admin管理员组文章数量:1622625
作者丨王方浩@知乎
来源丨https://zhuanlan.zhihu/p/382460472
编辑丨3D视觉工坊
LeGO-LOAM是一种激光雷达SLAM算法，对应的论文为《LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain》，同时有开源代码[1]。
下面我们将结合论文和代码对LeGO-LOAM做一个简单分析，LeGO-LOAM一共分为4个流程，代码结构上也大致按照这4个流程进行划分，因此接下来也会分4个章节来介绍LeGO-LOAM的算法流程。本章首先介绍LeGO-LOAM的主流程，然后重点介绍点云分割的流程。
LeGO-LOAM介绍
一开始以为LeGO-LOAM的LeGO是代表乐高积木，可以类似乐高积木的方式来搭建SLAM算法，直到看到论文才搞清楚，LeGO的Le表示轻量级（Lightweight），GO表示基于地面优化（Ground-Optimized）。也就是说LeGO-LOAM一是一个轻量级，基于地面优化的激光雷达SLAM算法。
LeGO-LOAM采用的硬件平台是Jackal UGV，整体的系统架构如下图。
LeGO-LOAM一共分为4个步骤。
1.Segmentation （filter out noise）
2.Feature Extraction（distinctive planar and edge features）
3.Lidar Odometry ：Label Matching, Two-step L-M Optimization
4.Lidar Mapping（pose-graph SLAM）
首先是对输入的原始点云进行点云分割（Segmentation），找到地面并且进行点云分割，接着对分割好的点云进行特征提取（Feature Extraction），找到面特征和边特征，提取出特征之后接下来进行特征匹配，并且输出位姿，最后对点云进行注册，生成全局地图，并且进行回环检测，对生成的地图进行优化。
接下来我们开始介绍点云分割。
点云分割
点云分割主要的流程是先进行地面提取，然后对剩下的点云进行分割，最后拿分割好的点云进行到下一步的特征提取。
由于机器人可能在复杂的环境中，小物体（例如树叶）可能会形成微不足道且不可靠的特征，因为在两次连续扫描中不太可能看到相同的树叶。为了提高效率和可靠性，分割的时候忽略了少于30个点的集群（实际上代码中也保留了5个以上点，并且横向线数大于3的集群）。
在这个过程之后，只保留可能代表大物体的点，例如树干和地面点以供进一步处理。下图中(a)是原始点云，(b)是分割后的点云，红色代表地面，剩余点是分割后的点云，可以看到去除了大量的噪音。
代码分析
点云分割对应的代码在"LeGO-LOAM/src/imageProjection.cpp"中，LeGO-LOAM的4个流程都是独立运行的ROS程序，入口函数如下
int main(int argc, char** argv){
ros::init(argc, argv, "lego_loam");
ImageProjection IP; // 工作主流程
ROS_INFO("\033[1;32m---->\033[0m Image Projection Started.");
ros::spin();
return 0;
}
主要的工作流程实际上在"ImageProjection IP"中，那么为什么没有任何函数执行就可以工作呢？实际上在ImageProjection类的构造函数中，创建了订阅消息和回调，这样只要ImageProjection类IP一创建就会执行构造函数，也就开启了发布订阅流程，在点云消息到来之后，就会触发点云处理回调。
我们接着看构造函数
ImageProjection():
nh("~"){
// 1. 点云回调，主要的工作流程
subLaserCloud = nh.subscribe<sensor_msgs::PointCloud2>(pointCloudTopic, 1, &ImageProjection::cloudHandler, this);
// 2. 以下为发布地面点云和分割好的点云
pubFullCloud = nh.advertise<sensor_msgs::PointCloud2> ("/full_cloud_projected", 1);
pubFullInfoCloud = nh.advertise<sensor_msgs::PointCloud2> ("/full_cloud_info", 1);
pubGroundCloud = nh.advertise<sensor_msgs::PointCloud2> ("/ground_cloud", 1);
pubSegmentedCloud = nh.advertise<sensor_msgs::PointCloud2> ("/segmented_cloud", 1);
pubSegmentedCloudPure = nh.advertise<sensor_msgs::PointCloud2> ("/segmented_cloud_pure", 1);
pubSegmentedCloudInfo = nh.advertise<cloud_msgs::cloud_info> ("/segmented_cloud_info", 1);
pubOutlierCloud = nh.advertise<sensor_msgs::PointCloud2> ("/outlier_cloud", 1);
nanPoint.x = std::numeric_limits<float>::quiet_NaN();
nanPoint.y = std::numeric_limits<float>::quiet_NaN();
nanPoint.z = std::numeric_limits<float>::quiet_NaN();
nanPoint.intensity = -1;
// 3. 申请资源
allocateMemory();
// 4. 初始化
resetParameters();
}
源码中在构造函数申请了资源，有些是智能指针，会自动释放资源，但是另外有4个数组不会，会产生资源泄露。最好在析构函数中进行资源释放。
