Open3D(C++)计算点云配准的精度和重叠度

点云侠

已于 2022-09-14 06:59:48 修改

阅读量1k

点赞数

分类专栏： Open3D学习文章标签： c++ 开发语言算法 3d 计算机视觉

于 2022-08-24 06:07:46 首次发布

本文链接：https://blog.csdn.net/qq_36686437/article/details/126395224

版权

Open3D学习专栏收录该内容

188 篇文章 825 订阅 ¥19.90 ¥99.00

订阅专栏

配准评估

一、算法原理
二、代码实现
三、结果展示

一、算法原理

1、原理概述

点云配准精度采用的是均方根误差RMSE，均方根误差越小表示配准精度越高；重叠度即计算最近邻点对占所有点的比例，重叠度越大表示配准效果越好。具体计算过过程见算法源码。

2、算法源码

static RegistrationResult GetRegistrationResultAndCorrespondences(
        const geometry::PointCloud &source,
        const geometry::PointCloud &target,
        const geometry::KDTreeFlann

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

点云侠

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
1
评论
Open3D(C++)计算点云配准的精度和重叠度

点云配准精度采用的是均方根误差RMSE，均方根误差越小表示配准精度越高；重叠度即计算最近邻点对占所有点的比例，重叠度越大表示配准效果越好。具体计算过过程见算法源码。
复制链接

扫一扫

专栏目录

订阅专栏

点云重叠区域检测

qq_48694523的博客

12-01

586

对需要进行精配准的点云，往往可能只存在部分重叠区域，使用全局配准会浪费较多计算力，因此需要在进行重叠区域检测的基础上再进行配准，可增加计算效率

Open3D 计算点云配准的精度和重叠度

点云侠的博客

08-22

3715

点云配准精度采用的是均方根误差RMSE，均方根误差越小表示配准精度越高；重叠度即计算最近邻点对占所有点的比例，重叠度越大表示配准效果越好。具体计算过过程见算法源码。

1 条评论您还未登录，请先登录后发表或查看评论

2024年C C++最全点云处理基础操作_点云处理过程，2024年最新C C++组件化架构实践

最新发布

2401_84976110的博客

05-13

606

/把cloud复制给newcloud（然后就可以直接用newcloud了，里面就有相应点的坐标了，相当于把指针赋值了吧）注意一定要加这个，否则没法给新点云的点赋值啥的。//或者直接这个newcloud->height = 1;std::cout

点云配准+配准+点云+用于机械臂抓取

10-07

基于Point Pair Features（PPF）的6D姿态估计方法PPF是在机器视觉领域应用广泛的一种物体位姿提取方法。大名鼎鼎的Halcon，其Surface Matching 模块就是在这种方法的基础上做的优化。

点云配准算法四点法+icp代码，C++ ,PCL库

04-19

点云配准算法四点法代码，需要读取pcd文件，如果要读取ply文件需要自己改代码，或者将ply文件转换为pcd文件

点云配准,点云配准的概念和原理,C,C++

09-10

点云配准是三维计算机视觉领域中的关键技术，它主要用于将两个或多个三维点云数据对齐，以便进行比较、融合或者重建。...通过理解并熟练掌握不同的配准算法，我们可以更有效地处理点云数据，实现高质量的3D重建和分析。

Open3D彩色点云配准测试数据ColoredICP.rar

08-21

Open3D彩色点云配准测试数据ColoredICPOpen3D彩色点云配准测试数据ColoredICPOpen3D彩色点云配准测试数据ColoredICPOpen3D彩色点云配准测试数据ColoredICPOpen3D彩色点云配准测试数据ColoredICPOpen3D彩色点云配准...

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...

估计不完成重叠点云配准后的重合度

weixin_39484607的博客

01-22

1491

这里写自定义目录标题 #include<pcl/registration/correspondence_estimation.h> //点云重合率计算 para1 = 0.5 para2 = 0.15 void IterationMatch::calaPointCloudCoincide(PointCloud::Ptr cloud_src, PointCloud::Ptr cloud_target, float para1, float para2, float &coi

CloudCompare——实现点云由粗到精的配准

热门推荐

点云侠的博客

08-28

2万+

CloudCompare——实现点云由粗到精的配准

点云配准论文思想

Old urchin的博客

04-11

3961

采用局部表面拟合方法进行法线估计，并计算其快速点特征直方图。然后通过采样一致性对两组点云进行粗配准。最后通过建立KD-Tree加速搜索效率，设定阈值去除错误点对，实现精准配准。三维激光扫描技术广泛应用于城市建筑三维建模，古建筑测量与文物保护等领域。由于地理环境复杂度较高，需要用激光相机沿着多个视角进行数据采集，然后配准实现全面表达。配准方式：根据特征

