我有一组点云，我想测试3D房间中是否有角落。所以我想讨论一下我的方法，以及在速度方面是否有更好的方法，因为我想在手机上测试它。
我将尝试使用霍夫变换来检测线，然后我将尝试查看是否有三条线相交，并且它们也形成了两个相交的平面。
如果点云数据来自深度传感器，那么您将获得相对密集的墙壁采样。我发现与深度传感器（例如 Kinect 或 DepthSense）配合良好的一件事是 @MartinBeckett 建议的 RANSAC 过程的强大版本。
不是随机选取 3 个点，而是随机选取一个点，并获取云中的邻近点。有两种方法可以做到这一点：
- 正确的方法：使用 3D 最近邻查询数据结构（例如 KD 树）来获取距查询点较小距离内的所有点。
- 草率但更快的方法：使用随机选择的像素的像素网格邻域。这可能包括 3D 中远离它的点，因为它们位于不同的平面/对象上，但这没关系，因为该像素不会从数据中获得太多支持。
下一步是从该组 3D 点生成平面方程。您可以在其 3D 坐标上使用 PCA 来获取定义平面的两个最重要的特征向量（最后一个特征向量应该是法线）。
从那里开始，RANSAC 算法照常进行：检查数据中还有多少其他点靠近该平面，并找到具有最大支持的平面。我发现最好找到最大的支撑平面，删除支撑 3D 点，然后再次运行算法以找到其他“较小”平面。这样你就可以得到你房间里的所有墙壁。
EDIT:
为了澄清上述内容：假设平面的支持是与该平面的距离最多为某个阈值（例如 10 厘米，应取决于深度传感器的测量误差模型）的所有 3D 点的集合。
每次运行 RANSAC 算法后，都会选择支持度最大的平面。通过在支持集上执行 PCA/线性回归，支持该平面的所有点都可以用于细化平面方程（这比仅使用相邻点更稳健）。
为了继续并找到其他平面，应从 3D 点集中删除先前迭代的支持，以便剩余点位于其他平面上。只要有足够的点并且最佳平面拟合误差不太大，就可以重复此操作。
在你的情况下（寻找一个角），你至少需要 3 个垂直平面。如果您发现两个具有大支撑的平面大致平行，那么它们可能是地板和一些柜台，或者两个平行的墙壁。要么房间没有可见的角落，要么你需要不断寻找支撑较小的垂直平面。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
