精华内容
下载资源
问答
  • 点云数据处理

    2017-09-03 10:44:00
    基于Kinect的三维点云数据处理 海量点云数据处理理论与技术 三维点云数据处理的技术研究--《北京交通大学》2011年博士论文 三维激光扫描点云数据处理及应用技术_硕士论文 三维激光扫描数据处理理论及应用 三维...

    基于Kinect的三维点云数据处理

    海量点云数据处理理论与技术

    三维点云数据处理的技术研究--《北京交通大学》2011年博士论文

    三维激光扫描点云数据处理及应用技术_硕士论文

    三维激光扫描数据处理理论及应用

    三维点云数据处理_百度搜索

     

    转载于:https://www.cnblogs.com/2008nmj/p/7468998.html

    展开全文
  • 中文摘要 摘 要 近年来随着...发展潜力因此如何处理这些海量点云数据就成了一个亟待解决的问题在此 应用背景下设计并实现一个具有通用性的点云数据处理系统就显得十分有必要 本文重点论述了一个基于开源算法库的点云数
  • 点云数据处理方法

    万次阅读 多人点赞 2018-09-07 10:25:02
    这篇博客主要介绍最基本的点云数据处理技术和概念,不会有任何代码。 ICP点云配准就是我们非常熟悉的点云处理算法之一。实际上点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。...

    这篇博客主要介绍三维计算机视觉中点云数据处理面对的问题,主要方法和技术,概述其特点。这篇博客主要介绍最基本的点云数据处理技术和概念,不会有任何代码。

    ICP点云配准就是我们非常熟悉的点云处理算法之一。实际上点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。点云的存储、压缩、渲染等问题也是研究的热点。随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展,点云数据处理技术正成为最有前景的技术之一。PCL是三维点云数据处理领域必备的工具和基本技能,这篇博客也将粗略介绍。

    三维点云数据处理技术

    1. 点云滤波(数据预处理)

    点云滤波,顾名思义,就是滤掉噪声。原始采集的点云数据往往包含大量散列点、孤立点,比如下图为滤波前后的点云效果对比。

    点云滤波的主要方法有:双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等,这些算法都被封装在了PCL点云库中。

     

    2. 点云关键点

    我们都知道在二维图像上,有Harris、SIFT、SURF、KAZE这样的关键点提取算法,这种特征点的思想可以推广到三维空间。从技术上来说,关键点的数量相比于原始点云或图像的数据量减小很多,与局部特征描述子结合在一起,组成关键点描述子常用来形成原始数据的表示,而且不失代表性和描述性,从而加快了后续的识别,追踪等对数据的处理了速度,故而,关键点技术成为在2D和3D 信息处理中非常关键的技术。

    常见的三维点云关键点提取算法有一下几种:ISS3D、Harris3D、NARF、SIFT3D

    这些算法在PCL库中都有实现,其中NARF算法是博主见过用的比较多的。

    3. 特征和特征描述

    如果要对一个三维点云进行描述,光有点云的位置是不够的,常常需要计算一些额外的参数,比如法线方向、曲率、文理特征等等。如同图像的特征一样,我们需要使用类似的方式来描述三维点云的特征。

    常用的特征描述算法有:法线和曲率计算、特征值分析、PFH、FPFH、3D Shape Context、Spin Image等。

    PFH:点特征直方图描述子,FPFH:跨苏点特征直方图描述子,FPFH是PFH的简化形式。这里不提供具体描述了,具体细节去谷歌吧。

    4. 点云配准

    点云配准的概念也可以类比于二维图像中的配准,只不过二维图像配准获取得到的是x,y,alpha,beta等放射变化参数,二三维点云配准可以模拟三维点云的移动和对其,也就是会获得一个旋转矩阵和一个平移向量,通常表达为一个4×3的矩阵,其中3×3是旋转矩阵,1*3是平移向量。严格说来是6个参数,因为旋转矩阵也可以通过罗格里德斯变换转变成1*3的旋转向量。

    常用的点云配准算法有两种:正太分布变换和著名的ICP点云配准,此外还有许多其它算法,列举如下:

    ICP:稳健ICP、point to plane ICP、point to line ICP、MBICP、GICP

    NDT 3D、Multil-Layer NDT

    FPCS、KFPSC、SAC-IA

    Line Segment Matching、ICL

    5. 点云分割与分类

    点云的分割与分类也算是一个大Topic了,这里因为多了一维就和二维图像比多了许多问题,点云分割又分为区域提取、线面提取、语义分割与聚类等。同样是分割问题,点云分割涉及面太广,确实是三言两语说不清楚的。只有从字面意思去理解了,遇到具体问题再具体归类。一般说来,点云分割是目标识别的基础。

