墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
404平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
源码参照大佬博客https://github.com/taifyang/MyICP
LINUX下载解压后：
Linux下运行程序：
mkdir build
cd build
cmake ..//替换为cmakelist的路径
make
./MyICP <source.pcd> <target.pcd>//此处<>需要去除，并将名称换为要配准的点云即可运行程序。
结果如图
蓝色为匹配点云，绿色为原始点云，红色为目标点云。
修改参数在源码文件夹main.cpp下，修改后再make编译一次即可。然后在build文件夹下在运行即可。
MaxIters为最大迭代次数，体素网格尺寸LeafSize，最小误差MinError
参数在代码内具体作用见mycpp.cpp。
Windows平台Open3D 0.18.0安装与点云处理实战指南
三维数据处理是计算机视觉和机器人感知领域的核心技术，其核心在于对点云、网格等三维数据的获取、处理与分析。点云作为三维空间中的离散点集，是激光雷达、深度相机等传感器的主要输出形式，其处理流程通常包括数据读取、可视化、滤波、配准等关键步骤。在工程实践中，Open3D作为一个开源的三维数据处理库，因其高效的C++后端和简洁的Python接口，成为处理点云配准、三维重建等任务的重要工具。它封装了ICP（迭代最近点）等经典算法，并提供了直观的可视化功能，极大降低了三维算法的开发门槛。对于需要在Windows平台稳定开
CVPR2024-7-点云配准“Multiway Point Cloud Mosaicking with Diffusion and Global Optimization”
文章摘要：我们引入了一种新的(命名为Wendnesday)，旨在将部分重叠的点云集(通常从3d扫描仪或移动rgb-d相机获得)协同对齐到一个统一的坐标系中。我们方法的核心是，这是一种，它迭代地识别重叠和细化注意力分数，采用基于扩散的过程对成对相关矩阵进行去噪以提高匹配精度。进一步的步骤包括从所有点云构建姿势图，执行旋转平均，这是一种新的鲁棒算法，用于在共识最大化和翻译优化方面最佳地重新估计翻译。最后，通过基于扩散的方法联合优化点云旋转和位置。
CloudCompare新手避坑指南：从工具栏设置到点云合并，我的踩坑实录
本文为CloudCompare新手提供详细的避坑指南，涵盖工具栏设置、点云合并等关键操作。通过实战经验分享，帮助用户避免常见错误，如视图设置误区、水平调整的矩阵陷阱等，并优化点云处理流程，提升工作效率。
点云配准 pointdsc PointNet + Concat + FC
点云配准 pointdsc PointNet + Concat + FC
KISS-ICP开源了！一个参数通吃无人机、汽车和手持LiDAR的激光SLAM方案，实测避坑指南
本文深入解析了KISS-ICP开源激光SLAM方案，该方案通过点对点ICP核心和自适应阈值技术，实现了无人机、汽车和手持LiDAR等多场景的零参数调优。文章提供了详细的部署指南和实测避坑经验，展示了其在KITTI、Newer College等基准测试中的优异表现，为工程师提供了高效的解决方案。
Autoware 1.12实战指南--NDT点云定位从入门到精通
本文提供Autoware 1.12中NDT点云定位的完整实战指南。从环境准备、NDT核心原理讲解，到数据加载、坐标系搭建、地图预处理、NDT匹配器配置及可视化调试，手把手指导实现从入门到精通的定位流程。重点解析了NDT算法优势、关键参数调优及常见避坑方案，帮助开发者快速掌握自动驾驶中的核心定位技术。
RealSense D455 三维建模与点云处理完整指南:从采集到配准的 5 个关键步骤
基于 librealsense(RealSense SDK),带你用 Intel RealSense D455 跑通三维建模与点云处理:五分钟上手、深度图转点云公式、去噪下采样,再到多视角配准与 TSDF 重建,读完即可独立产出可编辑点云。 ## 它能做什么 D455 用红外立体视觉把二维画面变成带距离的三维数据,适合这几类真实场景: - **室内导航与建图** 🗺️:机器人边走边采深度,
告别OpenCV！用PCL点云库搞定3D视觉项目（附C++实战代码）
本文介绍了如何利用PCL点云库替代OpenCV处理3D视觉项目，通过C++实战代码展示点云滤波、环境搭建及性能优化。PCL专为三维点云设计，提供高效的八叉树空间分区和KD近邻搜索，显著提升处理效率，适合自动驾驶、机器人等领域的3D视觉应用。
5分钟搞定点云位姿估计：从零开始用Python实现PCA对齐（附代码）
本文提供了一个5分钟快速上手的点云位姿估计实战教程。通过Python和主成分分析，从零实现点云粗对齐，无需点对点对应关系，计算高效。文章详解了PCA原理、代码实现、可视化评估，并讨论了其作为ICP算法初始值的优化策略，是机器人、AR等领域快速原型验证的实用工具。
别再手动比对了！用CloudCompare的M3C2插件，5分钟搞定两期点云变化分析
本文详细介绍了如何利用CloudCompare的M3C2插件高效完成两期点云变化分析，特别适合滑坡监测等场景。通过圆柱体投影法和多尺度法线估计，M3C2显著提升了计算效率和抗噪能力，将传统耗时数小时的工作缩短至5分钟。文章还提供了参数设置技巧和结果解读指南，帮助用户快速掌握这一革命性点云比对工具。
点云配准算法和开源软件库
经典的点云配准 Standard ICP Besl, Paul J., and Neil D. McKay. "A method for registration of 3-D shapes." IEEE Transactions on pattern analysis and machine intelligence 14.2 (1992): 239-256. KD-tree ...
