weixin_45196569的博客

作者：迅卓科技简介：本人从事过多项点云项目，并且负责的项目均已得到好评！公众号：迅卓科技，一个可以让您可以学习点云的好地方。

因为曲面P和Q在噪声之前应该是相同的，所以考虑如果要对该曲面上的一对相邻点（p，q）进行采样，目标函数将获得多少残差。在点到平面的情况下，误差函数为：如果考虑在表面的某个小区域内的任何位置进行采样的可能性（p，q），则只有当表面完全平坦时，采样才会为零。但是，请考虑更对称的函数。检查该函数在二维中的行为（见图1），看到每当从圆中采样p和q时，它都是零，因为np和nq对p−q的投影相反。当刚体变换应用于P时，此表达式将继续计算只要p和q最终处于与它们在某个圆上的位置一致的相对位置，就为零（图2，顶部）。

对于源点云P中点的个数不等目标点云Q点个数的两个点集，源点云中的一些点在目标点集中可能没有对应关系。假设可以配对的数据点的最小保证率为σ，那么,可以配对的数据点数量为Npo=σN当σ=1时就是ICP。(1)对于P的每个点，找出Q中最近的点，并计算各个点对之间的距离di²；(2)按升序排列，选择前Npo个点对并计算它们的和sum'；(3)满足约束条件（与ICP相同）则退出，否则令sum=sum'并继续；(4)为选定的Npo对对应点对计算最小化sum'的最佳变换(R,T)；(5)进行变换并循环。

点到点ICP的缺点在于配准结果容易受到点云中噪声的影响。为此，Chen等提出点到面的ICP(Point to Plane ICP)。在对应点选择方面，点到面ICP使用的仍然是目标点云中的最近顶点；但在误差度量函数方面，点到面ICP使用的是顶点到其对应点的切平面距离，而不是点到点ICP的两点间欧氏距离。图4-4和图4-5分别是点到点ICP和点到面ICP误差度量的示意图。点到面ICP的误差度量函数为：式中，T表示变换矩阵；pi、qi分别表示源点云与目标点云中的对应点；ni表示qi对应点的法向量。

PCL（Point Cloud Library）中的投影滤波器是一种用于将点云数据投影到特定几何形状上的算法。这种滤波器可以将点云数据投影到平面、球面、圆柱面等不同的表面上。投影滤波器的主要作用是将点云数据的三维信息简化为更易处理的二维信息，同时保留空间结构的特征。以下是投影滤波器的原理介绍：1. 投影平面滤波器（Project Inliers）是将点云投影到一个平面上。选择投影平面：通过指定平面的法向量和一个平面上的点确定投影平面。计算投影点：对于点云中的每一个点，计算其在指定平面上的投影位置。

正态分布变换（NDT）算法是一种很有用途的点云配准方法，是一个一次性初始化工作，不需要消耗大量的代价计算最近邻搜索匹配点，并且概率密度函数在两幅图像采集之间的额时间可以离线计算出来，但仍在存在的问题很多，包括收敛域差、NDT代价函数的不连续性以及稀疏室外环境下不可靠的姿态估计等。NDT算法的步骤：(1) 该算法的第一步是将扫描占用的空间细分为单元格网格（2D图像中的正方形或3D中的立方体），基于单元内的点分布计算每个单元的PDF。每个单元格中的PDF可以解释为单元格内表面点x^的生成过程。

ICP算法中最耗时的一步是搜索每个点的最近邻点，若使用穷举法进行搜索，时间复杂度会极大增加，从而降低整个点云配准的效率。为了解决这个问题，可以采用KD树（k-dimensionaltree）进行点云搜索。KD树是一种特殊的二叉树结构，其中k表示每个数据点的空间维度，对于三维点云数据来说k为3。KD树的构建过程如下：首先，在每个维度上计算数据点的方差，找到方差最大的维度作为分割空间的参考维度，以保证KD树的空间平衡；

广义迭代最近点（Generalized-ICP，简称GICP）算法是在经典ICP算法基础上结合概率模型改进而来的一种点云配准算法。与经典ICP算法相比，GICP算法具有更广泛的适用性，但是在点云配准方面需要更多的时间。此外，针对稠密点云的配准效率和精度都有所提升。GICP算法的主要改进点有两个：首先，它改进了对应点对的确定式，通过考虑不确定性并使用概率模型来确定对应点对；其次，它改进了目标函数的求解方法，使用高斯分布来描述点云的分布，进而优化点云的匹配。

