PCL 计算点云法向量并显示【2026最新版】

PCL学习
专栏收录该内容
¥19.90
¥99.00
284 篇文章

在这里插入图片描述

博客长期更新,本文最近更新时间为:2026年1月28日。

一、算法原理

强调一下:

  • PCL中计算法向量的方法有两种,其中一种就是本文pcl::NormalEstimation中的方法;
  • 该方法是基于PCA主成分分析法实现的;
  • 最小二乘拟合邻域平面时用的是KD树查找邻域点。

1、法向量估计

  基于局部表面拟合的方法进行法向量估计:点云的采样表面处处光滑的情况下,任何点的局部邻域都可以用平面进行很好的拟合;为此,对于点云中的每个扫描点 p p p,搜索到与其最近邻的 K K K个相邻点,然后计算这些点最小二乘意义上的局部平面 P P P,此平面可以表示为:
P ( n ⃗ , d ) = arg min ⁡ ( n ⃗ , d ) ∑ i = 1 k   ( n ⃗ ⋅ p i − d ) 2 (1) P(\vec{n},d)=\argmin \limits_{(\vec{n},d)} \sum_{i=1}^k\ (\vec{n}\cdot p_i-d)^2\tag{1} P(n ,d)=(n ,d)argmin​i=1∑k​ (n ⋅pi​−d)2(1)
  式中, n ⃗ \vec{n} n 为平面 P P P的法向量, d d d为 P P P到坐标原点的距离。
  可以认为由 K K K个最近点拟合出的平面的法向量即当前扫描点的法向量。平面 P P P的法向量可以由主成分分析(PCA)得到,由运算知 P P P经过其 K K K邻域点的质心 P 0 P_0 P0​,且法向量 n ⃗ \vec{n} n 满足 ∣ ∣ n ⃗ ∣ ∣ = 1 ||\vec{n}||=1 ∣∣n ∣∣=1,先对式(2)中的协方差矩阵 M M M进行特征值分解,求得 M M M的各特征值, M M M的最小特征值所对应的特征向量即 P P P的法向量。
M = 1 k ∑ i = 1 k   ( p i − p 0 ) ( p i − p 0 ) T (2) M=\frac{1}{k}\sum_{i=1}^k\ ( p_i-p_0)( p_i-p_0)^T\tag{2} M=k1​i=1∑k​ (pi​−p0​)(pi​−p0​)T(2)

2、法向量定向

  前面计算出的法向量具有二义性,即只是得到了法向量所在的直线,而没有确定以直线的那个方向为法向量的最终方向。用以下方法对求出的法向量进行重定向:
  假设点云足够稠密且采样平面处处光滑,那么相邻两点的法向量会接近于平行。令 n i ⃗ 、 n j ⃗ \vec{n_i}、\vec{n_j} ni​ ​、nj​ ​为相邻两点 x i 、 x j {x_i}、{x_j} xi​、xj​的法向量,如果法向量的方向是一致的,那么 n i ⃗ ⋅ n j ⃗ ≈ 1 \vec{n_i}\cdot\vec{n_j}\approx1 ni​ ​⋅nj​ ​≈1若此内积为负,则说明其中某个点的法向量需要被翻转。因此,首先为点云中某个点设定一个法向量朝向,然后遍历其他所有点,若当前点法向量设定为 n i ⃗ , n j ⃗ \vec{n_i},\vec{n_j} ni​ ​,nj​ ​为下一个要遍历的点,如果 n i ⃗ ⋅ n j ⃗ < 0 \vec{n_i}\cdot\vec{n_j}<0 ni​ ​⋅nj​ ​<0则将 n j ⃗ \vec{n_j} nj​ ​翻转,否则保持不变。

3、表面曲率

  对式(2)中的协方差矩阵 M M M进行特征值分解,求得 M M M的各特征值,若特征值满足 λ 0 ≤ λ 1 ≤ λ 2 \lambda_0\leq\lambda_1\leq\lambda_2 λ0​≤λ1​≤λ2​,则 P P P点的表面曲率为:
δ = λ 0 λ 0 + λ 1 + λ 2 (3) \delta=\frac{\lambda_0}{\lambda_0+\lambda_1+\lambda_2}\tag{3} δ=λ0​+λ1​+λ2​λ0​​(3)
   δ \delta δ越小表明邻域越平坦, δ \delta δ越大则表明邻域的起伏变化越大。

4、参考文献

[1]王飞,刘如飞,任红伟,柴永宁.利用道路目标特征的多期车载激光点云配准[J].测绘科学技术学报,2020,37(05):496-502.
[2]邢正全,邓喀中,薛继群.基于K-近邻搜索的点云初始配准[J].测绘科学,2013,38(02):93-95.
[3]李新春,闫振宇,林森,贾迪.基于邻域特征点提取和匹配的点云配准[J].光子学报,2020,49(04):255-265.

