ICP算法及其变种

1. 三维点云配准 -- ICP 算法原理及推导

from https://zhuanlan.zhihu.com/p/104735380

目的： 求解两堆点云之间的变换关系，即R和 t

问题描述：实质是基于最小二乘法的最优匹配

过程：

（1）初始化R和 t ：PCL给的SampleConsensusInitalAlignment函数以及TransformationEstimationSVD函数都可以得到较好的初始估计。

（2）迭代 ：根据R和 t， 将source point cloud （pcS） 变换为pcS'， 然后与tagert point cloud  （pcT）进行配对（欧式距离找最近点的点配对）。每一对的坐标列一个方程，就得到一系列的方程。然后就求解最优的R和t最小化上面的误差。如此循环往复。

优化方法：异值分解法（SVD）、四元数方法等。

缺点：

1. 配对是搜索过程计算量大。

2. 认为欧氏距离最近的点就是对应点，这种假设存在不合理之处。

2. ICP 算法及变种：point-to-point的，point-to-plane的以及plane-to-plane

https://blog.csdn.net/aidem_brown/article/details/81315510

https://blog.csdn.net/xuershuai/article/details/117507754

考虑两个点集 面距离，方向量的关系

2.1 point-to-plane：

经典ICP中，求和的每一项是pcS中的每一个点到pcT中的每一个点的距离,也就是point-to-point；

point-to-plane则是pcS中的每一个点到pcT中平面的距离，误差函数定义为：

2.2 plane-to-plane

。。。

3. 对应点匹配

3.1 基于点的匹配

在点空间中配对。

可以选用所有点或者它的子集作为关键点，PCL中提供的关键点算法如NARF，SIFT，FAST。

3.2 基于特征的匹配

转换到特征空间中配对。

根据选取的关键点生成特征描述。把有用信息集合在向量里。

3.2.1点特征

• NARF
• FPFH
• BRIEF
• SIFT
• ...

3.2.2 基于线特征

• "Algorithms for Matching 3D Line Sets."
• "Line segment-based approach for accuracy assessment of MLS point clouds in urban areas.“
• Poreba, M. and F. Goulette (2015). "A robust linear feature-based procedure for automated registration of point clouds." Sensors (Basel) 15(1): 1435-1457.

3.3 Correspondences estimation

• brute force matching（强制匹配）,
• kd-tree nearest neighbor search (FLANN)（kd树最近邻搜索）,
• searching in the image space of organized data（在图像空间搜索有组织的数据）, 
• searching in the index space of organized data（按索引搜索有组织的数据）.

3.4 Correspondences rejection（剔除错误估计）

 RANSAC

3.5 Transformation estimation（最后一步，计算变换）