點雲數據採集的特點有哪些

A. 點雲是非歐數據嗎

是的
點雲數據（point cloud data）是指在一個三維坐標系統中的一組向量的集合。掃描資料以點的形式記錄，每一個點包含有三維坐標，有些可能含有顏色信息（RGB）或反射強度信息（Intensity）。
點雲數據除了具有幾何位置以外，有的還有顏色信息。顏色信息通常是通過相機獲取彩色影像，然後將對應位置的像素的顏色信息（RGB）賦予點雲中對應的點。強度信息的獲取是激光掃描儀接收裝置採集到的回波強度，此強度信息與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，激光波長有關。

B. 點雲概念與點雲處理

點雲概念

點雲與三維圖像的關系 ：三維圖像是一種特殊的信息表達形式，其特徵是表達的空間中三個維度的數據，表現形式包括：深度圖（以灰度表達物體與相機的距離），幾何模型（由CAD軟體建立），點雲模型（所有逆向工程設備都將物體采樣成點雲）。和二維圖像相比，三維圖像藉助第三個維度的信息，可以實現天然的物體——背景解耦。點雲數據是最為常見也是最基礎的三維模型。點雲模型往往由測量直接得到，每個點對應一個測量點，未經過其他處理手段，故包含了最大的信息量。這些信息隱藏在點雲中需要以其他提取手段將其萃取出來，提取點雲中信息的過程則為三維圖像處理。

點雲的概念 ：點雲是在同一空間參考系下表達目標空間分布和目標表面特性的海量點集合，在獲取物體表面每個采樣點的空間坐標後，得到的是點的集合，稱之為「點雲」（Point Cloud）。

點雲的獲取設備 ：RGBD設備是獲取點雲的設備，比如PrimeSense公司的PrimeSensor、微軟的Kinect、華碩的XTionPRO。

點雲的內容 ：根據激光測量原理得到的點雲，包括三維坐標（XYZ）和激光反射強度（Intensity），強度信息與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，激光波長有關。

根據攝影測量原理得到的點雲，包括三維坐標（XYZ）和顏色信息（RGB）。

結合激光測量和攝影測量原理得到點雲，包括三維坐標（XYZ）、激光反射強度（Intensity）和顏色信息（RGB）。

點雲的屬性 ：空間解析度、點位精度、表面法向量等。

點雲存儲格式 ：*.pts; *.asc ; *.dat; .stl ; [1] .imw；.xyz； .las。LAS格式文件已成為LiDAR數據的工業標准格式，LAS文件按每條掃描線排列方式存放數據,包括激光點的三維坐標、多次回波信息、強度信息、掃描角度、分類信息、飛行航帶信息、飛行姿態信息、項目信息、GPS信息、數據點顏色信息等。

C–class（所屬類）

F一flight（航線號）

T一time（GPS時間）

I一intensity（回波強度）

R一return（第幾次回波）

N一number of return（回波次數）

A一scan angle（掃描角）

RGB一red green blue（RGB顏色值）

點雲的數據類型 ：

（1）pcl::PointCloudpcl::PointXYZ

PointXYZ 成員：float x，y，z;表示了xyz3D信息，可以通過points[i].data[0]或points[i].x訪問點X的坐標值

（2）pcl::PointCloudpcl::PointXYZI

PointXYZI成員：float x, y, z, intensity; 表示XYZ信息加上強度信息的類型。

（3）pcl::PointCloudpcl::PointXYZRGB

PointXYZRGB 成員：float x,y,z,rgb; 表示XYZ信息加上RGB信息，RGB存儲為一個float。

（4）pcl::PointCloudpcl::PointXYZRGBA

PointXYZRGBA 成員：float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息，RGBA用32bit的int型存儲的。

（5） PointXY 成員：float x,y;簡單的二維x-y點結構

（6）Normal結構體：表示給定點所在樣本曲面上的法線方向，以及對應曲率的測量值，用第四個元素來佔位，兼容SSE和高效計算。

點雲的處理

點雲處理的三個層次 ：Marr將圖像處理分為三個層次，低層次包括圖像強化，濾波，關鍵點/邊緣檢測等基本操作。中層次包括連通域標記（label），圖像分割等操作。高層次包括物體識別，場景分析等操作。工程中的任務往往需要用到多個層次的圖像處理手段。

PCL官網對點雲處理方法給出了較為明晰的層次劃分，如圖所示。

此處的common指的是點雲數據的類型，包括XYZ，XYZC，XYZN，XYZG等很多類型點雲，歸根結底，最重要的信息還是包含在pointpcl::point::xyz中。可以看出，低層次的點雲處理主要包括濾波（filters），關鍵點（keypoints）/邊緣檢測。點雲的中層次處理則是特徵描述（feature），分割（segmention）與分類。高層次處理包括配准（registration），識別（recognition）。可見，點雲在分割的難易程度上比圖像處理更有優勢，准確的分割也為識別打好了基礎。

