三維掃描系列001 點雲緒論

本文是學習肖勇大神的點雲課程總結的筆記，僅供個人學習使用。

肖勇

Mapping & Localization Technical Specialist @ Lucid Motors，主要從事無人車地 圖和定位算法研發。先后參與 Lyft、百度無人車 項目開發。密歇根大學土木工程博士，中科院遙 感與數字地球研究所地圖學碩士，武漢大學測繪 工程學士。

點雲數據及獲取

• 定義
  • 點雲：三維點的數據集合
• 屬性
  • 三維坐標
  • 強度
  • 顏色
  • 時間戳

• 分類

  • 點雲組織形式：

    • 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.

• 點雲獲取方式
  • 激光掃描儀
    • 星載
    • 機載
    • 地面
    • 移動
  • 深度相機(depth Camera)
  • 雙目相機(stereo Camera)
  • 光學相機多視角重建

激光掃描儀

• 工作原理：time of flight

• 

• 分類

  • 星載：衛星
  • 機載：飛機，無人機
  • 地面：三腳架上固定
  • 移動：車輛，機器人等

星載激光雷達

• 常見系統
  • GLAS星載激光雷達 系統(Geoscience Laser Altimeter System)
  • CALIOP星載激光雷 達
  • ALADIN星載多普勒 激光雷達
• 

機載激光雷達

• 機載激光雷達
  • 使用配有 GPS/IMU的飛機（無人機） 獲取大范圍的點雲
• 特點
  • 精度高：10cm
  • 大尺度測繪
• 應用領域
  • 大尺度（城市級別）測繪
  • DEM
  • 正射影像 （高精度相機）

地面激光雷達

• 地面激光雷達
  • 激光雷達通常固定在三角架上，進行 較大范圍掃描獲取點雲。
• 特點
  • 精度高： 可達到 mm
  • 距離遠：可達到400m
  • 掃描速度快： Leica RTC360 1s 采集 ~200萬點雲
• 應用
  • 文物三維掃描建模
  • 地形測量

移動激光雷達

• 移動激光雷達

  • 激光雷達通常跟着移動物體（ 機器人無人車），進行較大范 圍掃描獲取點雲

• 特點

  • 精度高： cm
  • 距離遠：~240m
  • 掃描速度快： 10Hz, 200萬點 雲每秒

• 應用

  • 無人車，機器人

  • 街景測量

    

Point Cloud created by Velodyne Lidar’s Alpha Prime sensor

深度相機

• 深度相機
  • 通過近紅外激光器把具有結構特征 的光線投影到物體上，通過紅外攝 像頭采集得到深度信息。
• 特點
  • 成本低，計算量小
  • 主動光源，夜晚也可用
  • 觀測該范圍和距離有限
• 應用
  • 室內機器人
  • AR/VR

雙目相機

• 使用兩個相機從不同位置獲取物體的 兩幅圖像，通過計算對應點的位置偏 差，使用三角原理（Triangulation） 計算點的三維坐標
• 特點
  • 成本低
  • 室內室外都適用
  • 對環境光敏感
  • 基線限制了測量范圍

光學相機多視角重建

• SFM 運動結構恢復(Structure from motion)

  • 給出多幅圖像及其圖像特征點的對應集合 ，估計3D點的位置和攝像機姿態（運動）

• 特點

  • 成本低

  • 使用高精度相機和更穩定的平台（有 GPS/IMU）可以進行高精度測量

  • 計算量大

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

點雲數據處理

點雲濾波(filtering)

• 檢測和移除點雲中的噪聲或不感興趣的點
• 分類
  • 基於統計信息 (statiscal-based)
  • 基於領域 (neighbor-based) 基於投影（projection-based)
  • 基於信號處理(singal processing based)
  • 基於偏微分方程(PDEs-based)
  • 其他方法：voxel grid fitlering, quadtreebased, etc.
• 常用方法
• 基於體素(voxel grid)
• 移動平均最小二乘(Moving Least Squares)

