點雲資料處理學習筆記

三維計算視覺研究內容包括：

（1）三維匹配：兩幀或者多幀點雲資料之間的匹配，因為雷射掃瞄光束受物體遮擋的原因，不可能通過一次掃瞄完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃瞄。三維匹配的目的就是把相鄰掃瞄的點雲資料拼接在一起。三維匹配重點關注匹配演算法，常用的演算法有最近點迭代演算法 icp和各種全域性匹配演算法。

（2）多檢視三維重建：計算機視覺中多檢視一般利用影象資訊，考慮多視幾何的一些約束，相關研究目前很火，射影幾何和多檢視幾何是視覺方法的基礎。在攝影測量中類似的存在共線方程，光束平差法等研究。這裡也將點雲的多視匹配放在這裡，比如人體的三維重建，點雲的多視重建不再是簡單的逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此存在乙個針對三維模型進行優化或者平差的fusion融合過程在裡面。通常slam是通過觀測形成閉環進行整體平差實現，優先保證位姿的精確；而多檢視重建通過fusion過程實現對模型的整體優化，保證模型最優。多檢視三維重建可以只使用影象，或者點雲，也可以兩者結合（深度影象）實現，重建的結果通常是mesh網格。最典型的例子是kinectfusion，kinfu等等.

（3）3d slam：點雲匹配（最近點迭代演算法 icp、正態分佈變換方法 ndt）+位姿圖優化（g2o、lum、elch、toro、spa）；實時3d slam演算法（loam）；kalman濾波方法。3d slam通常產生3d點雲，或者octree map。基於視覺（單目、雙目、魚眼相機、深度相機）方法的slam，比如orbslam，lsdslam...

（4）目標識別：無人駕駛汽車中基於雷射資料檢測場景中的行人、汽車、自行車、以及道路和道路附屬設施（行道樹、路燈、斑馬線等）。

（5）形狀檢測與分類：點雲技術在逆向工程中有很普遍的應用。構建大量的幾何模型之後，如何有效的管理，檢索是乙個很困難的問題。需要對點雲（mesh）模型進行特徵描述，分類。根據模型的特徵資訊進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。

（6）語義分類：獲取場景點雲之後，如何有效的利用點雲資訊，如何理解點雲場景的內容，進行點雲的分類很有必要，需要為每個點雲進行labeling。可以分為基於點的分類方法和基於分割的分類方法。從方法上可以分為基於監督分類的技術或者非監督分類技術，深度學習也是乙個很有希望應用的技術。

（7）立體視覺與立體匹配 zncc

（8）sfm（運動恢復結構）

（9）自動造型（構型），快速造型（構型）技術。對模型進行凸分割，模型剖分，以實現模型進一步的編輯修改，派生出其他的模型。

1、點雲濾波方法（資料預處理）：

雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機取樣一致性濾波。

voxelgrid

2、關鍵點

iss3d、harris3d、narf

sift3d、

3、特徵和特徵描述

法線和曲率計算

normalestimation 、特徵值分析eigen-analysis、egi

pfh、fpfh、3d shape context、spin image

4、點雲匹配

icp、穩健icp、point to plane icp、point to line icp、mbicp、gicp

ndt 3d、multil-layer ndt

fpcs、kfpcs、sac-ia

line segment matching、icl

5、點雲分割與分類

分割：區域生長、ransac線面提取、ndt-ransac、

k-means、normalize cut（context based）

3d hough transform(線、面提取)、連通分析、

分類：基於點的分類，基於分割的分類；監督分類與非監督分類

6、slam圖優化

g2o、lum、elch、toro、spa

slam方法：icp、mbicp、idc、likehood field、cross correlation、ndt

7、目標識別、檢索

hausdorff距離計算（人臉識別）

8、變化檢測

基於八叉樹的變化檢測

9. 三維重建

表面重建，人體重建，建築物重建，樹木重建。

實時重建：重建植被或者農作物的4d（3d+時間）生長態勢；人體姿勢識別；表情識別；

10.點雲資料管理

點雲壓縮，點雲索引（kd、octree），點雲lod（金字塔），海量點雲的渲染

點雲驅動的計算機圖形學主要研究應用

點雲資料處理學習筆記

點雲資料處理學習筆記

點雲資料處理學習筆記

Python 資料處理學習筆記

相關推薦