点云配准相关

喜你入骨 提交于 2019-12-05 20:33:22

导师给了方向,所以最近在看点云配准相关论文“

点云配准是计算机视觉的一个分支方向:

一、点云配准基础知识

1.入门知识及背景

1)点云概念

  点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,在获取物体表面每个采样点的空间坐标后,得到的是点的集合,称之为“点云”(Point Cloud)。

2)点云图像是最基础也是最常见的三维图像。

  那什么是三维图像呢?三维图像是一种特殊的图像信息表达形式。相比较于常见的二维图像,其最大的特征是表达了空间中三个维度(长度宽度和深度)的数据。

3)三维图像的表现形式

  深度图(以灰度表达物体与相机的距离),几何模型(由CAD软件建立),点云模型(所有逆向工程设备都将物体采样成点云)。

4)点云根据测量原理主要分为两种

  根据激光测量原理得到的点云,包括三维坐标(XYZ)和激光反射强度(Intensity)。强度信息与目标的表面材质、粗糙度、入射角方向,以及仪器的发射能量,激光波长有关。

  根据摄影测量原理得到的点云,包括三维坐标(XYZ)和颜色信息(RGB)。

  当然也有把激光和摄影相结合在一起的(多传感器融合技术),这种结合激光测量和摄影测量原理得到点云,包括三维坐标(XYZ)、激光反射强度(Intensity)和颜色信息(RGB)。

5)点云的获取设备

  RGBD设备(深度摄像机)是可以获取点云的设备。比如PrimeSense公司的PrimeSensor、微软的Kinect、华硕的XTionPRO。

6)点云的属性

  空间分辨率、点位精度、表面法向量等。

7)点云存储格式

  .pts; .asc ; *.dat; .stl ; [1] .imw;.xyz;.las。

8)点云的数据类型

1)pcl::PointCloudpcl::PointXYZ

    PointXYZ 成员:float x,y,z;表示了xyz3D信息,可以通过points[i].data[0]或points[i].x访问点X的坐标值

2)pcl::PointCloudpcl::PointXYZI

    PointXYZI成员:float x, y, z, intensity; 表示XYZ信息加上强度信息的类型。

3)pcl::PointCloudpcl::PointXYZRGB

    PointXYZRGB 成员:float x,y,z,rgb; 表示XYZ信息加上RGB信息,RGB存储为一个float。

4)pcl::PointCloudpcl::PointXYZRGBA

    PointXYZRGBA 成员:float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息,RGBA用32bit的int型存储的。

5) PointXY 成员:float x,y;简单的二维x-y点结构

6)Normal结构体:

    表示给定点所在样本曲面上的法线方向,以及对应曲率的测量值,用第四个元素来占位,兼容SSE和高效计算

9)点云处理的三个层次

  一般将图像处理分为三个层次,低层次包括图像强化,滤波,关键点/边缘检测等基本操作。中层次包括连通域标记(label),图像分割等操作。高层次包括物体识别,场景分析等操作。工程中的任务往往需要用到多个层次的图像处理手段。

  低层次处理方法

    ①滤波方法:双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。②关键点:ISS3D、Harris3D、NARF,SIFT3D

  中层次处理方法

    ①特征描述:法线和曲率的计算、特征值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image

    ②分割与分类:

      分割:区域生长、Ransac线面提取、全局优化平面提取

          K-Means、Normalize Cut(Context based)

          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,基于深度学习的分类(PointNet,OctNet)

  高层次处理方法

    ①配准

      点云配准分为粗配准(Coarse Registration)和精配准(Fine Registration)两个阶段:

        精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。应用最为广泛的精配准算法应该是ICP以及ICP的各种变种(稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP)。

         粗配准是指在点云相对位姿完全未知的情况下对点云进行配准,可以为精配准提供良好的初始值。当前较为普遍的点云自动粗配准算法包括基于穷举搜索的配准算法和基于特征匹配的配准算法。

      基于穷举搜索的配准算法:

        遍历整个变换空间以选取使误差函数最小化的变换关系或者列举出使最多点对满足的变换关系。如RANSAC配准算法、四点一致集配准算法(4-Point Congruent Set, 4PCS)、Super4PCS算法等……

      基于特征匹配的配准算法:

        通过被测物体本身所具备的形态特性构建点云间的匹配对应,然后采用相关算法对变换关系进行估计。如基于点FPFH特征的SAC-IA、FGR等算法、基于点SHOT特征的AO算法以及基于线特征的ICL等…

    ②SLAM图优化

        Ceres(Google的最小二乘优化库,很强大), g2o、LUM、ELCH、Toro、SPA

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

    ③三维重建

        泊松重建、 Delaunay triangulations、表面重建,人体重建,建筑物重建,树木重建。结构化重建:不是简单的构建一个Mesh网格,而是为场景进行分割,为场景结构赋予语义信息。场景结构有层次之分,在几何层次就是点线面。实时重建:重建植被或者农作物的   4D(3D+时间)生长态势;人体姿势识别;表情识别;

    ④点云数据管理

        点云压缩,点云索引(KD、Octree),点云LOD(金字塔),海量点云的渲染。

 

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!