點雲匹配 (point cloud registration)

• 估計兩幀或者多幀點雲之間的 rigid body transformation 信息，將所有幀的點雲配准在同 一個坐標系。
• 分類
  • 初/粗匹配: 適用於初始位姿差別大的兩幀點雲
  • 精匹配：優化兩幀點雲之間的變換
  • 全局匹配：通常指優化序列點雲匹配的誤差， 如激光 SLAM，兩幀之間匹配，全局匹配
• 常用方法
  • 基於 Iterative Closest Point (ICP)的方法
  • 基於特征的匹配方法
  • 深度學習匹配方法

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

• Iterative Closest Point (ICP)Registration
  • Given two scans 𝑃 and 𝑄, initial transformation between them 𝑅,𝑡
  • Iterate
    • Find some pairs of closest points (𝑝𝑖,𝑞𝑖)
    • Optimize 𝑅,𝑡 to minimize

點雲分割 (segmentation)

• 根據空間、集合等特征將點划分為不同的集合。
• 常用方法
  • 基於邊緣的方法：變成圖像，使用邊緣信息
  • 基於區域生長
  • 幾何模型擬合：擬合平面，球形，圓柱等

• Segmentation using smoothness constraint
  • 

點雲目標檢測 (object detection)

• 從點雲中檢測某類物體

• 方法：

  • 傳統機器學習方法
  • 深度學習方法

點雲分類 (classification)/語義分割(Semantic Segmentation)

• 為每個點雲分配一個語義標簽

• 方法：

  • 傳統機器學習
  • 深度學習

模型重建 (model reconstruction

• 從點雲中獲取更精簡更緊湊的模型，如獲取 mesh 模型。

• 常見的 3D shape representation: 深度圖，點雲 ，體素，網格(mesh)

• 常用方法：

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

常用軟件及開源

CloudCompare

開源，且支持多平台(Windows, Mac, Linux)

• 支持常見的點雲數據格式，簡單的 點雲編輯
• 支持用戶自己添加插件和增加新功 能 (如 Ransac， Poisson Mesh Reconstruction, Classification with CANUPO)
• 適合於點雲可視化，簡單編輯或者處理

Meshlab

• 處理和編輯3D三角形網格的開源系 統
• 主要是編輯，清理，修復，檢查， 渲染，紋理和轉換網格的工具
• 3D Acquisition: color mapping and texturing Cleaning 3D models
• 支持多平台（Win，Linux, Mac)

部分商業軟件

• Microstation TerraSolid (Bentley):航測，主要適用於機載雷達，獲取 DEM 和建築建模等
• Global Mapper Lidar Moduel:主要處理機載激光雷達數據，分類，建模，生成 DEM等
• LiDAR 360 (數字綠土)：林業資源調查，地形測繪等
• 點雲魔方(中國科學院遙感與數字地球研究所)：植被應用，電力巡線等
• ENVI LiDAR; ArcGIS：含有部分點雲處理模塊，主要用於遙感和林業
• Cyclone, Cloudworx, TruView: Leica徠卡開發，主要用於其地面激光雷達和移動（背包式）激光
  雷達數據處理
• Riscan Pro：主要用於處理 Riegl 瑞格地面激光雷達數據
• RealWorks(Trimble)
• Polyworks (Innovmetric); Geomagic (3D systems)：逆向工程，主要用於機械測量

開源庫

• PCL (Point cloud library)
  • Filter
  • Segmentation
  • Registration
  • Keypoints
  • Recognition
• 特點
  • 支持多平台（Win，Linux, Mac)
  • 功能齊全，可擴展性好
  • 廣泛用於機器人，很多開源算法和 系統（ROS)

• Open3D
  • Surface alignment
  • 3D machine learning support with PyTorch and TensorFlow
  • GPU acceleration for core 3D operation
• 特點 •
  • 支持多平台
  • python集成成熟，可和 Pytorch, Tensorflow 集成

參考文獻

• 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).