【点云配准-4PCS（2008）】4-Points Congruent Sets for Robust Pairwise Surface Registration

---

1 背景

1.1 问题描述

给定任意初始位置的两个点集$P$和$Q$，找到一个最佳变换（通常是刚性变换），使得$P$、$Q$中距离小于$\delta$的点数最多。

1.2 相似性测度（Similarity Measure）

在点云配准问题中，我们通常会用相似性测度来衡量两组点云之间的匹配程度，常见的相似性测度有均方误差（Root Mean Square Error（RMSE）、最大公共点集（Largest Common Pointset，LCP） 等。

4PCS算法中所使用的相似性测度即为LCP测度。由LCP测度的原理我们可以看出，4PCS算法最终并不一定能够得到一个非常精确的变换矩阵，因此它常被用作点云配准问题中粗配准（Coarse Registration）步骤中的方法，配合ICP等精配准（Fine Registration）算法共同实现精确的点云匹配。

1.3 随机采样一致性（Random Sample Consensus，RANSAC）

RANSAC是一种被广泛使用的通用性算法，用于对因噪声和异常值破坏的数据进行模型的鲁棒拟合。

基于RANSAC的点云匹配过程可以归纳为：

• 从点集$P$和$Q$中分别随机选取3个不同的点（方便起见，下文中我们把这3个不同的点称作“基底/base”）对作为基础的匹配点对；
• 计算所选取3组对应点对的变换矩阵$T_i$；
• 计算点集$P$和$Q$的LCP测度$k_i$，即点集$P$中的点与点集$Q$中的点距离在$\delta$范围内点的个数；
• 如果$k_i$足够大，则直接接受$T_i$作为最佳的变换矩阵，否则重复以上步骤；
• 这个过程将被重复$L$次，并选择$k_i$最大时的变换矩阵$T_i$作为最终的结果。

1.4 Randomized Alignment

Randomized Alignment是Irani和Raghavan在1996年提出的RANSAC算法的一种变体，用于在相似性变换下解决2D对齐问题。其基本步骤为：

• 从点集$P$中随机选取一组基底；
• 计算该基底与$Q$中所有可能的基底得到的变换矩阵；
• 验证得到的变换矩阵，这也是随机的：首先，仅随机抽取$P$中固定数量的点进行验证，只有当该子集中大部分的点匹配上（即在点集$Q$中存在与其距离在$\delta$内的点）时，才测试其余点；
• 与RANSAC中一样，为了达到一定的成功率，以上过程将被重复$L$次。

与基本的RANSAC不同的是，4PCS算法从$P$中随机选择基底，然后使用某种配准算法在$Q$中寻找对应的基底，下面将详细介绍4PCS算法。

1.5 4PCS算法概述

我们知道，3个不共线的点对即可计算空间变换矩阵，而作者认为，寻找特殊的4点作为基底会使问题变得更加容易。4PCS算法就是使用一组来自$P$的4个共面点作为基底$B$，并从$Q$中快速找到与$B$大致一致的所有4点基底的子集，即允许刚性变换将两个4点集对齐且距离在$\delta$范围内。

2 4点一致性

2.1 概述

仿射变换遵循以下规则：给定3个共线的点 { a , b , c } \{a,b,c\} {a,b,c}，它们之间的比例关系$r=\frac{a-b}{a-c}$是不变的。给定一组共面的4点集，在给定的点云数据中查找与其在距离约束（$\delta$）下具有仿射变换关系的4点集的集合。

2.2 4点集的仿射不变性

定义非共线的共面4点 X ≡ { a , b , c , d } X\equiv\{a,b,c,d\} X≡{a,b,c,d}，$ab$和$cd$相交于点$e$，则以下2个比率在仿射变换下是不变的：

$$\begin{gathered} r_1=\frac{||a-e||}{||a-b||} \\ {r}_2=\frac{||c-e||}{||c-d||} \end{gathered}$$

