Die Point Cloud Toolbox stellt Algorithmen und Apps zum Entwerfen und Analysieren von Systemen zur Punktwolkenverarbeitung bereit. Die Toolbox bietet Funktionen für Registrierung, Filterung, geometrische Transformation, Clustering und Segmentierung von Punktwolken. Sie unterstützt die Verarbeitung von Punktwolkendaten von Sensoren wie LiDAR, RGB-D-Kameras, Stereokameras und mmWave-Radar sowie von Workflows wie Visual SLAM, Photogrammetrie und Structure-from-Motion.
Sie können Daten aus Standardformaten einlesen oder direkt von LiDAR-Sensoren streamen. Visualisierungstools unterstützen die Analyse, Messung und interaktive Bearbeitung großer Punktwolken.
Apps ermöglichen die LiDAR-Kamera-Kalibrierung, das Labeling mit mehreren Sensoren und die Registrierung. Sie haben die Möglichkeit, Deep-Learning-Verfahren zur Erkennung, Segmentierung und Klassifizierung von Punktwolken anzuwenden. Außerdem können Sie C/C++ Code (mit MATLAB Coder) und CUDA® Code (mit GPU Coder) zur Bereitstellung generieren.
Lesen, Schreiben und Visualisieren von Punktwolken
Importieren Sie Punktwolken aus Dateiformaten wie LAS/LAZ, PCD und PLY oder streamen Sie Punktwolkendaten direkt von LiDAR-Sensoren, einschließlich Velodyne® und Ouster®. Visualisieren und erforschen Sie Punktwolkendaten mithilfe der Point Cloud Analyzer-App in Datensätzen beliebiger Größe.
Verarbeiten und Analysieren von Punktwolken
Verarbeiten und analysieren Sie Punktwolken aus der Luft- und Bodenerfassung mithilfe von Algorithmen zur Umwandlung von unorganisierten in organisierte Punktwolken, Bodensegmentierung, Clustering, Formanpassung, geometrischen Transformation und Merkmalsextraktion.
Registrierung von Punktwolken und SLAM
Registrieren Sie Punktwolken mithilfe von Algorithmen wie ICP, NDT und FPFH-basiertem Merkmalsabgleich. Evaluieren und vergleichen Sie Registrierungsalgorithmen mithilfe der Point Cloud Registration Analyzer-App. Implementieren Sie 3D-SLAM-Workflows für die Kartierung und Lokalisierung von Punktwolken aus Boden- und Lufterfassung.
LiDAR-Kamerakalibrierung
Schätzen Sie die starre Transformation zwischen einem 3D-LiDAR-Sensor und einer Kamera ab. Verwenden Sie die geschätzte starre Transformationsmatrix zwischen Kamera und LiDAR, um die Daten dieser beiden Sensoren zu fusionieren.
Deep Learning für Punktwolken
Wenden Sie Deep-Learning-Algorithmen zur semantischen Segmentierung und Objekterkennung auf Punktwolken an. Trainieren, testen und bewerten Sie die Leistung dieser Netzwerke. Stellen Sie sie auf der Zielhardware bereit, indem Sie C/C++ oder CUDA-Code generieren.
Punktwolken- und Video-Labeling
Beschriften Sie Punktwolken und Videos zur Objekterkennung, semantischen Segmentierung und Fahrspurerkennung. Verwenden Sie die Multi-Sensor Labeler-App mit integrierten oder benutzerdefinierten Automatisierungsalgorithmen, um den Labeling-Prozess zu beschleunigen.
Produktressourcen:
„Stellen Sie sich vor, Sie sitzen in einem Auto und strecken Ihren Arm aus dem Fenster. Sie spüren diese Kraft. Wir haben festgestellt, dass der Gepard diesen Luftwiderstand zur Stabilisierung seines Körpers nutzt, wenn er Haken mit hoher Geschwindigkeit schlägt.“
Point Cloud Toolbox kostenlos ausprobieren
Entdecken Sie noch heute die Möglichkeiten.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.
