估计PointCloud中的曲面法线(Estimating Surface Normals in a PointCloud)

2023-10-20 19:38

本文主要是介绍估计PointCloud中的曲面法线(Estimating Surface Normals in a PointCloud),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

表面法线是几何表面的重要属性,并在许多领域(如计算机图形应用)中大量使用,以应用生成阴影和其他视觉效果的正确光源。

给定一个几何曲面,通常很简单的方法是将曲面上某一点的法线方向作为垂直于该曲面的矢量。但是,由于我们获取的点云数据集代表了一组实际表面上的点样本,因此有两种可能性:

1、从获取的点云数据集中获取底层曲面,使用曲面网格划分技术,然后从网格中计算曲面法线;
2、使用近似值直接从点云数据集中推断出曲面法线。

本教程将介绍后者,即给定点云数据集,直接计算云中每个点的表面法线。

#理论引入
虽然存在许多不同的正常估算方法,但我们将专注于本教程的方法是最简单的方法之一,具体如下。确定表面上的点的法线的问题近似于估计与表面相切的平面的法线的问题,这又成为最小平方平面拟合估计问题。

    注意:欲了解更多信息,包括最小二乘问题的数学方程,请参阅[RusuDissertation](http://files.rbrusu.com/publications/RusuPhDThesis.pdf)。

因此,用于估计表面法线的解决方案被简化为分析从查询点的最近邻居创建的协方差矩阵的特征向量和特征值(或PCA-主分量分析)。更具体地说,对于每个点\ boldsymbol {P} _i,协方差矩阵\ mathcal {C}如下:

\大数符号{} {} {} {} {} {\大写符号\ \ frac {1} {k} \ sum_ {i = 1} ^ cdot大胆的符号{p} _i- \ overline {\ boldsymbol {p}})^ {T}},〜\ mathcal {C} \ cdot \ vec {{\ mathsf v} _j} = \ lambda_j \ cdot \ vec {{\ mathsf v} _j},〜j \ in \ {0,1,2 }

ķ为考虑点邻居的数目在 \ boldsymbol {P} _i附近,\划线{\ boldsymbol {P}} 表示最近邻居的3D质心,\ lambda_j是协方差矩阵的第Ĵ特征值,并且\ vec {{\ mathsf v} _j} 表示第Ĵ个特征向量。

要从PCL中的一组点中估计协方差矩阵,可以使用:


// Placeholder for the 3x3 covariance matri

这篇关于估计PointCloud中的曲面法线(Estimating Surface Normals in a PointCloud)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/249288

相关文章

Open3D 基于法线的双边滤波

目录 一、概述 1.1原理 1.2实现步骤 1.3应用场景 二、代码实现 2.1关键函数 输入参数: 输出参数: 参数影响: 2.2完整代码 三、实现效果 3.1原始点云 3.2滤波后点云 Open3D点云算法汇总及实战案例汇总的目录地址: Open3D点云算法与点云深度学习案例汇总(长期更新)-CSDN博客 一、概述         基于法线的双边

数据集 3DPW-开源户外三维人体建模-姿态估计-人体关键点-人体mesh建模 >> DataBall

3DPW 3DPW-开源户外三维人体建模数据集-姿态估计-人体关键点-人体mesh建模 开源户外三维人体数据集 @inproceedings{vonMarcard2018, title = {Recovering Accurate 3D Human Pose in The Wild Using IMUs and a Moving Camera}, author = {von Marc

数据集 Ubody人体smplx三维建模mesh-姿态估计 >> DataBall

Ubody开源人体三维源数据集-smplx-三维建模-姿态估计 UBody:一个连接全身网格恢复和真实生活场景的上半身数据集,旨在拟合全身网格恢复任务与现实场景之间的差距。 UBody包含来自多人的现实场景的1051k张高质量图像,这些图像拥有2D全身关键点、3D SMPLX模型。 UBody由国际数字经济学院(IDEA)提供。 (UBody was used for mesh r

