从零开始一起学习SLAM | 点云平滑法线估计

点击公众号“计算机视觉life”关注，置顶星标更快接收消息！
本文编程练习框架及数据获取方法见文末获取方式
菜单栏点击“知识星球”查看「从零开始学习SLAM」一起学习交流

点云滤波后为什么还需要平滑？

小白：师兄，师兄，上次你说的点云滤波我学会啦，下一步怎么把点云变成网格啊？
师兄：滤波只是第一步，在网格化前我们还需要对滤波后的点云进行平滑（smoothing）
小白：不是已经滤波了吗？怎么还要平滑啊？滤波和平滑不一样吗？
师兄：确实不太一样。我们用RGB-D，激光扫描仪等设备扫描物体，尤其是比较小的物体时，往往会有测量误差。这些误差所造成的不规则数据如果直接拿来曲面重建的话，会使得重建的曲面不光滑或者有漏洞，而且这种不规则数据很难用前面我们提到过的统计分析等滤波方法消除，所以为了建立光滑完整的模型必须对物体表面进行平滑处理和漏洞修复。
你看下面左边就是原始的扫描数据，右边就是用最小二乘法进行表面平滑后的结果

小白：从图上看，平滑确实效果很明显啊，左边杯子上黑色的是噪声吧，右边的结果来看经过平滑都消失了
师兄：对，除了上面说到的设备测量误差外，还有一种情况也需要对点云进行平滑。就是后处理过程中，比如我们对同一个物体从不同方向进行了多次扫描，然后把扫描结果进行配准，最后得到一个完整的模型，但是你配准的结果不一定准啊，比如下图中左侧就是配准后未经过处理的结果，同一面墙壁由于配准误差变成了“两面墙”，并不能完全重叠，你觉得这个数据可以直接用来进行表面重建吗？

小白：好坑啊，肯定不行，这样重建出的结果也是两面墙了吧
师兄：对，所以我们需要想办法把“两面墙”变成“一面墙”，如果这时候，我们没有条件重新扫描出更精确的结果，或者配准精度也无法提升，可以通过重采样的方法来实现点云的平滑，从而避免出现这样的问题。
小白：原来这个平滑这么重要啊！怎么用重采样来平滑呢？感觉迫不及待想要学习啦！
师兄：（既然胃口已经被吊起来了）那我们赶快开始切入正题吧

如何通过重采样实现点云平滑？

师兄：点云重采样，我们实际上是通过一种叫做“移动最小二乘”（MLS， Moving Least Squares ）法来实现的，对应的类名叫做：pcl::MovingLeastSquares，你知道怎么用吗？
小白：不知道，不过我还记得我们上次师兄给我说的方法，在PCL API documentation http://docs.pointclouds.org/trunk/ 上查询类名称，就能看到类的定义和用法啦
师兄：活学活用啊，哈哈，那我们现在去查一下看看吧
小白：嗯，我查到了，这个MLS类的定义在这里：
http://docs.pointclouds.org/trunk/classpcl_1_1_moving_least_squares.html#a379330b0b1dacaa668d165f94930749c
成员函数好多啊
师兄：对，看着是很多，但是很多我们不常用的，比如我们常用的一个用于重采样的示例代码如下，每行代码都给你注释好了，结合上面网址看很容易理解

// 对点云重采样  
pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);