随笔分类 -  三维计算机视觉

3D Object Classification With Point Convolution —— 点云卷积网络
摘要：今天刚刚得到消息，之前投给IROS 2017的文章收录了。很久很久没有写过博客，今天正好借这个机会来谈谈点云卷积网络的一些细节。 1、点云与三维表达 三维数据后者说空间数据有很多种表达方式，比如：RGB-D 图像，体素图像，三维点云等。这些三维数据的表达方式各有特点：RGB-D 图像可以直接从Kin 阅读全文
posted @ 2017-06-15 11:38 IronStark 阅读(5088) 评论(2) 推荐(5) 编辑
三维计算机视觉 —— 中层次视觉 —— RCNN Family
摘要：RCNN是从图像中检测物体位置的方法，严格来讲不属于三维计算机视觉。但是这种方法却又非常非常重要，对三维物体的检测非常有启发，所以在这里做个总结。 1、RCNN - the original idea —— <Rich feature hierarchies for accurate object 阅读全文
posted @ 2016-11-09 11:52 IronStark 阅读(3315) 评论(0) 推荐(0) 编辑
三维计算机视觉 — 中层次视觉 — Point Pair Feature
摘要：机器人视觉中有一项重要人物就是从场景中提取物体的位置，姿态。图像处理算法借助Deep Learning 的东风已经在图像的物体标记领域耍的飞起了。而从三维场景中提取物体还有待研究。目前已有的思路是先提取关键点，再使用各种局部特征描述子对关键点进行描述，最后与待检测物体进行比对，得到点-点的匹配。个别 阅读全文
posted @ 2016-10-18 08:29 IronStark 阅读(4846) 评论(1) 推荐(0) 编辑
PCL—低层次视觉—关键点检测（iss&Trajkovic）
摘要：关键点检测往往需要和特征提取联合在一起，关键点检测的一个重要性质就是旋转不变性，也就是说，物体旋转后还能够检测出对应的关键点。不过说实话我觉的这个要求对机器人视觉来说是比较鸡肋的。因为机器人采集到的三维点云并不是一个完整的物体，没哪个相机有透视功能。机器人采集到的点云也只是一层薄薄的蒙皮。所谓的... 阅读全文
posted @ 2015-12-23 11:20 IronStark 阅读(8282) 评论(2) 推荐(0) 编辑
PCL—低层次视觉—关键点检测（Harris）
摘要：除去NARF这种和特征检测联系比较紧密的方法外，一般来说特征检测都会对曲率变化比较剧烈的点更敏感。Harris算法是图像检测识别算法中非常重要的一个算法，其对物体姿态变化鲁棒性好，对旋转不敏感，可以很好的检测出物体的角点。甚至对于标定算法而言，HARRIS角点检测是使之能成功进行的基础。 HA... 阅读全文
posted @ 2015-12-21 20:52 IronStark 阅读(10712) 评论(14) 推荐(0) 编辑
PCL—低层次视觉—关键点检测（NARF）
摘要：关键点检测本质上来说，并不是一个独立的部分，它往往和特征描述联系在一起，再将特征描述和识别、寻物联系在一起。关键点检测可以说是通往高层次视觉的重要基础。但本章节仅在低层次视觉上讨论点云处理问题，故所有讨论都在关键点检测上点到为止。NARF 算法实际上可以分成两个部分，第一个部分是关键点提取，第二... 阅读全文
posted @ 2015-12-17 16:36 IronStark 阅读(11560) 评论(14) 推荐(2) 编辑
PCL—低层次视觉—关键点检测（rangeImage）
摘要：关键点又称为感兴趣的点，是低层次视觉通往高层次视觉的捷径，抑或是高层次感知对低层次处理手段的妥协。——三维视觉关键点检测1.关键点，线，面 关键点=特征点； 关键线=边缘； 关键面=foreground； 上述三个概念在信息学中几乎占据了统治地位。比如1维的函数（信号），有各种手段去得到... 阅读全文
posted @ 2015-12-14 20:35 IronStark 阅读(8613) 评论(0) 推荐(1) 编辑
PCL—低层次视觉—点云分割（基于凹凸性）
摘要：1.图像分割的两条思路 场景分割时机器视觉中的重要任务，尤其对家庭机器人而言，优秀的场景分割算法是实现复杂功能的基础。但是大家搞了几十年也还没搞定——不是我说的，是接下来要介绍的这篇论文说的。图像分割的搞法大概有两种：剑宗——自低向上：先将图像聚类成小的像素团再慢慢合并，气宗——自顶向下：用多尺度... 阅读全文