ICP算法是一种点云配准算法，通过将待配准点云空间坐标转换到目标点云空间坐标系中，实现点云精确配准的目的。该算法的核心思想：首先，寻找待配准点云和目标点云之间的对应点对集合；然后，利用四元数法求取刚体变换矩阵，以实现对待配准点云的空间位置进行更新；最后，通过反复迭代更新待配准点云的位置，直到满足设定的阈值或迭代次数上限，从而实现点云配准。ICP算法的计算复杂度较高，但可以达到较高的精度和鲁棒性。假设待配准点云P和目标点云Q，数目分别为NM。令最大迭代次数为K。

在3D(x、y、t)中，可以计算时空梯度(Lx，L−y，L−t)，其中Lt近似为L(x，y，t+1)−L(x，y，t−1)。现在给出了3D中的梯度大小和方向可以看出，φ现在对远离2D梯度方向的角度进行编码。由于√L2x+L2y为正，φ将始终在(−π/2，π/2)范围内。这是期望的效果，使每个角度都由单个唯一(θ，φ)对表示。现在，每个像素都有两个值，分别表示三维渐变的方向。下一步是为给定兴趣点周围的3D邻域构建类似于的加权直方图。有多种方法可以实现此目的。

/ 加载点云PCL_ERROR("加载点云失败\n");return -1;// SUSAN角点检测// 设置输入点云// 设置邻域搜索的方式// 设置多线程加速的线程数// 设置法向量估计和非极大值抑制的半径// 设置距离阈值// 设置用于角点检测的角度阈值// 设置用于角点检测的强度阈值// 对响应应用非最大值抑制，以保持最强角// 保存角点到PCD文件return 0;

3D-Harris算法通过对点云体素化，将其分割成一个个的方块体，并从前、后、左、右、上、下6个平移方向检测方块体内点云的数量变化来确定局部区域内是否存在关键点。该算法检测步骤如下：(1) 将点云体素化，建立局部坐标系，以法向量的方向为Z轴，X、Y轴与Z轴两两垂直，X轴方向在XOY平面内任意。(2) 建立KD-Tree，求解点云的法向量并构建法向量的协方差矩阵。协方差矩阵M的表达式为:其中，n为当前点的邻域点个数，nx、ny、nz分别为点云法向量的三个分量。

ISS是一种表示立体几何形状的方法，该算法含有丰富的几何特征信息，可以应用在高质量的点云配准中。设点云P中含有n个点(xi,yi,zi)，设pi=(xi,yi,zi)，提取关键点具体流程如下：(1) 对点云P中每个点pi建立局部坐标系，并对所有点设置搜索半径；(2) 确定点云P中每个以pi为中心，r为半径区域内的所有点，并计算这些点的权值，其表达式为下式：通过下式计算每个点pi的协方差矩阵：计算每个点pi的协方差矩阵的特征值并按从大到小的顺序排列得到设定阈值和。

计算RoPS关键点，根据支持半径裁剪局部表面，因此只考虑位于内部的点和三角形，然后，计算局部参考帧(LRF)，赋予描述符旋转不变性。创建一个坐标系，以该点为原点，轴与LRF对齐。然后，对于每个轴，执行几个步骤。首先，局部曲面围绕当前轴旋转。角度由其中一个参数决定，该参数设置旋转的次数。然后，将局部曲面中的所有点投影到XY、XZ和YZ平面上。对于每一个，计算关于投影点分布的统计信息，并连接以形成最终的描述符。详细步骤如下：解释一：有了一个网格和一组必须计算特征的点，执行一些简单的步骤。

ESF描述符是10个64大小的形状函数直方图的集合，一种基于描述部分点云表面距离、角度和面积分布的三种不同形状函数的全局形状描述子。D2形状分布可以区分粗糙的形状，但是一旦类的数量增加，只有对象的部分视图可用，则此特征的描述能力就不再足够了。在3D机械零件的背景下扩展了D2形状分布，将两个随机采样点创建的每条线分类为3D模型内部、外部或两者的混合。这种方法适用于部分点云。两个随机采样点之间的线被分类为点云表面的开/离。

SHOT（Signature of Histogram of OrienTations）是签名的方向直方图的简称，它是由Tombari和Salti等人提出的一种局部特征描述子。该描述子对关键点附近某个邻域内不同空间位置分布的点的表面法线的特征进行统计并生成直方图。首先，在关键点p上建立一个局部坐标系（LocalReferenceFrame，LRF）并将其支撑区域中的相邻点与LRF对齐。接下来，采用基于签名的原理把点云的空间位置信息统计于空间的32个网格中。

