VLP-16第四课: 3D点云的配准方法

最新推荐文章于 2024-09-20 00:17:34 发布

爱发呆de白菜头

最新推荐文章于 2024-09-20 00:17:34 发布

阅读量1.6k

点赞数 1

分类专栏： VLP-16 学习文章标签：点云配准

本文链接：https://blog.csdn.net/qq_29797957/article/details/103483469

版权

VLP-16 学习专栏收录该内容

4 篇文章 7 订阅

订阅专栏

额外拓展记录: IMU的滤波手段: AHRS + Mahony

IMU+Visual融合: https://github.com/ygling2008/direct_edge_imu

1. 点云开源匹配算法

其他众多点云配准算法

  “常用的点云配准算法”
  1. 正态分布变换方法  NDT  正态分布变换进行配准（normal Distributions Transform） 
  2. 和著名的 迭代最近点 Iterative Closest Point （ICP） 点云配准
  
  “其他的配准算法”
  
  1.ICP：稳健ICP、point to plane ICP、point to line ICP、MBICP、GICP 
  2.NDT: NDT 3D、Multil-Layer NDT
  3.FPCS、KFPSC、SAC-IA
  4.Line Segment Matching、ICL

2. 点云配准ICP算法–原理简介

点云配准的基本流程

1.识别最能代表两个数据集中场景中的兴趣点（关键点）；

2.在每个关键点处，计算特征描述符（如FPFH）；

关键点 keypoints(NARF, SIFT 、FAST、均匀采样 UniformSampling)、
       特征描述符　descriptions，NARF、 FPFH、BRIEF 、SIFT、ORB )

3.从特征描述符集合以及他们在两个数据集中的x,y,z位置，基于特征和位置之间的相似性来估计对应关系；

4.假设数据是包含噪声的，即不是所有的对应关系都是有效的，所以舍弃对配准过程产生负面影响的那些对应关系；

可以采用随机采样一致性估计，或者其他方法剔除错误的对应关系

5.从剩下的一组好的对应关系中，估计一个变换行为。

`变换矩阵的估算步骤`
  1. 在对应关系的基础上评估一些错误的度量标准
  2. 在摄像机位姿（运动估算）和最小化错误度量标准下估算一个刚体变换(  rigid  transformation )
  3. 优化点的结构  (SVD奇异值分解 运动估计;使用Levenberg-Marquardt 优化 运动估计;)
  4. 使用刚体变换把源旋转/平移到与目标所在的同一坐标系下，用所有点，点的一个子集或者关键点运算一个内部的ICP循环
  5. 进行迭代，直到符合收敛性判断标准为止。

点云配准的核心术语

**特征描述: ** 点云基于发现的关键点，提取特征组合信息并生成向量来进行比较（PCL有专门的模块讲述点云特征）

Feature based registration 配准
    1. SIFT 关键点 (pcl::SIFT…something)
    2. FPFH 特征描述符  (pcl::FPFHEstimation)  
    3. 估计对应关系 (pcl::CorrespondenceEstimation)
    4. 错误对应关系的去除( pcl::CorrespondenceRejectionXXX )  
    5. 坐标变换的求解

一致性估计： 给定两组数据获取的特征描述向量，找到相应的特征以在数据中找到重叠的部分；

ICP的迭代过程

1.对于目标点云中的每个点，匹配参考点云（或选定集合）中的最近点。

2.求得使上述对应点对计算均方根（root mean square，RMS）最小的刚体变换，求得平移参数和旋转参数。

3.使用获得的转换矩阵来转换目标点云。

4.迭代（重新关联点），直到满足终止迭代的条件（迭代次数或误差小于阈值）。这里的误差最小，可以是相邻两次均方根差的绝对值小于某一限差。

使用点匹配（XYZ）时， ICP配准，针对有序点云和无序点云具有不同的策略：

  1. 穷举配准（brute force matching）;
  2. kd树最近邻查询（FLANN）;
  3. 在有序点云数据的图像空间中查找;
  4. 在无序点云数据的索引空间中查找.

特征描述符匹配（如FPFH）：

  1. 穷举配准（brute force matching）;
  2. kd树最近邻查询（FLANN）。


	ICP迭代最近点算法 pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;

	  pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
	     //创建IterativeClosestPoint的对象
	  icp.setInputCloud(cloud_in);                 //cloud_in设置为点云的源点
	  icp.setInputTarget(cloud_out);               //cloud_out设置为与cloud_in对应的匹配目标
	  pcl::PointCloud<pcl::PointXYZ> Final;        //存储经过配准变换点云后的点云
	  icp.align(Final);  
	
	结果：
	  icp.hasConverged()
	  icp.getFitnessScore()
	  icp.getFinalTransformation()