激光雷达笔记

激光雷达笔记

网上关于激光雷达的课程较少，同时为了复习，记录一下复习框架和算法。欢迎大家一起讨论。

1. 简介
2. 点云可视化和结构
3. 点云拼接和配准
4. 点云的滤波和分类
5. 点云的分割和拟合

第一次思维导图后续完善

第4.5章还需要复习
##第四章更新
图片太小了，直接发布在了mindmaster里面（还有许多需要改正的地方）
https://mm.edrawsoft.cn/map.html?obj=wxoa3v5wPZxB5EOEqJHHCFhpIv-1XQ/Personal/%E6%BF%80%E5%85%89%E9%9B%B7%E8%BE%BE.emmx
##第五章
5.1点云分割
5.1.1 点云分割：将依据一定的相似性原则，将同类点聚集的过程。
联想一下与点云分类和滤波的区别：分类和滤波是对点云的简单处理，确定不同点云的属性特征，而点云分割更加侧重于几何特征，即判断相邻的点云是否在一个平面或曲面上。
5.1.2主要方法：
表面生长法
基本思想：通过判断一个种子点邻域内的点是否与种子点相似（一般为法向等信息），如果相似则合并一个种子面，直至整个点云数据都得到了分割，分割的结果是各个具有相似性质的面归为一类（面可能是平面也可能是曲面）。
算法思想：1、判断一个点的邻域点集是否与该点有相似性质。
2、将具有相似的点压入栈，并将其值改变为非零值。
3、取栈中的一个点，继续对该点进行判断该点周围的邻域，重复步骤2，如果邻域内的点属性值非负则跳过。
4、当栈为空的时候停止，再次选取另一个种子点，反复进行，
5、直到每个点都有了归属
缺点：1随机性，2效率低
→表面生长法plus
基于反射值的表面生长法：
基本思想是对由原始点云生成的反射值影像进行分割，以分割得到的面作为种子面进行生长。可实现分割和拟合一体化。（可以达到一个优化的目的）。
流程框架：（大致是这意思）

5.2点云拟合
5.2.1定义：通过离散点云求取模型特征参数的过程。
5.2.2方法
1最小二乘法
所有的拟合方法最后都需要归算到最小二乘法当中
使用最小二乘法的前提：1粗差不大于20%2模型确定3只有一个模型
测量中为什么可以使用最小二乘？
因为测量工作就是在数据处理之前保证尽可能的减少误差的影响。
2 3D霍夫变换
中心思想：在数学中，一个直线可以表述为ax+by+c=0，一个平面可以表述为ax+by+cz+d=0，如果我们知道了把x，y当做变量，a,b,c就能唯一确定，
这样x，y就与a，b，c建立了映射关系，令a=1，b,c就能与x,y对应，通过这种方式，我们对于一个点云集合，如果模型确定（即这个模型是直线，平面，还是曲面等等），我们便可以确定点云中这个点对应的霍夫变换空间中参数坐标，如果有很多点都对应同一组参数呢，便可以通过累加器的方式，将这个参数坐标高亮表示，最终，我们可以发现一些高亮点，也就将他们归类，同时也相当于剔除了粗差。
在现实中，由于误差的存在，不可能参数完全一致，因此大都会呈现聚拢的参数点集，因此只能确定存在什么模型，而不能精确确定模型参数。