计算机视觉基础知识（八）--点云模型

1.点云模型

点云与三维图像

三维图像

• 一种特殊的信息表达形式；
• 特征是表达的空间中有三个维度的数据；
• 是对一类信息的统称；
• 信息的表现形式：

1. 深度图：以灰度表达物体与相机的距离
2. 几何模型：由cad软件建立
3. 点云模型：所有逆向工程设备都将物体采样为点云

• 和二维图像相比；
• 三维图像借助第三个维度的信息；
• 可实现物体和背景的解耦；
• 二维图像信息对于视觉测量来讲随摄影方式而变化
• 三维特征对不同的测量方式具有更好的统一性

点云概述

• 点云数据是最常见也是最基础的三维模型；
• 扫描数据以点的形式记录；
• 每一个点包含有三维坐标；
• 有些肯能含有颜色信息；
• 或者反射强度信息（Intensity）。

点云概念

• 是在同一空间参考系下；
• 表达目标空间分布；
• 和目标表面特性的；
• 海量点集合；
• 所获取的物体表面采样点的空间坐标点的集合，称为点云（Point Cloud）；

点云内容

• 根据激光测量原理得到的点云：
• 包括三维坐标和激光反射强度（Intensity）；
• 强度信息的影响因素

1. 目标的表面材质；
2. 目标的表面粗糙度；
3. 入射角方向；
4. 仪器发射的能量；
5. 激光波长；

• 根据摄影原理测量得到的点云：
• 包含三维坐标（XYZ）和颜色信息（RGB）；
• 结合激光测量和摄影测量原理获得的点云：
• 包含三维坐标（XYZ）；
• 激光反射强度（Intensity）；
• 颜色信息（RGB）

点云处理的三个层次

低层次处理方法

• 滤波方法：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波；
• 关键点：ISS3D\Harris3D\NARF\SIFT3D

中层次处理方法

• 特征描述：法线和曲率的计算、特征值分析、SHOT\PFH\FPFH\3D Shape\Context\Spin Image
• 分割与分类：
• 分割：区域生长、Ransac线面提取、全局优化平面提取、K-means、NormalizeCut（Context based）
• 分类：基于点，基于分割、基于深度学习的分类（PointNet，OctNet）

高层次处理方法

1.配准

• 点云配准分为粗配准（Coarse Registration）和精配准（Fine Registration）两个阶段；
• 粗配准：在点云相对位姿未知的情况下对点云的配准，为精配准提供良好的初始值；
• 精配准：在粗配准的基础上让点云之间的空间位置差别最小化；

基于穷举搜索的配准算法：

• 遍历整个变换空间；
• 选取使误差函数最小化的变换关系；
• 或者列举使最多点对满足的变换关系
• 算法举例：
• RANSAC配准算法；
• 四点一致集配准算法（4-point Congruent set，4PCS）；
• Super4PCS算法

基于特征匹配的配准算法：

• 通过被测物体本身高德形态特性构建点云间的匹配对应；
• 采用算法对变换关系进行估计；
• 算法举例：
• 基于点FPFH特征的SAC-IA,FGR等算法；
• 基于点SHOT特征的AO算法；
• 基于线特征的ICL算法；

2.SLAM图优化

相关库

• Ceres（Google的最小二乘优化库，比较强大）；
• g2o、LUM、ELCH、Toro、SPA

SLAM 方法

• ICP
• MBICP
• IDC
• Likehood Field
• NDT

3.三维重建

泊松重建

• Delaunay trangulations
• 表面重建；
• 人体重建；
• 建筑物重建；
• 数目重建；

实时重建

• 植被重建
• 农作物4D（3D+时间）生长态势；
• 人体姿势识别；
• 表情识别；

4.点云数据管理

• 点云压缩
• 点云索引（KD,Octree）
• 点云LOD(金字塔）
• 海量点云的渲染

2.Spin image

• 基于点云空间分布的最经典的特征描述方法；
• 思想是将一定区域的点云分布转换成二维spin image；
• 对场景和模型的spin image 进行相似性度量；

