3D点云与2D图像不同，它包含了更加丰富的坐标信息，也相对于2D图像隐藏了更多空间结构信息与更丰富的语义信息，处理点云数据并获得其隐含的各种信息便显得尤为重要，在计算机技术高速发展的现代，随着计算手段的增加和计算效率的大幅提高，处理海量点云数据也变的更加现实，各种点云特征提取算法与点云关键点检测算法也得到了高速发展。本文对3D点云处理和特征提取分析算法进行了调研与汇总。
点云中包含着丰富的几何信息，几何特征提取的目标就是要识别并检测点云中局部邻域中的几何结构，通过将邻域中的几何结构信息编码为表示为向量的特征空间中的点，借助式2.3所描述的几何特征相似假设，进而可以通过分析特征空间中的近邻点来获取对应关系的集合。几何特征提取是点对配准中最为关键也是最为复杂的内容，因为特征的好坏直接关系到特征匹配的结果，进而影响刚性配准的结果。一个好的几何特征必须对离群值、噪声、异常点和点云密度的变化鲁棒，并且需要具备较高的特征辨识度。在点云上提取几何特征的方法可以区分为深度学习方法和传统人工编码的方法，由于深度学习的飞速发展，基于深度学习的几何特征提取算法已经大幅优于传统的人工编码的方法。本小节重点介绍基于深度学习的几何特征提取算法。
点云是一种描述空间点的位置、颜色等信息的数据结构，相比于图像这种规则的二维数据结构，点云具有无序性、稀疏性、信息不完整性和无组织性等特点。为了能够在点云上提取高辨识度的几何特征，上述点云的四个特点是主要要解决的问题。在本小节中，首先详细介绍点云的四个特性，然后再对具体的解决方案进行介绍。
1.无序性
与二维的图像中的像素矩阵不同，点云是一组没有特定顺序和排列的点的集合。具体来说，点云通常的表示形式是一个N×3的矩阵，N表示点云中点的个数，矩阵的每一行是点的三维坐标。无序性的具体表现在于，交换矩阵任意两行，此点云是不变的。由于使用不同传感器或从不同角度对同一物体进行扫描得到的点云其点与点之间的顺序是变化的，并且一个包含n个点的点云模型，可能有n!个不同顺序的排列。因此无序的点云对深度学习的影响较大，可能导致网络过拟合，影响网络训练的效果。现阶段应对点云无效性的方法主要是通过数据增强的方法去训练网络，即在网络训练的每一个epoch中对点云数据进行随机地重排列。通过这种方式可以有效防止因为点云的无序性导致的网络过拟合的问题。
2.稀疏性
由于传感器的限制，三维扫描设备获取的点云通常只位于物体的表面，并且物体的形状对获取的点云也有影响。例如，激光雷达在近处扫描得到的点云较为密集，而在远处的点云较为稀疏。对于RGBD相机Kinect，场景中包含一些黑色的物体可能会导致扫描的点云中包含一些空洞。通常来说，点云越密集，那么对于物体表面的描述更为精准。点云越稀疏，效果相反，这会显著影响几何特征的辨识度，并且由于两者在局部区域中包含的点数不同，这可能导致求取的几何特征显著不同。对于点云的稀疏性，通常可以使用体素化降采样来解决，但是虽然体素化降采样可以调整密度，但是也会降低点云的分辨力，造成几何特征的辨识力下降的问题。
3.信息不完整性
点云是一组三维空间点坐标构成的离散点集。由于本质上是对三维世界中物体几何形状进行低分辨率重采样，因此点云数据提供的几何信息是不完整的；另外，点云数据采集时由于遮挡等原因，无法获取目标物体完整的三维描述。点云的信息不完整性对几何特征提取提出了更高的要求。
4.无组织性
点云中包含丰富的几何拓扑信息，但是点云是无组织结构的数据。类似二维图像，可以通过像素矩阵的形式对逐点进行组织，点云也可以表示为一个N×3的矩阵，但是这样的组织方式过于简单，不利于网络学习点云的几何拓扑结构，因此需要一些更利于表现点云几何信息的数据结构来组织点云。体素是一种常用的组织结构，体素是一个单位的立方体包围盒，通过体素化可以将点云分别用小的立方体包围起来，得到多个立方体。通过体素化，可以方便地使用深度神经网络模型进行特征提取。但是这种方法由于内存限制,只能使用比较小分辨率的体素网格，并且体素包围盒的边缘部分的点云拓扑结构被破坏，造成信息的丢失。
超体素数据的边界精确性会直接影响最后分割结果的边界精确度。为了确保过分 割得到的超体素数据具有精确的边界信息，需要在过分割过程中考虑三维体素数据的 边缘信息。
三维体素数据的边缘信息往往对应着三维物体中曲面弯曲程度较大的区域，可以 用曲率来衡量表面的弯曲程度。因此，在特征计算及距离度量的过程中，通过利用曲率来表示三维体素数据的边界属性，确保过分割得到的超体素 可以依附于物体的边缘信息，具有精确的分割边界。
有需要相关算法代码和有相关开发需求的朋友请联系：[email protected]。更多技术分享可以访问我们的博客https://haraton.github.io/NaBlog/。
感谢您的来访，获取更多精彩文章请收藏本站。
暂无评论内容