weixin_43384504的博客

对于代码这一块：class Node: def __init__(self, left, right, point_indices): self.left = left self.right = right self.point_indices = point_indices节点的数据结构为 左右节点 以及分割点。# 构造树# 按照某一个维度轮流切，切的位置取决于某个维度如（x）的排序后的中值def make_kdtree(p

一款基于opengl 开发的三维显示工具：https://blog.youkuaiyun.com/c602273091/article/details/65441315

体素神经网络：区别多通道2D卷积 和3D卷积，主要区别体现在卷积核滑动的方向；代表的有voxnet,它的基本架构如下：githubhttps://github.com/Vectorized/VoxNet-Tensorflowtensorflow版本点云神经网络：点云对应的物体识别的特点• 无序点云是点坐标的集合，集合内的元素没有次序• 刚体运动不变性对旋转、平...

两种动作识别的途径：1.直接法-----有点云获得动作2.间接法---从点云得到骨架，再通过骨架得到动作！实现方案：1.基于RGB和神经网络的方法典型的如： openpose2.基于深度图/3D点云优点有：人体骨架提取：主要有：前后景分离、识别人体部件、识别人关节、形成骨架；对于识别人体部件的方法：对每个前景像素，估算其属于人体各个“部件”的概率；...

基于“剪影”轮廓的几何体识别为什么不直接从3D的角度去识别呢？主要是考虑到通过剪影的方式计算量小；主要的流程是：以手势识别为例子，介绍整个2D深度图识别的过程。通常由两种几乎路径来识别手势，分别是基于骨架模型和基于剪影的方法；重点说一下后者。关于基于剪影的手势识别的流程如下：其中，关键是手部的分割，这是最关键的！我们假设这一步我们已经解决了。对提取的手势还要进行...

1.采用RANSAC算法提取平面缺点：地面非平整的话，会检测出非地面的点； 如果地面（平面上）物体较多时，RANSAC可能会失效。2.PCA检测（主要是依赖特征值）具体操作：计算大邻域的点云PCA（和物体大小相似的邻域），保留符合条件的点； 该方法，主要用于，检测人、非规则物体；缺点：对于规则的大件物体，如大的正方体，上平...

特征提取和检测，采用两种不同的方式，分别是基于深度图的方法，以及基于点云的方法。把深度图看作强度图来做处理，使用边缘检测算子/局部方差来计算边缘。由于使用边缘算子对深度图检测边缘，是检测深度发生突变的地方，故提取的边界主要是正方形在相应视角下，深度突变的地方。如何检测处正方体的棱边呢？这里的主要的操作，是旋转点云，在重投影回深度图。在使用深度检测，最后的边缘处理棱边和...

作业4是要求实现半径滤波：k近邻寻找：（这里没有使用数据结构）def find_knn(p,pc,k=10): pc_diff=pc-p.reshape(1,3) dist=np_lin.norm(pc_diff,axis=1) idx=np.argsort(dist)[:k] return idx,dist[idx]半径滤波：for i in ...

有关点云刚体变换的操作(这个就不介绍了)；基于PCA的点云的形状参数获取：将点云整体看作一个椭球体，利用PCA分解获取椭球体的3个轴的方向；这样有什么应用？排列成直线的点云方向获取：最长轴方向 点云排列成平面时，计算平面法向量：最短轴方向 计算方法：1. 计算“协方差矩阵” 在面对这么多点云，可能有的点云的是噪点，那么这就涉及到权重...

数据滤波与过滤：滤波：叠加噪声数据的值进行修正，不去出噪声过滤：去除噪声3D数据滤波的方式：基于深度图的滤波：这里主要应用的是2D的CV算法，但是深度图对物体表面的采样是非均匀的（这是深度图的缺陷），所以传统的2D滤波对他们是不均匀的，并且在前后交界处失真会对后续处理带来影响（在深度图滤波是针对相邻像素的，像素映射到点云空间中，会有距离不均匀的问题，所以说物体采样是非...

点云到深度图的变换。# dep_rot=np.zeros((480,640),float)# #对于求得的u,v如何把他搞成范围固定的，相机的参数# # for k in range(pc.shape[0]):# # u=int(CAM_CX+(pc[k,0]*CAM_FX)/pc[k,2])# # v=int(CAM_CY+(pc[k,1]*CAM_FY)/pc[k...

TOF 3D相机数据中距离Z的计算关系：问题：得到的距离，是俩点之间的距离，并不是深度，所以要做一下变换。 这里是将光源和相机重合在一起计算得到的，正常情况下，相机和光源是不重合在一起的。可以结合针孔相机的数学模型： 点云重投影到深度图好不容易得到点云...

首先是深度图转化为点云，然后是双目的原理，以及对应的作业！关于结构光相机的介绍：之前介绍过最简单的 点结构光模型，回顾一下； 其中 d 和 a 是已知的（由安装位置决定）至于b的角度是要结合相机的参数来计算的。 关于结构光 结构光编码（线结构光...

作业1：深度图转化为点云图X=np.zeros((480*680,1),float)Y=np.zeros((480*680,1),float)Z=np.zeros((480*680,1),float)for v in range(0,CAM_HGT): for u in range(0,CAM_WID): n=v*CAM_WID+u X[n,0...

目前市场上深度相机主要有：双目相机、TOF、结构光方案。双目相机：原理：基于视差原理并利用成像设备 从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息。优点：便宜；分辨率高；帧率高；缺点：对立体匹配算法要求高，需要很大的计算量；不适合纹理少的场景；TOF：原理：TOF 系统实际是一种激光雷达系统，可从发射器向对象发射光脉冲，接收...

首先我们为什么使用3D技术。这里主要和2D技术做一个对比！1快速实现视觉对象的分割 从2D图像中，如果要分割出那个小男孩，难度不小，原因的是，图像目标和环境混合！换个角度，换成3D该如何。3D可以从距离的维度直接分割出目标，看来这是多一个维度信息带来的好处。2.不受光照/颜色干扰2D图像的识别多对光照的鲁棒性有较高要求，这一点在3D上倒是...