原文：《Computational Methods of Acquisition and Processing of 3D Point Cloud Data for Construction Applications》
发表时间：2019年2月18日

摘要
1 介绍
2 研究背景
3 数据采集
- 3.1 3D激光扫描
- 3.2 摄影测量
- 3.3 视频测量
- 3.4 RGB-d相机
- 3.5 立体摄像机
- 3.6 不同方法的比较
4 数据清洗
- 4.1 混合像素的过滤
- 4.2 其他噪声的过滤
5 数据配准
- 5.1 点描述符定义
- 5.2 关键点检测
- 5.3 粗配准
6 数据分割
- 6.1 基于聚类的分割
- 6.2 基于边缘的分割
- 6.3 基于区域的分割
- 6.4 基于图形的分割
- 6.5 基于模型拟合的分割
- 6.6 基于混合技术的分割
7 目标识别
- 7.1 几何形状描述符
- 7.2 硬编码知识
- 7.3 监督学习
- 7.4 BIM‑vs.‑Scan
8 结论

摘要

来自诸如3D激光扫描和摄影测量的传感技术的3D点云数据能够以精确和有效的方式捕获目标物体的3D表面几何形状。由于这些优势，建筑行业一直在捕捉建筑工地、建筑工程和建筑设备的3D点云数据，以便在建筑项目管理中做出更好的决策。捕获的点云数据用于重建三维建筑模型、检查施工质量、监控施工进度、提高施工安全性等。从设计到施工和设施管理阶段的整个项目生命周期。本文旨在综述建筑应用中获取和处理三维点云数据的最新方法。回顾和比较了获取三维点云数据的不同方法，包括三维激光扫描、摄影测量、视频测量、RGB-D相机和立体相机。此外，根据四个常见的处理过程，包括(1)数据清洗，(2)数据配准，(3)数据分割，和(4)对象识别，回顾了三维点云数据的处理方法。针对每一个处理过程，对不同的处理方法和算法进行了详细的比较和讨论，为建筑行业采用点云数据提供了有益的指导。

1 介绍

从诸如3D激光扫描和摄影测量的传感技术获得的3D点云数据能够以精确和有效的方式捕获目标物体的3D表面几何形状。点云由一组具有X，Y，Z坐标的3D点组成，有时还包括R，G，B颜色值甚至其他属性。图1显示了在预制混凝土制造厂捕获的点云示例，包括起重机、一些预制混凝土产品和建筑立面。与传统的测量方法如人工测量或其他基于电子设备的测量相比，传感技术获得的三维点云数据具有更高的测量速度和更好的测量精度。由于这些巨大的优势，各种行业都在利用点云数据来提高生产率，例如制造业[1–3]、农业[4–6]、地理[7–9]和建筑业[10–12]。

建设项目是动态的和复杂的，由大量的劳动力、材料、设备和过程组成。由于每个建筑项目的独特性，建筑行业一直是劳动密集型的，几乎没有自动化和数字化。为了提高建筑行业的生产率，在最近十年中已经利用了各种信息技术[13]。采用信息技术的关键是获取准确的建设项目信息。传统上，建设项目信息是通过实地考察和人工测量获得的，这既费时、费力，又容易出错。为了填补这一空白，三维点云数据已经成为获取建筑工程精确几何信息的一种优越方法。在建筑行业，3D点云数据已经被用来捕捉建筑工地的几何形状[14]，建筑工程[15]以及建筑设备[16]。来自点云数据的精确几何信息有助于在建筑项目中做出更好的决策，最终提高建筑生产率、质量和安全性。一个重要的应用是从点云数据中创建建筑物的3D模型[17]。获得的3D模型可用于记录建筑物的竣工条件，可用于对照设计条件验证竣工条件[18]，以及在运行和维护阶段协助建筑物的设施管理(FM)[19]。此外，点云数据还被用于建筑构件的几何质量检查[20]、建筑进度监控[21]、增强建筑安全性[22]等。

当点云数据被用于建筑应用时，需要一系列的数据处理过程来从原始点云数据获得期望的输出。处理过程包括四个主要步骤，(1)数据清理，(2)数据配准，(3)数据分段，和(4)目标识别，如图2所示。数据清洗旨在从原始点云数据中移除噪声数据。由于实际施工现场环境的复杂性，采集到的点云数据总是包含各种类型的噪声数据，这些噪声数据对于预期的目的是无用的。此外，由于特定传感器的限制，还会出现各种类型的错误数据。因此，需要噪声去除算法来过滤掉无用数据，只保留感兴趣的数据。数据配准旨在将从不同位置收集的多个点云在一个公共坐标系中对齐。由于建筑工地面积大，物体之间有遮挡，所以总是需要在不同的位置进行数据采集(尤其是激光扫描)，以捕捉目标物体的不同部分。在共享坐标系中对齐这些点云的过程称为数据配准。此外，执行数据分割以将点云数据分割成多个有意义的片段或聚类。这些段可以表示不同的对象或者表示不同的几何图元，这些几何图元可以促进点云数据的进一步处理。最后，对象识别旨在从点云数据中识别某些对象。例如，为了从点云数据中创建语义丰富的建筑物3D模型，必须从点云数据中识别诸如墙壁、窗户和门之类的建筑物元素。

本研究旨在回顾建筑应用中获取和处理三维点云数据的最新方法。本文的其余部分组织如下。第二节介绍了三维点云数据在建筑行业应用的研究背景。第3节回顾并比较了获取点云数据的不同方法。第4–7节回顾了处理点云数据的方法和算法，分别涉及数据清理、数据配准、数据分割和对象识别。最后，第8节总结和归纳本研究。

2 研究背景

在建筑行业中，3D点云数据已被广泛用于各种项目阶段和不同目的。表1总结了点云数据在不同阶段的应用及其各自的优势。在规划设计阶段，利用点云数据采集建筑场地和现有建筑物的几何信息，建立三维模型，对项目规划设计具有重要意义。有了准确和最新的空间信息，就可以做出更好的决策，并大大提高项目规划和设计的生产率和质量。

项目阶段	应用	效益
规划和设计	现场和现有建筑的三维模型重建[19, 27]	提高项目规划和设计的质量和生产率
制造业和建筑业	施工质量检查[18, 20, 28–30]	提高施工质量和生产率
	施工进度监控[12，21，31，32]	提高建筑生产率
	安全危险的识别[22，33]	提高施工安全性
	数字复制[24]	提高建筑生产率
	建筑设备的自动化[23]	提高建筑生产率
使用和维护	建筑质量检查[34–36]	提高建筑质量
	为FM目的重建建筑物的3D模型[19]	提高调频效率
	建筑性能分析[26，37，38]	提高建筑性能
	用于建筑物翻新的建筑物的3D模型的重建[25]	提高建筑装修质量和生产率

