技术方案总结

图像目标识别方案

1.使用Yolo方案进行目标识别

此方法可采用Yolo V5 ，其识别与运行有平台要求，一版而言，其在Ubuntu环境下进行识别方案较多。
1.在Ubuntu PC平台上相对比较灵活，可使用CPU进行计算，也可配合NVIDIA显卡进行加速运算。
2.在ARM平台上，有NVIDIA XAVIER AGV（TW-100使用的为此平台） ，在此平台上可使用Python 结合 Pytorch,Tensorflow进行图像识别与分类。
3.在嵌入式快速开发平台上 如 K210 ，OpenMV可以进行推理，进而实现对目标的识别与追踪。其支持的推理图片分辨率不高，但在K210平台上通过其NPU可以达到较高的推理速度。
对于OpenCV而言，在较新的版本中有关于神经网络识别的算法，如DarkNet网络。通过OpenCV中的DarkNet网络进行目标识别可以省下许多库的配置的开发时间，也就是方便应用的部署，其也支持调用CUDA进行GPU加速。使用C++进行开发相对容易。其缺点有二，第一，通过OpenCV内部的Yolo网络与Yolo最新版本相比有一定的更新延迟。第二，OpenCV的FLANN库可能会和PCL中使用的FLANN库产生冲突，使得FLANN库不同同时使用。

2.使用传统方案进行目标识别

1.传统方案可使用OpenCV库进行开发，方案成本周期相对于神经网络算法而言较长，但在某些特定的场景下会有出乎意料的答案。当在考虑细节问题的时候也要认识到传统方案的优势–简单与高效。 其进行目标识别的时候可用模板匹配方法。

点云处理方案

1.目前较为流行的点云处理方案为通过PCL实现对点云的处理。

版权声明：本文为CSDN博主「__老俞__」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yuhongsheng110/article/details/121285689