12、点云处理与Kinect SLAM应用

点云处理与Kinect SLAM应用

1. 特征提取与SLAM系统优化

特征提取在计算上可能会消耗大量资源，通常需要在速度和鲁棒性之间进行权衡。对于具有全局优化阶段的SLAM系统，为了保持实时性能，需要将优化阶段与模型更新解耦。模型在每个新帧后更新，而全局优化并行运行。这样，模型可以实时更新，而优化每几秒执行一次。

在实现全局优化的非线性最小化时，必须特别注意效率。并非所有特征在所有图像中都可见，算法需要考虑这一点以加速计算。特征和相机位姿的数量增长非常快，简单地对所有观测特征的所有参数进行优化可能会导致内存不足。

2. 表面重建

当我们获得跨越感兴趣对象的点云后，从中提取表面非常有用。表面能更有效地描述对象的几何形状，低曲率区域可以用较少的顶点表示，而高度细节的区域可以使用更多顶点。此外，表面可以连续描述世界，能够在顶点之间进行插值，这是点云难以做到的。

表面由一组顶点和一组链接表示。每个顶点包含三维位置、颜色信息（RGB或纹理坐标）和法线方向。法线方向不能由Kinect直接测量，需要进行估计。链接集指示哪些顶点相连，定义了表面的拓扑结构，最常见的拓扑结构是将表面组织成三角形，相连的三角形共享两个顶点。

2.1 法线估计

仅使用点云，我们可以根据点的位置估计表面法线方向。可以使用 pcl::NormalEstimation 类完成此任务，它会为每个点找到最近邻并拟合一个平面，该平面的法线作为局部表面法线。由于该方法独立于距离使用最近邻，因此在点云密集的地方可以进行高细节的法线估计，在点云稀疏的地方进行粗略估计。以下是使用 pcl::NormalEs