- 综合排序
- 最热优先
- 最新优先
- 来自专栏实时渲染技术
数字孪生线上展厅云推流技术探讨点量云流
但现在线上展厅如果展示的内容是以3D数字孪生模型为主的，那采用传统的展厅方案，可能无法实现想要的效果，点量云流这里介绍一种云推流方案，让线上展厅不仅仅可以自动排期播放3D应用，还可以让用户手机或者公众号小程序直接打开 而点量云流的串流方案是，让用户直接在普通的手机、平板上，通过微信、小程序或者网页直接打开体验，大大的减少了用户体验大型3D应用的障碍，而且无需学习和原来的上网使用习惯完全一致。 具体实现方法如下：在服务器上安装点量云流推流系统，将UE或者U3D以及其他3D引擎开发的模型上传到云流系统中，或者提前安装在服务器上。 云推流系统就会给这些应用一个网页访问的地址，用户直接复制地址浏览器打开，或者在微信小程序/公众号中直接以链接的方式指向云推流的网址。这样对用户来说是无感知的，只是打开了一个网页。 这种3D应用的线上展厅推流方案，提升了用户使用的便捷性，而且对于展厅来说也无需增加成本，只需要把原来的本地展示调整成B/S架构，而且还可以扩展多种使用的终端，实现云游展厅提升展厅本身的触达用户。
55910编辑于 2024-05-15 - 来自专栏点量云流化
点量云实时云渲染革新云看车
突如其来的疫情，点量木子了解到为了满足足不出户看车的需求，各大车企和经销商们可谓是各显神通，APP、小程序实现3D看车VR/AR等线上智能展厅看车联合抖音、快手等平台直播看车看车、选车、预约试驾整个过程都可以在线上完成 传统线下看车存在多种问题：1.线下搭建大型汽车展厅成本高，对于经销商是一笔不小的费用2.4S门店展示受限于场地，无法一一展示全部车3.因4S店需足够大的场地，考虑成本等因素一般店址比较偏远，不方便客户到店体验试驾传统的线上看车技术 云看车革新：点量云实时云渲染助力云看车随着互联网的发展，5G网络及云计算技术越来越成熟，汽车行业的3D解决方案也在不断成熟。 点量云依靠多年视频和传输技术的积累，采用自研云流化技术可提供优质的解决方案。点量云实时云渲染的优势：1.即点即用：无需预加载，一键运行。 3.轻量化终端：对终端性能配置无要求，兼容各种终端4.极低延迟点量云实时云渲染为汽车行业赋能车企使用点量云流化XR应用，分享链接给消费者，消费者通过手机、pad、笔记本电脑等多终端设备随时随地体验汽车XR
1.9K30编辑于 2022-08-24 - 来自专栏实时云渲染（云流化）方案知识分享
区别于传统像素流的点量像素流送在应用中的优势
3. 适用类型，传统像素流只是作为UE的引擎插件，只支持UE的内容，像unity或者其他类型的软件都没办法支持使用。4. 在以上几种因素的影响下，传统的像素流满足不了一些使用者的需求，通常会采用新型的像素流送方式---点量像素流送。在上述几个影响的因素方面，点量像素流送是如何解决的？以下可供参考：1. 兼容性，点量像素流送像常规的主流浏览器都支持，包括谷歌、360、微信或iOS，都能轻松打开进行操作。2. 访问方面，点量像素流送在弱网环境下会自动匹配相适应的码率，达到稳定流畅的运行操作。3. 在支持的程序类型上，不仅可以支持UE\U3D的内容，基本Windows下的大部分应用产品均可流化，像AutoCAD、Revit等应用程序和内容。4. 总的来说，这种新的像素流送方式能够解决传统像素流的痛点，并且应用支持的范围也较广，对于一些场景使用者来说大大减少了问题的存在，让使用更加方便。
46420编辑于 2024-05-21 - 来自专栏全栈程序员必看
3D点云实例分割_3d点云标注软件
大家好，又见面了，我是你们的朋友全栈 3D点云实例分割 3D语义分割区分场景中各类对象，3D实例分割区分场景中各类别中的各种个体。近两年来，3D实例分割的关注度越来越高，相应的方法也被接连提出。 通过神经网络学习RGB和点云特征（这里的点云是通过RGBD中的深度信息恢复得到，并不是雷达点云），将通过2D卷积网络提取得到2D特征，反投影到对应的3D场景网格上，2D和3D特征的融合能够很大程度上提高 然而，两种任务之间是可以相互合作共赢的，语义分割将点云按不同类别区分，这仅仅是实例分割的一个目标（不同类别的点云一定属于不同个体的）。 MT-PNet+MV-CRF 介绍: 本文提出了一种多任务逐点处理的网络，同时实现两种任务：预测点云的语义类别；将点云转换为高维向量，致使相同实例的点云有着近似的表达。 2D和3D结合的网络框架用于联合语义和实例分割；同时展现了如何实现规则的2D特征和不规则的3D点云特征的融合。
1.2K30编辑于 2022-09-23 - 来自专栏算法之名
3D点云识别
