脉冲激光测距 时间间隔测量及误差分析

讲述了相位式激光测距的原理，以及系统构成，很详细，很不错

类型：文档；格式：word；时间：；功能：使用USB摄像头和镭射笔做得测距仪

DIY基于摄像头的激光测距仪part2 包括程序，文档

雷达摄像头融合的算法的基本框架图

固体激光器被动条调Q rate_eq.m

针对无人车三维激光雷达与全球定位系统/惯性导航系统组合导航系统安装位置关系难以准确测量及相对转角无法直接测量的问题, 提出一种基于多对点云同时匹配迭代生成外参数的方法。首先选择车辆直线往返行驶中位置相近、方向相反的激光雷达点云对进行匹配；然后设定参数区域中心、初始步长及步数, 遍历参数组合, 寻找目标函数最小时的外参数组合并更新为最优迭代区域中心；最后不断缩减步长, 直到得到满足精度要求的最优外参数。实验采集了两段环境不同的数据, 分别采用较优和较差的参数初始迭代中心以及不同步数进行标定。结果表明, 所提方法用时短, 对于非理想参数初值也能够得到较好的标定结果, 而且标定方法简单, 无需专门的标定物即可达到需求的标定精度。

三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。

C型激光传感器说明书150703.pdf

结构化光内窥镜中基于特征的图像配准 该存储库包含基于深度学习的图像配准，用于结构化光内窥镜检查。 该方法是通过使用喉部记录对激光投射的关键点（功能）进行分类而开发的。 该方法包含一个预处理步骤，在该步骤中执行语义分割以定位关键点。 然后执行图像配准，以将不规则放置的关键点转换为规则放置的图案。 在后处理步骤中，使用最近邻居方法和排序算法对各个关键点进行分类。 实现驻留在包endolas（内镜检查+拉斯ER）和示范在演示提供。 此外，该数据集LASTEN，其用于训练和评估在数据中给出。 安装 下载资源库。 激活所需的python环境，该环境至少包含Python 3.7。 在存储库中，使用以下命令运行setup.py： pip install . 现在，将endolas软件包安装在您的环境中，包括资源和其他必需的软件包。 演示版 管道可以根据图像对关键点进行预测，方法如下： 'jupy