点云三维重建有关原理
点云三维重建有关原理
目录(?)[+]
点云数据的获取
3D信息采集常使用移动测绘系统(Mobile Mapping System)，MMS包括移动激光扫描系统和数码相机。移动激光扫描系统主要由激光扫描仪和惯性导航系统组成，用于测量点的三维坐标和激光反射强度；数码相机用于测量点的三维坐标和颜色信息。根据移动激光扫描系统和数码相机采集的数据可以得到点云数据，包括三维坐标、激光反射强度、颜色信息。
车载装置上装有雷达和GPS/IMU，雷达可以获取车载装置到扫描点的距离与偏角，这样就可以得到扫描点在GPS坐标系中的三维坐标，而雷达与GPS都在车载上，两者的相对位置固定，于是又可以将点的GPS坐标系中的坐标转换为雷达坐标系中的坐标，而雷达坐标系是可以转化为大地坐标系的，这样每个扫描点在GPS坐标系中的坐标就转换为大地坐标系中的坐标。为了便于处理，再将大地坐标系中的坐标转换为本地坐标系中的坐标，事实上点云文件中的三维坐标指的是本地坐标系中的坐标。
3D建模的原理
3D建模的过程实际上是一个三维重建过程，这个过程包括点云数据预处理、分割、三角网格化、网格渲染。
由于激光扫描获取的数据中常常伴有杂点或噪声，影响了后续的处理，因此为了获取完整的模型，需要对点云数据进行一定的预处理，常用的方法有滤波去噪、数据精简、数据插补等。
分割是指将整个点云聚类为多个点云，每个点云对应独立的物体对象。分割算法大体上是先选定一个点，利用kd树计算以该点为中心的球，球内的点都属于该物体，球的半径设为一个阈值，之后遍历该物体的其他点都这么处理，最终会将点云分割成一个一个的物体。
为了便于后续的网格渲染，需要提前将点云进行三角网格化，采用的算法通常是凸包或凹包算法。
以上几步基本上已经得出了点云的空间拓扑结构，要得到逼真的物体，还需要网格渲染。网格渲染主要为纹理映射，就是将数码相机中的图像望网格上贴。
经过以上几步就完成了整个3D建模。
PCL库
PCL（Point Cloud Library）是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库，它实现了大量点云相关的通用算法和高效数据结构，涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。支持多种操作系统平台，可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行。
PCL是一个模块化的C++模板库，其基于以下第三方库：Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull，实现点云相关的获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。
libpcl filters：如采样、去除离群点、特征提取、拟合估计等数据实现过滤器；
libpcl features：实现多种三维特征，如曲面法线、曲率、边界点估计、矩不变量、主曲率，PFH和FPFH特征，旋转图像、积分图像，NARF描述子，RIFT，相对标准偏差，数据强度的筛选等等；
libpcl I/O：实现数据的输入和输出操作，例如点云数据文件（PCD）的读写；
libpcl segmentation：实现聚类提取，如通过采样一致性方法对一系列参数模型（如平面、柱面、球面、直线等）进行模型拟合点云分割提取，提取多边形棱镜内部点云等等；
libpcl surface：实现表面重建技术，如网格重建、凸包重建、移动最小二乘法平滑等
libpcl register：实现点云配准方法，如ICP等；
libpclkeypoints：实现不同的关键点的提取方法，这可以用来作为预处理步骤，决定在哪儿提取特征描述符；
libpcl range ：实现支持不同点云数据集生成的范围图像。
利用PCL编程，通常需要以下几步：
创建处理对象：（例如过滤、特征估计、分割等）;
使用setInputCloud通过输入点云数据，处理模块;
设置算法相关参数;
调用计算（或过滤、分割等）得到输出。