PCL SAC_IA配准高阶用法——统计每次迭代的配准误差并可视化

已于 2024-04-19 08:28:33 修改
阅读量406 收藏 2
点赞数 1
分类专栏： 点云进阶 文章标签： 开发语言 算法 计算机视觉 c++ 3d
于 2024-04-19 08:28:06 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/qq_36686437/article/details/137157090
版权
点云进阶 专栏收录该内容
139 篇文章 1522 订阅 ¥39.90 ¥99.00
订阅专栏
本文介绍了如何使用PCL库的SAC_IA方法进行3D配准，并通过代码实现了配准误差的统计和可视化，旨在为论文中的对比实验提供直观的误差分析结果。
摘要由CSDN通过智能技术生成

目录

在这里插入图片描述

本文由CSDN点云侠原创，原文链接。如果你不是在点云侠的博客中看到该文章，那么此处便是不要脸的爬虫。

一、概述

   在进行论文写作时，需要做对比实验，来分析改进算法的性能，期间用到了迭代误差分布统计的比较分析，为直观表示配准误差，需要进行可视化。其结果类似下图所示：
在这里插入图片描述

二、代码实现

#
了解本专栏 订阅专栏 解锁全文
点云侠
关注
专栏目录
订阅专栏
PCL 基于SAC_IA+NDT算法实现点云配准 [附完整的C++实现代码]
weixin_43896283的博客
10-20 465
采用SAC_IA算法+NDT算法来实现点云配准的流程如下：1.预处理: 体素滤波；2.计算特征: 源点云和目标点云的FPFH；3.采样一致性SAC_IA来计算初始的旋转矩阵； 4.正态分布变换（NDT）计算旋转矩阵。
PointCloudLib SAC-IA算法实现点云粗配准 C++版本
最新发布
linux_huangyu的博客
07-22 409
采样一致性SAC_IA（Sample Consensus Initial Alignment）初始配准算法是一种在点云处理中广泛使用的技术，尤其在PCL（Point Cloud Library）库中得到了实现。以下是对SAC_IA初始配准算法在PCL中的详细解析：一、算法概述SAC_IA算法是一种基于采样一致性的点云配准方法，主要用于解决点云数据之间的初始对齐问题。它通过随机采样两个点云中的点对，并计算它们之间的变换矩阵，然后通过迭代优化这个变换矩阵，以实现点云之间的初步对齐。二、算法原理。
SAC-IA粗配准+NDT精配准
peach_blossom的博客
11-11 1万+
接上一篇讲的SAC-IA+ICP的配准方案，这一篇讲一下SAC-IA+ICP的方案。正态分布变换算法（3D-NDT） 正态分布变换算法应用于三维点的统计模型，使用标准最优化技术来确定两个点云间的最优的匹配，因为其在配准过程中不利用对应点的特征计算和匹配，所以时间比其他方法快，可用于点较多时的配准过程。其原理可参考Martin Magnusson的The Three-Dimensional Norm
PCL：SAC-IA+ICP配准
m0_71596228的博客
03-30 562
【代码】SAC-IA+ICP配准。
SAC粗配准+fpfh点云描述+ICP配准代码
05-20
用于目标点云与原点云之间的变换矩阵，基于PCL1.11.1版本， 修改至https://blog.csdn.net/peach_blossom/article/details/78506184
SAC-IA粗配准+ICP精配准
peach_blossom的博客
11-11 4万+
最近一直在看点云配准相关的算法，在这里记录一下我试验过的配准算法。 第一弹：SAC-IA粗配准+ICP精配准
PCL ICP配准高阶用法——统计每次迭代的配准误差并可视化
点云侠的博客
03-21 427
在进行论文写作时，需要做对比实验，来分析改进算法的性能，期间用到了迭代误差分布统计的比较分析，为直观表示配准误差，需要进行可视化。
【C++PCL】点云处理SAC-IA配准
weixin_45196569的博客
01-21 757
随机采样一致(ransac)算法是一种随机性的参数估计算法，利用Ransac可以实现采样一致性初始配准(Sample Consensus Initial Alignment，简称：SAC-IA)。采样一致性初始配准(SAC-IA)给出一个初始预估的刚性(Rigid)变换矩阵，为更精确的位姿估计算法(如ICP等)提供初始配准状态。首先，大家要明确点云直方图的概念，点特征直方图是一种信息丰富的姿态不变局部特征，它代表了点p处的模型属性。它们的计算是基于p个最近k个邻居之间的某种几何关系的组合。它们融合了。
PCL 基于SAC_IA+ICP算法的点云配准 [附完整的C++实现代码]
weixin_43896283的博客
10-09 330
本文旨在介绍一种精配准方法：SAC_IA+ICP算法，算法首先采用SAC_IA算法实现粗配准，然后ICP算法实现点云的精配准。
[转] SAC-IA粗配准+ICP精配准
byliut的博客
11-25 4678
最近一直在看点云配准相关的算法，在这里记录一下我试验过的配准算法。 第一弹：SAC-IA粗配准+ICP精配准 采样一致性初始配准算法（Sample Consensus Initial Aligment , SAC-IA) 此算法依赖于点特征直方图，所以在执行此算法之前，应该先计算点云的FPFH，算法的大致思路如下： (1) 从待配准点云P中选取n个采样点，为了尽量保证所采样的点具有不同的FPFH特征，采样点两两之间的距离应满足大于预先给定最小距离阈值d。 (2) 在目标点云Q中查找与点云P中采样点..
iss关键点检测以及SAC-IA粗配准
qq_58060770的博客
02-14 1539
isskeypointstreekeypoints这段代码利用 ISS 关键点检测器，通过设置不同的参数，计算输入点云的关键点，并将结果存储在keypoints中。这些关键点通常代表了输入点云中的显著结构。
