Open3D点云库 C++学习笔记

已于 2022-04-07 19:09:18 修改
阅读量4k 收藏 24
点赞数 5
分类专栏： Open3D点云库C++学习笔记 文章标签： c++ 3d
于 2022-03-26 22:26:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lt13451105345/article/details/123763403
版权

配准篇（二）

文章目录

前言

点云配准的方法主要可以分为两类，一类是全局(粗)配准方法，另一类为局部配准方法。
一般情况下，在对两幅点云进行配准时，如果点云之间的初始位姿差别比较大，就需要先使用全局配准方法，将两幅点云移动到一个比较接近的位置和姿态，然后再使用局部配准的方法进行精准匹配。如果直接使用局部配准的方法容易陷入局部最优解，使配准发生错误。只有在两幅点云的初始位姿已经非常接近的时候，可以直接使用局部配准的方法完成两幅点云的配准。
ICP（迭代最近点）配准算法是一种最为常见的局部配准算法，因此本文主要展示了三种不同类型的 ICP 配准算法，其中包括：点对点 ICP 、点对面 ICP [Rusinkiewicz2001]和融合了颜色信息的 Colored ICP算法[Park2017]。

一、点到点 ICP

在这里插入图片描述

此方法通过直接搜索一片点云中的点在另一片点云中的最近点来确定对应点集。这种以最近点为标准的方法虽然计算简便直观,但其所确立的对应点集中存在大量错误对应点对,算法迭代容易陷入局部极值。

点到点ICP代码如下：

int main(int argc, char *argv[]) {
    using namespace open3d;

    // Prepare input
    std::shared_ptr<geometry::PointCloud> source =
            open3d::io::CreatePointCloudFromFile("../data/fragment.ply");
    std::shared_ptr<geometry::PointCloud> target =
            open3d::io::CreatePointCloudFromFile("../data/fragment2.ply");
    if (source == nullptr || target == nullptr) {
        utility::LogWarning("Unable to load source or target file.");
        return -1;
    }

    visualization::DrawGeometries({source, target},
                                  "initial state");

    std::vector<double> voxel_sizes = {0.05, 0.05 / 4}; //下采样体素栅格的边长
    std::vector<int> iterations = {50, 14}; //最大迭代次数
    Eigen::Matrix4d trans_point2point= Eigen::Matrix4d::Identity();
    for (int i = 0; i < 2; ++i) {
        float voxel_size = voxel_sizes[i];
        auto source_down = source->VoxelDownSample(voxel_size);
        source_down->EstimateNormals(open3d::geometry::KDTreeSearchParamHybrid(
                voxel_size * 2.0, 30));

        auto target_down = target->VoxelDownSample(voxel_size);
        target_down->EstimateNormals(open3d::geometry::KDTreeSearchParamHybrid(
                voxel_size * 2.0, 30));

        double max_correspondence_distance=0.07;  //对应点对的最大距离，这个值对于结果影响很大

        auto result_point2point = pipelines::registration::RegistrationICP( //点到点的ICP
                *source_down, *target_down, max_correspondence_distance, trans_point2point,
                pipelines::registration::
                        TransformationEstimationPointToPoint(),
                pipelines::registration::ICPConvergenceCriteria(1e-6, 1e-6,
                                                                iterations[i]));

        trans_point2point = result_point2point.transformation_;

        cout<<"匹配方式：点对点"<<" "<<"inlier_rmse:"<<result_point2point.inlier_rmse_<<endl;
        VisualizeRegistration(*source, *target, trans_point2point); //显示配准结果
    }
      return 0;
}

max_correspondence_distance为对应点对的最大距离，这个值对于结果影响很大。如果设置太大容易搜索到错误的对应点，如果设置太小又容易搜索不到对应点。

