xmyzqs1212的博客

计算有序2D点集曲率并可视化。使用PCL版本 1.15.0。

从队首的点出发，沿着第二个点到第一个点的方向，在允许角度偏差范围内寻找最近点。：从队尾的点出发，沿着前一点到当前点的方向，在允许角度偏差范围内寻找最近点。当两个方向都无法找到符合条件的点时，算法终止。可以通过构造函数调整这个参数来适应不同曲线。：控制搜索方向的角度偏差阈值(弧度)从任意点开始(代码中选择第一个点)找到它的最近邻作为第二个点。

读取的点云ASCII码文件，每行6个数据，3维坐标+3维法向。

本文的目的是C++实现高精度的3D圆弧拟合，基本思路为：1）RANSAC拟合平面，得到平面模型，去掉离群点；2）根据平面模型，构建新的坐标系：将源点云投影至此坐标系XOY平面，得到2D圆弧点云；3）拟合2D圆弧点云，得到圆心点和半径；4）将圆心点结合2）中的坐标系，反变换至源点云坐标系中，得到3D圆弧圆心，3D圆半径与3）半径结果一致。

PCL库拟合圆弧的问题：PCL中坐标值默认使用float类型，在某些高精度场景中不适用。Step 2：使用ceres非线性优化的方法，拟合inliers点，得到圆心和半径；Step 1： RANSAC找到圆弧，保留inliers点；

1）Eigen2）GLMStep 1：源点云随机采样3个点；Step 2：3个点拟合平面，统计符合该平面模型的点，为inlier点；Step 3：判断inlier点比例是否达到阈值，更新最佳模型和最佳模型对应的inlier点集。若inlier比例不到阈值，则继续Step 1；若已满足阈值或达到最大迭代次数，转Step 4；Step 4：针对最佳模型的inlier点集，使用最小二乘法，重新拟合平面；

点云多项式拟合，支持n阶多项式Z拟合为X和Y的二元n阶多项式

PCL 拟合空间3D圆周 得到圆心 法向量和半径

C++高效读取大规模文本格式点云（windows）执行效率明显优于ifstream + stof

（3）点云聚类，忽略点数较少的簇，剩余较大的簇拟合球，计算球-平面距离。一平板上沾有多个球，使用激光扫描仪获取点云，包括平板点云+多个球冠点云；（2）剔除距离平面一定距离范围内的点，余下所有球冠点；提取各球点云，拟合球面参数，求取球到平板距离。（1）求平板平面：降采样，提取最大平面；

dual_normalization的含义        在点云匹配中，dual_normalization（双重归一化）是一种用于优化匹配过程的技术，旨在通过两次归一化操作来提高匹配的鲁棒性和准确性。它主要用于处理点云特征之间的相似性矩阵，通过归一化操作平衡不同特征之间的匹配得分

PPFStructureEmbedding 是一种基于 Point Pair Features (PPF) 的几何结构嵌入方法，通常用于点云处理任务中。PPF 是一种描述点云中局部几何关系的特征表示方法，广泛应用于点云配准、物体识别和姿态估计等任务。  GeometricStructureEmbedding 类是一个 PyTorch 模块，旨在将点云中的几何结构嵌入到高维空间中。该嵌入捕捉了点之间的成对距离和角度关系，这对于许多 3D 视觉任务（如点云分类、分割或目标检测）至关重要。

基于曲率的点云降采样 pcl+cuda实现可实现尽可能保持细节特征的前提下，减少点云规模。使用CUDA加速，执行效率高。

是一种用于点云去噪和表面重建的算法。它特别适用于处理具有锐利边缘的点云数据，因为它能够在去噪的同时保留这些边缘特征。RIMLS算法的核心思想是将点云中的每个点投影到一个分段光滑的表面上，这个表面是通过局部拟合点云数据得到的。RIMLS算法能够有效地处理具有锐利边缘的点云数据，同时减少噪声的影响。这使得它在许多应用中非常有用，如三维建模、计算机视觉和几何处理。资源中给出了一种C++实现，基于Github代码。