Определение в строке 246 файла implicit_shape_model.h.

Определение в строке 247 файла implicit_shape_model.h.

Определение в строке 245 файла implicit_shape_model.h.

Простой конструктор, инициализирующий все элементы.

Простой деструктор.

Определение в строке 534 файла implicit_shape_model.hpp.

Этот метод вычисляет матрицу поворота, при которой заданная нормаль после преобразования совпадёт с осью Y.

Это необходимо, поскольку алгоритм должен быть инвариантен относительно аффинных преобразований.

Параметры

[in]

in_normal

нормаль, для которой необходимо вычислить матрицу поворота

Определение в строке 1164 файла implicit_shape_model.hpp.

Ссылки: pcl::B.

Этот метод применяет к вектору io_vector преобразование, заданное в in_transform.

Параметры

[in]	io_vec	вектор, который необходимо преобразовать
[in]	in_transform	матрица, содержащая преобразование

Определение в строке 1195 файла implicit_shape_model.hpp.

Этот метод вычисляет значение сигмы, используемое для вычисления обученных весов для каждого отдельного класса.

Параметры

[out]

sigmas

вычисленные сигмы.

Определение в строке 905 файла implicit_shape_model.hpp.

Эта функция формирует визуальный словарь и вычисляет веса, описанные в [Knopp et al., 2010, (5)].

Параметры

[in]	locations	массив с описанием каждой ключевой точки: ее положение, облако, которому она принадлежит, и ожидаемое направление к центру
[in]	labels	метки, полученные при кластеризации методом k-средних
[in]	sigmas	массив сигм для каждого класса
[in]	clusters	кластеры, полученные при кластеризации методом k-средних
[out]	statistical_weights	содержит вычисленные статистические веса
[out]	learned_weights	содержит вычисленные обученные веса

Определение в строке 956 файла implicit_shape_model.hpp.

Этот метод выполняет кластеризацию дескрипторов.

Параметры

[in]	histograms	дескрипторы для кластеризации
[out]	labels	содержит метки для каждого дескриптора
[out]	clusters_centers	содержит центры кластеров

Определение в строке 879 файла implicit_shape_model.hpp.

Вычисляет квадрат расстояния между двумя векторами.

Параметры

[in]	vec_1	первый вектор
[in]	vec_2	второй вектор

Определение в строке 1485 файла implicit_shape_model.hpp.

Ссылки: pcl::geometry::distance().

Выполняет кластеризацию методом k-средних.

Параметры

[in]	points_to_cluster	точки для кластеризации
[in]	number_of_clusters	требуемое количество кластеров
[out]	io_labels	выходной параметр, содержащий метку для каждой точки
[in]	criteria	определяет, когда необходимо завершить вычисления. Например, когда достигнута требуемая точность или число итераций превышает заданное значение
[in]	attempts	количество попыток выполнить кластеризацию
[in]	flags	если задано значение USE_INITIAL_LABELS, начальное приближение меток берется из io_labels
[out]	cluster_centers	будет содержать центры кластеров

Определение в строке 1227 файла implicit_shape_model.hpp.

Ссылки: pcl::ism::ImplicitShapeModelEstimation< FeatureSize, PointT, NormalT >::TermCriteria::epsilon_, pcl::ism::ImplicitShapeModelEstimation< FeatureSize, PointT, NormalT >::TermCriteria::max_count_ и pcl::ism::ImplicitShapeModelEstimation< FeatureSize, PointT, NormalT >::TermCriteria::type_.

Этот метод вычисляет признаки для заданного облака точек.

Параметры

[in]	sampled_point_cloud	облако точек с выборкой, для которого необходимо вычислить признаки
[in]	normal_cloud	нормали исходного облака точек
[out]	feature_cloud	будет содержать вычисленные гистограммы (признаки) для заданного облака

Определение в строке 1202 файла implicit_shape_model.hpp.

Ссылки: pcl::PointCloud< PointT >::makeShared() и pcl::FeatureFromNormals< PointInT, PointNT, PointOutT >::setInputNormals().

