我目前正在寻找一种将简单形状（例如T形或L形）拟合到2D点云的方法。我需要的是形状的位置和方向。
我一直在研究几种方法，但大多数方法看起来非常复杂，并且首先需要构建和学习示例数据库。当我处理非常简单的形状时，我希望可能有一个更简单的方法。
答案 0 :(得分：0)
通过说你不想做任何训练，我猜你的意思是你不想做任何功能匹配;特征匹配用于对图像中对象的姿势（位置和方向）进行良好的猜测，并且可以与RANSAC一起用于猜测和验证关于对象姿势的良好假设的问题。
最简单的方法是模板匹配，但这可能计算太复杂（取决于您的用例）。在模板匹配中，您只需循环遍历对象的可能位置及其可能的方向和可能的比例，并检查模板（在该位置看起来像L或T的云，方向和比例）的匹配程度（或者您是否采样）可能的位置方向和随机尺度）。如果您的点被组织起来（或者通过例如将它们转换为像素来组织它们），则可以相当快地检查模板。
如果速度太慢，有很多方法可以更快地进行模板匹配，我建议您使用广义霍夫变换。
在这里，在开始搜索模板之前，循环遍历您正在寻找的形状的边界（T或L），并且对于其边界上的每个点，您可以查看渐变方向，然后查看渐变方向和对象模板的原点以及到原点的距离。您可以为每个边界点添加一个表（我们称之为Table A），最后得到一个表，该表从梯度方向映射到对象原点的可能位置集。现在你设置了一个2D投票空间，它实际上只是一个2D数组（我们称之为Table B），其中每个像素都包含一个数字，表示该位置对象的投票数。然后，对于目标图像（点云）中的每个点，检查渐变并找到与该渐变对应的Table A中找到的可能对象位置集，然后为{中的所有对应对象位置添加一个投票。 {1}}（霍夫空间）。
这是一个非常简洁的解释，但知道寻找模板匹配和广义霍夫变换，你将能够在网上找到更好的解释。例如。查看维基百科页面上的模板匹配和霍夫变换。
答案 1 :(得分：0)
您可能需要：
1-从您正在寻找对象的图像中提取一些特征。
2-提取对象图像中的另一组特征
3-匹配功能（可以使用SIFT等方法）
4-当你找到匹配时应用RANSAC算法。它为您提供转换矩阵（包括翻译，轮换信息）。
从here开始使用SIFT。它实际上是为SIFT编写的最好的源代码之一。它包括RANSAC算法，您不需要自己实现它。
您可以阅读有关RANSAC here的信息。
答案 2 :(得分：0)
用于检测2D点云数据中形状（L，T，...）的两种常用方法是使用OpenCV或点云库。我将说明您在OpenCV中检测这些形状可能要采取的步骤。为此，可以使用以下3种方法，正确的方法选择取决于形状（大小，形状的面积，...）：
第一步是将您的点转换为灰度Mat对象，方法是基本制作2D点云数据的图像，以便可以使用其他OpenCV函数。然后，您可以对图像进行平滑处理以减少噪点，结果将导致包含真实边缘的模糊图像，如果您的应用程序不需要实时处理，则可以使用bilateralFilter。您可以找到有关平滑here的更多信息。
下一步将是选择方法。如果形状只是某种正交线（例如L或T），则可以使用“霍夫线变换”（Hough Line Transformation）来检测线，并在检测到之后，可以在线上循环并计算线的dot product （由于它们是正交的，结果应为0）。您可以找到有关霍夫线变换here的更多信息。
另一种方法是使用“模板匹配”来检测您的形状。基本上，您应该制作一个形状（L或T）的模板，并在matchTemplate函数中使用它。您应该考虑要使用的模板的大小应与图像顺序一致，否则可以调整图像的大小。有关算法的更多信息，请参见here。
如果形状包含区域，则可以使用findContours找到形状的轮廓，它将为您提供要检测的形状周围的多边形数量。例如，如果您的形状是L，它将具有大约6条线的多边形。另外，您可以将其他一些过滤器与findContours一起使用，例如计算形状的面积。