點雲最小包圍盒演算法思路

⑴ 鐵路和公路點雲法提取的差異

公路建立空間格網點雲存儲結構，利用網格內整體點雲的法向量特徵對其進行聚類和分割；鐵路首先對三維激光掃描儀的測距精度進行實驗分析，隨後基於隧道點雲數據，實現了對鐵路鋼軌、隧道橫斷面等隧道點雲特徵的快速提取。
結合結構化道路的點雲法向量分布特徵，提出了一種依據點雲法向量相似度的道路提取方法。首先，對原始點雲進行濾波處理，去除非地面點干擾；然後，對濾波後地面點雲採用主成分分析法估算出各激光腳點的局部法向量及曲率值；最後，依據點雲法向量相似度作為約束條件，採用改進的區域生長演算法分割出路面點雲。使用兩組不同場景下的車載點雲數據進行試驗，道路提取的完整率與准確率均在93%以上。試驗結果表明，該方法提取的道路精度與完整性受路面寬度，形狀的影響不大，適用於城鎮環境下的結構化道路提取。
公路橋梁跨度比較大，鐵路橋梁寬度比較小。荷載組成不同，公路橋梁以承擔恆載為主，鐵路橋梁活載大，動力效應明顯。

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 求一個不規則的凸n邊形的最小外接矩形..

有關定義包圍盒是計算幾何中的基本問題之一.計算封閉輪廓的最小四邊形包圍盒是該問題的一個特例

⑷ 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。

⑸ matlab怎麼將點雲數據用最小二乘方法擬合出平面

%點X,Y,Z到平面Ax+By+Cz+D=0的距離為
%d(ABCD,XYZ)=|AX+BY+CZ+D|/sqrt(A^2+B^2+C^2)
%ABCD四個變數只有三個是互相獨立的
%設A=cos(a);B=sin(a)*cos(b);C=sin(a)*sin(b)
%那麼A^2+B^2+C^2=1,距離公式化簡為
%d(abc,XYZ)=|cos(a)*X+sin(a)*cos(b)*Y+sin(a)*sin(b)*Z+c|
%現在有已知點序列X，Y，Z，求參數 a b c
%先構造一個函數fun(p) 輸入參數為p，其中p(1)=a,p(2)=b,p(3)=c
%使用 lsqnonlin求得p,使得sum((fun(p))^2)最小

fun=@(p) cos(p(1))*X+sin(p(1))*cos(p(2))*Y+sin(p(1))*sin(p(2))*Z+p(3);
p = lsqnonlin(fun,[0 0 0]);
A=cos(p(1));B=sin(p(1))*cos(p(2));C=sin(p(1))*sin(p(2));D=p(3);

⑹ matlab怎麼將點雲數據用最小二乘法擬合平面

問題沒有交代清楚。x，y分別是第一、二列數據嗎？其餘都是z的數據？請說明這樣才好回答你。

⑺ 求包圍盒演算法的實現，AABB,OBB演算法的實現

代碼已發送

⑻ 包圍盒的分類

最常見的包圍盒演算法有AABB包圍盒（Axis-aligned bounding box），包圍球（Sphere）， 方向包圍盒OBB（Oriented bounding box）以及固定方向凸包FDH（Fixed directions hulls或k-DOP）。
AABB是應用最早的包圍盒。它被定義為包含該對象，且邊平行於坐標軸的最小六面體。故描述一個AABB，僅需六個標量。AABB構造比較簡單，存儲空間小，但緊密性差，尤其對不規則幾何形體，冗餘空間很大，當對象旋轉時，無法對其進行相應的旋轉。處理對象是剛性並且是凸的，不適合包含軟體變形的復雜的虛擬環境情況。
對象的包圍球被定義為包含該對象的最小的球體。確定包圍球，首先需分別計算組成對象的基本幾何元素集合中所有元素的頂點的x，y，z坐標的均值以確定包圍球的球心，再由球心與三個最大值坐標所確定的點間的距離確定半徑r。包圍球的碰撞檢測主要是比較兩球間半徑和與球心距離的大小。
OBB是較為常用的包圍盒類型。它是包含該對象且相對於坐標軸方向任意的最小的長方體。OBB最大特點是它的方向的任意性，這使得它可以根據被包圍對象的形狀特點盡可能緊密的包圍對象，但同時也使得它的相交測試變得復雜。OBB包圍盒比AABB包圍盒和包圍球更加緊密地逼近物體，能比較顯著地減少包圍體的個數，從而避免了大量包圍體之間的相交檢測。但OBB之間的相交檢測比AABB或包圍球體之間的相交檢測更費時。
FDH（k-DOP）是一種特殊的凸包，繼承了AABB簡單性的特點，但其要具備良好的空間緊密度，必須使用足夠多的固定方向。被定義為包含該對象且它的所有面的法向量都取自一個固定的方向(k個向量)集合的凸包。FDH比其他包圍體更緊密地包圍原物體，創建的層次樹也就有更少的節點，求交檢測時就會減少更多的冗餘計算，但相互間的求交運算較為復雜。