低層次處理方法:

①濾波方法：雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。②關鍵點：ISS3D、Harris3D、NARF，SIFT3D

中層次處理方法：

①特徵描述：法線和曲率的計算、特徵值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image

②分割與分類：

分割：區域生長、Ransac線面提取、全局優化平面提取

K-Means、Normalize Cut（Context based）

3D Hough Transform(線、面提取)、連通分析

分類：基於點的分類，基於分割的分類，基於深度學習的分類（PointNet，OctNet）

高層次處理方法：

①配准：點雲配准分為粗配准（Coarse Registration）和精配准（Fine Registration）兩個階段。

精配準的目的是在粗配準的基礎上讓點雲之間的空間位置差別最小化。應用最為廣泛的精配准演算法應該是ICP以及ICP的各種變種（穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）。

粗配準是指在點雲相對位姿完全未知的情況下對點雲進行配准，可以為精配准提供良好的初始值。當前較為普遍的點雲自動粗配准演算法包括基於窮舉搜索的配准演算法和基於特徵匹配的配准演算法。

基於窮舉搜索的配准演算法：遍歷整個變換空間以選取使誤差函數最小化的變換關系或者列舉出使最多點對滿足的變換關系。如RANSAC配准演算法、四點一致集配准演算法（4-Point Congruent Set, 4PCS）、Super4PCS演算法等……

基於特徵匹配的配准演算法：通過被測物體本身所具備的形態特性構建點雲間的匹配對應，然後採用相關演算法對變換關系進行估計。如基於點FPFH特徵的SAC-IA、FGR等演算法、基於點SHOT特徵的AO演算法以及基於線特徵的ICL等…

②SLAM圖優化

Ceres（Google的最小二乘優化庫，很強大）， g2o、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、NDT

③三維重建

泊松重建、 Delaunay triangulations、表面重建，人體重建，建築物重建，樹木重建。結構化重建：不是簡單的構建一個Mesh網格，而是為場景進行分割，為場景結構賦予語義信息。場景結構有層次之分，在幾何層次就是點線面。實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；

④點雲數據管理：點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染

C. 三維點雲數據採集成果是啥

這組點雲數據是通過靜態架站式三維激光掃描儀採集的。從地面上可以看到各個掃描站點位置，但不是扒態那種常見的一個個小圓圈，而是更大的一片盲區。這是因為掃描儀設備架設在了三維激光蔽爛掃描儀車載升降系統上了。
掃描儀設備具備內置的數碼相機，在獲得三維點雲數據的同時，也採集了現場的影像，最終為點雲數據附著了真彩色。
視頻場景中可以看到多種類型的三維矢量線、面、三角網模型。這些矢量特徵信息是通過強大的TopoDOT點雲數據處理軟體自動化/半自動化提取生成的。
這段視頻內容是通過春並源NUBIGON點雲視覺呈現軟體渲染輸出的。

D. 點雲數據的介紹

點雲數據是通過一定的測量手段直接或間接採集的，且符合測量規則能夠刻畫目標表面特性的密集點集合，是繼矢量、影像後的第三類空間數據，為刻畫三維現實世界提供了最直接和有效的表達方式。

目前激光點雲是最具代表性的三維數據，也是自動駕駛領域常用的一種數據類型。

E. 數據的特點有哪些

數據要素的鮮明特點包括可共享可復制，無限增長。數據資源具有可復制、可共享、無限增長和和供給的秉性，打破了自然資源有限供給對增長的制約。

數據要素是推動經濟增長的新引擎：數據要素作為數字經濟最核心的資源，具有可共享、可復制、可無限供給等特點，這些特點打破土地、資本等傳統生產要素有限供給對經濟增長推動作用嘩弊的制約。與土地、資本等傳統生產要素相比，數據要素對推動經濟增長具有倍增效應

統計顯示，2019年我國數字經濟總體規模達到35萬億元，佔GDP比重超過三分之一。特別是新冠肺炎疫情暴發後，數字平台在降低疫情沖擊方面體現出獨特優勢，在物資流轉、復工復產、穩定就業等方面發揮了重要作用

以在線辦公、醫療、教育、餐飲等為代表的數字經濟增長迅猛。比如，以互聯網醫療為代表的無接觸式醫療呈現爆發式增長，疫情期間京東健康的日均在線問診量達到10萬人次，阿里健康每小時的咨詢量近3000人次。