本教程演示了一种同时使用几何形状和颜色进行配准的ICP变体。它实现了这篇文章的算法 [Park2017] ,实现了颜色信息将沿切线平面锁定对齐。这个算法与之前的ICP配准速度相当,但是实现了更高的精度和鲁棒性。本教程使用的符号来自ICP配准。
辅助可视化函数
为了演示彩色点云间配准的对齐,draw_registration_result_original_color使用原本的颜色可视化源点云。
# -*- coding: UTF-8 -*-
import copy
import numpy as np
import open3d as o3d
def draw_registration_result_original_color(source, target, transformation):
source_temp = copy.deepcopy(source)
source_temp.transform(transformation)
o3d.visualization.draw_geometries([source_temp, target],
zoom=0.5,
front=[-0.2458, -0.8088, 0.5342],
lookat=[1.7745, 2.2305, 0.9787],
up=[0.3109, -0.5878, -0.7468])
输入
下面的代码从两个文件中读取源点云和目标点云。使用单位矩阵作为配准的初始化。
print("1. 加载两点云并可可视化它们间的位姿关系")
source = o3d.io.read_point_cloud("../../test_data/ColoredICP/frag_115.ply")
target = o3d.io.read_point_cloud("../../test_data/ColoredICP/frag_116.ply")
# 可视化初始的配准
current_transformation = np.identity(4)
draw_registration_result_original_color(source, target, current_transformation)
点到面的ICP
我们首先运行 Point-to-plane ICP 作为一个基准算法.下面的可视化结果展示了未对齐的绿色三角形纹理.这是因为几何约束不能够防止两个平面的滑动.
# 点到面的ICP
current_transformation = np.identity(4)
print("2. 在原始点云上应用点到平面ICP配准来精准对齐,距离阈值0.02。")
result_icp = o3d.pipelines.registration.registration_icp(source, target, 0.02, current_transformation,
o3d.pipelines.registration.TransformationEstimationPointToPlane())
print(result_icp)
draw_registration_result_original_color(source, target, result_icp.transformation)
彩色点云配准
彩色点云配准的核心函数是 registration_colored_icp .在[Park2017]这篇论文中,它使用的是具有联合优化目标的ICP迭代(细节请看 Point-to-point ICP):
其中的是被估计旋转矩阵.和分别是光度学和几何学术语. ∈ [ 0 , 1 ] 是通过经验决定的权重变量.
这里的几何项 和 Point-to-plane ICP 的目标是相等的.
其中 是当前迭代的对应集,是对应点 的法线.
颜色项 测量的是 点的颜色(用 表示)与其在点的切平面的投影上的颜色之间的差.
其中的是在的切平面上连续定义的预计算函数. 函数将3D点投影到切平面.更多细节请参看 [Park2017].
为了进一步提高效率, [Park2017]提供了多尺度的配准方案,这已在以下脚本中实现:
# 彩色点云配准
# 在以下论文中实现
# J. Park, Q.-Y. Zhou, V. Koltun,
# Colored Point Cloud Registration Revisited, ICCV 2017
voxel_radius = [0.04, 0.02, 0.01]
max_iter = [50, 30, 14]
current_transformation = np.identity(4)
print("3. 彩色点云配准")
for scale in range(3):
iter = max_iter[scale]
radius = voxel_radius[scale]
print([iter, radius, scale])
print("3-1. 下采样的点云的体素大小: %.2f" % radius)
source_down = source.voxel_down_sample(radius)
target_down = target.voxel_down_sample(radius)
print("3-2. 法向量估计.")
source_down.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=radius * 2, max_nn=30))
target_down.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=radius * 2, max_nn=30))
print("3-3. 应用彩色点云配准")
result_icp = o3d.pipelines.registration.registration_colored_icp(
source_down, target_down, radius, current_transformation,
o3d.pipelines.registration.TransformationEstimationForColoredICP(),
o3d.pipelines.registration.ICPConvergenceCriteria(relative_fitness=1e-6,
relative_rmse=1e-6,
max_iteration=iter))
current_transformation = result_icp.transformation
print(result_icp)
# 可视化
draw_registration_result_original_color(source, target,
result_icp.transformation)
使用 voxel_down_sample 创造了三层多分辨率的点云.使用顶点法线估计来计算的法线.核心的配准函数 registration_colored_icp 在每一层从粗糙到精细都有调用.lambda_geometric 是 registration_colored_icp 中可选的参数,用于确定 中的 δ ∈ [ 0 , 1 ]。
输出的是两组紧密对齐的点云,注意看上面的绿色三角形.