點雲分割演算法

⑴ matlab能根據點雲計算不規則物體的體積嗎

你知道積分的原理吧
積分就是微小微元的求和嘛
你的三維點雲物體，按照z方向分割成很多層，每一層的厚度是dz，然後求出該層有效物體的邊界，邊界內部的就是有效面積，面積有了，厚度有了，這個曾的體積就有了
其它層演算法一樣，最後求所有層的和嘛
反正都是積分嘛
思路非常簡單

⑵ 點雲數據處理的5個步驟

摘要 1. 點雲濾波（數據預處理）

⑶ 什麼是高精度地圖

高精度地圖的定義分為兩種：狹義高精度地圖和廣義高精度地圖。狹義高精度地圖是由傳統圖形商定義的精度更高、內容更詳細的地圖。例如，定義更詳細信息（如車道和交通標志）的地圖。廣義的高精度地圖直接為我們構建了一個真實的三維世界。除了絕對位置的形狀信息和拓撲關系外，還包括點雲、語義和特徵等屬性。

⑷ 如何將一個長方體無序點雲分割成六個面

海中天:Tessellate來的面 只是一個點雲的網格化顯示,當然不可能當成SURFACE來看.你必須通過建立特徵線,然後通過快速重建曲面來生成實實在在的SURFACE! 查看>>

