网站推广常用方法,洛阳霞光科技专业网站制作,敦煌做网站 条件,高防服务器租用写在前面
本文内容 点云算法的学习基础#xff0c;入门方法#xff0c;相关领域#xff0c;资源#xff0c;开源库#xff0c;算法等的介绍#xff1b; 以Open3D和PCL等为基础工具的点云处理代码讲解、实现#xff1b; 文中涉及的参考以链接形式给出#xff0c;涉及文…写在前面
本文内容 点云算法的学习基础入门方法相关领域资源开源库算法等的介绍 以Open3D和PCL等为基础工具的点云处理代码讲解、实现 文中涉及的参考以链接形式给出涉及文件资源如点云已上传至网盘本博客资源链接路径为: share_noel/csdn/how_to_learn_point_cloud/how_to_learn_point_cloud_1 本文尽力用最简单易懂的语言和方式来介绍相关内容欢迎补充指正平台/环境 Windows10, Ubuntu1804, CMake, Open3D, PCL转载请注明出处 https://blog.csdn.net/qq_41102371/article/details/136288203 目录 写在前面点云基础什么是点云点云获取方式、作用、相关领域 点云算法有哪些有何用资源常用开源库参考完 点云基础
什么是点云
最好的认知方式莫过于实践现在你可以下载一个开源且跨平台的点云可视化、处理软件CloudCompare(如果你以后的学习或工作经常和点云打交道请一定记住这个软件它将成为你的得力助手)以及上述网盘中的点云或者你自己的点云用CloudCompare打开下载的点云看看建立一个感性认知一切的故事将从这里开始。 下面是比较理性的认知 点云(PointCloud)是一种三维空间目标的表现形式可用一群空间离散三维点 ( x , y , z ) (x, y, z) (x,y,z) 的集合来表达如 { P } \{P\} {P} 表示一个有 N N N 个点的点云 p i , i ∈ { 0 , 1 , 2... n } p_i, i\in\{0,1,2...n\} pi,i∈{0,1,2...n} 是其中任意一点另外一个三维点除了空间位置信息 ( x , y , z ) (x, y, z) (x,y,z) 还可包含颜色信息、强度信息、法向量等以Open3D和PCL中点云的数据结构为例
Open3D Open3D以点云为一个数据结构点(points)颜色(colors)法向量(normals)都以3维的Vector表示(Eigen::vector3d) points: { ( x i , y i , z i ) , i ∈ 0 , 1 , 2... n } \{(x_i, y_i, z_i), i\in{0,1,2...n}\} {(xi,yi,zi),i∈0,1,2...n} colors: { ( r i , g i , b i ) , i ∈ 0 , 1 , 2... n } \{(r_i, g_i, b_i), i\in{0,1,2...n}\} {(ri,gi,bi),i∈0,1,2...n} normals { ( n x i , n y i , n z i ) , i ∈ 0 , 1 , 2... n } \{(nx_i, ny_i, nz_i), i\in{0,1,2...n}\} {(nxi,nyi,nzi),i∈0,1,2...n} 具体可见 open3d::geometry::PointCloud Class Reference https://github.com/isl-org/Open3D/blob/main/cpp/open3d/geometry/PointCloud.h#L463 PCL PCL以点为基础的数据结构通过模板的方式以点的类型决定点云的类型如PointXYZ, PointXYZI, PointXYZRGB分别表示三维点、带强度的三维点、带RGB的三维点详见 https://pointclouds.org/documentation/namespacepcl.html pcl::PointXYZRGB Struct Reference pcl::PointCloud PointT Class Template Reference