Извлекает дескрипторы из входных облаков.

Параметры

[out]	histograms	будет содержать дескрипторы для каждой ключевой точки
[out]	locations	будет содержать полную информацию (например, направление и исходную ключевую точку) для соответствующих дескрипторов

Определение в строке 818 файла implicit_shape_model.hpp.

Ссылки: pcl::PointCloud< PointT >::begin(), pcl::geometry::distance() и pcl::PointCloud< PointT >::points.

Эта функция ищет интересующий класс в заданном облаке и возвращает список голосов.

Параметры

[in]	model	обученная модель, используемая для поиска объектов
[in]	in_cloud	входное облако для анализа
[in]	in_normals	облако нормалей, соответствующее входному облаку
[in]	in_class_of_interest	класс, который требуется найти

Определение в строке 723 файла implicit_shape_model.hpp.

Ссылки: pcl::features::ISMVoteList< PointT >::addVote(), pcl::PointCloud< PointT >::points, pcl::PointCloud< PointT >::size() и pcl::InterestPoint::strength.

Генерирует центры кластеров согласно работе Arthur, David and Sergei Vassilvitski (2007) k-means++: The Advantages of Careful Seeding.

Параметры

[in]	data	точки для кластеризации
[out]	out_centers	будет содержать сгенерированные центры
[in]	number_of_clusters	задает количество требуемых центров кластеров
[in]	trials	количество попыток сгенерировать центр

Определение в строке 1393 файла implicit_shape_model.hpp.

Генерирует случайный центр кластера.

Параметры

[in]	boxes	содержит минимальные и максимальные значения для каждого измерения
[out]	center	будет содержать сгенерированный центр

Определение в строке 1469 файла implicit_shape_model.hpp.

Возвращает текущий оцениватель признаков, используемый для извлечения дескрипторов.

Определение в строке 610 файла implicit_shape_model.hpp.

Возвращает количество кластеров, используемых для кластеризации дескрипторов.

Определение в строке 624 файла implicit_shape_model.hpp.

Возвращает состояние коэффициента Nvot из [Knopp et al., 2010, (4)]; если значение равно false, коэффициент принимается равным 1.0.

Это всего лишь эвристика. По умолчанию используется поведение, описанное в статье. Поэтому при желании этот параметр можно игнорировать.

Определение в строке 655 файла implicit_shape_model.hpp.

Возвращает размер выборки, используемый для упрощения облака.

Определение в строке 595 файла implicit_shape_model.hpp.

Возвращает массив значений сигмы.

Определение в строке 639 файла implicit_shape_model.hpp.

Возвращает массив классов, указывающий, к какому классу относится соответствующее обучающее облако.

Определение в строке 562 файла implicit_shape_model.hpp.

Этот метод просто возвращает облака, заданные в качестве обучающих.

Определение в строке 545 файла implicit_shape_model.hpp.

Этот метод возвращает соответствующее облако нормалей для каждого обучающего облака точек.

Определение в строке 578 файла implicit_shape_model.hpp.

Запрещает использование оператора присваивания.

Изменяет оцениватель признаков.

Параметры

[in]

feature

оцениватель признаков, который будет использоваться для извлечения дескрипторов. Обратите внимание, что он должен быть полностью инициализирован и настроен.

Определение в строке 617 файла implicit_shape_model.hpp.

Изменяет количество кластеров.

Параметры

num_of_clusters

требуемое количество кластеров

Определение в строке 631 файла implicit_shape_model.hpp.

Изменяет состояние коэффициента Nvot из [Knopp et al., 2010, (4)].

Параметры

[in]

state

требуемое состояние; если значение равно false, то Nvot принимается равным 1.0

Определение в строке 662 файла implicit_shape_model.hpp.

Изменяет размер выборки, используемый для упрощения облака.

Параметры

[in]

sampling_size

требуемый размер ячейки сетки

Определение в строке 602 файла implicit_shape_model.hpp.

Этот метод позволяет задать значение сигмы, используемое при вычислении обученных весов для каждого отдельного класса.