⑸ 散亂點雲的分割方法有幾種

1:靜物寫生的意義 靜物寫生，對形體質感的表白現，主要靠筆觸、線條和色調的對比變化。例如，表現堅硬光滑的物體如鐵器，陶器，玻璃等，要有嚴密的線條、均勻的色調、筆觸不要很明顯；表現松軟物體如毛線製品、棉花製品等，要用較鬆散的線條，色調不要過於均勻，色調中要有較鮮明和較瑣碎的筆觸；畫綢緞，筆觸和色調要有跳躍感，以表現其閃光的特點，但在跳躍之中，筆觸和色調的過渡要柔和，以表其光滑柔軟的特點．學習表現不同物體的質感，可以豐富表現技巧，提高素描造型能力。但由於素描工具的局限性，只能要求質感的相對真實。 2．靜物組合的原則 (1)體現生活氣息，合乎情理。 這是首要的一點，富有生活氣息便能產生自然美，合乎情理便能產生某種情調或意味．因此，在選擇靜物前應先有構思，不要盲口拼湊一堆靜物。 (2)有中心、有變化、有對比。 擺靜物應先選一個主體靜物，一般形體較大，也就是要大於從屬的靜物，占據構圖的主要位置，在構思和色調上起決定作用。選擇從屬的，也就是配角靜物，其形體要小於或低於主體靜物。搭配的靜物可以是一個，也可以是多個，應該考慮它們在大小、高低、方圓、深淺及質感上的變化，不要過於單一或過於雜亂，這樣才能獲得既有中心秩序，又有對比變化的理想效果。 3：靜物構圖的形式美法則 不論選擇什麼樣的靜物，體現的情調如何，若想擺十較理想的組合關系，畫出較理想的構圖，就要認識別構圖形式美的一般規律。靜物寫生形象比較豐富，是培養構圖能力和認識構圖形式美的良好機會．應引起重視。 一般說來，較好的構圖必然符合美的規律，其優點如下： 1：集中而不單調；2：穩定而不呆板；3：飽滿而不滯塞；4：活潑而不散亂；5：有主有次；6：有遠有近；7：疏密相間；黑白有致；8：考慮動勢；9：不分割畫面。 以上各點除「考慮動勢』外，都是比較容易理解的。靜物是處於靜止狀態的，但由於視覺心理的作用，在某種情況下，靜物也會產生某種動勢，給人某種動的感覺，包括動勢的方向感，力量感等，從而影響構圖的形式美。如將—把茶壺放在桌子上，那麼，茶壺嘴所指的方向就是茶壺的動勢方向．將兩把茶壺放在桌子上，茶壺嘴同朝一個方向，可以使這種動勢感加強並產生形式美；如果壺嘴朝著不同的方向，則會產生不同的動勢和不同的形式美．將一把水果刀放在桌子上或盤子里，其刀尖所指的方向構成它的動勢方向；如果將兩把水果刀放在一起，不同的擺法會產生不同的動勢。一個圓罐和一個蘋果．如果單看其中任何個，都不會產生某種方向的動勢；若把它們放在一起，就會產生某種動勢．一般地說，較小物體所處的位置，即是這組物體的動勢指向，如果沿著這種指向在較小物體的前面再放一個更小的物體，這種動勢就會更加強烈，形成一邊倒的動勢形式；如果在相反的方向放一個物體，則會使這種動勢有所抵消，構成某種動勢的平衡。 在靜物組合，背景的襯布也會構成某種動勢．襯布呈垂直狀，動勢最為穩定；如果是呈傾斜狀，或它的折紋呈傾斜狀，就會形成某種動勢並帶有方向性．如果這種方向性和靜物的動勢方向相—致，則會加強靜物的動勢感；如果相反，則會減弱具動勢感，產生某種視覺平衡． 以上所述只是構圖的最基本的原則，在實踐中應靈活運用。可以說，組織和擺放靜物的過程就是藝術實踐的過程，就是學習和提高的過程。所以，應學會組織靜物，從而畫出較理想的作品 4：靜物質感的表現技法 靜物寫生，對形體質感的表白現，主要靠筆觸、線條和色調的對比變化。例如，表現堅硬光滑的物體如鐵器，陶器，玻璃等，要有嚴密的線條、均勻的色調、筆觸不要很明顯；表現松軟物體如毛線製品、棉花製品等，要用較鬆散的線條，色調不要過於均勻，色調中要有較鮮明和較瑣碎的筆觸；畫綢緞，筆觸和色調要有跳躍感，以表現其閃光的特點，但在跳躍之中，筆觸和色調的過渡要柔和，以表其光滑柔軟的特點．學習表現不同物體的質感，可以豐富表現技巧，提高素描造型能力。但由於素描工具的局限性，只能要求質感的相對真實。
1．確立構圖 推敲構圖的安排，使畫面上物體主次得當，構圖均衡而又有變化，避免散、亂、空、塞等弊病。 2．畫出大的形體結構 用長直線畫出物體的形體結構(物體看不見部分也要輕輕畫出），要求物體的形狀、比例、結構關系
准確。再畫出各個明暗層次(高光、亮部、中間色、暗部，投影以及明暗交接線)的形狀位置。 3．逐步深入塑造 通過對形體明暗的描繪(從整體到局部，從大到小)逐步深入塑造對象的體積感。對文要的、關鍵性的
細節要精心刻劃。 4．調整完成 深入刻劃時難免忽視整體及局部間相互關系。這時要全面予以調整(主要指形體結構還包括色調、質感、空間、主次等等)，做到有所取捨、突出主體。

