在可以透過 OpenNI 讀取到 Kinect 的深度、色彩資訊之後，其實就可以試著用這些資訊，來重建 3D 的環境做顯示了～不過實際上，在前面的範例中所讀到的深度資訊，都算是原始資料，而且座標軸也都是感應器二維影像的座標系統，如果要重建 3D 場景的話，這些資訊都還是需要換算的；所幸，OpenNI 在 D

3D Registration 三維點雲配準

待讀參考： https://blog.csdn.net/kaspar1992/article/details/54836222 https://www.cnblogs.com/yin52133/archive/2012/07/21/2602562.html https://blog.csdn.net/u

三維點雲配準

作者：劉緣連結：https://www.zhihu.com/question/34170804/answer/121533317 來源：知乎著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。本科畢業設計做的點雲配準，對這個方面有一些初步理解，希望有所幫助~

#讀原始碼+論文# 三維點雲分割Deep Learning Based Semantic Labelling of 3D Point Cloud in Visual SLAM

from Deep Learning Based Semantic Labelling of 3D Point Cloud in Visual SLAM 超體素方法進行預分割，將點雲根據相似性變成表層面片（surface patches）降低計算複雜度。

基於深度學習的三維點雲分類的介紹

轉自博主 particle，該文章翻譯自http://www.itzikbs.com/3d-point-cloud-classification-using-deep-learning 在過去的這些年裡，對二維影象已經有了大量深入的研究，並且有著長足的發

從PCL庫看三維點雲依賴的相關知識

第一次使用PCL庫還是2017年，當時為了提取火線（火場包絡線：凹包），因為凸包雖然很簡單，但是不符合實際火場分佈的情況，於是查詢到了PCL可以實現，於是熬了幾個夜，走馬觀花的安裝、測試最終參考程式碼實現了想要的功能，但是PCL真的是連一知半

基於深度學習的三維點雲分類和分割(找了幾篇文章)

https://blog.csdn.net/bflong/article/details/79655200http://www.sohu.com/a/162727821_715754https://www.cnblogs.com/li-yao7758258/p/8182846

用VS+Opencv3.1從雙目立體視差圖中重建三維點雲

基本原理基本流程程式碼本程式碼執行需要在VS上配置好opencv3.1+openNI+PCL，opencv3.1的配置可以在網上找到很多資料，openNI和PCL的配置可以參看上一篇博文下http://blog.csd

三維點雲的地面分割演算法

1.https://www.sohu.com/a/154597666_715754 （“泡泡機器人SLAM”微信公眾號) 2. 基於改進形態學濾波（Progressive Morphological Filter）的地面點雲分割演算法，這個演算法本身用於處理高

VTK 點雲重建和讀取.txt文件顯示三維點雲

點雲重建 vtkSurfaceReconstructionFilter實現了一種隱式曲面重建的方法，即將曲面看作一個符號距離函式的等值面，曲面內外的距離值得符號函式相反，則零等值面即為所求的曲面。該方法需要對點雲資料進行網格劃分，然後估算每個點的切平面和方向，

PCL求取三維點雲模型每點曲率

最近在做有關實驗需要計算模型曲率，但是網上找了一圈也沒找到滿意的資料。最後發現PCL庫可以很方便的求取模型中每一個點的曲率，但是我們要想將PCL庫求得的曲率資料應用到自己的專案中需要將PCL庫與我們的專案進行結合，並且在PCL求出曲率後存放在自己的結構體中，這樣才能得到更適合

三維點雲網絡——PointNet論文解讀

PointNet1 是斯坦福大學研究人員提出的一個點雲處理網路，與先前工作的不同在於這一網路可以直接輸入無序點雲進行處理，而無序將資料處理成規則的3Dvoxel形式進行處理。輸入點雲順序對於網路的輸出結果沒有影響，同時也可以處理旋轉平移後的點雲資料。點雲是

兩種三維點雲密度聚類方法的研究與對比

轉載請說明出處： http://blog.csdn.net/zhubaohua_bupt/article/details/70194047 基於密度的點雲聚類演算法可以識別三維點雲物體，也可以對三維點雲去噪處理。本文研究了兩種基於密度的點雲聚類方法，先簡單介紹一下兩種演

將velodyne三維鐳射的點雲資料(16條射線)轉換到laserscan

真正實現機制是velodyne裡的velodyne_laserscan執行velodyne_pointcloud中的VLP16_points.launch第11行是修改感測器掃描的距離，第49行是將感測器的點雲資料（16條射線）抽取出一條，轉換為laserscan.轉換規則如

CT三維重建及三維視覺化資料：opengl+VTK+PCL點雲庫

自己做過邊緣輪廓三維重建方面的工作，今天看到一篇CT三維重建的介紹性質的文章挺感興趣的，附錄一下： CT三維重建主要有六種基本後處理方法多層面重建（MPR）最大密度投影（MIP）表面陰影遮蓋（SSD）容積漫遊技術（VRT）

第三篇：基於深度學習的人臉特徵點檢測 - 資料集整理

https://yinguobing.com/facial-landmark-localization-by-deep-learning-data-collate/ 在上一篇博文中，我們已經下載到了包括300-W、LFPW、HELEN、AFW、IBUG和300-VW在內的6個數據集，初步估算有2

三維計算機視覺（三）--點雲分割

轉自：http://www.cnblogs.com/ironstark/p/5000147.html 點雲分割　　點雲分割可謂點雲處理的精髓，也是三維影象相對二維影象最大優勢的體現。　　點雲分割的目的提取點雲中的不同物體，從而實現分而治之，突出重點，單獨處理的目的。而在

三維點雲資料集

相關推薦