三維計算視覺研究內容包括：

(1)三維匹配：兩幀或者多幀點云數據之間的匹配，因為激光掃描光束受物體遮擋的原因，不可能通過一次掃描完成對整個物體的三維點云的獲取。因此需要從不同的位置和角度對物體進行掃描。三維匹配的目的就是把相鄰掃描的點云數據拼接在一起。三維匹配重點關注匹配算法，常用的算法有最近點迭代算法 ICP和各種全局匹配算法。

???

(2)多視圖三維重建：計算機視覺中多視圖一般利用圖像信息，考慮多視幾何的一些約束，相關研究目前很火，射影幾何和多視圖幾何是視覺方法的基礎。在攝影測量中類似的存在共線方程，光束平差法等研究。這里也將點云的多視匹配放在這里，比如人體的三維重建，點云的多視重建不再是簡單的逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此存在一個針對三維模型進行優化或者平差的Fusion融合過程在里面。通常SLAM是通過觀測形成閉環進行整體平差實現，優先保證位姿的精確；而多視圖重建通過FUSion過程實現對模型的整體優化，保證模型最優。多視圖三維重建可以只使用圖像，或者點云，也可以兩者結合(深度圖像)實現，重建的結果通常是Mesh網格。最典型的例子是KinectFusion，Kinfu等等.

(3)3D SLAM：點云匹配(最近點迭代算法 ICP、正態分布變換方法 NDT)+位姿圖優化(g2o、LUM、ELCH、Toro、SPA)；實時3D SLAM算法 (LOAM)；Kalman濾波方法。3D SLAM通常產生3D點云，或者Octree Map。基于視覺(單目、雙目、魚眼相機、深度相機)方法的SLAM，比如orbSLAM，lsdSLAM...

?

(4)目標識別：無人駕駛汽車中基于激光數據檢測場景中的行人、汽車、自行車、以及道路和道路附屬設施(行道樹、路燈、斑馬線等)。

(5)形狀檢測與分類：點云技術在逆向工程中有很普遍的應用。構建大量的幾何模型之后，如何有效的管理，檢索是一個很困難的問題。需要對點云(Mesh)模型進行特征描述，分類。根據模型的特征信息進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。

(6)語義分類：獲取場景點云之后，如何有效的利用點云信息，如何理解點云場景的內容，進行點云的分類很有必要，需要為每個點云進行Labeling。可以分為基于點的分類方法和基于分割的分類方法。從方法上可以分為基于監督分類的技術或者非監督分類技術，深度學習也是一個很有希望應用的技術。

(7)立體視覺與立體匹配?ZNCC

(8)SFM(運動恢復結構)

(9)自動造型(構型)，快速造型(構型)技術。對模型進行凸分割，模型剖分，以實現模型進一步的編輯修改，派生出其他的模型。

1、點云濾波方法(數據預處理)：

雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。

VoxelGrid

2、關鍵點

ISS3D、Harris3D、NARF

SIFT3D、

3、特征和特征描述

PFH、FPFH、3D Shape Context、Spin Image

ICP、穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP

NDT 3D、Multil-Layer NDT

FPCS、KFPCS、SAC-IA

5、點云分割與分類

分割：區域生長、Ransac線面提取、NDT-RANSAC、

K-Means、Normalize Cut(Context based)

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；監督分類與非監督分類

6、SLAM圖優化

g2o、LUM、ELCH、Toro、SPA

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

7、目標識別、檢索

Hausdorff距離計算(人臉識別)

8、變化檢測

基于八叉樹的變化檢測

9. 三維重建

泊松重建、Delaunay triangulations

表面重建，人體重建，建筑物重建，樹木重建。

實時重建：重建植被或者農作物的4D(3D+時間)生長態勢；人體姿勢識別；表情識別；

10.點云數據管理

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

總結

以上是生活随笔為你收集整理的java 点云数据处理_点云数据处理学习笔记的全部內容，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。