两片点云的初始位置：

在这里插入图片描述

点到点ICP配准结果：

在这里插入图片描述
点对点方案输出结果：inlier_rmse:0.0229718，这个值越小说明效果越好。

二、点到面 ICP

在这里插入图片描述
点到面ICP将点点间的距离用点到面间的距离来代替,迭代次数少,且不易陷入局部极值。应用最为广泛的点到面算法为点到切平面算法。

点到面ICP代码如下：

int main(int argc, char *argv[]) {
    using namespace open3d;

    // Prepare input
    std::shared_ptr<geometry::PointCloud> source =
            open3d::io::CreatePointCloudFromFile("../data/fragment.ply");
    std::shared_ptr<geometry::PointCloud> target =
            open3d::io::CreatePointCloudFromFile("../data/fragment2.ply");
    if (source == nullptr || target == nullptr) {
        utility::LogWarning("Unable to load source or target file.");
        return -1;
    }

    visualization::DrawGeometries({source, target},
                                  "initial state");

    std::vector<double> voxel_sizes = {0.05, 0.05 / 4}; //下采样体素栅格的边长
    std::vector<int> iterations = {50, 14}; //最大迭代次数
    Eigen::Matrix4d trans_point2plane = Eigen::Matrix4d::Identity();
    for (int i = 0; i < 2; ++i) {
        float voxel_size = voxel_sizes[i];

        auto source_down = source->VoxelDownSample(voxel_size);
        source_down->EstimateNormals(open3d::geometry::KDTreeSearchParamHybrid(
                voxel_size * 2.0, 30));

        auto target_down = target->VoxelDownSample(voxel_size);
        target_down->EstimateNormals(open3d::geometry::KDTreeSearchParamHybrid(
                voxel_size * 2.0, 30));

        double max_correspondence_distance=0.07;  //对应点对的最大距离，这个值对于结果影响很大
        auto result_point2plane = pipelines::registration::RegistrationICP( //点到面的ICP
                *source_down, *target_down, max_correspondence_distance, trans_point2plane,
                pipelines::registration::
                        TransformationEstimationPointToPlane(),
                pipelines::registration::ICPConvergenceCriteria(1e-6, 1e-6,
                                                                iterations[i]));

        trans_point2plane = result_point2plane.transformation_;

        cout<<"匹配方式：点对面"<<" "<<"inlier_rmse:"<<result_point2plane.inlier_rmse_<<endl;;
        VisualizeRegistration(*source, *target, trans_point2plane); //显示配准结果
    }
      return 0;
}

点到面ICP配准结果：

在这里插入图片描述
点对面方案输出结果：inlier_rmse:0.0145821，比点到点ICP的配准效果更好。

三、Colored ICP算法

Colored ICP算法是融合了颜色信息的ICP改进算法，彩色点云配准算法的核心函数是RegistrationColoredICP( )。在[Park2017]一文中有具体的流程和原理的讲述，其主要思想就是在原本点到点ICP的基础上融合了颜色信息来加以联合优化，在不同的场景下赋予几何信息和颜色信息不同的优化权重，以达到最优的配准效果。简单来说，就是使用颜色信息来辅助配准，因此这种算法也只有在待配准点云之间的颜色信息差别很小时，能发挥较大的优势。为了进一步提高效率，[Park2017]还提出了多尺度的配准方案。

Colored ICP配准算法程序：

int main(int argc, char *argv[]) {
    using namespace open3d;

    // Prepare input
    std::shared_ptr<geometry::PointCloud> source =
            open3d::io::CreatePointCloudFromFile("../data/frag_115.ply");
    std::shared_ptr<geometry::PointCloud> target =
            open3d::io::CreatePointCloudFromFile("../data/frag_116.ply");
    if (source == nullptr || target == nullptr) {
        utility::LogWarning("Unable to load source or target file.");
        return -1;
    }
    visualization::DrawGeometries({source, target},"initial state");

    std::vector<double> voxel_sizes = {0.05, 0.05 / 4};
    std::vector<int> iterations = {50,14};
    Eigen::Matrix4d trans = Eigen::Matrix4d::Identity();
    for (int i = 0; i < 2; ++i) {
        float voxel_size = voxel_sizes[i];