点云获取方式、作用、相关领域 通过传感器获取 当前可以获取点云的常用传感器为 激光雷达 1、大型激光雷达扫描仪(如Leica, RIEGL等)常用于需要大范围、高精度但不要求实时性的场景比如测绘、矿山测量、灾害现场重建。如莱卡HDS8800可达上千米的扫描范围但价格在百万以上 以下是Leica HDS8800扫描得到室外建筑 2、小型固态、半固态、机械式激光雷达(Livox, 禾赛, Velodyne等)常用于实时性要求较高的工业机器人、自动驾驶等领域价格一般在千元-万元级 以下是Livox Avia非重复式扫描得到的点云 深度相机 如Intel Realsense, 奥比中光, 银牛等常用于机器人、消费级产品如体感游戏、服务机器人、扫地机、小场景三维扫描仪等 https://www.intelrealsense.com/lidar-camera-l515/ 结构光相机 如ZIVID、Photoneo、图漾、跨维智能、Mech-Mind等常用于精度要求极高的场景如工业表面缺陷检测 示例点云见https://sketchfab.com/zivid/collections/manufacturing-point-clouds-18a888a297e34098ba4a7c478a049a70 另可参考 徕卡HDS8800 leica HDS硬件产品系列 RIEGL VZ-400i https://www.open3d.org/docs/release/tutorial/sensor/azure_kinect.html 浅谈单目结构光原理 深度相机—TOF、RGB双目、结构光原理及优势对比 3D深度相机调研【史上最全不服来战】 通过影像三维重建获取 运动恢复结构(Structure From Motion, SFM)可以从二维影像中恢复相机位姿和稀疏三维空间点云再通过稠密重建得到带RGB的稠密点云后续经过表面重建、纹理贴图可以生成带纹理的Mesh模型其中比较基础和出名的开源方案(pipeline)是OpenMVG(SFM)OpenMVS(稠密、表面、纹理)以及Colmap(完整pipeline) 影像三维重建同时也是一个比较大的研究方向通过该方式获得的点云具有稠密、带纹理等特点但无法恢复尺度信息需要人工或者借助GPS等信息加入算法来恢复普通的开源方案(OpenMVGOpenMVS, Colmap, OpenSfm, AliceVison)适用于小目标、室内、室外建筑场景三维重建比较专业的采集处理软件可用于城市级三维重建(摄影测量) 有兴趣可以参考 Awesome 3D reconstruction list SFM综述 openmvg2.0编译与使用 openmvs编译与使用 用cmake在win10配置colmap 下图是SFM稀疏重建得到的点云可参考openmvg2.0编译与使用来生成 通过模型采样、人工合成获取 点云通过表面重建的方式可以生成表面模型如Mesh反之可以从表面模型上采样得到点云 开源数据集 Stanford Bunny点云界的Lenna.jpg 武大WHU-TLS Modelnet-40 3DMatch数据集 Kitti …
点云算法有哪些有何用
点云算法按整个来说应当属于计算机视觉中的3D视觉领域主要的算法和应用为
传统的点云算法 采样、滤波去噪、法向估计、特征提取、拟合、配准、(语义)分割、场景重建、表面(Mesh)重建等深度学习点云算法 近些年也有了许多点云深度学习的方法如深度学习点云法向估计、点云语义分割、点云目标检测、点云配准、点云表面重建、点云逆向工程等点云深度学习也是比较热门的研究方向应用 其中采样、滤波去噪、法向估计、特征提取算法是最基础的算法一般用于点云的预处理拟合、分割、配准等算法属于更高级的应用直接或间接地为用户提供点云处理结果在这些算法基础上进一步处理获得目标或场景的完整模型、语义信息、表面模型等 这些点云算法通常作为基础算法服务于三维重建、SLAM、自动驾驶领域比如点云三维重建用于测绘、地质调查、文物重建、数字资产、数字城市等SLAM中地图点云用于机器人定位、导航、避障等自动驾驶中点云用于3D目标检测、高精地图制作的基础数据等尤其是像点云配准、分割、3D目标检测等算法在这些领域起到了至关重要的作用因此点云算法可以认为是3D视觉的重要基础之一。
资源
一些点云相关的资源 点云配准系列文章 Open3D点云处理 https://github.com/topics/point-cloud https://github.com/timzhang642/3D-Machine-Learning https://github.com/topics/point-cloud https://github.com/zhulf0804/3D-PointCloud
常用开源库
常用的点云算法开源库有 Open3D, PCL, CGAL, CloudCompare等
参考
文中已列出
完
主要做激光/影像三维重建配准、分割等常用点云算法熟悉open3d、pcl等开源点云库技术交流、咨询可私信