直到这里才找到真正的点云处理函数，也就是点云的回调函数"cloudHandler"。cloudHandler的流程非常清晰，分为7步。
void cloudHandler(const sensor_msgs::PointCloud2ConstPtr& laserCloudMsg){
// 1. 将 ros 消息转换为 pcl 点云
copyPointCloud(laserCloudMsg);
// 2. 扫描的开始和结束角度
findStartEndAngle();
// 3. 距离图像投影
projectPointCloud();
// 4. 标记地面点云
groundRemoval();
// 5. 点云分割
cloudSegmentation();
// 6. 发布分割后的点云
publishCloud();
// 7. 为下一次迭代重置参数
resetParameters();
}
接下来我们逐步分析这7个过程，其中主要的过程是“3. 距离图像投影、4. 标记地面点云和5. 点云分割”
1. copyPointCloud
将 ros 消息转换为 pcl 点云，这里对velodyne的lidar做了区分处理，以16线雷达为例，激光雷达通过16根雷达光束进行旋转扫描，从而得到一周360°的点云。velodyne的lidar对点云属于16线中的哪一线做了标记，这个标记被称为Ring index，其中的Ring表示环的意思。如果不是velodyne的lidar后面会通过计算得出点云属于哪个线束。因此保存点云的时候分别保存为"laserCloudIn"和"laserCloudInRing"中。
void copyPointCloud(const sensor_msgs::PointCloud2ConstPtr& laserCloudMsg){
// 1. 读取ROS点云转换为PCL点云
cloudHeader = laserCloudMsg->header;
// cloudHeader.stamp = ros::Time::now(); // Ouster lidar users may need to uncomment this line
pcl::fromROSMsg(*laserCloudMsg, *laserCloudIn);
// 2. 去除点云中的Nan points
std::vector<int> indices;
pcl::removeNaNFromPointCloud(*laserCloudIn, *laserCloudIn, indices);
// 3. 如果点云有"ring"通过，则保存为laserCloudInRing
if (useCloudRing == true){
pcl::fromROSMsg(*laserCloudMsg, *laserCloudInRing);
if (laserCloudInRing->is_dense == false) {
ROS_ERROR("Point cloud is not in dense format, please remove NaN points first!");
ros::shutdown();
}
}
}
2. findStartEndAngle*
查找起始角度和终止角度，这里的角度是激光雷达旋转一周的起始角度和终止角度，选取的起点是points[0]，选取的终点是points[laserCloudIn->points.size() - 1]，是否是说点云是按照顺序排列的呢？另外这里最后一个点并不一定是最大角度。
此外还对x,y进行了坐标转换，关于这一步的结果会在特征提取中用到。
void findStartEndAngle(){
// start and end orientation of this cloud
segMsg.startOrientation = -atan2(laserCloudIn->points[0].y, laserCloudIn->points[0].x);
segMsg.endOrientation = -atan2(laserCloudIn->points[laserCloudIn->points.size() - 1].y,
laserCloudIn->points[laserCloudIn->points.size() - 1].x) + 2 * M_PI;
if (segMsg.endOrientation - segMsg.startOrientation > 3 * M_PI) {
segMsg.endOrientation -= 2 * M_PI;
} else if (segMsg.endOrientation - segMsg.startOrientation < M_PI)
segMsg.endOrientation += 2 * M_PI;
segMsg.orientationDiff = segMsg.endOrientation - segMsg.startOrientation;
}
3. projectPointCloud
这一步把点云投影到RangeImage上，也就是说得到的原始点云是一个球形，我们把球形投影到一个圆柱体上然后把它展开，下图是一个简单的示例。
以16线激光为例，转换的range图，长为16，宽为旋转一周的采样次数，这里为1800，因此最后得到的是16*1800的图像。这个图像可以用数组表示，其中的坐标为x,y，而z会转换为深度信息，最后转换好的rangeImage效果如下图，类似一个深度图。
了解了原理之后我们下面开始分析代码
void projectPointCloud(){
// range image projection
float verticalAngle, horizonAngle, range;
size_t rowIdn, columnIdn, index, cloudSize;
PointType thisPoint;
cloudSize = laserCloudIn->points.size();
// 1. 遍历点云
for (size_t i = 0; i < cloudSize; ++i){
thisPoint.x = laserCloudIn->points[i].x;
thisPoint.y = laserCloudIn->points[i].y;
thisPoint.z = laserCloudIn->points[i].z;