生成spin image的步骤

1. 定义一个Oriented point；
2. 以Oriented point 为轴生成一个圆柱坐标系；
3. 定义spin image的参数：

• spin image的大小：行数和列数；
• spin image的分辨率：二维网格大小；

?????4.将圆柱体内的三维坐标投影到二维spin image；

• 该过程可理解为：
• 一个spin image绕着法向量n旋转360°；
• spin image扫到的三维空间点会落到spin image网格中；

????5.根据spin image每个网格中落入的点数，计算网格的强度。

• 为了降低对位置的敏感度、降低噪音影响、增加稳定性；
• 当一个点落入网格（i，j）中时，可以采用双线性插值；
• 将该点分散到（i,j），（i，j+1）,(i+1,j),(i+1,j+1)四个网格中。

spin image的三个关键参数

1.分辨率：

• 像素的实际尺寸与三维网格的尺寸相近比较合适；
• 通常取三维网格所有边的平均值作为spin image的网格尺寸；
• 通常将网格的长和宽设置为相等；

2.大小：

• spin image的行数和列数；
• 两者一般相等；

3.support angle：

• 空间中顶点的法向量和创建圆柱坐标系所选点法向量之间的夹角；
• 一般角度限制范围为60度-90度之间；
• 对角度限制后，那些大于90度（相当于切面的凹点）点被剔除；
• 保留了主要信息；
• 降低了后续的计算量；

3.三维重建

• 包含三个方面：
• 基于SFM的运动恢复结构；
• 基于Deep learning的深度估计和结构重建；
• 基于RGB-D深度摄像头的三维重建；

SFM

• 主要基于多视觉几何原理；
• 用于从运动中实现3D重建；
• 即从无时间序列的2D图像中推算三维信息；
• 是计算机视觉学科的重要分支；
• 广泛应用于AR、VR、自动驾驶领域；
• 实际应用以多视几何为主；
• 深度的方法离实用还有一定的距离；
• 是一个估计相机参数及三维点位置的问题；

SFM pipeline

1. 对每张二维图片检测特征点（feature point）；
2. 对每队图片中的特征点进行匹配；
3. 只保留满足几何约束的匹配；
4. 执行一个迭代的、鲁棒的SFM方法；
5. 恢复摄像机的内参（intrinsic parameter）和外参（extrinsic parameter）；
6. 由三角化得到三维点坐标。

SFM方法分类

• 根据SFM过程中图像添加顺序的拓扑结构来分：
• 增量式（incremental/sequential SFM）;
• 全局式（global SFM）;
• 混合式（hybrid SFM）；
• 层次式（hierachica SFM）；
• 基于语义的SFM（Semantic SFM）；
• 基于Deep learning 的SFM。

增量式SFM

• 增量式SFM首先使用SIFT特征检测器提取特征点；
• 计算特征点对应的描述子（descriptor）；
• 使用ANN（Approximate nearest neighbor）方法进行匹配；
• 低于匹配数阈值的匹配对被移除；
• 保留下来的匹配对；
• 使用RANSAC（Random Sample Consensus）估计基本矩阵（fundamental matrix）；
• ?被判定为外点（outlier）的匹配是错误的匹配被移除；
• 满足以上几何约束的匹配对，被合并为tracks；
• 通过incremental 方式的SFM方法恢复场景结构；
• 首先选择一对好的初始匹配对；
• 一对好的匹配对应满足的条件：
• 足够多的匹配点；
• 宽基线；
• 增量式的增加摄像机；
• 估计摄像机的内外参；
• 由三角化得到三维点坐标；
• 使用Bundle Adjustment进行优化；
• 增量式SFM是从无序图像几何计算三维重建的常用方法；
• 分为几个阶段：
• 图像特征提取
• 特征匹配；
• 几何约束；
• 重建初始化；
• 图像注册；
• 三角化；
• outlier过滤；
• Bundle Adjustment；

