为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3D CNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3D CNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3D ShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。

J. Amanatides 和 A. Woo (1987) 提出的光线跟踪（体素遍历）算法的 mex 实现。 该函数的输入是由3D中的两个点定义的线段，而输出是与该线段相交的体素的线性索引的列表。 该函数使用 [1] 中描述的改进方法在运行遍历迭代之前执行有效的网格线相交测试。 编译后，此函数的运行速度（128x128x128 网格）比直接在 Matlab 中实现的类似函数（“Jesús P. Mena-Chalco 用于光线追踪的快速体素遍历算法”）快 100 倍。 要编译 mex 函数，请设置 Matlab mex 编译器，然后运行“mex wooRaytrace.cpp”。 .cpp 文件中描述了输入的类型和所需的格式。 [1]“一种有效且健壮的射线箱相交算法”，A。Williams等，2005

搅拌机 关于 该存储库包含一些代码，这些代码用于创建大型粒子集合（体素网格，点云）以及Blender中的颜色信息。 blender-kitti有两个目标： 创建的对象是精确的，这意味着所有粒子均在其定义的位置创建，并且所有颜色均具有指定的确切RGB值。 所有颗粒均可单独着色。 成绩单的表现是可以接受的。 创建100k点云的时间不应超过一秒钟。 这些品质一起使blender-kitti可以从KITTI数据集（因此而得名）或相关数据集中渲染大规模数据。 当涉及到可视化时，每个人都有不同的用例。 因此，这不是万能的解决方案，而是可以适用于各个用例的一系列技术。 有示例代码可以渲染上面的演示图像。 使用它来验证您的安装是否有效，并以此作为修改的起点。 安装到Blender的捆绑Python中 # Wherever your Blender installation is located.