3D感知（3D特征提取）

有关点云刚体变换的操作(这个就不介绍了)；

---

基于PCA的点云的形状参数获取：

将点云整体看作一个椭球体，利用PCA分解获取椭球体的3个轴的方向；

这样有什么应用？

 

• 排列成直线的点云方向获取：最长轴方向
•  点云排列成平面时，计算平面法向量：最短轴方向

       

计算方法：

1. 计算“协方差矩阵”      

在面对这么多点云，可能有的点云的是噪点，那么这就涉及到权重了，那么什么时候考虑权重呢？

• 不同位置点误差不同，可信度不同

（比如：对远距离物体，或者低反光物体测距准确度下降）

•  对整个点云的局部形状进行计算

（比如M计算曲面上某点局部的法向量方向，以该点为中心，距离它越远的点
对形状的“贡献”越小）
 

改进措施如下：

---

点云形状拟合——直线拟合（PCA）
上面介绍的PCA的应用，这边具体介绍下。

直线的参数模型：

 计算方法：

点云形状拟合——平面拟合（PCA）

参数模型：

计算方法：

然后平面拟合和有一种利用最小二乘拟合求解的方式，就不说了。

平面参数计算——矢量叉乘

利用的是，向量叉乘的原理：

这里如果使用叉乘求解法向量，对于点云的排序，需要以传感器图像的限速顺列点云

形成了一个cols*rows*3的数组。

 

最后得到归一化的坐标。

如果有噪声，还要提前进行滤波。

还有就是最常见的一种：噪声条件下，用KNN加PCA检测平面法向量

---

点云形状拟合——多项式曲面参数拟合（LS）
 

由于自己写过相关的论文，所以这边的细节就不多说了。

 这里需要知道怎么求解就可以，一个是使用SVD分解，一个是特征值分解。

对应球面拟合

 

 还有一个圆环检测，这个首先需要知道，怎么求解点到直线的投影，以及点到平面的投影，投影的过程实际上是，寻找最短距离的过程

 

 

 

---

另外对于存在噪声的点云几何模型参数

对于这种问题，一种方式是解决噪声的存在，可以使用滤波等常用的手段；

还有一种就是默认噪声的存在使用RANSAC算法进行拟合。

RANSAC算法依赖阈值的设置，以及具有时间长的特点。

还有就是RANSAC对多个集合形状的拟合

比较有价值，以及图片上提出的问题，也是比较有价值的。

---

3D点云配准
具体应用——多个视角获得的点云融合，得到完整点云模型（利用深度相机得到的点云，从不同的角度拍摄，需要进行你融合！）

那么如何解决点云对应关系错误，以及噪声的干扰呢。

采用迭代的算法 ICP

中心化的过程解决了平移量的问题（基本上）

问题最终转化成为了计算代价函数。

---

从点云重建3D物体表面
之前有一章，介绍过从深度图中构建三角网格。效果上，不够平滑。

复杂但性能更好的方法——构建SDF函数，然后通过SDF的空间取值计算物体表面位置，并做三角剖分
如何构建SDF函数呢？

主要是利用物体表面的法向量进行构建：

 

 在原始的点位处，沿着法向量的方向，分别像内向外延申一点点长度建立两个点。

下面是构建SDF函数：

用一个距离相关的(Radial Basis Function Interpolation)函数的线性组合表示：

 想办法求解处a、b、c、就可以了

还有一种比较常见的泊松重建