kdtree

思路还是很容易想到的： 1.首先使用KD树寻找当前点邻域的N个点，这里取了10个，直接调用了vlfeat。 2.用最小二乘估计当前邻域点组成的平面，得到法向量。 3.根据当前邻域点平均值确定邻域质心，通常质心会在弯曲表面的内部，反方向即为法线方向。 vlfeat在这里下载 ， 配置参考这里 ，rabbit.pcd 下载地址 处理效果如下： 原始点云： 点云表面法向量，做了降采样处理： 兔子果断变刺猬。 matlab代码如下： clear all; close all; clc; warning off; pc = pcread( ' rabbit.pcd ' ); pc =pcdownsample(pc, ' random ' , 0.3 ); % 0.3 倍降采样 pcshow(pc); pc_point = pc.Location ' ; %得到点云数据 kdtree = vl_kdtreebuild(pc_point); %使用vlfeat建立kdtree normE = []; for i= 1 :length(pc_point) p_cur = pc_point(:,i); [index, distance] = vl_kdtreequery(kdtree, pc_point, p_cur, ' NumNeighbors ' , 10 ); %寻找当前点最近的10个点 p

NOIP考点 基础算法 图 树 数论 数据结构 动态规划 搜索 其他算法 省选知识点汇总 图论 数据结构 字符串相关算法及数据结构 数学 计算几何 搜索 动态规划 其他算法 转自： 巨佬的博客 加*号是选学，加粗为重点，重要值排序不分先后 NOIP考点 基础算法 贪心、枚举、分治、二分、倍增、*构造、高精、模拟、图论 图 最短路（dijkstra、spfa、floyd） ，差分约束 最小生成树（kruskal、prim） 并查集（扩展域） 拓扑排序 二分图染色 ，*二分图匹配 tarjan找scc、桥、割点，缩点 *分数规划 树 树上倍增（LCA） 树的直径、树的重心 dfs序 *树链剖分 数论 gcd、lcm 埃氏筛法 exgcd，求解同余方程、逆元 快速幂 *组合数学 矩阵 数据结构 链表、队列（单调队列）、栈（单调栈） 堆、st表、hash表 线段树、树状数组 字典树 *分块 动态规划 背包DP、树形DP、记忆化搜索、递推 区间DP、序列DP *DP优化 （不涉及斜率优化、四边形不等式等等） 搜索 暴搜（dfs、bfs） 搜索的剪枝 启发式搜索（A*） 迭代加深搜索、* IDA* *随机化搜索 其他算法 STL的基本使用方法 脑洞的正确使用方法 *KMP *状态压缩 省选知识点汇总 冲省选的，先把整理的NOIP知识点学扎实，注意一定要学扎实 加粗是重点，星号是选学 学无止境

1、什么是K近邻算法 K近邻算法（KNN）是一种常用的分类和回归方法，它的基本思想是从训练集中寻找和输入样本最相似的k个样本，如果这k个样本中的大多数属于某一个类别，则输入的样本也属于这个类别。 关于KNN算法，一个核心问题是： 如何快速从数据集中找到和目标样本最接近的K个样本？ 本文将从这个角度切入，介绍常用的K近邻算法的实现方法。具体将从原理、使用方法、时间开销和准确率对比等方面进行分析和实验。 2、距离度量 在介绍具体算法之前，我们先简单回顾一下KNN算法的三要素： 距离度量、k值的选择和分类决策规则 。 其中机器学习领域常用的距离度量方法，有欧式距离、余弦距离、曼哈顿距离、dot内积等 主流的近邻算法都支持上述不同的距离度量。其中n维特征空间的a、b向量的 欧式距离 体现数值上的绝对差异，而余弦距离基于余弦相似度（两个向量间夹角的余弦值），体现方向上的相对差异。 如果对向量做归一化处理，二者的结果基本是等价的。 实际应用中，需要根据业务目标来选择合适的度量方法。 3、K近邻算法的实现方法 K近邻的实现方式多达数十种，笔者从中挑选了几种常用、经典的方法作为分析案例。 首先最直观的想法（暴力法），是线性扫描法。将待预测样本和候选样本逐一比对，最终挑选出距离最接近的k个样本即可，时间复杂度O(n)。对于样本数量较少的情况，这种方法简单稳定，已经能有不错的效果。但是数据规模较大时

1.主函数 主函数主要作用是： 定义一个信号变量，管理节点 定义amclNode对象 int main(int argc, char** argv) { ros::init(argc, argv, "amcl"); ros::NodeHandle nh; // Override default sigint handler signal(SIGINT, sigintHandler); // Make our node available to sigintHandler amcl_node_ptr.reset(new AmclNode()); if (argc == 1) { // run using ROS input ros::spin(); } else if ((argc == 3) && (std::string(argv[1]) == "--run-from-bag")) { amcl_node_ptr->runFromBag(argv[2]); } // Without this, our boost locks are not shut down nicely amcl_node_ptr.reset(); // To quote Morgan, Hooray! return(0); } 2.amclNode对象的构造 1.有一个配置相关的递归互斥锁锁 2

https://blog.csdn.net/App_12062011/article/details/51986805 一： kd树构建 以二维平面点((x,y))的集合(2,3)，(5,4)，(9,6)，(4,7)，(8,1)，(7,2)为例结合下图来说明k-d tree的构建过程。 （一）构建步骤 1.构建根节点时，此时的切分维度为(x)，如上点集合在(x)维从小到大排序为： (2,3)，(4,7)，(5,4)，(7,2)，(8,1)，(9,6)； 其中中位数为7，选择中值(7,2)。（注：2,4,5,7,8,9在数学中的中值为(5 + 7)/2=6，但因该算法的中值需在点集合之内，所以本文中值计算用的是len(points)//2=3, points[3]=(7,2)） 2.(2,3)，(4,7)，(5,4)挂在(7,2)节点的左子树，(8,1)，(9,6)挂在(7,2)节点的右子树。 3.构建(7,2)节点的左子树时，点集合(2,3)，(4,7)，(5,4)此时的切分维度为(y)，从3，4，7选取中位数4，中值为(5,4)作为分割平面，(2,3)挂在其左子树，(4,7)挂在其右子树。 4.构建(7,2)节点的右子树时，点集合(8,1)，(9,6)此时的切分维度也为(y)，中值为(9,6)作为分割平面，(8,1)挂在其左子树。至此k-d tree构建完成。