之前在微信公眾號(hào)中更新了以下幾個(gè)章節(jié)
1，如何學(xué)習(xí)PCL以及一些基礎(chǔ)的知識(shí)
2，PCL中IO口以及common模塊的介紹
3,? PCL中常用的兩種數(shù)據(jù)結(jié)構(gòu)KDtree以及Octree樹的介紹

有興趣的小伙伴可以查閱歷史文章，同時(shí)也歡迎小伙伴們積極分享與公眾號(hào)主題相關(guān)的文章。在公眾號(hào)的菜單欄開放了企業(yè)招聘。有需要的可以按要求發(fā)布招聘信息，你也可以把身邊的HR推薦給群主，參與進(jìn)來。

摘要

三維點(diǎn)云分割是將同屬性的點(diǎn)云物體分割出來，以便于單獨(dú)對(duì)該點(diǎn)云物體處理，但是由于點(diǎn)云數(shù)據(jù)是一種高冗余度，且不均勻的數(shù)據(jù)結(jié)構(gòu)，所以點(diǎn)云分割具有一定挑戰(zhàn)性。

點(diǎn)云庫于(PCL)2011年推出以來，得到行業(yè)廣泛的應(yīng)用，該庫包含了最先進(jìn)的3D感知算法，并包含了LIDAR和三維掃描儀的接口，這使得點(diǎn)云庫PCL在機(jī)器人領(lǐng)域持續(xù)不斷的發(fā)展壯大起來。至今為止已經(jīng)更新到了1.9.1版本。在圖像分割中常常用到前景與背景的分割處理，而在點(diǎn)云處理中，對(duì)于給定點(diǎn)云數(shù)據(jù)，分割的目標(biāo)是將具有相似特征的點(diǎn)聚類成均勻區(qū)域，根據(jù)分割結(jié)果應(yīng)用于各個(gè)方面的場(chǎng)景分析，一般的方法時(shí)根據(jù)輸入點(diǎn)云的網(wǎng)格構(gòu)建圖形，使用邊界線的法線，平滑度或者是凹凸性等信息進(jìn)行聚類分割，在文章【1】中調(diào)查了分割的方法有：凹凸性分割，分水嶺分析，層次聚類，區(qū)域增長以及頻譜聚類。這些方法不僅是應(yīng)用圖像，也廣泛的應(yīng)用于點(diǎn)云數(shù)據(jù)的分割。

在計(jì)算機(jī)視覺中，2D圖像的分割是一個(gè)很經(jīng)典的問題，并且已經(jīng)有著十幾年的研究歷史，其中基于傳統(tǒng)的方法比較流行有Graph Cuts[2],包含了Normalized Cuts和Min Cuts 這些方法的思想同樣適應(yīng)于3D點(diǎn)云的分割，并且這部分內(nèi)容在PCL中都已經(jīng)開源。

1.點(diǎn)云分割算法的屬性?

(1)魯棒性，比如樹木是具有與汽車相區(qū)別的特征的，當(dāng)點(diǎn)云數(shù)據(jù)的特征數(shù)量增加時(shí)，分割算法應(yīng)該具有一定的魯棒性，能夠?qū)W習(xí)如何自動(dòng)的區(qū)分它們。

(2)其次分割應(yīng)該能夠根據(jù)其相鄰的信息推斷出稀疏點(diǎn)云中這些點(diǎn)的屬性或者判定出屬于哪個(gè)標(biāo)簽。

(3)分割算法應(yīng)該能適用于不同的掃描器，即便是相同的場(chǎng)景在不同的掃描儀生成出的點(diǎn)云也是具有不同的屬性的，并且產(chǎn)生點(diǎn)云的質(zhì)量以及稀疏性的也是不一樣的。

2.點(diǎn)云分割的挑戰(zhàn)?

