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, который инициализирует всё.

Определение в строке 549 файла implicit_shape_model.hpp.

Простой деструктор.

Определение в строке 563 файла implicit_shape_model.hpp.

Этот метод просто вычисляет матрицу вращения, так что заданная нормаль будет соответствовать оси Y после преобразования.

Это делается потому, что алгоритм должен быть инвариантным к аффинным преобразованиям.

Параметры

[вход]

in_normal

нормаль, для которой необходимо вычислить матрицу вращения

Определение в строке 1193 файла implicit_shape_model.hpp.

Ссылки pcl::B.

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

Параметры

[вход]	io_vec	вектор, который нужно преобразовать
[вход]	in_transform	матрица, содержащая преобразование

Определение в строке 1224 файла implicit_shape_model.hpp.

Этот метод вычисляет значение sigma, используемое для вычисления выученных весов для каждого класса.

Параметры

[выход]

sigmas

вычисленные sigmas.

Определение в строке 934 файла implicit_shape_model.hpp.

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

Параметры

[in]	locations	массив, содержащий описание каждой ключевой точки: её положение, к какому облаку она относится и ожидаемое направление к центру
[in]	labels	метки, полученные во время кластеризации k-средних
[in]	sigmas	массив сигм для каждого класса
[in]	clusters	кластеры, полученные во время кластеризации k-средних
[out]	statistical_weights	хранит вычисленные статистические веса
[out]	learned_weights	хранит вычисленные усреднённые веса

Определение в строке 985 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	хранит центры кластеров

Определение в строке 908 файла implicit_shape_model.hpp.

Вычисляет квадратное расстояние между двумя векторами.

Параметры

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

Определение в строке 1514 файла implicit_shape_model.hpp.

Ссылки на pcl::geometry::distance().

Выполняет кластеризацию K-средних.

Параметры

[in]	points_to_cluster	точки для кластеризации
[in]	number_of_clusters	желаемое количество кластеров
[out]	io_labels	параметр вывода, который хранит метку для каждой точки
[in]	criteria	определяет, когда необходимо завершить вычислительный процесс. Например, если достигнута желаемая точность или количество итераций превысило заданное значение
[in]	attempts	количество попыток вычисления кластеризации
[in]	flags	если установлено USE_INITIAL_LABELS, то начальное приближение меток берётся из io_labels
[out]	cluster_centers	будет хранить центры кластеров

Определение в строке 1256 файла implicit_shape_model.hpp.

Этот метод оценивает характеристики для заданного облака точек.

Параметры

[in]	sampled_point_cloud	выборка облака точек, для которых должны быть вычислены характеристики
[in]	normal_cloud	нормали для исходного облака точек
[out]	feature_cloud	будет хранить вычисленные гистограммы (характеристики) для заданного облака

Определение в строке 1231 файла implicit_shape_model.hpp.

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

Извлекает описатели из входных облаков.

Параметры

[out]	histograms	будет хранить описатели для каждой ключевой точки
[out]	locations	будет содержать подробную информацию (например, направление, начальную ключевую точку) для соответствующих описателей

Определение в строке 847 файла implicit_shape_model.hpp.

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

Эта функция ищет класс, представляющий интерес, в заданном облаке и возвращает список голосов.

Параметры

[in]	model	обученная модель, которая будет использоваться для поиска объектов
[in]	in_cloud	входное облако, которое необходимо исследовать
[in]	in_normals	облако нормалей, соответствующее входному облаку
[in]	in_class_of_interest	класс, который мы ищем

Определение в строке 752 файла implicit_shape_model.hpp.

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

Генерирует центры кластеров, как описано в Arthur, David и Sergei Vassilvitski (2007) k-means++: Преимущества тщательной инициализации.

Параметры

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

Определение в строке 1422 файла implicit_shape_model.hpp.

Генерирует случайный центр для кластера.

Параметры

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

Определение в строке 1498 файла implicit_shape_model.hpp.

Возвращает текущий оценщик признаков, используемый для извлечения описателей.

Определение в строке 639 файла implicit_shape_model.hpp.

Возвращает количество кластеров, используемых для кластеризации описателей.

Определение в строке 653 файла implicit_shape_model.hpp.

Возвращает состояние коэффициента Nvot из [Knopp et al., 2010, (4)], если установлено в false, то коэффициент принимается равным 1,0.

Это всего лишь своего рода эвристика. По умолчанию поведение соответствует статье. Поэтому вы можете проигнорировать это, если хотите.

