我们成功给OpenCV添加了三维点云降采样算法！

作者：阮业淳，钟万里，张昌圳（本科生）

指导教师：于仕琪

南方科技大学计算机科学与工程系

知名开源计算机视觉库OpenCV（Open Source Computer Vision Library）在其5.0版本的规划中，向社会征集3D 视觉相关的算法。我们三名本科生组成的团队成功地向OpenCV 的5.x分支贡献了点云降采样的三个经典算法：随机采样（Random Sampling），体素滤波采样（Voxel Grid Filter Sampling）和最远点采样（Farthest Point Sampling）。

这次贡献虽然只有700多行代码，但是我们与OpenCV管理员进行了多达50多次的交流，对原始代码进行了无数次修改。有时候为了能得到更及时的反馈，我们甚至会熬到半夜等待管理员的回复。我们代码被接收（Merge）那一刻，我们非常激动，感到自己的能力得到了肯定！

我们提交的PR地址:  https://github.com/opencv/opencv/pull/20784

简单介绍一下我们的贡献：

三维点云是由空间中成千上万包含空间三维坐标（xyz）和其他信息的点组成的一个集合。自动驾驶领域广泛采用激光雷达获取街道三维点云数据。从点云中自动识别车辆、行人、灯杆、路面、植物、建筑物等，可以提升自动驾驶系统的感知能力。

我们的必修课“创新实践”的选题是《三维点云中的平面检测》。在实现平面检测过程中，我们发现点云数据中往往数据量大，且存在着大量的冗余信息，严重影响平面检测算法的速度。为了提速，我们研究了一系列降采样算法。我们发现这些降采样算法不仅对我们的平面检测很重要，而且对大部分点云算法都很重要。降采样算法能够降低点的数量的同时，如能尽可能地保持数据的信息，将有利于提升后续识别等算法的速度，是点云数据预处理非常基础和非常重要的算法。

我们经过跟指导老师于仕琪讨论，决定先向OpenCV贡献点云降采样算法，在这个过程中学习OpenCV高效编码及相关规范。降采样算法被接受后，再贡献更复杂的平面检测算法。我们贡献的三个基础降采样算法，将作为一个加速引擎，为无数自动驾驶及其他三维感知应用算法加速。下图是使用我们算法将点数降低为1/3一下的效果图。

有了这次的经验，相信我们后续向OpenCV贡献算法会更顺利。希望我们能够用自己的能力，为社会做更多贡献。

我们的项目主页二维码及网址，请多多关注。

https://github.com/No-Plane-Cannot-Be-Detected