基于 C++利用 PCL库对KITTI数据集和livox-hikvision融合数据进行三维重建

# PCL库三维重建 ## 一、介绍 1. 利用C++ PCL库对KITTI数据集进行三维重建 2. 利用livox激光雷达和hikvision相机进行三维重建 ## 二、依赖库： PCL1.8.1 + OpenCV + PythonLibs ## 三、实验步骤： ### 3.1 KITTI三维重建 1. 用KITTI的配准信息将点云投影到图像上获得真彩色点云 2. 滤波 3. 重采样平滑 4. 法线计算 5. 将点云坐标、颜色、法线信息合在一起 6. 网格化（贪心投影三角化，Poisson重建） ### 3.2 Livox-hikvision三维重建 1. 读取.lvx文件，转换成pcd文件 2. 读取hikvision拍摄视频 3. 后续方法同2.1 4. **补充**：利用深度图进行网格化，用B-样条曲线进行网格化(效果较差，且速度慢) ## 四、结果: ### 4.1 Poisson重建和样条重建 Poisson重建和样条重建都利用了流形假设，使用曲面拟合点云。这种方法对watertight物体、满足流形假设(平滑)的物体比较适用，对于需要刻画尖锐特征的三维重建不太适合。 #### 1. 泊松重建  #### 2. B样条重建  ### 4.2 贪婪投影三角法网格化 #### 1. 贪婪投影三角化(KITTI)  #### 2. 贪婪投影三角化(240万点)  随着处理帧数的增多，网格会更加致密，空洞会减少，但后续仍需要进行网格修复(mesh repair)，才能得到较好的重建结果。 ### 4.3 深度图网格化 #### 1. 用点云生成深度图(240万点)  #### 2. 用深度图进行网格化  ## 五、总结 曲面重建算法可分为插值法和逼近法，其中贪婪投影三角化属于插值法，B-样条重建、Poisson重建、深度图重建均为逼近法。 在重建效果上，贪婪投影三角法和基于深度图的重建算法效果较好。贪婪投影三角法噪声较多， 可以在计算法线前用移动最小二乘法(MLS)重采样平滑和上采样增加点云密度；而基于深度图的重建的网格效果更致密，美中不足的是在纵向有较大距离改变的地方(道路)，深度图方法的网格几乎没有生成， 这和深度图的分辨率有较大关系。