研究生课程系列文章参见索引《在信科的那些课》
基本原理
假定已给两个数据集P、Q, ,给出两个点集的空间变换f使他们能进行空间匹配。这里的问题是,f为一未知函数,而且两点集中的点数不一定相同。解决这个问题使用的最多的方法是迭代最近点法(Iterative Closest Points Algorithm)。
基本思想是:根据某种几何特性对数据进行匹配,并设这些匹配点为假想的对应点,然后根据这种对应关系求解运动参数。再利用这些运动参数对数据进行变换。并利用同一几何特征,确定新的对应关系,重复上述过程。
迭代最近点法目标函数
三维空间中两个3D点,
,他们的欧式距离表示为:
![](https://img-my.csdn.net/uploads/201301/05/1357383601_3355.png)
![](https://img-my.csdn.net/uploads/201301/05/1357383631_9916.png)
三维点云匹配问题的目的是找到P和Q变化的矩阵R和T,对于
,
,利用最小二乘法求解最优解使:
![](https://img-my.csdn.net/uploads/201301/05/1357383726_4889.png)
![](https://img-my.csdn.net/uploads/201301/05/1357383731_1410.png)
![](https://img-my.csdn.net/uploads/201301/05/1357383743_6697.png)
最小时的R和T。
数据预处理
实验中采集了五个面的点如下所示:
![](https://img-my.csdn.net/uploads/201301/05/1357383843_6434.png)
![](https://img-my.csdn.net/uploads/201301/05/1357383872_6592.png)
![](https://img-my.csdn.net/uploads/201301/05/1357383890_4893.png)
平行移动和旋转的分离
先对平移向量T进行初始的估算,具体方法是分别得到点集P和Q的中心:![](https://img-my.csdn.net/uploads/201301/05/1357384032_6686.png)
分别将点集P和Q平移至中心点处:
![](https://img-my.csdn.net/uploads/201301/05/1357384045_1138.png)
则上述最优化目标函数可以转化为:
![](https://img-my.csdn.net/uploads/201301/05/1357384058_4210.png)
最优化问题分解为:
- 求使E最小的
- 求使
//计算点云P的中心点mean
void CalculateMeanPoint3D(vector<Point3D> &P, Point3D &mean)
{
vector<Point3D>::iterator it;
mean.x = 0;
mean.y = 0;
mean.z = 0;
for(it=P.begin(); it!=P.end(); it++){
mean.x += it->x;
mean.y += it->y;
mean.z += it->z;
}
mean.x = mean.x/P.size();
mean.y = mean.y/P.size();
mean.z = mean.z/P.size();
}
初始平移效果如下:
![](https://img-my.csdn.net/uploads/201301/05/1357384246_3212.png)
利用控制点求初始旋转矩阵
在确定对应关系时,所使用的几何特征是空间中位置最近的点。这里,我们甚至不需要两个点集中的所有点。可以指用从某一点集中选取一部分点,一般称这些点为 控制点(Control Points)。这时,配准问题转化为:![](https://img-my.csdn.net/uploads/201301/05/1357384320_2126.png)
在Geomagic Studio中利用三个点就可以进行两个模型的“手动注册”(感觉这里翻译的不好,Registration,应该为“手动匹配”)。
![](https://img-my.csdn.net/uploads/201301/05/1357384566_8982.png)
我们将手动选择的三个点导出,作为实验初始的控制点:
![](https://img-my.csdn.net/uploads/201301/05/1357384588_1900.png)
对于第i对点,计算点对的矩阵 Ai:
,
为
的转置矩阵。
原最优化问题可以转为求B的最小特征值和特征向量,具体代码:
一次旋转计算得到的矩阵如下:
效果在Geomagic Studio中显示如图:
具体为对点集P中每个点,找Q中离他最近的点作为对应点。在某一步利用前一步得到的
,求使下述函数最小的
:
这里,
循环结束后能得到较好的匹配效果:
![](https://img-my.csdn.net/uploads/201301/05/1357384606_3420.png)
![](https://img-my.csdn.net/uploads/201301/05/1357384618_3872.png)
![](https://img-my.csdn.net/uploads/201301/05/1357384625_1464.png)
![](https://img-my.csdn.net/uploads/201301/05/1357384634_1397.png)
(*这里在査老师的课上给了一个错误的矩阵变换公式)
对于每一对矩阵Ai,计算矩阵B:
![](https://img-my.csdn.net/uploads/201301/05/1357384653_1854.png)
double B[16];
for(int i=0;i<16;i++)
B[i]=0;
for(itp=P.begin(),itq=Q.begin();itp!=P.end();itp++,itq++ ){
double divpq[3]={itp->x,itp->y,itp->z};
double addpq[3]={itp->x,itp->y,itp->z};
double q[3]={itq->x,itq->y,itq->z};
MatrixDiv(divpq,q,3,1);
