三维点云拼接 标记点拼接 SVD分解法

       在三维重建的过程中每次只能测量有限的区域,那么拼接的操作就再所难免了,最终拼接的效果往往觉得了你做的产品是否真的有价值。很多市面上的产品在比较的时候首先看的是整体的重建效果,而整体的效果就是拼接决定的。拼接的效果由精度和效率决定的,首先是精度主要看最终拼接的点云之间融合的好坏,其次的效率,效率主要考察的是在拼接的过程是否流畅,是否需要很多标记点,好的拼接效率就是在使用少量的标记点也能拼接出高精度的效果。

      拼接的精度是由你使用的算法决定的,拼接的终极思想就是计算出两幅点云的[R,T],其中最方法很多,我介绍的是基于SVD分解的方式,敲公式太麻烦了,还是手写的吧!!大笑

                                 

                                               


CalcRalteR_T(_vPoint3 &vPtsA,_vPoint3 &vPtsB,CvMat *&matR,CvMat *&matT)
{
	CExternalLibrary Clapack;
	int i,j;
	VECTOR3 meanA;
	meanA.x=0;
	meanA.y=0;
	meanA.z=0;
	for (i=0;i<vPtsA.size();i++)
	{
		meanA+=vPtsA[i];
	}
	meanA=meanA/vPtsA.size()
	VECTOR3 meanB;
	meanB.x=0;
	meanB.y=0;
	meanB.z=0;
	for (j=0;j<vPtsB.size();j++)
	{
		meanB+=vPtsB[j];
	}
	meanB=meanB/vPtsB.size();


	_vVector3 substractmeanA;
	_vVector3 substractmeanB;
	for (int m=0;m<vPtsA.size();m++)
	{
		VECTOR3 result=vPtsA[m]-meanA;
		substractmeanA.push_back(result);
	}

	for (int n=0;n<vPtsB.size();n++)
	{

		VECTOR3 result=vPtsB[n]-meanB;
		substractmeanB.push_back(result);
	}

	float matData[9];
	for (int ii=0;ii<9;ii++)
	{
		matData[ii]=0.0f;
	}

	float matData1[3];
	for (int jj=0;jj<3;jj++)
	{
		matData1[jj]=0.0f;
	}

	CvMat matTet=cvMat(3,3,CV_32FC1,matData);
	
	//matR=cvCreateMat(3,3,CV_32FC1);


	CvMat *matTet1=cvCreateMat(3,3,CV_32FC1);
	for (i=0;i<3;i++)
	{
		for (j=0;j<3;j++)
		{
			cvSetReal2D(matTet1,i,j,0);
		}
	}
	CvMat matA1,matB1,*matB1Transpose;
	matB1Transpose=cvCreateMat(3,1,CV_32FC1);
	for (i=0;i<vPtsA.size();i++)
	{

		float b1[3]={substractmeanB[i].x,substractmeanB[i].y,substractmeanB[i].z};
		float a1[3]={substractmeanA[i].x,substractmeanA[i].y,substractmeanA[i].z};
		matB1=cvMat(1,3,CV_32FC1,b1);
		matA1=cvMat(1,3,CV_32FC1,a1);
	
	}
	cvReleaseMat(&matB1Transpose);
	CvMat *matW,*matU,*matV;
	matW=cvCreateMat(3,1,CV_32FC1);
	matU=cvCreateMat(3,3,CV_32FC1);
	matV=cvCreateMat(3,3,CV_32FC1)
	CvMat *matX;
	CvMat *matUTranspose;
	matX=cvCreateMat(3,3,CV_32FC1);
	matUTranspose=cvCreateMat(3,3,CV_32FC1);
	//matT=cvCreateMat(1,3,CV_32FC1);
	cvSub(&matMeanA,matBMeanMulMatR,matT);
	cvReleaseMat(&matW);
	cvReleaseMat(&matU);
	cvReleaseMat(&matV);
	cvReleaseMat(&matBMeanMulMatR);
	cvReleaseMat(&matUTranspose);
	cvReleaseMat(&matTet1);
	cvReleaseMat(&matX);


}


交流 QQ:1264768501








  • 2
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
云配准是指将多个离散云数据重合到同一个坐标系中的过程。其中,SVD(奇异值分解)是一种常用的云配准方SVD分解通过数学运算将云数据进行分解,得到云的旋转矩阵和平移矩阵,从而实现云的配准。具体步骤如下: 首先,将待配准的两个云数据分别表示为矩阵A和矩阵B。假设A和B的维度分别为m×n和p×n,其中m和p表示云中的数,n表示云的维度。 接下来,对矩阵A和B进行去均值操作,即将每个的坐标减去所有坐标的平均值。这一步可以消除两个云之间的平移差异。 然后,计算矩阵A和B之间的协方差矩阵C,即C = A^T × B。 接着,对协方差矩阵C进行奇异值分解,将其分解为三个矩阵U、S和V^T。其中,U和V^T为正交矩阵,S为对角矩阵,对角线上的元素为奇异值。 最后,根据分解得到的U和V矩阵,可以得到旋转矩阵R = U × V^T。同时,可以通过计算矩阵B与旋转矩阵R之间的平均平移差,得到平移矩阵t。 经过以上步骤,就可以得到云配准的结果,将云B通过旋转和平移变换到与云A重合的坐标系中。 SVD分解是一种数学有效且稳定的云配准方。它不仅可以用于云之间的刚体配准,还可以用于更复杂的非刚体变换。同时,SVD分解还可以处理带有噪声或缺失数据的云配准问题,具有较好的鲁棒性和适应性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Clipp_Huang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值