主要内容

激光雷达和点云处理

Downsample、降噪、转换、可视化登记,符合几何形状,使用深度学习三维点云

点云通常用来测量物理世界的表面。他们已经应用在机器人导航和知觉、深度估计,立体视觉,视觉注册,在高级驾驶员辅助系统(ADAS)。计算机视觉算法工具箱™提供点云处理功能将采样,去噪,将点云。工具箱还提供点云登记、几何形状拟合三维点云,并能读,写,云存储、显示、和比较点。你也可以结合多个点云重建三维场景使用迭代最近点(ICP)算法。

您可以使用pcregistercpd,pcregistericp,pcregisterndt注册一个移动的点云,一个固定的点云。这些注册算法是基于相干点漂移(CPD)算法,迭代最近点(ICP)算法和正态分布变换(无损检测)算法,分别。最佳性能需要调整你的数据的属性。在使用点云之前注册函数,考虑使用pcdownsampledownsample你点云,提高登记的准确性和效率。

功能

全部展开

pcalign 一组点云对齐
pcbin 空间本点云点
pccat 连接三维点云的数组
pcdenoise 将噪声从三维点云
pcdownsample Downsample三维点云
pcnormals 估算点云的法线
pcmerge 合并两个三维点云
pcsegdist 基于欧氏距离的点云分割成集群
pctransform 将三维点云
segmentLidarData 段组织三维数据范围到集群
segmentGroundFromLidarData 从组织的激光雷达数据段地面点
findNearestNeighbors 在点云找到最近的邻居的一个点
findNeighborsInRadius 发现邻居的半径内点的点云
findPointsInROI 找到感兴趣的点在一个区域的点云
removeInvalidPoints 从点云删除无效的点
pcregistercorr 注册两个点云使用相关联
pcregistericp 注册两个点云使用ICP算法
pcregistercpd 注册两个用CPD算法点云
pcregisterndt 注册两个点云使用无损检测算法
rigid3d 三维刚性几何变换
scanContextDistance 距离扫描上下文描述符
scanContextDescriptor 从点云提取扫描上下文描述符
createPoseGraph 创建构成图
optimizePoses 优化使用相对绝对姿势约束
pcfitcylinder 适合缸三维点云
pcfitplane 适合飞机三维点云
pcfitsphere 领域适应三维点云
pcnormals 估算点云的法线
fitPolynomialRANSAC 使用RANSAC多项式适合点
ransac 适应嘈杂的数据模型
cylinderModel 对象存储参数缸模型
planeModel 对象存储参数平面模型
sphereModel 对象存储参数球体模型
pcread 从厚度或PCD文件读取三维点云
pcwrite 写的3 d点云厚度或PCD文件
pcfromkinect 点云的Kinect窗户
velodyneFileReader 读点云数据调速发电机PCAP文件
pcshow 绘制三维点云
pcshowpair 想象两个点云之间的区别
pcplayer 可视化流三维点云数据
showShape 显示图形图像、视频或点云
pcviewset 管理数据基于点云的视觉测程法和大满贯
pointCloud 对象存储三维点云
findNearestNeighbors 在点云找到最近的邻居的一个点
findNeighborsInRadius 发现邻居的半径内点的点云
findPointsInROI 找到感兴趣的点在一个区域的点云

主题

厚度的格式

斯坦福三角形格式

点云注册和映射的概述

理解点云登记工作流程。

开始使用点云使用深度学习

了解如何使用点云深学习。

选择函数可视化检测对象

比较可视化功能。

分割,检测和标记(激光雷达工具箱)

段,检测标签,使用深度学习和跟踪对象在点云数据和几何算法

特色的例子