点云粗配准算法-4pcs

4pcs粗配准算法

一，简介

• 4PCS[1]配准算法使用的是RANSAC算法框架，通过构建与匹配全等四点对（啥意思）的方式来减少空间匹配运算，进而加速配准过程。
• 4PCS不同于icp和ndt，其是一种基于局部特征（特征描述子）的全局配准方法，对于噪点和异常值、低重叠度具有稳健性，对于配准初值不敏感。
• wide-base和LCP度量的组合使得4PCS配准方法能应对噪点和异常值

二，预备知识

1.wide base

4pcs算法的关键是选取一个宽基集（wide-base），如图。（就是选取的点的距离相对大些，算法才更稳定，明显上面的配准效果比下面的好，因为上面的点隔得远，但是最远距离要受重叠度的限制）。什么是重叠度，怎么限制

问题：什么是重叠度，怎么限制

2.LCP(largest common pointset)

简单来说就是，给定两个处于任意初始位置的点集P和Q，找到两个点集之间的最佳刚性变换，使得P，Q中两点间距离小于δ的点数最多。
这些点组成的集合叫做LCP，即可以利用LCP做为代价函数，求解变换矩阵。

3.Randomized Alignment

• 算法介绍：
  该过程从P中随机选取一个基，计算将该基与Q中所有可能的基对齐的变换，并验证配准结果。如在RANSAC中一样，为了获得一定的成功概率，该方法重复从P中选择L个不同的基。此外，验证阶段也是随机化的：首先，只验证P中数量恒定的随机点，并且仅当该子集的显著部分匹配良好时，才测试其余点。
• 4PCS算法流程是基于Randomized Alignment方法。然而，文中引入了平面全等集的思想，从Q中只选择一小部分可能与P中给定的基相匹配的基，而不是从Q中测试所有可能的基.
• 计算L：
  
• 我的理解
  从源点云中选取L个不同的点（L的取值服从上述公式），在目标点云中取L个点计算变换关系，用其他点验证。
  问题：pg的概率和ps的概率怎么计算呢，和RANSAC有啥不一样除了计算L

4.Approximate Congruent 4-Points近似共面四点（4PCS特征）

• 我的理解
  利用在仿射变换中比例不变性，计算在源点云中四个点的比例，利用这个比例在目标点云中找到比例一致的四个点，如下图：e为四个点的角点，e1和e2是目标点云中的四个点的角点，如果相同，则认为和原点云一致
  
  
  由于上述步骤计算量大，把比例改成距离，计算距离d1=‖a− b‖和d2=‖c− d‖。现在我们只考虑Q中的的距离为d1或d2的点对，最大误差为δ。
  问题：怎么找到原点云的四个点呢，是随街还是点云重叠区域

三，算法步骤

• 我的理解
  1.源点云中选择四个点：
  选择重叠区域中三个点（利用八叉找重叠部分），利用重叠度（重叠部分的点除以自身的点数量）找第四个点（个点距离越远结果越好，这个距离由重叠度确定）文章末尾又说通过。配合局部特征描述子和局部特征（曲率，法线），加速4点共面点集的选择过程
  2.四个点的交叉比（因为交叉比在仿射变换下不变，可以理解成距离不变）
  3.在目标点云中查找复合交叉比的点集
  4.每四个点对对应一个R,对源点云*R后计算与目标点云的距离，根据有多少点小于给定的阈值来个这个R打分

ransac算法详解

简介

• 随机样本一致性 (RANSAC) 是一种迭代方法，用于从一组包含异常值的观察数据中估计数学模型的参数，此时异常值不会对估计值产生影响。
• 因此，它也可以解释为一种异常值检测方法。
• 从某种意义上说，它是一种非确定性算法，它仅以一定的概率产生合理的结果，随着允许更多的迭代，这种概率会增加。

我的理解

• 有一组数据，随机挑选点进行模型拟合，再用其他点进行模型拟合，不断进行模型比较，最终得到效果最好的模型。

算法步骤（举例）

• 给定数据点如图
  
• 随机找出2点作为假象拟合连线为L，则任意点与P距离小于阈值s，认为在线上，否则不在线上；显然下图的线上点为4
• 再次随机抽取两点做为假象拟合线，如下图：显然线上点为7；因此，原先的模型点，被目前的模型点取代。
• 继续随机抽取两点作为模型，直到线上点数量不再增加为止。最终拟合结果也就得到。

近似最近邻搜索算法（Approximate Nearest Neighbor）

一，随机投影森林

个人理解

• 目的：对数据进行划分，然后查找新的点的最近邻点
• 算法步：
  骤随机选取原点出发的向量p，利用与向量垂直的线把数据一分为二，在数学上表示为个点向量和向量p的点乘，根据小于或大于零划分