Параметры

[in]

training_sigmas

новые значения сигмы для каждого класса. Чтобы вычислить эти значения автоматически, передайте пустой массив. В автоматическом режиме вычисляется максимальное расстояние между точками объектов, и, как рекомендуется в статье, берётся 10% от этого значения. Если объектов одного класса несколько, вычисляется среднее максимальное расстояние, и берётся 10% от него. Обратите внимание, что у каждого класса своё значение сигмы.

Определение в строке 646 файла implicit_shape_model.hpp.

Позволяет задать метки классов для соответствующих обучающих облаков.

Параметры

[in]

training_classes

массив меток классов

Определение в строке 569 файла implicit_shape_model.hpp.

Позволяет задать облака для обучения модели ISM.

Параметры

[in]

training_clouds

массив облаков точек для обучения

Определение в строке 552 файла implicit_shape_model.hpp.

Позволяет задать нормали для обучающих облаков, переданных с помощью метода setTrainingClouds.

Параметры

[in]

training_normals

массив облаков, каждое из которых содержит нормали

Определение в строке 585 файла implicit_shape_model.hpp.

Этот метод просто сдвигает точки облака относительно переданной точки.

Параметры

[in]	in_cloud	облако для сдвига
[in]	shift_point	точка, относительно которой будет сдвинуто облако

Определение в строке 1150 файла implicit_shape_model.hpp.

Ссылки: pcl::PointCloud< PointT >::points.

Упрощает облако, используя принципы воксельной сетки.

Параметры

[in]	in_point_cloud	облако, которое необходимо упростить
[in]	in_normal_cloud	нормали облака, которое необходимо упростить
[out]	out_sampled_point_cloud	упрощённое облако
[out]	out_sampled_normal_cloud	и соответствующие нормали

Определение в строке 1086 файла implicit_shape_model.hpp.

Ссылки: pcl::geometry::distance(), pcl::FilterIndices< PointT >::filter(), pcl::Filter< PointT >::filter(), pcl::VoxelGrid< PointT >::getCentroidIndex(), pcl::PCLBase< PointT >::setIndices(), pcl::PCLBase< PointT >::setInputCloud(), pcl::VoxelGrid< PointT >::setLeafSize(), pcl::VoxelGrid< PointT >::setSaveLeafLayout() и pcl::PointCloud< PointT >::size().

Этот метод выполняет обучение и формирует визуальный словарь.

Он возвращает обученную модель, которую можно сохранить в файл для последующего использования.

Параметры

[out]

trained_model

обученная модель

Определение в строке 669 файла implicit_shape_model.hpp.

Хранит оцениватель признаков.

Определение в строке 602 файла implicit_shape_model.h.

Если задано значение false, коэффициент Nvot из [Knopp et al., 2010, (4)] равен 1.0.

Определение в строке 608 файла implicit_shape_model.h.

Количество кластеров, используемое для кластеризации дескрипторов во время обучения.

Определение в строке 605 файла implicit_shape_model.h.

Это константное значение указывает, что центры для кластеризации k-means должны генерироваться способом, описанным в работе Arthur, David and Sergei Vassilvitski (2007) k-means++: The Advantages of Careful Seeding.

Определение в строке 613 файла implicit_shape_model.h.

Это значение используется для упрощения.

Оно задаёт размер ячейки сетки.

Определение в строке 599 файла implicit_shape_model.h.

Хранит номер класса для каждого облака из training_clouds_.

Определение в строке 588 файла implicit_shape_model.h.

Хранит облака, используемые для обучения.

Определение в строке 585 файла implicit_shape_model.h.

Хранит нормали для каждого обучающего облака.

Определение в строке 591 файла implicit_shape_model.h.

Этот массив хранит значения сигма для каждого обучающего класса.

Если размер этого массива равен 0, значения сигма будут вычислены автоматически.

Определение в строке 596 файла implicit_shape_model.h.

Это константное значение указывает, что входные метки следует использовать в качестве начального приближения для кластеризации k-means.

Определение в строке 617 файла implicit_shape_model.h.