在制造和施工阶段，点云数据用于捕捉施工工程的竣工几何形状，包括预制施工构件和现场进行的施工工程。通过将点云数据与设计蓝图或建筑信息模型(BIM)进行比较，竣工几何图形可用于检查建筑构件的几何质量。除了施工质量检查，还可以通过点云数据以更高效的方式监控施工进度。通过定期捕捉施工现场的点云数据，可以通过将实际完成的工作与来自4D BIM模型的计划完成的工作进行比较来监控施工进度。还采用点云数据，通过基于实际施工现场条件识别潜在的安全隐患来提高施工安全性。还进行了基于设备的点云数据来计算建筑设备的盲点的研究。还采用点云数据来增强数字施工和施工自动化。例如，Chae等人[23]捕获了土方工程环境的点云数据，以辅助使用无人遥控挖掘机进行自动化土方工程。在另一项研究中，Xu等人[24]将3D点云数据与3D打印构造相结合，用于数字复制。使用3D激光扫描捕获历史建筑装饰构件的几何形状，并将获得的点云数据输入3D混凝土打印机，用于构件的数字复制。总之，在制造和施工阶段，点云数据能够通过为现场工程提供准确的几何数据来提高施工质量、生产率和安全性。

在运行和维护阶段，使用3D点云数据定期检查设施的几何质量，以保持设施的平稳运行，并确保及时修复任何损坏。定期检查和及时维修可以降低运行成本，延长设备的使用寿命。三维点云数据的另一个重要应用是创建现有建筑的三维BIM模型。这种BIM模型可用于在数字环境中辅助设施管理，从而提高设施管理的效率。此外，BIM模型还可用于协助现有建筑的改造，提高改造效率和质量。例如，Aydin [25]利用现有建筑立面的点云数据来帮助立面的重新设计和翻新。点云数据用于评估建筑设计的视觉和谐性、美观性、设计兼容性、建筑特征以及这些元素如何影响商业街的外观。此外，点云数据也被用于建筑物性能分析。例如，Balado等人[26]使用建筑物的点云数据来检测建筑物无障碍诊断入口的台阶。总之，在运营和维护阶段，现有建筑的点云数据能够提高建筑质量、FM效率、建筑性能以及改造质量和效率。

3 数据采集

3D点云数据可以通过不同的传感器和技术获得。本节回顾了为建筑应用获取3D点云数据的常用方法。这些方法包括3D激光扫描、摄影测量、视频测量、RGB-D相机和立体相机，如以下小节所述。

3.1 3D激光扫描

3D激光扫描也称为光探测和测距(LiDAR)。激光扫描仪通过发射激光束并检测从目标反射的信号来测量到目标的距离。主要有两种不同的距离测量技术，飞行时间和相移。使用飞行时间技术的扫描仪发射激光脉冲，并测量反射脉冲的传播时间 t ，如图3所示。由于激光的速度是已知的，距离测量可以从传播时间 t 中推断出来。另一方面，使用相移技术的扫描仪发射调幅连续波(AMCW)，并测量发射和反射信号之间的相移，如图3所示。距离测量可以基于相移和调制连续波的波长来获得。相对而言，使用相移原理的扫描仪比使用飞行时间技术的扫描仪具有更高的测距精度和测量速度。另一方面，使用飞行时间技术的扫描仪在最大测量范围方面是有利的。（所以，“飞行时间”测量距离技术更常用嘛？）

3D激光扫描仪可以根据其工作平台进一步分为三类，即地面激光扫描仪(TLS)、机载激光扫描仪(ALS)和移动激光扫描仪(MLS)，如图4所示。TLS也被称为地面激光雷达，它通常安装在位于地面上方的三脚架上，同时进行操作。ALS也称为航空激光扫描仪或航空激光雷达，是指在飞行过程中安装在飞机上的激光扫描系统。MLS也称为移动激光雷达，是安装在移动地面平台(如车辆)上的激光扫描系统。在三类激光扫描仪中，TLS具有最高的测距精度，因为扫描仪在操作期间保持静止。因此，TLS已被用于要求高精度的应用，如测量[10]、文件[39]以及建筑物和民用基础设施的监控[40]。ALS的优势在于其高移动性，因此ALS主要用于捕获城市规模地形的点云数据，精度相对较低[41]。对于MLS，由于易于控制移动路径，它普遍用于3D城市制图[42，43]以及自动驾驶汽车的传感系统[44，45]。

3.2 摄影测量

根据美国摄影测量和遥感学会(ASPRS)的定义，摄影测量是通过记录、测量和解释摄影图像和记录的辐射电磁能量模式及其他现象的过程来获取有关物理对象和环境的可靠信息的艺术、科学和技术[47]。已经开发了各种摄影测量算法和技术，用于基于目标对象的重叠图像的集合来重建3D点云数据[48]。这些图像简单地使用照相机从不同的位置拍摄，从而捕捉目标对象的不同部分。然后，算法将估计这些图像的相对位置，并最终将这些图像转换为3D点云。一些流行的摄影测量算法包括运动结构(SfM)和多视图立体(MVS)，基于图像的重建算法和技术的全面审查可以在[48]中找到。

3.3 视频测量

视频测量类似于摄影测量，但采用视频流作为输入数据，而不是图像集合。根据Brilakis等人[49]的说法，视频测量能够实现点云数据的渐进重建，因为视频帧是连续的，并且来自每个视频帧的信息建立在前一帧的基础上。渐进式重建能够将重建精度逐渐提高到合理的水平。视频测量相对于摄影测量的一个优点是，视频测量在重建过程中需要很少的人工干预，因为在不同图像中搜索目标点可以通过测量或跟踪连续视频帧之间的感兴趣特征来实现。（通过视频来测速度、距离，这在韩剧《机智的监狱生活》中有出现过的情节也）

3.4 RGB-d相机

RGB-D相机由RGB(红、绿、蓝)相机和深度传感器组成。RGB相机拍摄RGB图像，深度传感器在每个像素的基础上找到深度信息。最终，通过用深度信息映射RGB图像，生成彩色点云(包含XYZ坐标和RGB颜色)。一种流行的RGB-D相机是微软Kinect，它被用于一些研究工作[50-53]。

