首页 > 其他分享 >点云学习1

点云学习1

时间:2024-07-14 14:58:42浏览次数:19  
标签:配准 变换 刚性 矩阵 三维 学习 点云

目录

一、点云基础  

二、点云配准

2.1点云配准基础       

2.2 点云配准分类

2.2.1 刚性配准

2.2.2 非刚性配准

2.2.3 总结

三、点云配准应用

3.1 机器人及无人驾驶领域

3.2 测绘遥感领域


一、点云基础  

         三维点云的实质是场景表面在给定坐标系下的离散采样,其数据形式为一系列三维点的集合。点云中的每个点都包含丰富的信息,包括三维坐标、颜色、分类值、强度值(1.可以去除一些噪点、2.提取车道线)和时间(可以去畸变)等属性信息。点云分为有序点云和无序点云。有序点云由深度图还原,从左到右按顺序排列。无序点云的点排列没有任何顺序。

        在自动驾驶或者机器人领域,常见的点云获取硬件是激光雷达和相机。激光雷达可以直接得到三维坐标,并且也包括点的强度信息和时间等有价值信息,可分为固态激光雷达和机械式激光雷达。相机能得到三维信息,想要得到深度信息需要通过三角化,但是最近也发明了一种深度相机。

二、点云配准

2.1点云配准基础       

         三维点云配准的实质是计算同一物体或场景不同视点下采集到的点云之间的变换关系,从而将其统一到同一坐标系下得到完整的点云。点云配准的核心在于求解点云之间的变换关系。求解变换关系的前提是确定点云之间的匹配对应关系,确定好点对之间的对应关系后利用几何变换方程即可求解参数矩阵。变化关系可表示为:1. 旋转矩阵、平移向量=>变换矩阵   2.四元数    3.欧拉角

        目前所接触的用的最多的变换关系是变换矩阵,它是由旋转矩阵和平移向量组合而来。变换矩阵T是4X4的矩阵,旋转矩阵R是3X3的矩阵,平移向量t是3X1的。如图,其中代表A旋转矩阵,T代表平移向量,V代表透视变换向量,S代表整体的比例因子。因为在刚性变换中只存在旋转和平移变换,不存在形变,所以将V设为零向量,比例因子S=1。

2.2 点云配准分类

        点云配准包含粗配准(Coarse Registration)和精配准(Fine Registration)两步。粗配准指的是在两帧点云位置相差较大(如两帧位于相机坐标系的点云),相对位姿完全未知的情况下进行较为粗糙的配准,目的是为后续精配准提供较好的变换初值。常见的粗配准方法有ISS、FGR、FPFH、super4PCS、PointNet。精配准在给定初始变换矩阵的条件下,进一步优化得到更精确的变换。常见的精配准方法有ICP、NDT。按照点云之间的几何变换关系将配准算法分为基于刚性变换的配准算法(简称刚性配准)和基于非刚性变换的配准算法(简称非刚性配准)。

2.2.1 刚性配准

        刚性配准是指两个点云的形状大小和物理特性是不发生任何改变的,只有空间位置与姿态发生了改变。刚性配准的价值在于:单帧点云只能表示物体表面单一视角的几何信息,因此,要获得物体表面的完整几何信息,需要通过刚性变换将不同视角下的单帧点云配准为一个整体。

2.2.2 非刚性配准

        在一些三维重建应用中,需要重建的对象有时是非刚性的,例如人体或动物,因而采集到的不同时刻或视角的三维数据可能会发生非刚性形变。另外,带有标定误差的点云获取设备也可能把非刚性形变引入到输出的点云数据中。直接将刚性配准算法应用到带有非刚性形变的数据,通常不会得到理想的配准效果。要解决这一问题,需通过非刚性变换对数 据进行配准,即非刚性配准。由于非刚性变换缺乏统一的参数化描述,导致求解的参数很多,因此非刚性配准问题比刚性配准问题更难。

2.2.3 总结

        刚性配准可以认为只发生了平移和旋转,非刚性配准除了平移和旋转发生变化,还会存在缩放变化。

三、点云配准应用

3.1 机器人及无人驾驶领域

    点云配准是智能系统位姿估计和环境构建的关键步骤。三维点云配准根据不同时刻下传感器获取的两点云之间的重叠约束,计算点云之间的配准矩阵,包括平移和旋转,其准确度和效率直接决定着智能系统三维位姿估计、场景构建、导航和定位等任务的性能,具有广泛的应用价值。随着激光雷达在机器人、无人驾驶汽车等领域的推广应用,点云配准技术作为高精地图、高精定位等方向的核心模块越来越受到重视。