⑼ 如何對一片散亂點雲進行坐標變換

合並到一個統一的坐標系下,這就是點雲數據的配准,該相關技術在逆向工程、曲面質量檢測和虛擬現實等領域均有著廣泛的應用1
目前,解決不同點雲數據集配准問題的直接方法有在被測物體上貼固定球和使用高精度的旋轉工作台[1]1固定球會使部分物體不可見,一般應貼在相對較平坦的區域1流動式光學掃描儀Atos是在物體上或固定物體的工具上貼特製的圓形標簽,其作用相當於固定球1根據前後2個視角觀察的3個或3個以上不共線的公共標簽來對數據進行配准,利
用旋轉工作台可直接對測量數據進行配准,但是物體底部和下部的數據點是無法採集的1
在三維點雲數據的自動配准中,運用最為廣泛的是由Besl等提出的最近點迭代(iterativeclosestpoint,ICP)演算法[2]1但是ICP演算法要求2個匹配點
集中的一個點集是另外一個點集的子集,即2個點集之間存在著包含關系,當這個條件不滿足時,將影響ICP的收斂結果,產生錯誤的匹配1顯然,對於2個點雲數據之間的部分配准問題,這種包含關系是不存在的1另外,ICP演算法對2個點雲相對初始位置要求較高,點雲之間的的初始位置不能相差太大;否則,ICP的收斂方向是不確定的,因而配准結果也是不可靠的1
Chen[3]等運用2個曲面在法矢方向的距離來
代替某一點到其最近點的距離,並將其作為匹配的目標評價函數1這一設想最初是由Potmesil[4]於1983年提出的,在文獻[3]的工作中它被推廣為最
優加權的最小二乘方法1但文獻[3]的方法需要求解非線性最小二乘問題,速度較慢1Masuda等[5]對點集進行隨機采樣,用最小中值平方誤差作為度量准則,該方法在每一次迭代後都需要進行重新采樣1Johnson等
[6]
使用特徵提取策略去除沒有啟發信息
的平面點來提高配准速度,在點雲數據法矢變化連續、突變比較少的情況下,其速度沒有明顯的提高1文獻[728]通過引入參考點的方法來實現三維點雲數據的配准,這些參考點其實也是一種標簽點,需要在測量前貼在被測物體上1
本文提出了一種更為通用的空間散亂點雲的配准演算法,該演算法不需要在被測物體上附加任何參考點或標簽點,僅利用點雲數據自身所具有的幾何信息,對待配准散亂點雲的相對位置沒有要求,可以處在空間任意位置上;而且本文演算法能夠實現散亂點雲的部分配准和整體配准1
1 演算法概述
散亂點雲的整體配準是一個點雲數據與另一個
點雲數據進行整體的數據融合,而部分配準是將一個點雲數據的子集與另一個點雲或其子集進行數據融合1本文演算法的基本思想是首先估算出散亂點雲數據中每一個測點的法矢和曲率,並根據一個點集中每個測點的曲率來尋找其在另一個點集中的曲率相近點,所有的曲率相近點構成一系列點對1計算將每個點對的法矢方向映射為一致的三維空間變換,每個點對間所有可能的三維變換構建一個哈希列表,找出列表中使得最多數量的點對法矢一致的變換,該變換能夠將2個點雲數據進行粗略配准1將粗略配准後2個點雲的位置作為新的初始位置,用統計出的曲率相近點對作為初始的配准點對集合,運用ICP演算法對散亂點雲的初始配准結果做進一步地優化,從而實現散亂點雲的精確配准1
2 演算法原理及步驟
211 散亂點雲數據微分幾何特性估算
光學掃描設備採集到的點雲數據密度很高,存在大量的冗餘數據,嚴重影響後續演算法的效率,因此在對散亂點雲的微分幾何特性估算前,應先按照一定要求減少測量點的數量1
對簡化後的點雲數據進行空間劃分,並在點集中尋找每個測點的k2近鄰1設測點pi的k2近鄰且包括該點記為Nbhd(pi),為計算該點的法矢和曲率,借鑒文獻[9]的方法,採用參數二次曲面來逼近散亂數據點,設二次曲面的參數方程。

⑽ 演算法：基於opengl 點雲模型不可見點(隱藏點)的移除 最後一步搞不定了 分不是問題

要往工程鏈接中加入OpenGL的靜態庫文件，然後在程序中加入相應的頭文件，之後經過與Winows的介面設置，就可以在程序中使用OpenGL的繪圖及相關的函數了。具體情況可以參見下面的文獻：

（2）至於讀入外部的3ds模型，大體思路是根據之種文件的格式，編寫相應的文件讀取程序，將相關的數據存入自己定義的結構變數中，以便用OpenGL的函數再在程序場景中顯示出來。一般是要在3ds文件中找到以下重要的數據：點，點的索引號，面（對應的頂點索引號），紋理坐標，紋理坐標索引號，法向量，法向量索引號等等。下面的文獻是針對讀取外部產生的obj文件的，相信對讀取3ds文件也有一定借鑒意義：

（3）讀入外部模型後，用OpenGL的相關函數，就可以對這個模型進行平移，旋轉，縮放等的幾何變換，還可以對模型進行光照渲染，透明化處理，反走樣處理等等，甚至進行碰撞檢測等等。

如有興趣，可以聯系網路成員 A_DEM_Software