点云配准论文

zhulf0804的博客

10-15

3592

点云配准，求解两个(具有overlap的)点云P, Q之间的变换(旋转矩阵和平移向量)，使得点云P, Q的坐标处于同一坐标系下。点云配准在无人驾驶、三维重建等领域具有广泛的应用。本文整理了点云配准相关的论文，既包括基于深度学习的点云配准算法，也包括部分传统配准算法(ICP, GoICP, FGR等)。 Deep Global Registration [CVPR 2020; PyTorch] 3DRegNet: A Deep Neural Network for 3D Point Registratio

PCL 点云配准衡量指标

lovely_yoshino的博客

12-19

1万+

PCL作为目前最为强大的点云库，内部存在有大量集成好的算法。而对于数据量大、非同源、含大量噪声且部分重叠的激光点云与影像重建点云，其稀疏程度、噪声程度等不同，非重叠区域的面积很大。真实场景的点云尤其是影像重建点云噪声较多，提取的法向量误差也很大，有的时候NDT和ICP并不能形成良好的匹配，这个时候我们该怎么样评估通过IPC或NDT算出的变换矩阵来估算出算法的精度呢？这个时候就需要通过均方根误差以及重合度来综合评判结果了。

寻找两个点云重叠部分

xinxiangwangzhi_的博客

01-16

7861

目录方法1：方法1实验效果：方法2：方法2实验效果：结论：网上大部分寻找重叠区域都是对一个点云建立kdtree，然后在r半径内搜索另外一个点云的点。这种方法适合两个点云完全一样。一般的点云数据并不完全一样，例如两条航带的点云，并不完全相同，如果应用这方法会损失很多点，造成特征计算的不准确性。下面介绍两种方法：写在前面的结论：第二种方法速度和精度上均优于第一种方法（octree yyds！！！）方法1：（1）假设有两组点云A,B，计算A的OBB包围盒（2）寻找点云A的OBB包围盒内的点云B，这样就得

CloudCompare&PCL 计算两个点云之间的重叠度

dayuhaitang1的博客

07-30

2391

CloudCompare&PCL 计算两个点云之间的重叠度

两个点云的重叠部分查找（附open3d python 代码）

三维点云技术探索

07-28

883

把两个点云变成2个集合set 数据类型，然后求集合的交集就行了，交集就是重叠点，非交集部分就是非重叠点。：它计算源点云中的每个点到目标点云中最近点的距离。距离近的点就是重叠点，距离远的点就是非重叠点。

open3d c++ NDT点云配准

09-14

Open3D中的NDT（Normal Distribution Transform）点云配准算法用于实现点云的精细配准。这个算法基于正态分布变换，通过估计源点云和目标点云之间的旋转矩阵和平移向量来将它们对齐。要使用Open3D中的NDT点云配准算法，可以按照以下步骤进行操作： 1. 首先，导入Open3D模块，并加载需要配准的源点云和目标点云。示例代码如下： ```python import open3d as o3d # 加载需要配准的点云文件 source = o3d.io.read_point_cloud("source.ply") target = o3d.io.read_point_cloud("target.ply") ``` 2. 创建一个`open3d.registration.TransformationEstimationPointToPoint`对象，以便在NDT算法中用于估计初始变换。示例代码如下： ```python # 创建TransformationEstimationPointToPoint对象 estimation_method = o3d.registration.TransformationEstimationPointToPoint() ``` 3. 创建一个`open3d.registration.TransformationEstimationPointToPlane`对象，以便在NDT算法中用于优化变换。示例代码如下： ```python # 创建TransformationEstimationPointToPlane对象 optimization_method = o3d.registration.TransformationEstimationPointToPlane() ``` 4. 调用`open3d.registration.registration_icp`函数，并传递源点云、目标点云、初始变换估计方法和优化方法作为参数，以执行NDT点云配准。示例代码如下： ```python # 执行NDT点云配准 result = o3d.registration.registration_icp(source, target, 0.1, np.eye(4), estimation_method, optimization_method) ``` 其中，`0.1`是对应于最大配准误差的阈值，`np.eye(4)`是一个4x4的单位矩阵，表示初始变换矩阵。 5. 可以通过`result.transformation`属性获取到配准后的变换矩阵。示例代码如下： ```python # 获取配准后的变换矩阵 transformation_matrix = result.transformation ``` 这样，你就可以使用Open3D中的NDT点云配准算法实现点云的精细配准了。请注意，还有其他参数可以调整来优化配准结果，例如迭代次数和距离阈值等。你可以查阅Open3D的官方文档以获取更多详细信息。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交