CloudCompare点云处理：从Global shift到ICP配准-北京尧图网络

简介面向点云处理初学者与进阶用户的 CloudCompare 中文教程围绕这款三维点云处理与分析工具帮助读者解决界面陌生、功能入口分散、处理流程不连贯的问题适用于地质、建筑、测绘与工程等三维扫描场景。压缩包内为 1 个 PDF 文件约 4.95MB内容按模块组织基本操作、显示与保存设置Primitive Factory 几何体创建与采样颜色渲染、法线估计与八叉树Delaunay 剖分与网格操作以及 Tools 中的去噪、配准、降采样与插件扩展。汉化方法、ICP 配准、cloud distance、merge 等技巧均配图文说明方便随用随查。内容兼顾原理与截图示例读者可据此走通点云导入、预处理、分析与后处理全流程并理解八叉树、法线精细化等参数作用。目前已有 1469 人学习适合希望系统掌握该工具的中文用户收藏备查。1. 点云一进软件就“飘走”先改 Global shift再谈任何算法从某高校实验室拷来的那份 CloudCompare 课程资源目录里躺着 PPT、汉化说明和一堆菜单截图新人照着从 File 点到 Plugins一圈下来还是不知道从哪下手。真正让人卡住的往往不是功能太多而是打开文件那三秒带投影坐标的 LAS 一进来点云直接飞出视图鼠标滚轮转到手酸也找不回来或者两个测站的点云看着重叠一配准就飞。这类问题九成出在 File → Global shift settings 这一栏先把它调对后面 Octree、ICP、C2C 才有意义。这份资源的价值不在截图多而在于它把 File、Edit、Tools、Display、Plugins 五个菜单按“数据流”串了一遍适合刚接手点云项目、手上有一份实测数据却不知道先动哪的人。2. 先造一个“已知答案”的点云Primitive Factory、颜色与法线这三步拿真实数据练手最大的问题是你不知道结果对不对。平面到底平不平、法线朝里还是朝外、颜色渐变有没有被拉伸全凭感觉。所以我在带人上手时第一步永远是用 Primitive Factory 造一个几何参数完全已知的模型再从模型上采样点云拿它当试验台。这一章把“造数据 → 上色 → 算法线”这条链路走完后面所有滤波、配准、距离计算的调试都可以回到这个试验台上验证。2.1 Primitive Factory 与采样把参数捏在自己手里Primitive Factory 在 File 菜单下打开后左边是图元类型平面、立方体、球体、圆柱、圆锥、圆环、碟形、坐标轴右边是尺寸参数和“初始精度”。初始精度这个字段决定生成模型的面片数量数值越大越精细但对后面采样点云的密度影响很直接——很多教程一句“设置初始精度”就带过实操时你会发现精度给低了采样出来的点云在曲面上明显分层做曲率计算全是噪点。常见做法是先用默认精度生成记下三角形数量再去 Mesh → Measure surface 看总面积估算一下你要的点间距反推精度。生成后的图元可以用 Edit → Apply Transformation 做刚性变换把它摆到任意位置——这一步很关键因为默认图元是沿 X、Y、Z 主轴对齐的你要测倾斜面的法线就得先把它转斜。从模型采样点云走 Edit → Mesh → Sample points参数只有两个采样点总数和采样方式。这里有个容易忽略的点——采样得到的新点云默认不继承原网格的法线如果你后面要做法线相关操作记得勾选相关选项或单独再算一遍。下面这段脚本用 Python 造一个带噪声的平面点云格式存成 PLY方便你在没有真实数据时先跑通流程import numpy as np # 造一个 20m x 20m 的平面格点间距 0.05m模拟激光扫描的均匀采样 step 0.05 xs np.arange(0, 20, step) ys np.arange(0, 20, step) X, Y np.meshgrid(xs, ys) # 平面方程 z 0.02*x 0.01*y故意给一点坡度方便后面验证法线方向 Z 0.02 * X 0.01 * Y # 叠加高斯噪声模拟测距误差σ 取 3mm rng np.random.default_rng(42) Z_noisy Z rng.normal(0, 0.003, Z.shape) pts np.column_stack([X.ravel(), Y.ravel(), Z_noisy.ravel()]) # 手写 PLY 