点云分割算法
⑴ matlab能根据点云计算不规则物体的体积吗
你知道积分的原理吧
积分就是微小微元的求和嘛
你的三维点云物体，按照z方向分割成很多层，每一层的厚度是dz，然后求出该层有效物体的边界，边界内部的就是有效面积，面积有了，厚度有了，这个曾的体积就有了
其它层算法一样，最后求所有层的和嘛
反正都是积分嘛
思路非常简单
⑵ 点云数据处理的5个步骤
摘要 1. 点云滤波（数据预处理）
⑶ 什么是高精度地图
高精度地图的定义分为两种：狭义高精度地图和广义高精度地图。狭义高精度地图是由传统图形商定义的精度更高、内容更详细的地图。例如，定义更详细信息（如车道和交通标志）的地图。广义的高精度地图直接为我们构建了一个真实的三维世界。除了绝对位置的形状信息和拓扑关系外，还包括点云、语义和特征等属性。
⑷ 如何将一个长方体无序点云分割成六个面
海中天:Tessellate来的面 只是一个点云的网格化显示,当然不可能当成SURFACE来看.你必须通过建立特征线,然后通过快速重建曲面来生成实实在在的SURFACE! 查看>>
⑸ 散乱点云的分割方法有几种
1:静物写生的意义 静物写生，对形体质感的表白现，主要靠笔触、线条和色调的对比变化。例如，表现坚硬光滑的物体如铁器，陶器，玻璃等，要有严密的线条、均匀的色调、笔触不要很明显；表现松软物体如毛线制品、棉花制品等，要用较松散的线条，色调不要过于均匀，色调中要有较鲜明和较琐碎的笔触；画绸缎，笔触和色调要有跳跃感，以表现其闪光的特点，但在跳跃之中，笔触和色调的过渡要柔和，以表其光滑柔软的特点．学习表现不同物体的质感，可以丰富表现技巧，提高素描造型能力。但由于素描工具的局限性，只能要求质感的相对真实。 2．静物组合的原则 (1)体现生活气息，合乎情理。 这是首要的一点，富有生活气息便能产生自然美，合乎情理便能产生某种情调或意味．因此，在选择静物前应先有构思，不要盲口拼凑一堆静物。 (2)有中心、有变化、有对比。 摆静物应先选一个主体静物，一般形体较大，也就是要大于从属的静物，占据构图的主要位置，在构思和色调上起决定作用。选择从属的，也就是配角静物，其形体要小于或低于主体静物。搭配的静物可以是一个，也可以是多个，应该考虑它们在大小、高低、方圆、深浅及质感上的变化，不要过于单一或过于杂乱，这样才能获得既有中心秩序，又有对比变化的理想效果。 3：静物构图的形式美法则 不论选择什么样的静物，体现的情调如何，若想摆十较理想的组合关系，画出较理想的构图，就要认识别构图形式美的一般规律。静物写生形象比较丰富，是培养构图能力和认识构图形式美的良好机会．应引起重视。 一般说来，较好的构图必然符合美的规律，其优点如下： 1：集中而不单调；2：稳定而不呆板；3：饱满而不滞塞；4：活泼而不散乱；5：有主有次；6：有远有近；7：疏密相间；黑白有致；8：考虑动势；9：不分割画面。 以上各点除“考虑动势’外，都是比较容易理解的。静物是处于静止状态的，但由于视觉心理的作用，在某种情况下，静物也会产生某种动势，给人某种动的感觉，包括动势的方向感，力量感等，从而影响构图的形式美。如将—把茶壶放在桌子上，那么，茶壶嘴所指的方向就是茶壶的动势方向．将两把茶壶放在桌子上，茶壶嘴同朝一个方向，可以使这种动势感加强并产生形式美；如果壶嘴朝着不同的方向，则会产生不同的动势和不同的形式美．将一把水果刀放在桌子上或盘子里，其刀尖所指的方向构成它的动势方向；如果将两把水果刀放在一起，不同的摆法会产生不同的动势。一个圆罐和一个苹果．如果单看其中任何个，都不会产生某种方向的动势；若把它们放在一起，就会产生某种动势．一般地说，较小物体所处的位置，即是这组物体的动势指向，如果沿着这种指向在较小物体的前面再放一个更小的物体，这种动势就会更加强烈，形成一边倒的动势形式；如果在相反的方向放一个物体，则会使这种动势有所抵消，构成某种动势的平衡。 在静物组合，背景的衬布也会构成某种动势．衬布呈垂直状，动势最为稳定；如果是呈倾斜状，或它的折纹呈倾斜状，就会形成某种动势并带有方向性．如果这种方向性和静物的动势方向相—致，则会加强静物的动势感；如果相反，则会减弱具动势感，产生某种视觉平衡． 以上所述只是构图的最基本的原则，在实践中应灵活运用。可以说，组织和摆放静物的过程就是艺术实践的过程，就是学习和提高的过程。所以，应学会组织静物，从而画出较理想的作品 4：静物质感的表现技法 静物写生，对形体质感的表白现，主要靠笔触、线条和色调的对比变化。例如，表现坚硬光滑的物体如铁器，陶器，玻璃等，要有严密的线条、均匀的色调、笔触不要很明显；表现松软物体如毛线制品、棉花制品等，要用较松散的线条，色调不要过于均匀，色调中要有较鲜明和较琐碎的笔触；画绸缎，笔触和色调要有跳跃感，以表现其闪光的特点，但在跳跃之中，笔触和色调的过渡要柔和，以表其光滑柔软的特点．学习表现不同物体的质感，可以丰富表现技巧，提高素描造型能力。但由于素描工具的局限性，只能要求质感的相对真实。