增量式SFM优势：

1. ?对特征匹配以及外极几何关系的外点比较鲁棒；
2. 重建场景精度高；
3. 标定过程中通过RANSAC不断过滤外点；
4. 捆绑调整不断的优化场景结构；

增量式SFM缺点：

1. 对初始图像的选择以及摄像机的添加顺序敏感；
2. 场景漂移，大场景重建时具有累积误差；
3. 效率不足，反复捆绑调整需要大量计算时间。

全局式SFM

• 估计所有摄像机的旋转矩阵和位置；
• 三角化初始场景点；

全局式SFM优势：?

1. 将误差均匀分布于外极几何图上；
2. 没有累积误差；
3. 不需要考率初始图像和图像的添加顺序；
4. 仅执行一次捆绑调整；
5. 重建效率高；

全局式SFM缺点：

1. ?鲁棒性不足；
2. 旋转矩阵求解时L1范数对外点相对鲁棒；
3. 但摄像机位置求解时相对平移关系对匹配外点比较敏感；
4. 场景完整性，过滤外极几何边，可能丢失部分图像。

混合式SFM

• 在一定程度上综合了增量式和全局式SFM各自的优点；
• 混合式SFM的pipeline：
• 全局估计摄像机旋转矩阵；
• 增量估计摄像机位置；
• 三角化初始场景点；

?

?OpenMVG

• OpenMVG（Open Multiple View Geometry）：开源多视角几何库；
• 一个cv界处理多视角立体几何的著名开源库；
• 信奉：简单，可维护的理念；
• 提供一套强大的接口；
• 实现的典型应用：

1. 解决多视角立体几何的精准匹配问题；
2. 提供SFM用到的特征提取和匹配方法；
3. 具有完整的SFM工具链（校正，参估，重建，表面处理等）；
4. 尽力提供可读性强的代码；
5. 方便二次开发；
6. 核心功能尽量精简；
7. 可能需要其他库来完善你的项目；

CMVS-PMVS

• ?a modified version
• 将运动结构（SFM）软件的输出作为输入；
• 将输入图像分解成一组可管理大小的图像簇；
• MVS软件课独立和并行的处理每个簇；
• 来自所有簇的重建不错过任何细节；

SFM与三维重建

计算机视觉的基本任务：

• 从二维图像中恢复三维场景结构式计算机视觉的基本任务；
• 广泛应用于3D导航、3D打印、虚拟游戏等；

SFM的劣势?

• 尽管SFM在计算机视觉领域取得显著成果；
• 但大多数SFM基于周围环境是静止的假设；
• 即相机是运动的，目标是静止的；
• 当物体移动时，系统重建效果显著降低；
• 传统SFM基于目标位刚体的假设。

三维计算机视觉发展趋势

趋势1：多视觉几何与Deep learning 方法融合

• 在深度学习一统天下的计算机视觉领域；
• 三维视觉方向主导算法仍是传统的多视角几何方法；
• 深度学习方法是一种重要而有效的辅助；

趋势2：多传感器融合

• 基于普通摄像头的视觉传感器仍是主导；
• 工业界对算法的鲁棒性要求比较高；
• 纯视觉方法很难保证在复杂的环境下保持鲁棒效果；
• 采用廉价的激光传感器、IMU（惯性测量单元）；
• 与视觉传感器进行融合；
• 是一种比较靠谱的方法；
• 在移动端目前基于摄像头+IMU方法渐多；

趋势3：算法与硬件的结合

• 深度相机厂商尽力把视觉算法嵌入到相机前端；
• 提升相机的本地处理能力；

趋势4：算法与具体应用的结合能更快的推动算法进步

• 三维视觉算法目前较好的应用集中体现在：
• 无人驾驶
• 无人搬运车
• AR（教育，影音游戏）
• 机器人领域