斯坦福的著名小兔子模型的点云数据_点云局部特征描述综述

作者：小毛

Date：2020-05-07

1.引言

在计算机视觉发展初期，机器对客观世界的视觉感知主要依赖相机捕获的二维图像或图像序列。然而世界在欧氏空间内是三维的，图像因为仅仅捕捉了世界在某个视角下投影的信息将在对物体的尺度和几何属性表征上产生不确定性。相比之下，点云(Point cloud)作为一种最原始的三维数据表征能够精准地反映物体的真实尺寸和形状结构，逐渐成为了机器视觉感知所依赖的另一种数据形式。

图1 典型的主动式和被动式点云传感器。(a)Velodyne 激光雷达及其扫描的点云数据，(b)ZED 立体视觉相机及其捕获的点云数据。

点云是一种由若干离散、无序、无拓扑结构的三维点组成的集合，通常是三维传感系统所获取数据的初始形式，具有抗光照和尺度变化等优点。当前主流的点云数据传感器分为两类：主动式和被动式。主动式传感器又可分为基于 TOF(Time of Flight)系统和三角测量系统两种，其中 TOF 系统通过测量所发射信号到达物体表面和返回接收器之间的时间间隔来确定传感器到物体表面的真实距离，而三角测量系统则通过两个传感器在不同地点对物体同一点之间的测量关系计算点的空间位置。被动式传感器依赖图像对或图像序列并根据相机参数来从二维图像数据中复原出三维数据。典型的主动式传感器包括 LiDAR(Light Detection And Ranging)、TOF 相机、结构光传感器等；典型的被动式传感器包括立体相机、SFM(structure from motion)系统、SFS(shape from shading)系统等。图1展示了 Velodyne 激光雷达和 ZED 双目相机以及它们捕获的点云数据。近年来，诸如微软 Kinect、谷歌 Tango 平板、英特尔 Real Sense 等廉价传感器的涌现使得点云数据的获取和图像一样便捷，进一步推动了三维计算机视觉技术的发展。

图2 三维点云局部特征描述与匹配示意图

和图像感知类似，对于点云数据的感知任务包括检测、识别、分类、分割、匹配等，本专栏致力于研究点云视觉任务中一个基础而关键的问题，即点云之间点对点对应关系的建立。该问题也被称作三维点匹配问题，在计算机视觉、计算机图形学、遥感、机器人等领域均有着广泛的应用。以源点云和目标点云来命名两组待匹配的点云序列，当两组点云之间发生了旋转、平移等刚性变换时，称之为刚性点云匹配数据；当两组点云之间发生了伸缩、仿射、变形等非刚性变换时，则称之为非刚性点云匹配数据。本文研究的数据对象为刚性点云匹配数据，通常为传感器在不同视角或不同场景下捕获的刚体目标点云数据序列。对于刚性点云匹配数据之间的点对应关系建立通常包含两步：局部几何特征描述和特征匹配。如图2所示，局部几何特征描述的目的是用一个特征向量来表征隐含在局部曲面内的空间信息和几何信息；特征匹配的目的是通过度量两组点云特征集中任意两个特征的相似性确定初始匹配并筛选出正确的匹配子集。当点云数据体量较大时，在初始点云中检测若干稀疏且具有区分能力的关键点是一种常用的预处理方案。在二十一世纪初期，曾有一系列点云关键点检测子被陆续提出，例如三维 Harris 检测子(Harris 3D，H3D)和本征形状签名(intrinsic shape si