基于点云的k近邻搜索与余弦距离计算使用OpenCV的flann库

最新推荐文章于 2024-03-06 21:47:56 发布

XsupDatabase

最新推荐文章于 2024-03-06 21:47:56 发布

阅读量175

点赞数

CC 4.0 BY-SA版权

文章标签： opencv 人工智能计算机视觉点云

本文链接：https://blog.youkuaiyun.com/XsupDatabase/article/details/133308140

点云专栏收录该内容

74 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了如何利用OpenCV的flann库在点云数据中进行k近邻搜索和余弦距离计算。首先，建立KD树索引加速搜索，接着执行k近邻搜索找到最近的k个邻居，再通过归一化处理计算余弦距离。这种方法对于大规模点云数据的相似度度量在计算机视觉和机器人领域具有实用性。

点云是由大量的三维点构成的数据集，它在计算机视觉和机器人领域中得到广泛应用。在处理点云数据时，经常需要进行k近邻搜索来寻找与给定点最接近的邻居点。此外，余弦距离是一种常用的相似度度量方法，用于比较两个向量之间的方向差异。在本文中，我们将介绍如何使用OpenCV的flann库进行基于点云的k近邻搜索，并使用余弦距离进行相似度计算。

首先，我们需要安装OpenCV库并配置好编译环境。然后，我们可以开始编写代码。下面是一个示例代码，演示了如何使用flann库进行k近邻搜索和余弦距离计算：

#include <iostream>
#include <opencv2/opencv.hpp>

int main(<

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

XsupDatabase

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

开源计算机视觉库OpenCV详解

dvlinker的技术专栏

06-23

9万+

详细介绍开源计算机视觉库OpenCV。

学习OpenCV——Surf（特征点篇）&flann

小熊不去实验室

04-20

5万+

Surf(Speed Up Robust Feature) Surf算法的原理 1.构建Hessian矩阵构造高斯金字塔尺度空间其实surf构造的金字塔图像与sift有很大不同，就是因为这些不同才加快了其检测的速度。S

参与评论您还未登录，请先登录后发表或查看评论

使用opencv::flann C++进行k近邻搜索，余弦距离

q742971636的博客

02-16

855

接着，使用 cv::flann::Index 创建一个 KD-Tree 索引，使用欧几里得距离作为距离度量。最后，对于每个查询数据，将其前 k 个最近邻的索引和距离存储到 neighbours 中，同时计算每个最近邻之间的余弦距离，并保存到 distance22 中，方便后续的计算。具体来说，该函数输入一个特征向量集合 feats，输出每个特征向量的前 k 个最近邻索引和对应的距离，存储在一个 vector 和一个 vector 中，分别表示索引和距离。

OpenCV——KD Tree（介绍完整的flann邻近搜索）

ErenTuring的博客

06-10

2万+

关于OpenCV的FLANN库中KD-Tree搜索的文章并不多。 FLANN搜索的流程包括索引的建立和搜索。而所谓kd-tree搜索，指的是在建立索引这一步骤中建立的是kd-tree索引。本文将结合实例，较为完整地介绍FLANN（近似近邻的快速搜素库）里各种类型“索引建立”及“搜索方式”。

余弦相似度

chriscute的博客

05-31

378

wiki链接: Cosine Similarity 这里给出公式: 给你两个相同大小的向量 A B，求出他们的余弦相似度 返回 2.0000 如果余弦相似不合法 (比如 A = [0] B = [0]). 样例给出 A = [1, 2, 3], B = [2, 3 ,4]. 返回 0.9926. 给出 A = [0], B = [0]. 返回 2.

利用flann进行点云近邻搜索

xinxiangwangzhi_的博客

02-18

1619

有时间为了近邻搜索而引入pcl库是不必要的，pcl底层kdtree近邻搜索依赖于flann库，因此不使用pcl而单独使用flann进行近邻搜索是简洁可行的。下面是单独使用flann进行近邻搜索，并且与pcl近邻搜索对比的代码： // flann使用.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。 // #include <iostream> #include<pcl/io/pcd_io.h> #include<pcl/point_cloud.h&

OpenCV Flann

Anderson_Y的博客

06-04

1192

OpenCV Flann 文章目录OpenCV Flann简介使用 opencv flann_index 进行最近邻点搜索使用opencv FlannBasedMatcher进行点的最近邻搜索简介本文主要记录如何在python中使用opencv的flann模块进行图像点的最近邻搜索（仅作为作者自己的记录）。 FLANN 是一个用于高维空间数据的近似最近邻搜索的库，是一个经常会被用到的库。OpenCV flann 也实现了flann，其用途主要是用在特征匹配上面。这一部分可以参考 OpenCV Pytho

双目立体匹配三维重建点云系统：基于OpenCV的C++工程二次开发实现与点云保存展示 - 计算机视觉

08-18

基于Visual Studio 2015和OpenCV 2.4.8的双目立体匹配三维重建点云系统的实现过程。主要内容涵盖环境搭建、代码准备、程序详解、标定与精度优化、以及点云处理等方面。文中不仅提供了详细的步骤指导，还讨论了特征点...

