//粗配准
void PointProcessing::coarseRegistration
(
const std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr>& clusters, // 多簇源点云
const pcl::PointCloud<pcl::PointXYZ>::Ptr& target, // 目标点云
std::vector<Eigen::Matrix4f>&
transformation_matrices, // 输出
变换矩阵集合
float sac_ia_max_distance, // SAC-IA最大对应距离
int feature_radius // FPFH特征半径
) {
transformation_matrices.clear
();
// 遍历每个簇
for
(const auto& cluster : clusters
) {
// --- 1. 源簇关键点提取 ---
pcl::PointCloud<pcl::PointXYZ>::Ptr src_keypoints
(new pcl::PointCloud<pcl::PointXYZ>
);
pcl::UniformSampling<pcl::PointXYZ> uniform_sampling;
uniform_sampling.setInputCloud
(cluster
);
uniform_sampling.setRadiusSearch
(2.0
); // 关键点采样半径（可参数化）
uniform_sampling.filter
(*src_keypoints
);
// --- 2. 目标关键点提取（复用同一采样器）---
pcl::PointCloud<pcl::PointXYZ>::Ptr tgt_keypoints
(new pcl::PointCloud<pcl::PointXYZ>
);
uniform_sampling.setInputCloud
(target
);
uniform_sampling.filter
(*tgt_keypoints
);
// --- 3. 使用自定义函数计算
法线 ---
pcl::PointCloud<pcl::
Normal>::Ptr src_
normals
(new pcl::PointCloud<pcl::
Normal>
);
computer
normals
(src_keypoints, src_
normals, 5.0
); //
法线半径5.0
pcl::PointCloud<pcl::
Normal>::Ptr tgt_
normals
(new pcl::PointCloud<pcl::
Normal>
);
computer
normals
(tgt_keypoints, tgt_
normals, 5.0
);
// --- 4. 使用自定义函数计算FPFH特征 ---
pcl::PointCloud<pcl::FPFHSignature33>::Ptr src_features
(new pcl::FPFHSignature33
);
computerFPFH
(src_keypoints, src_
normals, src_features, feature_radius
);
pcl::PointCloud<pcl::FPFHSignature33>::Ptr tgt_features
(new pcl::FPFHSignature33
);
computerFPFH
(tgt_keypoints, tgt_
normals, tgt_features, feature_radius
);
// --- 5. SAC-IA配准 ---
pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> sac_ia;
sac_ia.setInputSource
(src_keypoints
);
sac_ia.setSourceFeatures
(src_features
);
sac_ia.setInputTarget
(tgt_keypoints
);
sac_ia.setTargetFeatures
(tgt_features
);
sac_ia.setMaxCorrespondenceDistance
(sac_ia_max_distance
);
pcl::PointCloud<pcl::PointXYZ>::Ptr aligned
(new pcl::PointCloud<pcl::PointXYZ>
);
pcl::PointCloud<pcl::PointXYZ>::Ptr aligned
(new pcl::PointCloud<pcl::PointXYZ>
);
sac_ia.align
(*aligned
); // 无返回值，直接执行
// 检查
变换矩阵有效性
Eigen::Matrix4f matrix = sac_ia.getFinal
Transformation();
if
(!matrix.isZero
() && !matrix.hasNaN
()) {
transformation_matrices.push_back
(matrix
);
}
else {
transformation_matrices.push_back
(Eigen::Matrix4f::Identity
());
}
}
}其中clusters是一个包含多个聚类的容器，修改这个函数，循环遍历clusters，计算
法线与特征，随后与target进行粗配准
本文探讨了在3D图形中，为何不能直接使用模型变换矩阵进行法线变换，原因是非一致性的缩放会导致法线方向错误。通过数学推导，解释了使用逆转置矩阵来变换法线以保持其与切线垂直的关系。还提到了在不可逆矩阵或仅考虑旋转时的处理方式，并指出在三向一致缩放的情况下，可以直接用变换矩阵进行法线变换。对于建模工具开发，处理任意缩放变换是关键问题。
最低0.47元/天 解锁文章
扫一扫
15万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