// 2.1 如果有ring index则直接采用
if (useCloudRing == true){
rowIdn = laserCloudInRing->points[i].ring;
}
else{
// 2.2 如果没有则通过计算角度得到index
verticalAngle = atan2(thisPoint.z, sqrt(thisPoint.x * thisPoint.x + thisPoint.y * thisPoint.y)) * 180 / M_PI;
rowIdn = (verticalAngle + ang_bottom) / ang_res_y;
}
if (rowIdn < 0 || rowIdn >= N_SCAN)
continue;
horizonAngle = atan2(thisPoint.x, thisPoint.y) * 180 / M_PI;
// 3. 计算横坐标
columnIdn = -round((horizonAngle-90.0)/ang_res_x) + Horizon_SCAN/2;
if (columnIdn >= Horizon_SCAN)
columnIdn -= Horizon_SCAN;
if (columnIdn < 0 || columnIdn >= Horizon_SCAN)
continue;
// 4. 计算距离，如果小于1M则过滤掉，通常用来过滤自身形成的点云
range = sqrt(thisPoint.x * thisPoint.x + thisPoint.y * thisPoint.y + thisPoint.z * thisPoint.z);
if (range < sensorMinimumRange)
continue;
// 5. 保存距离到矩阵rangeMat
rangeMat.at<float>(rowIdn, columnIdn) = range;
// 6. 这里的强度实际上为了保持纵坐标和横坐标
thisPoint.intensity = (float)rowIdn + (float)columnIdn / 10000.0;
// 7. 把点云保存到数组，fullCloud的强度为横纵坐标，fullInfoCloud中的为距离
index = columnIdn + rowIdn * Horizon_SCAN;
fullCloud->points[index] = thisPoint;
fullInfoCloud->points[index] = thisPoint;
fullInfoCloud->points[index].intensity = range; // the corresponding range of a point is saved as "intensity"
}
}
4. groundRemoval
接下来的处理都是基于rangeImage，去除地面的过程如下，对rangeImage中行Ringindex小于7的点进行地面检测，如果是32线雷达，则是20以下的，所以这里是利用了Lidar的先验知识。
检测地面是判断rangeImage中的点和它相邻纵向的点的角度是否小于10°，如果小于10°则表示为地面。
void groundRemoval(){
size_t lowerInd, upperInd;
float diffX, diffY, diffZ, angle;
// groundMat
// -1, no valid info to check if ground of not
// 0, initial value, after validation, means not ground
// 1, ground
// 1. 遍历小于7的点
for (size_t j = 0; j < Horizon_SCAN; ++j){
for (size_t i = 0; i < groundScanInd; ++i){
lowerInd = j + ( i )*Horizon_SCAN;
upperInd = j + (i+1)*Horizon_SCAN;
if (fullCloud->points[lowerInd].intensity == -1 ||
fullCloud->points[upperInd].intensity == -1){
// no info to check, invalid points
groundMat.at<int8_t>(i,j) = -1;
continue;
}
diffX = fullCloud->points[upperInd].x - fullCloud->points[lowerInd].x;
diffY = fullCloud->points[upperInd].y - fullCloud->points[lowerInd].y;
diffZ = fullCloud->points[upperInd].z - fullCloud->points[lowerInd].z;
// 2. 计算垂直的2个点的夹角
angle = atan2(diffZ, sqrt(diffX*diffX + diffY*diffY) ) * 180 / M_PI;
// 3. 如果小于10°则表示为地面
if (abs(angle - sensorMountAngle) <= 10){
groundMat.at<int8_t>(i,j) = 1;
groundMat.at<int8_t>(i+1,j) = 1;
}
}
}
// extract ground cloud (groundMat == 1)
// mark entry that doesn't need to label (ground and invalid point) for segmentation
// note that ground remove is from 0~N_SCAN-1, need rangeMat for mark label matrix for the 16th scan
// 4. 如果为地面或者rangeMat为空，则标记为-1，后面去除这些点
for (size_t i = 0; i < N_SCAN; ++i){
for (size_t j = 0; j < Horizon_SCAN; ++j){