利用PCL和OpenCV计算点云体积

12-20

14万+

文章目录Flann简介函数原型参数及返回值说明：代码举例实验结果 Flann简介 Flann(Fast_Library_for_Approximate_Nearest_Neighbors):快速最近邻搜索库，应该是目前OpenCV中封装的用于特征匹配的最好的匹配器了。函数原型 import cv2 flann = cv2.FlannBasedMatcher(index_params, search_params) 参数及返回值说明： index_params:字典类型，字典中的值是所选算法参数。如

k近邻法（k-NN）笔记3-第三方库FLANN介绍-下载/编译/测试代码解析

tiankong_的博客

07-02

6250

k近邻法（k-NN）笔记3- 第三方实现（PCL点云库kdtree模块）笔者我查阅了较多kdtree的第三方实现，下载调试了github上及其他途径的代码，结合个人喜好和对比结果，推荐PCL点云库kdtree模块。PCL库是大型跨平台开源C++编程库，实现了大量点云相关的通用算法和高效数据结构，其中划分了许多模块，其中有一个核心问题就是建立离散点间的拓扑关系，实现基于邻域关系的快速查找。具体详情...

CVPR 2023 点云系列 | Point-NN无需训练的非参数、即插即用网络

与君共勉，一起学习

04-06

3878

我们提出了一种用于 3D 点云分析的非参数网络 Point-NN，它由纯不可学习的组件组成：最远点采样 (FPS)、k 最近邻 (k-NN) 和池化操作，具有三角函数.令人惊讶的是，它在各种 3D 任务上表现良好，不需要参数或训练，甚至超过了现有的完全训练模型。如图5所示，在Point-NN的顶部，我们首先替使用一个传统的可学习的分类头替代点存储库（上图A位置），这个轻量级的版本在ModelNet40上就实现了90.3%的分类准确率，只有0.3M的参数。通过标记，可以将视为3D训练集的编码类别知识。

相似度计算（1）——余弦相似度

weixin_43876625的博客

03-16

1万+

余弦相似度 余弦相似度：用向量空间中两向量夹角的余弦值作为衡量两个个体之间差异的大小。余弦值越接近1，表明两个向量的夹角越接近0度，则两个向量越相似。余弦值越接近0，表明两个向量的夹角越接近180度，则两个向量越不相似。如存在向量a=(x1,y1)和向量b=(x2,y2)，由几何定义计算内积a·b=|a||b|cosθ，可知：则根据二维向量引向多维向量A(x1,y1,z1…)和B(x2,y2,z2…)，其中Ai和Bi为向量中的各个分量。可得：简单举例：根据一下三个用户对不同物品的偏

激光雷达与PCL点云库学习

2301_76695137的博客

03-06

2804

运行环境是树莓派4b，很多包不能用指令下载1、ros中常用的包从下面这个链接下载（视觉、pcl、激光等等）2、一些找不到的包可以从github上搜（有时候名字不是表明那个，可以直接百度一下）3、PCL点云库：红色是X轴，绿色是Y轴，蓝色是Z1、必须懂得的概念编译的debug（慢）、release动态库（dll）、静态库（lib）C++的模板编程与基本用法cmake的原理和简单使用Elem* data;int size;public:2、PCL处理流程。

OpenCV使用 GenericIndex 进行 KNN 搜索

mightbxg的博客

06-29

1308

以前不了解 OpenCV 的 flann 模块，做 K-nearest-neighbour 搜索一直用的是 Github 上的一个很简单的实现：kd-tree。这个 KD tree 实现很简洁，仅有一个头文件，方便加入自己的工程，而且使用也特别方便。不过据说 cv::flann 实现的 KNN 速度更快，而且功能更加强大，所以大概看了一下怎么用。鉴于目前网上相关资料很少，而且基本上能找到的都是关于已经被弃用的 cv::flann::Index，OpenCV 官方文档也缺乏相关说明，我在这里记录一下自己所了

余弦相似度 —— Cosine Similarity

ifnoelse的专栏

07-20

3万+

余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。与欧几里德距离类似，基于余弦相似度的计算方法也是把用户的喜好作为n-维坐标系中的一个点，通过连接这个点与坐标系的原点构成一条直线（向量），两个用户之间的相似度值就是两条直线（向量）间夹角的余弦值。因为连接代表用户评分的点与原点的直线都会相交于原点