基于PCL库的点云特征识别

       雷达扫描测量过程中，每个扫描点的坐标信息由雷达的俯仰角、水平角及激光干涉仪测距计算而来[3]。俯仰角与水平角信息由雷达内部角度编码器获取，而雷达反射镜与型面点的距离信息获取时，由于型面材料反光性质及空气中灰尘的影响会影响雷达光线的对焦，此时会产生远离型面的一些孤点，此为雷达测量结果中的噪声点，需要在进一步分析前将其剔除。

进行零件型面的整体变形分析或重要区域的局部分析时可使用不同的边缘特征或内部的尖锐特征作为配准基准。根据特征所在的区域不同可将点云特征分为两类：1、点云边缘特征；2、点云内部尖锐特征。

1、点云边缘特征

点云边缘特征是重要的配准特征。现有的识别算法有增殖思想膨胀出边缘[4]、重心偏移阈值法[5]、多判别参数混合方法等[6]。主要利用了边缘点近邻点集分布的特征：一侧分布密集点，另一侧无点。通过不同的全局参数来达到识别边缘特征的目的。

边缘特征点k邻域点集分布如下：

图1  特征点与内部点邻域点集

2、点云内部尖锐特征

激光雷达及摄影测量得到的点云只包含点的坐标信息，不包含各点的空间拓扑信息。内部特征点最明显的参数特征为曲率与法线[7]可通过拟合局部二次曲面获取。现有的识别算法与研究方向主要为对法线或曲率全局参数阈值法[8]、多判别参数综合阈值及自适应阈值等[9]。

点云边缘特征识别

点云边缘特征是重要的配准特征。现有的识别算法有增殖思想膨胀出边缘、重心偏移最远点阈值法、多判别参数混合方法等。主要利用了边缘点局部的特征：一侧分布密集点，另一侧无点。通过不同的敏感参数来达到识别边缘特征的目的。

本文利用待识别点的邻域点集Q分布特性，使用投影的方法将三维问题转化为二维的边界识别，同时借鉴二维图像学像素分布的思想，将象限细分为k