注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于点云数据的三维重建

  2. 文章的第二章，从三维激光扫描数据的特点出发，介绍了数据处理的基本 程，重点介绍了预处理的内容：其一，介绍了使用FARO Laser Scanner 880的 套软件FARO Scene和商业软件Geomagic Studio对点云数据进行去噪的方法 步骤；其二，介绍了多站数据配准的基本理论和几种重要算法，包括：有靶 控制的点云配准方法、ICP算法和四元数法，并归纳了这几种方法的特点。 第三章主要研究了基于塑像三维点云数据进行模型重建的技术。针对塑像 面不规则的特点，对塑像点云的建模选择了逐点插

  3. 所属分类：其它

    • 发布日期：2010-04-13
    • 文件大小：10mb
    • 提供者：opencv2008

  1. geomagic点云处理

  2. 杂点的处理 杂点就是测量错误的点（不是噪声），是无效的点，放大后就看得出、很明显地离开零件表面，孤立的点。譬如，激光扫描仪生成的图像里就比较多杂点，散布在图像四周，轮廓边缘外尤其多；而CMM的杂点通常较少，或因为零件表面很粗糙、很糟糕，或出现在测量沟、台、孔处，或因测量时的抖动引起。对这样的点，一般用手工或使用分离点（Disconnected Components）、轮廓（Outliers）将其选择后再删除

  3. 所属分类：C/C++

    • 发布日期：2011-04-27
    • 文件大小：566kb
    • 提供者：merrykeen

  1. 大规模点云选择及精简

  2. 点云选择与精简是三维扫描系统中应对背景数据、冗余采样、分布不均匀 等问题的必要后处理步骤。针对定制低成本三维扫描系统的需求，传统方法仍有很多局限性。 这是由于研究领域未提供支持套索uI接t：／的点云选择算法；传统点云精简方法侧重曲率自 适应分布，无法保证平坦区域的均衡分布。论文提出一种支持套索UI接口的点云选择算法， 通过构建套索形状矩形覆盖与点云八叉树剔除大部分点在多边形内的判断；提出一种基于 Poisson—disk采样的均衡分布的点云精简算法，并以采样点邻域球布尔交运算来定义曲面上 的圆

  3. 所属分类：专业指导

    • 发布日期：2013-11-18
    • 文件大小：2mb
    • 提供者：q_023

  1. 基于OpenGL的三维点云数据显示

  2. 基于OpenGL的三维点云数据显示，可以选择浏览文件读入点云数据，鼠标点击、拖动和滑动可实现三维图形的旋转和缩放，最大可读入一百万个点，点云数据存在txt文件中，数据格式分别为x、y、z的坐标，具体以压缩文件中的3dcloud.txt为例

  3. 所属分类：C++

    • 发布日期：2016-07-12
    • 文件大小：58mb
    • 提供者：u012955036

  1. 使用matlab实现ICP点云匹配

  2. 使用matlab实现点云匹配（ICP算法）。参数设置在代码的最前面，可以选择kd-tree或者暴力计算最近邻点。

  3. 所属分类：其它

    • 发布日期：2020-07-22
    • 文件大小：15kb
    • 提供者：john_xia

  1. 提取点云坐标以进行后续分析、检验等工作。

  2. 利用matlab，在可视化图像中，选择一个或多个点，通过查看、提取其（X, Y, Z）信息，以进行后续分析、检验等工作。 函数实现坐标信息提取，并生成一个包含该坐标信息的变量。

  3. 所属分类：教育

    • 发布日期：2020-07-28
    • 文件大小：8kb
    • 提供者：wq198909

  1. Win10 系统下VisualStudio2019 配置点云库 PCL1.11.0的图文教程

  2. 一、下载PCL1.11.0 Github下载地址：https://github.com/PointCloudLibrary/pcl/releases 下载红框内的两个文件 二、安装PCL1.11.0 2.1 安装“PCL-1.11.0-AllInOne-msvc2019-win64.exe”。 （1）选择第二个，自动添加系统变量 （2）安装路径选择D盘，系统会自动新建PCL 1.11.0文件夹。 2.2 安装完成之后打开文件夹 D:\PCL 1.11.0\3rdParty\OpenNI2

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：943kb
    • 提供者：weixin_38607784