3.5 立体摄像机

立体摄像机是一种带有两个或多个镜头和独立图像传感器的摄像机系统。因为一个透镜相对于另一个透镜的相对位置和方向是已知的，所以可以基于采集的2D图像获得3D点云数据。Son和Kim [54]利用一个立体摄像系统，即Bumblebee XB3，来获取结构部件的点云数据。该系统能够基于采集的图像通过全自动预校准过程生成3D点云数据。

3.6 不同方法的比较

表2(太长了，这儿放不下)比较了上述五种点云数据采集方法的设备成本、测量精度和最大测量范围。对于每种方法，在最近的研究论文中采用的设备的例子也显示在表2中。对于3D激光扫描，虽然关于工作平台有三种不同类别的激光扫描仪，但只比较了TLS，因为其他两类(ALS和MLS)很少用于建筑应用。对于RGB-D相机，在最近的研究工作中只采用了一种类型的设备，即微软Kinect。因此，表2中显示的RGB-D相机数据仅适用于Kinect。立体摄像机也是类似的情况，只采用了Bumblebee XB3立体视觉系统。

根据表2，在测量精度和最大测量范围方面，TLS明显优于其他方法。毫米级精度和长测量范围使TLS适用于建筑行业的更多应用。例如，建筑构件的尺寸质量检验公差通常为几毫米[18]。因此，点云数据必须具有至少毫米级的精度，以确保来自点云数据的检查结果是可靠的。在这种情况下，除了TLS之外的方法不能被采用，因为它们具有厘米级的精度。再例如，建筑工地通常具有高达几百米的大型建筑工程。在这种情况下，TLS的长测量范围(长达几公里)使得仅在一次扫描和几分钟内捕获整个建筑工地的点云数据成为可能，这是其他方法无法实现的。

然而，TLS的设备成本远高于所有其他方法，阻碍了TLS在行业中的广泛采用，尤其是对小型建筑公司而言。从这个角度来看，其他数据采集方式由于成本较低，可以吸引更广泛的用户。与摄影测量、视频测量、RGB-D相机和立体相机相比，摄影测量由于易于获得所需的设备和软件包的成熟而最受欢迎。对于设备，市场上有各种各样的设备，包括数码相机、单镜头反光相机，甚至智能手机相机。对于软件包，许多商业软件包可用于摄影测量，如Autodesk Recap [55]、Agisoft PhotoScan [56]等。

4 数据清洗

4.1 混合像素的过滤

由于传感器的基础或技术限制，点云数据通常包含噪声数据。关于从点云数据中识别和移除各种类型的噪声数据，文献中已经报道了许多算法和技术，如表3中所总结的。在早期的研究中，Hebert和Krotkov [90]描述了可能导致激光扫描数据损坏或退化的几种效应，包括混合像素、范围/强度串扰和范围漂移。在这些效应中，混合像素在最近几十年引起了研究者的注意。混合像素是一种错误的激光扫描点，当激光束正好落在物体边缘并分成两部分时会出现这种情况。激光束的两部分落在两个不同的物体上，并产生两个不同的反射激光信号。最终，激光扫描仪接收到两个反射信号，产生一个混合像素，它不代表任何物体。

因为混合像素通常与正常的激光扫描点隔离，Hebert和Krotkov [90]建议使用中值滤波器去除混合像素。后来，Adams和Probert [91]对激光扫描仪的距离测量过程和混合像素的出现进行了物理建模。然后提出了一种新的算法来检测表面反射率和/或范围的突然变化，以便识别混合像素。此外，Tang等人[92]分析并比较了几种不同的混合像素去除算法。这些算法基本上是基于三种不同的滤波器建立的，包括直角滤波器、边长滤波器和影响锥算法。法线角度过滤器检查局部表面法线和观察方向之间的角度，混合像素总是带来斜角。边缘长度过滤器通过在对激光扫描点进行三角测量后查看边缘长度来检测混合像素，因为混合像素往往会导致更长的边缘长度。影响圆锥算法检测混合像素，其中几个相邻像素落在沿激光扫描仪观察方向的影响圆锥内。最近，Wang等人[93]基于混合像素测量的理论模型开发了一种混合像素滤波器。混合像素的距离测量首先使用一组关于激光扫描仪和扫描设置的内部和外部参数来建模。然后，通过最小化混合像素和正常点之间的误分类率，基于概率分析计算用于分类具有正常点的混合像素的最佳阈值。

4.2 其他噪声的过滤

除了用于混合像素滤波的算法，Gong和Caldas [94]还总结了用于去除其他类型噪声数据的常用算法。为了去除斑点或“椒盐”噪声，他们提出将点云数据转换为灰度图像，然后生成二值图像。然后使用包括中值滤波、形态学腐蚀和对象尺寸滤波的图像处理技术对二值图像进行滤波。对二值图像进行滤波后，将滤波后的二值图像作为原始灰度图像的掩膜，用于筛选出噪声像素。

激光扫描数据中的另一种类型的噪声数据被称为传感器环绕噪声，当从扫描仪到目标对象的实际距离超过激光扫描仪的明确距离时，会出现这种噪声。环绕噪声仅出现在使用相移范围测量方法的激光扫描仪中。由于扫描仪基于0至2π范围内的相移来测量距离，因此明确的距离应该是导致2π相移的距离。一旦实际距离超过非模糊距离，它将被测量为落在非模糊距离内并产生相同相移的距离。去除环绕噪声的一种有效方法是强度滤波器，它检查激光扫描点的反射率值。扫描点的反射率值测量反射激光信号的强度，该强度与实际距离密切相关，因为激光束强度在穿过空间时会分散和衰减。因此，通过设置强度阈值，可以基于反射率信息容易地滤除环绕噪声。

在其他一些研究工作中，不管噪声类型如何，已经开发了用于离群点去除和噪声平滑的算法。在这些作品中，作者通常假设目标物体的表面是光滑的，任何违反这一假设的点都被视为噪声。例如，沙尔等人[95]报道了一种基于核密度估计技术的平滑表面点云数据过滤方法。对于每个点，基于从这些点估计的局部法线方向计算该点位于光滑表面上的概率。然后，应用阈值以便保留具有相对高概率的点，同时过滤掉具有相对低概率的点。Wang等人[96]开发了一种室外场景低质量激光扫描点的合并算法。提出了一种基于连通性的稀疏离群点检测方案。此外，噪声平滑是在基于稳健部分排序的噪声激光扫描点的法线估计的基础上进行的。Lange和Polthier [97]使用各向异性几何平均曲率流来执行点云的各向异性过滤。