        auto source_down = source->VoxelDownSample(voxel_size);
        source_down->EstimateNormals(open3d::geometry::KDTreeSearchParamHybrid(
                voxel_size * 2.0, 30));

        auto target_down = target->VoxelDownSample(voxel_size);
        target_down->EstimateNormals(open3d::geometry::KDTreeSearchParamHybrid(
                voxel_size * 2.0, 30));


        auto result = pipelines::registration::RegistrationColoredICP(
                *source_down, *target_down, 0.07, trans,
                pipelines::registration::
                        TransformationEstimationForColoredICP(),
                pipelines::registration::ICPConvergenceCriteria(1e-6, 1e-6,
                                                                iterations[i]));
        trans = result.transformation_;

            VisualizeRegistration(*source, *target, trans);
            std::cout<<"匹配方式：Colored_ICP"<<" "<<"inlier_rmse:"<<result.inlier_rmse_<<std::endl;
    }
    std::stringstream ss;
    ss << trans;
    utility::LogInfo("Final transformation = \n{}", ss.str());

    return 0;
}

两片点云的初始位置：

在这里插入图片描述

点对面ICP配准结果：

在这里插入图片描述

点对点ICP配准结果：

在这里插入图片描述

Colored_ICP配准结果：

在这里插入图片描述
从三种方法的配准结果对比可以发现，只有Colored_ICP算法的配准效果比较好，因为基于点到点和点到面的ICP只有几何信息约束，不能防止两个平面之间的滑动，因此只有加入颜色信息进行辅助配准才能达到比较好的配准效果。

四、参考资料

https://github.com/isl-org/Open3D/releases/tag/v0.15.0
http://www.open3d.org/docs/latest/tutorial/pipelines/icp_registration.html
http://www.open3d.org/docs/latest/tutorial/pipelines/colored_pointcloud_registration.html

总结

以上就是配准篇（二）的全部内容，完整的可执行代码可以在我的github仓库进行下载，文章会持续更新，如果文章中有写的不对的地方，希望大家可以在评论区进行批评和指正，大家一起交流，共同进步！

