- 博客(4)
- 收藏
- 关注
原创 【点云处理】第二章 最邻近问题 Nearest Neighbor Prroblem (3)八叉树
Page1八叉树为三维数据设计八叉树不需要回到root节点才停止,可以提前停止搜索。构建一个以搜索节点为中心,搜索半径的球,球完全落在某立方体里,则搜索范围就在立方体中。外面的东西不用管。Page2Page3octant组成:子节点children有8个;center,立方体中心点位置;extent:半个边长,中心点到其中一个面的距离;立方体中的点的index;判断是不是leafPage4构建8叉树:db:database,所有的点,根据点构建8茶树如果root节点不存
2021-08-10 23:58:16 554
原创 【点云处理】第二章 最邻近问题 Nearest Neighbor Prroblem (2)KD树
KD:k-dimension1975年发明。KD树每个节点包含很多内容。末节点不是none。最末端放leaf size个点。首先找到切的维度。两种都可以leaf size = 1.问题1:如何表达节点?建树第一步,选轴,第二步:把点分成两部分在选定的维度上进行排序,从中间分开核心思想:给定一个查询点,要不要搜索某个区域?查询的代码...
2021-08-10 19:40:51 258
原创 【点云处理】第二章 最邻近问题 Nearest Neighbor Prroblem (1)二叉树
k-NN:红色是要查的点,绿色是要在周围查3个最邻近的点1,2,3。怎么样找到一个邻域,在求法向量、上采样、下采样、噪声去除等等的问题中很重要,还有聚类、深度学习、特征提取等。有现成的库可以用,flann、PCL等,但是速度慢一些,自己写得更快。为什么最邻近问题困难?不规则,不像图像上下左右走一圈就行;点云高一维,数据更多。建网格的话,分辨率上去,但是储存需要内存大,大部分区域空白,不高效。数据量大,110000个点/20Hz.所以需要kd树,八叉树处理海量数据。有些区间不需要查找,怎么跳
2021-08-10 18:16:36 422
原创 MVP 数据集使用
MVP 数据集使用MVP数据集是南洋理工大学S-Lab 实验室制作的benchmark,集合了众多种类和大量的3D模型的点云数据,并基于这个数据集进行单视图局部点云补全和多视图局部点云匹配的算法研究。最近他们公布了这个数据集,并发起了一场基于MVP数据集的ICCV竞赛。上链接:DatabaseCodebase运行setup.bash报了个错:...
2021-08-08 15:50:12 884
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人