图形API学习工程(25):实现法线贴图

工程GIT地址:https://gitee.com/yaksue/yaksue-graphics 目标 在《图形API学习工程(10):基础光照》中,我实现了最基础的光照,同时也表现了法线的作用。 在《图形API学习工程(11):使用纹理》中,工程已经能够加载纹理贴图。 这样,法线贴图 所需的准备已经完成,可以在工程里实现这个技术了。 (关于法线贴图的意义,可见上一篇博客《从“法线贴图的意义

从“法线贴图的意义”到“切线空间公式的推导与验证”

目录 目标1. 法线贴图1.1 “法线”的意义1.2 “法线贴图”的意义 2. 切线空间2.1 法线贴图中数据的含义2.2 “切线空间”的定义 3. 切线空间计算公式3.1 构造几何关系等式3.2 切线空间计算公式 4. 代码5. 验证——与其他美术软件计算的结果进行比较总结 目标 本篇的重点是 讨论法线贴图的意义讨论切线空间的意义推导切线空间的计算公式根据公式编写代码将其计算

nurbs曲面和贝塞尔曲面的区别是什么

NURBS曲面和贝塞尔曲面的主要区别如下:   定义与理论基础:   NURBS曲面:全称非均匀有理B样条曲面,是NURBS曲线在二维空间上的扩展。它结合了非均匀性、有理性和B样条的特性,能够更灵活地表示复杂曲面。 贝塞尔曲面:通过Bernstein基函数的张量积为加权系数对控制顶点进行线性组合所构造的参数曲面。它具有良好的连续性和插值性质。   控制点的灵活性与局部性:   N

Kaggle克隆github项目+文件操作+Kaggle常见操作问题解决方案——一文搞定,以openpose姿态估计项目为例

文章目录 前言一、Kaggle克隆仓库1、克隆项目2、查看目录 二、安装依赖三、文件的上传、复制、转移操作1.上传.pth文件到input目录2、将权重文件从input目录转移到工作目录 三、修改工作目录里的文件内容1、修改demo_camera.py内容 四、运行! 前言 想跑一些深度学习的项目,但是电脑没有显卡,遂看向云服务器Kaggle,这里可以每周免费使用30h的GP

【译】PCL官网教程翻译(18):估计一组点的视点特征直方图(VFH)签名 - Estimating VFH signatures for a set of points

英文原文查看 估计一组点的视点特征直方图(VFH)签名 本文描述了视点特征直方图([VFH])描述符,这是一种针对聚类(如对象)识别和6DOF姿态估计问题的点簇表示方法。 下图展示了一个VFH识别和姿态估计的例子。给定一组火车数据(除最左边的点云外,最上面一行、最下面一行),学习一个模型,然后使用一个云(最左边的部分)查询/测试模型。匹配的结果按从最好到最差的顺序从左到右从左下角开始。有关更多

论文笔记:Estimating future human trajectories from sparse time series data

sigspatial 2023 humob竞赛paper hiimryo816/humob2023-MOBB (github.com) 1 数据集分析 这里只分享了HuMob数据集1的内容 1.1 假日分析 对HuMob数据集#1地理数据的方差分析显示了非工作日的模式 在某些天的y坐标方差中有显著的峰值,这是非工作日的象征【x坐标有相似的模式】 ——>识别了任务1数据集中最有可能是

分歧时间估计与被子植物的年代-文献精读43

Ad fontes: divergence-time estimation and the age of angiosperms 回归本源:分歧时间估计与被子植物的年代 摘要 准确的分歧时间对于解释和理解谱系演化的背景至关重要。在过去的几十年里,有关冠被子植物推测的分子年龄(通常估计为晚侏罗世至二叠纪)与化石记录(将被子植物置于早白垩纪)之间的差异,引发了广泛的争论。如果冠被子植物早在二