點(diǎn)云數(shù)據(jù)雖然可以確定3D對(duì)象的形狀，大小和一些其他屬性，但是3D點(diǎn)云通常由于傳感器的限制，數(shù)據(jù)是嘈雜稀疏且無序的，比如激光雷達(dá)線性和角速率的變化，點(diǎn)的采集密度也是不均勻的，此外點(diǎn)云數(shù)據(jù)的表面形狀可以是任意的，是沒有數(shù)據(jù)統(tǒng)計(jì)分布呈現(xiàn)出來的。所以這就給點(diǎn)云的分割帶來一系列的問題。

3.數(shù)據(jù)集介紹：

Example scenes of (a) Cornell RGBD dataset, (b) VMR-Oakland dataset, ? KITTI dataset, and (d) Robotic 3D Scan Repository

如圖1 這些數(shù)據(jù)可分為兩類：Kinect捕獲的室內(nèi)數(shù)據(jù)集，以及由激光掃描儀(比如lidar)捕獲的室外數(shù)據(jù)集，將分割算法應(yīng)用于這些公共數(shù)據(jù)集使研究者們更加的了解分割算法的優(yōu)缺點(diǎn)。

(1)Cornell RGBD數(shù)據(jù)集： 該數(shù)據(jù)集具有52個(gè)標(biāo)簽的具有RGB值的點(diǎn)云的室內(nèi)場(chǎng)(24個(gè)標(biāo)記為辦公場(chǎng)景和28個(gè)標(biāo)記的家庭場(chǎng)景)。使用RGBDSLAM [45]從原始RGB-D圖像創(chuàng)建點(diǎn)云數(shù)據(jù)。該數(shù)據(jù)集由大約550個(gè)視圖組成，具有2495個(gè)標(biāo)簽對(duì)應(yīng)著27個(gè)種類的物體。

(2)VMR-Oakland數(shù)據(jù)集： 該數(shù)據(jù)集是通過移動(dòng)平臺(tái)從CMU園區(qū)收集的帶有標(biāo)記點(diǎn)云數(shù)據(jù)。使用激光掃描儀收集點(diǎn)云并以文本格式保存，每行中寫入三個(gè)實(shí)值坐標(biāo)。并且提供訓(xùn)練集，和測(cè)試集。

(3) KITTI數(shù)據(jù)集：該數(shù)據(jù)集包括由360°Velodyne激光掃描儀捕獲的大量無組織點(diǎn)云數(shù)據(jù)。它是具有手動(dòng)標(biāo)記真值框的，如汽車，行人，電車，卡車和自行車等戶外的真值邊界框，用于訓(xùn)練集。

(4)Robotic 3D Scan Repository： 該數(shù)據(jù)集為室內(nèi)和室外環(huán)境提供3D點(diǎn)云數(shù)據(jù)集的集合。一些數(shù)據(jù)集包括熱量和顏色信息。這是3D點(diǎn)云數(shù)據(jù)的巨大集合，不僅可用于分割，還可用于不同其他算法使用。但是，這些數(shù)據(jù)集尚未標(biāo)記，在將它們用作分割算法的輸入之前，可能是需要預(yù)處理步驟。

4.點(diǎn)云分割算法介紹?

接下里將介紹五種傳統(tǒng)的分割算法：基于邊緣的方法，基于區(qū)域的方法，基于屬性的方法，基于模型的方法和基于圖優(yōu)化的方法。

01

基于邊緣的方法：邊緣是描述點(diǎn)云物體形狀的基本特征，這種方法檢測(cè)點(diǎn)云一些區(qū)域的邊界來獲取分割區(qū)域，這些方法的原理是定位出邊緣點(diǎn)的強(qiáng)度變化，論文【2】提出了一種邊緣檢測(cè)技術(shù)，通過計(jì)算梯度，檢測(cè)表面上單位法向量方向的變化來擬合線段。論文【3】是基于掃描線的分組進(jìn)行快速分割，基于邊緣的方法雖然分割速度比較快但是準(zhǔn)確度不能保證，因?yàn)檫吘墝?duì)于噪聲和不均勻的或稀疏的點(diǎn)云非常敏感。

02

基于區(qū)域分割方法：基于區(qū)域的方法使用鄰域信息來將具有相似屬性的附近點(diǎn)歸類，以獲得到分割區(qū)域，并區(qū)分出不同區(qū)域之間的差異性。基于區(qū)域的方法比基于邊緣的方法更準(zhǔn)確。但是他們?cè)诜指钸^度或不足以及在如何準(zhǔn)確確定區(qū)域邊界方面存在問題。研究者們將基于區(qū)域的方法分為兩類：種子區(qū)域(或自下而上)方法和非種子區(qū)域(或自上而下)方法。