    分割:区域声场、Ransac线面提取、NDT-RANSAC、K-Means、Normalize Cut、3D Hough Transform(线面提取)、连通分析

    分类:基于点的分类,基于分割的分类,监督分类与非监督分类

    6. SLAM图优化

    SLAM又是大Topic,SLAM技术中,在图像前端主要获取点云数据,而在后端优化主要就是依靠图优化工具。而SLAM技术近年来的发展也已经改变了这种技术策略。在过去的经典策略中,为了求解LandMark和Location,将它转化为一个稀疏图的优化,常常使用g2o工具来进行图优化。下面是一些常用的工具和方法。

    g2o、LUM、ELCH、Toro、SPA

    SLAM方法:ICP、MBICP、IDC、likehood Field、 Cross Correlation、NDT

    7. 目标识别检索

    这是点云数据处理中一个偏应用层面的问题,简单说来就是Hausdorff距离常被用来进行深度图的目标识别和检索,现在很多三维人脸识别都是用这种技术来做的。

    8. 变化检测

    当无序点云在连续变化中,八叉树算法常常被用于检测变化,这种算法需要和关键点提取技术结合起来,八叉树算法也算是经典中的经典了。

    9. 三维重建

    我们获取到的点云数据都是一个个孤立的点,如何从一个个孤立的点得到整个曲面呢,这就是三维重建的topic。

    在玩kinectFusion时候,如果我们不懂,会发现曲面渐渐变平缓,这就是重建算法不断迭代的效果。我们采集到的点云是充满噪声和孤立点的,三维重建算法为了重构出曲面,常常要应对这种噪声,获得看上去很舒服的曲面。

    常用的三维重建算法和技术有:

    泊松重建、Delauary triangulatoins

    表面重建,人体重建,建筑物重建,输入重建

    实时重建:重建纸杯或者龙作物4D生长台式,人体姿势识别,表情识别

    10. 点云数据管理

    点云压缩,点云索引(KDtree、Octree),点云LOD(金字塔),海量点云的渲染

    PCL库简介

    点云数据处理中,不仅涉及前段数据的输入,中间数据和处理,还涉及到后端点云的渲染显示,如果这些函数都要我们亲自来实现,那么开发效率必然受到极大影响。在点云数据处理领域,有一个不可或缺的助手:PCL (Point Cloud Library)。PCL在点云数据处理中的地位犹如OpenCV在图像处理领域的地位,如果你接触三维点云数据处理,那么PCL将大大简化你的开发。

    展开全文
  • 点云数据处理常用图标包括视图、点云渲染、窗口背景颜色、点云采样、点云去噪、点云修剪、点云删除
  • 三维点云数据处理

    2016-07-13 08:40:58
    三维点云数据处理,对含灰度的三维点云进行傅立叶变换
  • 面对Li DAR技术的广泛应用以及Li DAR数据处理在多语言环境下的需求,提出了一种基于Java语言的Li DAR点云数据处理方法。该方法在网格划分的基础上引入了树结构,将网格索引与树结构索引相结合,对基本的规则网格空间...
  • 三维点云处理技术四:三维点云数据处理基础 PCL介绍PCL点云数据结构PCL特性PCL模板库PCL处理一般流程 点云滤波方法常见点云滤波方法体素滤波器:统计滤波器 点云组织形式与最近邻搜索八叉树KD Tree 点云分割、...


    来源: 睿慕课《三维点云处理技术和深度学习在三维点云处理中的应用》

    PCL介绍

    点云(Point Cloud)是离散点的集合,不仅包括三维点的位置信息,有时也包含点的材质反射信息和RGB信息,广泛应用于机器人抓取、识别、定位与运动规划中。PLC库是专门的处理点云运算的库,类似于图像中的opencv库。

    PCL点云数据结构

    1,C++ 的PCL库点云数据结构:采用SSE对齐方式,既满足存储的要求,也满足便于高效运算的要求,并采用模板来满足不同数据格式的要求。
    C++ PCL
    2,ROS中PCL数据结构
    ros pcl
    ros pcl
    3,pcd文件中点云存取
    pcd pcl
    拓展:ros PCL与c++下PCL的点云数据可以进行转换:
    PCL中点云数据格式之间的转换

