随着低成本深度相机（如 Kinect）和 3D 传感器的普及，获取有序点云（organized point cloud）变得容易。这类点云在机器人和计算机视觉中广泛应用，但原始点云通常存在噪声、冗余，并缺乏语义信息。为了对 3D 场景进行紧凑、语义化建模，原始形状拟合（primitive fitting）成为一种重要方法，其中平面是最关键的原始形状，因为人工环境（建筑、家具等）大多由平面构成。本文

OpenCV（Open Source Computer Vision Library）是一个广泛使用的开源计算机视觉和机器学习软件库，提供了丰富的功能模块，涵盖了图像处理、视频分析、计算机视觉、机器学习等多个领域。

技术点描述网格划分策略可调网格数（G=20~40），用于投票统计运动核检测判断局部运动方向是否一致，以此投票过滤匹配匹配投票阈值通常设为 6，表示区域内要有足够匹配一致性支持邻域默认 3x3 邻域一致性统计（更鲁棒）增强匹配在实际变换场景下的稳定性优点说明快速无需几何模型拟合，纯粹使用空间投票鲁棒在重复纹理、仿射变换等下仍有效无描述子依赖可用于任意描述子的匹配结果过滤易部署可直接用于特征匹配前端、

给定一个像素ppp，以其为中心绘制一个半径为 3 的圆（16 个像素点），记为Sp1p2p16Sp1​p2​...p16​，如下图所示。若在这个圆上存在连续nnn个像素（常用n12n = 12n12所有像素亮度都明显大于或明显小于中心像素ppp（与中心差值超过阈值ttt），则ppp被判定为角点，效果图如下。优势劣势极快（适合实时系统）不含角点响应评分适合图像金字塔对噪声敏感可结合 ORB、BRIE

视觉理解、视觉定位、大模型和多模态模型等

int x, y;Level 0: 原始图像（尺度 1.0）Level 1: 缩小为 1/√2（尺度 ~0.707）Level 2: 缩小为 1/2（尺度 0.5）...Level N: 最小图像（尺度 ≈ 0.25）每一层都可以进行特征点检测，并将检测到的特征点坐标统一映射到原始图像坐标系中。ORB 是轻量、高效、旋转不变的特征提取方法。上述代码完全不依赖 OpenCV，可用于嵌入式或定制平台。

下面进行的，适用于 Windows 或 Linux 平台的 OpenCV 4.x 版本。

霍夫变换（Hough Transform）是一种经典的，广泛用于，例如直线、圆、椭圆等。其核心思想是将图像空间中的“点”映射到参数空间中的“曲线”，从而将。

算法是否开源描述子类型匹配类型特点SIFT✅浮点（128维）L2（欧氏距离）稳定性好，适合图像拼接SURF❌（专利）浮点L2快速但已过时ORB✅二值（256位）Hamming（汉明）快速，适合实时系统AKAZE✅二值或浮点Hamming/L2稳定性与速度兼顾BRISK✅二值Hamming实时性强。

要在里实现下面我们从简单的两个机器人（A、B，可以扩展到N个）开始讲解说明。