点云配准相关2020-09-05

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

1. 确定对应关系
   • 点/线/面/物体
   • 检测关键点，线，面，识别物体
2. 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 ？？？