⑹ HALCON機器視覺軟體的HALCON功能

隨著MVTec公司與學術界的不斷合作，在最新推出的HALCON 11中具有以下新功能：
1.技術革新
HALCON 11可以實現真正意義上的目標識別。基於樣本的識別方法可以區分出數量巨大的目標對象。使用這種技術可以實現僅依靠顏色或紋理等特徵即可識別經過訓練的目標，從而無需再採用一維碼或二維碼等用於目標識別的特殊印記。
2.強大的三維視覺處理
HALCON 11提供的一個極為突出的新技術是三維表面比較，即將一個三維物體的表面形狀測量結果與預期形狀進行比較。HALCON提供的所有三維技術，如多目立體視覺或sheet of light，都可用於表面重構；同時也支持直接通過現成的三維硬體掃描儀進行三維重構。此外，針對表面檢測中的特殊應用對光度立體視覺方法進行了改善。不僅如此，HALCON現在還支持許多三維目標處理的方法，如點雲的計算和三角測量、形狀和體積等特徵計算、通過切面進行點雲分割等。
3.高速機器視覺體驗
自動運算元並行處理 (AOP) 技術是HALCON的一個獨特性能。HALCON 11中支持使用GPU處理進行機器視覺演算法的運算元超過75個，比其他任何軟體開發包提供的數量都多。除此之外，基於聚焦變化的深度圖像獲取 (depth from focus)、快速傅立葉變換 (FFT) 和HALCON的局部變形匹配都有顯著的加速。HALCON 11會帶給用戶更高速的機器視覺體驗。
4.其他新功能 1）Aztec碼識別; 2）Micro QR碼識別； 3）為分類自動選擇特徵； 4）使用HDevelop性能評測工具進行高效的編碼分析； 5）支持Mac OS X 10.7操作系統； 6）重新修訂HALCON/C++介面； 7）三維數據快速可視化； 8）遠心鏡頭立體視覺； 9）改善攝像機標定技術； 10）HDevelop OCR助手，包含訓練文件瀏覽器； 11）用於一維碼和二維碼識別的GS1術語學； 12）串列化HALCON/.NET及HALCON/C++； 13）易用的測量工具； 14）支持JPEG XR及其他。

⑺ ICP演算法的三維點雲演算法

三維激光掃描技術的快速發展,使其在各個領域得到廣泛應用。由於物理上的一些限制,一次三維激光掃描不能獲取掃描物體的全部數據,因此要對掃描點雲進行拼接。首先,對最常用的ICP演算法進行一系列研究,ICP演算法的前提條件是具有一個良好的配准初值,文中在配准初值的選取上採用主成分分析法,為後續ICP演算法的工作提供一個良好前提條件,增加點集預處理,點對查找上增加各種限制,採用kd-tree加速查找,以此對演算法進行改進,並通過實例來驗證本演算法的有效性及合理性。

⑻ 請問，機器人視覺抓取關鍵技術有哪些，各有哪些實現方法，有何優缺點

首先，我們要了解，機器人領域的視覺（Machine Vision）跟計算機領域（Computer Vision）的視覺有一些不同：機器視覺的目的是給機器人提供操作物體的信息。所以，機器視覺的研究大概有這幾塊：

物體識別（Object Recognition）：在圖像中檢測到物體類型等，這跟 CV 的研究有很大一部分交叉；

位姿估計（Pose Estimation）：計算出物體在攝像機坐標系下的位置和姿態，對於機器人而言，需要抓取東西，不僅要知道這是什麼，也需要知道它具體在哪裡；

相機標定（Camera Calibration）：因為上面做的只是計算了物體在相機坐標系下的坐標，我們還需要確定相機跟機器人的相對位置和姿態，這樣才可以將物體位姿轉換到機器人位姿。

當然，我這里主要是在物體抓取領域的機器視覺；SLAM 等其他領域的就先不講了。

由於視覺是機器人感知的一塊很重要內容，所以研究也非常多了，我就我了解的一些，按照由簡入繁的順序介紹吧：

0. 相機標定

這其實屬於比較成熟的領域。由於我們所有物體識別都只是計算物體在相機坐標系下的位姿，但是，機器人操作物體需要知道物體在機器人坐標系下的位姿。所以，我們先需要對相機的位姿進行標定。內參標定就不說了，參照張正友的論文，或者各種標定工具箱；外參標定的話，根據相機安裝位置，有兩種方式：

Eye to Hand：相機與機器人極坐標系固連，不隨機械臂運動而運動

Eye in Hand：相機固連在機械臂上，隨機械臂運動而運動 兩種方式的求解思路都類似，首先是眼在手外（Eye to Hand）

只需在機械臂末端固定一個棋盤格，在相機視野內運動幾個姿態。由於相機可以計算出棋盤格相對於相機坐標系的位姿 、機器人運動學正解可以計算出機器人底座到末端抓手之間的位姿變化 、而末端爪手與棋盤格的位姿相對固定不變。這樣，我們就可以得到一個坐標系環

