我是计算机视觉领域的新手,所以我正在从头开始学习如何从多个图像捕获生成点云。我还没有在代码上实现任何这些,首先我想了解整个过程应该如何完成,然后我将对其进行编码。到目前为止,我已经了解了特征检测算法,主要是SIFT和非常精确的A-KAZE,它在每个图像上检测更多的特征,从而生成更密集的云。然后是关键匹配算法,主要是Brute Force (BF)和FLANN。最后,这应该是一个过程,在这个过程中,你:-first:获取所有相机的方向-finally :生成稀疏点云。但是
我目前正在阅读这篇文章,其中原始的点云坐标正在经历两种转换,输入转换和特征转换,转换本身由一个迷你点网和一个矩阵乘法组成,输入转换将其转换为nx3向量,而特征转换将其转换为nx64向量。然而,这两个转换在结构上本质上是相同的(tnet X matrixmultiply),那么我们怎么能说第一个转换转换输入,第二个转换作用于特征呢?
我正在使用PCL处理三维点云。我使用快速点特征直方图(FPFH)作为描述符,它对于单个点是33维的。在我的工作中,我想使用FPFH对点云数据进行聚类,其中聚类定义了此功能。然而,如果我计算一个包含200个点的集群的FPFH,而不是集群中每个点的特征向量是200x33,我就会感到困惑。由于两个集群将具有不同的大小,因此我不能使用上述大小的特征向量。我的问题是,我如何才能适当地计算特征,并使用它来描述单个1 x 33维向量的集群?
我正在考虑使用均值,但它