1、點(diǎn)云數(shù)據(jù)在形狀檢測(cè)和分類(lèi)、立體視覺(jué)、運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)、多視圖重建中都有 廣泛的使用。點(diǎn)云的存儲(chǔ)、壓縮、渲染等問(wèn)題也是研究的熱點(diǎn)。隨著點(diǎn)云采集設(shè)備的普及、雙目立體視覺(jué)技術(shù)、VR和AR的發(fā)展，點(diǎn)云數(shù)據(jù) 處理技術(shù)正成為最有前景的技術(shù)之一。PCL是三維點(diǎn)云數(shù)據(jù)處理領(lǐng)域必備的工具和基本技能。點(diǎn)云濾波（數(shù)據(jù)預(yù)處理）點(diǎn)云濾波，顧名思義，就是濾掉噪聲。原始采集的點(diǎn)云數(shù)據(jù)往往包含大量散 列點(diǎn)、孤立點(diǎn)點(diǎn)云濾波的主要方法有：雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機(jī) 采樣一致濾波、VoxelGrid濾波等，這些算法都被封裝在了 PCL點(diǎn)云庫(kù)中。點(diǎn)云關(guān)鍵點(diǎn)我們都知道在二維圖像上，有Harris、SIFT、SURF、KA

2、ZE這樣的關(guān)鍵點(diǎn)提 取算法，這種特征點(diǎn)的思想可以推廣到三維空間。從技術(shù)上來(lái)說(shuō)，關(guān)鍵點(diǎn)的數(shù)量 相比于原始點(diǎn)云或圖像的數(shù)據(jù)量減小很多，與局部特征描述子結(jié)合在一起，組成 關(guān)鍵點(diǎn)描述子常用來(lái)形成原始數(shù)據(jù)的表示，而且不失代表性和描述性，從而加快 了后續(xù)的識(shí)別，追蹤等對(duì)數(shù)據(jù)的處理了速度，故而，關(guān)鍵點(diǎn)技術(shù)成為在2D和3D 信息處理中非常關(guān)鍵的技術(shù)。常見(jiàn)的三維點(diǎn)云關(guān)鍵點(diǎn)提取算法有：ISS3D、Harris3D、NARF、SIFT3D，其 中NARF算法是用的比較多的。特征和特征描述如果要對(duì)一個(gè)三維點(diǎn)云進(jìn)行描述，光有點(diǎn)云的位置是不夠的，常常需要計(jì)算 一些額外的參數(shù)，比如法線方向、曲率、紋理特征等等。如同圖像的特

3、征一樣， 我們需要使用類(lèi)似的方式來(lái)描述三維點(diǎn)云的特征。常用的特征描述算法有：法線和曲率計(jì)算、特征值分析、PFH、FPFH、3D Shape Context、Spin Image 等。PFH：點(diǎn)特征直方圖描述子，F(xiàn)PFH：跨蘇點(diǎn)特征直方圖描述子，F(xiàn)PFH是PFH 的簡(jiǎn)化形式。點(diǎn)云配準(zhǔn)點(diǎn)云配準(zhǔn)的概念也可以類(lèi)比于二維圖像中的配準(zhǔn)，只不過(guò)二維圖像配準(zhǔn)獲取 得到的是x，y，alpha，beta等仿射變化參數(shù)，三維點(diǎn)云配準(zhǔn)可以模擬三維點(diǎn)云 的移動(dòng)和旋轉(zhuǎn)，也就是會(huì)獲得一個(gè)旋轉(zhuǎn)矩陣和一個(gè)平移向量，通常表達(dá)為一個(gè)4 X3的矩陣，其中3X3是旋轉(zhuǎn)矩陣，1*3是平移向量。嚴(yán)格說(shuō)來(lái)是6個(gè)參數(shù)， 因?yàn)樾D(zhuǎn)矩陣也可以通過(guò)

