点云nurbs曲面重建c++代码_抢先收藏！激光点云数据处理技术概要

研究点云数据时，感觉无从下手？看看这十大点云数据处理技术，换个思路学点云。定义

简言之，在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”。包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。数据处理技术

目前，点云处理涉及的技术主要为以下十个：点云滤波（数据预处理）、点云关键点、特征和特征描述、点云配准、点云分割与分类、SLAM图优化、目标识别检索、变化检测、三维重建、点云数据管理。1 点云滤波（数据预处理）
点云滤波，顾名思义，即滤掉噪声。原始采集的点云数据往往包含大量散列点、孤立点，下图为滤波前后的点云效果对比。

点云滤波的主要方法有：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等，这些算法都被封装在了PCL点云库中。2 点云关键点
在二维图像上，有Harris、SIFT、SURF、KAZE这样的关键点提取算法，这种特征点的思想可以推广到三维空间。常见的三维点云关键点提取算法有一下几种：ISS3D、Harris3D、NARF、SIFT3D，这些算法在PCL库中都有实现，其中NARF算法是比较常见的。3 特征和特征描述

如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数，比如法线方向、曲率、文理特征等等。如同图像的特征一样，我们需要使用类似的方式来描述三维点云的特征。

常用的特征描述算法有：法线和曲率计算、特征值分析、PFH、FPFH、3D Shape Context、Spin Image等。4 点云配准

常用的点云配准算法有两种：正太分布变换和著名的ICP点云配准。5 点云分割与分类

点云分割又分为区域提取、线面提取、语义分割与聚类等。一般说来，点云分割是目标识别的基础。
分割：区域声场、Ransac线面提取、NDT-RANSAC、K-Means、Normalize Cut、3D Hough Transform(线面提取)、连通分析
分类：基于点的分类，基于分割的分类，监督分类与非监督分类

6 SLAM图优化
SLAM技术中，在图像前端主要获取点云数据，而在后端优化主要就是依靠图优化工具。下面是一些常用的工具和方法：g2o、LUM、ELCH、Toro、SPA
SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation、NDT7 目标识别检索
这是点云数据处理中一个偏应用层面的问题，简单说来就是Hausdorff距离常被用来进行深度图的目标识别和检索，现在很多三维人脸识别都是采用这种技术。8 变化检测

当无序点云在连续变化中，八叉树算法常常被用于检测变化，这种算法需要和关键点提取技术结合起来，八叉树算法也算是经典中的经典了。9 三维重建

我们获取到的点云数据都是一个个孤立的点，如何从一个个孤立的点得到整个曲面呢，这就是三维重建。
常用的三维重建算法和技术有：泊松重建、Delauary triangulatoins；表面重建，人体重建，建筑物重建，输入重建；实时重建：重建纸杯或者龙作物4D生长台式，人体姿势识别，表情识别。10 点云数据管理

主要包含以下几方面：点云压缩，点云索引（KDtree、Octree），点云LOD（金字塔），海量点云的渲染。

关注公众号“三维前沿”，获取更多无人机、倾斜摄影前沿技术资讯。