主要内容

激光雷达和点云处理

下落下,去除,变换,可视化,注册,适合几何形状,并使用3-D点云使用深度学习

点云通常用于测量物理世界。它们具有机器人导航和感知,深度估计,立体视觉,视觉登记和高级驾驶员辅助系统(ADA)中的应用。计算机Vision Toolbox™算法为下采样,去噪和转换点云提供点云处理功能。工具箱还提供点云注册,拟合到3-D点云的几何形状,以及读取,写入,存储,显示和比较点云的能力。您还可以将多个点云组合以使用迭代最近点(ICP)算法重建三维场景。

您可以使用Pcregistercpd.pcregistericp, 和Pcregisterndt.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。最佳性能要求调整数据的属性。在使用点云配准函数之前,考虑使用pcdownsample为了降低点云,这提高了注册的准确性和效率。

功能

全部展开

pcalign. 对齐阵列点云
pcbin 空间bin点云点
普科特 连接三维点云阵列
pcdenoise. 去除三维点云中的噪声
pcdownsample 下面一个3-D点云
Pcnormals. 估计点云的法线
PCMerge. 合并两个三维点云
PCSEGDIST. 基于欧几里得距离将点云分割成簇
pctransform. 转换3-D点云
segmentLidarData Segment将三维范围数据组织成簇
segmentGroundFromLidarData 从有组织的激光雷达数据分割地面点
findnearestneighbors. 查找点云中的最近邻居
Findneighborsinradius. 在点云中找到一个半径内的邻居
findpointsinroi. 在点云中寻找感兴趣区域内的点
removeInvalidPoints 从点云中删除无效点
pcregistercorr. 使用相位相关注册两个点云
pcregistericp 采用ICP算法配准两点云
Pcregistercpd. 采用CPD算法配准两点云
Pcregisterndt. 用NDT算法配准两点云
rigid3d 3-D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 创建构成图
optimizePoses 使用相对姿势约束优化绝对姿势
pcfitcylinder 将圆柱体与三维点云拟合
pcfitplane 平面与三维点云拟合
PCFitsphere. 适合球体到3-D点云
Pcnormals. 估计点云的法线
fitPolynomialRANSAC 用RANSAC拟合多项式到点
ransac. 拟合模型到噪声数据
Cylindermodel. 对象,用于存储参数化柱体模型
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文件读取三维点云
PCWRITE. 将3-D点云写入PLY或PCD文件
pcfromkinect 点云Kinect视窗
velodyneFileReader 阅读点云数据威达尔PCAP文件
pcshow. 绘制3-D点云
pcshowpair 想象两个点云之间的差别
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
PCViewSet. 管理基于点云的视觉径管和SLAM的数据
pointcloud. 对象,用于存储三维点云
findnearestneighbors. 查找点云中的最近邻居
Findneighborsinradius. 在点云中找到一个半径内的邻居
findpointsinroi. 在点云中寻找感兴趣区域内的点

主题

厚度的格式

斯坦福三角格式

点云配准与映射概述

了解点云配准流程。

使用深度学习开始点云开始

了解如何使用点云进行深度学习。

选择“功能”以可视化检测到的对象

比较可视化功能。

分割、检测和标记(LIDAR工具箱)

使用深度学习和几何算法分割、检测、标记和跟踪点云数据中的对象

特色的例子