本文介绍了点云数据处理的多个方面，包括三维匹配、多视图三维重建、3D SLAM、目标识别、形状检测与分类、语义分类、立体视觉与SFM、自动造型技术。还讨论了点云预处理的滤波方法、关键点提取、特征描述、分割与分类、SLAM图优化、目标识别、变化检测和三维重建。点云数据管理也是关键，涉及压缩、索引和渲染技术。
三维计算视觉研究内容包括：
(1)三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有最近点迭代算法 ICP和各种全局匹配算法。
(2)多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不再是简单的逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此存在一个针对三维模型进行优化或者平差的Fusion融合过程在里面。通常SLAM是通过观测形成闭环进行整体平差实现，优先保证位姿的精确；而多视图重建通过FUSion过程实现对模型的整体优化，保证模型最优。多视图三维重建可以只使用图像，或者点云，也可以两者结合(深度图像)实现，重建的结果通常是Mesh网格。最典型的例子是Kinec
最低0.47元/天 解锁文章
850
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
