ICP算法主要用于点云精配准，精度很高，但是相应的缺点就是迭代过程中容易陷入局部极值。具体的ICP算法推导过程很多书上都有，就不再详述了，此次仿真用的是SVD分解的方法。
%%% icp.m
clear;
close all;
clc;
data_source=load('satellite.txt');
data_source=data_source';
theta=4; %旋转角度（此处只有绕z轴旋转）
t=[2,1.6,7]; %平移向量
[data_target,T0]=rotate(data_source,theta,t);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%绘制两幅原始图像
x1=data_source(1,:);
y1=data_source(2,:);
z1=data_source(3,:);
x2=data_target(1,:);
y2=data_target(2,:);
z2=data_target(3,:);
figure;
scatter3(x1,y1,z1,'b');
hold on;
scatter3(x2,y2,z2,'r');
hold off;
T_final=eye(4,4); %旋转矩阵初始值
iteration=0;
Rf=T_final(1:3,1:3);
Tf=T_final(1:3,4);
data_target=Rf*data_target+Tf*ones(1,size(data_target,2)); %初次更新点集（代表粗配准结果）
err=1;
while(err>0.001)
iteration=iteration+1; %迭代次数
disp(['迭代次数ieration=',num2str(iteration)]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%利用欧式距离找出对应点集
k=size(data_target,2);
for i = 1:k
data_q1(1,:) = data_source(1,:) - data_target(1,i); % 两个点集中的点x坐标之差
data_q1(2,:) = data_source(2,:) - data_target(2,i); % 两个点集中的点y坐标之差
data_q1(3,:) = data_source(3,:) - data_target(3,i); % 两个点集中的点z坐标之差
distance = data_q1(1,:).^2 + data_q1(2,:).^2 + data_q1(3,:).^2; % 欧氏距离
[min_dis, min_index] = min(distance); % 找到距离最小的那个点
data_mid(:,i) = data_source(:,min_index); % 将那个点保存为对应点
error(i) = min_dis; % 保存距离差值
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%去中心化
data_target_mean=mean(data_target,2);
data_mid_mean=mean(data_mid,2);
data_target_c=data_target-data_target_mean*ones(1,size(data_target,2));
data_mid_c=data_mid-data_mid_mean*ones(1,size(data_mid,2));
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%SVD分解
W=zeros(3,3);
for j=1:size(data_target_c,2)
W=W+data_mid_c(:,j)*data_target_c(:,j)';
end
[U,S,V]=svd(W);
Rf=U*V';
Tf=data_mid_mean-Rf*data_target_mean;
err=mean(error);
T_t=[Rf,Tf];
T_t=[T_t;0,0,0,1];
T_final=T_t*T_final; %更新旋转矩阵
disp(['误差err=',num2str(err)]);
disp('旋转矩阵T=');
disp(T_final);
data_target=Rf*data_target+Tf*ones(1,size(data_target,2)); %更新点集
if iteration>=200
break
end
end
disp(inv(T0)); %旋转矩阵真值
x1=data_source(1,:);
y1=data_source(2,:);
z1=data_source(3,:);
x2=data_target(1,:);
y2=data_target(2,:);
z2=data_target(3,:);
figure;
scatter3(x1,y1,z1,'b');
hold on;
scatter3(x2,y2,z2,'r');
hold off;
%% rotate.m
function [data_q,T] = rotate(data,theta,t)
theta=-theta/180*pi;
T=[cos(theta),sin(theta),0,t(1);
-sin(theta),cos(theta),0,t(2);
0,0,1,t(3);
0,0,0,1]; %旋转矩阵
rows=size(data,2);
rows_one=ones(1,rows);
data=[data;rows_one]; %化为齐次坐标
data_q=T*data;
data_q=data_q(1:3,:); %返回三维坐标
仿真结果（配准前和配准后）：
旋转矩阵（真值和配准结果）
上面是比较好的配准结果，下面来一组局部极值的情况。
仿真结果（配准前和配准后）：
旋转矩阵（真值和配准结果）
