1. 研究目的与意义
点云数据处理的背景：通过测量仪器（激光，三维相机）得到的产品外观表面的点数据集合也称之为点云。通常使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大，叫稀疏点云；而使用三维激光扫描仪或照相式扫描仪得到的点云，点数量比较大并且比较密集，叫密集点云或者叫稠密点云。点云是在和目标物体表面特性的海量点集合。点云数据受到机械设备精度与振动等多种因素的影响，极易出现噪声与孔洞问题，不仅影响三维点云数据处理能力，更影响实际应用。点云数据处理技术应运而生。点云处理技术广泛应用在逆向工程、cad/cam、机器人学、激光遥感测量、机器视觉、虚拟现实、人机交互、立体3d影像等诸多领域。由于其涉及计算机学、图形学、人工智能、模式识别、几何计算、传感器等诸多学科,但一直以来由于点云获取手段的昂贵,严重阻碍其在各个行业上的广泛应用。在2010年,随着消费级rgbd设备(低成本点云获取)的大量上市，以微软的kinect为前导，目前已有华硕、三星等多家公司开始量产此类产品，在形成基于rgbd的新一代机器视觉生态链,pcl(pointcloudlibrary)应运而生。pcl是在吸收了前人点云相关研究基础上建立起来的跨平台开源库，可在windows、linux、android、macosx、部分嵌入式实时系统上运行,它实现了大量通用算法和数据结构,涉及点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等基础模块以及人体骨骼识别提取、动作跟踪识别等应用，并且新的其他应用正在大量增加。如果说opencv是2d信息获取与处理的结晶,那么pcl就在3d信息获取与处理上具有同等地位。笔者深信随着各大厂商对rgbd设备的大力推出,基于此设备的各种应用将会大量涌现,而pcl不仅是这类应用的核心.关键技术,而且基于它进行扩展,将会极大地提高应用系统开发效率和稳定性。pcl对rgbd数据的获取和处理提供了强大支持,并有大量的机器人、虚拟现实、人机交互、机器视觉等领城的应用案例，目前几乎每半个月就有新的开发计划,或者有新的资助者或开发者加入。众多知名高校和组织加入和赞助pcl研究，这一切表明pcl强大的生命力和吸引力。
目的:通过使用当前主流的开源函数库pcl，通过实例计算，掌握点云数据处理的主要流程和关键环节，进行归纳总结，并对pcl函数库进行总体评述。学习掌握pcl函数库的数据处理流程；
2. 研究内容和预期目标
主要研究内容：点云数据处理涉及1.点云滤波(数据预处理) 2.点云关键点 3.特征和特征描述 4.点云配准 5.点云分割与分类 6.slam图优化 7.目标识别检索 8.变化检测 9.三维重建 10.可视化。
因此，论文主要从以下几个方面展开研究：
（1）研究点云数据处理的各个步骤在点云数据处理中的使用方法以及学习相关理论算法。
3. 研究的方法与步骤
点云数据处理是测绘科学领域中的一项关键技术，在激光雷达技术和计算机视觉中都有很多应用。本课题拟通过使用当前主流的开源函数库PCL，通过实例计算，掌握点云数据处理的主要流程和关键环节，进行归纳总结，并对PCL函数库进行总体评述。
点云数据处理的基本流程如下：
在pclpy函数中，主要的点云数据处理模块为：点云滤波(Filters)，点云特征描述(
Features),点云分割（Segmentation）,三维重建（Surface），可视化（Visualization）。本文将围绕这些模块进行重点探讨，并最后对进行数据集进行相应处理以及精度评定。
滤波处理:滤波处理作为点云处理的第一步，对后续处理有很重要。常见的滤波器包括：直通滤波器，体素滤波器，统计滤波器，条件滤波器，半径滤波器。
点云关键点：关键点的数量相比于原始点云或图像的数据量减小很多，与局部特征描述子结合在一起，组成关键点描述子常用来形成原始数据的表示，而且不失代表性和描述性，从而加快了后续的识别，追踪等对数据的处理了速度。常见的三维点云关键点提取算法有ISS3D、Harris3D、NARF、SIFT3D。
特征提取：3D点云特征描述与提取是点云信息处理中最基础也是最关键的一部分。点云的识别、分割、重采样、配准曲面重建等处理，大部分算法都依赖特征描述符提取的结果。从尺度上来分，一般分为局部特征的描述和全局特征的描述，有两种常用方法：
（1）3D形状内容描述子（3D shape contexts）：经典描述子的3D形状内容描述子结构简单，辨别力强，且对噪声不敏感。
（2）旋转图像（spin iamge）：旋转图像最早是由johnson提出的特征描述子，主要用于3D场景中的曲面匹配和模型识别。
点云配准：点云配准包括手动配准，依赖仪器的配准和自动配准。通常我们所说的点云配准技术既是指最后一种。目前采用的自动配准技术一般分为初始配准和精确配准两步，初始配准是为了缩小点云之间的旋转和平移错位以提高精确配准的效率与趋向，精确配准则是为了使两个点云之间的配准误差达到最小。
点云分割与分类：点云分割大致可分为区域声场、Ransac线面提取、NDT-RANSAC、K-Means、Normalize Cut、3D Hough Transform(线面提取)、连通分析；点云分类大致可分为基于点的分类，基于分割的分类，监督分类与非监督分类。
SLAM图优化：SLAM技术中，在图像前端主要获取点云数据，而在后端优化主要就是依靠图优化工具。
变化检测：当无序点云在连续变化中，八叉树算法常常被用于检测变化，这种算法需要和关键点提取技术结合。
曲面重建：根据重建和数据点云之间的关系可将曲面重建分为两大类：插值法和逼近法。又可细分为参数曲面重建，隐式曲面重建，变形曲面重建，细分曲面重建和分片曲面重建。Surface模块目前实现了voronoi图，Ear clipping三角化算法，贪婪投影三角化算法，移动立方体算方法。在此基础上实现了点云平滑，重采样，建立凸包，快速点云三角化等算法功能。
可视化：可视化是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来，并进行交互处理的理论，方法和技术。
4. 参考文献
[1]戴静兰,陈志杨,叶修梓.icp算法在点云配准中的应用[j].中国图象图形学报,2007(03):517-521.
[2]罗先波,钟约先,李仁举.三维扫描系统中的数据配准技术[j].清华大学学报(自然科学版),2004(08):1104-1106.
[3]徐进军,王海城,罗喻真,王尚庆,严学清.基于三维激光扫描的滑坡变形监测与数据处理[j].岩土力学,2010,31(07):2188-2191 2196.
5. 计划与进度安排
1、第01周～第03周，设计的研究现状分析，毕业设计相关规定、规范和要求学习。该阶段与毕业实习同时进行。
2、第04周，毕业设计正式开始的第一周。汇报前期调研学习的成果。搜索大量相关参考文献，认真书写开题报告，并及时与导师沟通。
3、第04周～第05周，书写第一章绪论部分，主要阐述设计的背景、目的和意义，论述设计计划完成的全部内容以及章节安排。
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
