如何学习、上手点云算法(一)：点云基础-Toy模板网

这篇具有很好参考价值的文章主要介绍了如何学习、上手点云算法(一)：点云基础。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

写在前面

本文内容
点云算法的学习基础，入门方法，相关领域，资源，开源库，算法等的介绍；
以Open3D和PCL等为基础工具的点云处理代码讲解、实现；
文中涉及的参考以链接形式给出，涉及文件资源如点云，已上传至网盘本博客资源链接，路径为:
share_noel/csdn/how_to_learn_point_cloud/how_to_learn_point_cloud_1；
本文尽力用最简单易懂的语言和方式来介绍相关内容，欢迎补充指正！
如何学习、上手点云算法系列：
如何学习、上手点云算法(一)：点云基础
如何学习、上手点云算法(二)：点云处理相关开源算法库、软件、工具
如何学习、上手点云算法(三)：用VsCode、Visual Studio来debug基于PCL、Open3D的代码
更多点云基础、算法相关内容请关注专栏：
点云处理基础
点云配准(PointCloud Registration)
Open3D点云处理
PCL点云处理
点云算法
平台/环境
Windows10, Ubuntu1804, CMake, Open3D, PCL
转载请注明出处：
https://blog.csdn.net/qq_41102371/article/details/136288203

点云基础

什么是点云

最好的认知方式莫过于实践，现在你可以下载一个开源且跨平台的点云可视化、处理软件CloudCompare(如果你以后的学习或工作经常和点云打交道，请一定记住这个软件，它将成为你的得力助手！)，以及上述网盘中的点云或者你自己的点云，用CloudCompare打开下载的点云看看，建立一个感性认知，一切的故事，将从这里开始。
如何学习、上手点云算法(一)：点云基础,3d视觉,点云处理基础,学习,算法
下面是比较理性的认知：
点云(PointCloud)，是一种三维空间目标的表现形式，可用一群空间离散三维点 $(x, y, z)$ 的集合来表达，如 ${P\}$ 表示一个有 $N$ 个点的点云， $p_i, i\in\{0,1,2...n\}$ 是其中任意一点；另外，一个三维点除了空间位置信息 $(x, y, z)$ ，还可包含颜色信息、强度信息、法向量等，以Open3D和PCL中点云的数据结构为例：

Open3D
Open3D以点云为一个数据结构，点(points)，颜色(colors)，法向量(normals)都以3维的Vector表示(Eigen::vector3d)
points: $\{(x_i, y_i, z_i), i\in{0,1,2...n}\}$
colors: $\{(r_i, g_i, b_i), i\in{0,1,2...n}\}$
normals $\{(nx_i, ny_i, nz_i), i\in{0,1,2...n}\}$
具体可见
open3d::geometry::PointCloud Class Reference
https://github.com/isl-org/Open3D/blob/main/cpp/open3d/geometry/PointCloud.h#L463
PCL
PCL以点为基础的数据结构，通过模板的方式以点的类型决定点云的类型，如PointXYZ, PointXYZI, PointXYZRGB分别表示三维点、带强度的三维点、带RGB的三维点，详见
https://pointclouds.org/documentation/namespacepcl.html
pcl::PointXYZRGB Struct Reference
pcl::PointCloud< PointT > Class Template Reference

点云获取方式、作用、相关领域

通过传感器获取
当前可以获取点云的常用传感器为：
- 激光雷达
  1、大型激光雷达扫描仪(如Leica, RIEGL等)，常用于需要大范围、高精度但不要求实时性的场景，比如测绘、矿山测量、灾害现场重建。如莱卡HDS8800可达上千米的扫描范围，但价格在百万以上；
  
