点云处理过程_点云数据处理

1.无序点云
一般激光雷达获得的是无序点云
SAR图像获取点云，摄影空中三角测量（如UAV）获取点云，三维激光扫描获取点云.

2.点云的配准
将不同坐标系的点云组合到统一坐标系，即求解点云之间的变化矩阵。

刚性配准，点云的形状大小和物理特性不发生变化，只有姿态和空间位置发生了变化，PS点云配准属于刚性配准
非刚性配准，点云的形状大小和物理特性发生变化
直接将刚性配准算法应用到非刚性配准中会达不到理想的效果。

配准：点云配准分为粗配准（Coarse Registration）和精配准（Fine Registration）两个阶段。

粗配准是指在点云相对位姿完全未知的情况下对点云进行配准，可以为精配准提供良好的初始值。
基于穷举搜索的配准算法：遍历整个变换空间以选取使误差函数最小化的变换关系或者列举出使最多点对满足的变换关系，为精配准提供一系列比较好的初始值，如RANSAC配准算法、四点一致集配准算法（4-Point Congruent Set, 4PCS）、Super4PCS算法等……
基于特征匹配的配准算法：通过被测物体本身所具备的形态特性构建点云间的匹配对应，然后采用相关算法对变换关系进行估计。如基于点FPFH特征的SAC-IA、FGR等算法、基于点SHOT特征的AO算法以及基于线特征的ICL等…

精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。应用最为广泛的精配准算法应该是ICP以及ICP的各种变种（稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）。
以上内容参考的网址
粗配准和精配准各种点云配准方法
粗配准和精配准的点云配准效果比较
什么是粗配准，什么是精配准？

点云配准包括前四个步骤，其中点云的滤波属于低层次处理，点云配准属于高层次

3.点云数据的类型
pcd，ply，las，xyz，xyzrgb，txt

4.数学基础
（1）空间变换
a.欧式变换
对于一个向量，在不同的单位正交基组合的线性表示是不同的，即



这里R称为旋转矩阵，他是一个行列式为1的正交矩阵
引入平移的分量，可以表示为：

为了计算的方便，引入齐次坐标，即在最后一行加上1：

b.轴角
c.欧拉角，类比摄影测量，从像空坐标系到大地坐标系
d.四元数，包括一个实部，三个虚部
旋转矩阵，轴角，欧拉角，四元数之间可以相互转化
e.相似变换（添加了缩放），仿射变换（是旋转，缩放，平移，错切的组合，A只要求是一个可逆矩阵），射影变换（真实世界到相机世界是一个射影变换）

（2）关键点检测
关键点指能够保留点云主要特征的一些点（属于点云压缩的范畴）
对于点云配准，不是点越多越好，适当的减少一些多余的点，可以减少计算负担，还可以增加精度，目的是在减少点的同时，尽可能保留点云的特征。

常用：
ISS检测：使用从大到小排列的特征值来进行阈值选择，局部的协方差矩阵的特征向量可以描述局部特征 ISS
3D-Harris检测：对于2-D,当图像像素移动时会发生大的能量变化，则认为是特征点，对于3-D当点移动时会发生点的数量的大规模变化，则认为是关键点
SIFT 3D检测：使用高斯差分函数以保证在尺度空间和图像空间都能够找到极值
SUAN检测：采用圆形模板，对于不同的位置，圆形模板所包含的面积是不同的，以此来判断点的类型，给定阈值即可判断，对于三维？
AGAST角点检测/NARF检测

（3）点云特征描述子
将检测到的关键点表述为描述子，是描述点云特征的N维向量（属于点云压缩的范畴），提取关键点的某些特征，即局部领域特征。

对于相近的点云分布，其点云特征描述子应该也具有相似性，而对分布不相近的点云其描述子应该也具有不一致性。描述子具有一定的压缩性，可以将复杂高维的点云特征压缩为更简单的表现形式。通过计算点云描述子，匹配不同点云的描述子，能够提高配准的效率。

常用：
Spin Image特征描述子：在 PCL 源码中的 spin_image.hpp 文件实现了该特征描述子的计算过程，步骤为:确定当前查询点，并确定查询点的旋转轴和旋转半径，根据半径得到查询点附近的k近邻，计算各近邻点与查询点之间的二维特征，将各二维特征映射到二维网格，由于分辨率的存在，需要对二维特征进行双线性插值，最后标准化，将spin_image 特征矩阵拉成一维向量。

3DSC特征描述子：

PFH特征描述子：
PFH 是基于点与其邻域内的k个点之间及它们的法向量之间的几何关系，试图捕捉其邻域表面的变化情况以描述局部邻域的几何特征。
用一个四元组（四个参数）而不是两个点，两个法向量（12个参数），来描述两个点之间的关系。

FPFH特征描述子：
提高PFH的计算的效率，使其能够满足实时性的要求

SHOT特征描述子：

5.利用关键点和描述子进行配准实验
软件or代码（pcl）：
裁剪+滤波
特征描述
点云粗配准
点云精配准（ICP）
配准误差

使用cloudcompany软件操作：
先人工选取三个以上（三个旋转参数，三个平移参数）的点，进行粗配准，之后使用icp进行精配准





可以看到配准的结果还是存在一些偏移，后序可以通过设定最邻近点的距离阈值来合并一些相同的点

使用代码进行操作：
计算旋转矩阵和RMS
PCL库的安装
使用fpfh法进行配准


问题：配准效果不好，时间过于长
参考：https://blog.csdn.net/weixin_43236944/article/details/88188532