5、法向量定向的理解

在这里插入图片描述
   A , B , C A,B,C A,B,C表示坐标值, A i , B i , C I A_i,B_i,C_I Ai​,Bi​,CI​表示向量,以 O A → \overrightarrow{OA} OA 作为正方向,由于 A A A点法向量已经定向,所以 A A A点法向量为: A i → \overrightarrow{A_i} Ai​ ​=(0,0,1),对 B B B点的法向量进行法向量方向的确定:
   其中, B B B点的法向量坐标为: B i 1 → = ( 1 2 , 0 , 1 2 ) \overrightarrow{B_{i1}}=(\frac{1}{\sqrt{2}},0,\frac{1}{\sqrt{2}}) Bi1​ ​=(2 ​1​,0,2 ​1​), B i 2 → = ( 1 2 , 0 , − 1 2 ) \overrightarrow{B_{i2}}=(\frac{1}{\sqrt{2}},0,-\frac{1}{\sqrt{2}}) Bi2​ ​=(2 ​1​,0,−2 ​1​);(可以看出 B i → \overrightarrow{B_i} Bi​ ​ 的方向与 O A → \overrightarrow{OA} OA 同向,定向的目的就是找出与 O A → \overrightarrow{OA} OA 同向的 B i → \overrightarrow{B_i} Bi​ ​ ),其理论依据为:
A i → ⋅ B i → > 0 (4) \overrightarrow{A_i}\cdot \overrightarrow{B_i}>0\tag{4} Ai​ ​⋅Bi​ ​>0(4)
  所谓的调整方向就是:上式中计算,你带入的 B i → \overrightarrow{B_i} Bi​ ​ 值为 B i 2 → \overrightarrow{B_{i2}} Bi2​ ​时,对 B i 2 → \overrightarrow{B_{i2}} Bi2​ ​进行操作使 B i 2 → \overrightarrow{B_{i2}} Bi2​ ​= B i 1 → \overrightarrow{B_{i1}} Bi1​ ​。
实际操作中,以 A A A点作为视点,求出: B i → ⋅   ( A − B ) > 0 \overrightarrow{B_i}\cdot \ (A-B)>0 Bi​ ​⋅ (A−B)>0时的 B i → \overrightarrow{B_i} Bi​ ​即为 B B B点与视点 A A A同向的法向量。
   综上所述:所谓的定向就是以其中一点 N i N_i Ni​的法向量方向作为正方向,其邻域内所有点的法向量 N j N_j Nj​满足:

N j ⋅ N i > 0 (5) {N_j}\cdot {N_i}>0\tag{5} Nj​⋅Ni​>0(5)

6、CloudCompare

CloudCompare软件中也有计算法向量的功能,这里给出具体操作。

Normals > Compute:计算所选实体的法线
Normals > Invert:反转所选实体的法线
Normals > Orient Normals > With Minimum Spanning Tree:用同样的方法重新定位点云的全部法线(最小生成树)
Normals > Orient Normals > With Fast Marching:用同样的方法重新定位点云的全部法线(快速行进法)
Normals > Convert to > HSV:将云的法线转换到 HSV 颜色字段
Normals > Convert to > Dip and Dip direction SFs:转换点云的法线到两个标量域
Normals > Clear:为选定的实体移除法线
在这里插入图片描述

二、pcl::Normal的定义

compute(*normal)里计算出来的结果是:法向量的x,y,z坐标和表面曲率curvature。其内部结构为:

