- 博客(31)
- 收藏
- 关注
RSS订阅原创 PCL点云八叉树体素中心下采样，体素包含点索引提取
基于PCL octree实现点云八叉树计算，支持提取体素中心点进行点云下采样；根据任一点坐标，可以得到其在八叉树中的位置，输出对应体素内其余点的坐标或者索引
2024-05-27 09:15:00
225
原创 点云AABB、OBB包围盒计算显示
在进行点云体积测量、重叠区域检测、碰撞检测等功能时，经常需要对一个点云团进行包围盒计算，常见的点云包围盒有AABB包围盒以及OBB包围盒，计算方式主要有直接计算以及惯性矩法。
2024-05-26 13:13:42
520
原创 点云深度图像创建（DepthImage）
深度图像（depth image）是一种用于表示物体表面在三维空间中的深度信息的数据结构，常用于计算机图形学、虚拟现实、机器人视觉等领域。深度图像可以通过多种方式生成，如使用激光雷达、摄像头等设备采集，或者通过算法计算得到。
2024-01-14 18:41:15
377
原创 大津法（OTSU）点云强度信息分割
大津法（OTSU）是一种灰度图像自适应的阈值分割方法，大津法根据图像的灰度分布，将图像分成背景和前景两部分，前景就是需要按照阈值分割出来的部分。由于点云的强度信息的特性，也可以利用此方法进行分类，但需要保证信息干扰较少，例如道路标线分割等场景较为适用。
2024-01-06 21:15:18
782
原创 PCL提示无法读取强度信息（Failed to find match for field ‘intensity‘.）简单解决方法
Failed to find match for field 'intensity'.提示，解决方法
2024-01-06 13:46:43
994
3
原创 基于数学形态学的点云强度均衡滤波
点云的强度应该是叫做反射率，在软件处理层面主要是靠点云的xyz坐标，以及时间特征来做识别，而如果有了RGB,反射率等辅助信息，识别的效率和精确度会大大提升。在点云数据无RGB色彩信息的情况下，强度信息能够为点云数据浏览提供如黑白照片一样的可视化效果。让反射强度高的目标位置看起来明亮，让反射强度低的目标位置看起来灰暗。 由于激光雷达特性，在不同位置不同时间，扫描到同一场景位置的轻度信息会出现差异，导致相同材质的信息反射率出现明显变化，会给依据强度信息分类造成较大困扰，因此可以借助形对强度信息进行滤波调整。
2024-01-06 13:27:39
616
原创 基于Kdtree加速的DBSCAN点云聚类
在点云数据分析中，我们经常需要对点云数据进行分割，提取感兴趣的部分。聚类是点云分割中的一类方法（其他方法有模型拟合、区域增长、基于图的方法、深度学习方法等）。DBSCAN 是一种基于密度的聚类算法，具有抗噪声、无需指定类别种数、可以在空间数据中发现任意形状的聚类等优点，适用于点云聚类。
2023-12-24 21:08:18
778
原创 点云分割--基于PatchWork++的地面点云分割
算法通过数学方法进行快速而鲁棒性很强的地面分割，在智能机器人上的可操作性非常强。通过微调算法，可以应用于16-beams等多种规格的激光雷达。使用稀疏扫描点云和slam建图后稠密点云进行了测试，对论文中部分参数进行了调整，均取得了较好的效果。
2023-12-23 21:54:20
1461
1
原创 基于空间三维网格划分的点云精简（格网重心、格网重心最近点）
点云格网包括二维格网以及三维格网，主要用于数据降维、压缩或者分块聚类处理等。二维格网是投影原理，取某一坐标轴为0，将另外两个周进行投影，按坐标轴进行划分即可；三维格网则是划分体素，与空间八叉树原理基本类似。
2023-12-23 16:00:23
828
1
原创 基于PCL的特征点提取方法总结（harrisKeypoints、siftKeypoints、narfKeypoints）
