点云注册算法

‘壹’ 点云数据拼接后为什么要进行全局注册

因为点云拼接，配准，注册说的是同一个概念，就是把不同位置的点云通过重叠部分的信息，变换到同一个位置。下面就用注册这个名词来描述这个过程。注册一般分为三类：粗注册，精细注册和全局注册。1、粗注册：一般用于注册两个位置相差很大的点云，比如两帧位于相机坐标系的点云。粗注册方法大致分为两类：有标记点粗注册和无标记点粗注册。标记点可以是用户手动标记的，也可以是物体扫描时贴的标记点。无标记点注册更加方便一些，但是对于一些比较对称或者重合部分很少的情况，可能会有一些失误的。另外还有一些根据设备的参数来计算粗注册变换的方法。2、精细注册：这里一般指ICP注册方法。主要用于已经粗注册好的点云，需要提升注册精度的情况。ICP可以加入标记点信息。因为众所周知，一些滑动情况会导致ICP注册失败，但是如果数据本身有标记点的话，可以加入标记点信息来提升注册的成功率。3、全局注册：逐帧注册的点云数据，往往有累积误差。全局注册可以把累积误差分散到每一帧中去，从而减少整体的注册误差。另外，有些时候所有点云已经有了粗注册了，可以应用全局注册一次性把所有点云注册好。所以要进行全局注册。

‘贰’ scene点云创建失败

检查您的项目是否可立即创建成项目点云，还是已经创建了点云。
您在创建项目点云之前，应确保已成功处理并注册您项目里的所有扫描。您已创建项目点云后，能以SCENE的三维视图打开项目，然后更新扫描数据。每个扫描项目只有一个项目点云。可以想象，该文件可能非常大，因此请确保您的电脑硬盘有充足的可用空间。
项目点云包含您的扫描项目内所有扫描的点。项目点云的创建让您能在同一个地方互动地查看并操纵所有扫描数据。如果您打算将您的扫描数据导出至其它应用程序，建议您使用项目点云，这样您的所有扫描数据就能一次性导出。

‘叁’ 标题 点云数据三种采集方法的优缺点

格点采样、均匀采样、几何采样。
1.格点采样：优点：效率非常高。采样点分布比较均匀，但是均匀性没有均价采样高，可以通过格点的尺寸控制点间距。缺点：不能精确控制采样点个数。
2.均匀采样：优点：采样点分布均匀。缺点：算法时间复杂度有些高，因为每次采样一个点，都要计算集合到集合之间的距离。
3.几何采样：优点：计算效率高，采样点局部分布是均匀的，稳定性高：通过几何特征区域的划分，使得采样结果抗噪性更强。
点云数据（point cloud data）是指在一个三维坐标系统中的一组向量的集合。扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息（RGB）或反射强度信息。

‘肆’ geomagic design x如何将实体变成点云

geomagicstudio支持什么格式的点云数据然后可以通过另存为其他的格式。

最后在geomagic中进行一些处理，SW，可以导出点云首先你要用3D测量仪，如proe，也可以导出三角面片stl格式，然后可以直接在geomagic中打开，和一些软件接口，但前提是你的点云数据是asc格式的，这个可以再CF中转换UG，来获取一个物体的点云数据。

首先你要用3D测量仪，来获取物体的点云数据，然后可以直接在geomagic中打开，但前提是你的点云数据是

asc格式的，这个可以再CF中转换，最后在geomagic中进行一些处理，然后可以通过另存为其他的格式，和一些软件接口，如proe，UG，SW，可以导出点云，也可以导出三角面片。

简介：

这只是一般的步骤， 对于处理结果要求不高的操作过程，高手请自行略过，也许Geomagic的版本不同，但操作一般都是一样的顺序， 操作步骤为Geomagic中工具栏的按钮点击顺序。