if (groundMat.at<int8_t>(i,j) == 1 || rangeMat.at<float>(i,j) == FLT_MAX){
labelMat.at<int>(i,j) = -1;
}
}
}
// 5. 这一步主要是为了发布地面点云
if (pubGroundCloud.getNumSubscribers() != 0){
for (size_t i = 0; i <= groundScanInd; ++i){
for (size_t j = 0; j < Horizon_SCAN; ++j){
if (groundMat.at<int8_t>(i,j) == 1)
groundCloud->push_back(fullCloud->points[j + i*Horizon_SCAN]);
}
}
}
}
5. cloudSegmentation
在去除地面之后，对接下来的点进行分割。这里递归进行分割，从[0,0]点开始，遍历它前后左右的4个点，分别进行对比，如果相对角度大于60°，则标记为有用的分割。最后分割的点的数量大于30个则有效（实际上大于5个可能也行）。
这里对cloudSegmentation拆分成2部分进行介绍，先进行标记labelComponents，也就是递归找到特征比较明显的点。
void cloudSegmentation(){
// segmentation process
for (size_t i = 0; i < N_SCAN; ++i)
for (size_t j = 0; j < Horizon_SCAN; ++j)
// 1. 如果没有标记过，则遍历该节点（递归调用）
if (labelMat.at<int>(i,j) == 0)
labelComponents(i, j);
下面来我们先分析labelComponents，然后再继续介绍cloudSegmentation。
作者说用vector和deque会变慢速度，不知道是不是数组的动态扩展导致的（当预先分配的vector大小不够时候，会重新malloc2倍的大小，然后把原先的数组拷贝过去，系统自动完成），如果设置固定大小，我认为不会导致明显的性能下降。这里作者用4个数组来代替了queue的操作，看起来有点别扭。
void labelComponents(int row, int col){
// use std::queue std::vector std::deque will slow the program down greatly
float d1, d2, alpha, angle;
int fromIndX, fromIndY, thisIndX, thisIndY;
bool lineCountFlag[N_SCAN] = {false};
queueIndX[0] = row;
queueIndY[0] = col;
int queueSize = 1;
int queueStartInd = 0;
int queueEndInd = 1;
allPushedIndX[0] = row;
allPushedIndY[0] = col;
int allPushedIndSize = 1;
// 1. 初始值为[row, col]，长度为1
while(queueSize > 0){
// Pop point
fromIndX = queueIndX[queueStartInd];
fromIndY = queueIndY[queueStartInd];
--queueSize;
++queueStartInd;
// Mark popped point
labelMat.at<int>(fromIndX, fromIndY) = labelCount;
// Loop through all the neighboring grids of popped grid
// 2.遍历前后左右4个点，计算角度差
for (auto iter = neighborIterator.begin(); iter != neighborIterator.end(); ++iter){
// new index
thisIndX = fromIndX + (*iter).first;
thisIndY = fromIndY + (*iter).second;
// index should be within the boundary
if (thisIndX < 0 || thisIndX >= N_SCAN)
continue;
// at range image margin (left or right side)
if (thisIndY < 0)
thisIndY = Horizon_SCAN - 1;
if (thisIndY >= Horizon_SCAN)
thisIndY = 0;
// prevent infinite loop (caused by put already examined point back)
if (labelMat.at<int>(thisIndX, thisIndY) != 0)
continue;
d1 = std::max(rangeMat.at<float>(fromIndX, fromIndY),
rangeMat.at<float>(thisIndX, thisIndY));
d2 = std::min(rangeMat.at<float>(fromIndX, fromIndY),
rangeMat.at<float>(thisIndX, thisIndY));
// 2.1 纵向角度和横向角度
if ((*iter).first == 0)
alpha = segmentAlphaX;
else
alpha = segmentAlphaY;
angle = atan2(d2*sin(alpha), (d1 -d2*cos(alpha)));
// 2.2 如果角度大于60度
if (angle > segmentTheta){
queueIndX[queueEndInd] = thisIndX;
queueIndY[queueEndInd] = thisIndY;
++queueSize;
++queueEndInd;
