Procesamiento de datos de nube de puntos
(1) Coincidencia 3D: coincidencia entre dos o más cuadros de datos de nubes de puntos Dado que el objeto bloquea el rayo de escaneo láser, es imposible obtener el resultado. Objeto completo en una nube de puntos 3D. Por lo tanto, los objetos deben escanearse desde diferentes posiciones y ángulos. El propósito de la comparación 3D es unir datos de nubes de puntos escaneados adyacentes. La coincidencia tridimensional se centra en los algoritmos de coincidencia. Los algoritmos más utilizados incluyen el algoritmo de iteración del punto más cercano ICP y varios algoritmos de coincidencia global.
(2) Reconstrucción tridimensional de vista múltiple: en la visión por computadora, la vista múltiple generalmente utiliza información de la imagen y considera algunas limitaciones de la geometría de vista múltiple. La investigación relacionada es actualmente muy popular. La geometría proyectiva y la geometría multivista son la base de los métodos de visión. En fotogrametría, existen ecuaciones lineales y ajustes del método del haz similares. Aquí también se coloca la comparación de múltiples vistas de nubes de puntos, como la reconstrucción tridimensional del cuerpo humano. La reconstrucción de múltiples vistas de nubes de puntos no solo enfatiza la coincidencia cuadro por cuadro, sino que también debe considerar la acumulación de errores causada por la observación desde diferentes ángulos, por lo que también existe un proceso de optimización o ajuste. La reconstrucción multivista, que normalmente se logra observando la formación de un circuito cerrado para el ajuste general, enfatiza la optimización general. Puede utilizar sólo imágenes o nubes de puntos, o ambas (imágenes de profundidad). El resultado de la reconstrucción suele ser una rejilla.
(3) 3D SLAM: coincidencia de nubes de puntos (algoritmo de iteración del punto más cercano ICP, método de transformación de distribución normal NDT) + optimización del gráfico de pose (g2o, LUM, ELCH, Toro, SPA en tiempo real); algoritmo (LOAM); método de filtrado de Kalman. 3D SLAM generalmente produce nubes de puntos 3D o mapas de octree. SLAM se basa en métodos de visión (monocular, binocular, cámara ojo de pez, cámara de profundidad), como orbSLAM y lsdSLAM. ...
(4) Reconocimiento de objetivos: peatones, automóviles, bicicletas, carreteras e instalaciones auxiliares de las carreteras (árboles de las calles, farolas, pasos de cebra, etc.) se basan en la detección de datos láser.
(5) Detección y clasificación de formas: la tecnología de nube de puntos se utiliza ampliamente en ingeniería inversa. Después de construir una gran cantidad de modelos geométricos, cómo gestionarlos y recuperarlos de forma eficaz es un problema muy difícil. Es necesario caracterizar y clasificar los modelos de nube de puntos (cuadrícula). Recupere modelos según la información de sus características. Este tipo de método, que también incluye cómo recuperar un objeto específico de la escena, se centra en el modelo.
(6) Clasificación semántica: después de obtener la nube de puntos de la escena, la nube de puntos debe clasificarse según cómo utilizar eficazmente la información de la nube de puntos y cómo comprender el contenido de la escena de la nube de puntos. Cada nube de puntos debe clasificarse como Etiqueta. Se puede dividir en métodos basados en puntos y métodos de clasificación basados en segmentación. Los métodos se pueden dividir en tecnología basada en clasificación supervisada o tecnología de clasificación no supervisada. El aprendizaje profundo también es una tecnología prometedora.
(7) ¿Visión estéreo y coincidencia estéreo? ZNCC
(8) SFM (estructura de recuperación de movimiento)
1. Método de filtrado de nube de puntos (preprocesamiento de datos):
Filtrado bilateral, filtrado gaussiano, filtrado de condiciones. , filtrado directo, filtrado de coherencia de muestreo aleatorio.
Cuadrícula de vóxeles
2. Puntos clave
ISS3D, Harris 3D, NARF
SIFT3D,
3 . Función y descripción de funciones
Cálculo de normal y curvatura, estimación de normal, análisis de valores propios, análisis de valores propios, EGI.
PFH, FPFH, fondo de forma tridimensional, imagen giratoria
4 Coincidencia de nube de puntos
Esquema de comparación internacional, esquema de comparación internacional sólido, punto a. -Programa de comparación internacional de superficie, Programa de comparación internacional punto a línea, MBICP, GICP.
Ensayos no destructivos tridimensionales, ensayos no destructivos multicapa
FPCS, KFPCS, SAC-IA
Coincidencia de segmentos de línea, ICL
5. Segmentación y clasificación de nubes de puntos
Segmentación: crecimiento de regiones, extracción de líneas y superficies de Ransac, NDT-RANSAC,
K-Means, cortes normalizados (contexto- basado)
Transformada 3D de Hough (extracción de líneas y superficies), análisis de conectividad,
Clasificación: clasificación basada en puntos, clasificación basada en segmentación y clasificación no supervisada
;6 .Optimización de gráficos SLAM
g2o, LUM, ELCH, Toro, SPA
Métodos SLAM: ICP, MBICP, IDC, campo de probabilidad, ¿cruz? Correlación, pruebas no destructivas
7. Reconocimiento y recuperación de objetivos
Cálculo de distancia de Hausdorff (reconocimiento facial)
8. >Detección de cambios basada en octree
9. Reconstrucción tridimensional
Reconstrucción de Poisson, Triangulación de Delaunay
Reconstrucción de superficies, reconstrucción del cuerpo humano, Se reconstruyen edificios, árboles. están reconstruidos.
Reconstrucción en tiempo real: reconstrucción de tendencias de crecimiento 4D (3D + tiempo) de vegetación o cultivos; reconocimiento de expresiones de postura humana
10. >
Compresión de nubes de puntos, índice de nubes de puntos (KD, octree), LOD de nubes de puntos (pirámide), renderizado masivo de nubes de puntos.
Principales investigaciones y aplicaciones de la infografía basada en nubes de puntos
/research/2015/Points/