激光雷达和点云处理

对三维点云进行下采样、去噪、变换、可视化、配准和几何形状拟合

点云通常用于测量物理世界的表面。它们在机器人导航和感知、深度估计、立体视觉、视觉配准以及先进的驾驶辅助系统(ADAS)中都有应用。计算机视觉工具箱™算法提供点云处理功能,用于下采样、去噪和转换点云。该工具箱还提供点云配准、三维点云的几何形状拟合,以及读、写、存储、显示和比较点云的能力。您还可以结合多个点云来使用迭代最近点(ICP)算法重建一个3-D场景。

您可以使用pcregistercpdpcregistericp,pcregisterndt将移动的点云注册到固定的点云上。这些配准算法分别基于相干点漂移(CPD)算法、迭代最近点(ICP)算法和正态分布变换(NDT)算法。最佳性能需要调整数据的属性。使用点云配准功能前,请考虑使用pcdownsample对点云进行下采样,可以提高配准的准确性和效率。

功能

全部展开

pcbin 空间bin点云点
pcdenoise 去除三维点云中的噪声
pcdownsample 下采样一个3d点云
pcnormals 估计点云的法线
pcmerge 合并两个3d点云
pcsegdist 基于欧氏距离将点云分割成簇
segmentLidarData Segment将三维距离数据组织成集群
segmentGroundFromLidarData 从有组织的激光雷达数据中分割接地点
findNearestNeighbors 找到点云中一个点的最近邻居
findNeighborsInRadius 在点云的一个点的半径内找到邻居
findPointsInROI 在点云中感兴趣的区域内找到点
removeInvalidPoints 从点云中删除无效点
createPoseGraph 创建构成图
optimizePoses 使用相对位姿约束优化绝对位姿
pcdownsample 下采样一个3d点云
pctransform 变换三维点云
pcregistericp 采用ICP算法对两点云进行配准
pcregistercpd 采用CPD算法对两点云进行配准
pcregisterndt 用NDT算法对两个点云进行配准
rigid3d 三维刚几何变换
pcfitcylinder 将圆柱体与三维点云相匹配
pcfitplane 将平面与三维点云拟合
pcfitsphere 拟合球体到三维点云
pcnormals 估计点云的法线
fitPolynomialRANSAC 用RANSAC将多项式与点拟合
ransac 模型拟合噪声数据
cylinderModel 对象,用于存储参数化圆柱体模型
planeModel 对象,用于存储参数化平面模型
sphereModel 对象,用于存储参数化球体模型
pcread 从PLY或PCD文件中读取3d点云
pcwrite 将三维点云写入PLY或PCD文件
pcfromkinect 点云的Kinect窗户
velodyneFileReader 读取点云数据威力登PCAP文件
pcshow 绘制3d点云图
pcshowpair 可视化两个点云之间的差异
pcplayer 可视化流3d点云数据
pcviewset 管理基于点云的可视化里程计和SLAM的数据
pointCloud 存储3-D点云的对象
findNearestNeighbors 找到点云中一个点的最近邻居
findNeighborsInRadius 在点云的一个点的半径内找到邻居
findPointsInROI 在点云中感兴趣的区域内找到点

主题

厚度的格式

斯坦福三角模式

点云注册概述

了解点云配准流程。

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。

特色的例子