 /*brief A point structure representing normal coordinates and the surface curvature estimate. (SSE friendly)ingroup common*/

struct Normal : public _Normal
{
    inline Normal (const _Normal &p)
    {
     normal_x = p.normal_x; 
     normal_y = p.normal_y; 
     normal_z = p.normal_z;
     data_n[3] = 0.0f;
     curvature = p.curvature;
    }

    inline Normal ()
    {
     normal_x = normal_y = normal_z = data_n[3] = 0.0f;
     curvature = 0;
    }

    inline Normal (float n_x, float n_y, float n_z)
    {
     normal_x = n_x; normal_y = n_y; normal_z = n_z;
     curvature = 0;
     data_n[3] = 0.0f;
    }

    friend std::ostream& operator << (std::ostream& os, const Normal& p);
    EIGEN_MAKE_ALIGNED_OPERATOR_NEW
};


三、pcl::Normal的几种输出方式

          cout<<normals->points[0]<<endl;
     cout<<"["<<normals->points[0].normal_x<<" "
              <<normals->points[0].normal_y<<" "
              <<normals->points[0].normal_z<<" "
              <<normals->points[0].curvature<<"]"<<endl;

     cout<<"["<<normals->points[0].normal[0]<<" "
              <<normals->points[0].normal[1]<<" "
              <<normals->points[0].normal[2]<<" "
              <<normals->points[0].curvature<<"]"<<endl;

     cout<<"["<<normals->points[0].data_n[0]<<" "
              <<normals->points[0].data_n[1]<<" "
              <<normals->points[0].data_n[2]<<" "
              <<normals->points[0].curvature<<"]"<<endl;

四、计算法线并显示

1、计算输入点云的所有点的法线

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
//#include <pcl/features/normal_3d.h>
#include <pcl/features/normal_3d_omp.h>//使用OMP需要添加的头文件
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
using namespace std;
int main()
{
	//------------------加载点云数据-------------------
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("车载点云.pcd", *cloud) == -1)
	{
		PCL_ERROR("Could not read file\n");
	}

	//------------------计算法线----------------------
	pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	//建立kdtree来进行近邻点集搜索
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
	n.setNumberOfThreads(10);//设置openMP的线程数
	//n.setViewPoint(0,0,0);//设置视点,默认为(0,0,0)
	n.setInputCloud(cloud);
	n.setSearchMethod(tree);
	n.setKSearch(10);//点云法向计算时,需要所搜的近邻点大小
	//n.setRadiusSearch(0.03);//半径搜素
	n.compute(*normals);//开始进行法向计
	
	//----------------可视化--------------
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Normal viewer"));
	//viewer->initCameraParameters();//设置照相机参数,使用户从默认的角度和方向观察点云
	//设置背景颜色
	viewer->setBackgroundColor(0.3, 0.3, 0.3);
	viewer->addText("faxian", 10, 10, "text");
	//设置点云颜色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud, 0, 225, 0);
	//添加坐标系
	viewer->addCoordinateSystem(0.1);
	viewer->addPointCloud<pcl::PointXYZ>(cloud, single_color, "sample cloud");
	
 
    //添加需要显示的点云法向。cloud为原始点云模型,normal为法向信息,20表示需要显示法向的点云间隔,即每20个点显示一次法向,0.02表示法向长度。
	viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, normals, 20, 0.02, "normals");
	//设置点云大小
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "sample cloud");
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return 0;
}

2、计算输入点云数据中一个子集的法线

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/features/normal_3d_omp.h>
using namespace std;
int main()
{
	//---------------------加载点云数据----------------------
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("车载点云.pcd", *cloud) == -1)
	{
		PCL_ERROR("Could not read file\n");
	}
	//--------------计算云中前10%的点法线-----------------------
	vector<int> point_indices(floor(cloud->points.size() / 10));
	for (size_t i = 0; i < point_indices.size(); ++i) {
		point_indices[i] = i;	
	}
	//-------------------传递索引----------------------------
	pcl::IndicesPtr indices(new vector <int>(point_indices));
	//-------------------计算法线----------------------------
	pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速
	n.setInputCloud(cloud);
	n.setIndices(indices);
	// 创建一个kd树,方便搜索;并将它传递给上面创建的法线估算类对象
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
	n.setSearchMethod(tree);
	n.setRadiusSearch(0.01);
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	//----------------估算特征---------------
	n.compute(*normals);
	//-------------为方便可视化,将前10%点云提出-------------------------------
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud1(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::copyPointCloud(*cloud, point_indices, *cloud1);
	//------------------可视化-----------------------
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Normal viewer"));
	//设置背景颜色
	viewer->setBackgroundColor(0.3, 0.3, 0.3);
	viewer->addText("faxian", 10, 10, "text");
	//设置点云颜色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloud1, 0, 225, 0);
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud, 255, 0, 0);
	//添加坐标系
	//viewer->addCoordinateSystem(0.1);
	viewer->addPointCloud<pcl::PointXYZ>(cloud, single_color, "sample cloud");
	viewer->addPointCloud<pcl::PointXYZ>(cloud1, single_color1, "sample cloud1");
	viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud1, normals, 20, 0.02, "normals");
	//设置点云大小
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "sample cloud1");
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return 0;
}

