知识卡片
空间划分加速点云检索
KD 树每轮选择坐标维度和分割值,将点划入两侧子树。用中位数分割可让两侧点数较接近。点云邻域搜索可跳过与查询范围不相交的子空间,再用距离或其他标准组成候选簇。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 智能驾驶的融合感知 5.3 激光雷达传感器的标定 · 查看原书依据
KD-Tree的基本思路为针对K维数据集合,选择其某一个维度D,将集合中的数据与KD-Tree的根节点进行比较,按照大小关系归类为子节点,即将K维数据划分为大小两部分。继续分别对这两个子K维
参考来源
- 位置:《人工智能:智能驾驶》第5章 智能驾驶的融合感知,5.3 激光雷达传感器的标定(book-source:extracted/人工智能:智能驾驶/_epub-src/OEBPS/Text/chapter8.xhtml#Afa77006c-1298-4d3c-a1c9-c3617b8652ff)
- 结论依据:原文说明分维比较和中值划分,并在点云聚类里使用空间距离。
- 原始内容:KD-Tree的基本思路为针对K维数据集合,选择其某一个维度D,将集合中的数据与KD-Tree的根节点进行比较,按照大小关系归类为子节点,即将K维数据划分为大小两部分。继续分别对这两个子K维