Kanzok等人[98]报告了另一种类型的噪声数据，这种数据只会出现在建筑应用中。在建筑工地上，总是需要在不同的位置进行多次扫描，以捕捉整个工地或建筑物。在扫描过程中，并不总是能够关闭网站。因此，在激光扫描数据中不可避免地会有人员或设备被捕获。这导致仅在一些扫描中出现的来自移动对象的重影几何，并导致多个扫描之间的不一致。为了消除这种不一致性，提出了一种基于阴影映射的方法，该方法能够决定一个点是永久对象(例如，存在于所有扫描中)还是临时对象(例如，仅存在于一些扫描中)。

5 数据配准

为了完全覆盖复杂的建筑工地或建筑物，通常需要从多个位置获取点云数据，特别是对于激光扫描。为了从多个点云中获得单个完整的点云，所有的点云应该通过称为数据配准的过程在相同的参考系统中组合。数据配准可以分为两类：粗配准和精配准。对于精细配准，最常用的解决方案是迭代最近点(ICP)算法[99，100]及其变体[101–104]。然而，将ICP算法直接应用于点云数据可能会失败，因为基于ICP的方法旨在局部优化高度非凸的目标函数。这意味着，为了成功地实施基于比较方案的方法，两个点云必须事先对齐。因此，在实践中，通常首先用稳健但不太精确的方法粗略配准两个点云，这被称为粗略配准。通过粗配准，可以获得初始解来对准两个点云。然后，采用基于ICP的方法进行精配准，进一步改进初始解。

一种广泛使用的粗配准方法是基于关键点的方法，其中首先基于某个点描述符从点云中检测关键点，然后基于两组关键点计算两个点云之间的对准。以下小节根据粗配准的三个常见过程回顾了粗配准的相关文献，这三个过程包括(1)点描述符定义，(2)关键点检测，以及(3)粗配准。首先定义点描述符来描述每个点，突出突出的特征。然后，基于描述符，原始点云被简化为一组稀疏的关键点。最后，基于重叠区域上检测到的关键点，进行粗配准以提取两点云之间的变换矩阵。

5.1 点描述符定义

点描述符通常用于识别一个点属于哪个图元。描述符通常通过计算给定半径内的点之间的关系来获得。在以往的点描述子定义研究中，普遍采用每个点邻域的几何信息。例如，Weinmann等人[105，106]基于每个点的邻域的几何信息定义了点描述符。在他们的研究中，邻域大小被优化，并且上下文信息被涉及以提高点对齐质量。使用一个带标签的基准数据集来展示包含上下文信息的有益影响，并且使用最佳邻域大小可以显著改善结果。这种描述符也已经被应用于分析大规模的3D点云，在一个城市范围内可能有数十亿个点[107]。此外，盖尔范德等人[108]还提出了一种算法，可以使用局部几何计算每个表面点的描述符，这对于噪声数据是鲁棒的。

此外，特征直方图也被用来开发强大的点描述符。例如，鲁苏等人[109，110]开发了一个名为点特征直方图(PFH)的点描述符，然后将其改进为更快版本的快速点特征直方图(FPFH)。通过使用周围邻域的几何属性直方图，该描述符能够识别一个点是属于平面、线性还是圆形表面。通过使用开发的描述符，执行直方图之间的匹配以获得几个点云中的相似点。此外，基于直方图，在[111]中提出了称为SHOT的局部3D描述符。由邻近点定义一个新的坐标系，描述子的协方差矩阵通过各向同性的球面网格划分邻域。全面的实验评估表明，SHOT优于最先进的局部描述符。

5.2 关键点检测

在提取点描述符之后，在粗配准之前从点云中检测关键点。在文献中已经探索了不同的关键点检测器。受2D版哈里斯关键点检测(Harris keypoint detection)的启发，鲁苏和考辛斯实现了3D哈里斯关键点检测器[112]。蒂勒等人[113，114]使用3D版本的高斯差分(Difference-of-Gaussian,DoG) 检测器来获取关键点。DoG keypoints最初由Lowe [115]提出，作为2D图像匹配框架的一部分，直接在3D点云数据中进行。实现的3D版本的DoG检测器可以避免可能由2D版本引起的不稳定关键点。Allaire等人[116]也进行了类似的研究，使用方向直方图和倾斜信息将2D DoG扩展到3D DoG，从而改进3D DoG并获得更好的关键点检测器。李和Guskov [117]进行了类似的探索，比较了不同尺度下法向量的差异，并标记了与阈值相关的点。此外，蒂勒和辛德勒[118]使用相交平面产生的虚拟连接点，这些虚拟连接点通过RANSAC检测，并使用最小二乘估计进行良好拟合。实验表明，该方法能够在不使用人工靶标的情况下自动进行点云粗配准。

除了DoG和Harris关键点检测器，近年来研究人员提出了一些新的关键点检测器-描述符组合。例如，Rublee等人[119]提出了来自加速段测试(FAST)检测器的定向特征和旋转二进制鲁棒独立基本特征(BRIEF)描述符的组合。加速KAZE (A-KAZE)特征[120]和修改的SURF (M-SURF)描述符[121]也被组合并在非线性尺度空间中使用。此外，改进的加速鲁棒特征(SURF)检测器与BinBoost描述符相结合[122，123]。Urban和Weinmann [124]根据最终配准结果评估了不同关键点检测器和点描述符组合的影响。发现最近的方法在效率、准确性和鲁棒性方面表现出更好的配准性能。

5.3 粗配准

在检测到关键点之后，通过基于原始点云或关键点找到它们之间的对准变换矩阵来配准两个点云。一种常用的配准算法被称为4点全等集(4-Point Congruent Set4，4-PCS)算法，首先由Aiger等人提出[125]。4-PCS算法根据一组四个共面点及其空间关系来计算刚体粗略配准。虽然4-PCS算法为3D点云的粗配准提供了重要的进展，但是当在所有潜在源点中搜索共面点时仍然存在缺点。为了改进原始的4-PCS，蒂勒等人[113，126]基于不同的3D关键点集而不是原始点云实现了4-PCS。改进的方法被证明是可靠的，并被称为基于关键点的4点全等集(K-4PCS)。然后，发现K-4PCS具有某些故障，并且当点云之间的重叠较低时，它在计算上也是昂贵和缓慢的。因此，蒂勒等人[114]通过使用MSAC函数[127]代替RANSAC误差函数进一步改进了K-4PCS。此外，Mohamad等人[128，129]通过允许两个共面的点对落在具有任意距离的两个不同平面上，概括了一种算法。该算法表明，增加分离度可以缩小匹配基的搜索空间。利用这一特性，新提出的方法大大减少了点云配准的运行时间。后来，Mellado等人[130]提出了一个名为Super 4-PCS的改进版本，这是一个最优线性时间输出敏感的全局比对算法。实验结果表明，Super 4-PCS可以处理重叠度很低的点云。最近，Bueno等人[131]提出了一种基于使用4-PCS在彩色点云中检测到的关键点的算法。实验证明，该方法比以前的方法具有更好的粗配准效果。

