Извлеките основанные на собственном значении функции из сегментов облака точек
features = extractEigenFeatures(ptCloud,labels)labels, это соответствует сегментированному облаку точек.
Основанные на собственном значении функции характеризуют геометрические функции сегментов облака точек. Эти функции могут быть использованы в обнаружении закрытия цикла for приложений одновременной локализации и картографии (SLAM) и локализации в целевой карте.
features = extractEigenFeatures(segmentsIn)segmentsIn облака точек. Используйте этот синтаксис, чтобы упростить выбор определенных сегментов в скане облака точек для экстракции локального признака.
[ дополнительно возвращает сегменты, извлеченные из облака точки ввода с помощью любой комбинации аргументов от предыдущих синтаксисов. Используйте этот синтаксис, чтобы упростить визуализацию сегментов.features,segmentsOut] = extractEigenFeatures(___)
[___] = extractEigenFeatures(___,NormalizeEigenvalues=tf) нормирует собственные значения до вычисления функций в виде true или false. Установите tf к true когда следующий шаг должен использовать классификатор, чтобы присвоить семантическую метку 3-D точке. Установите tf к false когда следующий шаг должен найти соответствие с функциями. Значением по умолчанию является false.
Загрузите организованное облако точек лидара.
ld = load('drivingLidarPoints.mat');
ptCloud = ld.ptCloud; Сегмент и удаляет наземную плоскость.
groundPtsIdx = segmentGroundFromLidarData(ptCloud,'ElevationAngleDelta',15); ptCloud = select(ptCloud,~groundPtsIdx,'OutputSize','full');
Кластеризируйте остающиеся точки с минимумом 50 точек на кластер.
distThreshold = 0.5; % in meters minPoints = 50; [labels,numClusters] = segmentLidarData(ptCloud,distThreshold,'NumClusterPoints',minPoints);
Вычислите основанные на собственном значении функции.
features = extractEigenFeatures(ptCloud,labels,'NormalizeEigenvalues',true)features=17×1 object
16x1 eigenFeature array with properties:
Feature
Centroid
⋮
Создайте средство чтения файлов Velodyne PCAP.
veloReader = velodyneFileReader('lidarData_ConstructionRoad.pcap','HDL32E');
Считайте первые и четвертые сканы из файла.
ptCloud1 = readFrame(veloReader,1); ptCloud2 = readFrame(veloReader,4);
Удалите наземную плоскость из сканов.
maxDistance = 1; % in meters referenceVector = [0 0 1]; [~,~,selectIdx] = pcfitplane(ptCloud1,maxDistance,referenceVector); ptCloud1 = select(ptCloud1,selectIdx,'OutputSize','full'); [~,~,selectIdx] = pcfitplane(ptCloud2,maxDistance,referenceVector); ptCloud2 = select(ptCloud2,selectIdx,'OutputSize','full');
Кластеризируйте облака точек с минимумом 10 точек на кластер.
minDistance = 2; % in meters minPoints = 10; labels1 = pcsegdist(ptCloud1,minDistance,'NumClusterPoints',minPoints); labels2 = pcsegdist(ptCloud2,minDistance,'NumClusterPoints',minPoints);
Извлеките функции собственного значения и соответствующие сегменты от каждого облака точек.
[eigFeatures1,segments1] = extractEigenFeatures(ptCloud1,labels1); [eigFeatures2,segments2] = extractEigenFeatures(ptCloud2,labels2);
Создайте матрицы функций и центроидов, извлеченных из каждого облака точек для соответствия.
features1 = vertcat(eigFeatures1.Feature); features2 = vertcat(eigFeatures2.Feature); centroids1 = vertcat(eigFeatures1.Centroid); centroids2 = vertcat(eigFeatures2.Centroid);
Найдите предполагаемые соответствия функции.
indexPairs = pcmatchfeatures(features1,features2, ...
pointCloud(centroids1),pointCloud(centroids2));Получите совпадающие сегменты и функции визуализации.
matchedSegments1 = segments1(indexPairs(:,1)); matchedSegments2 = segments2(indexPairs(:,2)); matchedFeatures1 = eigFeatures1(indexPairs(:,1)); matchedFeatures2 = eigFeatures2(indexPairs(:,2));
Визуализируйте соответствия.
figure
pcshowMatchedFeatures(matchedSegments1,matchedSegments2,matchedFeatures1,matchedFeatures2)
title('Matched Segments')
[1] Вейнманн, M., Б. Джуци и К. Маллет. “Семантическая 3D Интерпретация Сцены: Среда, Комбинирующая Оптимальный Выбор Размера Окружения с Соответствующими Функциями”. Летопись ISPRS Фотограмметрии, Дистанционного зондирования и Пространственной Информатики II–3 (7 августа 2014): 181–88. https://doi.org/10.5194/isprsannals-II-3-181-2014.
scanContextDescriptor | pcmatchfeatures | pcshowMatchedFeatures | extractFPFHFeatures | segmentLidarData | pcsegdist