Halcon 基于表面的点云配准

主要包含两个算子create_surface_model和find_surface_model。

create_surface_model

create_surface_model( : : ObjectModel3D, RelSamplingDistance, GenParamName, GenParamValue : SurfaceModelID)

概述

创建一个surface的模型，来为后面的匹配做准备。该算子输入 xyz_to_object_model_3d或者read_object_model_3d得到的对象。这个算子非常重要，它可以决定后续的匹配是基于表面、边缘还是视角，不同的方法对应不同的要求，比如如果要计算2D/3D的边缘匹配结果来提升精度，则必须要求模型的点法向量向内，并且模型必须包含三角形或多边形网格

参数：

RelSamplingDistance

第一次采样间距设置，这个值是相对值，相对于当前3D点云模型的凸包直径，越小代表着得到的点数多。

GenParamName

   model_invert_normals：

     是否需要将点云模型的法向量取反，主要是针对于那些从CAD或者其他画图软件得到的3D模型，这些模型可能会与从硬件取得的点云法向量不同。

pose_ref_rel_sampling_distance：

   第二次采样间距设置，这个值是相对值，相对于当前3D点云模型的凸包直径，越小代表着得到的点数多。

  feat_step_size_rel

将3D点云模型的点对距离属性离散化，值也是相对于3D点云模型的凸包的直径。

feat_angle_resolution

将3D点云模型的点对角度属性离散化，值也是相对于360°来细化的。也就是说如果设置为30，那么就会把角度分为12个等级。

 train_3d_edges

是否使用3D边缘属性来提升匹配精度。使用这个参数的时候需要模型包含网格和OpenGL。

个人理解：

      两个采样参数会得到两个较小的点云模型，这两个模型第一个用来提取特征的，特征包括点对距离，点对角度，选择性附加边缘，使用这些特征去搜索。第二个点云用来求变换关系的。

find_surface_model

find_surface_model( : : SurfaceModelID, ObjectModel3D, RelSamplingDistance, KeyPointFraction, MinScore,ReturnResultHandle, GenParamName, GenParamValue : Pose, Score, SurfaceMatchingResultID)

概述

查找最佳匹配位姿。分了三个步骤：首先近似匹配，找到大概的位姿；第二步稀疏匹配，提升匹配精度；第三步稠密匹配，找到个更精确的位姿。

参数：

RelSamplingDistance

第一次采样间距设置，这个值是相对值，相对于当前3D点云模型的凸包直径，越小代表着得到的点数多。

KeyPointFraction

采样关键点，这个值是相对值，相对于当前3D点云模型的凸包直径，越小代表着得到的点数多。

MinScore

得分阈值。

GenParamName（第一步）   

num_matches：

     搜索的最大数量。

max_overlap_dist_rel：

   最大重叠距离。相对值

  max_overlap_dist_abs

最大重叠距离。绝对值

scene_normal_computation

是否将法向量作为条件来搜索

3d_edges

使用边缘，输入边缘点云模型。

3d_edge_min_amplitude_rel

    如果没有单独输入边缘模型，就会自动提取边缘，这个参数为提取边缘模型是使用的最小振幅，相对值。

3d_edge_min_amplitude_abs

    如果没有单独输入边缘模型，就会自动提取边缘，这个参数为提取边缘模型是使用的最小振幅，绝对值。

GenParamName（第二步）

sparse_pose_refinement

    是否启用第二步，稀疏姿态优化模型。

score_type

    略。

pose_ref_use_scene_normals

    是否使用法向量来优化姿态。

GenParamName（第三步）

dense_pose_refinement

    是否启用第三步，密集姿态优化模型。

score_type

    略。

pose_ref_num_steps

    密集姿态优化迭代次数。

pose_ref_sub_sampling

    密集姿态优化时采样距离。

pose_ref_dist_threshold_rel

    密集姿态优化距离阈值，决定迭代是否收敛，相对值。

pose_ref_dist_threshold_abs

    密集姿态优化距离阈值，决定迭代是否收敛，绝对值。

pose_ref_scoring_dist_rel

pose_ref_scoring_dist_abs

    将距离计入得分。

score_type

    略。

pose_ref_use_scene_normals

    使用法向量优化姿态。

pose_ref_dist_threshold_edges_rel

pose_ref_dist_threshold_edges_abs

    密集姿态优化边缘距离阈值，决定迭代是否收敛。

pose_ref_scoring_dist_edges_rel

pose_ref_scoring_dist_edges_abs

    将边缘距离计入得分。

个人理解：

      第一步主要是搜索相似的模型，并求以一个大致的变换姿态。

      第二步将第一步找到的所有模型进行姿态优化，这个时候使用的是采样后的模型来优化的。

      第三步将第二步通过得分筛选得到的模型继续进行优化，这个时候会使用所有的点模型，但是第三步会有一个独有的采样参数来控制效率。所谓的优化就是求变换矩阵，将得到的变换矩阵用于变换，求变换后的结果，判断是否在预期范围。这是一个迭代过程。