1．确立构图 推敲构图的安排，使画面上物体主次得当，构图均衡而又有变化，避免散、乱、空、塞等弊病。 2．画出大的形体结构 用长直线画出物体的形体结构(物体看不见部分也要轻轻画出），要求物体的形状、比例、结构关系
准确。再画出各个明暗层次(高光、亮部、中间色、暗部，投影以及明暗交接线)的形状位置。 3．逐步深入塑造 通过对形体明暗的描绘(从整体到局部，从大到小)逐步深入塑造对象的体积感。对文要的、关键性的
细节要精心刻划。 4．调整完成 深入刻划时难免忽视整体及局部间相互关系。这时要全面予以调整(主要指形体结构还包括色调、质感、空间、主次等等)，做到有所取舍、突出主体。
⑹ HALCON机器视觉软件的HALCON功能
随着MVTec公司与学术界的不断合作，在最新推出的HALCON 11中具有以下新功能：
1.技术革新
HALCON 11可以实现真正意义上的目标识别。基于样本的识别方法可以区分出数量巨大的目标对象。使用这种技术可以实现仅依靠颜色或纹理等特征即可识别经过训练的目标，从而无需再采用一维码或二维码等用于目标识别的特殊印记。
2.强大的三维视觉处理
HALCON 11提供的一个极为突出的新技术是三维表面比较，即将一个三维物体的表面形状测量结果与预期形状进行比较。HALCON提供的所有三维技术，如多目立体视觉或sheet of light，都可用于表面重构；同时也支持直接通过现成的三维硬件扫描仪进行三维重构。此外，针对表面检测中的特殊应用对光度立体视觉方法进行了改善。不仅如此，HALCON现在还支持许多三维目标处理的方法，如点云的计算和三角测量、形状和体积等特征计算、通过切面进行点云分割等。
3.高速机器视觉体验
自动算子并行处理 (AOP) 技术是HALCON的一个独特性能。HALCON 11中支持使用GPU处理进行机器视觉算法的算子超过75个，比其他任何软件开发包提供的数量都多。除此之外，基于聚焦变化的深度图像获取 (depth from focus)、快速傅立叶变换 (FFT) 和HALCON的局部变形匹配都有显着的加速。HALCON 11会带给用户更高速的机器视觉体验。
4.其他新功能 1）Aztec码识别; 2）Micro QR码识别； 3）为分类自动选择特征； 4）使用HDevelop性能评测工具进行高效的编码分析； 5）支持Mac OS X 10.7操作系统； 6）重新修订HALCON/C++接口； 7）三维数据快速可视化； 8）远心镜头立体视觉； 9）改善摄像机标定技术； 10）HDevelop OCR助手，包含训练文件浏览器； 11）用于一维码和二维码识别的GS1术语学； 12）串行化HALCON/.NET及HALCON/C++； 13）易用的测量工具； 14）支持JPEG XR及其他。
⑺ ICP算法的三维点云算法
三维激光扫描技术的快速发展,使其在各个领域得到广泛应用。由于物理上的一些限制,一次三维激光扫描不能获取扫描物体的全部数据,因此要对扫描点云进行拼接。首先,对最常用的ICP算法进行一系列研究,ICP算法的前提条件是具有一个良好的配准初值,文中在配准初值的选取上采用主成分分析法,为后续ICP算法的工作提供一个良好前提条件,增加点集预处理,点对查找上增加各种限制,采用kd-tree加速查找,以此对算法进行改进,并通过实例来验证本算法的有效性及合理性。
⑻ 请问，机器人视觉抓取关键技术有哪些，各有哪些实现方法，有何优缺点
首先，我们要了解，机器人领域的视觉（Machine Vision）跟计算机领域（Computer Vision）的视觉有一些不同：机器视觉的目的是给机器人提供操作物体的信息。所以，机器视觉的研究大概有这几块：
物体识别（Object Recognition）：在图像中检测到物体类型等，这跟 CV 的研究有很大一部分交叉；
位姿估计（Pose Estimation）：计算出物体在摄像机坐标系下的位置和姿态，对于机器人而言，需要抓取东西，不仅要知道这是什么，也需要知道它具体在哪里；
相机标定（Camera Calibration）：因为上面做的只是计算了物体在相机坐标系下的坐标，我们还需要确定相机跟机器人的相对位置和姿态，这样才可以将物体位姿转换到机器人位姿。