激光雷达点云 由激光雷达产生，分为机械式Lidar:TOF,N个独立激光单元，旋转产生360度视场。 上图中激光雷达位于圆圈的中心，周围产生的光点就是产生的3D点云。 稀疏：相对于图像来说，它要稀疏很多，如果把激光雷达点云投影到图像中可能只占有图像的7%。 无序：N!点云没有顺序，角度不同、震动、扫描顺序不同，都会导致点云的顺序不一样。 精确：+/-2cm 图像 vs 点云 点云：简单精确适合几何感知 图像：丰富多变适合语义感知 这两种感知手段在ADAS(自动驾驶)场景中各有各的用处，比如说交通信号，3D点云就无法感知，只能通过图像识别来进行感知 3D点云数据来源 CAD模型：一般分类/分割问题的数据集是CAD。 激光雷达点云鸟瞰图 上图以图片的左上角的点为图片的坐标原点，向右为图片的x坐标，向下为图片的y坐标，那么它跟激光雷达的坐标形成了如下的关系 将点云投影到图片上 我们依然以图片最左上角为图片的原点，
2.2K20编辑于 2022-03-24 - 来自专栏点云PCL
Open3d学习计划（3)点云
点云PCL公众号作为免费的3D视觉，点云交流社区，期待有使用Open3D或者感兴趣的小伙伴能够加入我们的翻译计划，贡献免费交流社区，为使用Open3D提供中文的使用教程。 点云（Point Cloud） 这篇文章将会介绍点云数据的一些基本用法。 /examples/TestData） 可视化点云 本教程的第一部分是读取点云数据并将其可视化。 这通常在点云处理任务的预处理步骤，这个算法分为两步： 把点云装进体素网格 把每个被占据的体素中的点做平均，取一个精确的点。 DBSCAN 聚类 给定一个点云，比如深度传感器，我们想将局部的点分组/聚合在一起，这时我们就需要聚类算法。open3d实现了DBSCAN[Ester1996] 算法，这是一种基于密度的聚类算法。
6.4K43发布于 2020-06-02 - 来自专栏机器视觉那些事儿
【3D篇】点云拼接
红色：目标点云，蓝色：配准点云）： 可以发现，红色点云与蓝色点云完全重合，配准效果很好。 红色：目标点云，蓝色：配准点云）： 可以发现，红色点云与蓝色点云几乎完全重合，配准效果很好。 2.3 第三组实验：源点云（90°）与目标点云（45°）存在少部分重合； 配准后效果图（绿色：源点云，红色：目标点云，蓝色：配准点云）： 可以发现，红色点云与蓝色点云重合度很低，配准效果很差。 针对此问题，将源点云与目标点云中具有相同特征的点云部分分割出来，来计算变换矩阵； 分割出相同特征的点云（兔头）配准如下： 可以发现，红色点云与蓝色点云重合度较高，配准效果较好。 计算兔头的配准后转换矩阵，对源点云和目标点云进行配准。 可以发现，红色点云与蓝色点云配准效果改善很多，但也存在一定误差。 由以上实验可以得出： 1）重合点云的数量越多，配准越好。
2.1K11发布于 2021-09-29 - 来自专栏深度学习和计算机视觉
3D点云的未来
点云的不同结果。从左到右依次为原始、阴影、有色、体素化、半角化的点云 接触3D点云以后，我们通常根据Reality Capture的发展进行相应的调整，以获得更加清晰的数据集。 相信很多小伙伴都还记得第一次使用激光扫描仪时，对于它的运行速度和获取3D点云结果图都有着非常深刻的记忆。 3D扫描废弃羊毛洗涤设备 但我们是如何开展工作的呢？ 3D点云表示与3D语义表示 数据 3D点云 主要挑战围绕着传感器收集的数据的特异性。当不需要深度提示时，单个光栅图像或视频流非常有用，但是要模拟我们的3D视觉认知，则需要更丰富的数据基础。 自动化 在此连续过程中，反思将从以人为中心的过程转向以自主工作流为导向的研究，以开发自动化和AI来加速推理过程。这对于在需要识别对象的3D捕获工作流中开发点云至关重要。 机器人研究在提供自主3D记录系统方面取得了飞跃，我们无需人工干预即可在其中获得环境的3D点云。当然，遵循这种想法发展自主勘测意味着需要将数据用于决策。
1.2K41发布于 2020-09-04 - 来自专栏点云PCL
【点云论文速读】点云高质量3D表面重建
点云PCL免费知识星球，点云论文速读。 ●论文摘要 从点云数据中学习的形状先验知识，通常应用在从局部或带有噪声的点云数据的三维重建。然而，由于典型的三维自动编码器无法处理其规模、复杂性或多样性，因此室内场景中没有这样的形状预测器。 大多数三维曲面在某种尺度上共享几何细节，本文训练一个自动编码器来学习如何嵌入这种大小的三维点云形状。 这项工作的主要贡献： •提出了几何图形的局部隐式网格表示，在零件点云上学习和利用几何特征，以及相关的方法，例如重叠隐式网格机制和隐式网格优化方法，以高还原度表示和重建场景。 通过在网格中定位隐函数，可以通过优化隐网格从点云数据中重建整个场景。 ? ?
