雲點配准演算法

1. PLC 的PLSV指令怎麼運用

LD M10

PLSV D10 Y0 Y3

D10：輸出脈沖頻率，僅用於Y0和Y1

Y3：旋轉方向信號，可應用PLC任何輸出點（但不能重復用脈沖輸出點）

當M10閉合時，以D10指定的頻率從Y0輸出脈沖，如果D10為正值，Y3閉合，若為負值，Y3斷開。

當M10閉合期間，用MOV等指令改變D10的值，輸出脈沖頻率立即改變。

當M10由閉合轉為斷開，立即停止脈沖輸出。

缺點：PLSV輸出頻率沒有加減速過程，所以應用於控制步進或伺服電機時，需要別的指令改變D10的值來實現頻率的減減速，如RAMP指令。

(1)雲點配准演算法擴展閱讀：

控制原理：

當可編程邏輯控制器投入運行後，其工作過程一般分為三個階段，即輸入采樣、用戶程序執行和輸出刷新三個階段。完成上述三個階段稱作一個掃描周期。在整個運行期間，可編程邏輯控制器的CPU以一定的掃描速度重復執行上述三個階段。

在輸入采樣階段，可編程邏輯控制器以掃描方式依次地讀入所有輸入狀態和數據，並將它們存入I/O映象區中的相應的單元內。輸入采樣結束後，轉入用戶程序執行和輸出刷新階段。在這兩個階段中，即使輸入狀態和數據發生變化，I/O映象區中的相應單元的狀態和數據也不會改變。因此，如果輸入是脈沖信號，則該脈沖信號的寬度必須大於一個掃描周期，才能保證在任何情況下，該輸入均能被讀入。

2. 哪位大神有ICP（迭代最近點）演算法的C++代碼，可以對兩組三維點雲進行配準的，求一個能用的，感激不盡……

創建一個pcl::PointCloud實例Final對象，存儲配准變換後的源點雲，應用ICP演算法後，IterativeClosestPoint能夠保存結果點雲集，如果這兩個點雲匹配正確的話（也就是說僅僅對其中一個應用某種剛體變換，就可以得到兩個在同一坐標系下相同的點雲）

3. 點雲數據處理

三維計算視覺研究內容包括：

（1）三維匹配：兩幀或者多幀點雲數據之間的匹配，因為激光掃描光束受物體遮擋的原因，不可能通過一次掃描完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃描。三維匹配的目的就是把相鄰掃描的點雲數據拼接在一起。三維匹配重點關注匹配演算法，常用的演算法有 最近點迭代演算法 ICP 和各種全局匹配演算法。

（2）多視圖三維重建：計算機視覺中多視圖一般利用圖像信息，考慮多視幾何的一些約束，相關研究目前很火，射影幾何和多視圖幾何是視覺方法的基礎。在攝影測量中類似的存在共線方程，光束平差法等研究。這里也將點雲的多視匹配放在這里，比如人體的三維重建，點雲的多視重建不僅強調逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此也存在一個優化或者平差的過程在裡面。通常是通過觀測形成閉環進行整體平差實現，多視圖重建強調整體優化。可以只使用圖像，或者點雲，也可以兩者結合（深度圖像）實現。重建的結果通常是Mesh網格。

（3）3D SLAM：點雲匹配（最近點迭代演算法 ICP、正態分布變換方法 NDT）+位姿圖優化（ g2o 、LUM、ELCH、Toro、SPA）；實時3D SLAM演算法 （LOAM）；Kalman濾波方法。3D SLAM通常產生3D點雲，或者Octree Map。基於視覺（單目、雙目、魚眼相機、深度相機）方法的SLAM，比如orbSLAM，lsdSLAM...

（4）目標識別：無人駕駛汽車中基於激光數據檢測場景中的行人、汽車、自行車、以及道路和道路附屬設施（行道樹、路燈、斑馬線等）。

（5）形狀檢測與分類：點雲技術在逆向工程中有很普遍的應用。構建大量的幾何模型之後，如何有效的管理，檢索是一個很困難的問題。需要對點雲（Mesh）模型進行特徵描述，分類。根據模型的特徵信息進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。

（6）語義分類：獲取場景點雲之後，如何有效的利用點雲信息，如何理解點雲場景的內容，進行點雲的分類很有必要，需要為每個點雲進行Labeling。可以分為基於點的方法，基於分割的分類方法。從方法上可以分為基於監督分類的技術或者非監督分類技術，深度學習也是一個很有希望應用的技術。

（7）立體視覺與立體匹配 ZNCC

（8）SFM（運動恢復結構）

1、點雲濾波方法（數據預處理）：

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。

VoxelGrid

2、關鍵點

ISS3D、Harris3D、NARF

SIFT3D、

3、特徵和特徵描述

法線和曲率計算 NormalEstimation 、特徵值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 點雲匹配

ICP 、穩健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、點雲分割與分類

分割：區域生長、Ransac線面提取、NDT-RANSAC、

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；監督分類與非監督分類

6、SLAM圖優化

g2o 、LUM、ELCH、Toro、SPA

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

7、目標識別、檢索

Hausdorff 距離計算（人臉識別）

8、變化檢測

基於八叉樹的變化檢測

9. 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。

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；

10.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

點雲驅動的計算機圖形學主要研究應用

http://vcc.szu.e.cn/research/2015/Points/