MatrixAdd(addpq,q,3,1);
double A[16];
for(int i=0;i<16;i++)
A[i]=0;
for(int i=0;i<3;i++){
A[i+1]=divpq[i];
A[i*4+4]=divpq[i];
A[i+13]=addpq[i];
}
double AT[16],AMul[16];
MatrixTran(A,AT,4,4);
MatrixMul(A,AT,AMul,4,4,4,4);
MatrixAdd(B,AMul,4,4);
}
原最优化问题可以转为求B的最小特征值和特征向量,具体代码:
//使用奇异值分解计算B的特征值和特征向量
double eigen, qr[4];
MatrixEigen(B, &eigen, qr, 4);
//计算n阶正定阵m的特征值分解:eigen为特征值,q为特征向量
void MatrixEigen(double *m, double *eigen, double *q, int n)
{
double *vec, *eig;
vec = new double[n*n];
eig = new double[n];
CvMat _m = cvMat(n, n, CV_64F, m);
CvMat _vec = cvMat(n, n, CV_64F, vec);
CvMat _eig = cvMat(n, 1, CV_64F, eig);
//使用OpenCV开源库中的矩阵操作求解矩阵特征值和特征向量
cvEigenVV(&_m, &_vec, &_eig);
*eigen = eig[0];
for(int i=0; i<n; i++)
q[i] = vec[i];
delete[] vec;
delete[] eig;
}
//计算旋转矩阵
void CalculateRotation(double *q, double *R)
{
R[0] = q[0]*q[0] + q[1]*q[1] - q[2]*q[2] - q[3]*q[3];
R[1] = 2.0 * (q[1]*q[2] - q[0]*q[3]);
R[2] = 2.0 * (q[1]*q[3] + q[0]*q[2]);
R[3] = 2.0 * (q[1]*q[2] + q[0]*q[3]);
R[4] = q[0]*q[0] - q[1]*q[1] + q[2]*q[2] - q[3]*q[3];
R[5] = 2.0 * (q[2]*q[3] - q[0]*q[1]);
R[6] = 2.0 * (q[1]*q[3] - q[0]*q[2]);
R[7] = 2.0 * (q[2]*q[3] + q[0]*q[1]);
R[8] = q[0]*q[0] - q[1]*q[1] - q[2]*q[2] + q[3]*q[3];
}
平移矩阵计算
2.4中可以得到选择矩阵的4元数表示,由于在 "平行移动和旋转的分离"中,我们将最优问题分解为:- 求使E最小的
- 求使
//通过特征向量计算旋转矩阵R1和平移矩阵T1
CalculateRotation(qr, R1);
double mean_Q[3]={_mean_Q.x,_mean_Q.y,_mean_Q.z};
double mean_P[3]={_mean_P.x,_mean_P.y,_mean_P.z};
double meanT[3]={0,0,0};
int nt=0;
for(itp=P.begin(),itq=Q.begin();itp!=P.end();itp++,itq++ ){
double tmpP[3]={itp->x,itp->y,itp->z};
double tmpQ[3]={itq->x,itq->y,itq->z};
double tmpMul[3];
MatrixMul(R1, mean_P, tmpMul, 3, 3, 3, 1);
MatrixDiv(tmpQ,tmpMul,3,1);
MatrixAdd(meanT,tmpQ,3,1);
nt++;
}
for(int i=0; i<3; i++)
T1[i] = meanT[i]/(double)(nt);
一次旋转计算得到的矩阵如下:
![](https://img-my.csdn.net/uploads/201301/05/1357384914_5886.png)
效果在Geomagic Studio中显示如图:
![](https://img-my.csdn.net/uploads/201301/05/1357384923_1365.png)
迭代最近点
在初始匹配之后,所点集P`中所有点做平移变化,在比较点集合P`和Q`的匹配度,(或迭代次数)作为算法终止的条件。具体为对点集P中每个点,找Q中离他最近的点作为对应点。在某一步利用前一步得到的
![](https://img-my.csdn.net/uploads/201301/05/1357385043_8249.png)
![](https://img-my.csdn.net/uploads/201301/05/1357385051_5731.png)
![](https://img-my.csdn.net/uploads/201301/05/1357385058_6593.png)
![](https://img-my.csdn.net/uploads/201301/05/1357385068_9553.png)
//计算误差和d
d = 0.0;
if(round==1){
FindClosestPointSet(data,P,Q);
}
int pcount=0;
for(itp = P.begin(),itq=Q.begin();itp!=P.end(); itp++, itq++){
double sum = (itp->x - itq->x)*(itp->x - itq->x) + (itp->y - itq->y)*(itp->y - itq->y)
+ (itp->z - itq->z)*(itp->z - itq->z);
d += sum;
pcount++;
}
d=d/(double)(pcount);
循环结束后能得到较好的匹配效果:
![](https://img-my.csdn.net/uploads/201301/05/1357385119_8383.png)
封装后的效果图:
![](https://img-my.csdn.net/uploads/201301/05/1357385152_7995.png)