이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.
포인트 클라우드 처리
포인트 클라우드는 3차원 공간에 속한 데이터 점들의 집합입니다. 이러한 점들이 합쳐져 3차원 형상이나 객체를 표현합니다. 데이터 집합의 각 점은 x, y, z 기하 좌표로 표현됩니다. 포인트 클라우드는 많은 수의 개개의 공간적 측정값을 설명 가능한 객체로 표현할 수 있는 데이터셋으로 조합하는 수단을 제공합니다. 포인트 클라우드 처리는 로봇 주행과 인식, 깊이 추정, 스테레오 비전, 시각적 정합, 첨단 운전자 보조 시스템(ADAS)에 사용됩니다. Computer Vision Toolbox™ 알고리즘은 다운샘플링, 잡음 제거 및 포인트 클라우드 변환을 위한 포인트 클라우드 처리 기능을 제공합니다. 또한, 포인트 클라우드 정합을 수행하고, 기하학적 형상을 3차원 포인트 클라우드에 피팅하고, 포인트 클라우드를 읽기, 쓰기, 저장, 표시, 비교하는 기능을 제공합니다. 뿐만 아니라 여러 포인트 클라우드를 결합하여 하나의 3차원 장면을 복원할 수도 있습니다.
pcregistericp
, pcregisterndt
, pcregistercorr
및 pcregistercpd
를 사용하여 이동 포인트 클라우드를 고정 포인트 클라우드에 정합시킬 수 있습니다. 이러한 정합 알고리즘은 각각 ICP(Iterative Closest Point) 알고리즘, NDT(Normal-Distributions Transform) 알고리즘, 위상 상관 알고리즘, CPD(Coherent Point Drift) 알고리즘을 기반으로 합니다. 정합된 포인트 클라우드로 맵을 작성하고, 루프 폐쇄를 검출하고, 맵을 드리프트 보정에 최적화하고, 사전 작성된 맵에서 위치추정을 수행할 수 있습니다. 자세한 내용은 Implement Point Cloud SLAM in MATLAB 항목을 참조하십시오.
함수
블록
도움말 항목
- Choose a Point Cloud Viewer
Compare visualization functions.
- Choose SLAM Workflow Based on Sensor Data
Choose the right simultaneous localization and mapping (SLAM) workflow and find topics, examples, and supported features.
- Implement Point Cloud SLAM in MATLAB
Understand point cloud registration and mapping workflow.
- The PLY Format
The Stanford Triangle Format.
- Getting Started with Point Clouds Using Deep Learning
Understand how to use point clouds for deep learning.
- Choose Function to Visualize Detected Objects
Compare visualization functions.
- 레이블 지정, 분할, 검출 (Lidar Toolbox)
딥러닝과 기하 알고리즘을 사용하여 포인트 클라우드 데이터의 객체에 대해 레이블 지정, 분할, 검출, 추적