Q1：定义点云拼接坐标旋转的转角系有哪几种？各有何特点？
点云拼接坐标旋转通常有四种方式来表达：欧拉角、旋转矩阵、旋转向量（轴角）、四元数
欧拉角
欧拉角定义最为直观，即点云围绕XYZ三个轴分别进行旋转，对应的旋转角度即为α、β、γ。每做一次旋转可以得到一个旋转矩阵，分别对应Rx(α)、Ry(β)、Rz(γ)。总的旋转矩阵R等于这三个矩阵相乘。
旋转矩阵
旋转矩阵定义一个三维矩阵R，直接左乘点云坐标完成变换。旋转矩阵R相当于上述欧拉角乘积后的表现形式。R必须是一个正交矩阵，并且模长为1。
旋转向量（轴角）
旋转向量的表示方法比较好理解，就是用一个向量表示旋转轴，和一个角度来表示旋转幅度。轴向量是有无数个，因此要求向量必须为单位向量。这样这个旋转向量就固定下来了。如果用一个旋转向量来同时表示轴向量和旋转角度，那么就是旋转向量。旋转向量的方向与轴向量的方向一致，模长表示旋转角度，即不再是模长为1的单位向量。
四元数
四元数是个相对复杂的数学概念。四元数可以类比复数，复数可以表示一个二维空间，并且二维空间的旋转可以转换为单位复数的乘法，这样降低了矩阵运算带来的复杂度。四元数也可以降低旋转的运算量，加速向量的乘法计算，同时，单位四元数可以有效避免欧拉角旋转表示法中遇到的万向节死锁的问题。
Q2：简述ICP方法的原理和特点？
迭代最近点(ICP)是基于点对点的距离，所以它是一个最近问题。ICP是一个迭代过程，每次迭代包括两个步骤:
- 匹配一个点到相邻点集中最近的点
- 根据匹配的对应点计算相邻点集之间的变换
ICP是一种精配准的方法，是需要在粗配准完成后局部配准还不是很完美，需要继续配准完善的情况下使用（也就是点云已经基本配准完毕，局部地区还有些问题），通过找近邻点去确定同名点完成粗配准的方法。
Q3：简述基于平面特征的点云拼接方法涉及到平面方程选取、平面组相对关系的原则，以及平移参数如何确定？
- 面拼接的方式是通过旋转平移让两个坐标系完全重合，关键问题在于如何用一个数学模型来描述这个过程，需要有一个带有六个参数的能描述两个面重合关系的数学模型（通过关系反求旋转与平移参数）
- 把平面方程用参数方程来表示，以此用一个平面法向与原点到平面的距离来描述这个面
- 平面重合即要求两个面的法向需要平行，可以理解为一个让左边面的法向旋转一个角度让这个面与右边的对应的面的法向平行，即求两个法向之间的夹角，也就是这个过程所需要的旋转角
- 转角有欧拉角与角轴两种方式，这里采用角轴的方式，到目前为止只解决了旋转问题，还没有解决平移问题，目前还没达到两平面重合的效果
- 接下来就是需要达成平移，即将两个坐标系的坐标原点置于一处，然后控制点到平面的距离来实现
- 一组面重合并不代表着整个坐标系的重合，因为点云是三维坐标，选取三对相互不平行的面依次完成对应重合，到这里就相当于实现了绕三个轴的欧拉角的旋转，也就是点云坐标系的统一
- 实际上这个过程就是得到三个相互不平行的面（最理想的情况是取三对相对垂直的面）依次完成了三次角轴的旋转，最终完成两个点云的配准。既用了欧拉角，也用了角轴
- 解的最不可靠的参数就是平移参数（必须有三个相互不平行的面），这也是这个方法的局限性，因为现实情况下一般难以获取三个符合要求的面，控制不住这个条件，平移就会错开
其他与基于平面特征的点云拼接方法相关的需要注意的点的小汇总：
基于平面特征的点云拼接方法的精细化流程？
- 对点云P (Scan 1)和Q (Scan 2)进行分割，确定平面之间的一一对应关系，选取得到的三对非平行平面，提取它们的法向量
- 求解点云P中三个平面交点M的坐标，点云Q中三个对应平面交点N的坐标，分别将点云P和Q的原点移动到交点M和N，使两点云三个平面都在各自的原点相交
- 分别确定P、Q两个点云第一对选定平面的法向，P中的平面法向量为n1, Q中对应的平面法向量为n2。我们知道两个面之间的夹角为θ = cos-1 <n1,n2>，计算n1和n2的纵轴，也就是旋转轴A = n1×n2。根据旋转轴A和角度θ建立第一组旋转关系
- 用相同的步骤确定第二和第三对选定平面对之间的旋转关系。将这三个旋转关系合并为P与Q之间的旋转矩阵R
- 旋转后，三对平面分别平行，然后根据两组点云各自的三个平面的交点，从交点计算平移向量T
面拼接需要三个相互垂直的面的原因？
一组面重合并不代表着整个坐标系的重合，因为点云是三维坐标，选取三对相互不平行的面依次完成对应重合才能符合要求，解的最不可靠的参数就是平移参数（必须有三个相互不平行的面），这也是这个方法的局限性，因为现实情况下一般难以获取三个符合要求的面，控制不住这个条件，平移就会错开。
Q4：简述点云滤波如何利用高程信息来区分地面点和非地面点？
过滤的4种主要方法：数学形态法、移动窗口拟合法、迭代线性最小二乘内插法、基于可靠最小值的滤波方法
数学形态法
- 方法：在移动窗口的帮助下，窗口的最低点被认为是地形点。与已确定的地形点相比，每一个在一定范围内有高差的点也被认为是一个地形点。该滤波根据移动窗口的大小进行加权，以便该过程可以在不同大小的窗口中重复。
- 方法流程的简单总结：
- 找出最低点
- 利用最低点来判断其他点是否为地形点
移动窗口拟合法
-
方法：利用大尺度移动窗口查找最低点，计算拟合一个粗略的地形模型，然后基于第一步得到的模型过滤掉高程差超过给定阈值的所有点，计算出更准确的DEM。
-
为什么要计算拟合一个粗略的地形模型？
基于很多最低点拟合出来地形模型，假设地形连续且平滑作为约束条件，这个过程会处理或剔除一些不符合条件的最低点，最后将整个地形模型作为基准来判断其他点是不是地面点。