種子區(qū)域方法：?基于種子的區(qū)域分割通過選擇多個(gè)種子點(diǎn)來開始做分割，從這些種子點(diǎn)為起始點(diǎn)，通過添加種子的鄰域點(diǎn)的方式逐漸形成點(diǎn)云區(qū)域，最初的算法是有論文【4】提出來，該算法主要包含了兩個(gè)步驟：

(1)基于每個(gè)點(diǎn)的曲率識(shí)別種子點(diǎn)，

(2)根據(jù)預(yù)定標(biāo)準(zhǔn)，該標(biāo)準(zhǔn)可以是點(diǎn)的相似度和點(diǎn)云的表面的相似度來生長種子點(diǎn)。

這種方法對(duì)噪聲點(diǎn)也非常敏感，并且耗時(shí)。但后續(xù)有很多基于這種方法的改進(jìn)，比如對(duì)于激光雷達(dá)數(shù)據(jù)的區(qū)域增長的方法，提出了基于種子點(diǎn)的法向量和與生長平面的距離來生長種子點(diǎn)。種子區(qū)域方法高度依賴于選定的種子點(diǎn)。不準(zhǔn)確選擇種子點(diǎn)會(huì)影響分割過程，并可能導(dǎo)致分割不足或過度。選擇種子點(diǎn)以及控制生長過程是耗時(shí)的。分割結(jié)果可能對(duì)所選的兼容性閾值敏感。另一個(gè)困難是決定是否在給定區(qū)域中添加點(diǎn)，因?yàn)檫@種方法對(duì)點(diǎn)云的噪聲也很敏感。

非種子區(qū)域方法：?這種方法時(shí)基于自上而下的方法。首先，所有點(diǎn)都分為一個(gè)區(qū)域。然后細(xì)分過程開始將其劃分為更小的區(qū)域。論文【5】使用這種方法指導(dǎo)聚類平面區(qū)域的過程，以重建建筑物的完整幾何形狀。該工作引入了基于局部區(qū)域的置信率為平面的分割方法。這種方法的局限性在于它也會(huì)可能過度分割，并且在分割其他對(duì)象(例如樹)時(shí)它不能很好地執(zhí)行。非種子區(qū)域方法的主要困難是決定細(xì)分的位置和方式。這些方法的另一個(gè)限制是它們需要大量的先驗(yàn)知識(shí)(例如，對(duì)象模型，區(qū)域數(shù)量等)，然后這些未知的先驗(yàn)知識(shí)在復(fù)雜場(chǎng)景中通常是未知的。

03

基于屬性的方法：該方法是基于點(diǎn)云數(shù)據(jù)的屬性的一種魯棒性較好的分割方法，這種方法一般包括了兩個(gè)單獨(dú)的步驟：

第一步，基于屬性的計(jì)算。

第二步，將根據(jù)計(jì)算點(diǎn)的屬性進(jìn)行聚類，這種聚類方法一般能適應(yīng)空間關(guān)系和點(diǎn)云的各種屬性，最終將不同的屬性的點(diǎn)云分割出來，但是這種方法局限性在于他們高度依賴派生屬性的質(zhì)量所以要求第一步能夠精確的計(jì)算點(diǎn)云數(shù)據(jù)的屬性，這樣才會(huì)在第二步中根據(jù)屬性的類別分割出最佳的效果。

論文【6】則是這種方法實(shí)現(xiàn)的，提出了一種基于特征空間聚類分析方法，在該方法中，使用一種自適應(yīng)斜率的鄰域系統(tǒng)導(dǎo)出法向量，使用點(diǎn)云數(shù)據(jù)的屬性，例如距離，點(diǎn)密度，點(diǎn)在水平或者垂直方向的分布，來定義測(cè)量點(diǎn)之間的領(lǐng)域，然后將每個(gè)方向上的法向量的斜率和點(diǎn)鄰域的數(shù)據(jù)之差作為聚類的屬性，這種方法可以消除異常值和噪聲的影響，基于屬性的方法是將點(diǎn)云分割相同屬性區(qū)域的高效方法，并且分割的結(jié)果靈活而準(zhǔn)確。然而，這些方法依賴于點(diǎn)之間鄰域的定義和點(diǎn)云數(shù)據(jù)的點(diǎn)密度。當(dāng)處理大量輸入點(diǎn)的多維屬性時(shí)，這種方法的另一個(gè)限制是比較耗時(shí)。

