摘要: hi 小伙伴们,人啊,很容易有惰性,很久不跟新了,不做笔记了,如今“良心发现”,毕业之后第一次更新博客。当然还是学习,整合分享给更多的人! 相信关注我博客和微信公众号的人很多都是做点云处理,那么使用的传感器不是激光就是相机,这里将介绍一下双目立体视觉 双目立体视觉,在百度百科里的解释是这样解释的:双阅读全文
posted @ 2018-09-15 21:47 Being_young 阅读(780) 评论(0) 编辑
摘要: 之前在微信公众号中更新了以下几个章节 1,如何学习PCL以及一些基础的知识 2,PCL中IO口以及common模块的介绍 3,PCL中常用的两种数据结构KDtree以及Octree树的介绍 三维点云分割是将同属性的点云物体分割出来,以便于单独对该点云物体处理,但是由于点云数据是一种高冗余度,且不均匀阅读全文
posted @ 2019-05-22 22:25 Being_young 阅读(122) 评论(0) 编辑
摘要: 三维配准中经常被提及的配准算法是ICP迭代的方法,这种方法一般般需要提供一个较好的初值,也就是需要粗配准,同时由于算法本身缺陷,最终迭代结果可能会陷入局部最优,导致配准失败,往往达不到我们想要的效果。本文介绍的是另一种比较好的配准算法,NDT配准。所谓NDT就是正态分布变换,作用与ICP一样用来估计阅读全文
posted @ 2019-04-14 15:29 Being_young 阅读(284) 评论(0) 编辑
摘要: pcl_common库包含大多数PCL库使用的公共数据结构和方法。核心数据结构包括PointCloud类和许多用于表示点、表面法线、RGB颜色值、特征描述符等的点类型。它还包含许多用于计算距离/范数、均值和协方差、角度转换、几何变换,等等。这个模块是不依赖其他模块的,所以是可以单独编译成功,单独编译阅读全文
posted @ 2018-12-16 13:48 Being_young 阅读(535) 评论(0) 编辑
摘要: 在基于激光的自动驾驶或者移动机器人的应用中,在移动场景中提取单个对象的能力是十分重要的。因为这样的系统需要在动态的感知环境中感知到周围发生变化或者移动的对象,在感知系统中,将图像或者点云数据预处理成单个物体是进行进一步分析的第一个步骤。 在这篇文章中就提出了一种十分高效的分割方法。首先是将扫描到的点阅读全文
posted @ 2018-11-12 14:31 Being_young 阅读(846) 评论(3) 编辑
摘要: 在第之前的章节中,已经提出RIMF来检测移动像素。 为了计算RIMF,应首先估算GIMF。 此外,RIMF的不确定性也可以根据自我运动和视差图不确定性来计算。 Global Image Motion Flow (GIMF)怎么计算呢? GIMF用于表示由相机运动引起的图像运动流。 给定前一图像帧中的阅读全文
posted @ 2018-11-09 23:27 Being_young 阅读(208) 评论(0) 编辑
摘要: 接下来就是我要介绍的论文 Zhou D, Frémont V, Quost B, et al. Moving Object Detection and Segmentation in Urban Environments from a Moving Platform ☆[J]. Image & Vi阅读全文
posted @ 2018-11-09 21:57 Being_young 阅读(625) 评论(0) 编辑
摘要: Motion Detection or Moving Object Detection 称之为运动侦测,移动侦测,移动检测 MOD全称为Moving Object Detection,中文“移动物体检测”。主要的作用是泊车时,周围有人或物体经过探测区域被检测到给驾驶员声音和视觉提醒,移动物体会被黄框阅读全文
posted @ 2018-11-05 16:25 Being_young 阅读(426) 评论(0) 编辑
摘要: hi 小伙伴们,人啊,很容易有惰性,很久不跟新了,不做笔记了,如今“良心发现”,毕业之后第一次更新博客。当然还是学习,整合分享给更多的人! 相信关注我博客和微信公众号的人很多都是做点云处理,那么使用的传感器不是激光就是相机,这里将介绍一下双目立体视觉 双目立体视觉,在百度百科里的解释是这样解释的:双阅读全文
posted @ 2018-09-15 21:47 Being_young 阅读(780) 评论(0) 编辑
摘要: (1)关于点云的配准 1.首先给定源点云与目标点云。 2.提取特征确定对应点 3.估计匹配点对应的变换矩阵 4.应用变换矩阵到源点云到目标点云的变换 配准的流程图 通过特征点的匹配步骤 (1)计算源点云与目标点云的关键点 (2)计算关键点的特征描述子(比如:FPFH等等) (3)匹配特征点计算出对应阅读全文
posted @ 2018-09-12 16:00 Being_young 阅读(993) 评论(0) 编辑
摘要: (1)Euclidean分割 欧几里德分割法是最简单的。检查两点之间的距离。如果小于阈值,则两者被认为属于同一簇。它的工作原理就像一个洪水填充算法:在点云中的一个点被“标记”则表示为选择在一个的集群中。然后,它像病毒一样扩散到其他足够近的点,从这些点到更多点,直到没有新的添加为止。这样,就是一个初始阅读全文
posted @ 2018-09-12 15:59 Being_young 阅读(1579) 评论(0) 编辑