三维扫描系列 点云绪论

本文是学习肖勇大神的点云课程总结的笔记,仅供个人学习使用。

肖勇 Mapping & Localization Technical Specialist @ Lucid Motors,主要从事无人车地 图和定位算法研发。先后参与 Lyft、百度无人车 项目开发。密歇根大学土木工程博士,中科院遥 感与数字地球研究所地图学硕士,武汉大学测绘 工程学士。

点云数据及获取

  • 定义
    • 点云:三维点的数据集合
  • 属性
    • 三维坐标
    • 强度
    • 颜色
    • 时间戳
image-20210314100659480
  • 分类

    • organized: the point cloud is laid out as a 2D array of points that resembles an image like structure -
    • unorganized: the point cloud is a list of points.
    • 点云组织形式:

  • 点云获取方式
    • 星载
    • 机载
    • 地面
    • 移动
    • 激光扫描仪
    • 深度相机(depth Camera)
    • 双目相机(stereo Camera)
    • 光学相机多视角重建
image-20210314100844568

激光扫描仪

  • 工作原理:time of flight

  • image-20210314100935007
  • 分类

    • 星载:卫星
    • 机载:飞机,无人机
    • 地面:三脚架上固定
    • 移动:车辆,机器人等

星载激光雷达

  • 常见系统
    • GLAS星载激光雷达 系统(Geoscience Laser Altimeter System)
    • CALIOP星载激光雷 达
    • ALADIN星载多普勒 激光雷达
  • image-20210314101202934

机载激光雷达

  • 机载激光雷达
    • 使用配有 GPS/IMU的飞机(无人机) 获取大范围的点云
  • 特点
    • 精度高:10cm
    • 大尺度测绘
  • 应用领域
    • 大尺度(城市级别)测绘
    • DEM
    • 正射影像 (高精度相机)
image-20210314101337080

地面激光雷达

  • 地面激光雷达
    • 激光雷达通常固定在三角架上,进行 较大范围扫描获取点云。
  • 特点
    • 精度高:可达到 mm
    • 距离远:可达到400m
    • 扫描速度快:Leica RTC360 1s 采集 ~200万点云
  • 应用
    • 文物三维扫描建模
    • 地形测量
image-20210314101524355

移动激光雷达

  • 移动激光雷达

    • 激光雷达通常跟着移动物体( 机器人无人车),进行较大范 围扫描获取点云
  • 特点

    • 精度高:cm
    • 距离远:~240m
    • 扫描速度快:10Hz, 200万点 云每秒
  • 应用

    • 无人车,机器人

    • 街景测量

      image-20210314101740973

Point Cloud created by Velodyne Lidar’s Alpha Prime sensor

深度相机

  • 深度相机
    • 通过近红外激光器把具有结构特征 的光线投影到物体上,通过红外摄 像头采集得到深度信息。
  • 特点
    • 成本低,计算量小
    • 主动光源,夜晚也可用
    • 观测该范围和距离有限
  • 应用
    • 室内机器人
    • AR/VR
image-20210314101942307

双目相机

  • 使用两个相机从不同位置获取物体的 两幅图像,通过计算对应点的位置偏 差,使用三角原理(Triangulation) 计算点的三维坐标
  • 特点
    • 成本低
    • 室内室外都适用
    • 对环境光敏感
    • 基线限制了测量范围
image-20210314102142027

光学相机多视角重建

  • SFM 运动结构恢复(Structure from motion)

    • 给出多幅图像及其图像特征点的对应集合 ,估计3D点的位置和摄像机姿态(运动)
  • 特点

    • 成本低

    • 使用高精度相机和更稳定的平台(有 GPS/IMU)可以进行高精度测量

    • 计算量大

image-20210314102255238

Credit to http://gsp.humboldt.edu/OLM/Courses/GSP_216_Online/lesson8-2/SfM.html

点云数据处理

点云滤波(filtering)

  • 检测和移除点云中的噪声或不感兴趣的点
  • 分类
    • 基于统计信息 (statiscal-based)
    • 基于领域 (neighbor-based)  基于投影(projection-based)
    • 基于信号处理(singal processing based)
    • 基于偏微分方程(PDEs-based)
    • 其他方法:voxel grid fitlering, quadtreebased, etc.
  • 常用方法
  • 基于体素(voxel grid)
  • 移动平均最小二乘(Moving Least Squares)
image-20210314102530018

点云匹配 (point cloud registration)

  • 估计两帧或者多帧点云之间的 rigid body transformation 信息,将所有帧的点云配准在同 一个坐标系。
  • 分类
    • 初/粗匹配: 适用于初始位姿差别大的两帧点云
    • 精匹配:优化两帧点云之间的变换
    • 全局匹配:通常指优化序列点云匹配的误差, 如激光 SLAM,两帧之间匹配,全局匹配
  • 常用方法
    • 基于 Iterative Closest Point (ICP)的方法
    • 基于特征的匹配方法
    • 深度学习匹配方法
image-20210314102732861

Credit to http://geometryhub.net/en/notes/registration

  • Iterative Closest Point (ICP)Registration
    • Find some pairs of closest points (𝑝𝑖,𝑞𝑖)
    • Optimize 𝑅,𝑡 to minimize

    • Given two scans 𝑃 and 𝑄, initial transformation between them 𝑅,𝑡
    • Iterate
image-20210314102856024

点云分割 (segmentation)

