Meshlab是一个强大的三维模型处理的软件，在三维点云的处理方面也十分强大，不仅仅可以用三维点云重构出三维模型，还可以计算出三维点云每个点的法向量，这在逆向工程和基于三维点云的隐式曲面重建中非常有用。

   我的Meshlab的版本是3.3，可以在网上自行下载。

1.Meshlab读取三维点云

第一步：打开Meshlab软件



 

第二步：点击File菜单下的ImportMesh导入txt文档，需要选择你的txt文档中XYZ坐标之间的分隔符，导入成功后会显示你的三维点云数据







 

2.三维点云重建

点击下图图标，弹出右侧图层侧边栏



 

然后点击Fiter菜单下Normals，Curtavures and Oreientation下的Smooths normals on a point set计算三维点云的法向量，如下图



 

然后设置计算点云法向量的参数，默认就好，如有需要可以自行设置，点击Apply等计算完成然后点击Close关闭对话框



 

计算完点击法向量之后，点击Filter菜单下Remeshing Simplication and Reconstruction下的Surface Reconstruction：Ball Pivoting进行三维点云重建



 

然后设置三维点云重建参数，默认就好，也可以自行设置，点击Apply等重建完成，点击close关闭对话框



 

然后点击下列图标显示重建的三维模型，也可以设置光照等其他参数



 

以下为三维重建结果



 

 

3.法向量的导出与计算

三维点云的法向量的导出与计算有两种方式，一种是在上一节三维重建中我们已经得到了重建后的三维模型，那么每个点都带有法向量，可以直接导出即可，还有一种就是从杂乱的三维点中计算每一个三维点的法向量

3.1从三维模型中导出三维点云中每个点的法向量

接着第二节的步骤，点击File菜单下Export Mesh as 



 

然后在接下来的对话框中选择xyz格式



 

然后在 接下来的对话框中勾选Normal就可以生成文本格式的三维点以及三维点法向量



 

以下为文本格式的三维点坐标以及三维点法向量的结果



 

3.2 直接从三维散乱点云中生成三维点的法向量

然后点击Filter菜单下Normals，Curtavures and Oreientation下的Compute normals for point set计算三维点云的法向量，如下图



 

在弹出来的对话框可以自行设置参数，先Apply然后再Close



 

法向量的导出与3.1中的一样，可以自行参考。

 

以下为三维点云以及点云的法向量的可视化结果，点云表示为红色的点，法向量表示为绿色的线段



如果您觉得这篇博文有用，请访问我的个人站：http://www.stubbornhuang.com，更多博文干货等着您。

 

3.三维点云目标提取

3.1一般流程

先根据个人认识总结一下目标提取的一般性步骤：
如上所示，三维点云的目标提取关键性的两步即为：特征提取与选择、分类，是不是整个方法流程与图像中的目标识别有点像。本质上看，凡是涉及到目标识别，其方法流程大体是相同的。为什么要搞特征提取，因为我们要识别的目标一般是在一个大场景下，各种目标相互混杂，既然要对某个目标进行识别，当然就需要有一个指标或者数值来最大化不同目标之前的区别，这个指标或者数值就是所谓的目标特征了。所以我们在对目标进行识别时，往往要采用适合本目标的特征。就比如说图像识别中的卷积神经网络CNN，为什么它比用传统通过手工设计的特征进行识别的识别率要高一大截，本质原因就是CNN的特征是通过学习得到的，而且特征表示与分类器是联合优化的。分类器就不累赘了，SVM、boosting、决策树等等。

3.2特征提取

特征提取的重要性从以上就可以看得出来了，它是最终结果能不能满足预期的最重要因素。来看看分类器的不同对结果的影响：
以上的分类器分别为最近邻、决策树、二次判别分析、SVM，所使用的特征是相同的。从结果中可以简单的得出结论，影响目标识别的决定性因素肯定就是特征提取了。其实这也是我理解为什么CNN用的softmax分类器的原因，就是影响结果的不是分类器，而是特征。

好了，总结一下三维点云的特征吧。
<1>2D特征

2d几何特征：半径、点密度、面积…

2d局部形状特征

基于累积图的特征：格网点数、高程差、高程标准差…

<2>3D特征

3d几何特征：半径、高程差、高程标准差、点密度

3d局部形状特征：线性特征、平面特征、散乱特征、总方差、各向异性、特征熵、特征值和曲率…

<3>纹理特征

RGB 强度

<4>统计图特征

点特征直方图PFH、快速点特征直方图FPFH、视点特征直方图VFH，Signature

of Histograms of OrienTations(SHOT)