头避免依赖 open3d / plyfile 这类第三方包 header ( ply\n format ascii 1.0\n felement vertex {len(pts)}\n property float x\nproperty float y\nproperty float z\n end_header\n ) with open(test_plane.ply, w) as f: f.write(header) for p in pts: f.write(f{p[0]:.4f} {p[1]:.4f} {p[2]:.4f}\n) print(points:, len(pts))逻辑说明网格化生成 XY 平面上的规则点Z 由平面方程给出再叠加 3mm 标准差的高斯噪声——这个量级接近中短程地面激光扫描的测距精度。手写 PLY 头是为了免装依赖CloudCompare 对 ascii PLY 的兼容性很好。参数上step控制点间距它直接决定后面八叉树体素大小的合理取值噪声 σ 控制平面拟合 RMS 的量级你后面用 Fit → Plane 查 RMS 时结果应该落在 3mm 附近对不上就说明哪一步出了问题。这就是“已知答案”的意义。提示如果你拿到的实测数据点数在千万级以上先在 CloudCompare 里用 Edit → Subsample 降到几百万再操作界面响应会顺很多别一上来就拿全量数据做 ICP。2.2 颜色渲染五种方式对应五种完全不同的用途Edit → Colors 下面那一串命令名字很像实际用途差得远误用会得到看起来“有颜色”但完全没信息量的结果。Set Unique 是给整个实体刷一个纯色用途只有一个在多个点云叠在一起时区分谁是谁。Colorize 是把当前颜色乘上你选的颜色红乘绿得黑——这个操作不可逆刷之前想清楚我见过有人把整份彩色点云刷成黑色还找不到撤销。Levels 是调色阶柱状图本质是 RGB 通道的对比度拉伸适合扫描件颜色发灰、需要提对比度的场景。Height Ramp 按某一维通常是 Z做线性、梯形或环形渐变是快速看地形起伏最省事的办法。Convert to grey scale 转灰度之后再用 Convert to Scalar Field 把灰度变成一个标量域就能拿去做滤波、分割、统计——这是“颜色 → 数值”的关键一跳很多人卡在只有颜色没有数值没法参与运算。我一般的工作顺序是先 Set Unique 确认点云有没有明显错层再 Height Ramp 看整体形态需要定量分析时才走 Convert to Scalar Field 这条路。Interpolate from another entity 用于给低密度点云补色采样自另一份带色点云Enhance with intensities 是把强度信息叠加到颜色上适合有回波强度的激光数据。注意Convert to Scalar Field 生成的标量域在实体被合并Merge之后不会自动保留合并前先确认哪些属性是你要带走的。2.3 法线三步走Compute、Orient、Convert 不是同一件事法线是 CloudCompare 里翻车率最高的环节原因是大多数人把“算出来”当成“算对了”。实际流程是三件事Compute 只负责给每个点估计一个法线方向和曲率Orient 负责把这些法线的朝向统一朝同一侧Convert 负责把法线转成可运算的标量域或颜色。Compute 的参数里最要紧的是邻域半径或最近邻点数。半径给小了法线随噪声乱摆给大了曲面拐角被抹平。经验值是取点间距的 38 倍先用 5 倍试看结果再调。计算完之后你会看到点云变“黑”了一块这是法线朝后的点在光照下的表现——不是数据坏了是没做 Orient。Orient Normals 有两个常用方法With Minimum Spanning Tree 和 With Fast Marching。前者对闭合、结构完整的点云更稳后者在开放曲面、法线朝向需要沿某个种子点扩散时更好用。用法上都要先给一个参考方向或者种子点随便点一个大致朝外的点当种子效果通常比默认好。这里没什么玄学就是种子选偏了整片法线跟着偏。Convert to 有三个出口HSV 把法线方向映射成颜色肉眼检查朝向最直观Dip and Dip direction 输出两个标量域做地质产状分析时用Export normals to SF(s) 把 XYZ 三个分量各存一个标量域方便做筛选。