1.5K20发布于 2020-05-26 - 来自专栏计算机视觉工坊
GRNet网络：3D网格进行点云卷积，实现点云补全
但是之前的方法都是基于一个强烈的假设，即输出点与输入点的三维坐标的相同，因此不能用于三维点云补全。 为了解决上述问题，我们引入3D网格作为中间的表征来规范化无序点云，从而明确地保留了点云的结构和背景。 然后引入了3D网格作为中间表示来规整无序点云，它明确地保留了点云的结构和局部关系。 我们创新性地引入了3D网格作为中间表征来规范化无序点云，明确地保留了点云的结构和背景下的点云。 我们提出了一种新型的用于点云完成的网格化剩余网络（GRNet）。我们设计了三个可区分的层。 对于每一帧，汽车是根据3D边界框提取的，从而获得 2,401个局部点云。KITTI中的局部点云非常稀疏，并且不有完整的点云作为真实值。在 KITTI 雷达扫描的可视化结果。 ? 总结 本文研究了如何恢复完整的3D点云。补全工作的动机是用卷积保留3D点云的结构和局部信息。为此，作者引入3D网格作为中间表示以进行正则化无序的点云。然后，提出了网格残差网络（GRNet）进行点云。
99420发布于 2020-12-03 - 来自专栏3D视觉从入门到精通
3Ｄ点云配准（二多幅点云配准）
在上一篇文章 点云配准（一 两两配准）中我们介绍了两两点云之间的配准原理。本篇文章，我们主要介绍一下PCL中对于多幅点云连续配准的实现过程，重点请关注代码行的注释。 对于多幅点云的配准，它的主要思想是对所有点云进行变换，使得都与第一个点云在统一坐标系中。在每个连贯的、有重叠的点云之间找到最佳的变换，并累积这些变换到全部的点云。 能够进行ICP算法的点云需要进行粗略的预匹配，并且一个点云与另一个点云需要有重叠部分。 ? 此处我们以郭浩主编的《点云库PCL从入门到精通》提供的示例demo来介绍一下多幅点云进行配准的过程。 ，temp返回配准后两组点云在第一组点云坐标下的点云，pairTransform返回从目标点云target到源点云source的变换矩阵。 //现在我们开始进行实际的匹配，由子函数pairAlign具体实现， //其中参数有输入一组需要配准的点云，以及是否进行下采样的设置项，其他参数输出配准后的点云及变换矩阵。
2.5K10发布于 2020-12-11 - 来自专栏3D视觉从入门到精通
GRNet网络：3D网格进行点云卷积，实现点云补全
但是之前的方法都是基于一个强烈的假设，即输出点与输入点的三维坐标的相同，因此不能用于三维点云补全。 为了解决上述问题，我们引入3D网格作为中间的表征来规范化无序点云，从而明确地保留了点云的结构和背景。 然后引入了3D网格作为中间表示来规整无序点云，它明确地保留了点云的结构和局部关系。 我们创新性地引入了3D网格作为中间表征来规范化无序点云，明确地保留了点云的结构和背景下的点云。 我们提出了一种新型的用于点云完成的网格化剩余网络（GRNet）。我们设计了三个可区分的层。 对于每一帧，汽车是根据3D边界框提取的，从而获得 2,401个局部点云。KITTI中的局部点云非常稀疏，并且不有完整的点云作为真实值。在 KITTI 雷达扫描的可视化结果。 ? 总结 本文研究了如何恢复完整的3D点云。补全工作的动机是用卷积保留3D点云的结构和局部信息。为此，作者引入3D网格作为中间表示以进行正则化无序的点云。然后，提出了网格残差网络（GRNet）进行点云。
1.1K30发布于 2020-12-03 - 来自专栏用户8411301的专栏
更轻量！谐云边缘计算贡献再获CNCF官方点赞
