PCL学习：刚性物体的位姿估计

最新推荐文章于 2023-08-08 10:07:32 发布
最新推荐文章于 2023-08-08 10:07:32 发布
阅读量3.9k 收藏 17
点赞数 2
分类专栏： PCL学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zfjBIT/article/details/94566603
版权
本文介绍了如何在有遮挡的环境中使用Point Cloud Library（PCL）进行刚性物体的位姿估计。通过SampleConsensusPrerejective算法，利用CorrespondenceRejectorPoly排除错误位姿假设，实现高效位姿估计。实验结果显示，原始点云在右视图，配准后的点云在左视图，蓝色代表场景点云，绿色表示目标点云。
摘要由CSDN通过智能技术生成

 代码说明：

1. 在存在遮挡情况的场景中估计某个刚性物体的位姿；

2. 采用类SampleConsensusPrerejective，实现基于采样一致性的位姿估计，其高效之处在于利用类CorrespondenceRejectorPoly提前去除了错误位姿的假设；

SampleConsensusPrerejective的关键成员函数：

void  setSourceFeatures (const FeatureCloudConstPtr &features)
  设置一个指向源点云的特征描述对象的 boost 库的共享指针 features.
 
了解本专栏 订阅专栏 解锁全文 超级会员免费看
JoannaJuanCV
关注
  • 2
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
订阅专栏
目标检测YOLO实战应用案例100讲-基于YOLOv5的目标检测与6D位姿估计算法研究(下)
qq_36130719的博客
04-25 383
本章提出了一个局部特征表征的6D位姿估计算法，算法整体结构如图5-1所示， 首先分别用ISS关键点提取法、3D Harris 关键点提取法、3D SIFT关键点提取法以及 NARF关键点提取法对采样后的点云模型提取关键点，通过对比关键点提取效果及运行 时间，选择3D Harris 关键点提取法提取点云模型中具有显著特征的关键点，然后根据 这些关键点对样本模型的对应位置的特征进行标注并编码，使得点云模型的关键点与 特征的中心点对应，分别用YOLOv5算法网络和第四章提出的YOLOv5-CBE算法网络 对局部特
点云库PCL学习——位姿估计
zzh_AI的博客
07-02 3822
#include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/common/time.h> #include <pcl/console/print.h> #include <pcl/features/nor...
PCL：刚性物体的位姿估计
qq_36418943的博客
11-01 1487
#include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/common/time.h> #include <pcl/console/print.h> #include <pcl/features/norm...
PCL-FPFH特征检测_匹配_位姿估计
蜗壳X儿
12-08 1655
近期课题中需要使用PCL进行点云处理，故而学习了一下PCL点云算法库。使用了PCL中的FPFH特征检测，之后利用SAC-IA算法对两个点云进行初始配准。原理可以官方讲解或者大佬的博客。 Function.cpp #include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/common/time.h> #include <pcl/
PCL之空间非合作目标位姿估计
u013015080的专栏
01-03 1463
使用PCL做项目有一段时间了，接下来会发布一系列有关PCL及项目的文章，敬请期待。
PCL库函数实现相对位姿估计，轻松解决3D视觉难题！
m0_50610065的博客
08-08 440
首先，需要使用PCL库中的PointCloud类加载点云数据。通过调用PointCloud类中的load函数，可以把点云数据加载到内存中。例如：pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ); pcl::io::loadPCDFile(“pointcloud.pcd”, *cloud);在点云数据中提取特征点是相对位姿估计的第一步。PCL库中的各种滤波器和特征提取算法可以帮助我们实现这一步骤。例如使用SIFT
11.2.5—刚性物体的位姿估计
weixin_48240054的博客
12-28 405
1.代码 #include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/common/time.h> #include <pcl/console/print.h> #include <pcl/features/normal_3d.h> #include <pcl/features/fpfh.h> #i
PCL如何使用ICP(iterative closest point)算法
Asher_zheng的专栏
07-27 9216
ICP介绍 假如一个点云只是另一个点云的刚性变换的话，可以通过不断缩小两个点云点之间的距离得到两个点云之间的刚性变换矩阵，从而使两个点云可以完全拼接在一起，而这种迭代最近点的算法就是ICP. Why ICP 算法？ ICP主要用在2D重建，机器人定位并实现最佳路径规划以及3D模型的registration等应用场合。 如何使用PCL里的ICP算法？ 1. 添加必要头文件： #inc...
目标检测YOLO实战应用案例100讲-基于YOLOv5的目标检测与6D位姿估计算法研究
qq_36130719的博客
07-02 2095
目前，机器人在各个领域应用广泛，工厂车间中有工件搬运机器人，医院中有语 音指导机器人，在北京冬奥会上，有做咖啡机器人、防疫机器人等。这些机器人能够 正常运作的关键就是机器视觉技术，它充当着机器人的“眼睛”，通过模拟人体，利用 视觉传感器系统去识别物体的颜色、纹理、位置等信息，然后将这些信息通过算法进 行处理从而实现对目标物体的识别、检测与定位。因此机器视觉的本质就是用机器来 模拟人的视觉感官，去处理事情，使机器更加的智能化、现代化和自动化。
detectozord:利用PointNet + PCL从点云进行目标检测，分类和姿态估计
05-05
该存储库是用于在计算机视觉中使用pcl和tensorflow的沙箱（实验代码） “细分”是利用pcl从深度传感器中捕获3d点云，应用SAC细分以去除大型平面，通过pcl欧几里德聚类提取从场景中提取细分/数据/模型中预定义3D模型的候选实例，进行分类的管道他们使用点网将其放入预定义的对象集中，然后通过pcl SampleConsensusPrerejective估计其姿势 使用的软件包： python 3.5 x64 https://www.python.org/downloads/release/python-350/ pip install --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_amd64.whl pip install scipy