我通常的做法是算完先 Convert to HSV 看一眼颜色是否连贯有突变斑块就说明邻域参数给错了或者点云本身有裂缝。3. 八叉树、减点与网格化内存账本要先算清楚点云处理到一定规模瓶颈从来不是算法慢是内存先炸。八叉树是 CloudCompare 里几乎所有加速结构的底座——邻域搜索、重采样、距离计算、法线估计底下都在建它。理解它的“体素”概念比记住菜单在哪有用得多。这一章把八叉树、三种减点方式和 Delaunay 网格化放在一起讲因为它们共用同一套空间尺度参数参数给一次三处都受影响。3.1 八叉树在 CC 里到底管什么八叉树的原理不复杂把整个包围盒沿三个轴各切一刀分成八个子体素递归下去直到每个体素里的点数低于阈值或者体素尺寸小于下限。CloudCompare 的 Octree → Compute 是“强制”计算你平时不点它很多操作也会在后台自动建——区别在于自动建的参数是软件猜的手动建可以自己定。手动设的参数主要是最大体素数和最小体素数或者直接指定八叉树层级。层级每加一级体素数量乘八这是指数增长层级从 10 加到 12体素数量翻四倍内存和耗时会明显不一样。我在 3000 万点的实测地形数据上试过层级给到 11 的时候界面还能拖动给到 13 就开始卡。Octree → Resample 是用每个最小体素的质心替代体素内所有点。注意这个操作会改变点的位置不是简单的抽稀——原来的点被“平均”掉了细小的特征比如一根电缆、一个棱角会消失。需要保特征的时候别用它用 Subsample 里的随机或空间采样更稳妥。八叉树可视化在 Display 里能开效果是把体素框画出来用来确认层级选得合不合适。层级太粗框比房子还大太细满屏都是线什么都看不清。这个工具主要是给你一个直观的尺度感实际操作中我更多是靠点间距反推。3.2 Subsample、Octree Resample、SOR filter三种减点各管一段这三个功能经常被混用但目标完全不同用错了不是效果差一点是数据性质变了。方式入口作用点位置是否改变适用场景Subsample随机/空间/八叉树Edit → Subsample减少点数保留原始点否降内存、做配准前预处理Octree ResampleEdit → Octree → Resample体素质心替代体素内点是均匀化密度、做栅格化前的准备SOR filterEdit → Clean → SOR filter按统计离群度删点否去飞点、去噪Noise filterEdit → Clean → Noise filter低通平滑是平滑曲面噪声Subsample 里的“空间”模式按最小点间距抽稀这个参数和八叉树体素尺寸是一个量级的概念但它是“保证任意两点间距不小于 d”的贪心抽稀结果在空间上比体素质心均匀得多也更保特征。我在做点云配准前一般用这个把两片云的密度拉到接近ICP 的收敛会稳。SOR filter 的参数是两个邻域点数 k 和标准差倍数 n。判定规则是如果某点到它 k 个邻居的平均距离超过全局均值加 n 倍标准差就删掉。k 一般给 620n 给 1.02.0n 越小删得越狠。这个操作对飞点非常有效但对本身就有稀疏区域的数据比如被遮挡的墙角容易误删删完记得对比一下点数变化比例掉超过 5% 就要警惕。Noise filter 是低通会移动点的位置签合同上写“原始坐标不可变”的项目里别用或者用完单独另存一份。提示任何会改变点位置的操作Resample、Noise filter、Smooth做完都建议 Clone 一份原始实体对比CloudCompare 的属性对话框里能直接看点数但看不出点被移动了多少。3.3 Delaunay 2.5D 的两个平面选项以及网格后处理Mesh → Delaunay 2.5D 有两个入口XY plane 和 best fit plane。前者是把点投影到 XY 平面做三角剖分后者的投影面由点云自身拟合出来。这个区别对倾斜扫描的数据是致命的一面墙的点云用 XY plane 剖分得到的是墙在水平面上的“影子”三角形全部拉得极长用 best fit plane才能得到贴在墙面上的网格。判断该用哪个的办法很简单先 Fit → Plane 拟合一下看平面的法向和 Z 轴夹角。夹角小于 10 度XY plane 够用超过 30 度必须用 best fit plane中间地带两个都试看哪个三角形形态更均匀。