导入点云，删除外部点，着色点，非连接项，删除,全局注册，联合点对象，体外孤点，删除，较保守的算法，一般使用三次，提取孔等特征，减噪音，统一采样，封装。

‘伍’ 如何对一片散乱点云进行坐标变换

合并到一个统一的坐标系下,这就是点云数据的配准,该相关技术在逆向工程、曲面质量检测和虚拟现实等领域均有着广泛的应用1
目前,解决不同点云数据集配准问题的直接方法有在被测物体上贴固定球和使用高精度的旋转工作台[1]1固定球会使部分物体不可见,一般应贴在相对较平坦的区域1流动式光学扫描仪Atos是在物体上或固定物体的工具上贴特制的圆形标签,其作用相当于固定球1根据前后2个视角观察的3个或3个以上不共线的公共标签来对数据进行配准,利
用旋转工作台可直接对测量数据进行配准,但是物体底部和下部的数据点是无法采集的1
在三维点云数据的自动配准中,运用最为广泛的是由Besl等提出的最近点迭代(iterativeclosestpoint,ICP)算法[2]1但是ICP算法要求2个匹配点
集中的一个点集是另外一个点集的子集,即2个点集之间存在着包含关系,当这个条件不满足时,将影响ICP的收敛结果,产生错误的匹配1显然,对于2个点云数据之间的部分配准问题,这种包含关系是不存在的1另外,ICP算法对2个点云相对初始位置要求较高,点云之间的的初始位置不能相差太大;否则,ICP的收敛方向是不确定的,因而配准结果也是不可靠的1
Chen[3]等运用2个曲面在法矢方向的距离来
代替某一点到其最近点的距离,并将其作为匹配的目标评价函数1这一设想最初是由Potmesil[4]于1983年提出的,在文献[3]的工作中它被推广为最
优加权的最小二乘方法1但文献[3]的方法需要求解非线性最小二乘问题,速度较慢1Masuda等[5]对点集进行随机采样,用最小中值平方误差作为度量准则,该方法在每一次迭代后都需要进行重新采样1Johnson等
[6]
使用特征提取策略去除没有启发信息
的平面点来提高配准速度,在点云数据法矢变化连续、突变比较少的情况下,其速度没有明显的提高1文献[728]通过引入参考点的方法来实现三维点云数据的配准,这些参考点其实也是一种标签点,需要在测量前贴在被测物体上1
本文提出了一种更为通用的空间散乱点云的配准算法,该算法不需要在被测物体上附加任何参考点或标签点,仅利用点云数据自身所具有的几何信息,对待配准散乱点云的相对位置没有要求,可以处在空间任意位置上;而且本文算法能够实现散乱点云的部分配准和整体配准1
1 算法概述
散乱点云的整体配准是一个点云数据与另一个
点云数据进行整体的数据融合,而部分配准是将一个点云数据的子集与另一个点云或其子集进行数据融合1本文算法的基本思想是首先估算出散乱点云数据中每一个测点的法矢和曲率,并根据一个点集中每个测点的曲率来寻找其在另一个点集中的曲率相近点,所有的曲率相近点构成一系列点对1计算将每个点对的法矢方向映射为一致的三维空间变换,每个点对间所有可能的三维变换构建一个哈希列表,找出列表中使得最多数量的点对法矢一致的变换,该变换能够将2个点云数据进行粗略配准1将粗略配准后2个点云的位置作为新的初始位置,用统计出的曲率相近点对作为初始的配准点对集合,运用ICP算法对散乱点云的初始配准结果做进一步地优化,从而实现散乱点云的精确配准1
2 算法原理及步骤
211 散乱点云数据微分几何特性估算
光学扫描设备采集到的点云数据密度很高,存在大量的冗余数据,严重影响后续算法的效率,因此在对散乱点云的微分几何特性估算前,应先按照一定要求减少测量点的数量1
对简化后的点云数据进行空间划分,并在点集中寻找每个测点的k2近邻1设测点pi的k2近邻且包括该点记为Nbhd(pi),为计算该点的法矢和曲率,借鉴文献[9]的方法,采用参数二次曲面来逼近散乱数据点,设二次曲面的参数方程。

‘陆’ 铁路和公路点云法提取的差异

公路建立空间格网点云存储结构，利用网格内整体点云的法向量特征对其进行聚类和分割；铁路首先对三维激光扫描仪的测距精度进行实验分析，随后基于隧道点云数据，实现了对铁路钢轨、隧道横断面等隧道点云特征的快速提取。
结合结构化道路的点云法向量分布特征，提出了一种依据点云法向量相似度的道路提取方法。首先，对原始点云进行滤波处理，去除非地面点干扰；然后，对滤波后地面点云采用主成分分析法估算出各激光脚点的局部法向量及曲率值；最后，依据点云法向量相似度作为约束条件，采用改进的区域生长算法分割出路面点云。使用两组不同场景下的车载点云数据进行试验，道路提取的完整率与准确率均在93%以上。试验结果表明，该方法提取的道路精度与完整性受路面宽度，形状的影响不大，适用于城镇环境下的结构化道路提取。
公路桥梁跨度比较大，铁路桥梁宽度比较小。荷载组成不同，公路桥梁以承担恒载为主，铁路桥梁活载大，动力效应明显。

‘柒’ 点云三维重建这个研究方向的前景怎么样除了要学C++,opengl,计算机图兴学外，还要学哪方面的内容

是三维激光扫描仪获取的场景点云数据吧，三维这块挺好的，除了你说的那几个重点之外，我建议你学习一些几何算法库和场景渲染库，比如：VTK、OSG、CGAL，另外专注点云三维重建的一个开源库PCL(网址是：http://pointclouds.org/)，期望对你有用，关于点云重建这块，欢迎交流

‘捌’ 求计算三维点云中两点之间的最短测地路径的C++代码

迪杰斯特拉

像这样：
for(int i=1;i<=n;i++)
if (!in[i]&&d[minn]+dist[minn][i]<d[i])
{
d[i]=d[minn]+dist[minn][i];
path[i]=minn;
}
minn是一开始算出来距离最近的点，d为到各点的距离，dist[i][j]指的是第i个到第j个点之间的距离。
一开始初始path[i]=i;
最后调用函数
void printpath(int x)
{
if (x!=path[x])
printpath(path[x])
pritnf("%d ",x);
}

有不懂还可以问

‘玖’ ICP算法的三维点云算法

三维激光扫描技术的快速发展,使其在各个领域得到广泛应用。由于物理上的一些限制,一次三维激光扫描不能获取扫描物体的全部数据,因此要对扫描点云进行拼接。首先,对最常用的ICP算法进行一系列研究,ICP算法的前提条件是具有一个良好的配准初值,文中在配准初值的选取上采用主成分分析法,为后续ICP算法的工作提供一个良好前提条件,增加点集预处理,点对查找上增加各种限制,采用kd-tree加速查找,以此对算法进行改进,并通过实例来验证本算法的有效性及合理性。