扑关系,K-D数就是其中一种K-D树基于二叉树来实现我们这里只做简介,如果想获取详细信息,可参考文档,注意文档下载之后,可以用markdown打开,否则用浏览器,可能会看不到图片这里首先介绍下几个重要的概念严格二叉树:树的每个非叶子节点的度始终为二满二叉树:树的每一层的结点都达到最大值,如果一个二叉树是层数是K,如果它是满二叉树,那么他的结点总数必定是(2k)−1(2^k)-1(2k)−1完全二叉树:从形式上讲它是原创 2022-03-19 16:12:20 · 375 阅读 · 0 评论 -
点云入门-输入与输出
### .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 0.11499 0.0326230.024原创 2022-03-19 15:37:21 · 415 阅读 · 0 评论