4、羅格里德斯變換轉(zhuǎn)變成1*3的旋轉(zhuǎn)向量。常用的點(diǎn)云配準(zhǔn)算法有兩種：正態(tài)分布變換和著名的ICP點(diǎn)云配準(zhǔn)，此外還 有許多其它算法，列舉如下：ICP：穩(wěn)健 ICP、point to plane ICP、point to line ICP、MBICP、GICPNDT 3D、 Multil-Layer NDTFPCS、 KFPSC、 SAC-IALine Segment Matching、 ICL點(diǎn)云分割與分類(lèi)點(diǎn)云的分割與分類(lèi)也算是一個(gè)大話題了，這里因?yàn)槎嗔艘痪S就和二維圖像比 多了許多問(wèn)題，點(diǎn)云分割又分為區(qū)域提取、線面提取、語(yǔ)義分割與聚類(lèi)等。同樣 是分割問(wèn)題，點(diǎn)云分割涉及面太廣，確實(shí)是三言?xún)烧Z(yǔ)說(shuō)不清楚的。

5、只有從字面意 思去理解了，遇到具體問(wèn)題再具體歸類(lèi)。一般說(shuō)來(lái)，點(diǎn)云分割是目標(biāo)識(shí)別的基礎(chǔ)。分割：區(qū)域聲場(chǎng)、Ransac 線面提取、NDT-RANSAC、K-Means、Normalize Cut、 3D Hough Transform （線面提取）、連通分析分類(lèi)：基于點(diǎn)的分類(lèi)，基于分割的分類(lèi)，監(jiān)督分類(lèi)與非監(jiān)督分類(lèi)SLAM圖優(yōu)化SLAM又是大Topic，SLAM技術(shù)中，在圖像前端主要獲取點(diǎn)云數(shù)據(jù)，而在后端 優(yōu)化主要就是依靠圖優(yōu)化工具。而SLAM技術(shù)近年來(lái)的發(fā)展也已經(jīng)改變了這種技 術(shù)策略。在過(guò)去的經(jīng)典策略中，為了求解LandMark和Location，將它轉(zhuǎn)化為一 個(gè)稀疏圖的優(yōu)化，常常使用g2o工具來(lái)

6、進(jìn)行圖優(yōu)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. NDT目標(biāo)識(shí)別檢索這是點(diǎn)云數(shù)據(jù)處理中一個(gè)偏應(yīng)用層面的問(wèn)題，簡(jiǎn)單說(shuō)來(lái)就是Hausdorff距離 常被用來(lái)進(jìn)行深度圖的目標(biāo)識(shí)別和檢索，現(xiàn)在很多三維人臉識(shí)別都是用這種技術(shù) 來(lái)做的。變化檢測(cè)當(dāng)無(wú)序點(diǎn)云在連續(xù)變化中，八叉樹(shù)算法常常被用于檢測(cè)變化，這種算法需要 和關(guān)鍵點(diǎn)提取技術(shù)結(jié)合起來(lái)，八叉樹(shù)算法也算是經(jīng)典中的經(jīng)典了。三維重建我們獲取到的點(diǎn)云數(shù)據(jù)都是一個(gè)個(gè)孤立的點(diǎn)，如何從一個(gè)個(gè)孤立的點(diǎn)得到整 個(gè)曲面呢，這

7、就是三維重建的topic。在玩kinectFusion時(shí)候，如果我們不懂，會(huì)發(fā)現(xiàn)曲面漸漸變平緩，這就是 重建算法不斷迭代的效果。我們采集到的點(diǎn)云是充滿(mǎn)噪聲和孤立點(diǎn)的，三維重建 算法為了重構(gòu)出曲面，常常要應(yīng)對(duì)這種噪聲，獲得看上去很舒服的曲面。常用的三維重建算法和技術(shù)有：泊松重建、Delauary triangulatoins表面重建，人體重建，建筑物重建，輸入重建實(shí)時(shí)重建：重建紙杯或者龍作物4D生長(zhǎng)臺(tái)式，人體姿勢(shì)識(shí)別，表情識(shí)別點(diǎn)云數(shù)據(jù)管理點(diǎn)云壓縮，點(diǎn)云索引（KDtree、Octree），點(diǎn)云LOD （金字塔），海量點(diǎn)云 的渲染。PCL庫(kù)簡(jiǎn)介：點(diǎn)云數(shù)據(jù)處理中，不僅涉及前段數(shù)據(jù)的輸入，中間數(shù)據(jù)和處理， 還涉及到后端點(diǎn)云的渲染顯示，如果這些函數(shù)都要我們親自來(lái)實(shí)現(xiàn)，那么開(kāi)發(fā)效 率必然受到極大影響