大数跨境
首页
>
【技术科普】十大点云数据处理技术梳理
>
0
0

【技术科普】十大点云数据处理技术梳理

【技术科普】十大点云数据处理技术梳理 GIS前沿
2019-09-24
1
导读：十大点云数据处理技术梳理

                 

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：


g2o、LUM、ELCH、Toro、SPA


SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation、NDT


7


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采用这种技术。

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。


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


主要包含以下几方面：点云压缩，点云索引（KDtree、Octree），点云LOD（金字塔），海量点云的渲染。

文章来源三维前沿

版权归原作者所有，如有侵权请告知删除


- END -


Erdas中处理点云（Lidar）数据干货教程
测绘中的点云原来这么美
Pix4d官方教学视频—如何编辑3D点云
Pix4D航测成图完整教程（空三，点云编辑DSM，正射，质量报告分析...）

【声明】内容源于网络
0
0
GIS前沿
分享测绘地信资讯，交流行业软件技巧。
内容 4923
粉丝 0
GIS前沿 分享测绘地信资讯，交流行业软件技巧。
总阅读6.7k
粉丝0
内容4.9k