主要内容

点云处理

预处理、可视化、配准、拟合几何形状、构建地图、实现SLAM算法,并对三维点云进行深度学习

点云是三维空间中的一组数据点。点数在一起表示3-D形或物体。数据集中的每个点由一个表示Xy,Z.几何坐标。点云提供了一种将大量的单个空间测量数据组合成数据集的方法,该数据集可以表示为一个可描述的对象。点云处理被用于机器人导航和感知、深度估计、立体视觉、视觉配准以及高级驾驶员辅助系统(ADAS)。计算机视觉工具箱™算法提供点云处理功能,用于向下采样、去噪和转换点云。工具箱还提供点云配准、三维点云的几何形状拟合,以及读取、写入、存储、显示和比较点云的能力。您还可以组合多个点云来重建三维场景。

您可以使用Pcregistericp.pcregisterndtpcregistercorr,pcregistercpd将一个移动的点云配准到一个固定的点云。这些配准算法分别基于迭代最近点(ICP)算法、正态分布变换(NDT)算法、相位相关算法和相干点漂移(CPD)算法。您可以使用注册的点云构建地图,检测循环闭包,优化地图以纠正漂移,并在预构建的地图中执行定位。有关详细信息,请参见点云SLAM概述

两个同心点云的点云组合,传感器角度计算和代表茶壶的点云

职能

展开全部

p 从PLY或PCD文件中读取3-D点云
pcwrite 将3d点云写入PLY或PCD文件
PCFROMKINCT. 点云的kinect.为了窗户
Velodynefilereader. 阅读点云数据威力登PCAP文件
pcviewset 管理基于点云的可视化里程测量和SLAM数据
pointCloud 存储3-D点云的对象
pcshow 绘制三维点云
pcshowpair. 可视化两个点云之间的差异
PCPlayer. 可视化流三维点云数据
showShape 显示图像,视频或点云上的形状

预处理

PCBIN. 空间箱点云点
pcdenoise 从3-D点云中移除噪音
pcdownsample. 向下采样一个三维点云
pcnormals 估计点云的法线

查找和删除点

findPointsInROI 在点云中查找一个感兴趣区域内的积分
findNearestNeighbors 在点云中找到点最近的邻居
Findneighborsinradius. 找出点云中某一点半径内的邻居
删除invalidpoints 从点云中移除无效点
pcsegdist 基于欧几里德距离的分段点云进入群集
segmentgroundfromlidardata. 组织LIDAR数据的分段接地点
semmentlidardata. 分段将3-D范围数据组织成群集

注册点云

pcregistercorr 使用相位相关注册两个点云
Pcregistericp. 使用ICP算法注册两个点云
pcregistercpd 使用CPD算法注册两个点云
pcregisterndt 使用NDT算法注册两个点云

变换点云

rigid3d. 三维刚性几何变换
pctransform 变换三维点云

对齐或组合点云

pcalign 对齐阵列点云
pccat 连接3-D点云阵列
pcmerge 合并两个3-D点云

确定回路闭合候选

Scancontextdists 扫描上下文描述符之间的距离
scanContextDescriptor 从点云中提取扫描上下文描述符

优化姿势

createposepraph.. 创建姿势图
优化 使用相对姿势约束优化绝对姿势

创建本地化的地图

pcmapndt. 基于正态分布变换的定位图
pcfitcylinder 适合圆柱至3-D点云
PCFitplane. 适合飞机到3-D点云
pcfitsphere 将球体与三维点云拟合
pcnormals 估计点云的法线
fitpolynomialransac. 适合使用Ransac的多项式
ransac. 适合嘈杂的数据模型
cylinderModel 用于存储参数筒模型的物体
PlaneModel. 用于存储参数平面模型的对象
Spheremodel. 存储参数范围的对象

话题

帘布层格式

斯坦福三角形格式

点云SLAM概述

了解点云注册和映射工作流程。

开始使用深度学习的点云

了解如何使用点云进行深度学习。

选择功能可视化检测到的对象

比较可视化功能。

标记,分割和检测(激光雷达工具箱)

使用深度学习和几何算法点云数据中的标签,段,检测和跟踪对象

特色例子