  以下是Leica HDS8800扫描得到室外建筑：
  
  2、小型固态、半固态、机械式激光雷达(Livox, 禾赛, Velodyne等)，常用于实时性要求较高的工业机器人、自动驾驶等领域，价格一般在千元-万元级；
  以下是Livox Avia非重复式扫描得到的点云：
- 深度相机
  如Intel Realsense, 奥比中光, 银牛等，常用于机器人、消费级产品，如体感游戏、服务机器人、扫地机、小场景三维扫描仪等；
  https://www.intelrealsense.com/lidar-camera-l515/
- 结构光相机
  如ZIVID、Photoneo、图漾、跨维智能、Mech-Mind等，常用于精度要求极高的场景，如工业表面缺陷检测；
  示例点云见https://sketchfab.com/zivid/collections/manufacturing-point-clouds-18a888a297e34098ba4a7c478a049a70
另可参考
徕卡HDS8800
leica HDS硬件产品系列
RIEGL VZ-400i
https://www.open3d.org/docs/release/tutorial/sensor/azure_kinect.html
浅谈单目结构光原理
深度相机—TOF、RGB双目、结构光原理及优势对比
3D深度相机调研【史上最全，不服来战】
通过影像三维重建获取
运动恢复结构(Structure From Motion, SFM)可以从二维影像中恢复相机位姿和稀疏三维空间点云，再通过稠密重建得到带RGB的稠密点云，后续经过表面重建、纹理贴图可以生成带纹理的Mesh模型，其中比较基础和出名的开源方案(pipeline)是OpenMVG(SFM)+OpenMVS(稠密、表面、纹理)，以及Colmap(完整pipeline)；
影像三维重建同时也是一个比较大的研究方向，通过该方式获得的点云具有稠密、带纹理等特点，但无法恢复尺度信息，需要人工或者借助GPS等信息加入算法来恢复；普通的开源方案(OpenMVG+OpenMVS, Colmap, OpenSfm, AliceVison)适用于小目标、室内、室外建筑场景三维重建，比较专业的采集+处理软件可用于城市级三维重建(摄影测量)
有兴趣可以参考：
Awesome 3D reconstruction list
SFM综述
openmvg2.0编译与使用
openmvs编译与使用
用cmake在win10配置colmap
下图是SFM稀疏重建得到的点云，可参考openmvg2.0编译与使用来生成
通过模型采样、人工合成获取
点云通过表面重建的方式可以生成表面模型如Mesh，反之可以从表面模型上采样得到点云
开源数据集
Stanford Bunny，点云界的Lenna.jpg

武大WHU-TLS

Modelnet-40
3DMatch数据集
Kitti
…

点云算法有哪些有何用？

点云算法按整个来说应当属于计算机视觉中的3D视觉领域，主要的算法和应用为：

传统的点云算法
采样、滤波去噪、法向估计、特征提取、拟合、配准、(语义)分割、场景重建、表面(Mesh)重建等；
深度学习点云算法
近些年也有了许多点云深度学习的方法，如深度学习点云法向估计、点云语义分割、点云目标检测、点云配准、点云表面重建、点云逆向工程等，点云深度学习也是比较热门的研究方向；
应用
其中，采样、滤波去噪、法向估计、特征提取算法是最基础的算法，一般用于点云的预处理；拟合、分割、配准等算法属于更高级的应用，直接或间接地为用户提供点云处理结果，在这些算法基础上，进一步处理获得目标或场景的完整模型、语义信息、表面模型等；
这些点云算法通常作为基础算法服务于三维重建、SLAM、自动驾驶领域，比如点云三维重建用于测绘、地质调查、文物重建、数字资产、数字城市等，SLAM中地图点云用于机器人定位、导航、避障等，自动驾驶中点云用于3D目标检测、高精地图制作的基础数据等，尤其是像点云配准、分割、3D目标检测等算法，在这些领域起到了至关重要的作用，因此点云算法可以认为是3D视觉的重要基础之一。

资源

一些点云相关的资源
点云配准系列文章
Open3D点云处理
https://github.com/topics/point-cloud
https://github.com/timzhang642/3D-Machine-Learning
https://github.com/topics/point-cloud
https://github.com/zhulf0804/3D-PointCloud