opencv 3D点云匹配 slam点云匹配

转载

jiecho 2024-05-12 17:09:25

文章标签 opencv 3D点云匹配 SLAM 点云 3D 多视图 文章分类 计算机视觉人工智能

三维计算视觉研究内容包括：

　　（1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有最近点迭代算法 ICP和各种全局匹配算法。

opencv 3D点云匹配 slam点云匹配_opencv 3D点云匹配

opencv 3D点云匹配 slam点云匹配_SLAM_02

　　（2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不再是简单的逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此存在一个针对三维模型进行优化或者平差的Fusion融合过程在里面。通常SLAM是通过观测形成闭环进行整体平差实现，优先保证位姿的精确；而多视图重建通过Fusion过程实现对模型的整体优化，保证模型最优。多视图三维重建可以只使用图像，或者点云，也可以两者结合（深度图像）实现，重建的结果通常是Mesh网格。最典型的例子是KinectFusion，Kinfu等等.

opencv 3D点云匹配 slam点云匹配_3D_03

　　（3）3D SLAM

　　点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（g2o、LUM、ELCH、Toro、SPA）；实时3D SLAM算法（LOAM，Blam）；Kalman滤波方法。

　　3D SLAM侧重于定位，通常可以产生3D点云，或者Octree Map。

　　基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM；VINS是IMU与视觉融合的不错的开源项目。

opencv 3D点云匹配 slam点云匹配_多视图_04

opencv 3D点云匹配 slam点云匹配_3D_05

　　（4）目标识别：无人驾驶汽车中基于激光数据检测场景中的行人、汽车、自行车、以及道路和道路附属设施（行道树、路灯、斑马线等）。

这部分工作也是高精度电子地图的主要内容。当然高精度电子地图需要考虑的内容更多。

opencv 3D点云匹配 slam点云匹配_3D_06

　　（5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。

　　（6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的分类方法和基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。最近深度学习进行点云场景理解的工作多起来了，比如PointNet，各种八叉树的Net。

（7）双目立体视觉与立体匹配 ZNCC

（8）SFM（运动恢复结构） vs Visual SLAM [摘抄] SFM 和 Visual SLAM

（9）Multi-View Stereo （MVS）多视图立体视觉，研究图像一致性，实现稠密重建。

（10）自动造型（构型），快速造型（构型）技术。对模型进行凸分割，模型剖分，以实现模型进一步的编辑修改，派生出其他的模型。

1、点云滤波方法（数据预处理）：

双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。

VoxelGrid

2、关键点

ISS3D、Harris3D、NARF，

SIFT3D、均匀采样，曲率方法采样

3、特征和特征描述

法线和曲率计算 NormalEstimation 、特征值分析Eigen-Analysis、EGI