给定含有$n$个点的点集$Q$，以及两个由点集$P$得到的仿射不变性比率$r_1$和$r_2$，对于$Q$中的每对点$q_1,q_2\in Q$，可以计算两个中间点：

$$\begin{gathered} e_1=q_1+r_1(q_2-q_1) \\ {e}_2=q_1+r_2(q_2-q_1) \end{gathered}$$

任意两对中间点$e_1{e}_2$在允许范围内重合的点，都可以被看作与$P$中基础点对可能的仿射对应点。

2.3 在3D空间中提取一致的4点

给定点集$P$中不共面的4点作为基底$B$，以及另外一个点集$Q\in {\mathbb{R}}^3$，我们的目标是从$Q$中找到所有在允许范围（$\delta$）内与$B$一致的4点的集合。基本步骤为：

• 计算给定$B$的两个放射不变比率，即$r_1$和$r_2$；
• 利用2.2中描述的方法，从$Q$中查找所有通过放射变换能与$B$相匹配的点集；
• 通过距离约束（$\delta$），过滤掉不符合要求的匹配（主要针对仿射变换中存在尺度缩放的一部分点集）；
• 利用最小二乘法，计算余下每对点与$B$的最佳变换。

事实上，对于大的点集，上述过程的计算量是相当大的。考虑到我们寻求的是刚性变换的解，对于一个基底 B ≡ { a , b , c , d } B\equiv\{a,b,c,d\} B≡{a,b,c,d}，首先计算两点间的距离$d_1=||a-b||$，$d_2=||c-d||$，然后仅考虑点集$Q$中两点距离与$d_1$或$d_2$相差在一定范围内（$\delta$）的点对。

3 4PCS算法

3.1 算法描述

给定两个点集$P$和$Q$，不确定性度量（$\delta >0$），以及预估的两点集的重叠率$f$，我们的目标是找到一个刚性变换，使$P$中的点到$Q$中的点距离小于$\delta$的个数最多。

• 首先选择由4个共面点组成的基底$B\subseteq P$。实际上我们不一定能到找到完全共面的4个点，因此先随机选择3个点，再查找第4个点组成近似共面的基底。理论上来说，点之间的距离越远得到的匹配结果越精确，然而若距离过远，可能导致所选择的点不在两个点集的重叠部分，也就无法计算得到理想的匹配对。因此使用重叠率$f$来估计这个最大距离（$f$的默认值为1）；
• 得到基底$B$后，我们可以定义仿射不变比。从$Q$中查找所有与$B$在距离约束（$\delta$）下的对应点对集合 U ≡ { U 1 , U 2 , . . . , U s } U\equiv\{ U_1,U_2,...,U_s \} U≡{U1​,U2​,...,Us​}。利用最小二乘法计算$B$与$U_i$的最佳变换$T_i$；
• 验证所得到的$T_i$的准确性，该过程以随机方式进行。计算$P$经过$T_i$变换后与$Q$的相似性测度（在$\delta$约束下的最大公共点集）。为了提高效率，最近点的查找使用近似最近邻算法（Approximate Nearest Neighbor，ANN）。具体来说，首先从$P$中选择固定数量的点，计算这些点经过$T_i$变换后与$Q$中的点距离在$\delta$内的点的个数，如果足够多的话则对余下的点也做这样的计算。匹配点数最多的变换将被作为本次匹配中最佳的变换矩阵$T$；
• 对于重复$L$次不同的基底$B_i$，均按照上述步骤找到最佳变换$T_i$，并最终得到总体的最佳变换矩阵$T_{opt}$作为最终结果。

3.2 实验结果

几组作者论文中给出的实验结果，所有结果都是经过ICP微调后的效果。

（1）不同重叠率

（2）不同噪声程度

其余的大家直接看论文吧。

参考

[1] https://sci-hub.tw/10.1145/1360612.1360684
[2] http://graphics.stanford.edu/~niloy/research/fpcs/fpcs_sig_08.html