而對於眼在手上（Eye in Hand）的情況，也類似，在地上隨便放一個棋盤格（與機器人基座固連），然後讓機械臂帶著相機走幾個位姿，然後也可以形成一個 的坐標環

1. 平面物體檢測

這是目前工業流水線上最常見的場景。目前來看，這一領域對視覺的要求是：快速、精確、穩定。所以，一般是採用最簡單的邊緣提取+邊緣匹配/形狀匹配的方法；而且，為了提高穩定性、一般會通過主要打光源、採用反差大的背景等手段，減少系統變數。

目前，很多智能相機（如 cognex）都直接內嵌了這些功能；而且，物體一般都是放置在一個平面上，相機只需計算物體的 三自由度位姿即可。另外，這種應用場景一般都是用於處理一種特定工件，相當於只有位姿估計，而沒有物體識別。 當然，工業上追求穩定性無可厚非，但是隨著生產自動化的要求越來越高，以及服務類機器人的興起。對更復雜物體的完整位姿 估計也就成了機器視覺的研究熱點。

2. 有紋理的物體

機器人視覺領域是最早開始研究有紋理的物體的，如飲料瓶、零食盒等表面帶有豐富紋理的都屬於這一類。當然，這些物體也還是可以用類似邊緣提取+模板匹配的方法。但是，實際機器人操作過程中，環境會更加復雜：光照條件不確定（光照）、物體距離相機距離不確定（尺度）、相機看物體的角度不確定（旋轉、仿射）、甚至是被其他物體遮擋（遮擋）。

幸好有一位叫做 Lowe 的大神，提出了一個叫做 SIFT （Scale-invariant feature transform）的超強局部特徵點：Lowe, David G. "Distinctive image features from scale-invariant keypoints."International journal of computer vision 60.2 (2004): 91-110.具體原理可以看上面這篇被引用 4萬+ 的論文或各種博客，簡單地說，這個方法提取的特徵點只跟物體表面的某部分紋理有關，與光照變化、尺度變化、仿射變換、整個物體無關。因此，利用 SIFT 特徵點，可以直接在相機圖像中尋找到與資料庫中相同的特徵點，這樣，就可以確定相機中的物體是什麼東西（物體識別）。

對於不會變形的物體，特徵點在物體坐標系下的位置是固定的。所以，我們在獲取若干點對之後，就可以直接求解出相機中物體與資料庫中物體之間的單應性矩陣。如果我們用深度相機（如Kinect）或者雙目視覺方法，確定出每個特徵點的 3D 位置。那麼，直接求解這個 PnP 問題，就可以計算出物體在當前相機坐標系下的位姿。

↑ 這里就放一個實驗室之前畢業師兄的成果當然，實際操作過程中還是有很多細節工作才可以讓它真正可用的，如：先利用點雲分割和歐氏距離去除背景的影響、選用特徵比較穩定的物體（有時候 SIFT 也會變化）、利用貝葉斯方法加速匹配等。而且，除了 SIFT 之外，後來又出了一大堆類似的特徵點，如 SURF、ORB 等。

3. 無紋理的物體

好了，有問題的物體容易解決，那麼生活中或者工業里還有很多物體是沒有紋理的：

我們最容易想到的就是：是否有一種特徵點，可以描述物體形狀，同時具有跟 SIFT 相似的不變性？不幸的是，據我了解，目前沒有這種特徵點。所以，之前一大類方法還是採用基於模板匹配的辦法，但是，對匹配的特徵進行了專門選擇（不只是邊緣等簡單特徵）。

這里，我介紹一個我們實驗室之前使用和重現過的演算法 LineMod：Hinterstoisser, Stefan, et al. "Multimodal templates for real-time detection of texture-less objects in heavily cluttered scenes." Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011.

