点云处理期刊投稿

三维计算视觉研究内容包括： （1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有 最近点迭代算法 ICP 和各种全局匹配算法。 （2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不仅强调逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此也存在一个优化或者平差的过程在里面。通常是通过观测形成闭环进行整体平差实现，多视图重建强调整体优化。可以只使用图像，或者点云，也可以两者结合（深度图像）实现。重建的结果通常是Mesh网格。 （3）3D SLAM：点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（ g2o 、LUM、ELCH、Toro、SPA）；实时3D SLAM算法 （LOAM）；Kalman滤波方法。3D SLAM通常产生3D点云，或者Octree Map。基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM... （4）目标识别：无人驾驶汽车中基于激光数据检测场景中的行人、汽车、自行车、以及道路和道路附属设施（行道树、路灯、斑马线等）。 （5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。 （6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的方法，基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。 （7）立体视觉与立体匹配 ZNCC （8）SFM（运动恢复结构） 1、点云滤波方法（数据预处理）： 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。 VoxelGrid 2、关键点 ISS3D、Harris3D、NARF SIFT3D、 3、特征和特征描述 法线和曲率计算 NormalEstimation 、特征值分析Eigen-Analysis、 EGI PFH、FPFH、3D Shape Context、Spin Image 4、 点云匹配 ICP 、稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP NDT 3D 、Multil-Layer NDT FPCS、KFPCS、SAC-IA Line Segment Matching 、ICL 5、点云分割与分类 分割：区域生长、Ransac线面提取、NDT-RANSAC、 K-Means、Normalize Cut（Context based） 3D Hough Transform(线、面提取)、连通分析、 分类：基于点的分类，基于分割的分类；监督分类与非监督分类 6、SLAM图优化 g2o 、LUM、ELCH、Toro、SPA SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT 7、目标识别、检索 Hausdorff 距离计算（人脸识别） 8、变化检测 基于八叉树的变化检测 9. 三维重建 泊松重建、Delaunay triangulations 表面重建，人体重建，建筑物重建，树木重建。 实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别； 10.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 点云驱动的计算机图形学主要研究应用