Intel RealSense D455深度相机三维建模实战：从原理到高级应用的完整指南
Intel RealSense D455深度相机凭借其高精度深度感知和立体视觉技术，已成为机器人导航、三维重建、AR/VR等领域的核心技术设备。本文将深入解析D455的工作原理，提供从环境配置到高级应用的全流程实战指南，并分享性能优化与问题解决的实用技巧。 ## 技术背景：深度相机的核心原理与D455特性 ### 立体视觉如何实现三维感知？ 深度相机的核心技术基于**立体视觉**，模拟人类双
Matlab一键运行的ICP点云对齐工具：直接输出旋转平移参数与误差值
这个Matlab版ICP工具包能快速完成两个三维点云的自动配准，输入两组点坐标后，程序自动执行迭代最近点匹配流程，实时计算出3×3旋转矩阵、3×1平移向量，并返回整体配准误差数值。核心函数icp.m已封装全部逻辑，包括点对搜索、刚体变换求解、收敛性判断和误差评估；demo.m提供完整演示，运行即可见配准前后点云位置变化及坐标系变换效果，附带可视化图像icp_s.png便于结果验证。代码兼容MATLAB R2018a及以上版本，在Windows、macOS、Linux系统均可直接运行，不依赖任何额外工具箱。所
LingBot-Depth实战：用普通摄像头实现激光雷达级3D重建
本文介绍了如何在星图GPU平台上自动化部署lingbot-depth-pretrain-vitl-14 V1.0镜像，实现低成本3D感知。该模型能将普通摄像头拍摄的RGB图像与稀疏深度数据融合，生成高精度的稠密深度图，可应用于机器人导航、增强现实等场景的三维重建任务。
三维激光扫描课程教学：从测距原理到点云建模全流程解析
三维激光扫描技术是连接物理世界与数字模型的桥梁，其核心在于通过激光测距获取高密度点云数据，再经配准与逆向建模生成可编辑的三维模型。无论是三角测距还是飞行时间法，都直接决定设备量程与精度，进而影响地面站式、手持式及机载LiDAR的选型逻辑。点云预处理中的去噪、下采样与ICP精配准，是消除误差、实现多站数据无缝拼接的关键工程环节。在建筑遗产保护、工业检测、地形测绘及数字孪生等场景中，完整的三维扫描流程能够显著提升建模效率与数据可靠性。本文从基础原理出发，结合Geomagic、3ds Max等工具链，系统梳理了从
基于PCL开源库ndt+icp算法实现点云配准实例测试代码
利用PCL开源库编写代码NDT+ICP算法实现点云高精度配准，包括粗配准+精配准，并计算配准误差！基于PCL库版本1.9！
速腾聚创感知算法岗笔试复盘：点云与激光雷达底层原理全解析
在自动驾驶感知技术体系中，激光雷达点云处理与三维空间几何是算法工程师必须夯实的基础。从旋转矩阵、四元数等坐标变换原理，到体素滤波、RANSAC、ICP等经典点云方法，这些底层能力直接决定了感知算法在复杂场景下的上限。速腾聚创等激光雷达厂商在感知算法考核中尤为关注候选人对传感器原理、点云数据结构和几何数学的掌握程度，而非单纯依赖深度学习模型调参。无论是目标检测、地面分割还是多传感器标定，都离不开对这些基础概念的深刻理解。本文基于一次真实的速腾聚创感知算法岗笔试经历，系统复盘了题型分布、核心考点与复习策略，为准
基于stm32的智能空气加湿器设计（含源代码和Proteus仿真）
课程设计分享
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
369
扫一扫