3、特殊操作

使用另一个数据集(该数据集比较完整)估计其最近邻近点,估算输入数据集(比较稀疏)中所有点的一组曲面法线。该方法适用于(类似)下采样后的点云。

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/filters/voxel_grid.h>
#include <pcl/features/normal_3d_omp.h>
using namespace std;
int main()

	{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("车载点云.pcd", *cloud) == -1)
	{
		PCL_ERROR("Could not read file\n");
	}
	//------------下采样----------------
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::VoxelGrid<pcl::PointXYZ> sor;
	sor.setInputCloud(cloud);
	sor.setLeafSize(0.005f, 0.005f, 0.05f);
	sor.filter(*cloud_downsampled);
	//-------------计算法线-------------
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());

	pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> ne;
	ne.setInputCloud(cloud_downsampled);
	ne.setSearchSurface(cloud);
	ne.setSearchMethod(tree);
	ne.setRadiusSearch(0.01);
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	ne.compute(*normals);
	//------------------可视化-----------------------
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Normal viewer"));
	//设置背景颜色
	viewer->setBackgroundColor(0.3, 0.3, 0.3);
	viewer->addText("faxian", 10, 10, "text");
	//设置点云颜色

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud_downsampled, 255, 0, 0);
	//添加坐标系
	//viewer->addCoordinateSystem(0.1);
	viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, single_color, "sample cloud");

	viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud_downsampled, normals, 10, 0.02, "normals");
	//设置点云大小
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "sample cloud");
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return 0;
}

五、使用OMP的报错处理

在应用OpenMP,可能会报错“User Error 1001: argument to num_threads clause must be positive”。这是由于设置的线程数必须为正,而程序中可能没有设置,有时候甚至环境变量中设置了,但是依然报错,手动设置如下:

n.setNumberOfThreads(4);  // 手动设置线程数,比源码增加,否则提示错误

六、计算一个点的法线

computePointNormal 函数可以用来计算单个指定索引的点的法线。

void computePointNormal (const pcl::PointCloud<PointInT> &cloud, const std::vector<int> &indices,
 Eigen::Vector4f &plane_parameters, float &curvature);
  • cloud:输入的原始点云
  • indices:要估计法线的点的索引
  • plane_parameters:法向量
  • curvature:表面曲率

七、PCL中的法线定向

  已知视点为 V p V_p Vp​,任意一点的坐标为 P i P_i Pi​,法向量为 n i ⃗ \vec{n_i} ni​ ​。对所有法向量 n i ⃗ \vec{n_i} ni​ ​定向使它们朝向视点方向,需满足如下公式:
n i ⃗ ⋅ ( V p − P i ) > 0 \vec{n_i}\cdot(V_p-P_i)>0 ni​ ​⋅(Vp​−Pi​)>0
  代码中的setViewPoint(0,0,0)就是用来进行视点设置的:

n.setViewPoint(0,0,0);//设置视点,默认为(0,0,0)

  在PCL中对一个已知点的法线进行手动重定向,可以使用如下代码:

flipNormalTowardsViewpoint (const PointT&point,float vp_x,float vp_y,float vp_z,
Eigen::Vector4f&normal)

  如果数据集是从多个捕获视点中配准后集成的,那么上述方法就不再适用。

参考自:《点云库PCL从入门到精通》P209~P210
更多手动定向的方法见:CloudCompare——计算点云的法向量

八、结果展示

在这里插入图片描述
在这里插入图片描述

Pcl:Normal的定义结构及输出 1. pcl::Normal在pcl官网中的定义 /*brief A point structure representing normal coordinates and the surface curvature estimate. (SSE friendly)ingroup common*/ struct Normal : public _Normal { inline Norm... 4.2k 阅读·5 点赞·11 收藏 阅读详情

