激光雷达和点云处理

对3-D点云进行下采样、去噪、变换、可视化、注册、拟合几何形状，并使用深度学习

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、视觉注册以及高级驾驶辅助系统(ADAS)中都有应用。计算机视觉工具箱™算法提供点云处理功能，用于降采样、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接近点(ICP)算法重建3d场景。

你可以使用pcregistercpd，pcregistericp,pcregisterndt将移动点云注册到固定点云。这些配准算法分别基于相干点漂移(CPD)算法、迭代最接近点(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。在使用点云配准功能之前，请考虑使用pcdownsample降低点云采样，提高配准的准确性和效率。

功能

全部展开

预处理点云

`pcalign`	对齐数组点云
`pcbin`	空间宾点云点
`pccat`	拼接三维点云阵列
`pcdenoise`	去除三维点云中的噪声
`pcdownsample`	下采样一个三维点云
`pcnormals`	估计点云的法线
`pcmerge`	合并两个三维点云
`pcsegdist`	基于欧氏距离将点云分割成簇
`pctransform`	三维点云变换
`segmentLidarData`	分段将三维距离数据组织成簇
`segmentGroundFromLidarData`	从有组织的激光雷达数据中分割接地点
`findNearestNeighbors`	在点云中寻找一个点的最近邻居
`findNeighborsInRadius`	在点云的一个点的半径内寻找邻居
`findPointsInROI`	在点云中感兴趣的区域内找到点
`removeInvalidPoints`	从点云中移除无效点

注册和映射点云

`pcregistercorr`	使用相位相关注册两个点云
`pcregistericp`	采用ICP算法对两个点云进行配准
`pcregistercpd`	采用CPD算法对两个点云进行配准
`pcregisterndt`	采用无损检测算法对两个点云进行配准
`rigid3d`	三维刚性几何变换
`scanContextDistance`	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
`createPoseGraph`	创建姿态图
`optimizePoses`	使用相对姿态约束优化绝对姿态

拟合点云到几何模型

`pcfitcylinder`	拟合圆柱体到三维点云
`pcfitplane`	拟合平面到三维点云
`pcfitsphere`	拟合球体到三维点云
`pcnormals`	估计点云的法线
`fitPolynomialRANSAC`	用RANSAC将多项式拟合到点上
`ransac`	模型拟合噪声数据
`cylinderModel`	对象，用于存储参数圆柱模型
`planeModel`	对象，用于存储参数化平面模型
`sphereModel`	对象，用于存储参数球模型

读写点云

`pcread`	从PLY或PCD文件中读取三维点云
`pcwrite`	将三维点云写入PLY或PCD文件
`pcfromkinect`	点云Kinect为窗户
`velodyneFileReader`	读取点云数据威力登PCAP文件

可视化点云

`pcshow`	图3-D点云
`pcshowpair`	可视化两个点云之间的差异
`pcplayer`	可视化流3-D点云数据
`showShape`	在图像、视频或点云上显示形状

存储点云

`pcviewset`	管理基于视觉里程计和SLAM的点云数据
`pointCloud`	用于存储三维点云的对象
`findNearestNeighbors`	在点云中寻找一个点的最近邻居
`findNeighborsInRadius`	在点云的一个点的半径内寻找邻居
`findPointsInROI`	在点云中感兴趣的区域内找到点