效果图：https://blog.csdn.net/qq_36749728/article/details/120015004
2021-09-03 20:04:52
33.94MB
影响地面三维激光扫描点云精度的因素有很多, 它们共同存在且交互影响, 研究各因素及其交互作用对点云数量、点云反射强度和点云标准偏差的影响有利于有效地提高地面点云精度。选择目标物的颜色、粗糙度、距离作为研究对象, 利用多因素方差分析法、多元线性回归分析法, 分析了各因素及其交互作用影响的显著性, 并拟合了点云标准偏差和点云反射强度的回归方程。研究结果表明：目标物距离对点云数量的影响较大, 5 m距离的点云数量约是30 m距离的40倍, 距离与点云数量成反比; 目标物颜色对点云反射强度的影响较大, 白色最大点云强度可达0.54, 而黑色只有0.18, 点云反射强度从大到小为白色、绿色、蓝色、红色、黑色; 目标物距离对地面三维激光扫描点云标准偏差影响最大, 30 m距离的点云标准偏差是5 m距离的3倍左右, 颜色次之, 粗糙度的影响不明显, 点云标准偏差与点云反射强度具有幂函数关系。
2021-08-23 19:36:35
3.15MB
1
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。
本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：
（1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法；
（2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试；
（3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。
需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
2021-08-21 15:32:21
7.14MB
1
DRIVE数据集的关键点的groundtruth，这是荷兰的一个团队标记的，是广泛流传的一个．其涉及到的算法主要有MICCAI的论文Multi-task那篇，BICROS算法等． 注意：这里只有点的坐标以及一位专家的手动分割图，想要原图的话去我的另一个资源里找，谢谢～
2021-08-20 14:42:56
16.24MB
1
张彬,熊传兵.基于体素下采样和关键点提取的点云自动配准[J].激光与光电子学进展,2020,57(04)
没积分可以百度云下载,点个赞就好
链接：https://pan.baidu.com/s/1aDOsrKN1pPNqnWXQlCdWIQ
提取码：c8x9
2021-08-09 15:06:22
9.19MB
1
这是我在一个SIFT群里找到的opencv代码 关于SIFT检测特征点以及生成128维描述子向量的全过程讲解得很详细 基本上每一步都有注释 只要学过C++的 应该都看得懂 比CSDN上有些理论讲解得更清楚 特别是关于编程的细节部分
2021-08-04 22:07:36
59KB
1
针对最近点迭代算法(ICP)在大数据点云下配准效率低及对配准点云初始位置依赖性强的缺点,提出了一种基于快速点云粗配准与 ICP 算法相结合的方法。根据体素对原始点云进行下采样,结合法向量特征提取关键点,使用快速点特征直方图(FPFH)算法描述关键点;根据局部邻域内的关键点匹配对的向量夹角特性进一步对匹配点对进行精简;对精简后的关键点对集使用随机采样一致性算法(RANSAC)获取内点最多的变换参数,从而完成点云粗配准;最后在粗配准点云的基础上使用 ICP 算法完成精确配准。实验结果表明,本算法在高密集点云上的配准效率和精度均有所提高。
2021-08-03 17:55:24
10.69MB
1