6 数据分割

在将所有的点云对齐到相同的参考系统中(即，数据配准)之后，通常需要对配准的点云数据进行分割，以将具有相似特征的点聚类到同质区域中[132]。在数据分割中，属于同一表面或区域的点被赋予相同的标签，并且在连续区域中共享相似特征的点被分组以生成线段。在过去的几十年里，人们提出了各种计算方法来进行点云数据分割。根据分割机制，在表4中回顾和总结了先前文献中提出的分割方法。所有方法分为六类，包括基于聚类、基于边缘、基于区域、基于图、基于模型拟合和混合。下面的小节将详细介绍每种类型及其优缺点。（数据分割是必须的吗？是需要进行数据分割之后，才能把点云给分到同一线段或同一平面上吗？）

点云分割的目的是提取点云中的不同物体，从而实现分而治之，突出重点，单独处理的目的。而在现实点云数据中，往往对场景中的物体有一定先验知识。参考常见点云分割技术

6.1 基于聚类的分割

基于聚类的分割是基于点的某些特征使用聚类算法来分割点云数据。在基于聚类的分割方法中，通常使用几何和辐射特征作为描述每个点的特征。这些特征可以包括点位置、局部估计的表面法线、最佳拟合表面的残差以及扫描点的反射率[184]。例如，Filin [134]为点云数据中的每个点定义了一个七维特征向量。这些特征包括位置、从平面到点的邻域的拟合参数以及点与其相邻点之间的高度差。使用无监督学习方法识别特征空间，然后使用空间邻近度对目标空间中的点进行分组。菲林和普费菲[135]提出了一种基于新提出的邻域系统的分割算法，称为斜率自适应。为了定义点之间的邻域，采用了诸如点密度、测量精度以及水平和垂直点分布的参数。此外，比奥斯卡和勒玛[133]提出了一种基于聚类的方法，整合了模糊方法。通过对聚类算法采用模糊参数来实现数据分割。Lu等人[136]提出了一种分层聚类方法，该方法可以对任何维度的数据进行聚类，并可用于不同类型的点云。K-means也普遍用于分割，它能够通过最小化点和相应聚类质心之间距离的平方和来分组点云数据[138]。最近的研究工作表明，K-means聚类对点云分割具有良好的效果[137，139，140，183]。

基于聚类的点云数据分割易于理解和实现。然而，由于每个点的特征通常是使用局部邻域点生成的，所以基于聚类的分割方法对噪声敏感并且受邻域定义的影响。

6.2 基于边缘的分割

边缘通常用来描述不同物体的形状特征。基于边缘的分割算法检测3D点云数据中区域的边界以获得分割的区域。根据Rabbani等人[146]的说法，基于边缘的分割算法需要完成两个主要任务：识别边缘的边界和对边界内的点进行分组以形成片段。边缘检测的一般原理是定位局部表面具有快速密度变化的点[132]。法线、梯度、主曲率和高阶导数是用于识别边缘的常用属性。文献中已经提出了许多基于边缘的方法用于点云数据分割。例如，Bhanu等人[141]开发了一种边缘检测算法，通过计算梯度，将3D线拟合到一组点，并识别表面上单位法向量方向的变化。Castillo等人[142]提出了一种使用估计的表面法线和局部点连通性的点云分割算法，该算法能够对非结构化点云数据进行操作。该算法对于从点云数据中检测角点和边缘是鲁棒的。Jiang等人[143]使用扫描线分组方法开发了一种新算法。与其他数据分割算法相比，该算法利用曲线段作为分割基元。大量实验表明，该算法能够快速分割点云。此外，Sappa和Devy [144]提出了一种边缘检测方案，通过从二值图中提取闭合轮廓来进行快速分割，Wani和Arabnia [145]提出了一种基于并行边缘区域的分割技术，该技术基于对3D点云中边缘的检测来重新配置多环网络。

虽然基于边缘的方法允许快速分割，但是它们具有准确性问题，因为所有提出的方法都对噪声和不均匀的点云密度敏感，这是实际点云数据中常见的问题。

6.3 基于区域的分割

基于区域的分割算法通常从一个或几个种子点开始一个区域，然后根据某些标准迭代地增长该区域以包括相邻点[146，185]。这些算法基本上包括两个步骤：种子表面的识别和生长[154]。Besl和Jain [147]首先介绍了区域生长算法，然后在之前的研究中开发了几个变体。例如，沃塞尔曼等人[154]使用颜色属性，而不是生长区域的几何标准。托瓦里和普费菲[153]开发了一种基于区域增长的分割方法，该方法使用K-最近邻来估计每个点的法向量。此外，曲面法线和曲率约束已被广泛用于获得平滑连接的区域[155，156]，而肖等人[159]使用子窗口作为生长单元。Vo等人[158]提出了一种基于八叉树的区域生长方法，用于在城市环境的3D点云中快速分割曲面片。蒲和沃塞尔曼[151]采用平面生长方法[154]进行点数据分割，以分割和识别潜在的建筑特征。Ning等人[150]提出了一种包括粗略和详细分割的两阶段方法。粗略分割基于同一平面上的点的法向量来识别主要对象，而详细分割为对象元素提取更精细的信息。

虽然大多数基于区域的分割方法需要种子点，但是也存在一些不需要种子点的方法。这类方法被称为非种子区域分割方法，其中在细分过程开始将其划分为更小的区域之前，所有点被分组到一个区域中。例如，Chen和Chen [148]在指导平面区域聚类过程中使用了这种方法来重建建筑物几何形状。分割方法基于局部区域是平面的置信度。

与基于边缘的方法相比，基于区域的分割方法更精确。然而，它们在过分割或欠分割以及精确确定区域边界方面存在问题。一般来说，通过使用全局信息，基于区域的分割方法比基于边缘的分割方法对噪声更鲁棒[157]。

