对强噪声且密度不均匀的点云进行高效、高精度配准是一个难题。针对此难题,提出一种基于关键点提取与优化迭代最近点(ICP)的点云配准算法。在粗配准中,将体素格滤波与法向距离关键点的提取相结合,计算关键点的快速点特征直方图以进行特征匹配,然后采用对应关系估计优化随机采样一致性(RANSAC)算法以进行误匹配剔除。在精配准中,采用最优节点优先(BBF)算法搜索k-d tree最近点,设定动态阈值消除误配对,最后利用基于“点到三角面”模型的加速ICP算法计算配准向量。通过对模型点云和建筑物点云进行配准,将所提算法与其他常用的算法进行比较分析。实验表明,所提算法具有良好的稳健性和抗噪性,能显著提升配准速度和配准精度。
2021-10-14 16:57:31
15.53MB
1
可可关键点注释
“便捷方式”为关键点添加COCO格式的图像批注。 可用于创建用于姿势估计的数据集。
上传的第一个文件是一个人可以在其中看到coco关键点json文件的布局的文件。 请注意，我在Java Eclipse Neon中运行Java脚本。
稍后，我将上传一个文件，其中详细描述了我执行的所有步骤。 例如，详细说明了如何注释图像，如何创建xml文件，用于关键点检测的coco json格式以及如何将xml文件转换为coco json格式。
*请注意，我是一名初学者程序员，甚至没有计算机科学背景。
2021-10-11 19:27:30
143KB
1
三维点云关键点配准与识别过程中存在寻找匹配对不理想、大量误匹配对及配准与识别准确率下降等问题,提出了一种新颖的关键点误匹配剔除方法。在关键点检测阶段, 基于边缘点及其邻域点大多分布在同侧的特性, 提出了一种边缘点检测算法, 剔除处于边缘的关键点, 以提高关键点的可重复性和可匹配性, 并降低关键点特征匹配的误匹配率。在关键点特征匹配阶段, 对经由最近邻算法得到的初始关键点匹配对, 通过Kmeans算法和分裂法, 剔除掉大量错误的关键点匹配对, 从而提高三维点云之间关键点的匹配率。实验结果表明, 该方法能够剔除完整三维点云匹配完整三维点云、完整三维点云匹配杂乱且有遮挡的三维点云、部分点云匹配部分点云所产生的大量关键点误匹配对, 提升了关键点匹配效果；同时在时间上, 本文算法较随机取样一致性算法更有效率, 是最邻近算法的有益补充。
2021-10-10 21:23:05
10.67MB
1
目标检测是计算机视觉应用的基础, 基于锚框的一些目标检测算法已难以满足目标检测中对目标处理的效率、性能等诸多方面的要求, 而anchor free方法逐渐广泛应用于目标检测. 本文首先重点介绍了CornerNet、CenterNet、FCOS模型的一系列基于关键点的anchor free目标检测方法, 综述了算法思路及其优缺点; 然后分别对基于锚框和基于关键点的目标检测算法在同一个数据集上作了性能比较和分析; 最后对基于关键点的目标检测进行了总结, 并展望了目标检测的未来发展方向.
2021-09-30 16:04:20
1.19MB
1
PFLD的python实现，用于人脸的关键点检测
2021-09-28 16:07:47
11.34MB
opencv实现的SIFT算法源码，包含图像的SIFT特征提取算法，以及图像之间的基于SIFT特征的匹配算法
2021-09-26 21:04:05
106KB
1