点云数据结构化与体素化理论学习

最新推荐文章于 2025-01-18 08:39:51 发布

doll ～CJ

最新推荐文章于 2025-01-18 08:39:51 发布

阅读量1.9k

点赞数 26

分类专栏： Lidar点云处理学习文章标签：激光雷达点云搜索数据结构 Open3D实现 PCD格式点云文件

本文链接：https://blog.csdn.net/Jcb1906824038/article/details/136401233

版权

Lidar点云处理学习专栏收录该内容

14 篇文章

订阅专栏

本文详细介绍了PCD点云数据存储格式的优势，包括其在处理组织数据、二进制存储、数据类型支持、特征描述符和与PCL库的兼容性。此外，还探讨了基于KDTree和八叉树的点云结构化组织方法以及体素化在深度学习中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、PCD点云数据存储格式的进一步认识

（一）PCD点云存储格式相较于其它存储格式（如PLY、STL、OBJ、X3D等）的优势[1]

（1）具有存储和处理有组织的点云数据集的能力，这对于实时应用和增强现实及机器人等研究领域十分重要；

（2）二进制的mmap/munmap可能是最快加载和存储数据至磁盘的方式（在实验中，我发现Linux系统下基于PCL/Open3D库读取数据较Windows系统快。后经查阅了解到，二进制格式的点云数据读取是基于pcl::PointCloud.points array/vector的完全临时复制。在Linux系统中，为了尽可能最快地读取数据而采用mmap/munmap操作）；

（3）能够存储不同的数据类型（支持所有基础类型，如char、short、int、float和double）以达到高效处理和存储复杂的点云数据。无效的点云维度通常被存储为NAN类型，但自从PCL 1.0.1开始，NAN类型字符被替换为nan表示；

（4）支持n-D直方图特征描述符，这对三维感知和计算机视觉应用十分重要；

（5）通过控制文件格式，PCD存储格式可以最好地匹配PCL库，从而在PCL应用中获得最高的性能表现。与此同时，PCL应用运行不需要将各类数据格式都作为PCL的基础格式且不需要耗费额外的时间在数据转换函数上，以提高时空效率。

（二）PCD文件格式头解析[1]

PCD文件的格式头用于识别和表明存储点云数据的确定属性，格式头必须为ASCII编码且每一个属性实体被换行符（\n）分隔。值得注意的是，视点位置较为重要，视点将会被用于不同坐标系统之间的转换或者辅助特征计算（如局部表面法线需要一个不变的视线辅助计算保持一致性，即法线定向[8]）。

（1）VERSION PCD格式文件的版本号

（2）FIELDS 每一维度的特定属性标识名字

（3）SIZE 每一维数据存储的字节数（unsigned char/char为1字节；unsigned short/short为2字节；unsigned int/int/float为4字节；double为8字节）

（4）TYPE 每一维度表示字符的数据类型（I-int8（char）/int16（short）/int32（int） U- uint8（unsigned char）/uint16（unsigned short）/uint32（unsigned int） F-float）

（5）COUNT 一个维度的表示元素数量。默认不表示COUNT情况，其为1

（6）WIDTH 一行记录的点的数量

（7）HEIGHT （有/无组织存储标记）若无组织存储为1,否则为点云数据存储的行数

（8）VIEWPOINT 点云数据的视点（tx ty tz qw qx qy qz）

（9）POINTS 存储点云的总体数量（与WIDTH*HEIGHT一致）

（10）DATA 特定数据格式存储的点云数据

二、基于KDTree的点云结构化组织

在计算机科学里，k-d树（k-dimensional tree）是在k维欧几里德空间组织点的数据结构，是空间二叉树的一种特殊情况。k-d树可以使用在多种应用场合，如多维键值搜索（如范围搜索及最邻近搜索）。k-d树是每个叶子节点都为k维点的二叉树，所有非叶子节点可以视作用一个超平面把空间分割成两个半空间。节点左边的子树代表在超平面左边的点，节点右边的子树代表在超平面右边的点。选择超平面的方法如下：每个节点都与k维中垂直于超平面的那一维有关[2]。

一个三维树。第一次划分（红色）把根节点（白色）划分成两个节点，然后它们分别再次被划分（绿色）为两个子节点。最后这四个子节点的每一个都被划分（蓝色）为两个子节点。因为没有更进一步的划分，最后得到的八个节点称为叶子节点，如图二所示。

三、点云数据的三维格网化/体素化

体素（Voxel）是体积像素的简称。概念上类似二维空间的最小单位—像素，像素用于二维图像。体积像素一如其名，是数字资料于三维空间分割上的最小单位[4]。点云数据三维格网化通常用于基于体素的深度学习数据预处理、局部相对特征计算以及投影。

四、基于的Octree的点云结构化组织

八叉树（Octree）是一种树形数据结构，每个内部节点都正好有八个子节点。八叉树常用于分割三维空间，将其递归细分为八个卦限。八叉树是四叉树在三维空间中的对应，在三维图形、三维游戏引擎等领域有很多应用。八叉树的每个节点都可以代表一个空间，对应的八个子节点则将这个空间细分为八个卦限。点域（point region，简称PR）八叉树的节点中都存储着一个三维点，即该节点对应区域的“中心”，也是八个子节点对应区域中的一个角落。矩阵（matrix based，简称MX）八叉树中，节点只记录区域范围，对应的中心点坐标需要从区域范围推算。因此，PR八叉树的根节点可以表示无限大的空间；而MX八叉树的根节点只能表示有限空间，这样才可以得到隐含的中心点[6]。