6.4 基于图形的分割

基于图形的分割方法将点云视为图形。在图模型中，每个顶点对应于点云数据中的一个点，而图的边用来连接相邻的点。这种方法的一个典型例子是由Felzenszwalb和Huttenlocher [160]开发的算法，该算法可以有效地在生成的图中找到最小生成树。此外，Golovinskiy和Funkhouser [161]采用KNN构建了一个基于点云的三维图形。当前景与背景弱连接时，引入惩罚函数以促进平滑分割。一些基于图的方法被转换成概率推理模型，例如条件随机场(CRF)。例如，鲁苏等人[162]开发了一种使用条件随机场用各种几何表面基元标记点的方法。此外，Schoenberg等人[163]提出了一种算法来分割从激光扫描仪和单个光学相机的组合中收集的3D点。该算法采用马尔可夫随机场(MRF)来估计对应于每个图像像素的3D。Strom等人[164]扩展了基于图形的方法来分割彩色3D点云数据。该方法利用配准传感器，提出了一种基于表面和颜色法线的分割联合准则。

与其他分割方法相比，基于图的方法在分割具有不均匀密度或噪声的复杂点云数据时具有更好的性能。然而，基于图形的方法不能实时处理点云数据。基于图形的方法通常需要离线训练或特殊的共同注册的传感器和照相机系统。

6.5 基于模型拟合的分割

基于模型拟合的分割方法源于这样的事实，即人造物体通常可以被分解成简单的几何图元，例如平面、球体、圆柱体和其他图元。因此，原始形状适合点云数据，并且具有相同数学表示的点被标记为一段。在现有的基于模型拟合的分割方法中，霍夫变换(HT) [166]和随机样本一致性(RANSAC) [171]方法被最广泛地采用。

3D HT算法允许直接识别平面[154]。屋顶检测是建筑行业中基于ht的方法的常见应用。例如，马斯和沃塞尔曼[167]使用三维HT检测点云中的屋顶平面，其中霍夫空间由两个斜率参数和一个距离描述。沃塞尔曼和迪克曼[165]也用HT来探测屋顶。在这项研究中，他们使用建筑接地层，并在接地层的分隔区域内应用HT。由于三维点云中的平面可以朝向任何方向，平面方程的标准形式是由Overby等人[168]推荐的。沃塞尔曼等人[154]提出了一种使用表面法线的HT变体，以加快平面表面的检测过程，并提高可靠性。除了平面，其他几何图元也可以使用HT进行检测，如Rabbani等人报道的球体[146]。

RANSAC算法用于参数模型与异常值或高度噪声数据的稳健拟合[184]。RANSAC通过使用样本点的随机子集生成大量的原始形状假设，这些样本点可以唯一地确定原始参数[174，175]。一些关于点云分割的研究工作继承了这个初始算法。例如，Schnabel等人[174]开发了一种基于RANSAC的算法来分割网格和点云数据，该方法可以自动检测无序点云中的基本图元。Schnabel等人[173]基于RANSAC提出了一种局部拟合图元的策略，包括圆锥体、圆柱体和平面。Li等人[172]开发了一种算法，用于整体合并从基于RANSAC的分割中获得的结果。此外，Chen等人[170]提出了一种改进的RANSAC算法，该算法对噪声不太敏感，避免了建筑物形状的过分割和欠分割，并保持了拓扑一致性。为了扩展图元的限制，盖尔范德和吉巴斯[178]提出了一种检测可滑动形状的方法。RANSAC也已用于检测屋顶面[169]或屋顶平面[176]。Tarsha-Kurdi等人[176]比较了RANSAC和3D HT在点云中自动检测屋顶的能力。虽然这两种方法都存在局限性，但RANSAC在分割结果和计算时间方面表现更好。

基于模型拟合的分割方法包含纯数学原理，使得它们快速且对异常值鲁棒。此外，RANSAC还能够在相当短的时间内处理大量的点云数据。至于局限性，3D HT和RANSAC在处理各种点云数据时都存在精度问题。此外，3D HT较慢并且对分割参数更敏感。

6.6 基于混合技术的分割

在混合技术中，结合两种或两种以上的方法来从点云数据中检测线段。例如，埃尔伯林克和沃塞尔曼[180]集成了霍夫变换和表面生长方法来选择种子表面。罗格罗[181]结合分层区域增长和主成分分析来分割机载激光扫描数据。Vieira和Shimada [182]利用处理噪声和非结构化3D网格的技术扩展了基于区域生长的算法，并引入了估计全局噪声、选择阈值和检测锐边的方法。在[179，183]中讨论了结合多种分割方法的一些其他研究。

当结合多种技术的优点时，基于混合技术的分割算法通常具有更好的性能。然而，所有选定算法的缺点也会影响混合方法的性能。

7 目标识别

为了从点云数据生成语义丰富的建筑物3D模型，必须执行对象识别以将点云数据(数据段或单独的点)标记为对象类别(例如，墙、屋顶、地板、柱、梁等)。例如，对象识别将辨别平面点云数据段是表示墙还是地板，或者辨别点是属于柱还是梁。唐等[17]根据对象识别的目的不同，将对象识别任务分为两类，即对象实例的识别和对象类的识别。对象实例表示具有精确形状的对象，例如具有特定形状和尺寸的特定工字梁。另一方面，一个对象类代表一类对象，例如具有不同尺寸和形状的所有梁。物体识别方法根据其工作原理也可以分为数据驱动和模型驱动方法[19]。数据驱动方法利用捕获的建筑信息(例如，材料、形状、特征等)用于对象识别，而模型驱动方法基于对象之间的预定义结构(例如拓扑关系)来识别对象。除了这两个主要类别，一些研究工作还结合了数据驱动和模型驱动的方法或利用其他方法[48]。

本节回顾了最近在建筑应用中从点云数据进行物体识别的研究成果。根据不同的对象识别方法，包括(1)基于几何形状描述符的识别，(2)基于硬编码知识的识别，(3)基于监督学习的识别，以及(4)基于BIM与扫描的识别，综述的文献在表5中进行了总结。在下面的小节中详细阐述了四类物体识别方法。

7.1 几何形状描述符

不同的对象实例或对象类通常具有不同的几何形状。因此，基于某些几何特征描述对象形状的几何形状描述符通常用于识别某个对象实例或对象类别。基于几何形状描述符的对象识别通常分三步进行，包括(1)离线库生成，(2)在线搜索，以及(3)最终验证。