网格出来之后常见的后续操作Smooth (Laplacian) 做平滑参数是迭代次数次数多了会收缩体积做体积测量前别用Subdivide 递归细分三角形直到边长小于指定值适合把粗网格加密后做纹理映射Measure surface 输出总面积和平均三角形面积前者用来核对后者用来判断网格质量——平均面积异常大说明有长条形三角形剖分面选错了。Convert texture/material to RGB 是把网格的贴图信息转成逐点 RGB 字段转完之后可以只保留点云不要网格这条路在做“带颜色的稠密点云”时很实用。Flag vertices 会标出边界点和非流形点检查网格是否闭合做体积计算的前提就靠它输出里 1 代表边界、2 代表非流形闭合网格应该全是 0。4. 配准与距离从粗配准到 ICP再到误差怎么读配准是整个流程里最容易“看起来成了其实没成”的一步。视图里两片云叠得挺齐一算距离 RMS 是 8 厘米回头查发现是 ICP 收敛到了局部最优。这一章把粗配准的三条路、ICP 的前置条件和参数、以及三种距离计算方式的适用边界讲清楚。配准做对了后面的偏差分析才有意义配准错了后面所有数字都是精致的垃圾。4.1 粗配准的三条路径选错路径后面全白费Tools → Registration 下面有三条粗配准路径适用条件完全不同。Match bounding-box centers 是把所选实体的包围盒中心对齐。它快、不需要人工但只在两片云“形状相似、尺度相同、只是位置不同”时才有意义。两个测站扫同一栋楼的不同面包围盒形状就不一样硬对齐会把点云推到更远的地方。这个方法我一般只用在“同一物体的两次扫描、已知没有旋转”的场景。Align (point pairs picking) 是手动拾取至少三个对应点。三个点不能共线最好分散在点云的三个角落。拾取时会弹出一个对话框左边点一片云、右边点另一片云的对应位置拾完点 Align 出变换矩阵。这个方法稳缺点是人工成本高而且拾点精度直接影响初值。我的习惯是拾 46 个点多出来的点用于检查残差如果某对点的残差明显大于其他说明点错了删掉重拾。New alignment tool 是半自动的它会先在两片云里各找一批特征点让你确认匹配关系再算变换。相比纯手动它在纹理弱、特征不明显的点云上更有优势但确认环节还是要人看别一路点确定。粗配准的目标不是“对齐”是把两片云拉到 ICP 的收敛半径以内。经验上粗配准后两片云的重叠区域偏差应该在同一量级比如都在半米以内如果差着几米ICP 基本必翻车。4.2 ICP 的前置条件与那几个滑块Fine registration (ICP) 有两个硬前提原文里写得很清楚两片云大体上相融表现为同样的对象或至少有同样的形状。这两句话翻译成操作就是粗配准已经做到大致重合且两片云扫的确实是同一块东西。参数上主要是这几项参考实体reference和数据实体data的指定谁不动谁动要想清楚因为最终变换矩阵是作用在 data 上的最大迭代次数默认值一般够用收敛慢的时候可以加到 100 以上最终重叠度final overlap这个值直接决定用哪些点参与误差计算给 100% 意味着全部点都要参与对有遮挡的实测数据不现实一般给 70%90%调整尺度adjust scale在两次扫描尺度一致时一定要关掉开着会让 ICP 顺手把尺度也改了得到一个“更优”但物理上错误的结果。判断 ICP 是否收敛看控制台输出的最终 RMS。但这个数要辩证看重叠度设得越低RMS 越好看因为不重合的部分被排除了。我一般的做法是固定重叠度跑一次再把重叠度调高跑一次如果两次的变换矩阵差异很小说明配准是稳的差得多说明数据本身重叠不够得回去补扫或者换粗配准方式。命令行做 ICP 的写法参数名以你本地版本的-HELP输出为准# -SILENT 关掉交互-O 依次打开两个文件第一个是参考第二个是待配准 # -ICP 触发精配准-SAVE_CLOUDS 保存结果输出格式由 -C_EXPORT_FMT 指定 CloudCompare -SILENT \ -C_EXPORT_FMT PLY \ -O ref.ply \ -O moving.ply \ -ICP \ -SAVE_CLOUDS逻辑说明命令行模式下 CloudCompare 不开界面所有操作按参数顺序执行。两个-O的先后顺序决定谁是参考谁是被变换对象这一点和 GUI 里的行为一致但命令行没有对话框提醒你顺序写反了结果就是反的。-C_EXPORT_FMT要写在保存之前否则按默认格式输出。批处理脚本里跑之前先在 GUI 里把参数试好再把命令抄过来能省很多调试时间。