python点云快速配准_点云NDT配准方法介绍

三维配准中经常被提及的配准算法是ICP迭代的方法，这种方法一般般需要提供一个较好的初值，也就是需要粗配准，同时由于算法本身缺陷，最终迭代结果可能会陷入局部最优，导致配准失败，往往达不到我们想要的效果。本文介绍的是另一种比较好的配准算法，NDT配准。所谓NDT就是正态分布变换，作用与ICP一样用来估计两个点云之间的刚体变换。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。这个配准算法耗时稳定，跟初值相关不大，初值误差大时，也能很好的纠正过来。

对比ICP配准方法需要提出不合适的点对，比如点对之间距离过大，包含了边界点对，每次迭代都要搜索最近点，计算代价较大。正态分布变换(NDT)算法是一种很有用途的点云配准方法，是一个一次性初始化工作，不需要消耗大量的代价计算最近邻搜索匹配点，并且概率密度函数在两幅图像采集之间的额时间可以离线计算出来，但仍在存在的问题很多，包括收敛域差、NDT代价函数的不连续性以及稀疏室外环境下不可靠的姿态估计等。

具体关于两种方法的对比可查看文献：http://www.diva-portal.org/smash/get/diva2:276162/FULLTEXT02.pdf

那么针对无损检测算法在二维和三维场景下的不足，也会有研究者们提出了相应的解决方法。为了改进二维扫描配准的无损检测收敛域，提出了一种多尺度K均值无损检测(MSKM-NDT)算法，利用K均值聚类对二维点云进行分割，并对多尺度聚类进行扫描配准优化。与标准无损检测算法相比，k-均值聚类方法生成的高斯分布更少，