PCL环境库，PCL1.11.1版本，包含了PCL-1.11.1-AllInOne-msvc2019-win64.exe和pcl-1.11.1-pdb-msvc2019-win64.zip

使用PCL实现雷达点云地面过滤ROS节点，基于ray filter 参考博客：https://blog.csdn.net/AdamShan/article/details/82901295

提供的论文包括 逆向工程 点云 曲面重塑 Delaunay三角化 区域增长 影响域

这是一个框架，可针对经典基准运行用于点云分析任务的通用深度学习模型。 它在很大程度上依赖于和 。 该框架允许以最少的工作量和良好的可重复性构建精简而又复杂的模型。 它还提供了高级API，以使Pointcloud上的深度学习民主化。 有关最新网络的框架功能和基准的概述，请参见3DV上的。 目录 总览 要求 CUDA 10或更高版本（如果需要GPU版本） Python 3.7或更高版本+标头（python-dev） PyTorch 1.5或更高版本（1.4和1.3.1也应正常工作，但没有得到积极支持） 稀疏卷积后端（可选），请参阅以获取安装说明 与安装 pip install torch

光谱匹配Matlab代码多分辨率光谱图匹配 该函数执行图匹配算法，该方法在VictorGonzálezNavarro和Antonio Ortega撰写的“通过多分辨率方法进行光谱图匹配”中进行了解释。 如果您使用该代码，请提供以下引用。 V.González和A. Ortega，“多分辨率光谱图匹配”，2019年IEEE国际图像处理会议（ICIP），台湾台北，2019年，第2319-2323页。 论文链接： 要使用此代码，您需要下载并安装以下库：绘制图形。 我们已经在Matlab 2017上成功运行了此代码。 如果图形数据可用并已加载，则该算法可以直接在“ MAIN.m”文件中运行。 如果没有数据，则可以使用“ generate_graph.m”文件生成一对图形。 其余文件为次要功能，必须与“ MAIN.m”文件放在相同的文件夹中。 我们在本文中用于比较的其他图形匹配算法在“其他SGM算法”文档中。

%% 这个简单的代码计算两个点云之间的 Hausdorff 距离。 % 设 A 和 B 是度量空间 (Z,dZ) 的子集， % A 和 B 之间的 Hausdorff 距离，用 dH (A, B) 表示，定义为： % dH(A, B)=max{sup dz(a,B), sup dz(b,A)}，对于A中的所有a，B中的b， % dH(A, B) = max(h(A, B),h(B, A)), % 其中 h(A, B) = max(min(d(a, b))), % 和 d(a, b) 是 L2 范数。 % dist_H = hausdorff( A, B ) % A：第一点集。 % B：第二点集。 % ** A 和 B 可以有不同的行数，但必须有相同的列数。 ** % 哈桑·拉德瓦尔-埃斯法兰； 魁北克大学； ET; 蒙特利尔； 加拿大.06.2010 %%

基于深度学习的三维点云头部姿态估计.pdf

基于坡度和聚类的算法，提取lidar点云的地物边缘线。最终得到地物的轮廓

利用贝叶斯神经网络原理进行分类，MATLAB版本要求在10.0以上，低版本有些函数不支持

来自Semantic3D项目的带标签的点云数据集。该数据集具有数十亿个XYZ-RGB点，并将它们标记为7类。