04

基于模型的方法：該方法時(shí)基于幾何的形狀比如球形，圓錐，平面和圓柱形來對(duì)點(diǎn)云進(jìn)行分組，那么根據(jù)這些幾個(gè)形狀，具有相同的數(shù)學(xué)表示的點(diǎn)將會(huì)被分割為同一組點(diǎn)，論文【7】中引入了一種眾所周知的算法RANSAC(RANdom SAmple Consensus),RANSAC是強(qiáng)大的模型，用于檢測(cè)直線，圓等數(shù)學(xué)特征，這種應(yīng)用極為廣泛且可以認(rèn)為是模型擬合的最先進(jìn)技術(shù)，在3D點(diǎn)云的分割中需要改進(jìn)的方法都是繼承了這種方法。基于模型的方法具有純粹的數(shù)學(xué)原理，快速且強(qiáng)大，具有異值性，這種方法的主要局限性在于處理不同點(diǎn)云是的不準(zhǔn)確性。這種方法在點(diǎn)云庫中已經(jīng)實(shí)現(xiàn)了基于線，平面，圓等各種模型。

05

基于圖優(yōu)化的方法：圖優(yōu)化的方法在機(jī)器人的應(yīng)用中十分流行，眾所周知的方法是FH算法【7】，該方法簡(jiǎn)單且高效，并且像Kruskal算法一樣用于在圖中查找最小生成樹。許多基于圖的方法的工作被投入到概率推理模型中，例如條件隨機(jī)場(chǎng)(CRF)，使用CRF標(biāo)記具有不同幾何表面基元的點(diǎn)的方法。基于圖優(yōu)化的方法在復(fù)雜的城市環(huán)境中成功地分割點(diǎn)云，具有接近實(shí)時(shí)的性能。為了與其他方法進(jìn)行比較，基于圖形的方法可以對(duì)點(diǎn)云數(shù)據(jù)中的復(fù)雜場(chǎng)景進(jìn)但是，這些方法通常無法實(shí)時(shí)運(yùn)行。其中一些可能需要離線訓(xùn)練等步驟

5.總結(jié)?

以上將分割方法分為五類。但是，一般來說，有兩種基本方法。

第一種方法使用純數(shù)學(xué)模型和幾何推理技術(shù)，如區(qū)域增長或模型擬合，將線性和非線性模型擬合到點(diǎn)云數(shù)據(jù)。這種方法允許快速運(yùn)行時(shí)間能實(shí)現(xiàn)良好的結(jié)果。這種方法的局限性在于在擬合物體時(shí)難以選擇模型的大小，對(duì)噪聲敏感并且在復(fù)雜場(chǎng)景中不能很好地工作。

第二種方法使用特征描述子的方法從點(diǎn)云數(shù)據(jù)中提取3D特征，并使用機(jī)器學(xué)習(xí)技術(shù)來學(xué)習(xí)不同類別的對(duì)象類型，然后使用結(jié)果模型對(duì)所獲取的數(shù)據(jù)進(jìn)行分類。在復(fù)雜場(chǎng)景中，機(jī)器學(xué)習(xí)技術(shù)將優(yōu)于純粹基于幾何推理的技術(shù)。原因是由于噪聲，密度不均勻，點(diǎn)云數(shù)據(jù)中的遮擋，很難找到并將復(fù)雜的幾何圖元擬合到物體上。雖然機(jī)器學(xué)習(xí)技術(shù)可以提供更好的結(jié)果，但它們通常很慢并且依賴于特征提取過程的結(jié)果。

以上的這些算法在PCL的都已經(jīng)實(shí)現(xiàn)且都有現(xiàn)成的demo可以查看效果。

6.PCL點(diǎn)云中的分割模塊?