-
-
方法流程的简单总结：
- 找出所有最低点，建立粗地形模型
- 过滤掉高程差超过给定阈值的点
- 计算出更准确的DEM
迭代线性最小二乘内插法
-
方法：DEM内插以及数据过滤同时进行。其核心思想就是基于地物点的高程比对应区域地形表面激光脚点的高程高，线性最小二乘内插后，每个激光脚点的高程的拟合残差（相对于拟合后的地形参考面）不服从正态分布，高出地面的地物脚点的高程的拟合残差都为正值，且残差较大，该方法需要迭代进行。
-
方法流程的简单总结：
- 利用所有激光脚点等权计算拟合面
- 根据插值后的残差分布直方图自适应确定权函数的参数
- 计算出每个观测值的权值
- 根据各个观测值的权值进行拟合面计算
- 权为0的被剔除点的检验
- 利用新的拟合面迭代重复以上过程
基于可靠最小值的滤波方法
- 方法：在选择合适的滤波窗口后，该窗口中的地形点的选择不仅要通过选择数据点的最小高程来确定，而且要考虑到最小高程点的不可靠性，还需要进行多次筛选和验证。
- 方法流程的简单总结：计算数据点的平均高程和最小高程，并验证最小值的可靠性。
Q5：除了高程信息以外，还有哪些信息可用于点云的滤波与分类？各适用于什么情况？
激光回波强度（融合激光回波强度与激光脚点高程的点云分类方法）、激光脉冲多次回波之间的规律（激光脉冲的多次回波之间高差的变化的点云分类方法）、航空图像提供的空间信息、纹理特征、语义信息（综合利用多源数据分类的方法）等。
Q6：Point cloud registration
Point cloud registration is a mathematical calculation process of transforming large 3-D spatial data point sets in two or more coordinate systems into a unified coordinate system.
点云配准：将两个或多个坐标系中的大型三维空间数据点集转换为统一坐标系的数学计算过程。
Q7：Gimbal lock
The gimbal lock occurs in the rotation operation using Eular angles, because an Eular angle means an ordinal rotation around one of the three axes. First, the object rotates around the X axis, then the Y axis, and finally the Z axis to complete a rotation operation. When you rotate 90 degrees around the Y axis, the problem of the gimbal lock arises, because the X-axis no longer rotates with the other two axes, the X-axis and the Z-axis point in the same direction (they are equivalent to the same axis).
万向节死锁：在使用欧拉角的旋转操作中发生万向节锁紧，因为欧拉角意味着围绕三个轴中的一个的序数旋转。我们依次绕物体坐标系的X轴，Y轴，Z轴旋转，当绕Y轴旋转了90度之后，Z轴就会指向原来的X轴。这样一来，我们事实上只绕了X和Y两个轴的旋转，第三个轴的自由度就缺失了。就是说这种现象是由于欧拉旋转定义本身造成的。这种围绕选旋转前固定轴的先Z、再X、再Y的旋转操作，与其最终所预期的三个轴向可以旋转的结果并非一定是一对一的映射。某些情况下是多对一的映射，造成一些旋转自由度的缺失，也就是“死锁”
Q8：Global registration
全局拼接：点云数据的全局拼接是一个消除误差累计的过程，是一个以一站作为基准站，站站拼接，最终闭合到基准站的过程。这里涉及到一个闭合差的概念，提出方法的前提条件时必须有一个闭合，产生闭合差，也就是由最后一站测回到第一站与第一站的原始数据的所有点的坐标进行对比，有多少点就有多少闭合差。
Q9：Filtering
To extract the digital terrain elevation model (DTM/DEM) from the laser point clouds, it is necessary to remove the off terrain points, which is called the filtering of LiDAR data.
过滤：要从激光点云中提取数字地形高程模型(DTM/DEM)，需要去除非地形点，即激光雷达数据的过滤。
Q10：Classification
In order to extract urban building data, the off-terrain laser points can be used to distinguish vegetation and artificial objects, which is called the classification of LiDAR data.
分类：为了提取城市建筑数据，可以利用非地形激光点来区分植被和人工建筑，即激光雷达数据的分类。
867
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