VFH即视点特征直方图，它基于局部特征FPFH，在保持特征缩放不变性的同时统计视点信息，使其可以区分物体不同的姿态。

这篇文章探讨了隧道点云中心线的提取问题，重点在于如何从点云数据中准确地识别出隧道的中心线，提出了一种新的方法，以提高中心线提取的精度和鲁棒性。这一方法有望为隧道建模和分析提供更可靠的基础。

FPFH是在FPH的基础上改进，FPFH仅计算查询点与其r邻域内的邻域点之间的三元组，每个维度都输入到若干个区间的直方图中，FPFH保留了PFH大部分的识别特性，并将计算复杂度降低到O(k+1)。FPFH原理如图所示，与PFH原理相比，FPFH不同于PFH使用r邻域内的点全连接，FPFH中的r邻域内只是查询点与邻域点进行部分连接。图1 PFH图2 FPFHFPFH的计算过程如下：设查询点Dq，其 r 邻域内的邻域点为Di。

PFH原理是计算查询点与其邻域点之间的关系以及它们的估计法线，通过编码成直方图来描述几何特征，如图所示。表示的是一个点Dq的PFH计算的影响区域，Dq用红色标注并放在圆球的中间位置，半径为r，Dq的所有k邻元素（即与点Dq的距离小于半径r的所有点，称为邻域点。全部互相连接在一个网络中。最终的PFH描述子通过计算邻域内所有两点之间关系而得到的直方图，因此存在一个的计算复杂度。

在main函数中，通过调用函数加载了两个点云文件，分别对应着待配准的对象点云和场景点云。函数实现了基于主成分分析（PCA）的粗配准功能。主要步骤包括：对输入的对象点云进行PCA分析，得到其特征向量和平均值，并将点云投影到主成分空间中。构建对象点云的变换矩阵，将对象点云变换到主成分空间。对输入的场景点云进行PCA分析，得到其特征向量和平均值，并构建场景点云的变换矩阵。计算将对象点云变换到场景点云主成分空间的变换矩阵，并将其与场景点云的变换矩阵相乘，得到最终的变换矩阵。

K-4PCS方法主要分为两个步骤:(1)利用VoxelGrid滤波器对点云Q进行下采样，然后使用标准方法进行3D关键点检测。(2)通过4PCS算法使用关键点集合而非原始点云进行数据的匹配，降低了搜索点集的规模，提高了运算效率。因此可以结合体素滤波和3D关键点检测以及4PCS算法研究该算法，可以理解为结合创新。

FPFH算法:FPFH通过计算某特征点邻近点表面的法线，并计算法线间的偏差，将其参数化，得到特征点的描述形式。具体步骤如下:计算每个查询点与最近点法线之间的特征表述αΦθ值，并称其为SPFH。将每个点的最近邻点重新分配，使SPFH值来权衡FPFH的值：式中：权重Wk表示查询点与邻近点之间的距离。权重的组合是非常重要的，它表示的是以查询点为中心的ｋ邻域影响范围，如图所示。从图可以看出，离查询点越近的点权重越大，线越粗。因此，给定一个点Pq，算法首先评估SPFH。

4PCS配准算法使用的是RANSAC算法框架，通过构建与匹配全等四点对的方式来减少空间匹配运算，进而加速配准过程。具体的在任意姿态的输入点云P和Q中构建共面四点集合，使用仿射不变性约束，在共面四点集合中匹配符合条件的对应点对，使用LCP（Largest Common Pointset）策略寻找配准后最大重叠度四点对，得到最优匹配结果，完成点云粗匹配。4PCS算法构建与匹配点间空间拓扑关系过程如图所示。

根据k-means聚类原理来排除大尺度噪声点中的颗粒点和小片点云，从n个点的数据集中，找出k个聚类中心簇，使聚类后的每片对象具有很高相似度。开始从n个待聚类的对象中随机选择k个作为初始值，再根据所有对象离每个聚类中心的距离分配到最近的中心，计算新聚类中心簇的质心，取平均距离，进行迭代，直到目标函数收敛后实现聚类。式中Wn为数据集中所有对象与它所在的聚类中心的平方误差之和，ai为聚类中心的均值，pj为每个聚类中的对象。k-means聚类步骤：１）原始点云数据P（其中，ｎ为点云个数），给定分类组数Ｂ。