从上面两组仿真结果可以明显看到，ICP算法在一定情况下精度很高，很适合用来精配准，但是缺点在于需要很好的迭代初值，这个直接关系到配准结果的准确性，因此ICP最好不要单独使用，应该在该算法之前进行粗配准（该方法很多，比如利用特征点等）。另外，由于不知道两堆点云的点对对应关系，在此使用的是寻找最近点的方法，该方法最大的不足时运算量很大，因此如果在C++中使用，可以考虑采用KD-tree的存储方法提高搜索效率或者想办法进行高效率点云配对。
图像配准是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像，例如图像会来自不同的采集设备，取自不同的时间，不同的拍摄视角等等，有时也需要用到针对不同对象的图像配准问题。具体地说，对于一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两图中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。 一个经典的应用是场景的重建，比如说一张茶几上摆了很多杯具，用深度摄像机进行场景的扫描，通常不可能通过一次采集就将场景中的物体全部扫描完成，只能是获取场景不同角度的点云，然后将这些点云融合在一起，获得一个完整的场景。
ICP（Iterative Closest Point迭代最近点）算法是一种点集对点集配准方法。如下图所示，PR（红色点云）和RB（蓝色点云）是两个点集，该算法就是计算怎么把PB平移旋转，使PB和PR尽量重叠。
用数学语言描述如下，即ICP算法的实质是基于最小二乘法的最优匹配，它重复进行“确定对应关系的点集→计算最优刚体变换”的过程，直到某个表示正确匹配的收敛准则得到满足。
如果知道正确的点对应，那么两个点集之间的相对变换（旋转、平移）就可以求得封闭解。
首先计算两个点集X和P的质心，分别为μx和μp
然后在两个点集中分别减去对应的质心（Subtract the corresponding center of mass from every point in the two point sets before calculating the transformation）
目标函数E(R,t)的优化是ICP算法的最后一个阶段。在求得目标函数后，采用什么样的方法来使其收敛到最小，也是一个比较重要的问题。求解方法有基于奇异值分解的方法、四元数方法等。
如果初始点“足够近”，可以保证收敛性
ICP算法优点：
可以获得非常精确的配准效果
不必对处理的点集进行分割和特征提取
在较好的初值情况下，可以得到很好的算法收敛性
ICP算法的不足之处：
在搜索对应点的过程中，计算量非常大，这是传统ICP算法的瓶颈
标准ICP算法中寻找对应点时，认为欧氏距离最近的点就是对应点。这种假设有不合理之处，会产生一定数量的错误对应点
针对标准ICP算法的不足之处，许多研究者提出ICP算法的各种改进版本，主要涉及如下所示的6个方面。
标准ICP算法中，选用点集中所有的点来计算对应点，通常用于配准的点集元素数量都是非常巨大的，通过这些点集来计算，所消耗的时间很长。在后来的研究中，提出了各种方法来选择配准元素，这些方法的主要目的都是为了减小点集元素的数目，即如何选用最少的点来表征原始点集的全部特征信息。在点集选取时可以：1.选取所有点；2.均匀采样（Uniform sub-sampling ）；3.随机采样（Random sampling）；4.按特征采样（Feature based Sampling ）；5.法向空间均匀采样（Normal-space sampling），如下图所示，法向采样保证了法向上的连续性（Ensure that samples have normals distributed as uniformly as possible）
基于特征的采样使用一些具有明显特征的点集来进行配准，大量减少了对应点的数目。
点集匹配上有：最近邻点（Closet Point）
法方向最近邻点（Normal Shooting）
投影法（Projection）
import numpy as np
def best_fit_transform(A, B):
‘’’
Calculates the least-squares best-fit transform between corresponding 3D points A->B
Input:
A: Nx3 numpy array of corresponding 3D points
B: Nx3 numpy array of corresponding 3D points
Returns:
T: 4x4 homogeneous transformation matrix
R: 3x3 rotation matrix
t: 3x1 column vector
‘’’
assert len(A) == len(B)
# translate points to their centroids
centroid_A = np.mean(A, axis=0)
centroid_B = np.mean(B, axis=0)
AA = A - centroid_A
BB = B - centroid_B
# rotation matrix
W = np.dot(BB.T, AA)
U, s, VT = np.linalg.svd(W)
R = np.dot(U, VT)
# special reflection case
if np.linalg.det(R) < 0:
VT[2,:] *= -1
R = np.dot(U, VT)
# translation
t = centroid_B.T - np.dot(R,centroid_A.T)
# homogeneous transformation
T = np.identity(4)
T[0:3, 0:3] = R
T[0:3, 3] = t
return T, R, t
def nearest_neighbor(src, dst):
‘’’
Find the nearest (Euclidean) neighbor in dst for each point in src
Input:
src: Nx3 array of points
dst: Nx3 array of points
