bounding box

分类:碰撞检测/计算机图形学/计算几何

这个包围盒就代表着这个物体在碰撞等物理方面的所有东西。

包围盒算法是一种求解离散点集最优包围空间的方法。基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。

包围盒算法是进行碰撞干涉初步检测的重要方法之一。

属性:

  碰撞检测技术中所用的包围盒有两个属性:简单性和紧密性。

  简单:计算简单

  紧密:包围紧密

  简单性是指包围盒间进行相交测试时需要的计算量,这不但要求几何形状简单容易计算,而且要求相交测试算法简单快速;

  紧密性要求包围盒尽可能的贴近被包围的对象,这一属性直接关系到需要进行相交测试的包围盒的数目,紧密性越好,参与相交测试的包围盒数目就越少。

分类:

  1.AABB是应用最早的包围盒。

    它被定义为包含该对象,且边平行于坐标轴的最小六面体。

  2.包围球:

      包含该对象的最小的球体

      确定包围球算法:首先需分别计算组成对象的基本几何元素集合中所有元素的顶点的x,y,z坐标的均值以确定包围球的球心,再由球心与三个最大值坐标所确定的       点间的距离确定半径r。包围球的碰撞检测主要是比较两球间半径和与球心距离的大小。

  3.OBB包围盒:

      它是包含该对象且相对于坐标轴方向任意的最小的长方体。

      包围紧密,但是相交计算复杂。

时间: 2024-10-25 00:16:56

bounding box的相关文章

Torch 两个矩形框重叠面积的计算 (IoU between tow bounding box)

Torch 两个矩形框重叠面积的计算 (IoU between tow bounding box) 1 function DecideOberlap(BBox_x1, BBox_y1, BBox_x2, BBox_y2, BBox_gt_x1, BBox_gt_y1, BBox_gt_x2, BBox_gt_y2) 2 3 x1 = BBox_x1; 4 y1 = BBox_y1; 5 width1 = BBox_x2 - BBox_x1; 6 height1 = BBox_y2 - BBox_

基于Cocos2d-x的2D空间中的OBB(Orient Bounding Box)碰撞检测算法

基于Cocos2d-x的2D空间中的OBB(Orient Bounding Box)碰撞检测算法 尊重原创:http://cn.cocos2d-x.org/tutorial/show?id=1577

Fast algorithm to compute minimum volume oriented bounding box

Computing minimum volume bounding box is a hard problem in computer science. Exact algorithm costs O(n3) time complexity.However, for lots of applications an approximation of the minimum volume oriented bounding box is acceptable and already accurate

目标检测中bounding box regression

https://zhuanlan.zhihu.com/p/26938549 RCNN实际包含两个子步骤,一是对上一步的输出向量进行分类(需要根据特征训练分类器):二是通过边界回归(bounding-box regression) 得到精确的目标区域,由于实际目标会产生多个子区域,旨在对完成分类的前景目标进行精确的定位与合并,避免多个检出. fast rcnn中SoftmaxLoss代替了SVM,证明了softmax比SVM更好的效果,SmoothL1Loss取代Bouding box回归.将分类

3D空间中的AABB(轴向平行包围盒, Aixe align bounding box)的求法

引言 在前面的一篇文章中讲述了如何通过模型的顶点来求的模型的包围球,并且还讲述了基本包围体除了包围球之外,还有AABB包围盒.在这一章,将讲述如何根据模型的坐标求得它的AABB盒. 表示方法 AABB盒的表示方法有很多,总结起来有如下的三种情况: Max-min表示法:使用一个右上角和左下角的点来唯一的定义一个包围体 Center-radious表示法:我们用center点来表示中点,radious是一个数组,保存了包围盒在x方向,y方向,z方向上的半径. Min-Width表示方法:我们用mi

第二十六节,滑动窗口和 Bounding Box 预测

上节,我们学习了如何通过卷积网络实现滑动窗口对象检测算法,但效率很低.这节我们讲讲如何在卷积层上应用这个算法. 为了构建滑动窗口的卷积应用,首先要知道如何把神经网络的全连接层转化成卷积层.我们先讲解这部分内容,并演示卷积的应用过程. 一 卷积的滑动窗口实现 假设对象检测算法输入一个 14×14×3 的图像,图像很小,不过演示起来方便.在这里过滤器大小为 5×5,数量是 16, 14×14×3 的图像在过滤器处理之后映射为 10×10×16.然后通过参数为 2×2 的最大池化操作,图像减小到 5×

2. 滑动窗口和 Bounding Box 预测

滑动窗口和 Bounding Box 预测(转) 原文链接:https://www.cnblogs.com/zyly/p/9180485.html 目录 一 卷积的滑动窗口实现 二  Bounding Box 预测 上节,我们学习了如何通过卷积网络实现滑动窗口对象检测算法,但效率很低.这节我们讲讲如何在卷积层上应用这个算法. 为了构建滑动窗口的卷积应用,首先要知道如何把神经网络的全连接层转化成卷积层.我们先讲解这部分内容,并演示卷积的应用过程. 回到顶部 一 卷积的滑动窗口实现 假设对象检测算法

Bounding Box回归

简介 Bounding Box非常重要,在rcnn, fast rcnn, faster rcnn, yolo, r-fcn, ssd,到今年cvpr最新的yolo9000都会用到. 先看图 对于上图,绿色的框表示Ground Truth, 红色的框为Selective Search提取的Region Proposal.那么即便红色的框被分类器识别为飞机,但是由于红色的框定位不准(IoU<0.5),那么这张图相当于没有正确的检测出飞机. 如果我们能对红色的框进行微调, 使得经过微调后的窗口跟Gr

【CVPR2018】PointFusion: Deep Sensor Fusion for 3D Bounding Box Estimation

又一篇3D点云detection的顶会.这篇文章是two stage的方法,非end-to-end.文章的前提是利用faster rcnn得到2D图像的image crop:然后才是本文介绍的PointFusion,即将image crop和对应的3D点云数据作为输入,得到3D box.可以说这篇文章实际2D检测基础上做3D检测. 整个模型如图: 输入:2D 图像块(fatser RCNN检测结果):对应的3D点云 模型: 特征提取: 2D图像用预训练的ResNet50提取2048d的特征 用多