当然，我这里主要是在物体抓取领域的机器视觉；SLAM 等其他领域的就先不讲了。
由于视觉是机器人感知的一块很重要内容，所以研究也非常多了，我就我了解的一些，按照由简入繁的顺序介绍吧：
0. 相机标定
这其实属于比较成熟的领域。由于我们所有物体识别都只是计算物体在相机坐标系下的位姿，但是，机器人操作物体需要知道物体在机器人坐标系下的位姿。所以，我们先需要对相机的位姿进行标定。内参标定就不说了，参照张正友的论文，或者各种标定工具箱；外参标定的话，根据相机安装位置，有两种方式：
Eye to Hand：相机与机器人极坐标系固连，不随机械臂运动而运动
Eye in Hand：相机固连在机械臂上，随机械臂运动而运动 两种方式的求解思路都类似，首先是眼在手外（Eye to Hand）
只需在机械臂末端固定一个棋盘格，在相机视野内运动几个姿态。由于相机可以计算出棋盘格相对于相机坐标系的位姿 、机器人运动学正解可以计算出机器人底座到末端抓手之间的位姿变化 、而末端爪手与棋盘格的位姿相对固定不变。这样，我们就可以得到一个坐标系环
而对于眼在手上（Eye in Hand）的情况，也类似，在地上随便放一个棋盘格（与机器人基座固连），然后让机械臂带着相机走几个位姿，然后也可以形成一个 的坐标环
平面物体检测
这是目前工业流水线上最常见的场景。目前来看，这一领域对视觉的要求是：快速、精确、稳定。所以，一般是采用最简单的边缘提取+边缘匹配/形状匹配的方法；而且，为了提高稳定性、一般会通过主要打光源、采用反差大的背景等手段，减少系统变量。
目前，很多智能相机（如 cognex）都直接内嵌了这些功能；而且，物体一般都是放置在一个平面上，相机只需计算物体的 三自由度位姿即可。另外，这种应用场景一般都是用于处理一种特定工件，相当于只有位姿估计，而没有物体识别。 当然，工业上追求稳定性无可厚非，但是随着生产自动化的要求越来越高，以及服务类机器人的兴起。对更复杂物体的完整位姿 估计也就成了机器视觉的研究热点。
2. 有纹理的物体
机器人视觉领域是最早开始研究有纹理的物体的，如饮料瓶、零食盒等表面带有丰富纹理的都属于这一类。当然，这些物体也还是可以用类似边缘提取+模板匹配的方法。但是，实际机器人操作过程中，环境会更加复杂：光照条件不确定（光照）、物体距离相机距离不确定（尺度）、相机看物体的角度不确定（旋转、仿射）、甚至是被其他物体遮挡（遮挡）。
幸好有一位叫做 Lowe 的大神，提出了一个叫做 SIFT （Scale-invariant feature transform）的超强局部特征点：Lowe, David G. "Distinctive image features from scale-invariant keypoints."International journal of computer vision 60.2 (2004): 91-110.具体原理可以看上面这篇被引用 4万+ 的论文或各种博客，简单地说，这个方法提取的特征点只跟物体表面的某部分纹理有关，与光照变化、尺度变化、仿射变换、整个物体无关。因此，利用 SIFT 特征点，可以直接在相机图像中寻找到与数据库中相同的特征点，这样，就可以确定相机中的物体是什么东西（物体识别）。
对于不会变形的物体，特征点在物体坐标系下的位置是固定的。所以，我们在获取若干点对之后，就可以直接求解出相机中物体与数据库中物体之间的单应性矩阵。如果我们用深度相机（如Kinect）或者双目视觉方法，确定出每个特征点的 3D 位置。那么，直接求解这个 PnP 问题，就可以计算出物体在当前相机坐标系下的位姿。
↑ 这里就放一个实验室之前毕业师兄的成果当然，实际操作过程中还是有很多细节工作才可以让它真正可用的，如：先利用点云分割和欧氏距离去除背景的影响、选用特征比较稳定的物体（有时候 SIFT 也会变化）、利用贝叶斯方法加速匹配等。而且，除了 SIFT 之外，后来又出了一大堆类似的特征点，如 SURF、ORB 等。
3. 无纹理的物体
好了，有问题的物体容易解决，那么生活中或者工业里还有很多物体是没有纹理的：
我们最容易想到的就是：是否有一种特征点，可以描述物体形状，同时具有跟 SIFT 相似的不变性？不幸的是，据我了解，目前没有这种特征点。所以，之前一大类方法还是采用基于模板匹配的办法，但是，对匹配的特征进行了专门选择（不只是边缘等简单特征）。
这里，我介绍一个我们实验室之前使用和重现过的算法 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.