其中，谐云边缘计算研发实习生晋晨主要负责实验操作部分，包括实验记录工作。 其中，EdgeStack®智能边缘计算平台基于轻量级容器编排框架云边端协同技术，打造“云+边缘+端”的云边端协同架构，将容器云计算能力下沉至边缘节点，可支撑百万级边缘节点和设备接入。 然而，与数据中心的云计算类似，边缘计算也面临着跨异构设备和网络的工作负载分发、管理和编排等挑战。为了应对以上云计算中的这些挑战，很多开发者会选择基于容器的解决方案。 对于边缘容器化应用程序而言，符合 OCI 标准的，且兼容 k8s 的[3]轻量级 WebAssembly runtime， 比如 WasmEdge[4] ，相较于 Linux 容器[5]是更好的替代选项 需要注意的一点，如果你使用 yurtctl init/join 来设置OpenYurt 集群并加入节点，你可以跳过这一步。
75040编辑于 2022-02-22 - 来自专栏3D视觉从入门到精通
汇总|3D点云分割算法
前言 最近在arXiv和一些会议上看到了几篇3D点云分割paper，觉得还不错，在这里分享下基本思路。 三维点云语义和实例分割是三维场景理解的关键和基础。 4、JSNet: Joint Instance and Semantic Segmentation of 3D Point Clouds 为了同时解决三维点云的实例和语义分割问题，本文提出了一种新的联合实例和语义分割方法 其次，为了获得更具鉴别能力的特征，提出了一种点云特征融合模块，对backbone的不同层次特征进行融合。 5、FuseSeg: LiDAR Point Cloud Segmentation Fusing Multi-Modal Data 本文介绍了一种简单而有效的激光雷达与RGB数据融合方法，并对激光雷达点云进行分割
2K10发布于 2020-12-11 - 来自专栏点云PCL
3D点云的深度学习
首先，可以使用各种结构来表示3D数据，所述结构包括： 1 体素网格 2 点云 3 多视图 4 深度图 对于多视图和深度图的情况，该问题被转换为在多个图像上使用2D CNN解决。 通过简单定义3D卷积核，可以将2D CNN的扩展用于3D Voxel网格。但是，对于3D点云的情况，目前还不清楚如何应用DL工具。 http://www.cnblogs.com/li-yao7758258/p/8182846.html 以及最近山东大学研究者们提出的PointCNN，对于pointCNN 这篇论文是一种为基于点云的特征学习提出了一种简单且通用的框架 但是，点云是不规则和无序的，因此在这些点关联的特征上直接求核的卷积会导致形状信息的丢失，同时还会因顺序不同而不同。 我们提出的方法是典型CNN向基于点云的特征学习的泛化，因此将其称为PointCNN。实验表明，PointCNN能在多种有挑战性的基准数据集和任务上实现与之前最佳方法媲美或更好的表现。
1.5K30发布于 2019-07-31 - 来自专栏无人驾驶感知
【目标跟踪】3D点云跟踪
今天来分享下点云3D跟踪。 视觉跟踪输入就是目标检测的结果。雷达跟踪输入可以是点云检测的结果，也可以是点云聚类的结果。除了一些数据结构、匹配计算，雷达跟踪算法与前面介绍视觉跟踪方法大体相同。 框、数据转化等 feature_descriptor.h 计算目标的形状特征 一些补充： barycenter 点云几何中心点（质心） 目标框 direction 朝向角 默认状态(1, 0, 0) 4.5、ComputePointNumDistance 取值范围[0,3] 直方图距离 把目标所有点云以当个坐标轴分为10个区间 再以xyz三轴共分为30个区间。 计算目标点云 x轴最值，把区间划分为10等分。记录所有点在10个区间点云个数。 五、结果 由于 rviz 无法显示点云跟踪结果，那我们把雷达跟踪结果 topic 录制下来，然后再可视化。
96310编辑于 2024-02-05 - 来自专栏点量云流化
点量云流化—赋能数字孪生轻量化新体验
