Обработка облака точек

Предварительно обработайте, визуализируйте, укажите, соответствуйте геометрическим формам, создайте карты, реализуйте алгоритмы SLAM и используйте глубокое обучение для 3-D облаков точек

Облако точек является набором точек данных в трехмерном пространстве. Точки вместе представляют 3-D форму или объект. Каждая точка в наборе данных представлена x, y и z геометрическая координата. Облака точек обеспечивают средние значения сборки большого количества одного пространственных измерений в набор данных, который может быть представлен как поддающийся описанию объект. Обработка облака точек используется 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.

Можно использовать pcregistericp, pcregisterndt, pcregistercorr, и pcregistercpd указывать движущееся облако точек к облаку фиксированной точки. Эти регистрационные алгоритмы основаны на алгоритме Итеративной самой близкой точки (ICP), алгоритме Преобразования нормальных распределений (NDT), алгоритме корреляции фазы и алгоритме Когерентного дрейфа точки (CPD), соответственно. Можно создать карту с зарегистрированными облаками точек, обнаружить закрытия цикла, оптимизировать карту, чтобы откорректировать для дрейфа и выполнить локализацию в предварительно созданной карте. Для получения дополнительной информации смотрите Облако точек Реализации SLAM в MATLAB.

Figure showing a point cloud of two concentric point clouds combined, a sensor angle computation, and a point cloud representing a teapot

Функции

развернуть все

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
pcviewsetСправьтесь данные для облака точек основывали визуальную одометрию и SLAM
pointCloudОбъект для хранения 3-D облака точек
pcshowПостройте 3-D облако точек
pcshowpairВизуализируйте различие между двумя облаками точек
pcplayerВизуализируйте передающие потоком 3-D данные об облаке точек
showShapeОтобразите формы на изображении, видео или облаке точек

Предварительно обработать

pcbinПространственно точки облака точек интервала
pcdenoiseУдалите шум из 3-D облака точек
pcdownsampleDownsample 3-D облако точек
pcnormalsОцените нормали для облака точек

Найдите и удалите точки

findPointsInROIНайдите точки в необходимой области в облаке точек
findNearestNeighborsНайдите самых близких соседей точки в облаке точек
findNeighborsInRadiusНайдите соседей в радиусе точки в облаке точек
removeInvalidPointsУдалите недопустимые точки из облака точек
pcsegdistОблако точек сегмента в кластеры на основе Евклидова расстояния
segmentGroundFromLidarDataРазбиение точек заземления из подготовленных лидарных данных
segmentLidarDataСегмент организовал 3-D данные об области значений в кластеры

Укажите облака точек

pcregistercorrУкажите две корреляции фазы использования облаков 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

Преобразуйте облака точек

rigid3d3-D твердое геометрическое преобразование
pctransformПреобразуйте 3-D облако точек

Выровняйте или объедините облака точек

pcalignВыровняйте массив облака точек
pccatКонкатенация 3-D массива облака точек
pcmergeОбъедините два 3-D облака точек

Определите кандидатов закрытия цикла

findPoseЛокализуйте облако точек в рамках карты с помощью алгоритма нормальных распределений преобразовывают (NDT)
scanContextDistanceРасстояние между дескрипторами контекста скана
scanContextDescriptorИзвлеките дескриптор контекста скана из облака точек
scanContextLoopDetectorОбнаружьте закрытия цикла с помощью дескрипторов контекста скана

Оптимизируйте положения

createPoseGraphСоздайте график положения
optimizePosesОптимизируйте абсолютные положения с помощью относительных ограничений положения

Создайте карту локализации

pcmapndtКарта локализации на основе нормальных распределений преобразовывают (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

Темы

Выберите SLAM Workflow Based on Sensor Data

Выберите правильный рабочий процесс одновременной локализации и картографии (SLAM) и найдите темы, примеры и поддерживавшие функции.

Реализуйте облако точек SLAM в MATLAB

Изучите рабочий процесс отображения и регистрация облака точек.

Формат PLY

Стэнфордский треугольный формат

Начало работы с облаками точек Используя глубокое обучение

Изучите, как использовать облака точек для глубокого обучения.

Выберите Function to Visualize Detected Objects

Сравните функции визуализации.

Маркировка, сегментация и обнаружение (Lidar Toolbox)

Метка, сегмент, обнаруживает, и отслеживаемые объекты в данных об облаке точек с помощью глубокого обучения и геометрических алгоритмов

Рекомендуемые примеры