在进行点云匹配时,常用的方法有ICP配准算法以及NDT匹配算法,下面总结一下NDT的一些基本知识。
NDT算法原理:
NDT算法的基本思想是先根据参考数据(reference scan)来构建多维变量的正态分布, 如果变换参数能使得两幅激光数据匹配的很好,那么变换点在参考系中的概率密度将会很大。
因此,可以考虑用优化的方法求出使得概率密度之和最大的变换参数,此时两幅激光点云数 据将匹配的最好。
NDT算法关键点:
1、将二维空间划分为固定大小网格,每个网格至少包括3个点(一般5个)
2、计算网格中点集的均值μ
3、计算网格中点集的协方差矩阵Σ
4、网格中的观测到点x的概率p(x)服从正态分布N( μ,Σ)。
NDT代码实现的基本思路总结~
1、加载目标点云,这里以PCD文件的形式进行加载
2、加载需要配准的点云,这里以PCD文件的形式进行加载
3、去除二者周边的点云,这里用最近距离以及最低距离两个阈值进行挑选,类似于点云的裁剪
4、将输入的扫描过滤到原始点云的10%,这里主要使用体素滤波器,主要进行点云的下采样工作
5、初始化正态分布NDT对象
6、设置NDT的依赖参数以及迭代终止条件
7、设置NDT的初始化矩阵参数
8、将降采样后的点云与初始化矩阵进行相乘
9、得到NDT的标准正态分布与分数
10、使用创建的变换对未过滤的点云进行变换
11、保存转换后的输入点云
12、初始化点云可视化界面
13、加载点云
实现代码如下:
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/registration/ndt.h>
#include <pcl/filters/approximate_voxel_grid.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
void range_filter(pcl::PointCloud<pcl::PointXYZ> & input_cloud, pcl::PointCloud<pcl::PointXYZ> & output_cloud,const float & min_scan_range_, const float min_z)
{
double r;
pcl::PointXYZ p ;
for (pcl::PointCloud<pcl::PointXYZ>::const_iterator item = input_cloud.begin();
item != input_cloud.end(); item++)
{
p.x = (double) item->x;
p.y = (double) item->y;
p.z = (double) item->z;
r = p.x * p.x + p.y * p.y;
if (r > min_scan_range_&&p.z >min_z) //filter the point distance lager than min_scan_range and height lower than min_z
{
output_cloud.push_back(p);
}
}
}
int
main (int argc, char** argv)
{
//加载目标点云pcd
pcl::PointCloud<pcl::PointXYZ>::Ptr target_cloud (new pcl::PointCloud<pcl::PointXYZ>);
if (pcl::io::loadPCDFile<pcl::PointXYZ> ("test1.pcd", *target_cloud) == -1)
{
PCL_ERROR ("Couldn't read file test1.pcd \n");
return (-1);
}
std::cout << "Loaded " << target_cloud->size () << " data points from room_scan1.pcd" << std::endl;
//加载需要配准点云pcd
pcl::PointCloud<pcl::PointXYZ>::Ptr input_cloud (new pcl::PointCloud<pcl::PointXYZ>);
if (pcl::io::loadPCDFile<pcl::PointXYZ> ("test2.pcd", *input_cloud) == -1)
{
PCL_ERROR ("Couldn't read file test2.pcd\n");
return (-1);
}
std::cout << "Loaded " << input_cloud->size () << " data points from room_scan2.pcd" << std::endl;
//range filter,去除周围点云
pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud1 (new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud2 (new pcl::PointCloud<pcl::PointXYZ>);
range_filter(*input_cloud,*output_cloud1,4,0.1);
range_filter(*target_cloud,*output_cloud2,4,0.1);
//将输入的扫描过滤到原始尺寸的大概10%以提高匹配的速度。
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud (new pcl::PointCloud<pcl::PointXYZ>);
pcl::ApproximateVoxelGrid<pcl::PointXYZ> approximate_voxel_filter;
approximate_voxel_filter.setLeafSize (0.09, 0.09, 0.09);
approximate_voxel_filter.setInputCloud (output_cloud1);
approximate_voxel_filter.filter (*filtered_cloud);
std::cout << "Filtered cloud contains " << filtered_cloud->size ()
<< " data points from test2.pcd" << std::endl;
//初始化正态分布变换(NDT)
pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt;
//设置依赖尺度NDT参数
//为终止条件设置最小转换差异
ndt.setTransformationEpsilon (0.001);//定义了[x,y,z,roll,pitch,yaw]在配准中的最小递增量,一旦递增量小于此限制,配准终止
//为More-Thuente线搜索设置最大步长,步长越大迭代越快,但也容易导致错误
ndt.setStepSize (0.1);
//设置NDT网格结构的分辨率(VoxelGridCovariance)
ndt.setResolution (0.8);//ND体素的大小,单位为m,越小越准确,但占用内存越多
//设置匹配迭代的最大次数
ndt.setMaximumIterations (1000);
// 设置要配准的点云
ndt.setInputCloud (filtered_cloud);
//设置点云配准目标
ndt.setInputTarget (output_cloud2);
//设置使用机器人测距法得到的初始对准估计结果
Eigen::AngleAxisf init_rotation (0.6931, Eigen::Vector3f::UnitZ ());
Eigen::Translation3f init_translation (1.79387, 0.720047, 0);
Eigen::Matrix4f init_guess = (init_translation * init_rotation).matrix ();
//计算需要的刚体变换以便将输入的点云匹配到目标点云
pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud (new pcl::PointCloud<pcl::PointXYZ>);
ndt.align (*output_cloud, init_guess);//这一步是将降采样之后的点云经过变换后的到output_cloud
std::cout << "Normal Distributions Transform has converged:" << ndt.hasConverged ()
<< " score: " << ndt.getFitnessScore () << std::endl;//欧式适合度评分
//使用创建的变换对未过滤的输入点云进行变换
//ndt.getFinalTransformation ()即最终变换
pcl::transformPointCloud (*output_cloud1, *output_cloud, ndt.getFinalTransformation ());
//保存转换的输入点云
pcl::io::savePCDFileASCII ("test_transformed.pcd", *output_cloud);
// 初始化点云可视化界面
boost::shared_ptr<pcl::visualization::PCLVisualizer>
viewer_final (new pcl::visualization::PCLVisualizer ("3D Viewer"));
viewer_final->setBackgroundColor (0, 0, 0);
//对目标点云着色(红色)并可视化
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>
target_color (output_cloud2, 255, 0, 0);
viewer_final->addPointCloud<pcl::PointXYZ> (output_cloud2, target_color, "target cloud");
viewer_final->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE,
1, "target cloud");
//对转换后的目标点云着色(绿色)并可视化
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>
output_color (output_cloud, 0, 255, 0);
viewer_final->addPointCloud<pcl::PointXYZ> (output_cloud, output_color, "output cloud");
viewer_final->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE,
1, "output cloud");
// 启动可视化
viewer_final->addCoordinateSystem (1.0);
viewer_final->initCameraParameters ();
//等待直到可视化窗口关闭。
while (!viewer_final->wasStopped ())
{
viewer_final->spinOnce (100);
boost::this_thread::sleep (boost::posix_time::microseconds (100000));
}
return (0);
}