Pose-Estimation-Library:已知物体姿态估计库
05-06
姿势估计库 可找到已知物体的姿态估计库，代码api和用户手册 设置 您可以使用在catkin工作区中构建pel，以便其他catkin软件包可以使用pel，也可以使用纯CMake在整个系统范围内构建和安装pel。 您选择的任一路径都将需要以下依赖项。 基本依赖 pcl> = 1.7.2 Boost库 hdf5（Ubuntu上的libhdf5-dev） GCC> 4.7（或支持-std = c ++ 11的等效编译器） CMake的> = 2.8.3 将pel安装在柳絮工作区中 导航到您的catkin源空间（对于大多数人来说，它只是〜/ catkin_ws / src /），然后克隆该项目： cd ~/catkin_ws/src/ git clone git@github.com:Tabjones/Pose-Estimation-Library.git 然后使用catkin build
目标检测与位姿估计（十四）：ros-pcl
qq_37662375的博客
10-09 584
项目地址：https://github.com/WeiChunyu-star/effective_robotics_programming_with_ros 建立一个自己的工作空间以及提前编译一遍 $ mkdir -p workspace/src $ cd workspace $ catkin_make 下载项目并编译 $ cd $ git clone https://github.com/WeiChunyu-star/effective_robotics_programming_wi
基于PCL的物体识别与位姿估计tutorial学习
weixin_44423355的博客
05-30 1156
基于PCL的物体识别与位姿估计tutorial学习 来源PCL点云库的tutorial。 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录基于PCL的物体识别与位姿估计tutorial学习前言一、pandas是什么？二、使用步骤1.训练阶段2.测试阶段总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一
PCL学习：基于VFH描述子的聚类识别与位姿估计(1)
zfjBIT的专栏
07-05 1万+
VFH是非常强大的描述子之一，其主要用于识别和估计点集的聚类，这里的聚类是指3D点的集合，常常代表着一个特殊目标对象或场景的一部分，由分割或提取算法获得。 在本节我们的目标不是提供一个最终的识别工具，而是根据各个聚类的场景及其对应的6自由度位姿，从一组聚类中检索查询进而选取与用户输入的场景近似的候选集，这样就可以将识别问题抽象为一个近邻估计问题。给定一组训练数据，我们将使用一种有效的近邻搜索结构...
pcl点云变换位姿及显示
start223的博客
07-15 1410
#include <pcl/io/pcd_io.h> #include <pcl/common/transforms.h> #include <pcl/visualization/cloud_viewer.h> int main() { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile("mod
PCL学习：基于VFH描述子的聚类识别与位姿估计(2)
zfjBIT的专栏
07-05 1726
构建树结构： 训练步骤： 遍历给定的目录，查看所有pcd文件，测试它们是否有VFH标志位，并加载到内存中。 转化数据为FLANN格式并存储到磁盘。 利用FLANN数据建立kdtree结构，并将其保存到磁盘。 其中，采用loadFeatureModels方法循环遍历从命令行获取的路径，从而加载路径下所有的pcd文件。在loadFeatureModels内部，调用loadHist，该函数，打开...
刚体6D位姿估计方法综述
热门推荐
dsoftware的博客
07-31 3万+
方法分类 （Correspondences-based method）（Template-based method）（Voting-based method） （Regression-based method） 一个简单的表格是这么创建的： 姿态估计方法 已知信息 核心思路 代表方法 适用场景 基于2D-3D对应的方法 3D模型3D点与以及投影后的带纹理图像 将3D模型投影得到RG...
PCL学习：基于VFH描述子的聚类识别与位姿估计(3)
zfjBIT的专栏
07-05 2269
测试阶段 在测试阶段，随机加载一个来自于训练阶段的模型VFH特征文件（用户可以提供自己获取的模型VFH特征文件），从建立的树结构中检索相似的对象，并进行可视化显示。 #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/common/common.h> #includ...
pcl::PointCloud<pcl::PointXYZ> 转换成 pcl::PointCloud<pcl::PointXYZ>::Ptr
最新发布
02-29
pcl::PointCloud<pcl::PointXYZ> 是一个点云数据类型，表示一个由PointXYZ类型的点组成的点云。而pcl::PointCloud<pcl::PointXYZ>::Ptr 是一个指向 pcl::PointCloud<pcl::PointXYZ> 类型对象的智能指针。 要将 pcl::PointCloud<pcl::PointXYZ> 转换为 pcl::PointCloud<pcl::PointXY>::Ptr，可以使用 boostmake_shared 函数来创建智能指针，并将原始的点云对象作为参数传递给它。具的代码如下所示： ```cpp pcl::PointCloud<pcl::PointXYZ>::Ptr cloudPtr(new pcl::PointCloud<pcl::PointXYZ>(cloud)); ``` 其中，cloud 是 pcl::PointCloud<pcl::PointXYZ> 类型的点云对象，cloudPtr 是 pcl::PointCloud<pcl::PointXYZ>::Ptr 类型的智能指针。 这样就完成了从普通的点云对象到智能指针的转换。
评论 7
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

打赏作者

JoannaJuanCV

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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