点云基本概念

一、三维数据的表现形式

三维数据的表现形式一般分为四种，分别是点云、网格、体素与多视图。
点云是三维空间中点的集合；由N个D维的点组成，当D=3则可表示为三维坐标点(x,y,z) ,当D>3时，可以为(x,y,z)点指定其它的属性(颜色、强度等)。
网格由三角面片和正方形面片组成，其来源于多边形网格。多边形网格由一组带公共顶点的凸多边形表面组成，可近似一个几何表面。
体素从点云发展而来，由三维栅格物体用0和1表征。体素就好比三维空间中的像素点，我们可以把体素网格看作量化的、大小固定的点云。
多视图表示是从不同的模拟视角(虚拟摄像头)获取到的渲染后的多边形网格二维图像集合，从而通过一种简单的方式表现三维几何结构。

二、点云的概念

点云是一种基于三维空间中的点来描述物体形状和特征的表示方法。在计算机视觉、机器人技术、计算机图形学等领域中，点云是一种常见的数据结构，被广泛应用于三维建模、形状分析、目标识别等任务中。
点云可以定义为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的集合。
其中同一空间参考系即代表着点云是在三维空间当中的数据；”同一“代表该点云中所有的点都是在同一个坐标系下，而不是分属多个坐标系；

目标空间分布，实际上就是每个点的位置，汇总到一起，构成了点云整体的空间分布；
目标表面特性，实际就是点云中每个点的特性，又称特征，常见的包括颜色、强度、法向等。

三、点云的特点

点云数据是由大量的点组成的一种三维数据结构，其中每个点通常包括其在三维坐标系中的位置信息以及可选的颜色、法向量等属性。点云数据具有许多特点，其中旋转不变性和置换不变性是点云数据中最为重要的两个特点之一。
1. 旋转不变性
旋转不变性是指点云数据在三维空间中的平移旋转不会改变点云数据本身的性质，平移和旋转之后表示的仍然是同一物体。这个特点对于点云数据的处理和分析非常重要，因为在实际应用中，我们很难保证获取到的点云数据的方向和位置是固定不变的，旋转不变性保证了平移旋转不会影响点云的特征提取和识别。为了实现旋转不变性，通常会使用旋转不变特征来描述点云数据，如法向量、曲率等。
2. 置换不变性
置换不变性是指点云数据在点的排列顺序上的变换不影响其描述的物体的形状和特征。也就是说，如果我们对点云数据中的点进行任意排列，得到的点云数据仍然能够描述同一个物体。这个特点在点云数据的处理和分析中也非常重要，因为不同的点云数据可能有不同的点的排列顺序，但它们应该能够描述同一个物体。
为了实现置换不变性，通常会使用基于点的局部坐标系的描述方法，如基于旋转的局部参考系（RF）等。这些方法可以将点云数据中的每个点转换到一个局部坐标系中，从而使得点的排列顺序不再影响点云数据的描述。

四、点云的获取方式

点云的获取方式主要有以下几种：

激光雷达

激光雷达是一种主动型点云获取方式，它通过向物体表面发射激光束，测量激光束反射回来的时间和强度信息，从而得到物体表面的三维点云数据。其原理是利用激光束在传输过程中的反射和回波时间来计算出物体表面的距离信息，再通过旋转激光器或移动激光头的方式扫描整个物体表面，从而获取完整的点云数据。
激光雷达点云的优点是精度高、密度大，能够获取细节丰富、几乎无损的三维点云数据。但缺点是设备成本高、数据处理难度大、对光线条件要求高等。

结构光

结构光也是一种主动型点云获取方式，它通过投射编码的光图案，利用物体表面对光图案的反射来得到物体表面的三维点云数据。其原理是将编码的光图案投射到物体表面上，通过相机捕获光图案在物体表面上的畸变信息，从而得到物体表面的三维坐标信息。
结构光点云的优点是设备成本相对较低、数据处理相对容易、速度快、可以在较暗的环境中工作等。但缺点是精度相对激光雷达较低、对物体表面材质和反射率要求高等。

立体视觉

立体相机是一种被动型点云获取方式，它通过在不同位置拍摄物体的立体图像，计算出物体表面上各点之间的深度差异，从而得到物体表面的三维点云数据。其原理是通过双目或多目相机同时拍摄物体的两个或多个视角，计算出左右图像中对应点的视差信息，从而反推出物体表面上各点的三维坐标信息。
立体相机点云的优点是设备成本相对较低、数据处理相对容易。但缺点是精度相对激光雷达较低、对物体表面材质和反射率要求高、对纹理和颜色等细节信息敏感程度较低等。

TOF相机

TOF（Time of Flight）相机又称飞行时间相机，是一种通过测量光信号飞行时间来确定物体表面距离的成像技术。TOF相机发射一束脉冲光，在物体表面反射后，TOF相机接收到反射光，通过测量光信号从发射到接收的时间差，计算出物体表面的距离信息。
TOF相机的优点是测量速度快，可在短时间内获取大量的点云数据，而且对于物体表面的反射率不敏感，能够适应不同光照和环境条件下的成像。缺点是精度相对较低，受光速等因素影响较大。

此外还有深度相机，RGBD相机等方式，再次不一一列举。

在实际应用中，不同的三维成像技术根据场景的不同需求进行选择。例如，激光雷达常用于自动驾驶、建筑测量、地形测绘、无人机遥感等领域，结构光常用于人脸识别、三维重建等领域，立体相机适用于机器人视觉、室外环境感知等领域，TOF相机常用于室内的人体姿态检测、手势识别等场景，深度相机常用于机器人感知、室内场景重建等领域，而RGBD相机则常用于虚拟现实、自动驾驶等领域。