該模塊是在以上基本模塊的基礎(chǔ)上進(jìn)行的研究，比如如何將點(diǎn)云數(shù)據(jù)構(gòu)造成kdtree或者Octree結(jié)構(gòu)使用FLANN(最近鄰搜索)的方式尋找點(diǎn)與周圍見之間的關(guān)系。

在PCL常用的聚類分割的類有以下幾種：

class pcl::ConditionalEuclideanClustering< PointT >

該類實(shí)現(xiàn)了用于設(shè)定的條件的歐式聚類的分類算法。

class pcl::CPCSegmentation< PointT >
對(duì)超體素圖進(jìn)行分割的分割算法。它使用局部凹度引起的平面切割進(jìn)行遞歸分割。使用局部約束的有向RANSAC進(jìn)行分割。

CPC分割與LCCP分割是繼承的關(guān)系 ，具體論文【9】。

class pcl::EuclideanClusterExtraction< PointT >

歐幾里得聚類提取是歐幾里得意義上的聚類獲取分割的點(diǎn)云類。

class pcl::LabeledEuclideanClusterExtraction< PointT >

labeledeuclidenclusterextraction表示一個(gè)分段類，用于歐幾里得意義上的帶有標(biāo)簽信息的聚類提取，

class pcl::ExtractPolygonalPrismData< PointT >

ExtractPolygonalPrismData使用一組表示平面模型的點(diǎn)索引，并與給定的高度一起生成三維多邊形棱柱。然后使用多邊形棱柱分割位于其內(nèi)部的所有點(diǎn)。

class pcl::GrabCut< PointT >

實(shí)現(xiàn)了GrabCut分割。

class pcl::segmentation::detail::RandomWalker< Graph, EdgeWeightMap, VertexColorMap >

實(shí)現(xiàn)隨機(jī)行走的優(yōu)化的分割方法，論文【10】

class pcl::LCCPSegmentation< PointT >

一種簡(jiǎn)單的分割算法，將一個(gè)超體素圖分割成由凹邊界分隔的局部凸連接超體素組，論文【11】

class pcl::SACSegmentationFromNormals< PointT, PointNT >

結(jié)合點(diǎn)云的數(shù)據(jù)表面的法向量使用RANSAC方法的分割。

class pcl::SupervoxelClustering< PointT >

實(shí)現(xiàn)基于體素結(jié)構(gòu)、法線和RGB值的超體素算法。論文【12】。

【1】A. Shamir, Segmentation and shape extraction of 3D boundary meshes (state of the art report), in Eurographics, 2006

【2】 B. Bhanu, S. Lee,C. Ho, and T. Henderson, Range data processing:Representation of surfaces by edges. In proc.int. Pattern recognition conf, 1896

【3】X.Y. Jiang, H. Bunke, and U. Meier, Fast range image segmentation using high level segmentation primitives, In 3rd IEEE Workshop on Applications of Compute Vision, USA, 1996

【4】P.J. Besl, R.C. Jain, Segmentation through variable order surface fitting, IEEE Transaction on Pattern Analysis and Machine Intelligence 10, 1988.

【5】J. Chen, B.Chen, Architectural modeling from sparsely scanned range data. Int. J. Comput. Vision 78, 2008.

【6】S. Filin, N. Pfeifer, Segmentation of airborne data using a slope adaptive filter, ISPRS J. Photogramm. Remote Sens., vol. 60, pp. 71- 80, 2006.

【7】M. Fischler, R. Bolles, Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography Communications of the ACM

【8】P.F. Felzenszwalb, D.P. Huttenlocher, Efficient Graph-Based Image Segmentation, International Journal of Computer Vision, 59(2), 2004.

【9】M. Schoeler, J. Papon, F. Woergoetter Constrained Planar Cuts - Object?Partitioning for Point Clouds In Proceedings of the IEEE Conference on?Computer Vision and Pattern Recognition (CVPR) 2015

【10】Random Walks for Image Segmentation

【11】S. C. Stein, M. Schoeler, J. Papon, F. Woergoetter Object Partitioning?using Local Convexity In Proceedings of the IEEE Conference on?Computer Vision and Pattern Recognition (CVPR) 2014

【12】Voxel Cloud Connectivity Segmentation - Supervoxels from PointClouds In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2013

資源

三維點(diǎn)云論文及相關(guān)應(yīng)用分享

【點(diǎn)云論文速讀】基于激光雷達(dá)的里程計(jì)及3D點(diǎn)云地圖中的定位方法

3D目標(biāo)檢測(cè)：MV3D-Net

三維點(diǎn)云分割綜述(上)

