您所在位置：网站首页 > 学术论文 > 其它学术论文点云数据处理方法

点云数据处理方法

3页

卖家[上传人]：枫**

文档编号：469466186

上传时间：2022-10-07

文档格式：DOCX

文档大小：11.16KB

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

10 金贝

/ 3 举报版权申诉马上下载

文本预览

下载提示

常见问题

1、点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。点云的存储、压缩、渲染等问题也是研究的热点。随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展，点云数据处理技术正成为最有前景的技术之一。PCL是三维点云数据处理领域必备的工具和基本技能。1. 点云滤波（数据预处理）点云滤波，顾名思义，就是滤掉噪声。原始采集的点云数据往往包含大量散列点、孤立点点云滤波的主要方法有：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等，这些算法都被封装在了 PCL点云库中。2. 点云关键点我们都知道在二维图像上，有Harris、SIFT、SURF、KAZE这样的关键点提取算法，这种特征点的思想可以推广到三维空间。从技术上来说，关键点的数量相比于原始点云或图像的数据量减小很多，与局部特征描述子结合在一起，组成关键点描述子常用来形成原始数据的表示，而且不失代表性和描述性，从而加快了后续的识别，追踪等对数据的处理了速度，故而，关键点技术成为在2D和3D 信息处理中非常关键的技术。常见的三维点云关键点提取算法有：ISS3D、Harr

2、is3D、NARF、SIFT3D，其中NARF算法是用的比较多的。3. 特征和特征描述如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数，比如法线方向、曲率、纹理特征等等。如同图像的特征一样，我们需要使用类似的方式来描述三维点云的特征。常用的特征描述算法有：法线和曲率计算、特征值分析、PFH、FPFH、3D Shape Context、Spin Image 等。PFH：点特征直方图描述子，FPFH：跨苏点特征直方图描述子，FPFH是PFH 的简化形式。4. 点云配准点云配准的概念也可以类比于二维图像中的配准，只不过二维图像配准获取得到的是x，y，alpha，beta等仿射变化参数，三维点云配准可以模拟三维点云的移动和旋转，也就是会获得一个旋转矩阵和一个平移向量，通常表达为一个4 X3的矩阵，其中3X3是旋转矩阵，1*3是平移向量。严格说来是6个参数，因为旋转矩阵也可以通过罗格里德斯变换转变成1*3的旋转向量。常用的点云配准算法有两种：正态分布变换和著名的ICP点云配准，此外还有许多其它算法，列举如下：ICP：稳健 ICP、point to p

3、lane ICP、point to line ICP、MBICP、GICPNDT 3D、 Multil-Layer NDTFPCS、 KFPSC、 SAC-IALine Segment Matching、 ICL5. 点云分割与分类点云的分割与分类也算是一个大话题了，这里因为多了一维就和二维图像比多了许多问题，点云分割又分为区域提取、线面提取、语义分割与聚类等。同样是分割问题，点云分割涉及面太广，确实是三言两语说不清楚的。只有从字面意思去理解了，遇到具体问题再具体归类。一般说来，点云分割是目标识别的基础。分割：区域声场、Ransac 线面提取、NDT-RANSAC、K-Means、Normalize Cut、 3D Hough Transform （线面提取）、连通分析分类：基于点的分类，基于分割的分类，监督分类与非监督分类6. SLAM图优化SLAM又是大Topic，SLAM技术中，在图像前端主要获取点云数据，而在后端优化主要就是依靠图优化工具。而SLAM技术近年来的发展也已经改变了这种技术策略。在过去的经典策略中，为了求解LandMark和Location，将它转化为一

4、个稀疏图的优化，常常使用g2o工具来进行图优化。下面是一些常用的工具和方法。g2o、 LUM、 ELCH、 Toro、 SPASLAM 方法：ICP、MBICP、IDC、likehood Field、Cross Correlation. NDT7. 目标识别检索这是点云数据处理中一个偏应用层面的问题，简单说来就是Hausdorff距离常被用来进行深度图的目标识别和检索，现在很多三维人脸识别都是用这种技术来做的。8. 变化检测当无序点云在连续变化中，八叉树算法常常被用于检测变化，这种算法需要和关键点提取技术结合起来，八叉树算法也算是经典中的经典了。9. 三维重建我们获取到的点云数据都是一个个孤立的点，如何从一个个孤立的点得到整个曲面呢，这就是三维重建的topic。在玩kinectFusion时候，如果我们不懂，会发现曲面渐渐变平缓，这就是重建算法不断迭代的效果。我们采集到的点云是充满噪声和孤立点的，三维重建算法为了重构出曲面，常常要应对这种噪声，获得看上去很舒服的曲面。常用的三维重建算法和技术有：泊松重建、Delauary triangulatoins表面重建，人体重建，建筑物重建，输入重建实时重建：重建纸杯或者龙作物4D生长台式，人体姿势识别，表情识别10. 点云数据管理点云压缩，点云索引（KDtree、Octree），点云LOD （金字塔），海量点云的渲染。PCL库简介：点云数据处理中，不仅涉及前段数据的输入，中间数据和处理，还涉及到后端点云的渲染显示，如果这些函数都要我们亲自来实现，那么开发效率必然受到极大影响。在点云数据处理领域，有一个不可或缺的助手：PCL (Point Cloud Library) o PCL在点云数据处理中的地位犹如OpenCV在图像处理领域的地位，如果你接触三维点云数据处理，那么PCL将大大简化你的开发。

《点云数据处理方法》由会员枫**分享，可在线阅读，更多相关《点云数据处理方法》请在金锄头文库上搜索。

点击阅读更多内容

TA的资源