三维点云课程(一)——点云介绍
-
点云的表达形式
-
点云的特点
密度不均匀
不规则
没有纹理信息(三人成车)
对深度学习的特点:
无序性
旋转不变性
-
PCA主成分分析
主成分分析在点云中的作用
- 降维
- 法向量估计
- 分类
矩阵的运算:
PCA :
降维和升维肯定有数据损失,所以要选取重要的主向量
PCA是线性的
-
PCA应用
第一列是输入的图像,例如30*30就是900维的矩阵,把900维的矩阵在l个主向量上投影得到l组a,第二列是计算平均值所以都一样。可以看到由6个主向量来重构图片(最后一列)可以达到识别的效果。对每组a进行聚类,传入新的图片与a对比相似度来分类
-
Kernel PCA(升维)
-
点云中点的法向量
点云拟合曲面的切面的法向量,只有定义邻域才有法向量,邻域大相对平滑受个别点的影响小,邻域大比较灵敏但容易受影响。法向量是最没用的向量,所有点投影到这个向量上的值加起来最小,反应最少的特征。
C是中心点
寻找法向量的步骤:
-
滤波
1、点云去除
划定邻域,少于一定的值就去掉。
2、降采样
一个格子中计算平均点
一个格子中随机选一个点
如果小格子过多,对超过int32所表示数的范围。