特征点是指在点云中具有突出功能的点，他们通常包含了比较重要的特征信息。通过对特征点的识别，可以提取处点云的特征信息，从而实现点云的分类和识别。
2023-12-17 17:12:51
601
1
原创 点云分割（分层聚类算法——成对链接（P-Linkage））
P-Linkage聚类算法首先计算每个数据点的特征值，例如2D数据点的密度和3D点云的平坦度。然后，对于每个数据点，在其自身和具有比其自身更大特征值的最近相邻点之间创建成对链接。可以通过以简单的方式沿着链接进行搜索来进一步发现初始聚类。然后，应用聚类合并过程来获得最终细化的聚类结果，该结果可以用于专门的应用程序。基于P-链接聚类，实现了一种有效的三维非结构化点云分割算法，该算法以三维点的估计表面的平坦度作为其特征。对于每个初始聚类创建一个切片，然后进行合并来获得最终的分割结果。
2023-12-17 16:04:26
780
1
原创 面向无组织点云中快速鲁棒的边缘提取方法
边缘在场景曲面中提供重要的视觉信息。通常，边缘识别需要提取几何特征，如法向量和曲率。由于法线本身不能提供关于云的几何体的足够信息，因此需要对提取的法线进行进一步分析以进行边缘提取，例如聚类方法。通过这些技术进行的边缘提取包括几个步骤，这些步骤的参数取决于点云的密度和规模。在此，使用了一种快速而精确的方法来检测尖锐边缘特征。
2023-12-09 17:40:02
952
2
原创 B-SHOT:一种用于三维点云上快速高效关键点匹配的二进制特征描述符
二进制”三维特征描述符B-SHOT，主要用于在三维点云上进行快速高效的关键点匹配。使用一种二进制量化方法，将实值矢量转换为二进制矢量。与SHOT特征描述符相比，B-SHOT对其表示所需的内存少32倍，同时在特征描述符匹配方面快6倍。为估计点云三维变化矩阵提供有力支撑。
2023-12-09 16:37:55
1349
原创 正态分布变换配准（NDT）
NDT算法首先将点云网格化，对于空间内每-一个网格计算其概率密度函数，最终找到每个点在点云数据中概率密度函数最大时的变换矩阵。地图分为一个个小块(cell)，计算下一时刻的目标帧得到的点云，变换到参考坐标，落到对应参考帧的cell中的概率。（1）将参考点云（reference scan）所占的空间划分成指定大小（CellSize）的网格或体素（Voxel）；(3)变换要配准的点云（second/Target scan）到参考(reference)坐标系下
2023-12-06 22:10:32
1026
1
原创 3D点云：平面模型上提取凸（凹）多边形方法
首先要在点云中提取出潜在平面，对原始点云数据进行滤波，根据提取出的平面模型系数从滤波后的点云进行投影，然后根据投影后的点云计算其对应的二维凹（凸）多边形。
2023-12-05 22:03:40
813
1
原创 点云欧式聚类（基于平面提取基础上进行）
欧式聚类算法（Euclidean Clustering）是一种将点云数据分割成不同聚类（簇）的算法。它是点云分割中的一种常用方法，旨在将距离比较近的点分为同一簇，从而识别出不同的物体或结构。这个算法主要适用于包含较小噪音和具有一定距离差异的点云数据。
2023-12-04 22:41:35
572
原创 一种方便快捷的点云随机下采样实现方法（借助C++11相关特性）
点云下采样是对点云以一定的采样规则重新进行采样，目的是在保证点云整体几何特征不变的情况下，降低点云的密度，进而可以降低相关处理的数据量和算法复杂度，本文实现了一种简单快捷的随机采样方法。
2023-12-03 10:11:38
531
1
原创 面向无组织点云的平面检测分割方法（定向点采样）
在室外场景中，地面通常是分段平面的。在室内场景中，包括天花板、墙壁和地板在内的大多数重要表面都是平面的，故可以将平面分为三组：（1）水平平面（2） 垂直平面（3） 其他平面。由于采样一个定向点就足以生成平面假设，因此需要少量的RANSAC迭代来检测真实平面。但是，这需要计算相对精确的曲面法线。然而，由于实际场景中对包括许多点的平面感兴趣，因此只需要估计一小部分点的法线。另一方面，三个无方向点的样本也可以计算平面方程，该方程不需要预先计算，而是需要更多的RANSAC迭代来从同一平面绘制三个内点。
