剛好最近在學習pcl點云處理，在騰訊云找到了這篇文章，對于點云處理的介紹比較詳細，特轉載過來備用。
原文：概述 | 點云數(shù)據(jù)處理方法都有哪些？

點云數(shù)據(jù)處理方法概述
ICP點云配準就是我們非常熟悉的點云處理算法之一。實際上點云數(shù)據(jù)在形狀檢測和分類、立體視覺、運動恢復結構、多視圖重建中都有廣泛的使用。點云的存儲、壓縮、渲染等問題也是研究的熱點。隨著點云采集設備的普及、雙目立體視覺技術、VR和AR的發(fā)展，點云數(shù)據(jù)處理技術正成為最有前景的技術之一。PCL是三維點云數(shù)據(jù)處理領域必備的工具和基本技能，這篇文章也將粗略介紹。

三維點云數(shù)據(jù)處理技術

1. 點云濾波（數(shù)據(jù)預處理）

點云濾波，顧名思義，就是濾掉噪聲。原始采集的點云數(shù)據(jù)往往包含大量散列點、孤立點，比如下圖為濾波前后的點云效果對比。

點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、隨機采樣一致濾波、VoxelGrid濾波等，這些算法都被封裝在了PCL點云庫中。

2. 點云關鍵點

我們都知道在二維圖像上，有Harris、SIFT、SURF、KAZE這樣的關鍵點提取算法，這種特征點的思想可以推廣到三維空間。從技術上來說，關鍵點的數(shù)量相比于原始點云或圖像的數(shù)據(jù)量減小很多，與局部特征描述子結合在一起，組成關鍵點描述子常用來形成原始數(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)的識別，追蹤等對數(shù)據(jù)的處理了速度，故而，關鍵點技術成為在2D和3D 信息處理中非常關鍵的技術。

常見的三維點云關鍵點提取算法有一下幾種：ISS3D、Harris3D、NARF、SIFT3D

這些算法在PCL庫中都有實現(xiàn)，其中NARF算法是博主見過用的比較多的。

3. 特征和特征描述

如果要對一個三維點云進行描述，光有點云的位置是不夠的，常常需要計算一些額外的參數(shù)，比如法線方向、曲率、文理特征等等。如同圖像的特征一樣，我們需要使用類似的方式來描述三維點云的特征。

常用的特征描述算法有：法線和曲率計算、特征值分析、PFH、FPFH、3D Shape Context、Spin Image等。

PFH：點特征直方圖描述子，FPFH：跨蘇點特征直方圖描述子，FPFH是PFH的簡化形式。這里不提供具體描述了，具體細節(jié)去谷歌吧。

4. 點云配準

點云配準的概念也可以類比于二維圖像中的配準，只不過二維圖像配準獲取得到的是x，y，alpha，beta等放射變化參數(shù)，二三維點云配準可以模擬三維點云的移動和對其，也就是會獲得一個旋轉矩陣和一個平移向量，通常表達為一個4×3的矩陣，其中3×3是旋轉矩陣，13是平移向量。嚴格說來是6個參數(shù)，因為旋轉矩陣也可以通過羅格里德斯變換轉變成13的旋轉向量。

常用的點云配準算法有兩種：正太分布變換和著名的ICP點云配準，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、GICP

NDT 3D、Multil-Layer NDT

FPCS、KFPSC、SAC-IA

Line Segment Matching、ICL

5. 點云分割與分類

點云的分割與分類也算是一個大Topic了，這里因為多了一維就和二維圖像比多了許多問題，點云分割又分為區(qū)域提取、線面提取、語義分割與聚類等。同樣是分割問題，點云分割涉及面太廣，確實是三言兩語說不清楚的。只有從字面意思去理解了，遇到具體問題再具體歸類。一般說來，點云分割是目標識別的基礎。

分割：區(qū)域聲場、Ransac線面提取、NDT-RANSAC、K-Means、Normalize Cut、3D Hough Transform(線面提取)、連通分析

分類：基于點的分類，基于分割的分類，監(jiān)督分類與非監(jiān)督分類

6. SLAM圖優(yōu)化

SLAM又是大Topic，SLAM技術中，在圖像前端主要獲取點云數(shù)據(jù)，而在后端優(yōu)化主要就是依靠圖優(yōu)化工具。而SLAM技術近年來的發(fā)展也已經改變了這種技術策略。在過去的經典策略中，為了求解LandMark和Location，將它轉化為一個稀疏圖的優(yōu)化，常常使用g2o工具來進行圖優(yōu)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. 目標識別檢索

這是點云數(shù)據(jù)處理中一個偏應用層面的問題，簡單說來就是Hausdorff距離常被用來進行深度圖的目標識別和檢索，現(xiàn)在很多三維人臉識別都是用這種技術來做的。

8. 變化檢測

當無序點云在連續(xù)變化中，八叉樹算法常常被用于檢測變化，這種算法需要和關鍵點提取技術結合起來，八叉樹算法也算是經典中的經典了。

9. 三維重建

我們獲取到的點云數(shù)據(jù)都是一個個孤立的點，如何從一個個孤立的點得到整個曲面呢，這就是三維重建的topic。

在玩kinectFusion時候，如果我們不懂，會發(fā)現(xiàn)曲面漸漸變平緩，這就是重建算法不斷迭代的效果。我們采集到的點云是充滿噪聲和孤立點的，三維重建算法為了重構出曲面，常常要應對這種噪聲，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

實時重建：重建紙杯或者龍作物4D生長臺式，人體姿勢識別，表情識別

10. 點云數(shù)據(jù)管理

點云壓縮，點云索引（KDtree、Octree），點云LOD（金字塔），海量點云的渲染

PCL庫簡介

點云數(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，還涉及到后端點云的渲染顯示，如果這些函數(shù)都要我們親自來實現(xiàn)，那么開發(fā)效率必然受到極大影響。在點云數(shù)據(jù)處理領域，有一個不可或缺的助手：PCL (Point Cloud Library)。PCL在點云數(shù)據(jù)處理中的地位猶如OpenCV在圖像處理領域的地位，如果你接觸三維點云數(shù)據(jù)處理，那么PCL將大大簡化你的開發(fā)。

聲明：本文系網絡轉載，版權歸原。如涉版權，請聯(lián)系刪！

總結

以上是生活随笔為你收集整理的点云数据处理方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。