转载自：https://blog.csdn.net/sgl_lgs/article/details/1058975851. 问题思考：我们最终的目的是为了生成自己的小型数据集用于点云深度学习网络的训练。因此，要生成自己的数据，就要先了解标准的数据集。在我们通过深度传感器或者多视角立体匹配等方法得到一个物体的三维点云之后，实际上会去思考三个主要的问题：1.1 点云的尺度不变性：如果我现在问你，上述的

3、 登录对应的git服务器、将公钥（id_rsa.pub中的内容）添加上去。2、 找到生成Key值的目录,前往.ssh目录、查看对应的公钥。注意：内容是（以ssh-rsa 开头，以账号的注册邮箱结尾的）完成之后、输入以下命令、查看是否OK、出现如下内容表示成功。再次进行克隆、如果出现如下、则表示克隆成功。注意：输入的是自己的邮箱地址。1、 生成SSH key。

转载自：https://blog.csdn.net/SGL_LGS/article/details/105962966一、三维点云数据的采集随着科技的迅速发展，目前获得物体三维点云的方法也越来越多。一种是通过硬件设备（深度传感器，结构光等）直接得到物体的三维信息，另一种是通过软件算法进行图像间匹配间接计算出物体的三维信息。常见的方法手段，如图所示：这里不再对其中的内容进行展开说明。无论那一种方法，

参考：https://www.cnblogs.com/ironstark/p/5008258.html1. 点云分割的精度在之前的两篇博客里介绍了 RANSAC 点云分割算法和基于邻近信息的点云分割算法。基于 RANSAC 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）。基于欧式距离的点云分割算法面对有牵连的点云就无力了（比如风筝和人，在不用三维形

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达激光雷达是⽬前⾃动驾驶系统中的核⼼传感器之⼀，但是由于其信息密度低、存在垂直盲区等问题，⼚商⼤多在其L4级⾃动驾驶系统中搭配多组激光雷达，下图为通⽤（Cruise）的⾃动驾驶汽⻋，采⽤了多激光雷达以弥补lidar+camera的不⾜，使⽤多激光雷达进⾏环境感知的前提是对各雷达的外参进⾏精准的标定，本⽂介绍⼀种基于NDT算法的⾃动多激光雷达标定技

1. 双目立体视觉法简介基于双目立体视觉的深度相机类似人类的双眼，和基于TOF、结构光原理的深度相机不同，它不对外主动投射光源，完全依靠拍摄的两张图片（彩色RGB或者灰度图）来计算深度，因此有时候也被称为被动双目深度相机。比较知名的产品有STEROLABS 推出的 ZED 2K Stereo Camera和Point Grey 公司推出的 BumbleBee。ZED 2K Stereo Camer

参考：https://www.cnblogs.com/tianqizhi/p/9914539.html广度优先搜索算法（又称宽度优先搜索）是最简便的图的搜索算法之一，这一算法也是很多重要的图的算法的原型。Dijkstra单源最短路径算法和Prim最小生成树算法都采用了和宽度优先搜索类似的思想。其别名又叫BFS（breadth-first search），属于一种盲目搜寻法，目的是系统地展开...

https://zhuanlan.zhihu.com/p/109892245https://blog.csdn.net/weixin_42469289/article/details/103661603#commentBoxhttps://blog.csdn.net/orange_littlegirl/article/details/96168174?spm=1001.2014.3001.5502

PointNet——第一个提出直接将点云作为神经网络输入来进行点云分类，是CVPR 2017论文：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation。源码地址 ：https://github.com/charlesq34/pointnetPyTorch版本：https://github....

一、基本原理决策树（decision tree）：是一种基本的分类与回归方法，此处主要讨论分类的决策树。在分类问题中，表示基于特征对实例进行分类的过程，可以认为是if-then的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。决策树通常有三个步骤：特征选择、决策树的生成、决策树的修剪。用决策树分类：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每个子节点对