2023-12-02 23:41:16
1691
1
原创 点云重叠区域检测
对需要进行精配准的点云，往往可能只存在部分重叠区域，使用全局配准会浪费较多计算力，因此需要在进行重叠区域检测的基础上再进行配准，可增加计算效率
2023-12-01 21:55:59
822
1
原创 基于空间域改进的点云双边滤波方法
各类采集设备获取的点云会存在一定厚度，除测量误差，系统自身也会受到外部影响出现误差，例如震动等，该类噪声虽然空间变化幅度较小，但会直接降低点云数据精度，影响几何特征提取结果。因此，需要去除该类噪声。 引入平面域和高程域对传统双边滤波算子进行改进，通过目标点与其邻域的平面关系计算平面滤波因子，根据高程关系计算深度滤波因子，最后根据两者计算滤波权重因子，平滑噪声。
2023-11-30 22:17:47
1179
1
原创 点云滤波去噪：引导滤波
车载、机载以及slam获取的原始点云不可避免地会受到噪声的影响，对在三维计算应用中存在一定的挑战。本算法使用了一种新的特征保持过滤框架，称为引导法线点云过滤器。首先，使用改进的主成分分析算法进行初始正态估计。然后，在局部线性模型的基础上，以估计的正态场为指导，提出了一种设计良好的点正态滤波器。最后，根据调整后的正态场，将点位置更新问题视为随机梯度体面优化器求解的最小二乘问题。
2023-11-28 22:56:07
1230
原创 点云内在形状特征：一种用于点云三维物体识别的形状描述符（ISS）
介绍了一种基于描述符的方法，称为内在形状特征，用于一般的三维对象表示和识别。ISS方法能够为点云形状匹配以及3D点云的有效姿态估计和配准提供支撑，具有较强的鲁棒性
2023-11-27 22:52:39
1073
原创 基于迭代种子点拟合的地面点云分类提取方法（GPF）
自动驾驶需要对地面和车辆路径中的障碍物进行精确分割，并实时处理每个点云。属于地面点的点云占据了点云的绝大部分，因此地面点云的准确分类作为其中最关键的一环。该方法主要使用了一种确定性迭代多平面拟合，可以称之为地平面拟合（GPF），用于快速提取接地点，然后提出了一种名为扫描线运行（SLR）的点云聚类方法，该方法由二进制图像中连接分量标记算法的启发得到的。
2023-11-26 19:12:13
1250
4
原创 二次曲面拟合计算点云法曲率、主曲率以及平均曲率（手写版）
采用KD树结构对点云数据建立k领域。在散乱点参数化的基础上,对k领域内的点进行二次曲面拟合,求出拟合平面的平均曲率、主曲率以及高斯曲率，为点云特征提取分类 提供后续支撑，手写版
2023-11-26 10:44:47
3338
7
原创 点云构建协方差矩阵进行主成分分析计算点云中点的特征向量及其曲率，提取高曲率特征点（未调库，手写版）
不调用库函数，手动实现点云主成分分析协方差矩阵构建，通过进行矩阵分解，计算点云中点的特征值，特征向量以及曲率，并根据曲率值实现点云百分比抽稀精简
2023-11-25 17:04:01
806
原创 点云平面拟合（基于Ransac），并进行平面重定向
随机样本一致性(Ransac) 是一种迭代计算方法，用于从包含异常值的观察数据中估计出数学模型参数，因此也可以理解为一种异常值检测方法。RANSAC的一个基本假设是，数据由内点("inliers")和外点("outliers")组成，其中内点是在一定误差范围内可以通过一些模型参数来解释的数据，外点是不符合模型的数据。RANSAC的另一个假设是，随机选取的样本数据都是内点，存在一个可以估计模型参数的过程，该模型可以最佳地解释或拟合该数据。
2023-11-25 14:12:41
700
1
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