三维扫描系列001 点云绪论

本文是学习肖勇大神的点云课程总结的笔记，仅供个人学习使用。

肖勇

Mapping & Localization Technical Specialist @ Lucid Motors，主要从事无人车地 图和定位算法研发。先后参与 Lyft、百度无人车 项目开发。密歇根大学土木工程博士，中科院遥 感与数字地球研究所地图学硕士，武汉大学测绘 工程学士。

点云数据及获取

• 定义
  • 点云：三维点的数据集合
• 属性
  • 三维坐标
  • 强度
  • 颜色
  • 时间戳

• 分类

  • 点云组织形式：

    • organized: the point cloud is laid out as a 2D array of points that resembles an image like structure -
    • unorganized: the point cloud is a list of points.

• 点云获取方式
  • 激光扫描仪
    • 星载
    • 机载
    • 地面
    • 移动
  • 深度相机(depth Camera)
  • 双目相机(stereo Camera)
  • 光学相机多视角重建

激光扫描仪

• 工作原理：time of flight

• 

• 分类

  • 星载：卫星
  • 机载：飞机，无人机
  • 地面：三脚架上固定
  • 移动：车辆，机器人等

星载激光雷达

• 常见系统
  • GLAS星载激光雷达 系统(Geoscience Laser Altimeter System)
  • CALIOP星载激光雷 达
  • ALADIN星载多普勒 激光雷达
• 

机载激光雷达

• 机载激光雷达
  • 使用配有 GPS/IMU的飞机（无人机） 获取大范围的点云
• 特点
  • 精度高：10cm
  • 大尺度测绘
• 应用领域
  • 大尺度（城市级别）测绘
  • DEM
  • 正射影像 （高精度相机）

地面激光雷达

• 地面激光雷达
  • 激光雷达通常固定在三角架上，进行 较大范围扫描获取点云。
• 特点
  • 精度高： 可达到 mm
  • 距离远：可达到400m
  • 扫描速度快： Leica RTC360 1s 采集 ~200万点云
• 应用
  • 文物三维扫描建模
  • 地形测量

移动激光雷达

• 移动激光雷达

  • 激光雷达通常跟着移动物体（ 机器人无人车），进行较大范 围扫描获取点云

• 特点

  • 精度高： cm
  • 距离远：~240m
  • 扫描速度快： 10Hz, 200万点 云每秒

• 应用

  • 无人车，机器人

  • 街景测量

    

Point Cloud created by Velodyne Lidar’s Alpha Prime sensor

深度相机

• 深度相机
  • 通过近红外激光器把具有结构特征 的光线投影到物体上，通过红外摄 像头采集得到深度信息。
• 特点
  • 成本低，计算量小
  • 主动光源，夜晚也可用
  • 观测该范围和距离有限
• 应用
  • 室内机器人
  • AR/VR

双目相机

• 使用两个相机从不同位置获取物体的 两幅图像，通过计算对应点的位置偏 差，使用三角原理（Triangulation） 计算点的三维坐标
• 特点
  • 成本低
  • 室内室外都适用
  • 对环境光敏感
  • 基线限制了测量范围

光学相机多视角重建

• SFM 运动结构恢复(Structure from motion)

  • 给出多幅图像及其图像特征点的对应集合 ，估计3D点的位置和摄像机姿态（运动）

• 特点

  • 成本低

  • 使用高精度相机和更稳定的平台（有 GPS/IMU）可以进行高精度测量

  • 计算量大

Credit to http://gsp.humboldt.edu/OLM/Courses/GSP_216_Online/lesson8-2/SfM.html

点云数据处理

点云滤波(filtering)

• 检测和移除点云中的噪声或不感兴趣的点
• 分类
  • 基于统计信息 (statiscal-based)
  • 基于领域 (neighbor-based) 基于投影（projection-based)
  • 基于信号处理(singal processing based)
  • 基于偏微分方程(PDEs-based)
  • 其他方法：voxel grid fitlering, quadtreebased, etc.
• 常用方法
• 基于体素(voxel grid)
• 移动平均最小二乘(Moving Least Squares)

点云匹配 (point cloud registration)

• 估计两帧或者多帧点云之间的 rigid body transformation 信息，将所有帧的点云配准在同 一个坐标系。
• 分类
  • 初/粗匹配: 适用于初始位姿差别大的两帧点云
  • 精匹配：优化两帧点云之间的变换
  • 全局匹配：通常指优化序列点云匹配的误差， 如激光 SLAM，两帧之间匹配，全局匹配
• 常用方法
  • 基于 Iterative Closest Point (ICP)的方法
  • 基于特征的匹配方法
  • 深度学习匹配方法

Credit to http://geometryhub.net/en/notes/registration

• Iterative Closest Point (ICP)Registration
  • Given two scans