Определение в строке 684 файла implicit_shape_model.hpp.

Возвращает размер выборки, используемый для упрощения облака.

Определение в строке 624 файла implicit_shape_model.hpp.

Возвращает массив значений сигма.

Определение в строке 668 файла implicit_shape_model.hpp.

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

Определение в строке 591 файла implicit_shape_model.hpp.

Этот метод просто возвращает облака, которые были установлены в качестве обучающих облаков.

Определение в строке 574 файла implicit_shape_model.hpp.

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

Определение в строке 607 файла implicit_shape_model.hpp.

Запрещает оператор присваивания.

Изменяет оценщик признаков.

Parameters

[in]

feature

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

Определение в строке 646 файла implicit_shape_model.hpp.

Изменяет количество кластеров.

Parameters

num_of_clusters

требуемое количество кластеров

Определение в строке 660 файла implicit_shape_model.hpp.

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

Parameters

[in]

state

желаемое состояние; если false, то Nvot принимается равным 1,0

Определение в строке 691 файла implicit_shape_model.hpp.

Изменяет размер выборки, используемый для упрощения облака.

Parameters

[in]

sampling_size

желаемый размер ячейки сетки

Определение в строке 631 файла implicit_shape_model.hpp.

Этот метод позволяет установить значение сигмы, используемое для вычисления выученных весов для каждого класса.

Parameters

[in]

training_sigmas

новые сигмы для каждого класса. Если вы хотите, чтобы эти значения вычислялись автоматически, просто передайте пустой массив. Автоматический режим вычисляет максимальное расстояние между точками объектов и принимает 10% от этого значения, как рекомендуется в статье. Если есть несколько объектов одного класса, то вычисляется среднее максимальное расстояние и берется 10%. Обратите внимание, что каждый класс имеет свое собственное значение сигмы.

Определение в строке 675 файла implicit_shape_model.hpp.

Позволяет задать метки классов для соответствующих обучающих облаков.

Parameters

[in]

training_classes

массив меток классов

Определение в строке 598 файла implicit_shape_model.hpp.

Позволяет задать облака для обучения модели ISM.

Parameters

[in]

training_clouds

массив облаков точек для обучения

Определение в строке 581 файла implicit_shape_model.hpp.

Разрешает задать нормали для обучающих облаков, которые были переданы через метод setTrainingClouds.

Parameters

[in]

training_normals

массив облаков, каждое облако — это облако нормалей

Определение в строке 614 файла implicit_shape_model.hpp.

Этот метод просто смещает точки облака относительно переданной точки.

Parameters

[in]	in_cloud	облако для смещения
[in]	shift_point	точка, относительно которой будет смещено облако

Определение в строке 1179 файла implicit_shape_model.hpp.

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

Упрощает облако с использованием принципов воксельного грида.

Parameters

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

Определение в строке 1115 файла implicit_shape_model.hpp.

Ссылки на 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.

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

Parameters

[out]

trained_model

обученная модель

Определение в строке 698 файла implicit_shape_model.hpp.

Хранит оценщик признаков.

Определение в строке 603 файла implicit_shape_model.h.

Если установлено в false, то коэффициент Nvot из [Knopp et al., 2010, (4)] равен 1,0.

Определение в строке 609 файла implicit_shape_model.h.

Число кластеров, используется для кластеризации дескрипторов во время обучения.

Определение в строке 606 файла implicit_shape_model.h.

Это константа, используемая для указания того, что центры для кластеризации k-means должны быть сгенерированы, как описано в работе Arthur, David and Sergei Vassilvitski (2007) k-means++: The Advantages of Careful Seeding.

Определение в строке 614 файла implicit_shape_model.h.

Это значение используется для упрощения.

Оно устанавливает размер ячейки сетки.

Определение в строке 600 файла implicit_shape_model.h.

Хранит номер класса для каждого облака из training_clouds_.

Определение в строке 589 файла implicit_shape_model.h.

Хранит облака, используемые для обучения.

Определение в строке 586 файла implicit_shape_model.h.

Хранит нормали для каждого облака обучения.

Определение в строке 592 файла implicit_shape_model.h.

Этот массив хранит значения сигмы для каждого класса обучения.

Если размер этого массива равен 0, то значения сигмы будут рассчитаны автоматически.

Определение в строке 597 файла implicit_shape_model.h.

Это константа, используемая для указания того, что входные метки должны быть взяты как начальное приближение для кластеризации k-means.

Определение в строке 618 файла implicit_shape_model.h.