Python 2.7 如何将机器学习应用于每个帧具有不同点数的3D点云输出？

具体来说，我的问题是每个后续帧都有不同的点数，除非每个帧的点数相同，否则KNN/SVM无法实现。那么，如何在大小不同的3D帧上应用ml呢？我的ply输出文件由每个点的x、y、z坐标和每帧10000多个点组成。

如果每个点云有10000个点。对于3D对象来说，这是一个相当不错的数据精度。作为一名3D艺术家，而不是一名科学家，我会试图找到一个黑客。比如，如果你的第二个点云有10065点左右。我将随机忽略第二个点云上额外的65个点，以便它们在长度上匹配（将所有点编号相加，除以帧编号，得到参考值）。但这可能会损坏您的数据（取决于数据长度的差异）

<>如果我必须使用扫描原始数据，我会使用像C++ PooTrink库那样的强健几何处理库吗？ 及其python绑定：

---

还是3D软件？（或张量流？

您可以从每个点云中提取全局描述符，并使用它们训练机器学习算法，如SVM或ANN

有很多不同的全局描述符，在这里您可以查看其中的一些：

---

一旦你让他们训练一个机器学习算法，如图所示，你可以使用它将所有点云的点取样到一个固定的数目，然后使用深度学习库进行分类或分割。斯坦福人工智能实验室开发的算法是最好的算法之一。

“机器学习”可能太模糊了。听起来好像你的问题出在一个特定的算法上——超链接那些首字母缩略词怎么样？这可能会鼓励别人去想清楚你在干什么。这些点代表什么？也许您可以插入一个算法，在给定的帧上插值，产生固定数量的输出。看起来问题中似乎没有足够的信息来得到有用的答案。无论是谁投了反对票，你都应该不厌其烦地批评这个问题。匿名向下投票不会帮助新用户加快速度。KNN或SVM不能通过进行点对点计算来工作，因为每个帧都有不同的点。如果生成的云中每个帧都有不同数量的点，并且每个点都有x、y、z坐标信息，那么如何比较这两个帧呢？例如，您可以将空间划分为立方体。对于每个立方体，在中间放置一个内插点，这是通过取位于该立方体内的所有实际数据点的平均值来形成的。但是如果没有更多的信息，就很难提出一种方法。我正在寻找一个战略建议。我有一堆从3D相机收集的ply文件（帧）。所有帧都有不同数量的点。我不能做点对点的分析，因为点在现实中并不匹配。如果我采用你建议的立方体方法，我将在云中丢失很多点，这可能会阻碍我特定的目标检测尝试。克服不平衡点云问题的最佳方法是什么？你有什么建议的插值算法吗？