简单而言，这篇论文同时利用了彩色图像的图像梯度和深度图像的表面法向作为特征，与数据库中的模板进行匹配。由于数据库中的模板是从一个物体的多个视角拍摄后生成的，所以这样匹配得到的物体位姿只能算是初步估计，并不精确。但是，只要有了这个初步估计的物体位姿，我们就可以直接采用 ICP 算法（Iterative closest point）匹配物体模型与 3D 点云，从而得到物体在相机坐标系下的精确位姿。
当然，这个算法在具体实施过程中还是有很多细节的：如何建立模板、颜色梯度的表示等。另外，这种方法无法应对物体被遮挡的情况。（当然，通过降低匹配阈值，可以应对部分遮挡，但是会造成误识别）。针对部分遮挡的情况，我们实验室的张博士去年对 LineMod 进行了改进，但由于论文尚未发表，所以就先不过多涉及了。
4. 深度学习
由于深度学习在计算机视觉领域得到了非常好的效果，我们做机器人的自然也会尝试把 DL 用到机器人的物体识别中。
首先，对于物体识别，这个就可以照搬 DL 的研究成果了，各种 CNN 拿过来用就好了。有没有将深度学习融入机器人领域的尝试？有哪些难点？ - 知乎 这个回答中，我提到 2016 年的‘亚马逊抓取大赛’中，很多队伍都采用了 DL 作为物体识别算法。 然而， 在这个比赛中，虽然很多人采用 DL 进行物体识别，但在物体位姿估计方面都还是使用比较简单、或者传统的算法。似乎并未广泛采用 DL。 如@周博磊所说，一般是采用 semantic segmentation network 在彩色图像上进行物体分割，之后，将分割出的部分点云与物体 3D 模型进行 ICP 匹配。
当然，直接用神经网络做位姿估计的工作也是有的，如这篇：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.
它的方法大概是这样：对于一个物体，取很多小块 RGB-D 数据（只关心一个patch，用局部特征可以应对遮挡）；每小块有一个坐标（相对于物体坐标系）；然后，首先用一个自编码器对数据进行降维；之后，用将降维后的特征用于训练Hough Forest。
5. 与任务/运动规划结合
这部分也是比较有意思的研究内容，由于机器视觉的目的是给机器人操作物体提供信息，所以，并不限于相机中的物体识别与定位，往往需要跟机器人的其他模块相结合。
我们让机器人从冰箱中拿一瓶‘雪碧’，但是这个 ‘雪碧’ 被‘美年达’挡住了。我们人类的做法是这样的：先把 ‘美年达’ 移开，再去取 ‘雪碧’ 。所以，对于机器人来说，它需要先通过视觉确定雪碧在‘美年达’后面，同时，还需要确定‘美年达’这个东西是可以移开的，而不是冰箱门之类固定不可拿开的物体。 当然，将视觉跟机器人结合后，会引出其他很多好玩的新东西。由于不是我自己的研究方向，所以也就不再班门弄斧了。
机器人家上有关于这个很详细的图文讲解，你可以看下，希望对你有用
⑼ matlab分割三维点云命令
看是什么数据格式,有的可以直接load
比如这样的数据文件:
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'); %读入数据
%x,y,z轴坐标
x=A(:,1);
y=A(:,2);
z=A(:,3);
scatter3(x,y,z); %散点图
[X,Y,Z]=griddata(x,y,z,linspace(min(x),max(x))',linspace(min(y),max(y)),'v4'); %构造坐标点
pcolor(X,Y,Z);
shading interp; %伪彩色图
fcontourf(X,Y,Z); %等高线图
figure,surf(X,Y,Z); %三维曲面