这是老师很久之前给的一篇paperLZ还是有拖延症到现在才想起来要把这篇paper的一些自己的思考或者说一些理解记录下来如果有兴趣的小伙伴可以看下原文“Fast Plane Extraction in Organized Point Clouds Using Agglomerative Hierarchical Clustering”。1.使用的数据按照原文的翻译是有组织的点云其实这还是对于这个算法来说有所偏颇的在代码使用的时候只使用了点云部分的深度信息并不包含rgb的信息只是在使用kinect的时候PCL库直接是以点云的形式把数据保存下来的。何为organized point cloud这个在之前学习PCL的时候就说过如果点云是可以以2D对3D点云进行索引的话这就算是organized point cloud在实际代码中表现在定义点云大小的时候直接定义点云的height和width一般就是480和640如果是unorganized point cloud一般point cloud 的height定义为1width就是整个点云数目把kinect采集到的数据定义成unorganized的话height 1, width 307200这是没办法通过2D进行索引的相当于把整个点云拉成一条在数据利用上缺失了点与点之间的空间信息不利于有些点云的特征的处理。2.参数设置的问题文章中有很多人工设置的参数不同的参数对于后续的平面提取肯定是有影响的而且对于程序运行的精度也会有所影响。原文中提到了几个阈值的设定也是偏向于经验值或者参考其他文献设定的。当然相机内参是肯定要的。。。3.算法总体具体的步骤可以参考上图流程输入深度相机获得的深度图像step1初始化对于输入的深度图像进行初始化先分成10*10大小的方块尺寸是人为设定可自行修改每一块就相当于是图模型的一个node注意node包含不只一个点。如果出现下面四种情况要把该节点和对应的边删除掉节点的均方误差高于设定阈值节点含有缺失的数据节点包含的深度不连续节点在两个平面的边界step2层次聚类未完待续。。。
这是老师很久之前给的一篇paperLZ还是有拖延症到现在才想起来要把这篇paper的一些自己的思考或者说一些理解记录下来如果有兴趣的小伙伴可以看下原文“Fast Plane Extraction in Organized Point Clouds Using Agglomerative Hierarchical Clustering”。1.使用的数据按照原文的翻译是有组织的点云其实这还是对于这个算法来说有所偏颇的在代码使用的时候只使用了点云部分的深度信息并不包含rgb的信息只是在使用kinect的时候PCL库直接是以点云的形式把数据保存下来的。何为organized point cloud这个在之前学习PCL的时候就说过如果点云是可以以2D对3D点云进行索引的话这就算是organized point cloud在实际代码中表现在定义点云大小的时候直接定义点云的height和width一般就是480和640如果是unorganized point cloud一般point cloud 的height定义为1width就是整个点云数目把kinect采集到的数据定义成unorganized的话height 1, width 307200这是没办法通过2D进行索引的相当于把整个点云拉成一条在数据利用上缺失了点与点之间的空间信息不利于有些点云的特征的处理。2.参数设置的问题文章中有很多人工设置的参数不同的参数对于后续的平面提取肯定是有影响的而且对于程序运行的精度也会有所影响。原文中提到了几个阈值的设定也是偏向于经验值或者参考其他文献设定的。当然相机内参是肯定要的。。。3.算法总体具体的步骤可以参考上图流程输入深度相机获得的深度图像step1初始化对于输入的深度图像进行初始化先分成10*10大小的方块尺寸是人为设定可自行修改每一块就相当于是图模型的一个node注意node包含不只一个点。如果出现下面四种情况要把该节点和对应的边删除掉节点的均方误差高于设定阈值节点含有缺失的数据节点包含的深度不连续节点在两个平面的边界step2层次聚类未完待续。。。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
