主要内容

点云处理

预处理,可视化,寄存器,适合几何形状,构建地图,实现SLAM算法,并使用3-D点云使用深度学习

点云是三维空间中的一组数据点。这些点合在一起代表一个三维形状或物体。数据集中的每个点都用xy, 和z几何坐标。点云提供将大量单个空间测量组装到可以表示为可被描述的对象的数据集中的手段。点云处理用于机器人导航和感知,深度估计,立体声视觉,视觉登记和高级驾驶员辅助系统(ADA)。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重建3-D场景。

您可以使用pcregistericpPcregisterndt.pcregistercorr., 和Pcregistercpd.将移动点云注册到固定点云。这些注册算法基于迭代最接近点(ICP)算法,正常分布变换(NDT)算法,相位关联算法和相干点漂移(CPD)算法。您可以使用注册点云构建地图,检测循环闭合,优化地图以纠正漂移,并在预构建地图中执行本地化。有关更多详细信息,请参阅点云Slam概述

一个由两个同心点云组合而成的点云,一个传感器角度计算和一个代表茶壶的点云

功能

全部展开

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 读取点云数据威达尔PCAP文件
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
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

进行预处理

pcbin 空间bin点云点
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

查找和删除点

findpointsinroi. 在点云中寻找感兴趣区域内的点
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
removeInvalidPoints 从点云中删除无效点
PCSEGDIST. 基于欧几里得距离将点云分割成簇
segmentGroundFromLidarData 从有组织的激光雷达数据分割地面点
segmentLidarData Segment将三维范围数据组织成簇

注册点云

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

变换的点云

rigid3d 3-D刚性几何变换
pctransform. 转换3-D点云

对齐或合并点云

pcalign. 对齐阵列点云
普科特 连接三维点云阵列
PCMerge. 合并两个三维点云

确定循环闭合候选者

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

优化了

createPoseGraph 创建构成图
optimizePoses 使用相对姿势约束优化绝对姿势

创建本地化地图

pcmapndt 基于正态分布变换的本地化图(NDT)
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

主题

厚度的格式

斯坦福三角格式

点云Slam概述

理解点云配准和映射工作流程。

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。

标记、分割和检测(LIDAR工具箱)

使用深度学习和几何算法标记、分割、检测和跟踪点云数据中的对象

特色的例子