Exponenta Banner

Лидар и обработка облака точек

Downsample, denoise, трансформация, визуализация, регистрация и подгонка геометрических форм трехмерных точечных облаков

Облака точек обычно используются, чтобы измерить поверхности материального мира. У них есть приложения в навигации робота и восприятии, оценке глубины, видении стерео, визуальной регистрации, и в продвинутых системах помощи водителю (ADAS). Алгоритмы Computer Vision Toolbox™ обеспечивают функциональность обработки облака точек для субдискретизации, шумоподавления и преобразования облаков точек. Тулбокс также обеспечивает регистрацию облака точек, геометрическая форма, соответствующая к 3-D облакам точек и способности читать, запишите, сохраните, отобразите и сравните облака точек. Можно также объединить несколько облаков точек, чтобы восстановить 3-D сцену с помощью алгоритма итеративной самой близкой точки (ICP).

Можно использовать pcregistercpd, pcregistericp, и pcregisterndt указывать движущееся облако точек к облаку фиксированной точки. Эти регистрационные алгоритмы основаны на алгоритме Когерентного дрейфа точки (CPD), алгоритме Итеративной самой близкой точки (ICP) и алгоритме Преобразования нормальных распределений (NDT), соответственно. Лучшая производительность требует настраивающих свойств для ваших данных. Перед использованием функций регистрации облака точек рассмотрите использование pcdownsample прореживать ваши облака точек, который улучшает точность и КПД регистрации.

Функции

развернуть все

pcdenoiseУдалите шум из 3-D облака точек
pcdownsampleDownsample 3-D облако точек
pcnormalsОцените нормали для облака точек
pcmergeОбъедините два 3-D облака точек
pcsegdistОблако точек сегмента в кластеры на основе Евклидова расстояния
segmentLidarDataСегмент организовал 3-D данные об области значений в кластеры
segmentGroundFromLidarDataЗемля сегмента указывает из организованных данных о лидаре
findNearestNeighborsНайдите самых близких соседей точки в облаке точек
findNeighborsInRadiusНайдите соседей в радиусе точки в облаке точек
findPointsInROIНайдите точки в необходимой области в облаке точек
removeInvalidPointsУдалите недопустимые точки из облака точек
pcdownsampleDownsample 3-D облако точек
pctransformПреобразуйте 3-D облако точек
pcregistericpУкажите два облака точек с помощью алгоритма ICP
pcregistercpdУкажите два облака точек с помощью алгоритма CPD
pcregisterndtУкажите два облака точек с помощью алгоритма NDT
pcfitcylinderПодходящий цилиндр к 3-D облаку точек
pcfitplaneСоответствуйте плоскости к 3-D облаку точек
pcfitsphereПодходящая сфера к 3-D облаку точек
pcnormalsОцените нормали для облака точек
fitPolynomialRANSACСоответствуйте полиному к точкам с помощью RANSAC
ransacПодбирайте модель к зашумленным данным
cylinderModelОбъект для хранения параметрической модели гидроцилиндра
planeModelОбъект для хранения параметрической плоской модели
sphereModelОбъект для хранения параметрической модели сферы
pcreadСчитайте 3-D облако точек из PLY или файла PCD
pcwriteЗапишите 3-D облако точек в PLY или файл PCD
pcfromkinectОблако точек от Kinect для Windows
velodyneFileReaderСчитайте данные об облаке точек из файла Velodyne PCAP
pcshowПостройте 3-D облако точек
pcshowpairВизуализируйте различие между двумя облаками точек
pcplayerВизуализируйте передающие потоком 3-D данные об облаке точек
pointCloudОбъект для хранения 3-D облака точек
findNearestNeighborsНайдите самых близких соседей точки в облаке точек
findNeighborsInRadiusНайдите соседей в радиусе точки в облаке точек
findPointsInROIНайдите точки в необходимой области в облаке точек
removeInvalidPointsУдалите недопустимые точки из облака точек

Темы

Формат PLY

Стэнфордский треугольный формат

Обзор регистрации облака точек

Изучите рабочий процесс регистрации облака точек.

Рекомендуемые примеры

Structure From Motion From Two Views

Структура от движения от двух представлений

Структура от движения (SfM) является процессом оценки 3-D структуры сцены из набора 2D изображений. Этот пример показывает вам, как оценить положения калиброванной камеры от двух изображений, восстановить 3-D структуру сцены до неизвестного масштабного коэффициента, и затем восстановить фактический масштабный коэффициент путем обнаружения объекта известного размера.

Открыть скрипт
Structure From Motion From Multiple Views

Структура от движения от нескольких представлений

Структура от движения (SfM) является процессом оценки 3-D структуры сцены из набора 2D представлений. Это используется во многих приложениях, таких как навигация робота, автономное управление автомобилем и дополненная реальность. Этот пример показывает вам, как оценить положения калиброванной камеры от последовательности представлений и восстановить 3-D структуру сцены до неизвестного масштабного коэффициента.

Скрипт Open Live Script
Build a Map from Lidar Data

Создайте карту из данных о лидаре

Обработайте 3-D данные о датчике лидара, чтобы прогрессивно создать карту с помощью со стороны показаний инерционного модуля измерения (IMU).

Открыть скрипт
3-D Point Cloud Registration and Stitching

3-D регистрация облака точек и сшивание

Объедините несколько облаков точек, чтобы восстановить 3-D сцену с помощью алгоритма Итеративной самой близкой точки (ICP).

Скрипт Open Live Script
Track Vehicles Using Lidar: From Point Cloud to Track List

Транспортные средства дорожки Используя лидар: от облака точек до списка дорожек

Отследите транспортные средства с помощью измерений от датчика лидара, смонтированного сверху автомобиля, оборудованного датчиком.

Открыть скрипт
Документация Computer Vision Toolbox
Поддержка