随机采样一致(ransac)算法是一种随机性的参数估计算法，利用Ransac可以实现采样一致性初始配准(Sample Consensus Initial Alignment，简称：SAC-IA)。采样一致性初始配准(SAC-IA)给出一个初始预估的刚性(Rigid)变换矩阵，为更精确的位姿估计算法(如ICP等)提供初始配准状态。首先，大家要明确点云直方图的概念，点特征直方图是一种信息丰富的姿态不变局部特征，它代表了点p处的模型属性。它们的计算是基于p个最近k个邻居之间的某种几何关系的组合。它们融合了。

高密度聚类作为数据挖掘中聚类算法的一种分析方法，它能找到样本比较密集的部分，并且概括出样本相对比较集中的类。基于高密度聚类算法的实现过程，使得算法可自动发现高维子空间,处理高维数据表格，得到较快的聚类速度和最佳的聚类效果。DBSCAN算法利用类的高密度连通性，快速发现任意形状的类。其基本思想是：对于一个类中的每个对象,，在其给定半径的领域中包含的对象不能少于某一给定的最小数目。DBSCAN为了发现一个类，先从数据库对象集D中找到任意一对象P，并查找D中关于R和Pmin的从P密度可达的所有对象(其中R。

根据点之间的欧氏距离和点之间的法线角度偏差将空间区域分解为簇。添加到簇中的每个点都是另一个半径搜索的起点，半径范围内的每个点将与原点的法线角度和欧氏距离进行比较。如果两者都低于各自的阈值，则该点将被添加到集群中。一般来说，聚类算法不会停止在光滑表面上，而是停止在具有锐利边缘的表面上。

受限平面切割。与LCCP方法不同，此方法能够将物体分成有意义的块：比如人的肢体等。CPC方法可作为AI的前处理并且不需要额外训练，自底向上地将点云分割成有明确意义部分。算法大致可以分成两个部分：基于超体聚类的过分割。在超体聚类的基础上再利用CPC算法聚类。心理物理学研究认为物体分解成部分与局部3D中高中凹关系紧密相连。容易观察到的是，物体和物体部分往往被凹的边界所隔离。Stein等人在一个自底向上的分割算法LCCP中使用了这一思想，在几个流行的目标分割基准中表现出了最先进的性能。

LCCP是的缩写，翻译成中文叫做 "局部凸连通"该算法可以分成两个部分：1.基于超体聚类的过分割。2.在超体聚类的基础上再进行凸包聚类，LCCP 方法并不依赖于点云颜色，所以只使用空间信息和法线信息。点云完成超体聚类之后，对于过分割的点云需要计算不同的块之间凹凸关系。凹凸关系通过和判据来进行判断。其中 CC 利用相邻两片中心连线向量与法向量夹角来判断两片是凹是凸。显然，如果图中a1 > a2则为凹，反之则为凸。

DBSCAN 的原理其实和欧式聚类的原理类似，但是DBSCAN 的抗噪能力更为强悍一些，众所周知，欧氏距离是没有任何的抗噪能力的，因此由于一个小噪点的影响也可能导致结果的巨大差异。因此DBSCAN 仿佛是弥补了欧式聚类的缺点，即鲁棒性较差。DBSCAN 的聚类过程可以理解为如下步骤：1、首先，该算法会以任何尚未访问过的任意起始数据点为核心点，并对该核心点进行扩充。这时设定半径ε，任何和核心点的距离小于ε的点都归属它的相邻点。

法线差 (DoN) 提供了一种计算高效、多尺度的方法来处理大型无组织 3D 点云。这个想法在概念上非常简单，但在分割尺度变化很大的场景时却非常有效。对于点云P中的每个点p，用不同的半径估计两个单位点法线。这些点法线的归一化（向量）差定义了运算符。下式定义了法线差算子：其中和是在给定支撑半径的情况下点处的表面法线估计值。请注意，算子的响应是归一化矢量场，因此是可定向的（结果方向是一个关键特征），但是算子的范数通常提供更容易使用的量，并且始终在范围内。支撑半径对点云估计表面法线的影响的图示。

该算法将云分为两组：前景点和背景点（属于对象的点和不属于对象的点）。(a)系统将物体位置(在这种情况下,短暂的)附近的点云作为输入。(b)构造了一个k-最近邻图。(c)每个节点都有一个背景惩罚函数，从输入位置到背景半径(随着数值的增加,颜色从绿色变为红色)递增。(d)前景点被选为硬约束(在交互方式上,用户选择硬前景和硬背景约束)。通过最小切割(e)生成分割结果。如果要分开最左边的点和最右边的点，红绿两种割法都是可行的，但是红线跨过了三条线，绿线只跨过了两条。

