這是2023年乙個點雲目標識別研究的簡單描述。
點雲目標識別，顧名思義，需要有標準的目標點雲或者標準的點雲特徵描述向量；對實時採集的點雲資料，在裡面尋找與目標點雲相似度最高的點雲塊。
圖2.1 點雲在xy平面的投影圖像
圖2.2 圓環點雲採集影象
常用點雲濾波有帶通濾波、統計濾波、半徑濾波、去除背景平面、去除邊緣。
帶通濾波：就是設定乙個x、y、z方向的乙個取值範圍，以過濾掉明顯不在測試距離範圍的點雲；比如在kinect資料採集中，由於其成像範圍z軸方向比較大，因此會出現很多明顯我們不需要的背景雜訊資訊，這是可以設定乙個合理的z座標閾值；
半徑濾波：就是搜尋給定半徑r內的相鄰點雲個數，當個數少於給定閾值時，去除點雲；主要用在去除孤立點；
統計濾波：對每個點，計算最近鄰k個點雲距離的均值；假設最近鄰距離均值符合高斯分布，則剔除距離在乙個sigma外的點雲；主要用於去除不合群離散點。
去除背景平面：對放在平面上的物體，背景通常會有乙個較大的平面；採用ransac擬合平面，剔除平面。
圖2.3 統計濾波閾值選取方式
圖2.4 圓環濾波後
三維點雲資料一般資料量都很大，為了提高程式的速度，可以對濾波後的資料進行降取樣；降取樣的原則是保證點雲的整體分布情況，又不能破壞邊緣資訊（類似於影象處理的邊緣保留edge-preserving）。均勻降取樣使用體素格的重心來表示給定半徑範圍內點的整體資訊，來實現降取樣和濾波的目的。
圖2.5 體素格降取樣
圖2.6 單一圓環體素格降取樣（藍色是原始點雲資料，紅色是降取樣資料）
通過濾波後，點雲被分成了很多基本不相鄰的塊，可以採用聚類的方法來進行分割（類似於二維影象的連通域標記）。
圖2.7 點雲分割
當資料量不大的時候，可以直接計算降取樣資料的特徵向量；資料量很大時，最好先計算特徵點（滿足旋轉、平移、尺度、仿射不變性），然後計算特徵點處的特徵向量。
類似於二維影象，3d點雲也可以計算每個點的特徵，常用的特徵描述子有shot（signature histogram of orientation）、fpfh（fast point of histogram）等；
匹配找到對應特徵點對後，存在很多誤匹配特徵點對，需要採用ransac對點對進行提純，找到內點inliners，採用icp方法計算點對之間的旋轉變換關係；
圖2.8 識別的圓環（藍色點是原始的圓環資料，紅色的是識別後經過旋轉、平移變化的圓環）
分類:
3d視覺
標籤:
3d視覺、點雲處理、目標識別、抓取
關於3D點雲濾波
點雲是三維離散資料，影象是二維稠密矩陣。資料型別的不同決定了其處理方式的差異，但濾波的基本原理和目的有相同之處 利用資料的低頻特性剔除離群資料，並進行資料平滑或提取特定頻段特徵。點雲濾波包括剔除離群點，擬合區域性平面，方法分別有ransac與3d擬合。影象濾波側重於糾正雜訊點 如中值濾波 並平滑影象...
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...