相关推荐

pcl::Normal的定义和使用示例

然后,创建了一个pcl::Normal对象normal,并使用normal.normal_x、normal.normal_y和normal.normal_z分别设置了法线向量在X、Y和Z轴上的分量值。通过设置normal_x、normal_y和normal_z的值,可以创建和操作pcl::Normal对象,并在各种点云处理任务中使用法线信息。pcl::Normal是一个简单的结构体,它包含三个成员变量:normal_x、normal_y和normal_z,分别表示法线向量在X、Y和Z轴上的分量。

JbPatch的博客 719

PCL点云处理:计算整体法向量

在上述代码中,我们首先创建了一个NormalEstimation对象ne,并将输入点云设置为我们加载的点云数据。接下来,我们创建了一个PointCloud对象cloud_normals,用于存储计算得到的法向量。在点云处理中,计算法向量是一个常见的任务,它可以用于许多应用,如表面重建、物体识别和点云配准。本文将介绍如何使用PCL库计算点云的整体法向量,并提供相应的源代码。NormalEstimation类提供了多种方法来估计点云的法向量,包括最常用的基于最近邻的方法。首先,我们需要加载点云数据。

UtiExamples的博客 304

【2026最新版】PCL点云处理算法汇总(C++长期更新版)

PCL学习目录。博客长期更新,最近一次更新时间为:2026年10月4日。

点云侠的博客 63万+

PCL 点云边界提取【2026最新版】

PCL 中基于法线实现的点云边界提取。博客长期更新,最近一次更新时间为:2026年6月11日。

点云侠的博客 38万+

PCL 使用GICP对点云配准【2026最新版】

面对面的ICP算法。博客长期更新,最近一次更新时间为:2026年2月6日。

点云侠的博客 38万+

PCL 多幅点云配准【2026最新版】

逐步匹配多幅点云。博客长期更新,本文最近一次更新时间为:2026年5月24日。

点云侠的博客 30万+

PCL 法向量夹角剔除错误匹配点对【2026最新版】

实现了一种简单的基于对应点法线角度的对应关系去除方法。博客长期更新,本文最新更新时间为:2026年5月24日。

点云侠的博客 41万+

PCL 统计滤波器【2026最新版】

对每个点的邻域进行一个统计分析,并修剪掉一些不符合标准的点,顾名思义,统计滤波就是用来去噪的。博客长期更新,本文最近一次更新时间为:2026年5月10日。代码已同步更新至PCL1.15.1版本。

点云侠的博客 41万+

PCL 计算点云中任意一个点的法向量【2026最新版】

PCL 计算点云数据中任意一个点的法向量,博客长期更新,本文最近更新时间为:2026年7月1日。

点云侠的博客 2520

PCL 计算点云的协方差矩阵【2026最新版】

计算给定点集的3x3协方差矩阵。博客长期更新,本文最近一次更新时间为:2026年5月24日。

点云侠的博客 36万+

PCL 使用RANSAC拟合平面【2026最新版】

RANSAC拟合平面算法原理和实现流程详解以及最大迭代次数和内点期望概率的设置方法。最后再对拟合后的平面法向量与向量(1,1,1)进行定向。博客长期更新,最近一次更新时间为:2026年4月24日。

点云侠的博客 42万+

PCL 基于法线微分(DoN)的点云分割【2026最新版】

基于法线微分的分割。博客长期更新,本文最新更新时间为:2026年5月10日。

点云侠的博客 39万+

PCL 点云投影到圆柱【2026最新版】

使用PCL将点云投影到圆柱,代码的两种使用方式。博客长期更新,本文最新更新时间为:2026年5月10日。

点云侠的博客 6295

PCL 法向量精细化处理【2026最新版】

点云法向量精细化处理。博客长期更新,本文最近更新时间为:2026年5月10日。

点云侠的博客 2444

PCL 点云SUSAN关键点提取【2026最新版】

实现了SUSAN关键点探测器的在RGB-D数据中的扩展,主要根据在强度与法向量的变化来提取关键点。SUSAN与Harris的不同之处在于它直接利用法线,所以速度更快。