为了生成分割完成后的图片，需要确定每个格子的初始位置。首先，按照一个长度参数将图像或点云进行网格分割，该长度参数称为网格半径。网格半径必须大于点云或图像的分辨率，即点云下采样的分辨率，称为下采样分辨率。通过网格分割，可以选择每个网格中心最近的点作为该格子的初始中心位置，称为每个网格的种子点。接下来，设定一个搜索半径对每个种子点进行领域搜索。如果在该搜索半径内的点数少于预设的阈值，该种子点被认为是外点。然后，连接该种子点所在的网格与相邻的网格，并重新计算网格中心位置。

因此，如果它们的法线形成的角度不超过给定的阈值α th，则可以将点pk添加到从p开始的当前区域。该算法首先将一个曲率值较低的点p∈P加入到一个队列(初始为空)中，然后验证它的每个pk个邻居，看它是否可以和p属于同一个区域。图二为利用其周围7个临近点计算的法线方向，因为另两个便宜点的影响，导致法线的方向发生改变（实际效果不会这么明显，该图只作为方便理解使用）。如果它们的邻居中没有一个满足角度准则，则点将停止添加到当前区域或者点的队列是空的(意味着所有具有小曲率的点都已经被考虑了)。简介：本人从事过多项。

欧式聚类分割需要将无组织的点云模型划分P为更小的部分，从而显著减少P的整体处理时间。欧几里得意义上的简单数据聚类方法可以通过使用体素或更一般地八叉树数据结构来利用空间的 3D 网格细分来实现。这种特殊的表示构建速度非常快，并且对于需要占用空间的体积表示或每个生成的体素（或八叉树叶）中的数据可以用不同的结构进行近似的情况非常有用。然而，从更一般的意义上来说，我们可以利用最近邻居并实现本质上类似于洪水填充算法的聚类技术。为了实现这个目标，系统需要首先理解什么是对象点簇，以及它与另一个点簇的区别。

空间圆的方程可以表示为一个平面与一个球体的相交：通过三维数据点建立空间平面方程：根据式(2)，利用最小二乘法拟合得到平面方程的系数A、B、C、D，进而可得出空间圆所在空间的平面方程。将全部点云数据投影到平面Ax＋By＋Cz＋D=0上，得到投影点(xi′,yi′,zi′)，各点投影公式为：式中：由解析几何知识可得，投影点(xi′,yi′,zi′)定是平面与球面的相交点，可利用最小二乘法进行求解。

其中，P为圆柱面上任意一点，为圆柱轴线上一点，(a，b，c)为圆柱轴线向量，为圆柱底圆半径。圆柱面上任意一点到其轴线的距离为半径r0，即:式(1) 即为圆柱面方程。根据圆柱面上点的坐标(x，y，z)，求出圆柱轴线上一点圆柱轴线向量(a，b，c) 、圆柱底圆半径r这七个参数，就可以唯一确定一个圆柱。确定柱面模型参数初始值。圆柱拟合初值的估计原理如下:在圆柱面模型参数的初始值确定过程中，通过选择圆柱面上任一点及其邻近点，进行局部平面拟合以获取该点的单位法向量。

假设我们有一组三维数据点{(x1, y1, z1), (x2, y2, z2), ..., (xn, yn, zn)}，我们的目标是找到一个圆心坐标为 (a, b, c) 和半径为 r 的球体，使得这个球能够最好地拟合这些数据点。球的一般方程可以表示为：经过化简得：令：得到关于待求参数a,b,c,d的线性方程：对于给定的一系列三维数据(xi​,yi​,zi​),i=0,...,n，根据式(3)可以列出n+1个线性方程，然后可以采用最小二乘法轻而易举求解。

假设我们有一组二维数据点{(x1, y1), (x2, y2), ..., (xn, yn)}，我们的目标是找到一个圆心坐标为 (a, b) 和半径为 r 的圆，使得这个圆能够最好地拟合这些数据点。圆的一般方程可以表示为：通过最小化所有数据点到圆的距离的总和，我们可以得到最佳拟合的圆。这可以通过最小化误差函数来实现，误差函数定义为每个数据点到圆的距离的平方之和。经过化简得：再次化简得：令：则：最终化简得：最终求解A，B，C系数即可。