ply las pcd等一些常见的基本点云文件格式的读写方法。 有详细的python和C++代码实现，希望和大家一起学习。

最新逆向工程软件，可将点云数据转换为实体曲面

这篇论文提出的稀疏迭代最近点算法具有较强的抗噪性，对包含噪声的点云数据进行配准时有较好的效果

SUSTechPOINTS：点云3D边界框注释工具 消息 2020.4.2自动偏航角（z轴）预测。 笔记 该项目仍处于开发阶段，某些功能/算法需要尚未上传的软件包，我们将尽快上载它们。 特征 9自由度框编辑 编辑透视图和投影视图 多个摄像机图像作为上下文，并具有自动摄像机切换功能 相机-LiDAR融合 二进制/ ASCII PCD文件 jpg / png图像文件 半自动盒注释（需要额外的包装） 对象/盒子的颜色按类别 对焦模式可隐藏背景以轻松查看详细信息 流播放/停止 自动对象跟踪ID生成 互动盒装 要求 python，cherrypy，张量流> = 2.1 安装 安装软件包 pip install -r requirement.txt 下载模型 下载预训练的模型文件 ，将其放入./algos/models wget https://github.com/naurril/SUSTech

Halcon深度图转点云

输入是给出 x、y 和 z 范围的向量。 例如 x=1:100;y=40:70;z=80:250; 对缺乏描述表示歉意，但此提交是针对特定请求的。 它是从一个更大的程序中提取的。 % - BI 实体点云立方体函数 [P]=Cuboid(x,y,z) % - 为由点组成的实体长方体生成坐标 a=长度（x）；b=长度（y）；c=长度（z）； % 为了编码简单而分配% BI1。 查找所有 x 坐标xp = zeros（1，a * b * c）; % 预分配对于 nx=1:a 如果 nx==1,xp(1:c*b)=(repmat(x(nx),1,c*b)); else xp（（（（nx-1）* c * b）+1：nx * c * b）= repmat（x（nx），1，c * b）;结束结尾% BI2。 查找所有 y 坐标yp=zeros(1,b*c); % 预分配对于 ny=1:b 如果 n

结构光三维成像是近年来三维成像领域的研究热点之一。整体设计及实现了条纹结构光三维重构系统，并重点研究了点云生成三角网格方法。该系统使用整体阈值与局部滑动阈值相结合的方法提取到条纹中心特征点，以像素索引值为中间媒介进行编码值插值计算，并利用像素索引值为媒介对点云进行三角网格化处理。利用像素索引值的方法简化了点云插值和点云生成三角网格的处理过程，并且能够精确得到每个点上的颜色值并进行颜色渲染。最后利用提出的方法对石膏模型和实际人脸面部进行了三维测量和重建，并分析了该方法测量的精度。结果表明提出的方法达到了实验

通过阅读17篇点云处理的综述文章，可以全面了解三维点云处理的技术发展、了解其发展路线，包括点云物体检测、点云语义分割，深度学习在点云处理中的应用，自动驾驶中的点云处理等多个方面，便于刚刚接触点云方向不久的伙伴，进行合理的学习规划，也方便对自己的研究方向进行更好的分析与了解。

一款轻量而功能强大的点云可视化和编辑软件，支持pcd, ply, las等多种格式，轻松打开海量点云数据，支持多方式多字段渲染点云，对点进行方便的查询、量测和编辑，可应用于测绘、高精地图、SLAM等领域。

MATLAB-研究-点云： 1.使用点云测量和分析3D场景： 来源： : 点云是数据点的集合，其中数据集的各个点表示现实世界中被扫描对象的表面点的坐标。 点云用于测量现实世界的场景，通常由激光雷达扫描仪和其他设备产生。 点云处理用于增强现实（AR）和虚拟现实（VR）应用程序以及机器人技术和自动驾驶中的感知和导航。 公共点云处理任务包括： 读写点云数据以进行分析和显示 转换，过滤和注册3D点云 将3D点云分割成簇并将其拟合为几何形状 点云处理工作流程的主要组件是： 读取和可视化数据 配准和拼接一系列点云 将点云数据细分为集群 1.1注册和缝合一系列点云示例：使用迭代最近点（ICP）算法的3D场景重建： 来源： : veloReader = velodyneFileReader('lidarData_ConstructionRoad.pcap','HDL32E'); xl