赞
踩
tips:终于把目录和概览翻译完了,可以进入教程的翻译了^ _ ^。
初稿: 20190714
修订: 20201113
本教程将简短的描述PCL安装的各模块,指出它们安装于电脑何处,并列出不同组件之间的交互。
PCL被分割成许多模块化库,发布的PCL中最重要的模块如下:
下图是一个去噪的例子。由于测量误差,某些数据集会出现大量的阴影点。这使得局部点云三维特征的估计变得复杂。其中一些异常值可以通过对每个点的邻域进行统计分析来过滤,舍弃不满足特定标准的异常值。PCL中的稀疏离群点去除算法是在计算输入数据集中点到邻域距离分布的基础上实现的。对于每个点,计算它到它所有相邻点的平均距离。通过符合具有均值和标准差的高斯分布,所有均值距离在全局距离均值和标准差定义的区间之外的点都可以看作离群点,并从数据集中舍弃。
有关PCL特征的基本解释可参考3D特征教程。
特征库包含从点云数据结构以及点云的三维特征估算机制。三维特征是空间中特定三维点或位置的表示,基于点周围的可用信息描述几何特征。选择点周围的空间数据通常为k近邻。
下图显示了所选查询点及其所选k邻域的简单示例。
任一查询点p最广泛使用的两个几何特征是拟合平面(underlying surface?)曲率估计和的法向估计。这两个特征都被认为是局部特征,因为它们使用k近邻点描述一个点特征。为了有效地确定这些邻近点,通常使用空间分解技术将输入数据集分割成更小的块,如八叉树或Kd树,然后在该空间中执行最近点搜索。根据上述应用可以选择p点附近固定数量的k个点,或以p点为中心的半径为r的球体内的点。毋庸置疑,一个最简单的方法来估计点p表面法线和曲率的变化在是对k临近点的面片执行特征分解(即计算特征向量和特征值)。因此,对应于最小特征值的特征向量将近似点p处的曲面法向n,由特征值估计曲面曲率为:
λ
0
λ
0
+
λ
1
+
λ
2
其中
λ
0
<
λ
1
<
λ
2
\frac{λ_0}{λ_0+λ_1+λ_2} \text{其中$λ_0$<$λ_1$<$λ_2$}
λ0+λ1+λ2λ0其中λ0<λ1<λ2
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。