4.3 C2C、C2M、M3C2三种距离各自的适用面配准完成之后要评估偏差Tools → Distances 下有三个主要选项。Cloud/Cloud dist (C2C) 算的是点到点的最近距离输出一个标量域。它的优点是快、直观缺点是受点密度影响大——两片云密度不同的时候稀疏那片算出来的距离会系统偏大。所以做 C2C 之前务必先把两片云抽稀到接近的密度否则你测的是密度差不是形变。Cloud/Mesh dist (C2M) 算点到面的距离把其中一片云网格化之后用。相比 C2C它不受点密度影响测的是真实几何距离做墙体平整度、构件变形这类分析时更靠谱。代价是要先有一个质量过得去的网格。M3C2 是插件Plugins → qM3C2算的是沿法线方向的有向距离还会给出置信区间。它适合做时序变化检测——两次扫描之间哪里凸了、哪里凹了方向和量值都清楚。参数主要是法线尺度、投影尺度和最小点云密度三个值都和点间距挂钩先用点间距的 510 倍试。M3C2 的置信区间很重要变化量小于置信区间的区域不要当真实变化报出去。注意距离计算的标量域一定要用 Color Scales Manager 调色阶默认色阶可能把你的有效变化范围压成一条细带看着像“全都很接近”实际差异不小。5. 避坑与排查五条踩过的记录这一章的五条每一条都在实际项目里浪费过半天以上。写出来不是为了吓人是让你遇到时能三分钟内定位而不是从头怀疑人生。5.1 点云一片漆黑法线算完反而更黑现象Compute 法线之后点云某些区域变黑转视角也不恢复。原因法线朝向不统一背向光源的点在渲染时就是黑的。这不是渲染 bug是法线本身没做 Orient。解决先 Normals → Orient Normals → With Minimum Spanning Tree给一个种子点如果点云是开放曲面改用 With Fast Marching。另一种可能是有部分点的法线是 NaN邻域内点数不足这种情况下把 Compute 的邻域半径调大或者先做一次 Subsample 保证密度均匀再算。判断方法Convert to HSV颜色出现明显分区就是朝向问题颜色杂乱无章就是邻域参数问题。5.2 打开 LAS 后点云消失坐标数值大得吓人现象文件打开成功视图里什么都没有双击实体看属性坐标是几十万、几百万的量级。原因数据带投影坐标比如高斯投影的东坐标CloudCompare 的视图是以原点为中心的几百万的坐标直接把点云推出可视范围。另外浮点精度在这种量级下也不够点与点之间的细微差别会被吞掉。解决File → Global shift settings 里设一个平移量通常取坐标的整数部分比如把 X 的 500000 减掉让点云回到原点附近。这个平移量会被记录在实体属性里导出时可以选择是否加回去别在导出环节忘了这一步否则成果坐标全错。经验上坐标绝对值超过 10000 就该考虑做 shift。5.3 汉化之后菜单对不上教程越看越乱现象按教程找“工具 → 配准”自己界面上是“Tools → Registration”或者反过来中文版某个词翻译得和教程里的叫法不一样。原因汉化是通过 Language Translation 加载翻译文件实现的不同版本的翻译覆盖度不一样有些词条没翻译就显示英文有些翻译用词和通用叫法有出入。解决学习和查资料阶段建议用英文界面社区里的教程、参数名、报错信息基本都是英文对着中文界面搜索命中率低。真要汉化走 Display → Language Translation 选简体中文翻译不全的部分会保留英文属于正常现象。切换语言后如果界面错乱用 Display → Reset all GUI elements 恢复默认布局。5.4 保存的工程再打开标量域和法线全没了现象Save 之后重新打开点云还在但之前算的颜色、标量域、法线消失。原因CloudCompare 的 Save 保存的是当前工作区的实体实体上的属性标量域、法线、颜色是否保留取决于保存格式。BIN 格式是原生格式能完整保留所有属性PLY、LAS 这些交换格式只保留各自支持的字段PLY 能存法线和颜色但不一定存所有标量域LAS 的字段更受限。解决中间过程一律存 BIN交付成果再按客户要求的格式导出。存 BIN 的时候注意文件体积会大不少但换来的是可以随时回到任意中间状态。另一个容易忽略的点Merge 之后的实体如果还想保留各原始实体的标量域合并前先确认属性名不冲突冲突的话 CloudCompare 会覆盖。5.5 插件列表里少了一大半qPCL、qC2C 找不到现象Plugins 菜单下只有寥寥几个教程里提到的 qPCL、qM3C2、qCSF 都没有。