<5>其他

Spin images，Global FPFH，Global Radius-based Surface Descriptor(GRSD)，GlobalStructure Histogram(GSH)
3.3 分类器

分类器这个还是省略吧，仅凭大家所热衷的啦，对结果提升不大，以下是一些常用的分类器：
4.总结

三维点云目标提取个人觉得还是很有研究前景的，毕竟目标整体的识别率不是很高，还有很多需要改进的地方。如前所说，影响整个结果的其实就是特征提取这一步了，个人觉得可以从这一步出发来进行研究，本人也做过一些相关实验，就是结合深度学习，（有时间的话可以介绍介绍这一块）参阅了一些国外主流期刊，貌似做的人不多。还有一点，个人觉得最好是将三维点云与其他传感器得到的数据进行融合来研究，特别是图像，研究的价值绝对是杠杠的。如果想知道一些具体的研究成果，大家可以去主流期刊看看，当然也可以问我啦，或者需要什么资料也可以啦，为国家做做贡献~~~
    人工智能学习大纲，小白转型利器，5万人看过人工智能技术向前发展，也必然会出现一些岗位被人工智能取代，但我们相信，随着人工智能的发展，会有更多的新的、属于未来的工作岗位出现，是社会发展的必然产物，我们能做的也许只能是与时俱进了


本文来自 Teddysnow 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/a2008301610258/article/details/48785455?utm_source=copy

三维点云处理技术四：三维点云数据处理基础
PCL介绍
PCL点云数据结构
PCL特性
PCL模板库
PCL处理一般流程
点云滤波方法
常见点云滤波方法
体素滤波器：
统计滤波器
点云组织形式与最近邻搜索
八叉树
KD Tree
点云分割、拟合、聚类方法
分割拟合
语义分割


来源：睿慕课《三维点云处理技术和深度学习在三维点云处理中的应用》

PCL介绍
点云(Point Cloud)是离散点的集合，不仅包括三维点的位置信息，有时也包含点的材质反射信息和RGB信息，广泛应用于机器人抓取、识别、定位与运动规划中。PLC库是专门的处理点云运算的库，类似于图像中的opencv库。
PCL点云数据结构
1，C++ 的PCL库点云数据结构：采用SSE对齐方式，既满足存储的要求，也满足便于高效运算的要求，并采用模板来满足不同数据格式的要求。



2，ROS中PCL数据结构





3，pcd文件中点云存取



拓展：ros PCL与c++下PCL的点云数据可以进行转换：

PCL中点云数据格式之间的转换
PCL特性


SSE优化
PCL模板库



PCL处理一般流程




点云获取–>体素化(下采样)–>特征提取(如法向量等)–>随机采样聚类分割–>构建凸包–>地面/桌面去除–>欧氏距离分割。
点云滤波方法
参考博文：

【PCL笔记】Filtering 点云滤波

从零开始一起学习SLAM | 给点云加个滤网
常见点云滤波方法

体素滤波器：

统计滤波器

点云组织形式与最近邻搜索
参考博文：

PCL学习八叉树

kd-tree理论以及在PCL 中的代码的实现
八叉树
八叉树的构建



八叉树的应用：



PCL中构建八叉树


KD Tree
概念与构建



KD Tree多用于K近邻搜索，之后利用邻域计算该点的特征向量，如法向量等。
点云分割、拟合、聚类方法
分割拟合
利用RANSAC拟合直线、面、球、圆柱等



PCL分割拟合函数



欧几里得聚类



区域生长算法


语义分割
语义分割多用了稠密的RGBD点云数据。

三维点云表征概述
三维点云数据获取方式及原理
立体视觉测量法
相机成像模型
被动双目立体视觉
主动双目立体视觉
结构光3D成像法
飞行时间TOF法
三种相机的比较
三维信息的表征形式
点云的基本特征和描述
点云的法向量估计
点云的PCA
点云的特征值特征向量
有关深度相机干扰性问题的交流

三维点云数据获取方式及原理
立体视觉测量法
相机成像模型
被动双目立体视觉
主动双目立体视觉
结构光3D成像法
飞行时间TOF法
三种相机的比较
三维信息的表征形式
点云的基本特征和描述
点云的法向量估计
点云的PCA
点云的特征值特征向量
有关深度相机干扰性问题的交流
https://blog.csdn.net/weixin_43827285/article/details/105845439