    PCL特性

    特性
    SSE优化

    PCL模板库

    pcl模板库
    pcl模板库关系图

    PCL处理一般流程

    流程
    流程2
    点云获取–>体素化(下采样)–>特征提取(如法向量等)–>随机采样聚类分割–>构建凸包–>地面/桌面去除–>欧氏距离分割。

    点云滤波方法

    参考博文:
    【PCL笔记】Filtering 点云滤波
    从零开始一起学习SLAM | 给点云加个滤网

    常见点云滤波方法

    点云滤波方法

    体素滤波器:

    体素滤波器

    统计滤波器

    统计滤波器

    点云组织形式与最近邻搜索

    参考博文:
    PCL学习八叉树
    kd-tree理论以及在PCL 中的代码的实现

    八叉树

    八叉树的构建
    构建
    八叉树的应用:
    应用
    PCL中构建八叉树
    使用

    KD Tree

    概念与构建
    构建与概念
    KD Tree多用于K近邻搜索,之后利用邻域计算该点的特征向量,如法向量等。

    点云分割、拟合、聚类方法

    分割拟合

    利用RANSAC拟合直线、面、球、圆柱等
    ransac
    PCL分割拟合函数
    分割拟合
    欧几里得聚类
    欧几里得聚类
    区域生长算法
    区域生长算法

    语义分割

    语义分割多用了稠密的RGBD点云数据。

    展开全文
  • 3D-Lidar点云数据处理

    千次阅读 2020-07-20 18:39:27
    3D-Lidar点云数据处理3D-Lidar点云数据处理原始激光点云数据滤波点云分割(地面与非地面)合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个...

    3D-Lidar点云数据处理

    本篇博客,记录自己学习处理3D-Lidar点云数据目前遇到的算法及本工程使用的算法,作为记录有不足的地方,烦请大家批评指正、指导。

    原始激光点云数据滤波

    参考Being_young大佬文章:https://blog.csdn.net/u013019296/article/details/70052319

    对于原始点的滤波,觉得目前PCL库已经做了很好的处理,PCL库中给出几种需要进行点云滤波处理情况:

    1. 点云数据密度不规则需要平滑;
    2. 扫描时,由于障碍物可能会存在遮挡,离群点需要去除;
    3. 数据太大需要下采样(现在已经遇到这个数据量太大的问题了,16线的Lidar一次采样存在 ( 32 + 16 * 2 ) * 360 / 0.18 = 128000 个点云数据);
    4. 去除噪声

    对应解决方案:

    1. 给定的规则限制过滤去除点
    2. 通过常用滤波算法修改点的部分属性,统计滤波
    3. 下采样(测试选在0.1,过滤可达到50%以上)

    PCL库直通滤波例子

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
    /**
    * 1、创建直通滤波器的对象,设立参数,滤波字段名被设置为Z轴方向
    * 2、通过函数setFilterLimitsNegative,过滤所有点的Z轴坐标不在该范围内的点过滤掉(false)或保留(true) 
    */
    // 设置滤波器对象
    pcl::PassThrough<pcl::PointXYZ> pass;	// 声明滤波器对象
    pass.setInputCloud (cloud);				// 设置输入点云(ptr指针)
    pass.setFilterFieldName ("z");			// 设置过滤x,y,z哪个方向
    pass.setFilterLimits (-1.8, 0.5);		// 设置在过滤方向的范围
    pass.setFilterLimitsNegative (false);   // 设置保留范围内还是过滤掉范围内
    pass.filter (*cloud_filtered);			// 执行滤波,保存过滤结果到cloud_filtered(ptr指针)
    

    PCL库体素下采样例子

    本工程使用的滤波器

    /**
    * 创建pcl::VoxelGrid滤波器对象,并设置叶素大小为1cm
    */
    pcl::VoxelGrid<pcl::PCLPointCloud2> vg;	// 创建滤波对象
    vg.setInputCloud (cloud);				// 输入点云(ptr指针)
    vg.setLeafSize (0.01f, 0.01f, 0.01f);	// 设置体素体积为1cm的立方体
    vg.filter (*cloud_filtered);			// 执行滤波处理,存储输出
    
    