在离线库生成中，基于对象的CAD/BIM模型计算待识别的每个对象的几何形状描述符，然后存储在库中。通常，局部或半局部形状描述符用于物体实例的识别，而全局形状描述符用于物体类别的识别，因为全局描述符能够处理更多的形状变化。例如，Czerniawski等人[186]和Son等人[67]使用局部数据级曲率作为局部形状描述符，从点云数据中检测短管。此外，Sharif等人[187]采用了一种基于一对点的局部几何特征，该特征寻找具有恒定距离的点对，并基于点对的法向量计算局部特征。

在库生成之后，通过将存储在库中的形状描述符与在点云数据处计算的形状描述符进行比较，进行在线搜索以在点云数据中搜索目标对象。预先定义阈值以识别与库中的点具有相似形状描述符的点，并且这些识别的点是潜在的匹配点。最后，在最后的验证步骤中，对于每个潜在的匹配点，对应的点云数据与对象的CAD/ BIM模型对齐，以检查它们是否匹配良好。对准通常包括基于几何特征的粗略配准，例如主成分分析，以及基于ICP的精细配准。如果在对准之后实现了良好的匹配，则该潜在的匹配点将指示物体在点云数据中的真实位置。

7.2 硬编码知识

对于主要的建筑构件，如墙、屋顶和楼板，它们通常具有不同的几何特征。因此，首先将点云数据分割成有意义的片段，然后使用硬编码的先验知识将这些片段分类为对象类别[152，188–191]是一种流行的策略。通常，平面线段是从点云数据中提取的，因为主要建筑元素大多由平面组成。例如，Wang等人[188]使用带有平滑度约束的区域生长算法从点云数据中检测平面。然后，根据硬编码的知识，这些平面被分类为墙、门、窗、屋顶、活动地板和阴影。已定义的知识包括垂直表面的墙、位于外墙上方并与其相邻的非垂直屋顶、非门开口的窗户等。

硬编码的知识可以分为四类，包括尺寸、位置、方向和拓扑[190]，如表6所示。尺寸指的是元素的尺寸，例如具有一定范围的门的面积。位置是指一个元素相对于另一个元素的相对位置，例如，门在墙上，屋顶在墙上。方向集中在元素的主方向或法向量上，例如垂直的墙。最后，拓扑是指元素之间的拓扑关系，比如与地面相交的墙。硬编码的基于知识的方法对于具有明显几何特征的简单建筑构件是一种简单而有效的识别算法。然而，它只适用于硬编码知识中定义的约束条件。对于这种方法来说，识别任何不规则的建筑元素(例如倾斜的墙壁)都是一个挑战。此外，也很难将该方法扩展到具有更复杂几何形状的其他对象类。

7.3 监督学习

基于监督学习的对象识别使用机器学习算法来训练分类器，这些分类器可以将点云数据分类到对象类别中。基于监督学习的目标识别有两种策略，即基于点的分类和基于段的分类。对于基于点的分类，使用每个点的局部特征将每个点单独分类到一个对象类中。另一方面，对于基于片段的分类，通常使用数据分割算法将点云数据分成有意义的片段，并且使用每个片段的特征将每个数据片段分类到对象类别中。

对于基于点的分类，一个例子是徐等人[192]报告的脚手架的3D模型的重建。在这个例子中，作者使用RF分类器（随机森林）将点分类到不同的支架元素中，RF分类器是由独立于输入向量采样的随机化向量创建的树形结构分类器的组合，每个决策树统一投票选择最流行的类来分类输入向量。该分类器使用一种被称为线性直接特征方向直方图的几何特征进行训练。在另一个例子中，Wang等人[29]采用一类SVM分类器从钢筋预制混凝土元件的点云数据中提取属于钢筋的点。考虑到钢筋和其他物体(例如，混凝土、地面和其他噪声)之间的几何和颜色差异，使用每个点的几何特征和颜色特征来训练模型。

另一方面，关于基于片段的分类的一些研究工作被报道。例如，Kim等人[21]首先将结构的点云数据分割成不同的段，这些段对应于3D CAD/BIM模型中的不同建筑构件。然后，使用SVM分类器将这些片段分为四类，包括柱、梁、板和其他。为模型训练选择的特征包括Lalonde特征、方向和连续性，所有这些都由线段的几何形状决定。Xiong等人[193]从建筑物的点云数据中提取平面面片。然后，使用机器学习框架堆叠来利用平面补片的局部和上下文信息，将所有补片分类为四类，包括墙壁、天花板、地板和杂物。另一项研究[194]没有对建筑构件进行分类，而是将重点放在建筑设备的分类上，包括反铲装载机、推土机、自卸卡车、挖掘机和正面装载机。四种不同的机器学习算法，包括k-最近邻、线性判别分析(LDA)、逻辑回归和SVM，以及由十个几何特征组成的新主轴描述符，被用于模型训练。

7.4 BIM‑vs.‑Scan

所有上述物体识别方法都不假设整个结构的BIM模型的存在，尽管需要待识别物体的CAD/BIM模型。当整个结构的设计BIM模型可用时，通常采用基于BIM-vs-Scan的更简单的对象识别方法。这种方法将设计时的BIM与表示竣工条件的点云数据进行匹配，以识别竣工施工元素。然后，识别的施工元素用于竣工BIM重建、施工进度跟踪和几何质量检查。

基于BIM对比扫描的方法包括两个步骤。首先，点云数据与设计的CAD/BIM模型对齐（也就是配准）。这可以通过基于几对对应点的手动对准来实现[12]，也可以通过两步配准来实现，两步配准包括基于ICP的粗略配准和精细配准[196]。在另一项研究[18]中，由于目标对象是准2D预制混凝土元件，因此通过将原始3D匹配问题转化为2D匹配问题，然后通过迭代搜索最佳2D变换来解决该问题，从而实现对准。

第二，基于点或数据段的几何和语义特征，将每个点或数据段与设计的CAD/BIM中的元素进行匹配。例如，Bosche和Haas [195]根据结构CAD模型为每个竣工点创建了一个设计点。设计点与竣工点具有相同的平移和倾斜角度，其范围通过寻找光线方向和CAD模型面之间的最近交点获得。随后，如果每个竣工点与相应的竣工点之间的距离差小于某个阈值，则将它们进行匹配。张和Arditi [12]从设计的柱中搜索一定距离内的点，并将其视为属于该柱。基于在柱的不同面发现的点数，监测柱的建造进度。此外，Wang等人[18]根据几何特征(包括每个点和每个表面之间的距离和法向量差)将点匹配到预制混凝土构件的设计BIM模型的不同表面中。