点云侠的博客 2301

PCL 计算点云的归一化协方差矩阵和三维质心【2026最新版】

计算点云的归一化协方差矩阵。博客长期更新,本文最近一次更新时间为:2026年5月24日。

点云侠的博客 37万+

SAP中成本估算没有找到工艺路线消息处理实例

在针对成品的标准成本核算处理过程中,系统中会经由设定好的策略来收集成品相关成本组成,最终计算出产成品的标准成本。关于成本组成,可以归纳为三个基本要素,料,工,费。即标准成本就是要知道,生产一件成品,需要消耗多少钱的原材料?消耗多少钱的人工?以及其它的间接消耗? 某日,接到CO同事的反馈,在用CK11N做产成品标准价格核算时,提示没有工艺路线确定,但该消息为绿灯,可以通过。基于业务上的谨慎,提出分析。 从提示可以看出问题与工艺路线有关。因为,成品工艺路线中设定有成品生产所耗工时,所以,在计算产成品标准

专注SAP应用技术文章写作,致力于拉近用户与系统间的距离; 6284

MOSFET导通电阻Rdson全解析:物理组成、公式推导与工程选型要点

在功率电子设计中,MOSFET作为核心开关器件,其导通电阻Rdson直接决定导通损耗与系统效率。从半导体物理角度看,Rdson并非单一固定值,而是由源极电阻、沟道电阻、累积层电阻、JFET区电阻、漂移区电阻及衬底电阻等多个分量串联而成,并随栅极驱动电压、结温以及击穿电压等级发生显著变化。理解Rdson的物理来源与数学表达,有助于工程师在低压大电流与高压小电流等不同场景中合理选型、优化驱动电压并准确估算热损耗。文章从沟道电阻公式出发,深入剖析耐压与导通电阻的物理矛盾、温度系数的影响规律,并给出数据手册参数的正

weixin_29163857的博客 213

QMI8658A与QMC5883L(9轴)评估板实战指南:从硬件连接到数据校准

本文提供了QMI8658A与QMC5883L九轴传感器评估板的完整实战指南。详细介绍了从硬件I2C/USART连接到传感器零偏与地磁校准的关键步骤,并利用上位机实现数据可视化,帮助开发者快速上手9轴姿态传感技术,应用于无人机、机器人等领域。

metaverse5vr的博客 482

BUG调试案例一:RK3588+YT8531网络无法PING通调试案例

在使用 RK3588 搭配 YT8531S PHY 芯片进行网络调试时,遇到了“网络无法 Ping 通”的棘手问题。排查了两天,终于找到问题原因。为了避免大家在类似项目中走弯路,也为了加深自己对调试细节的理解,我们特意整理了本次问题的完整排查过程。本篇文章将围绕以下四个方面展开分享: 问题现象&描述 调试过程&分析 问题根源定位 注意事项提醒 举一反三(走两步)

案例文章,高速信号 2340

osgPython

osgPython是一组 Python 模块,为 OpenSceneGraph 的 C++ 库提供了完整的 Python 接口。这意味着你可以在 Python 中调用几乎所有的 OSG 功能,从创建简单的场景到复杂的渲染效果。核心优势开发速度快:Python 语法简洁,无需编译,快速迭代易于学习:比 C++ 更易上手,适合原型开发和教学生态丰富:可以结合 NumPy、Matplotlib 等科学计算库跨平台:与 OSG 一样支持 Windows、Linux、macOS性能考虑。

深之JohnChen的专栏 466

【SAP ME 3】JAVA 调用SAP PO WebService

Java调用SAP PO/PI WebService接口

探索 Java 编程的技巧、最佳实践和解决方案。本博客提供针对 Java 开发者的实用指南,涵盖从基础到高级话题,旨在提升编程效率和技能。 850

http协议

HTTP 协议由起始行、头部、空行、消息体组成。

qq_34059233的博客 97

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

下一篇: PCL 4PCS算法实现点云粗配准【2026最新版】
点云侠
点云侠 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域 领域专家: 数据科学与机器学习技术领域 领域专家: 数据科学与机器学习技术领域
博客等级 码龄10年 7万+粉丝 1706原创
评论 87
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

点云侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址