Main Content

Die Übersetzung dieser Seite ist veraltet. Klicken Sie hier, um die neueste Version auf Englisch zu sehen.

Punktwolkenverarbeitung

Vorverarbeitung, Visualisierung, Registrierung, Anpassung geometrischer Formen, Kartenerstellung, Implementierung von SLAM-Algorithmen und Nutzung von Deep Learning für 3D-Punktwolken

Eine Punktwolke ist ein Satz an Datenpunkten in einem 3D-Raum. Die gesammelten Punkte stellen eine 3D-Form oder ein 3D-Objekt dar. Jeder Punkt im Datensatz wird von einer geometrischen Koordinate x, y und z dargestellt. Mit Punktwolken kann eine große Anzahl einzelner räumlicher Messungen in einen Datensatz zusammengefasst werden, der als beschreibbares Objekt dargestellt werden kann. Die Punktwolkenverarbeitung wird bei der Roboter-Navigation und -Wahrnehmung, Tiefenschätzung, Stereo-Vision, visueller Registrierung und ADAS (Advanced Driver Assistance Systems) verwendet. Computer Vision Toolbox™-Algorithmen bieten eine Punktwolken-Verarbeitungsfunktion zum Downsampling, Entrauschen und zur Transformation von Punktwolken. Die Toolbox umfasst zudem Punktwolken-Registrierung, Anpassung geometrischer Formen an 3D-Punktwolken und die Möglichkeit zum Lesen, Schreiben, Speichern, Anzeigen und Vergleichen von Punktwolken. Sie können mehrere Punktwolken kombinieren, um eine 3D-Szene zu rekonstruieren oder eine Karte mit registrierten Punktwolken zu erstellen, Schleifenschlüsse zu erkennen, die Karte zu optimieren, um Abweichungen auszugleichen und Lokalisierung in der vorgefertigten Karte durchzuführen. Weitere Einzelheiten finden Sie unter Implement Point Cloud SLAM in MATLAB.

Um eine Punktwolken-Registrierung durchzuführen, bei der zwei oder mehr Punktwolken an einem einzigen Koordinatensystem ausgerichtet werden, beginnen Sie üblicherweise mit einer Punktwolke als Referenz oder festen Punktwolke und richten daraufhin weitere bewegliche Punktwolken an ihr aus. Die absolute Pose einer Punktwolke bezieht sich auf ihre globale Position und Ausrichtung hinsichtlich einem Referenzrahmen, der oft als Weltkoordinaten-Rahmen bezeichnet wird. Computer Vision Toolbox umfasst diverse Registrierungstechniken zur Registrierung einer beweglichen Punktwolke an einer festen Punktwolke. Diese Techniken umfassen ICP (Iterative Closest Point), NDT (Normal Distributions Transform), Phasenkorrelation und CPD (Coherent Point Drift). Sie können zudem die Lidar Registration Analyzer (Lidar Toolbox) App verwenden, um eine interaktive Registrierung durchzuführen und die Ergebnisse verschiedener Registrierungstechniken, Abstimmungsparameter und Vorverarbeitungschritte miteinander zu vergleichen.

Funktionen

alle erweitern

pcreadRead 3-D point cloud from PLY or PCD file
pcwriteWrite 3-D point cloud to PLY or PCD file
pcfromdepthConvert depth image to point cloud (Seit R2022b)
pcfromkinectPoint cloud from Kinect for Windows
velodyneFileReaderRead point cloud data from Velodyne PCAP file
pcviewsetManage data for point cloud based visual odometry and SLAM (Seit R2020a)
pointCloudObject for storing 3-D point cloud
pcviewerVisualize and inspect large 3-D point cloud (Seit R2023a)
pcshowPlot 3-D point cloud
pcshowpairVisualize difference between two point clouds
pcplayerVisualize streaming 3-D point cloud data
showShapeDisplay shapes on image, video, or point cloud (Seit R2020b)

Vorverarbeiten

pcbinSpatially bin point cloud points (Seit R2020a)
pcdenoiseRemove noise from 3-D point cloud
pcdownsampleDownsample a 3-D point cloud
pcnormalsEstimate normals for point cloud

Finden und Entfernen von Punkten

findPointsInCylinderFind points within a cylindrical region in a point cloud (Seit R2023a)
findPointsInROIFind points within a region of interest in the point cloud
findNearestNeighborsFind nearest neighbors of a point in point cloud
findNeighborsInRadiusFind neighbors within a radius of a point in the point cloud
removeInvalidPointsRemove invalid points from point cloud
pcsegdistSegment point cloud into clusters based on Euclidean distance
segmentGroundFromLidarDataSegment ground points from organized lidar data
segmentLidarDataSegment organized 3-D range data into clusters
pcbinSpatially bin point cloud points (Seit R2020a)

Registrieren von Punktwolken

pcregistercorrRegister two point clouds using phase correlation (Seit R2020b)
pcregistericpRegister two point clouds using ICP algorithm
pcregistercpdRegister two point clouds using CPD algorithm
pcregisterndtRegister two point clouds using NDT algorithm

Transformieren von Punktwolken

rigidtform3d3-D rigid geometric transformation (Seit R2022b)
pctransformTransform 3-D point cloud

Ausrichten oder Kombinieren von Punktwolken

pcalignAlign array of point clouds (Seit R2020b)
pccatConcatenate 3-D point cloud array (Seit R2020b)
pcmergeMerge two 3-D point clouds

Ermitteln von Schleifenschluss-Kandidaten

findPoseLocalize point cloud within map using normal distributions transform (NDT) algorithm (Seit R2021a)
scanContextDistanceDistance between scan context descriptors (Seit R2020b)
scanContextDescriptorExtract scan context descriptor from point cloud (Seit R2020b)
scanContextLoopDetectorDetect loop closures using scan context descriptors (Seit R2021b)

Optimieren von Posen

createPoseGraphCreate pose graph (Seit R2020a)
optimizePosesOptimize absolute poses using relative pose constraints (Seit R2020a)

Erstellen einer Lokalisierungskarte

pcmapndtLocalization map based on normal distributions transform (NDT) (Seit R2021a)
pcfitcylinderFit cylinder to 3-D point cloud
pcfitplaneFit plane to 3-D point cloud
pcfitsphereFit sphere to 3-D point cloud
pcnormalsEstimate normals for point cloud
fitPolynomialRANSACFit polynomial to points using RANSAC
ransacFit model to noisy data
cylinderModelParametric cylinder model
planeModelObject for storing parametric plane model
sphereModelObject for storing a parametric sphere model

Blöcke

alle erweitern

Point Cloud ViewerVisualize streaming point cloud data sequence (Seit R2023a)

Themen

Enthaltene Beispiele