点云数据研究与形状分析 pdf下载

本书分别从静态点云数据的特征提取与分析，以及动态点云数据的特征处理与分析两个方面展开论述，从一般点云数据的处理算法，到由三维人体扫描仪获取的三维静态人体点云数据为主要研究对象，同时也对快速动态人体点云数据的获得方法及相关点云数据分析进行了论述。本书内容主要包括点云数据的研究现状与存在的问题，如自适应的点云修补方法、点云数据精简方法，重点论述保持特征的点云精简方法、点云骨架线的提取与形状分析，重点介绍基于Laplace算子的点云骨架线的提取、点云的分割与形状识别，动态点云数据的获取方法与初步分析，最后还介绍了点云数据的研究趋势与展望，论述了深度学习方法在点云数据处理中的更多应用等。

孙晓东，北京服装学院副教授。曾获北京市市属基地优秀青年骨干教师，北京市第二届多媒体课件大赛获优秀奖，北京市高教学会金烛奖三等奖。

第1章 　绪论
1．1　研究背景
1．2　研究现状
1．2．1　点云数据的预处理现状
1．2．2　大规模点云数据的预处理算法
1．2．3　非刚体点云数据的预处理算法
1．2．4　点云数据在服装工业中的应用现状
1．2．5　点云数据处理中的问题与挑战
1．2．6　点云漏洞修补存在的问题
1．2．7　点云精简化存在的问题
1．2．8　点云骨架线提取存在的问题
1．2．9　动态人体点云数据获取算法现状
1．3　静态全三维人体点云数据的获取
1．4　动态人体点云数据的获取
1．4．1　测距原理
1．4．2　坐标系之间的相互关系
1．4．3　深度摄像头的深度值计算原理
1．5　主要研究工作
1．5．1　研究对象
1．5．2　研究内容
1．5．3　本书组织结构
1．6　实验数据来源与说明
1．6．1　静态人体点云数据来源
1．6．2　人体点云数据使用说明
1．6．3　动态及其他点云数据来源
1．7　本章总结

第2章　点云数据预处理
2．1　相关研究工作
2．2　点云漏洞修补
2．2．1　数学模型
2．2．2　点云数据组织化
2．2．3　正交构建候选点
2．2．4　修补漏洞点
2．3　实验结果
2．4　本章总结

第3章　点云精简
3．1　相关研究工作
3．2　点云的二阶微分量计算
3．2．1　曲率估计
3．2．2　特征权值确定
3．3　带特征权值的自适应精简策略
3．3．1　全局阈值精简策略
3．3．2　局部精简策略
3．4　实验结果与分析
3．5　本章总结

第4章　点云骨架线提取与形状分析
4．1　相关研究工作
4．2　骨架线具备的特征
4．3　Laplace谱嵌入
4．3．1　经典MDS嵌入分析
4．3．2　Laplace算子
4．3．3　离散Laplace算子方法分析
4．4　子谱空间中的分割
4．4．1　子谱空间中的形状分类
4．4．2　依据分类进行分割
4．5　计算骨架点与骨架线
4．5．1　平滑
4．5．2　K维谱嵌入
4．5．3　用三维矩求骨架中心
4．6　实验结果与分析
4．7　本章总结

第5章　动态点云数据获取与初步分析
5．1　从动态深度图到动态点云数据
5．1．1　计算原理
5．1．2　动态点云数据获取算法
5．1．3　动态点云数据实验结果与分析
5．2　动态点云数据的分析
5．2．1　三维点云法向量估计法
5．2．2　三维点云的分割
5．3　使用点云信息指导自适应人体头部追踪
5．3．1　相关研究
5．3．2　背景分割去除
5．3．3　实验中的相关参数
5．3．4　重新量化与单位化
5．3．5　追踪过程的错误检测与错误恢复
5．3．6　实验结果与分析
5．4　本章总结

第6章　点云数据研究趋势展望
6．1　本书总结
6．2　尚需深入研究的方面
6．3　深度学习在点云处理中的展望

附录A　人体测量学主要关键点
参考文献
致谢

前　言

点云数据处理在逆向工程设计、仿真、医学训练、外科手术、人体测量及服装工程等领域都有广泛的应用。各种三维扫描技术的发展及广泛应用对基于点云数据的处理和分析的需求日益增多。对点云数据及对应形状的分析研究在计算机视觉领域有重要应用，如机器人路径规划，使用激光雷达或TOF等对地表扫描并进行识别分析，从而对风险智能预警，以及对古建筑、地下文物（如兵马俑等）扫描后，进行古建筑或残缺文物的智能模拟修复，并为真实修复提供优化方案，等等。点云数据的特征提取与分析、模拟预测是大规模个性化定制的核心。另外，对于人体点云数据的分析与模拟预测可为智能可穿戴护甲、汽车、服装等多个工业设计领域提供底层数据支撑与科学依据。

与传统网格表示方法相比，点云的表示方法具有数据结构简单、存储空间紧凑和复杂表面局部细节表达完整等优势。因此，直接以点云为对象的研究更具理论价值与实践意义。但是，由于点云数据往往缺少相互的关联信息，且数据规模巨大，因此常常在处理计算方面面临挑战。目前，在点云数据的处理上多使用通用算法或将点云转化为网格模型处理的三维点云，然而在由点云向网格模型转化的过程中往往容易丢失一些细节信息，因此通常需要直接对点云数据进行特征提取，以保证细节语义的完整。虽然通用的点云算法具有普适性的优点，但是很难满足相关专业的需求。因此，直接以点云为研究对象进行的针对性研究非常必要。本书主要有以下几个方面的特色。

①本书论述的算法与理论均以点云数据为研究对象，重点探讨了点云数据的特征提取及形状分析等。

②本书以非刚性（人体）点云数据的分析处理为切入点论述了点云数据预处理的问题，如数据清洗中的去噪方法、自适应的点云修补方法、保持语义特征的点云精简方法、点云骨架线提取方法等，重点论述了基于Laplace算子的自适应的特征提取方法、点云的分割方法。③本书不仅论述了静态点云数据的特征提取、分析，还对动态点云数据的分析与处理做了论述。

④本书将计算机视觉最新的点云处理方法［如计算机视觉领域CVPR(计算机视觉与模式识别会议)等会议的最近三年相关研究］纳入进行论述。

当前，随着计算能力的提高，将会有更多的深度学习算法应用到点云数据处理中，其中大规模点云数据的识别与分析算法是未来重要的研究方向，该类方法具有重要的理论和应用价值。限于篇幅，本书不再对深度学习算法与点云数据处理算法的结合展开论述。

由于著者水平有限，书中难免存在错漏，还请读者不吝指正。读者可发电子邮件至xdsun_edu@163.com就本书相关内容进行交流。

孙晓东

2020/04/25