SAC-IA粗配准算法记录
thequitesunshine007的博客
07-14 144
SAC-IA(Sample Consensus Initial Aligment,SAC-IA)粗配准算法是一种基于局部特征描述子的点云粗配准算法，其需要计算点云的快速点特征直方图（FPFH）来保持对应点对之间的相似关系，根据相似关系来搜索点云中的对应点。其基本原理是采用采样一致性的思想，通过查看大量的点对对应关系来计算点云之间的刚体变换矩阵，并将最小配准误差对应的变换矩阵记为最佳变换矩阵。
点云配准比SAC+ICP更好的替代方法
80后程序员的技术分享
08-30 353
点云配准
PCL 基于SAC_IA算法(Sample Consensus Initial Alignment)的点云配准方法 [附完整的C++实现代码]
weixin_43896283的博客
10-14 1147
SAC_IA（Sample Consensus Initial Alignment）算法是一种经典的点云配准算法。它主要用于解决点云数据之间的初始对齐问题，为后续的精确配准提供良好的初始位置和方向。
PCL :实现SAC-IA 初始配准算法（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
09-24 279
PCL :实现SAC-IA 初始配准算法（附完整源码）
PCL SAC-IA 初始配准算法
热门推荐
点云侠的博客
02-27 37万+
采样一致性初始配准算法，简称SAC_IA
pcl sac-ia+icp配准
05-21
PCL (Point Cloud Library) 中的 SAC-IA (Sample Consensus Initial Alignment) 和 ICP (Iterative Closest Point) 都是点云配准中常用的算法，结合使用可以实现更准确的配准结果。 SAC-IA 是一种采样一致性算法，可以快速地计算出两个点云之间的初步变换矩阵。ICP 算法则是一种迭代优化算法，可以在初步变换矩阵的基础上进一步优化获取更精确的变换矩阵。 下面是使用 PCL 进行 SAC-IA+ICP 配准的示例代码： ```cpp pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_source (new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target (new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_source_aligned (new pcl::PointCloud<pcl::PointXYZ>); // 加载源点云和目标点云 pcl::io::loadPCDFile<pcl::PointXYZ> ("source_cloud.pcd", *cloud_source); pcl::io::loadPCDFile<pcl::PointXYZ> ("target_cloud.pcd", *cloud_target); // 创建 SAC-IA 对象 pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> sac_ia; sac_ia.setInputCloud (cloud_source); sac_ia.setSourceFeatures (source_features); sac_ia.setInputTarget (cloud_target); sac_ia.setTargetFeatures (target_features); sac_ia.setMinSampleDistance (0.05f); sac_ia.setMaxCorrespondenceDistance (0.1); sac_ia.setMaximumIterations (500); // 计算初步变换矩阵 pcl::PointCloud<pcl::PointXYZ>::Ptr sac_aligned (new pcl::PointCloud<pcl::PointXYZ>); sac_ia.align (*sac_aligned); // 创建 ICP 对象 pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp; icp.setInputSource (sac_aligned); icp.setInputTarget (cloud_target); icp.setMaxCorrespondenceDistance (0.05); icp.setMaximumIterations (100); // 优化变换矩阵 icp.align (*cloud_source_aligned); // 输出配准结果 std::cout << "SAC-IA+ICP has converged:" << icp.hasConverged () << " score: " << icp.getFitnessScore () << std::endl; // 保存配准后的点云 pcl::io::savePCDFile ("aligned_cloud.pcd", *cloud_source_aligned); ``` 在上述代码中，我们首先加载了源点云和目标点云。然后创建了 SAC-IA 对象，设置了输入点云、特征、最小采样距离、最大对应距离和最大迭代次数，然后调用 `align()` 函数计算初步变换矩阵。接着创建了 ICP 对象，设置了输入源点云和目标点云，最大对应距离和最大迭代次数，然后调用 `align()` 函数优化变换矩阵。最后输出配准结果并保存配准后的点云。
评论 2
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

点云侠

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