文章目录

  • Real-Time Plane Segmentation using RGB-D Cameras
  • Fast Plane Detection and Polygonalization in noisy 3D Range Images
  • Plane Detection in Point Cloud Data
  • Fast and Accurate Plane Segmentation in Depth Maps for Indoor Scenes
  • Robust Plane Detection Using Depth Information From a Consumer Depth Camera
  • A Fast and Accurate Plane Detection Algorithm for Large Noisy Point Clouds Using Filtered Normals and Voxel Growing
  • Point-Plane SLAM for Hand-Held 3D Sensors
  • Indoor Mapping Using Planes Extracted from Noisy RGB-D Sensors

Real-Time Plane Segmentation using RGB-D Cameras

该论文基于depth图像做的平面检测， 根据深度邻域计算法向量以及平面距原点的距离对其进行聚类。
具体流程如下：

  1. 在深度图像x ，y方向创建2个切向量（用积分图像计算切向量）根据2个切向量计算法线
  2. 对法线空间(nx,ny,nz)( n^x , n^y , n^z )(nx,ny,nz) 中的点投影到球坐标系重进行聚类，得到候选平面聚类
  3. 在距离空间(平面与原点的距离)中聚类局部表面法向相似的平面

详情查看

Fast Plane Detection and Polygonalization in noisy 3D Range Images

该论文基于深度图像进行平面提取，包括2个部分平面拟合和多边形化。提出了一种线性的计算协方差矩阵和MSE的方法
具体步骤：

  1. 点云重随机选取两个点，构成一个点集
  2. 找到距离这个点集最近的点，判断当前点到点集的MSE以及到当前点平面的距离。满足要求加入当前点集
  3. 点集数大于阈值为有效
  4. 直到遍历完所有点

详情查看

Plane Detection in Point Cloud Data

该论文使用MDL将点云划分为小块进行RANSAC
具体步骤：

  1. 将点云划分为不同的矩阵块
  2. 在每个矩阵块中根据RANSAC和MDL原理确定每个矩阵块中有0-3个平面
  3. 利用区域增长合并局部范围相邻平面

详情查看

Fast and Accurate Plane Segmentation in Depth Maps for Indoor Scenes

提出多种平面提取的方法：基于深度提取（DS）、基于法线提取（NS）、基于深度+法线混合(FS)、基于平面先验(PS)、基于RANSAC(RS)
重点介绍FS和RS:
FS具体步骤：

  1. 根据深度计算出图像的梯度图
  2. 根据法线计算出图像的梯度图
  3. 将基于深度和基于法线方法的分割的输出，可以应用后期融合（分水岭算法）产生准确和稳定的结果

RS具体步骤：

  1. 没看懂

详情查看

Robust Plane Detection Using Depth Information From a Consumer Depth Camera

提出了一种鲁棒的基于深度平面检测（DPD）算法，该算法由两部分组成：基于区域增长平面检测和两阶段细化。

具体步骤：
Valid Seed Patches Generation
用一个LxL的滑窗在图像上滑动， 然后用Linear Least Squares (LLS)方法拟合出一个平面，最后根据拟合出来的平面和滑窗内所有点的信息来计算该滑窗区域的平面度，

Region Growing Process
将上一步得到的各个滑窗区域按平面度进行排序，平面度越高的，将首先用来初始化得到一个平面并逐渐像周围增长，增长的依据是临近点到平面的距离，同时根据传感器测量噪声问题，用一些准则来动态调整这个距离阈值(测量距离，平面大小等)。

Refinement of Detected Planes
经过上述处理得到的平面，会存在 Over-Growing和Under-Growing的问题。对于前者，需要检测出平面的相交线，然后将合并在一起的平面分开；后者则需要合并两两平面

详情查看

A Fast and Accurate Plane Detection Algorithm for Large Noisy Point Clouds Using Filtered Normals and Voxel Growing

通过滤波加权平面拟合计算每个点的法线，计算每个点的局部平面度得分。选择良好种子平面的最佳种子点，通过添加靠近该平面的所有点来扩散该种子平面。
具体步骤：

  1. 计算点云局部密度，用于下一步过滤法线
  2. 通过滤波加权平面拟合计算每个点的法线，并过滤
  3. 计算每个点局部平面的得分
  4. 使用中的八叉树类模板计算点云的八叉树形
  5. 基于体素的区域增长
    详情查看

Point-Plane SLAM for Hand-Held 3D Sensors

平面检测的部分的具体步骤：

  1. 在3D点云中随机选择几个（实验中为20个）参考点。
  2. 对于每个参考点，使用小局部窗口（101×101像素）内的附近点找到最佳平面。
  3. 查找所有内点（阈值为20 mm），这些内点与图像空间上网格图的参考点相连接。
  4. 确定最佳平面为具有最大且足够（>10000）个内点的平面。
  5. 如果找到了最佳平面，请删除与之对应的内点，然后返回第1阶段。否则，终止算法

详情查看

Indoor Mapping Using Planes Extracted from Noisy RGB-D Sensors

提出了一种快速的平面提取方法。使用局部球面近似估计局部法向量和边缘，然后通过泛洪填充算法分割深度图像。为了处理传感器偏差，我们提出了一种新的估计平面参数协方差的方法。提出了一种快速的平面边界逼近方法，通过减少数据量实现实时绘制。

点云中提取平面方法总结相关推荐

  1. 使用层次聚类在结构点云中进行平面的快速提取

    在许多机器人应用的领域,能够实时在三维点云中进行平面提取是非常困难的.在论文中提出了一个算法,能够在类似Kinect 传感器采集到的点云进行实时可靠的多平面的检测. 具体的算法一共有三个步骤: 第一步 ...