    PCL库统计滤波器例子

    /**
    * 1、创建统计滤波器statisticalOutlierRemoval对象
    * 2、设置在进行统计时考虑查询点临近点数
    */
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;	// 创建滤波器对象  
    sor.setInputCloud(cloud);							// 输入点云(ptr指针)
    sor.setMeanK(50);									// 设置在进行统计时考虑查询点临近点数  
    sor.setStddevMulThresh(1.0);						// 设置判断是否为离群点的阀值  
    sor.filter(*cloud_filtered);						// 执行滤波处理,存储输出  
    
    

    原始点云数据
    After-filter

    点云分割(地面与非地面)

    1. Fast Segmentation of 3D Ponit Clouds for Ground Vehicles 论文实现 文章解读 IEEE 文章下载
    2. PCL库,随机采样一致性实现

    本工程采用快速分割
    1、根据Lidar旋转角度和角分辨率分割扇形区域,sector_num = 360° / 0.18°;0.18是水平角分辨率;
    2、根据object的x,y值计算θ\theta角,通过向下取整的方式把点运数据投影到不同扇形区域内,然后每个扇形区域内的点根据半径距离也向下取整并从小到大排列;
    3、设置点与点之间最大坡度 point2point_max_slope = 5° 和地面坡度 ground_max_slope = 8°,根据实际情况标定;
    4、计算点与点之间的高度阈值 point_height_threshold 和 ground_height_threshold 以及 point_distance;

    计算开始之前,需要将原有点云数据转类型,新类型除包含原有数据内容,还添加了投影在xy平面的半径,X轴方向上的夹角θ\theta,扇形分割的序列索引,所在扇形根据半径从小到大重排列的序列索引,以及原始点云序列索引

    struct PointXYZRTCO
    {
        pcl::PointXYZ point; 	// 保存原始点云数据 
        float radius;		 	// cylindric coords on XY Plane
        float theta;		 	// angle deg on XY plane
        size_t radial_div;   	// index = 保存点云数据属于哪个扇形
        size_t concentric_div;  // index = 保存该扇形点云的重排列序列
        size_t original_index;  // index = 保存原始点云序列
    };
    

    对LIDAR的扫描区域进行扇形分割,每个扇形区域的点云将组成一条射线

    XY平面扇形分割

    对扇形区域内的点云,进行重排列:
    1、根据 floor(θ\theta / 0.18°),对点云的射线所以归属进行取值;
    2、然后,根据每个点云数据的x,y坐标值计算每个点云所在圆弧的半径r,根据半径r,将原有射线上的点云进行从小到大的顺序排列;

    单个扇形点云转换为单个射线

    根据每条射线的点云分布,对其进行地面分割:
    1、首先,对点与点之间坡度以及地面总体坡度进行估计,该估计值属于经验值,对于不同雷达,在分割数据时,需要进行标定调参;
    2、从射线的最小端开始,计算点与点之间之间的距离,和高度差的阈值;

    当前点高度属于前一个点高度 ± 点与点高度阈值情况,即
    current_point.z ∈ (pre_point.z - height_threshold , pre_point.z + height_threshold)
    1、情况一,前个点属于非地面的情况:

    • 如果,当前点的高度也属于负的Lidar高度 ± 地面高度通用阈值,即current_point.z ∈ (- sensor_height - general_height_threshold , - sensor_height + general_height_threshold) :得到当前点为地面点;
    • 否则,也属于非地面点。

    前一个点不属于地面

    当前点高度属于前一个点高度 ± 高度阈值情况,即
    current_point.z ∈ (pre_point.z - height_threshold , pre_point.z + height_threshold)
    2、情况二,前个点属于地面的情况:

    • 此时,当前点也为地面点。

    前一个点属于地面

    当前点高度不属于前一个点高度 ± 高度阈值情况,即
    current_point.z ∉ (pre_point.z - height_threshold , pre_point.z + height_threshold)
    1、情况一,当前点的高度属于负的Lidar高度 ± 地面高度通用阈值,即current_point.z ∈ (- sensor_height - general_height_threshold , - sensor_height + general_height_threshold) && 点与点之间的距离很大p2p_distance > reclass_distance_threshold:得到当前点为地面点;
    2、其他情况,当前点都为非地面点。

    前一个点不论在不在地面

    分割后,地面点云:

    ground

    分割后,非地面点云:

    unground

    目标聚类

    本工程基于非地面分割点云数据进行欧式聚类

    1. PCL库 欧式聚类
    2. 深度学习 Point++ / PointNet++ / PointRCNN
    3. Fast and Furious: Real Time End-to-End 3D Detection, Tracking and Motion Forecasting with a Single Convolutional Net (1) (2) (3) (4)