  • 根据空间、集合等特征将点划分为不同的集合。
  • 常用方法
    • 基于边缘的方法:变成图像,使用边缘信息
    • 基于区域生长
    • 几何模型拟合:拟合平面,球形,圆柱等
几何模型拟合(Schnabel et al. 2007
区域生长(Vo et al. 2015)
  • Segmentation using smoothness constraint
    • image-20210314103110235

点云目标检测 (object detection)

  • 从点云中检测某类物体

  • 方法:

    • 传统机器学习方法
    • 深度学习方法
image-20210314103222607
Fernandes et al. 2021

点云分类 (classification)/语义分割(Semantic Segmentation)

  • 为每个点云分配一个语义标签

  • 方法:

    • 传统机器学习
    • 深度学习
image-20210314103544680

模型重建 (model reconstruction

  • 从点云中获取更精简更紧凑的模型,如获取 mesh 模型。

  • 常见的 3D shape representation: 深度图,点云 ,体素,网格(mesh)

  • 常用方法:

    • Delaunay Mesh Generation
    • Finite Element Mesh Generation.
    • Marching cube

常用软件及开源

CloudCompare

开源,且支持多平台(Windows, Mac, Linux)

  • 支持常见的点云数据格式,简单的 点云编辑
  • 支持用户自己添加插件和增加新功 能 (如 Ransac, Poisson Mesh Reconstruction, Classification with CANUPO)
  • 适合于点云可视化,简单编辑或者处理
image-20210314103946031

Meshlab

  • 处理和编辑3D三角形网格的开源系 统
  • 主要是编辑,清理,修复,检查, 渲染,纹理和转换网格的工具
  • 3D Acquisition: color mapping and texturing  Cleaning 3D models
  • 支持多平台(Win,Linux, Mac)

部分商业软件

  • Microstation TerraSolid (Bentley):航测,主要适用于机载雷达,获取 DEM 和建筑建模等
  • Global Mapper Lidar Moduel:主要处理机载激光雷达数据,分类,建模,生成 DEM等
  • LiDAR 360 (数字绿土):林业资源调查,地形测绘等
  • 点云魔方(中国科学院遥感与数字地球研究所):植被应用,电力巡线等
  • ENVI LiDAR; ArcGIS:含有部分点云处理模块,主要用于遥感和林业
  • Cyclone, Cloudworx, TruView: Leica徕卡开发,主要用于其地面激光雷达和移动(背包式)激光 雷达数据处理
  • Riscan Pro:主要用于处理 Riegl 瑞格地面激光雷达数据
  • RealWorks(Trimble)
  • Polyworks (Innovmetric); Geomagic (3D systems):逆向工程,主要用于机械测量

开源库

  • PCL (Point cloud library)
    • Filter
    • Segmentation
    • Registration
    • Keypoints
    • Recognition
  • 特点
    • 支持多平台(Win,Linux, Mac)
    • 功能齐全,可扩展性好
    • 广泛用于机器人,很多开源算法和 系统(ROS)
image-20210314104342836
  • Open3D
    • Surface alignment
    • 3D machine learning support with PyTorch and TensorFlow
    • GPU acceleration for core 3D operation
  • 特点 ·
    • 支持多平台
    • python集成成熟,可和 Pytorch, Tensorflow 集成

参考文献

  • Fernandes, D., Silva, A., Névoa, R., Simões, C., Gonzalez, D., Guevara, M., Novais, P., Monteiro, J. and Melo-Pinto, P., 2021. Pointcloud based 3D object detection and classification methods for self-driving applications: A survey and taxonomy. Information Fusion,68, pp.161-191.
  • Florent Lafarge, Clément Mallet. Creating large-scale city models from 3D-point clouds: a robust approach with hybrid representation. International Journal of Computer Vision, Springer Verlag, 2012, 99 (1), pp.69-85. ffhal-00759265f
  • Han, X.F., Jin, J.S., Wang, M.J., Jiang, W., Gao, L. and Xiao, L., 2017. A review of algorithms for filtering the 3D point cloud. Signal Processing: Image Communication, 57, pp.103-112.
  • Landrieu, L., & Simonovsky, M. (2018). Large-scale point cloud semantic segmentation with superpoint graphs. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4558-4567).
  • Lin, X. and Zhang, J., 2014. Segmentation-based filtering of airborne LiDAR point clouds by progressive densification of terrain segments. Remote Sensing,6(2), pp.1294-1326.
  • Rabbani, T., Van Den Heuvel, F. and Vosselmann, G., 2006. Segmentation of point clouds using smoothness constraint. International archives of photogrammetry, remote sensing and spatial information sciences,36(5), pp.248-253.
  • Schnabel, R., Wahl, R., & Klein, R. (2007, June). Efficient RANSAC for point‐cloud shape detection. In Computer graphics forum
  • Seif, H.G. and Hu, X., 2016. Autonomous driving in the iCity—HD maps as a key challenge of the automotive industry. Engineering, 2(2), pp.159-162
  • Vo, A. V., Truong-Hong, L., Laefer, D. F., & Bertolotto, M. (2015). Octree-based region growing for point cloud segmentation. ISPRS Journal of Photogrammetry and Remote Sensing,104, 88-100.
  • Yang, B., Luo, W. and Urtasun, R., 2018. Pixor: Real-time 3d object detection from point clouds. In Proceedings of the IEEE conference on Computer Vision and Pattern Recognition (pp. 7652-7660).
  • Wang, N., Zhang, Y., Li, Z., Fu, Y., Liu, W. and Jiang, Y.G., 2018. Pixel2mesh: Generating 3d mesh models from single rgb images. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 52-67).

End

(0)

相关推荐