labelMat.at<int>(thisIndX, thisIndY) = labelCount;
lineCountFlag[thisIndX] = true;
allPushedIndX[allPushedIndSize] = thisIndX;
allPushedIndY[allPushedIndSize] = thisIndY;
++allPushedIndSize;
}
}
}
// check if this segment is valid
bool feasibleSegment = false;
// 3. 如果点大于30个，认为成功
if (allPushedIndSize >= 30)
feasibleSegment = true;
// 4. 如果点大于5个，并且横跨3个纵坐标，认为成功
else if (allPushedIndSize >= segmentValidPointNum){
int lineCount = 0;
for (size_t i = 0; i < N_SCAN; ++i)
if (lineCountFlag[i] == true)
++lineCount;
if (lineCount >= segmentValidLineNum)
feasibleSegment = true;
}
// segment is valid, mark these points
// 5. 如果为真，则labelCount加1，labelCount代表分割为了多少个簇
if (feasibleSegment == true){
++labelCount;
}else{ // segment is invalid, mark these points
// 6. 如果为假，那么标记为999999
for (size_t i = 0; i < allPushedIndSize; ++i){
labelMat.at<int>(allPushedIndX[i], allPushedIndY[i]) = 999999;
}
}
}
接下来继续分析cloudSegmentation，主要是根据上述标记好的点云，生成分割好的点云。
int sizeOfSegCloud = 0;
// extract segmented cloud for lidar odometry
for (size_t i = 0; i < N_SCAN; ++i) {
segMsg.startRingIndex[i] = sizeOfSegCloud-1 + 5;
for (size_t j = 0; j < Horizon_SCAN; ++j) {
if (labelMat.at<int>(i,j) > 0 || groundMat.at<int8_t>(i,j) == 1){
// outliers that will not be used for optimization (always continue)
// 1. 如果label为999999则跳过
if (labelMat.at<int>(i,j) == 999999){
if (i > groundScanInd && j % 5 == 0){
outlierCloud->push_back(fullCloud->points[j + i*Horizon_SCAN]);
continue;
}else{
continue;
}
}
// majority of ground points are skipped
// 2. 如果为地，跳过index不是5的倍数的点
if (groundMat.at<int8_t>(i,j) == 1){
if (j%5!=0 && j>5 && j<Horizon_SCAN-5)
continue;
}
// 3. 这里有可能是地面，也有可能是分割之后的点
// mark ground points so they will not be considered as edge features later
segMsg.segmentedCloudGroundFlag[sizeOfSegCloud] = (groundMat.at<int8_t>(i,j) == 1);
// mark the points' column index for marking occlusion later
segMsg.segmentedCloudColInd[sizeOfSegCloud] = j;
// save range info
segMsg.segmentedCloudRange[sizeOfSegCloud] = rangeMat.at<float>(i,j);
// save seg cloud
segmentedCloud->push_back(fullCloud->points[j + i*Horizon_SCAN]);
// size of seg cloud
++sizeOfSegCloud;
}
}
segMsg.endRingIndex[i] = sizeOfSegCloud-1 - 5;
}
// extract segmented cloud for visualization
// 4. 分割后的点云，不包含地面
if (pubSegmentedCloudPure.getNumSubscribers() != 0){
for (size_t i = 0; i < N_SCAN; ++i){
for (size_t j = 0; j < Horizon_SCAN; ++j){
if (labelMat.at<int>(i,j) > 0 && labelMat.at<int>(i,j) != 999999){
segmentedCloudPure->push_back(fullCloud->points[j + i*Horizon_SCAN]);
segmentedCloudPure->points.back().intensity = labelMat.at<int>(i,j);
}
}
}
}
}
6. publishCloud
接下来就是发布分割好的点云，这个函数非常简单，主要是要搞清楚各个点云的作用，代码如下
void publishCloud(){
// 1. Publish Seg Cloud Info
// 1. 发布点云，包括采样后的地面和分割后的点云
