⑴ 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。
⑵ 点云数据处理的5个步骤
摘要
1. 点云滤波（数据预处理）
⑶ 求一个不规则的凸n边形的最小外接矩形..
有关定义包围盒是计算几何中的基本问题之一.计算封闭轮廓的最小四边形包围盒是该问题的一个特例
⑷ 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。
⑸ matlab怎么将点云数据用最小二乘方法拟合出平面
%点X,Y,Z到平面Ax+By+Cz+D=0的距离为
%d(ABCD,XYZ)=|AX+BY+CZ+D|/sqrt(A^2+B^2+C^2)
%ABCD四个变量只有三个是互相独立的
%设A=cos(a);B=sin(a)*cos(b);C=sin(a)*sin(b)
%那么A^2+B^2+C^2=1,距离公式化简为
%d(abc,XYZ)=|cos(a)*X+sin(a)*cos(b)*Y+sin(a)*sin(b)*Z+c|
%现在有已知点序列X，Y，Z，求参数 a b c
%先构造一个函数fun(p) 输入参数为p，其中p(1)=a,p(2)=b,p(3)=c
%使用 lsqnonlin求得p,使得sum((fun(p))^2)最小
fun=@(p) cos(p(1))*X+sin(p(1))*cos(p(2))*Y+sin(p(1))*sin(p(2))*Z+p(3);
p = lsqnonlin(fun,[0 0 0]);
A=cos(p(1));B=sin(p(1))*cos(p(2));C=sin(p(1))*sin(p(2));D=p(3);
⑹ matlab怎么将点云数据用最小二乘法拟合平面
问题没有交代清楚。x，y分别是第一、二列数据吗？其余都是z的数据？请说明这样才好回答你。
⑺ 求包围盒算法的实现，AABB,OBB算法的实现
代码已发送
⑻ 包围盒的分类
最常见的包围盒算法有AABB包围盒（Axis-aligned bounding box），包围球（Sphere）， 方向包围盒OBB（Oriented bounding box）以及固定方向凸包FDH（Fixed directions hulls或k-DOP）。
AABB是应用最早的包围盒。它被定义为包含该对象，且边平行于坐标轴的最小六面体。故描述一个AABB，仅需六个标量。AABB构造比较简单，存储空间小，但紧密性差，尤其对不规则几何形体，冗余空间很大，当对象旋转时，无法对其进行相应的旋转。处理对象是刚性并且是凸的，不适合包含软体变形的复杂的虚拟环境情况。
对象的包围球被定义为包含该对象的最小的球体。确定包围球，首先需分别计算组成对象的基本几何元素集合中所有元素的顶点的x，y，z坐标的均值以确定包围球的球心，再由球心与三个最大值坐标所确定的点间的距离确定半径r。包围球的碰撞检测主要是比较两球间半径和与球心距离的大小。
OBB是较为常用的包围盒类型。它是包含该对象且相对于坐标轴方向任意的最小的长方体。OBB最大特点是它的方向的任意性，这使得它可以根据被包围对象的形状特点尽可能紧密的包围对象，但同时也使得它的相交测试变得复杂。OBB包围盒比AABB包围盒和包围球更加紧密地逼近物体，能比较显着地减少包围体的个数，从而避免了大量包围体之间的相交检测。但OBB之间的相交检测比AABB或包围球体之间的相交检测更费时。
FDH（k-DOP）是一种特殊的凸包，继承了AABB简单性的特点，但其要具备良好的空间紧密度，必须使用足够多的固定方向。被定义为包含该对象且它的所有面的法向量都取自一个固定的方向(k个向量)集合的凸包。FDH比其他包围体更紧密地包围原物体，创建的层次树也就有更少的节点，求交检测时就会减少更多的冗余计算，但相互间的求交运算较为复杂。
⑼ 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。
⑽ 算法：基于opengl 点云模型不可见点(隐藏点)的移除 最后一步搞不定了 分不是问题
要往工程链接中加入OpenGL的静态库文件，然后在程序中加入相应的头文件，之后经过与Winows的接口设置，就可以在程序中使用OpenGL的绘图及相关的函数了。具体情况可以参见下面的文献：
（2）至于读入外部的3ds模型，大体思路是根据之种文件的格式，编写相应的文件读取程序，将相关的数据存入自己定义的结构变量中，以便用OpenGL的函数再在程序场景中显示出来。一般是要在3ds文件中找到以下重要的数据：点，点的索引号，面（对应的顶点索引号），纹理坐标，纹理坐标索引号，法向量，法向量索引号等等。下面的文献是针对读取外部产生的obj文件的，相信对读取3ds文件也有一定借鉴意义：
（3）读入外部模型后，用OpenGL的相关函数，就可以对这个模型进行平移，旋转，缩放等的几何变换，还可以对模型进行光照渲染，透明化处理，反走样处理等等，甚至进行碰撞检测等等。
如有兴趣，可以联系网络成员 A_DEM_Software