    对于2/3的方式,下一步可以尝试优化3D检测跟踪

    欧式聚类

    PCL库使用kd-tree加快欧式聚类算法进度

    Kd-tree详解:(1)
    欧式聚类算法流程详解: (1) (2)
    由于点云数据在距离增加的时候,离散度在不断增加,所以考虑这种情况,在下面传参的时候根据距离判断传入不同的容忍度:

    std::vector<pcl::PointIndices> local_indices;
    pcl::EuclideanClusterExtraction<PointT> euclid;
    euclid.setInputCloud(in_ground_cloud_2d);
    euclid.setClusterTolerance(in_max_cluster_distance[i]);
    euclid.setMinClusterSize(50);
    euclid.setMaxClusterSize(10000);
    euclid.setSearchMethod(tree);
    euclid.extract(local_indices);
    

    KD-Tree 搜索过程关键点:
    k = 3情况下,x,y,z三个方向的超平面选择方法,根据三个方向上数值方差最大值判断超平面选择顺序,根据均值选择二分点;
    方差越大,数据分布越离散,选择最大的可以很好的将数据分割开来。

    KD搜索流程,二分速度就是快:
    图中对于给定的查询数据点m,须从KD-Tree的根结点开始进行比较,其中m(k)为当前结点划分维度k上数据点m对应的值,d为当前结点划分的阈值。若 m(k)小于d,则访问左子树;否则访问右子树,直至到达叶子结点Q。此时Q就是当m前最近邻点,而m与Q之间的距离就是当前最小距离Dmin 。随后沿着原搜索路径回退至根结点,若此过程中发现和m之间距离小于 Dmin的点,则须将未曾访问过的子节点均纳入搜索范畴,并及时更新最近邻点,直至所有的搜索路径都为空,整个基于KD-Tree结构的最近邻点查询过程便告完成。

    KD-tree

    欧式聚类流程:
    对于欧式聚类来说,距离判断准则为欧氏距离 Eu=sqrt((xkxi)2+(ykyi)2+(zkzi)2+...)Eu = sqrt((xk-xi)^2 + (yk-yi)^2 + (zk-zi)^2 + ...)。对于空间某点P,通过KD-Tree近邻搜索算法找到k个离p点最近的点,这些点中距离小于设定阈值的便聚类到集合Q中。如果Q中元素的数目不在增加(或者小于最小搜索数目,或者大于最大搜索数目),整个聚类过程便结束;否则须在集合Q中选取p点以外的点,重复上述过程,直到Q中元素的数目不在增加为止。

    欧式聚类

    Add Bounding Boxes

    对于Bounding Boxes的生成可以使用PCA主成分分析法生成更小的方框, 实现更高的预测结果精准性. 具体PCL实现可以查看这个链接:PCL-PCA.

    BBox

    目标跟踪

    Doing

    在使用深度学习目标检测算法(PointRCNN)后,该3D多目标追踪系统不需要使用GPU且取得了最快处理速度(214.7FPS)。
    本工程尝试使用欧式聚类的方式获取bbox,然后根据该目标检测结果进行多目标跟踪。

    1. 基础卡尔曼滤波 -> 根据需求可以优化为EKF(扩展卡尔曼滤波)和UKF(无损卡尔曼滤波)
    2. 3D-MOT
    3. A Baseline for 3D Multi-Object Tracking 原文 (译文)