  1. Python实现点云投影到平面显示

  2. 值得学习的地方： 1.选择合法索引的方式 2.数组转图像显示 import numpy as np from PIL import Image #input : shape(N, 4) # (x, y, z, intensity) def pointcloud2image(point_cloud): x_size = 640 y_size = 640 x_range = 60.0 y_range = 60.0 grid_size = np.array([2 * x_r

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：30kb
    • 提供者：weixin_38751905

  1. PCL+Qt点云可视化+鼠标点拾取

  2. 实现如下功能： 1. PCL+QT可视化点云； 2. 支持鼠标坐标拾取，并且把鼠标拾取点显示在控件上，而不是控制台上，这个功能是网上很多代码都是没有的； 3. 包含我自己编译的PCL动态库以及对应的VTK库，不需要额外编译了； 4. 工程项目不需要额外配置，打开解决方案就能用，如果报错，可能需要修改一下windows SDK版本，选择你自己的Windows SDK版本即可；

  3. 所属分类：C++

    • 发布日期：2020-12-20
    • 文件大小：418mb
    • 提供者：LI15951364431

  1. LassoNet：3D点云的深度套索选择

  2. 在3D点云的探索性分析和可视化中，选择是一项基本任务。 关于选择方法的先前研究主要是基于诸如局部密度之类的启发式技术而发展的，因此限制了它们在一般数据中的适用性。 具体的挑战源于点云（例如，密集与稀疏），视点（例如，遮挡与不遮挡）和套索（例如，小与大）之间的巨大差异。 在这项工作中，我们介绍了LassoNet，这是一种用于3D点云的套索选择的新的深度神经网络，试图学习从视点和套索到点云区域的潜在映射。 为此，我们通过3D坐标变换和朴素的选择将用户目标点与视点和套索信息结合在一起，并通过意图过滤和

  3. 所属分类：其它

  1. 3D-Terrain-Recognition:ALS点云的多视图和多模式表示的深度融合，用于3D地形场景识别-源码

  2. ALS点云的多视图和多模式表示的深度融合，用于3D地形场景识别 ALS点云的多视图和多模式表示的深度融合，用于3D地形场景识别 秦楠楠，胡向云*，戴恒明 [] 地形场景类别不仅可用于某些地理或环境研究，而且还可用于为多个点云处理任务选择合适的算法或算法的合适参数，以实现更好的性能。 但是，目前很少有针对地形场景分类的点云处理研究。 本文提出了一种新的深度学习框架，该框架使用稀疏点云的2D表示进行3D地形场景识别。 该框架有两个关键组成部分。 （1）首先，从机载激光扫描点云中提取几个合适的判别性

  3. 所属分类：其它

  1. 一种基于边缘系数的闭合点云边缘提取算法

  2. 提出一种通过种子边缘点提取闭合点云边缘的算法，通过搜索视角控制边缘点云搜索方向，可提取尖锐边缘与相交边缘。算法通过模拟点与点之间拉力的聚集程度来判断一个点是否具有边缘点的特征。首先构建kd-tree以便快速查找点云数据。其次定义点云的邻域半径，通过计算种子点邻域内点的边缘系数来选择新的种子边缘点，并通过搜索视角来控制点云搜索的方向，最终提取闭合的点云边缘。选择不同的种子点与搜索视角可提取不同的边缘。通过实验分析邻域半径和搜索视角对算法边缘提取效果的影响，并采用合适的半径与搜索视角，对尖锐边缘与相

  3. 所属分类：其它

  1. 区域回波比率与拓扑识别模型结合的城区激光雷达点云分类方法

  2. 针对城区激光雷达点云提出一种全自动分类方法。采用具备一定抗过分割能力的拓扑启发式分割算法对栅格高程图像进行面向对象分割；依据迭代最大类间方差(Otsu)聚类方法及两种拓扑模型实现地面图斑对象与非地面图斑对象初步分离，并合并邻接非地面对象；在地物对象中引入多次回波比率检测树木对象，采用区域面积、建筑物高度等条件区分建筑物及其他两类地物，并依据栅格索引分类。选择具有丰富地物类型的典型城区点云数据进行实验，结果表明，该算法具有良好分类精度及较强实用价值。