猫大的救赎计划
关注
  • 5
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
Open3D(C++) 四元数奇异值分解
点云侠的博客
08-18 411
四元数奇异值分解的C++版本Open3D代码实现。
Open3D(C++)点云处理算法汇总(C++长期更新版)
热门推荐
点云侠的博客
07-31 1万+
C++版本Open3D进行点云处理的一些算法使用案例。博客长期更新，最近一次更新时间为：2024年7月6日。
Open3D C++系列教程 （一）环境搭建
qq_31254435的博客
04-16 1892
仅以此系列教程，纪念我被Open3D C++折磨的历程。此系列主要介绍如何使用Open3D C++的GUI模块快速创建一个应用程序。 这是系列的第一部分，介绍了如何配置和测试Open3D环境是否正确安装。
基于OpenCV的双目立体匹配三维重建点云C++工程及操作步骤详解，利用OpenCV进行双目立体匹配三维重建点云的C++实现及详解
最新发布
zHQsWInFQk的博客
06-18 426
Reconstuction3d.cpp是程序的主函数，cvFuncs.cpp包含了特征点三维重建的算法，包括SIFT、SURF、FAST等算法，而cvFuncs2.cpp则是视差图三维重建的算法，包含BM、SGBM等算法可选择。%散点图[X,Y,Z]=griddata(x,y,z,linspace(min(x),max(x))’,linspace(min(y),max(y)),‘v4’);文章给出了两种显示方法，一种是点显示，另一种是面显示，通过输入相应的MATLAB代码即可实现。
基于点云库pcl的C++ 开发
10-30
pcl技术开发 vtk界面开发，以及pcl 32位安装程序，对励志于pcl开发的人有帮助
《Open3D点云库 C++学习笔记 》
lt13451105345的博客
03-25 2741
几何篇（一） 一、前言 二、主要内容 1.点云的读入、储存和可视化 2.点云的下采样 一、前言 本章节将主要介绍点云的读入、储存、可视化操作以及点云的下采样操作。 二、主要内容 1.点云的读入、储存和可视化 这一小节主要讲解了点云的读取、可视化以及保存操作。 (ps：可视化窗口中可以使用“+”和“-”来调节点云单个点元的大小) 代码如下（示例）： #include <Eigen/Dense> #include <iostream> #include <string&g
Open3D(C++) 读取bin格式点云并可视化
点云侠的博客
12-06 1240
bin格式点云读取的C++版本Open3D 代码实现。
Open3D点云库测试数据汇总（包含Open3D彩色点云配准测试数据）
10-30
Open3D由清华大学开发，是一个C++和Python接口的库，旨在提供三维数据处理的高级功能，如点云的读写、转换、滤波、分割、配准、可视化以及深度学习模块。它支持多种格式的数据输入，如PLY、OBJ、PCD等，并且能够...
Open3D c++3D视觉库
06-13
Open3D是一个强大的C++库，专为3D视觉领域设计，它提供了丰富的功能，用于3D数据的处理、分析和可视化。与2D图像处理库如OpenCV类似，Open3D致力于解决3D空间中的问题，为研究人员和开发者提供了一个高效、灵活的...
Ubuntu 18.04 安装Open3D C++版本
05-09
Open3D是一个开源的C++库，它提供了对3D数据的强大支持，包括点云处理、几何建模、可视化和深度学习。以下是详细的安装步骤及注意事项： 首先，确保系统已经更新到最新状态，以便获取最新的软件包和依赖项： ```...
arm64环境下的open3d动态库
08-17
Open3D是一个开源的C++库，专注于3D数据的处理和可视化。在ARM64架构的系统上，如Ubuntu的ARM版本，Open3D提供了对3D点云数据的强大支持。本文将深入探讨在ARM64环境下如何利用编译好的Open3D动态库进行3D点云处理，...
python open3d pyqt的点云开发
01-29
在Python编程领域，结合Open3D库和PyQt5框架可以创建强大的3D可视化应用程序，特别是在处理点云数据时。本文将深入探讨如何利用这两者进行点云开发，包括核心概念、步骤以及如何将Open3D窗口嵌入PyQt5界面。 首先，...
三维点云机器学习检测定位圆心，拟合轴线（基于open3d和python）对应点云数据
06-15
三维点云机器学习检测定位圆心，拟合轴线（基于open3d和python）对应点云数据，可直接open3d读取，点云颜色为全白，包含xyzrgb
linux x64环境open3d动态库
08-17
在Linux x64环境下，Open3D是一个强大的开源库，用于3D数据处理、可视化和机器学习。这个库被设计为研究者和开发者提供高效、直观的接口来处理三维几何数据。Open3D支持多种3D数据格式，包括点云、多边形网格和体素...
Open3D编译库（VS2019）
10-09
Open3D是一个开源的C++库，专注于3D数据处理和可视化。它提供了一套强大的工具，用于构建、操作和可视化三维几何数据。这个库特别适用于进行3D点云处理、三维重建、几何分析和机器学习任务。在VS2019环境下编译Open...
C++ +Win10 +VS2022 配置点云库 PCL 1.13.0（仅配debug模式，参考多位博主）
wubofana的博客
09-21 2846
在Win10+VS2022环境下配置PCL1.13.0，一些新得，避免踩坑。
Open3D(C++) GICP算法实现点云精配准
点云侠的博客
08-21 1738
C++版本Open3D实现GICP算法点云精配准
Open3D(C++) 点云配准——可视化匹配点对之间的连线
点云侠的博客
09-07 1314
可视化源点云和目标点云中匹配点对之间的连线，这对于配准，尤其是粗配准阶段，查看错误匹配关系很有帮助。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

猫大的救赎计划

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值