PCL点云处理
2024-03-06 14:53:31 0 举报
AI智能生成
"PCL点云处理是一种用于处理和操作三维点云数据的库。点云数据通常来自于激光雷达、深度摄像头等三维扫描设备。PCL提供了丰富的方法和算法,例如滤波、特征提取、点云分割、识别、跟踪、表面重建等,以帮助用户处理和分析这些复杂的数据。"
作者其他创作
大纲/内容
第14章 电力巡检
第15章: 文物古迹保护
第16章: 地形测量
第17章: 无人驾驶
第18章: 逆向工程
第19章: 植物表型测量
第20章: 家畜表型测量
PFHSignature125-float
IntensityGradient
获取曲率
2.3.4 PCL中的异常处理机制
第2章: PCL入门
Primesense Reference Design
Microsoft Kinect
ASUS XTion PRO
集成的一些设备
设备获取
PLY
STL
OBJ
X3D
PCD文件格式
第4章: k-d tree与八叉树
第5章:可视化
全局距离均值和标准差定义的区间
问题1平局距离如何选取?
滤波的条件:
保证点云形状
体素滤波
缺点:计算量太大了
优点: 可以精确距离
外框
计算方式: 当前点到所有相邻点得平均距离
计学离群点移除过滤器
稀疏利群值得滤波
像素之间得差异性
双边滤波本质
其它滤波
第6章:点云滤波
深度图像的分割技术
从深度点云->深度图->检测点云
边缘检测技术
基于不同视点的多幅深度图像的配准技术
基于深度数据的三维重建技术
基于三维深度图像的三维目标识别技术
深度图像的多分辨率建模和几何压缩技术
第7章:深度图像
参数介绍
代码实现
效果
从点云创建深度图
深度图像<-->点云互相转换
方法
结果
兴趣点
第8章: 关键点
随机采样一致性估计
最大似然一致性估计 (MLESAC )
、最小中值方差一致性估计 ( LMEDS )等
第9章: 采样一致性
原理
平面模型经常被应用到常见的室内平面分割提取中,比如墙、地板、桌面,其他模型常应用到根据几何结构检测识别和分割物体(比如用一个圆柱体模型分割出一个杯子)。
使用场景
应用
思考:我的激光点云采样/是否也可以使用这种方式
局部特征/全局特征
通常,PCL功能使用近似的方法通过快速的kd-tree查询来计算查询点的最近邻居,我们感兴趣的查询有两种:k搜索:确定查询点的k个(用户给定参数)邻居半径搜索:确定半径为r的球面内查询点的所有邻居。
用户喜欢的搜索方式
使用视点的方式.
估算法线
使用技巧
直方图描述子
二进制描述子
特征描述子
NARF特征点描述子
FPFH大大地降低了PFH的整体复杂性,因此FPFH经常使用在实时应用中
PFH(FPFH)点特征直方图描述子
ROPS特征
VFH视点特征直方图
GASD全局对齐的控件分布描述子
基于惯性矩和偏心率的描述子
表面法线和曲率估计是某个点周围的几何特征的基本表示方法
第10章: 3D点云特征描述与提取
了解方差、协方差、雅克比矩阵、黑塞矩阵能够说出点云配准的基本步骤能够说出点云配准的需求场景能够使用ICP算法对点云进行配准操作能够使用NDT正态分布变换对点云进行配准
学习目的:能够大致看懂技术算法的论文(理论理解能力)能够将论文和代码对应起来(代码追踪能力)知道常见算法函数的代码实现方式(算法实现能力)注意!不要求能够推导、证明算法论文,因为这是理论研究者的重心。这不是我们应用型人才的重心,我们的重心是能够将理论更好的应用于实践。一定要有的放矢,提升自己的核心价值。
知道常见算法函数的代码实现方式(算法实现能力)
注意
要求
子主题
表示一组随机变量之间的两两线性相关性,其中的每个元素代表了两个随机变量之间的协方差
协方差矩阵
例子: 两个函数的 导数 组合成的一个向量(更高维度)
雅可比矩阵
牛顿法就是用一个二次曲面去拟合你当前所处位置的局部曲面,而梯度下降法是用一个平面去拟合当前的局部曲面,通常情况下,二次曲面的拟合会比平面更好,所以牛顿法选择的下降路径会更符合真实的最优下降路径
总结
点云中的数学
第11章: 点云配准
Cluster聚类分割
RANSAC基于随机采样一致性的分割
鲁棒性好的算法
空间
几何
纹理
问题1: 根据哪些因素进行划分
1.对零件的不同扫描表面进行切割
问题2:使用场景
PCL分割库包含多种算法,这些算法用于将点云分割为不同簇。适合处理由多个隔离区域空间组成的点云。将点云分解成其组成部分,然后可以对其进行独立处理。 可以在集群提取教程中找到理论入门,以解释集群方法的工作原理
拓展
第12章: 点云分割
逼近原始点云
逼近法
经过原始点云
插值法
依据点云关系
initNurbsCurve2D
B样条精通:通过这个
B样条曲面重建
参数曲面重建
隐式曲面重建
变形曲面重建
细分曲面重建
分片线性曲面重建
依据表现形式
泊松重建
MC重建
Ear Clipping算法
本教程说明如何使用移动最小二乘(MLS)曲面重构方法来平滑和重采样噪声数据
现有的算法
第13章: 曲面重建
能够了解2D&3D融合能够说出手眼标定(外参标定)的流程能够用代码实现手眼标定(外参标定)
目标
2D图像和3D图像的配准问题
概述
2D&3D融合
2D和3D融合
点云处理思维导图
0 条评论
回复 删除
下一页