原因CloudCompare 的插件分两类一类随主程序编译进去一类是独立的动态库文件需要单独下载放到程序目录下的 plugins 文件夹里。另外部分插件依赖第三方库比如 qPCL 依赖 PCL安装包没打包就会缺失。解决先去插件目录确认文件在不在在的话检查版本是否匹配主程序版本不匹配会静默加载失败。加载失败的信息一般在 Console 里能看到别只看界面。命令行模式下用-PLUGIN相关参数可以列出可用插件比在菜单里数快。6. 批处理与可复现把一次操作变成一条命令GUI 点一遍能出结果点十遍就开始出错——这是我做了几个测站对比之后的真实体会。CloudCompare 的命令行模式能把“打开、降采样、配准、算距离、导出”这一串固化成脚本第二天换一份数据重跑结果可比。下面这条链路是我现在做批处理的默认骨架改数据路径就能用。6.1 一条命令串起降采样、配准与距离#!/usr/bin/env bash set -e # 输入两期扫描的点云输出带 C2C 距离标量域的结果 REFref.ply MOVmoving.ply CloudCompare -SILENT \ -C_EXPORT_FMT PLY \ -O $REF \ -SS SPATIAL 0.02 \ -O $MOV \ -SS SPATIAL 0.02 \ -ICP \ -C2C_DIST \ -SAVE_CLOUDS逻辑说明-SS SPATIAL 0.02是空间抽稀0.02 表示最小点间距 2 厘米两片云用同一个值抽稀保证密度一致——这一步是 C2C 结果可信的前提。-ICP在前、-C2C_DIST在后顺序不能反距离必须在配准之后算。-SAVE_CLOUDS会把所有实体连同新生成的标量域一起写盘文件名自动加后缀。参数上抽稀间距取原始点间距的 24 倍比较合适太小起不到降内存的作用太大细节没了。ICP 的默认参数在命令行下不能像 GUI 那样逐个调需要精细控制的话先 GUI 调好再抄命令。6.2 用标量域做质检把“看着差不多”变成数字批处理跑完最忌讳的是打开结果看一眼颜色就交差。我一般的做法是导出标量域的统计参数Edit → Scalar fields → Compute statistical parameters看 RMS、标准差、最大最小值。这几个数要和项目精度要求对得上对不上就回去查抽稀间距、配准重叠度、参考数据的坐标基准。检查项命令/入口合格判据示例点数变化比属性面板抽稀后保留 30%60%配准 RMSICP 控制台输出小于点间距的 2 倍距离标量域 RMSCompute statistical parameters符合项目精度指标网格闭合性Flag vertices无非流形点值 2这张表我一般贴在项目文档里每次跑完逐项填填不满就不往下走。下面是一些我在长期使用后固定下来的习惯任何要交付的数据导出前一定先在 BIN 里存一份中间状态后悔药只有这一颗任何涉及坐标的操作做完立刻看属性面板里的坐标范围数值不对马上停任何标量域算完先 Show histogram分布有明显双峰或者长尾说明数据里混进了不该有的东西。从那以后我每次接新数据都会先跑一遍这个最短链路——造测试点云、算法线、抽稀、配准、算距离、看统计——把工具的脾性摸一遍再动真数据省下来的返工时间远超这几分钟。希望帮到你。本文还有配套的精品资源点击获取

CloudCompare点云处理：从Global shift到ICP配准

相关推荐

Infovision iWork-Safety 配置实战：IE兼容性、区域建模与视频接入避坑指南

安卓玩机工具----告别面具！SukiSU Ultra 内核级 Root 与终极隐藏实战指南

Restful风格请求响应和数据库封装映射

更多资讯

网络安全证书指南：从基础到实战部署

数据库表结构规范化与性能优化的平衡之道

大模型时代的分布式训练与推理核心技术解析

Linux逐行处理：文本流的底层逻辑与高效命令实践

高效测试用例设计与优化实战指南

Creo线束布线设计实战：从自动布线失效到制造交付

今日更新

淘宝商品详情API开发实战与性能优化指南

Unity Package Manager刷新错误排查与解决方案

Java record 规范构造器能否被反序列化或反射绕过

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？