posted @ 2015-12-07 19:49 IronStark 阅读(34481) 评论(11) 推荐(14) 编辑
PCL—低层次视觉—点云分割（基于形态学）
摘要：1.航空测量与点云的形态学 航空测量是对地形地貌进行测量的一种高效手段。生成地形三维形貌一直是地球学，测量学的研究重点。但对于城市，森林，等独特地形来说，航空测量会受到影响。因为土地表面的树，地面上的房子都认为的改变了地貌，可以认为是地貌上的噪声点。设计一种有效的手段去除地面噪声对地形测量的影响显... 阅读全文
posted @ 2015-12-03 19:56 IronStark 阅读(9477) 评论(0) 推荐(1) 编辑
PCL—低层次视觉—点云分割（超体聚类）
摘要：1.超体聚类——一种来自图像的分割方法 超体（supervoxel）是一种集合，集合的元素是“体”。与体素滤波器中的体类似，其本质是一个个的小方块。与之前提到的所有分割手段不同，超体聚类的目的并不是分割出某种特定物体，其对点云实施过分割(over segmentation)，将场景点云化成很多小块... 阅读全文
posted @ 2015-12-02 20:00 IronStark 阅读(23653) 评论(12) 推荐(2) 编辑
PCL—低层次视觉—点云滤波（基于点云频率）
摘要：1.点云的频率 今天在阅读分割有关的文献时，惊喜的发现，点云和图像一样，有可能也存在频率的概念。但这个概念并未在文献中出现也未被使用，谨在本博文中滥用一下“高频”一词。点云表达的是三维空间中的一种信息，这种信息本身并没有一一对应的函数值。故点云本身并没有在讲诉一种变化的信号。但在抽象意义上，点云必... 阅读全文
posted @ 2015-12-01 17:34 IronStark 阅读(16021) 评论(7) 推荐(6) 编辑
PCL—低层次视觉—点云分割（最小割算法）
摘要：1.点云分割的精度 在之前的两个章节里介绍了基于采样一致的点云分割和基于临近搜索的点云分割算法。基于采样一致的点云分割算法显然是意识流的，它只能割出大概的点云（可能是杯子的一部分，但杯把儿肯定没分割出来）。基于欧式算法的点云分割面对有牵连的点云就无力了（比如风筝和人，在不用三维形态学去掉中间的线之... 阅读全文
posted @ 2015-11-30 20:20 IronStark 阅读(11686) 评论(2) 推荐(3) 编辑
PCL—低层次视觉—点云分割（邻近信息）
摘要：分割给人最直观的影响大概就是邻居和我不一样。比如某条界线这边是中华文明，界线那边是西方文，最简单的分割方式就是在边界上找些居民问:"小伙子，你到底能不能上油管啊？”。然后把能上油管的居民坐标连成一条线，自然就区分开了两个地区。也就是说，除了之前提到的基于采样一致的分割方式以外，应该还存在基于邻近... 阅读全文
posted @ 2015-11-27 13:43 IronStark 阅读(21806) 评论(6) 推荐(1) 编辑
PCL—低层次视觉—点云分割（RanSaC）
摘要：点云分割 点云分割可谓点云处理的精髓，也是三维图像相对二维图像最大优势的体现。不过多插一句，自Niloy J Mitra教授的Global contrast based salient region detection出现，最优分割到底鹿死谁手还不好说。暂且不论他开挂的图像处理算法，先安心做一个P... 阅读全文
posted @ 2015-11-26 16:02 IronStark 阅读(21105) 评论(4) 推荐(1) 编辑
PCL—综述—三维图像处理
摘要：点云模型与三维信息 三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体-背景解耦。除此之外，对于视觉测量来说，物体的二维信息往往随射影方式而变化，但其三维特征对不同测量方式具有更好的统一性。与相片不同，三维图像时... 阅读全文
posted @ 2015-11-26 10:39 IronStark 阅读(9665) 评论(4) 推荐(3) 编辑
PCL—低层次视觉—点云滤波（初步处理）
摘要：点云滤波的概念 点云滤波是点云处理的基本步骤，也是进行 high level 三维图像处理之前必须要进行的预处理。其作用类似于信号处理中的滤波，但实现手段却和信号处理不一样。我认为原因有以下几个方面：点云不是函数，对于复杂三维外形其x,y,z之间并非以某种规律或某种数值关系定义。所以点云无法建立横... 阅读全文
posted @ 2015-11-24 12:33 IronStark 阅读(11756) 评论(0) 推荐(3) 编辑