Open3d学习计划——高级篇 2（彩色点云配准）

Open3d学习计划——高级篇 2（彩色点云配准）

本教程演示了一种同时使用几何和颜色进行配准的ICP变体。它实现了这篇文章的算法 [Park2017] ,实现了颜色信息锁定与切平面的对齐（The color information locks the alignment along the tangent plane）。这个算法与之前的ICP配准速度相当，但是实现了更高的精度和鲁棒性。本教程使用的符号来自ICP配准。

可视化函数

为了掩饰不同颜色点云之间的对齐,draw_registration_result_original_color使用原本的颜色可视化源点云.

def draw_registration_result_original_color(source, target, transformation):
    source_temp = copy.deepcopy(source)
    source_temp.transform(transformation)
    o3d.visualization.draw_geometries([source_temp, target])

注意:这里原来的教程里可视化函数都加了初始视角之类的,但是很多人反映这个会报错,并且官方函数里也没给出可接受的参数,所以在这里把初始视角的参数都去掉了

输入

这段代码从两个文件中读取源点云和目标点云.使用单位阵作为初始化的配准矩阵.

print("1. Load two point clouds and show initial pose")
source = o3d.io.read_point_cloud("../../TestData/ColoredICP/frag_115.ply")
target = o3d.io.read_point_cloud("../../TestData/ColoredICP/frag_116.ply")

# draw initial alignment
current_transformation = np.identity(4)
draw_registration_result_original_color(source, target, current_transformation)

1. Load two point clouds and show initial pose
   

Point-to-plane ICP

我们首先使用 Point-to-plane ICP 作为一个基准算法.下面的可视化结果展示了未对其的绿色三角形纹理.这是因为几何约束不能够阻止两个平面滑动.

# point to plane ICP
current_transformation = np.identity(4)
print("2. Point-to-plane ICP registration is applied on original point")
print("   clouds to refine the alignment. Distance threshold 0.02.")
result_icp = o3d.registration.registration_icp(
        source, target, 0.02, current_transformation,
        o3d.registration.TransformationEstimationPointToPlane())
print(result_icp)
draw_registration_result_original_color(source, target, result_icp.transformation)

2. Point-to-plane ICP registration is applied on original point
   clouds to refine the alignment. Distance threshold 0.02.
   registration::RegistrationResult with fitness=9.745825e-01, inlier_rmse=4.220433e-03, and correspondence_set size of 62729
   Access transformation to get result.

彩色点云配准

彩色点云配准的核心函数是 registration_colored_icp .
在这篇文章中,他使用的是具有联合优化目标的ICP迭代(细节请看 Point-to-point ICP):
$$\mathbf{E}(T)=(1-\delta )E_c(T)+\delta E_G(T)$$
这里的 $\mathbf{T}$ 是被估计旋转矩阵. ${\mathbf{E}}_C$ 和 ${\mathbf{E}}_G$ 分别是光度项和几何项. $\delta \in [0,1]$是通过经验决定的权重变量.
这里的几何项 ${\mathbf{E}}_G$ 和 Point-to-plane ICP 的目标是相等的.
$${\mathbf{E}}_G(T)=\sum _{(p,q)\in K}((p-T_q)\cdot n_p{)}^2$$
这里的 $\mathbf{K}$ 是当前迭代的对应集,${\mathbf{n}}_p$ 是对应点 $\mathbf{p}$ 的法线.
颜色项 ${\mathbf{E}}_C$ 测量的是 $\mathbf{q}$ 点的颜色(用 $\mathbf{C}(q)$ 表示)与其在点$\mathbf{p}$的切平面的投影上的颜色之间的差.
$${\mathbf{E}}_C(T)=\sum _{(p,q)\in K}(C_p(f(Tq))-C(q){)}^2$$
这里的 ${\mathbf{C}}_p(\cdot )$ 是在 $p$ 的切平面上连续定义的预计算函数. 函数 $f(\cdot )$ 将3D点投影到切平面.更多细节请参看 [Park2017].
为了提高效率, [Park2017]提供了多尺度的配准方案,已经在以下接口中实现.

# colored pointcloud registration
# This is implementation of following paper
# J. Park, Q.-Y. Zhou, V. Koltun,
# Colored Point Cloud Registration Revisited, ICCV 2017
voxel_radius = [0.04, 0.02, 0.01]
max_iter = [50, 30, 14]
current_transformation = np.identity(4)
print("3. Colored point cloud registration")
for scale in range(3):
    iter = max_iter[scale]
    radius = voxel_radius[scale]
    print([iter, radius, scale])

    print("3-1. Downsample with a voxel size %.2f" % radius)
    source_down = source.voxel_down_sample(radius)
    target_down = target.voxel_down_sample(radius)

    print("3-2. Estimate normal.")
    source_down.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=radius * 2, max_nn=30))
    target_down.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=radius * 2, max_nn=30))

    print("3-3. Applying colored point cloud registration")
    result_icp = o3d.registration.registration_colored_icp(
        source_down, target_down, radius, current_transformation,
        o3d.registration.ICPConvergenceCriteria(relative_fitness=1e-6,
                                                relative_rmse=1e-6,
                                                max_iteration=iter))
    current_transformation = result_icp.transformation
    print(result_icp)
draw_registration_result_original_color(source, target, result_icp.transformation)

3. Colored point cloud registration
   [50, 0.04, 0]
   3-1. Downsample with a voxel size 0.04
   3-2. Estimate normal.
   3-3. Applying colored point cloud registration
   registration::RegistrationResult with fitness=8.763667e-01, inlier_rmse=1.457778e-02, and correspondence_set size of 2084
   Access transformation to get result.
   [30, 0.02, 1]
   3-1. Downsample with a voxel size 0.02
   3-2. Estimate normal.
   3-3. Applying colored point cloud registration
   registration::RegistrationResult with fitness=8.661842e-01, inlier_rmse=8.759721e-03, and correspondence_set size of 7541
   Access transformation to get result.
   [14, 0.01, 2]
   3-1. Downsample with a voxel size 0.01
   3-2. Estimate normal.
   3-3. Applying colored point cloud registration
   registration::RegistrationResult with fitness=8.437191e-01, inlier_rmse=4.851480e-03, and correspondence_set size of 24737
   Access transformation to get result.
   

使用 voxel_down_sample 创造了三层多分辨率的点云.使用顶点法线估计来计算的法线.核心的配准函数 registration_colored_icp 在每一层从粗糙到精细都有调用.lambda_geometric 是 registration_colored_icp 中可选的参数,用于确定 $(1-\delta )E_c+\delta E_G$ 中的 $\delta \in [0,1]$.
输出的是两组紧密对齐的点云,注意看上面的绿色三角形.

关于翻译大家有更好的意见欢迎评论一起学习！！！

欢迎大家加入知识星球一起学习。