  3. 所属分类：其它

  1. 基于随机森林的机载激光全波形点云数据分类方法

  2. 针对机载全波形数据，提出了一种基于随机森林法的点云分类算法。通过全波形分解获得振幅，回波次数以及回波宽度，结合提出的特征提取方法，构建一个多维特征向量并进行特征选择，利用随机森林法将激光点云分为植被,地面以及建筑物三类。通过对比分析随机森林和支持向量机两种分类方法，实验结果表明所提取的特征在随机森林分类中具有良好的稳定性以及高效性，能够在城市分类应用中取得较好的分类效果。

  3. 所属分类：其它

  1. 一种机载LiDAR点云分类的自适应特征选择方法

  2. 不同地形条件下，不同的特征组合、特征维数对点云的分类效率及分类结果有不同的影响。提出了一种机载LiDAR点云分类的自适应特征选择方法，该方法依据地形起伏情况对整体点云数据进行区域划分，自适应选择适宜该区域LiDAR点云分类的特征集合。为了验证这种特征选择方法的有效性，利用优选后的特征集合，分别采用随机森林和支持向量机算法进行分类实验验证，实验结果表明，在不同地形条件的区域里，适合LiDAR点云分类的特征集合不同。该方法可以有效地降低特征维数，缩短运算时间，且分类精度较高。

  3. 所属分类：其它

    • 发布日期：2021-02-07
    • 文件大小：15mb
    • 提供者：weixin_38529436

  1. 基于多对点云匹配的三维激光雷达外参数标定

  2. 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

  3. 所属分类：其它

  1. 基于三维点云匹配的手掌静脉识别

  2. 针对现有手掌静脉认证系统误拒率较高以及不支持大数据集匹配的问题，设计了基于透射式光源的双目视觉静脉三维点云重建装置，提出了基于三维点云匹配的手掌静脉认证算法。系统使用850 nm 透射式发光二极管(LED)光源作为照明装置，由双目摄像机拍摄静脉视差图像进行三维重建。选择手掌静脉作为特征点描述其空间三维结构，提出了一种改进的内核相关性分析方法匹配三维点云。针对200 组点云数据的实验结果验证了该方法的可行性和有效性，识别率达到了98%，误拒率2%，误识率0%，总特征维数约8000 至12000 维

  3. 所属分类：其它

  1. 基于几何特征和图像特征的点云自适应拼接方法

  2. 多视点云拼接技术是物体三维测量过程中的重要环节。现有的无标志点三维点云自动拼接方法在对不同表面进行测量拼接时稳定性较差。针对此问题，提出了一种基于几何特征和图像特征的点云自适应拼接方法。该方法建立了一个配准算法选择模型，通过引入配准算法判断因子来综合评价物体表面的几何、纹理复杂程度，从而系统可根据判断因子自适应地选择合适的配准算法，实现基于几何特征配准和基于图像特征配准的有机结合。并在特征点匹配过程中，采用随机抽样一致（RANSAC）算法对误匹配特征点进行剔除。实验结果表明，该方法可实现不同表面

  3. 所属分类：其它

  1. 一种基于关键点选择的快速点云配准算法

  2. 为了提高三维点云数据配准的效率, 提出一种基于法向量分布特征的关键点初始匹配与迭代最近点(ICP)的精确配准的两步点云配准算法。首先, 定义点云的邻接区域和法向量分布特征计算模型, 提出基于该模型的关键点选择算法; 其次, 为每个关键点建立局部坐标系, 计算关键点的快速点特征直方图, 使用采样一致性配准算法匹配关键点的特征, 去除错误匹配点, 求解出变换矩阵, 完成初始配准; 最后, 使用ICP算法, 对多视点云的初始配准结果进行精确配准。实验结果表明, 在散乱点云数据和自获取的深度点云数据配准

  3. 所属分类：其它

  1. 点云配准方法在粗配准中的比较

  2. 为了解不同点云配准方法的配准效率和配准精度,使用不同的点云配准方法(三维形状上文、点特征直方图、快速点特征直方图、四点一致集、迭代最近点、正态分布变换)对三维点云数据进行了粗配准实验。在实验过程中记录了点云配准的时间和点云配准在x、y、z轴上的旋转角度误差和平移距离误差,通过分析实验记录的数据来比较不同点云配准方法在粗配准实验中的配准效率和配准精度。实验结果表明,三维形状上文、点特征直方图、快速点特征直方图在粗配准实验中表现良好;四点一致集配准效果较好,但耗时较长;迭代最近点不适用于粗配准;正态

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：10mb
    • 提供者：weixin_38716460
« 12 3 4 5 6 7 8 9 10 ... 29 »