C++
文章平均质量分 68
weixin_42734533
这个作者很懒,什么都没留下…
展开
-
string/hex/bit等数据类型之间的转换
字符串、hex、bit等数据类型之间相互转换原创 2022-10-20 16:15:50 · 885 阅读 · 0 评论 -
基于三维点云的机器人杆件目标识别与抓取(七)
@点云数据精配准经点云数据粗配准算法SAC_IA算法或4PCS算法配准处理后,源点云与目标点云基本重合,但仍存在匹配偏差。为了降低彼此间的匹配偏差,需要在粗配准结果的基础上采用精配准处理,对当前位姿进行修正,从而提高源点云数据与目标点云数据之间的配准精度。本文采用的精配准算法为最近点迭代配准算法。提示:以下是本篇文章正文内容,下面案例可供参考ICP数据精配准2 点云数据配准实验及分析...原创 2021-12-28 22:25:21 · 1800 阅读 · 0 评论 -
基于三维点云的机器人杆件目标识别与抓取(六)
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档@基于点云配准的场景目标杆件位姿估计1 前言本章主要介绍场景中桁架杆件目标的位姿获取方法及过程。本文采用点云数据配准的方式获取场景目标的位姿信息[50]。通过创建桁架杆件目标的模型点云数据与实际场景中识别的桁架杆件目标的点云数据进行配准,计算两点云数据之间的变换关系,进而求得实际桁架杆件目标的位姿。为了提高两组点云数据在数据配准过程中快速性和准确性,点云数据配准过程分为数据粗配准和数据精配准两部分。本文采用采样一致性算法(SAC_IA原创 2021-12-21 23:26:25 · 1032 阅读 · 1 评论 -
基于三维点云的机器人杆件目标识别与抓取(五)
@基于多层条件阈值判据的目标杆件识别前言如上节所述,基于模型特征描述匹配的目标识别方法,对场景点云数据的精度要求高,且要求识别过程视角保持不变,因此基于模型特征描述匹配的目标杆件识别方法在实际识别过程中存在适应性不足的问题。根据当前的实验条件和实验要求,考虑到桁架杆件外形特征,本文提出多层条件阈值判据的目标杆件识别方法。该方法需要针对场景点云数据子集创建最小包围盒,根据杆件特征设置不同的阈值条件,通过层层筛选,进而完成场景目标杆件的识别,通过实验验证可知,该方法能够有效实现场景杆件目标的识别且识别率较原创 2021-12-19 21:09:44 · 1242 阅读 · 1 评论 -
基于三维点云机器人杆件目标识别与抓取(一)
从本文开始,我将近一年的课题学习与研究,已分片的形式来记录和展示。将通过这几篇博文的介绍,展示自己的学习和研究过程中采用的方法及其相关结果显示。下图所示为基于位置的机器人视觉伺服反馈控制方法,本课题侧重于视觉伺服反馈部分中的场景超长杆件的目标识别及杆件的位姿估计。本篇博文将介绍数据的采集以及数据的预处理等相关内容。一、场景数据采集点云数据通常由深度图生成,本文基于双目视觉成像原理获取深度图,红外点阵投射器将结构光投射到物体表面,左右红外相机获取左右图像,根据三角测量原理得到视差图,由视差图进而生原创 2021-05-13 10:43:39 · 1753 阅读 · 1 评论 -
欧拉角与旋转矩阵之间的相互转换
位姿的表现形式有多种,常用的有:齐次矩阵、欧拉角、四元数等。欧拉角与旋转(齐次)矩阵的之间的相互转换C++代码如下:#include "opencv2/opencv.hpp"#include <stdlib.h> /* srand, rand */#include <time.h> /* time */using namespace cv;using namespace std;#define M_PI 3.1415926 Mat R_T原创 2021-01-21 21:44:53 · 1512 阅读 · 0 评论 -
“初始化”: 无法从“const char [6]”转换为“char *”
针对【 “初始化”: 无法从“const char [6]”转换为“char *” 】的问题:char *output = “image”;此语句带来的问题,对于新标准来说,这是不允许的。解决方法,按如下进行修改: char text[] = "image"; char *output = text;...原创 2020-11-26 21:42:57 · 3689 阅读 · 0 评论