[论文学习]An Efficient Plane Extraction Approach for Bundle Adjustment onLiDAR Point clouds

摘要引言：

        目前BALM，或者BALM2等算法大多都采用点到线和点到面的距离来构建全局优化方程。提取到面的质量对全局优化有影响。这篇论文主要是提升面的提取质量。

平面表示：

A.平面提取

常规的采用三个特征值比大小和 比率来判别是否是平面，平面的特征值理论上是 最小的特征值要远远小于前两个特征值。论文中指出来，仅仅用特征值比率来判别是否是平面存在缺陷，比如文中的figure1中一个角上存在一些非平面点。

解决方法是，PCA分解（采用PCA分解的方式，可以提供划分的方法，单纯的按照某一个轴进行划分，可能导致点云分层），然后划分成4个象限，每一部分重新拟合一下平面，看看前后最小特征值比率是否在一个区间内，或者说是否与点数比率比较接近，如果在一个区间内，则认为是平面。否则不是平面，则会提出划分出来的那个非平面的体素。

PCA划分4象限：

合并条件：

B.自适应体素划分，划分方式采用balm的方式，就是划分成体素，体素作为一个根节点，每一个体素如果是非平面就进行划分，直到达到设定的划分边长。结合A中方法来验证平面，剔除掉非平面的子体素区域。 然后采用了点到面的距离，和两个面的法向夹角来验证是面是否可以合并，可以合并的面进行合并。

最终合并出来的高质量的平面可以节省BA时间，