8 结论

建设项目是动态的和复杂的，由大量的劳动力、材料、设备和过程组成。建筑业需要信息技术来加强自动化和数字化，以提高生产率。信息技术的一个关键方面是如何以高效和准确的方式获取建筑工地信息。由于测量速率和精度高，从传感技术获得的3D点云数据在整个项目生命周期中已被广泛应用于建筑行业。目前，3D点云数据被用于捕捉建筑工地、建筑工程以及建筑设备的几何形状，并且点云数据被用于各种应用，例如3D建筑模型重建、建筑质量检查、建筑进度监控等。本文综述了建筑应用中获取和处理三维点云数据的最新方法。点云数据的处理主要包括四个步骤，即数据清洗、数据配准、数据分割和目标识别。

综述了获取点云数据的方法，包括三维激光扫描、摄影测量、视频测量、RGB-D相机和立体相机。比较了五种点云数据采集方法的设备成本、测量精度和最大测量范围。发现激光扫描在测量精度和最大测量范围方面明显优于其他方法。毫米级精度和长测量范围使激光扫描适用于建筑行业的更多应用。然而，激光扫描的设备成本远高于所有其他方法，阻碍了激光扫描在行业中的广泛采用，尤其是对于小型建筑公司。

综述了点云数据清洗的不同算法。一个主要的研究类别旨在从激光扫描点云数据中检测和去除混合像素，这引起了许多研究人员的关注。另一方面，还讨论了其他类型噪声数据的滤波，如斑点或“椒盐”噪声和传感器环绕噪声。少数其他研究工作报告了异常值去除和噪声平滑，这不是为特定类型的噪声数据设计的。相反，这类研究工作假设目标物体的表面光滑，任何违反这一假设的点都被视为噪声。最后，还讨论了一种特殊类型的噪声数据，这种数据仅在建筑应用中出现，是由于在建筑工地上移动人员和设备造成的。

总结和回顾了点云数据配准的研究工作。由于ICP算法及其变体是用于精细配准的主要算法，所以该综述主要集中于粗略配准。根据包括(1)点描述符定义，(2)关键点检测，和(3)粗配准的三个步骤来回顾用于基于关键点的粗配准的算法。对于点描述符定义，两种主要类型的描述符定义包括基于邻域几何信息的描述符和基于特征直方图的描述符。对于点描述符定义，两种主要类型的描述符定义包括基于邻域几何信息的描述符和基于特征直方图的描述符。

关于点云数据分割，总结了六类数据分割算法，包括基于聚类、基于边缘、基于区域、基于图、基于模型拟合和混合方法。基于聚类的方法基于点云的几何和辐射特征，采用聚类算法分割点云。基于边缘的方法从点云数据中检测边缘，这些边缘成为线段的边界。基于区域的分割通常从一个或几个种子点开始一个区域，然后根据某些标准迭代地增长该区域以包括相邻点。基于图的分割将点云转换为图，并使用图模型分割点云。对于基于模型拟合的方法，原始形状被拟合到点云数据中，并且具有相同数学表示的点被标记为一段。最后，在混合技术中，结合两种或两种以上的方法来从点云数据中检测片段。本文还对每种方法的优缺点进行了说明和比较。

用于从点云数据识别物体的算法也被总结为四个主要类别，包括(1)基于几何形状描述符的识别，(2)基于硬编码知识的识别，(3)基于监督学习的识别，以及(4)基于BIM与扫描的识别。对于基于几何形状描述符的方法，基于某些几何特征描述对象形状的几何形状描述符通常用于识别某个对象实例或对象类别。对于硬编码的基于知识的方法，利用关于不同对象类的硬编码的先验知识来将这些片段分类到对象类中。对于基于监督学习的方法，使用机器学习算法来训练分类器，该分类器可以将点云数据分类为对象类。最后，基于BIM与扫描的方法将设计时的BIM与代表竣工条件的点云数据进行匹配，以识别竣工施工元素。本文还讨论了每种方法的优缺点和适用场景。

面向建筑应用的三维点云数据获取和处理的计算方法相关推荐

【系列文章】面向自动驾驶的三维点云处理与学习（2）
标题:3D Point Cloud Processing and Learning for Autonomous Driving 作者:Siheng Chen, Baoan Liu, Chen Fen ...
【系列文章】面向自动驾驶的三维点云处理与学习（1）
标题:3D Point Cloud Processing and Learning for Autonomous Driving 作者:Siheng Chen, Baoan Liu, Chen Fen ...
三维点云数据处理软件供技术原理说明_海量点云数据处理理论与技术
海量点云数据处理理论与技术作者:程效军,贾东峰,程小龙主编出版时间:2014年版内容简介程效军.贾东峰.程小龙编著的<海量点云数据处理理论与技术>共分8章.第1章绪论,简要介绍海 ...
目前缺少用于语义分割的 3D LiDAR 数据吗？关于三维点云数据集和方法的调查
目前缺少用于语义分割的 3D LiDAR 数据吗?关于三维点云数据集和方法的调查原文 Are We Hungry for 3D LiDAR Data for Semantic Segmentatio ...
三维点云去噪无监督学习：ICCV2019论文分析
三维点云去噪无监督学习:ICCV2019论文分析 Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning 论文链接: htt ...
三维点云的深度学习研究综述
作者丨aaa 来源丨https://zhuanlan.zhihu.com/p/455210291 编辑丨3D视觉工坊摘要点云学习由于在计算机视觉.自动驾驶.机器人等领域的广泛应用,近年来受到越来越 ...
PREDATOR: 低重叠三维点云的配准方法（CVPR2021）
代码地址:在公众号「3D视觉工坊」,后台回复「PREDATOR」,即可直接下载. 图1 PREDATOR的将注意力集中在重叠区域,并选择该区域的显著点,以便在低重叠情况下仍能进行鲁棒配准. 针对的问题 ...
三维点云分割综述（中）
本文转载自公众号@点云PCL,三维点云分割综述(中):https://mp.weixin.qq.com/s/nEFAUcZnXe07J7hv41wh3A 这是一篇综述性论文,以下只做概述性介绍,介绍文 ...
三维点云分割综述（上）
本文转载自公众号@点云PCL,三维点云分割综述(上) :https://mp.weixin.qq.com/s/BhDd5gn2lksFScKSe0NVbQ 这是一篇综述性论文,以下只做概述性介绍,介绍 ...

面向建筑应用的三维点云数据获取和处理的计算方法

目录

摘要