segMsg.header = cloudHeader;
pubSegmentedCloudInfo.publish(segMsg);
// 2. Publish clouds
// 2. 发布离群后的点云
sensor_msgs::PointCloud2 laserCloudTemp;
pcl::toROSMsg(*outlierCloud, laserCloudTemp);
laserCloudTemp.header.stamp = cloudHeader.stamp;
laserCloudTemp.header.frame_id = "base_link";
pubOutlierCloud.publish(laserCloudTemp);
// segmented cloud with ground
// 3. 同1
pcl::toROSMsg(*segmentedCloud, laserCloudTemp);
laserCloudTemp.header.stamp = cloudHeader.stamp;
laserCloudTemp.header.frame_id = "base_link";
pubSegmentedCloud.publish(laserCloudTemp);
// projected full cloud
// 4. rangeimage投影后的点云
if (pubFullCloud.getNumSubscribers() != 0){
pcl::toROSMsg(*fullCloud, laserCloudTemp);
laserCloudTemp.header.stamp = cloudHeader.stamp;
laserCloudTemp.header.frame_id = "base_link";
pubFullCloud.publish(laserCloudTemp);
}
// original dense ground cloud
// 5. 地面点云
if (pubGroundCloud.getNumSubscribers() != 0){
pcl::toROSMsg(*groundCloud, laserCloudTemp);
laserCloudTemp.header.stamp = cloudHeader.stamp;
laserCloudTemp.header.frame_id = "base_link";
pubGroundCloud.publish(laserCloudTemp);
}
// segmented cloud without ground
// 6. 分割后的点云，不包含地面
if (pubSegmentedCloudPure.getNumSubscribers() != 0){
pcl::toROSMsg(*segmentedCloudPure, laserCloudTemp);
laserCloudTemp.header.stamp = cloudHeader.stamp;
laserCloudTemp.header.frame_id = "base_link";
pubSegmentedCloudPure.publish(laserCloudTemp);
}
// projected full cloud info
// 7. rangeimage投影后的点云
if (pubFullInfoCloud.getNumSubscribers() != 0){
pcl::toROSMsg(*fullInfoCloud, laserCloudTemp);
laserCloudTemp.header.stamp = cloudHeader.stamp;
laserCloudTemp.header.frame_id = "base_link";
pubFullInfoCloud.publish(laserCloudTemp);
}
}
7. resetParameters
最后一步是清空临时变量，没有太多需要说明的。
void resetParameters(){
laserCloudIn->clear();
groundCloud->clear();
segmentedCloud->clear();
segmentedCloudPure->clear();
outlierCloud->clear();
rangeMat = cv::Mat(N_SCAN, Horizon_SCAN, CV_32F, cv::Scalar::all(FLT_MAX));
groundMat = cv::Mat(N_SCAN, Horizon_SCAN, CV_8S, cv::Scalar::all(0));
labelMat = cv::Mat(N_SCAN, Horizon_SCAN, CV_32S, cv::Scalar::all(0));
labelCount = 1;
std::fill(fullCloud->points.begin(), fullCloud->points.end(), nanPoint);
std::fill(fullInfoCloud->points.begin(), fullInfoCloud->points.end(), nanPoint);
}
总结
至此整个LeGO-LOAM点云分割的部分就介绍完毕了，如果需要自己适配，需要关注下"LeGO-LOAM/include/utility.h"中不同型号Lidar的参数，比如夹角和地面查找的线束。
下一章，我们会接着介绍特征提取。
参考
https://github/RobustFieldAutonomyLab/LeGO-LOAM
本文仅做学术分享，如有侵权，请联系删文。
下载1
在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、orb-slam3等视频课程）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~
版权声明：本文标题：一文详解LeGO-LOAM中的点云分割 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/xitong/1728871431a1177319.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论