点量云流化—赋能数字孪生轻量化新体验受数字孪生相关政策驱动，各领域政企用户对其需求日益明显，且随相关企业数量及规模的发展，数字孪生内容呈现爆发增长态势。与此同时也出现了一些问题。 点量云流可作为底层网络和传输的技术支撑，赋能数字孪生领域，提供更好的解决方案。1. 内部部署、视频传输内部服务器部署，内外网均可使用；视频流传输，无实际数据上传下载；真正实现各领域的数字化治理。2. 云流化技术领先与通用类收发数据、制作引擎自有推流方案，云桌面、实时云渲染等远程控制类产品相比，点量云流技术均具备独特优势。图片点量云流解决方案为业主带来哪些价值？1. 集中式中心建设费用降低，降低成本点量云流方案分散了中央控制室、中央展厅的功能作用，可以直接充分利用原有体系网络内设备，降低整体建设和设备配置的费用，降低了系统运营维护的成本。3. 点量云流数字孪生可以应用哪些行业？图片
70450编辑于 2022-12-05 - 来自专栏3D视觉从入门到精通
3D点云分割、目标检测、分类
编辑丨3D视觉工坊 3D点云学习（ Point Clouds）作为近年来的研究热点之一，受到了广泛关注，每年在各大会议上都有大量的相关文章发表。 对于3D点云，数据正在迅速增长。 大有从2D向3D发展的趋势，比如在opencv中就已经慢慢包含了3D点云的处理的相关模块，在数据方面点云的获取也是有多种渠道， 无论是源于CAD模型还是来自LiDAR传感器或RGBD相机的扫描点云，无处不在 另外，大多数系统直接获取3D点云而不是拍摄图像并进行处理。因此，在深度学习大火的年代，应该如何应用这些令人惊叹的深度学习工具，在3D点云上的处理上达到对二维图像那样起到很好的作用呢？ （2）不变性排列：点云本质上是一长串点（nx3矩阵，其中n是点数）。在几何上，点的顺序不影响它在底层矩阵结构中的表示方式，例如， 相同的点云可以由两个完全不同的矩阵表示。
1.5K20编辑于 2023-04-29 - 来自专栏一点人工一点智能
常用的3种点云数据表示
因此，本节介绍点云数据的表示形式。目前，常用的表示方式主要有 3 种：点表示形式、体素表示形式、图表示形式。 01 点表示形式 点云是指获取物体表面每个采样点的空间坐标形成的点的集合。 点表示方法因为使用最原始的点云数据，保留最丰富细致的信息，在所有方法中输入信息损失最小。但是，点表示方法需要处理的数据量较大，运行速度较慢，并且一般使用多层感知器，感知能力较差。 体素表示形式将点云转化为规则的体素形式，对点云进行处理。点云体素化首先需要设置参数，包括体素大小及每个体素可容纳的点云数量。 但是，基于体素的方法受设置参数的影响，不可避免地丢失一部分点云信息。 03 图表示形式 Shi等提出图表示形式，如图3所示。核心在于构建图神经网络，再通过图卷积进行特征提取。 ▲ 图 3 图表示形式示意图 除上述 3 种表示形式以外，还有将点云投影为二维鸟瞰图、点云与体素混合等方式。与点云不同，图像的表示形式较单一。
2.6K30编辑于 2022-12-27 - 来自专栏点云PCL
PCL点云特征描述与提取（3）
快速点特征直方图(FPFH)描述子 已知点云P中有n个点，那么它的点特征直方图（PFH）的理论计算复杂度是，其中k是点云P中每个点p计算特征向量时考虑的邻域数量。 对于实时应用或接近实时应用中，密集点云的点特征直方图（PFH）的计算，是一个主要的性能瓶颈。 2.PFH特征模型是对查询点周围的一个精确的邻域半径内，而FPFH还包括半径r范围以外的额外点对（不过在2r内）； 3.因为重新权重计算的方式，所以FPFH结合SPFH值，重新捕获邻近重要点对的几何信息 FPFHEstimation类的实际计算内部只执行以下操作： 对点云P中的每个点p 第一步： 1.得到:math:`p`的邻域元素 2. 计算每一对:math:`p, p_k`的三个角度参数值（其中:math:`p_k`是:math:`p`的邻元素） 3.把所有结果统计输出到一个SPFH直方图 第二步: 1.得到:math:`p`的最近邻元素
2.2K30发布于 2019-07-31
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号