Output:
distances: Euclidean distances (errors) of the nearest neighbor
indecies: dst indecies of the nearest neighbor
‘’’
indecies = np.zeros(src.shape[0], dtype=np.int)
distances = np.zeros(src.shape[0])
for i, s in enumerate(src):
min_dist = np.inf
for j, d in enumerate(dst):
dist = np.linalg.norm(s-d)
if dist < min_dist:
min_dist = dist
indecies[i] = j
distances[i] = dist
return distances, indecies
def icp(A, B, init_pose=None, max_iterations=50, tolerance=0.001):
‘’’
The Iterative Closest Point method
Input:
A: Nx3 numpy array of source 3D points
B: Nx3 numpy array of destination 3D point
init_pose: 4x4 homogeneous transformation
max_iterations: exit algorithm after max_iterations
tolerance: convergence criteria
Output:
T: final homogeneous transformation
distances: Euclidean distances (errors) of the nearest neighbor
# make points homogeneous, copy them so as to maintain the originals
src = np.ones((4,A.shape[0]))
dst = np.ones((4,B.shape[0]))
src[0:3,:] = np.copy(A.T)
dst[0:3,:] = np.copy(B.T)
# apply the initial pose estimation
if init_pose is not None:
src = np.dot(init_pose, src)
prev_error = 0
for i in range(max_iterations):
# find the nearest neighbours between the current source and destination points
distances, indices = nearest_neighbor(src[0:3,:].T, dst[0:3,:].T)
# compute the transformation between the current source and nearest destination points
T,_,_ = best_fit_transform(src[0:3,:].T, dst[0:3,indices].T)
# update the current source
# refer to "Introduction to Robotics" Chapter2 P28. Spatial description and transformations
src = np.dot(T, src)
# check error
mean_error = np.sum(distances) / distances.size
if abs(prev_error-mean_error) < tolerance:
break
prev_error = mean_error
# calculcate final tranformation
T,_,_ = best_fit_transform(A, src[0:3,:].T)
return T, distances
if __name__ == "__main__":
A = np.random.randint(0,101,(20,3)) # 20 points for test
rotz = lambda theta: np.array([[np.cos(theta),-np.sin(theta),0],
[np.sin(theta),np.cos(theta),0],
[0,0,1]])
trans = np.array([2.12,-0.2,1.3])
B = A.dot(rotz(np.pi/4).T) + trans
T, distances = icp(A, B)
np.set_printoptions(precision=3,suppress=True)
print T
‘’’
上面代码创建一个源点集A（在0-100的整数范围内随机生成20个3维数据点），然后将A绕Z轴旋转45°并沿XYZ轴分别移动一小段距离，得到点集B。结果如下，可以看出ICP算法正确的计算出了变换矩阵。
1.首先需要明确公式里的变换是T（P→X）， 即通过旋转和平移把点集P变换到X。我们这里求的变换是T（A→B），要搞清楚对应关系。
2.本例只用了20个点进行测试，ICP算法在求最近邻点的过程中需要计算20×20次距离并比较大小。如果点的数目巨大，那算法的效率将非常低。
3.两个点集的初始相对位置对算法的收敛性有一定影响，最好在“足够近”的条件下进行ICP配准。
ICP算法推导
常用的求解 R 和 t 的方法有：
SVD
非线性优化
非线性优化的描述比较繁琐，下面只介绍SVD方法。为了后面能使用SVD，我们需要在数学上做一点小小的变形。首先定义两组点云的质心（center of mass）为
并作出如下处理：
参考文献：ICP算法
1722
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
