三维点云课程（一）——点云介绍

• 点云的表达形式

• 点云的特点

密度不均匀

不规则

没有纹理信息（三人成车）

对深度学习的特点：

        无序性

        旋转不变性

• PCA主成分分析

主成分分析在点云中的作用

1. 降维
2. 法向量估计
3. 分类

 矩阵的运算：

PCA ： 

 ​​​​​​​

降维和升维肯定有数据损失，所以要选取重要的主向量

PCA是线性的

• PCA应用

 第一列是输入的图像，例如30*30就是900维的矩阵，把900维的矩阵在l个主向量上投影得到l组a，第二列是计算平均值所以都一样。可以看到由6个主向量来重构图片（最后一列）可以达到识别的效果。对每组a进行聚类，传入新的图片与a对比相似度来分类

• Kernel PCA（升维）

• 点云中点的法向量 

点云拟合曲面的切面的法向量，只有定义邻域才有法向量，邻域大相对平滑受个别点的影响小，邻域大比较灵敏但容易受影响。法向量是最没用的向量，所有点投影到这个向量上的值加起来最小，反应最少的特征。

C是中心点

寻找法向量的步骤：

•  滤波

 1、点云去除

划定邻域，少于一定的值就去掉。

 2、降采样

         一个格子中计算平均点

         一个格子中随机选一个点

如果小格子过多，对超过int32所表示数的范围。