3.2 测绘遥感领域

    测绘科技的飞速发展,使得三维激光扫描技术在测绘领域的应用日益广泛。由于测量设备 本身和环境的限制,物体表面完整测量数据的获得往往需要通过多次测量完成,因此,为了获取完整的三维对象点云数据,需要通过点云配准将不同视角扫描的点云整合到一个坐标系中。三维激光扫描技术在地形测量、地质灾害监测、逆向工程、质量控制以及历史遗迹保护等方面均具有广阔的应用前景。

标签:配准,变换,刚性,矩阵,三维,学习,点云
From: https://blog.csdn.net/qq_74117006/article/details/140416126

相关文章

  • [rCore学习笔记 015]特权级机制
    写在前面本随笔是非常菜的菜鸡写的。如有问题请及时提出。可以联系:[email protected]:https://github.com/WindDevil(目前啥也没有官方文档仍然是一上来就丢出来的官方文档.只摘抄了我觉得有意思的部分:实现特权级机制的根本原因是应用程序运行的安全性不可充分信任......
  • 小白学习微信小程序开发中的用户管理与权限设置
    用户管理与权限设置是微信小程序开发中非常重要的一部分,它关乎到小程序的安全性和用户体验。本文将从用户管理和权限设置两个方面来详细介绍相关内容,并提供代码案例。一、用户管理用户管理是指对小程序的用户进行管理,包括用户注册、登录、信息获取等操作。下面以一个简单的用......
  • JVM学习(day1)
    JVM运行时数据区线程共享:方法区、堆线程独享(与个体“同生共死”):虚拟机栈、本地方法栈、程序计数器程序计数器作用:记录下次要执行的代码行的行号特点:为一个没有OOM(内存溢出)的地方虚拟机栈每要执行一个方法就往栈中放一个栈帧,包含把变量放到局部变量表中(局部变量槽),方法的......
  • 泰山派学习13--设备树LED字符驱动
    1、在泰山派设备树的/根节点上添加zbl_led子节点(路径:Z:\sdk\linux\kernel\arch\arm64\boot\dts\rockchip)打开tspi-rk3566-user-v10-linux.dts设备树源文件    在根目录下添加zbl_led子节点    2、在SDK上编译kernel(./build.shkernel)执行内核编译......
  • 《昇思25天学习打卡营第3天|初学教程/张量 Tensor》
    文章目录张量Tensor内积(InnerProduct)外积(OuterProduct)线性映射(LinearMapping)笛卡儿积(CartesianProduct)创建张量张量的属性张量索引张量运算Tensor与NumPy转换稀疏张量CSRTensorCOOTensor张量Tensor张量(Tensor)是一个可用来表示在一些矢量、标量和其他张量之......
  • 《0基础》学习Python——第十讲
    小知识点补充一、json大字符串        JSON(JavaScriptObjectNotation)是一种轻量级的数据交换格式,它以易于阅读和编写的方式为基础,同时也易于解析和生成。因为其简洁性和可读性,JSON已成为数据交换的首选格式。        大字符串是指包含大量数据的字符串。......
  • opencv—常用函数学习_“干货“_总
    同样内容将拆解为一份份,发在我个人博客中如http://t.csdnimg.cn/icOfX(非VIP文章),整理不易、感谢你的点赞收藏目录一、图像文件1.imread:读取图像文件2.imwrite:写入图像文件3.imshow:显示图像4.VideoCapture:捕获视频二、创建Mat1、创建Mat对象2、操作Mat对象三、矩......
  • 深度学习第P6周:VGG-16算法-Pytorch实现人脸识别
    >-**......
  • 点分治学习笔记
    分治就是将一个问题划分成多个子问题来求解。点分治就是在树上进行分治,一般是来统计路径信息的。对于以\(u\)为根的子树内,所有的路径可以划分为两类,一类跨越了子树,经过了\(u\),另一类没有跨越,只经过子树中的点,而子树内的点又可以再分类,这就是点分治。为了保证时间复杂度,每次......
  • 【深度学习入门篇 ⑤ 】PyTorch网络模型创建
    【......