1.学习YuePanEdward/point-cloud-registration-review.PPT
确定对应关系的方法
-
迭代(ICP)
pros:简单,容易应用;高效;当初值好的时候精度高
cons:容易陷入局部极大值;鲁棒性… -
基于特征的
检测关键点(局部曲率极大,3D Harris…)
提取特征(FPFH、BSC…)
特征匹配(各种距离、余弦相似性、互相关…)
去除粗差(RANSAC、几何一致性、GORE)基于学习的特征
pros:不需要提供初值,鲁棒性好
cons:不够精确适合作为初值,基于关键点原点云需要密集点云,耗时间 -
随机假设验证(4PCS、RANSAC)
pros:不需要初值;对噪声外点相似性结构等鲁棒
cons:在有噪声外点等的情况下寻找的子集之间的相似性急速下降;可能非常耗时;不够精确适合作为初值
目标:高精度,高复现
挑战:低重叠度,遮挡,噪声,重复结构;耗时,点云密度不一致
估计转换
- SVD
- 平面相交?
点云配准的应用
- 统一不同扫描点云的坐标系
- SLAM
配准步骤
- 确定对应关系
- 点/线/面/物体
- 检测关键点,线,面,识别物体
- 估计转换关系
- 确定目标方程(要优化的量)
- 最小化目标方程(使误差最小) ( 例 如 : { R ∗ , t ∗ } = arg min R , t ( ∑ i ∣ ∣ R p i + t − q i ∣ ∣ 2 ) ) \biggl(例如: \{R^*,t^*\}=\argmin_{R,t}(\sum_i ||Rp_i+t-q_i||^2)\biggr) (例如:{R∗,t∗}=R,targmin(∑i∣∣Rpi+t−qi∣∣2))
- 方法:SVD、线性最小二乘、非线性优化(LM、GN?、GA?…
估计变换方程
- SVD ?
- 平面对应关系 ??
- 三个平面和一个交点 ???