  2. java取json对象的值_java的JsonObject对象提取值方法

    实例如下所示: import com.alibaba.fastjson.JSON; import com.alibaba.fastjson.JSONArray; import com.alibaba. ...

  3. PDF提取页面方法，如何从PDF文件中提取页面

    现在科技与时代的进步与发展人们所接触的都提升了,就连我们日常使用的文件类型也多样性了,现在使用很多的文件是PDF文件,那么有小伙伴们知道该怎么从PDF文件中提取页面吗,PDF提取页面的方法是什么呢,今 ...

  4. 哨兵2a 波段组合_一种针对哨兵2A影像的建筑物阴影提取处理方法与流程

    本发明涉及建筑物阴影提取技术领域,尤其涉及一种针对哨兵2A影像的建筑物阴影提取处理方法. 背景技术: 阴影在遥感影像中是一种广泛分布,不可忽视的地物.在高分影像中,城市的建筑物阴影通常由于高大的建筑物 ...

  5. 苹果电脑视频声音提取的方法

    许多人如今在使用的的电脑都是苹果电脑,针对苹果电脑提取音频的方法还是有很多人不了解,所以他们将尝试提取视频音频,是不是经常听到一些美妙的歌声而惊叹呢?是不是每次看电视的时候发现里面的插曲格外的有趣,有 ...

  6. 一种关键字提取新方法

    一种关键字提取新方法  (转载) 原文链接https://xw.qq.com/amphtml/20181116A037K400 https://xw.qq.com/amphtml/20181116A0 ...

  7. 对这个短视频提取的方法，来提提意见

    最近开通了视频号,初步定位是发一些公益活动的视频,主要是转发一些视频.无奈视频号暂时没这个功能,要是有一键转载,哪怕是保持原链接也接受呢. 提取视频或下载视频成了我的目前遇到的最大的问题,如果能去水印 ...

  8. 【GlobalMapper精品教程】041：从多波段影像中提取单波段方法

    本实验讲解globalmapper中文24软件从多波段遥感影像中提取单波段方法. 参考阅读:[Envi风暴]Envi插件大全:多波段拆分工具的巧妙使用 文章目录 一.多波段影像介绍 二.单波段提取方法 ...

  9. 如何提取图片中文字？安利这几个图片转文字提取的方法

    在我们工作学习中,有没有遇到过需要将图片中的文字信息给记录下来的情况,一般这种时候你是怎么做的呢?是根据图片手动输入吗?如果是在文字少量的情况下,可以这样操作,可是如果文字较多的话,手动输入难免会降低 ...

最新文章

  1. CPU主频越高越好吗
  2. 支持向量机：Numerical Optimization
  3. SpringMVC4+JPA(Hibernate4)+Spring-data-jpa+Shiro整合
  4. Unity 游戏框架搭建 (七) 减少加班利器-QApp类
  5. DLL 的导入与导出
  6. 中石油训练赛 - Russian Dolls on the Christmas Tree(树上启发式合并/主席树)
  7. java gui 组件_Java GUI4：深入了解GUI组件
  8. jquery入门与实践案例教程
  9. Python程序打印字符串，从字符串中提取字符
  10. leetcode516. 最长回文子序列（动态规划）
  11. protobuf使用错误总结
  12. Excel两列数据比较，相同的保存在另外一列
  13. 关于线程协同的火车票售卖程序
  14. 关于EasyCVR平台Ehome协议接入设备出现停止启用现象的原因分析
  15. 从40,000到320,000美元，揭秘大型科技公司薪酬细节
  16. 水溶性CdSe/ZnS量子点（520nm）
  17. GDOI2018D2T1 谈笑风生
  18. 益阳安化高考2021成绩查询,2021年安化县高考状元名单资料,今年安化县高考状元多少分...
  19. Ext.TabPanel 各属性一览
  20. 你绝对不知道的17个Maya插件

热门文章

  1. 学习OLAP和多维数据集构建，并借此实现RLOAP数据模型案例分析
  2. centos7在编译hisi3518e_sdk时遇到的问题
  3. 快递 10 年，逆袭为王
  4. C语言程序设计教程（第三版）课后习题1.6
  5. android camera录像播放没有声音的问题
  6. ECS服务器快速迁移
  7. 请更换备份电池 pos机_POS机常见问题及处理方法
  8. 机器人行走的不同路径
  9. UVALIVE 7505 Hungry Game of Ants DP
  10. csdn markdown语言