簡單而言，這篇論文同時利用了彩色圖像的圖像梯度和深度圖像的表面法向作為特徵，與資料庫中的模板進行匹配。由於資料庫中的模板是從一個物體的多個視角拍攝後生成的，所以這樣匹配得到的物體位姿只能算是初步估計，並不精確。但是，只要有了這個初步估計的物體位姿，我們就可以直接採用 ICP 演算法（Iterative closest point）匹配物體模型與 3D 點雲，從而得到物體在相機坐標系下的精確位姿。

當然，這個演算法在具體實施過程中還是有很多細節的：如何建立模板、顏色梯度的表示等。另外，這種方法無法應對物體被遮擋的情況。（當然，通過降低匹配閾值，可以應對部分遮擋，但是會造成誤識別）。針對部分遮擋的情況，我們實驗室的張博士去年對 LineMod 進行了改進，但由於論文尚未發表，所以就先不過多涉及了。

4. 深度學習

由於深度學習在計算機視覺領域得到了非常好的效果，我們做機器人的自然也會嘗試把 DL 用到機器人的物體識別中。

首先，對於物體識別，這個就可以照搬 DL 的研究成果了，各種 CNN 拿過來用就好了。有沒有將深度學習融入機器人領域的嘗試？有哪些難點？ - 知乎 這個回答中，我提到 2016 年的『亞馬遜抓取大賽』中，很多隊伍都採用了 DL 作為物體識別演算法。 然而， 在這個比賽中，雖然很多人採用 DL 進行物體識別，但在物體位姿估計方面都還是使用比較簡單、或者傳統的演算法。似乎並未廣泛採用 DL。 如@周博磊所說，一般是採用 semantic segmentation network 在彩色圖像上進行物體分割，之後，將分割出的部分點雲與物體 3D 模型進行 ICP 匹配。

當然，直接用神經網路做位姿估計的工作也是有的，如這篇：Doumanoglou, Andreas, et al. "Recovering 6d object pose and predicting next-best-view in the crowd." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016.

它的方法大概是這樣：對於一個物體，取很多小塊 RGB-D 數據（只關心一個patch，用局部特徵可以應對遮擋）；每小塊有一個坐標（相對於物體坐標系）；然後，首先用一個自編碼器對數據進行降維；之後，用將降維後的特徵用於訓練Hough Forest。

5. 與任務/運動規劃結合

這部分也是比較有意思的研究內容，由於機器視覺的目的是給機器人操作物體提供信息，所以，並不限於相機中的物體識別與定位，往往需要跟機器人的其他模塊相結合。

我們讓機器人從冰箱中拿一瓶『雪碧』，但是這個 『雪碧』 被『美年達』擋住了。我們人類的做法是這樣的：先把 『美年達』 移開，再去取 『雪碧』 。所以，對於機器人來說，它需要先通過視覺確定雪碧在『美年達』後面，同時，還需要確定『美年達』這個東西是可以移開的，而不是冰箱門之類固定不可拿開的物體。 當然，將視覺跟機器人結合後，會引出其他很多好玩的新東西。由於不是我自己的研究方向，所以也就不再班門弄斧了。

機器人家上有關於這個很詳細的圖文講解，你可以看下，希望對你有用

⑼ matlab分割三維點雲命令

看是什麼數據格式,有的可以直接load
比如這樣的數據文件:

38.643 52.888 0.08600065
38.643 52.844 0.08600065
38.643 52.486 0.1420001
38.639 52.881 0.08600065
38.638 53.194 0.1860005
38.634 53.303 0.1070006
38.631 52.186 0.07900037
38.631 52.167 0.07900037
38.626 53.586 0.09600026
38.624 52.495 0.6620004

A = load('cloud3d.dat'); %讀入數據
%x,y,z軸坐標
x=A(:,1);
y=A(:,2);
z=A(:,3);
scatter3(x,y,z); %散點圖
[X,Y,Z]=griddata(x,y,z,linspace(min(x),max(x))',linspace(min(y),max(y)),'v4'); %構造坐標點
pcolor(X,Y,Z);
shading interp; %偽彩色圖
fcontourf(X,Y,Z); %等高線圖
figure,surf(X,Y,Z); %三維曲面