十大点云数据处理技术梳理

艾三维技术 08-09 378

前言：

现在你们对“点处理算法”可能比较看重，兄弟们都想要学习一些“点处理算法”的相关知识。那么小编也在网上网罗了一些对于“点处理算法””的相关资讯，希望大家能喜欢，兄弟们快快来学习一下吧！

研究点云数据时，感觉无从下手？

看看这十大点云数据处理技术，换个思路学点云。

点云 · 定义

简言之，在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”。包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。

点云·数据处理技术

目前，点云处理涉及的技术主要为以下十个：

点云滤波（数据预处理）点云关键点特征和特征描述点云配准点云分割与分类SLAM图优化目标识别检索变化检测三维重建点云数据管理

1、点云滤波（数据预处理）

点云滤波，顾名思义，即滤掉噪声。原始采集的点云数据往往包含大量散列点、孤立点，下图为滤波前后的点云效果对比。

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

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一下几种：ISS3D、Harris3D、NARF、SIFT3D，

这些算法在PCL库中都有实现，其中NARF算法是比较常见的。

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、文理特征等等。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等放射变化参数，二三维点云配准可以模拟三维点云的移动和对齐，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4×3的矩阵，其中3×3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：正太分布变换和著名的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 plane ICP、point to line ICP、MBICP、GICP

NDT 3D、Multil-Layer NDT

FPCS、KFPSC、SAC-IA

Line Segment Matching、ICL

5、点云分割与分类

点云分割又分为区域提取、线面提取、语义分割与聚类等。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：