    基础卡尔曼滤波

    用最简单的过程模型来描述目标运动——恒定速度模型

    1. 同论文一样,对于检测目标object中 [ x\ x, y\ y, z\ z]T 信息转化为 [ x\ x, y\ y, z\ z,θ\theta, l\ l, w\ w, h\ h, vx\ v_{x}, vy\ v_{y}, vz\ v_{z}]T
    2. 然后根据卡尔曼滤波算法,预测更新
       Xk\ X_{k} =  F\ F ·  Xk1\ X_{k-1} +  B\ B ·  uk\ u_{k}
       Pk\ P_{k} =  F\ F ·  Pk1\ P_{k-1} ·  FT\ F^T +  Q\ Q
       Gk\ G_{k} =  Pk\ P_{k} ·  CT\ C^T / (  F\ F ·  Pk\ P_{k} ·  FT\ F^T +  R\ R)
       Xk\ X_{k} =  Xk\ X_{k} +  Gk\ G_{k} · ( Z\ Z -  C\ C ·  Xk\ X_{k})
       Pk\ P_{k} = ( I\ I Gk\ G_{k} ·  C\ C) ·  Pk\ P_{k}
    3. 其中, Xk\ X_{k} 为状态向量, F\ F 为状态转移矩阵, B\ B为控制矩阵, Pk\ P_{k}为估计状态概率分布的协方差矩阵,  Q\ Q是我们的过程噪声的协方差矩阵,由于过程噪声是随机带入的,所以 uk\ u_{k} 本质是一个高斯分布: uk\ u_{k} ~  N\ N( 0\ 0, Q\ Q), Q\ Q是过程噪声的协方差, C\ C为测量矩阵, Z\ Z为实际测量值矩阵,同样对于恒速运动模型,我们可以将 B\ B ·  uk\ u_{k}忽略。
    4. 特别注意,过程噪声协方差矩阵获取方式参考(1),论文中用的过程噪声协方差矩阵,值为0.01的7*7方阵,并且没有考虑到采样时间问题,直接考虑时间为等值分布。

    3D-IoU ( Interserction over Union)

    从1D-IoU到2D-IoU推导

    匈牙利算法(Hungarian)

    匹配前后帧的对象,中心思想为二分图查找 实现最大匹配数

    3D-MOT

    中心思想就是使用每次检测结果的去估计

    展开全文
  • 基于ProE点云数据处理方法,
  • 点云:python版本的点云数据处理

    千次阅读 多人点赞 2020-10-27 20:20:28
    介绍几个点云数据处理的python库,我用得少(C++才是王道),不喜勿喷,欢迎探讨。 一、libLAS libLAS是一个C/C++/Python库(接触的第一个点云处理库),用于读写LAS格式的点云。libLAS支持ASPRS LAS格式规范版本...
  • 点云数据处理技术 1. 点云滤波(数据预处理) 2. 点云关键点 3. 特征和特征描述 4. 点云配准 5. 点云分割与分类 6. SLAM图优化 7. 目标识别检索 8. 变化检测 9. 三维重建 10. 点云数据管理 PCL库简介 ...
  • 基于autocad的三维激光点云数据处理,包括数据显示,数据处理。
  • 基于Kinect的三维点云数据处理
  • 非常实用的pointcab开源点云数据处理软件测绘地理信息方向
  • 【睿慕课点云处理】第四章-三维点云数据处理基础 作业 答 地面分割 地面分割+欧式聚类
  • 点云数据处理学习笔记

    万次阅读 2017-11-10 16:29:13
    点云数据处理学习笔记 三维计算视觉研究内容包括:  (1)三维匹配:两帧或者多帧点云数据之间的匹配,因为激光扫描光束受物体遮挡的原因,不可能通过一次扫描完成对整个物体的三维点云的获取。因此...
  • 点云文件,.off文件,点云提取代码自行百度
  • 【三维激光扫描】第四章:点云数据处理

    千次阅读 多人点赞 2020-06-27 22:02:32
    第一节 点云数据处理流程 由于外业获取点云数据时的多种因素影响,点云数据质量直接影响到三维建模等方面的应用,点云数据处理环节非常重要。本章主要介绍数据处理流程,数据的配准:滤波、缩减、分割、分类,最后...
  • LiDAR360激光雷达点云数据处理软件用户手册,完整版,中文。
  • TopoDOT是一套成熟的点云数据处理及应用系统,全面具备点云数据的存储管理、精度检核、点云分类、特征自动提取、智能分析、高效建模、成果输出等应用功能。TopoDOT在LiDAR数据应用领域有着多年的实战经验,自2005年...
  • 支持机器学习!LiDAR360点云数据处理分析软件 V2.1发布-附件资源
  • 感知器点云数据处理与识别

    千次阅读 2018-05-25 22:37:03
    感知器点云数据处理与识别 第一步:使用RGB-D相机获取点云数据 RGB-D相机结合了有源与无源的传感世界,无源的RGB-D以及有源的D传感器。 对于点云数据,它为点云数据,它为三维数据的数字表示,在实际实现中,它...
  • 这是一个LIDAR数据处理的经典程序,对于自己LIDAR处理的程序,很很大借鉴作用。 这是一个LIDAR数据处理的经典程序,对于自己LIDAR处理的程序,很很大借鉴作用。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,716
精华内容 686
关键字:

点云数据处理