3D-MiniNet: 從點(diǎn)云中學(xué)習(xí)2D表示以實(shí)現(xiàn)快速有效的3D LIDAR語義分割(2020)

win下使用QT添加VTK插件實(shí)現(xiàn)點(diǎn)云可視化GUI

JSNet：3D點(diǎn)云的聯(lián)合實(shí)例和語義分割

大場(chǎng)景三維點(diǎn)云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規(guī)模點(diǎn)云的顯示

基于局部凹凸性進(jìn)行目標(biāo)分割

基于三維卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云標(biāo)記

點(diǎn)云的超體素(SuperVoxel)

基于超點(diǎn)圖的大規(guī)模點(diǎn)云分割

更多文章可查看：點(diǎn)云學(xué)習(xí)歷史文章大匯總

SLAM及AR相關(guān)分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動(dòng)泊車系統(tǒng)中的語義SLAM

【點(diǎn)云論文速讀】StructSLAM:結(jié)構(gòu)化線特征SLAM

SLAM和AR綜述

常用的3D深度相機(jī)

AR設(shè)備單目視覺慣導(dǎo)SLAM算法綜述與評(píng)價(jià)

SLAM綜述(4)激光與視覺融合SLAM

Kimera實(shí)時(shí)重建的語義SLAM系統(tǒng)

SLAM綜述(3)-視覺與慣導(dǎo)，視覺與深度學(xué)習(xí)SLAM

易擴(kuò)展的SLAM框架-OpenVSLAM

高翔：非結(jié)構(gòu)化道路激光SLAM中的挑戰(zhàn)

SLAM綜述之Lidar SLAM

基于魚眼相機(jī)的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術(shù)

第二期B站錄播之深度學(xué)習(xí)在3D場(chǎng)景中的應(yīng)用

第三期B站錄播之CMake進(jìn)階學(xué)習(xí)

第四期B站錄播之點(diǎn)云物體及六自由度姿態(tài)估計(jì)

第五期B站錄播之點(diǎn)云深度學(xué)習(xí)語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點(diǎn)云配準(zhǔn)概述及其在激光SLAM中的應(yīng)用

[線上分享錄播]cloudcompare插件開發(fā)

[線上分享錄播]基于點(diǎn)云數(shù)據(jù)的?Mesh重建與處理

[線上分享錄播]機(jī)器人力反饋遙操作技術(shù)及機(jī)器人視覺分享

[線上分享錄播]地面點(diǎn)云配準(zhǔn)與機(jī)載點(diǎn)云航帶平差

點(diǎn)云PCL更多活動(dòng)請(qǐng)查看：點(diǎn)云PCL活動(dòng)之應(yīng)屆生校招群

掃描下方微信視頻號(hào)二維碼可查看最新研究成果及相關(guān)開源方案的演示：

如果你對(duì)本文感興趣，點(diǎn)擊“原文閱讀”獲取知識(shí)星球二維碼，務(wù)必按照“姓名+學(xué)校/公司+研究方向”備注加入免費(fèi)知識(shí)星球，星球可自由發(fā)言交流和分享。也可免費(fèi)下載公眾號(hào)分享的論文pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

歡迎各位轉(zhuǎn)發(fā)分享朋友圈，將公眾號(hào)設(shè)置為星標(biāo)，或點(diǎn)擊“在看”以示鼓勵(lì)和支持，讓我們繼續(xù)分享！

以上內(nèi)容如有錯(cuò)誤請(qǐng)留言評(píng)論，歡迎指正交流。如有侵權(quán)，請(qǐng)聯(lián)系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關(guān)注我們

讓我們一起分享一起學(xué)習(xí)吧！期待有想法，樂于分享的小伙伴加入免費(fèi)星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點(diǎn)云，高精地圖，自動(dòng)駕駛，以及機(jī)器人等相關(guān)的領(lǐng)域。

分享及合作方式：可聯(lián)系微信“920177957”(需要按要求備注)聯(lián)系郵箱：dianyunpcl@163.com，歡迎企業(yè)來聯(lián)系公眾號(hào)展開合作。

點(diǎn)一下“在看”你會(huì)更好看耶

總結(jié)

以上是生活随笔為你收集整理的斯坦福的著名小兔子模型的点云数据_传统方法的点云分割以及PCL中分割模块的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。