![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
点云分割
文章平均质量分 96
糊烟乱雨
这个作者很懒,什么都没留下…
展开
-
传统点云分割三部曲(三)——CPC(Constrained Planar Cuts)
传统方法进行点云分割也有很好的效果,这篇博客是本系列的第三篇,介绍的是发表于2015年CVPR上的CPC算法,CPC原文。CPC在LCCP的基础上继续深入,LCCP判断邻接超体素之间的凹凸性,将凹边视作无效边,最后沿着凸边对超体素做聚类,再滤除超体素个数少的类,即可实现对物体的分割,效果如下:第一幅图中的一个个白色正方形可以视作超体素,凸边凹边奇异边也用不同颜色标识了出来,可以看到这个阶梯状的物体在使用LCCP过后,从白色的桌面上被分离出来了。在某些场景下,这种程度的分割已经足够。原创 2023-11-12 22:40:19 · 321 阅读 · 2 评论 -
传统点云分割三部曲(一)——VCCS(Voxel Cloud Connectivity Segmentation)
我之前狭隘地以为只有点云深度学习才能处理分割问题,偶然发现传统方法的分割结果一样可以令我眼前一亮。VCCS原文LCCP原文CPC原文其中VCCS是分割前的准备工作,LCCP和CPC是分割的方法,二者论文中的效果图如下,有点出乎我的意料。。。。传统方法我认为最好的点在于通用性很强,并且可解释,应用起来比较友好。这三篇论文出自同一实验室,并且算法实现均已发布到PCL中,所以我准备学习这三篇论文的方法,并整理成笔记与大家交流。原创 2023-11-12 22:39:51 · 781 阅读 · 0 评论 -
传统点云分割三部曲(二)——LCCP(Locally Convex Connected Patches)
传统方法进行点云分割也有很好的效果,这篇博客是本系列的第二篇,介绍的是发表于2014年CVPR上的LCCP算法,LCCP原文。VCCS是使用LCCP进行分割前的预处理工作,该方法的介绍可以看上一篇博客,LCCP的效果如下,本文提出了一种高效的,无需学习的点云分割方法,避免了对数据集的需求。算法首先利用VCCS获得supervoxel的邻接图,然后判断邻接图的每条边是凸边还是凹边。以这种方式,邻接图被分成了一系列的可以用来代表物体的局部凸连接子图。原创 2023-11-12 22:38:48 · 384 阅读 · 1 评论