点云迭代最近邻点配准法_点云NDT配准方法介绍

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。

理论基础

      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，从而可以评估所有高斯聚类的成本函数，从而保证算法的收敛性。由于K均值聚类不能很好地扩展到三维，提出了分段贪婪聚类无损检测(SGC-NDT)方法，作为一种改进和保证三维点云收敛的替代方法，该点云包含与环境地面相对应的点。SGC-NDT算法使用高斯过程回归模型分割接地点，并使用贪婪方法对非接地点进行聚类。区域增长聚类算法提取环境中的自然特征，生成高斯聚类，在无损检测框架内用于扫描配准。涉及到的相关文献如下：

Das A, Waslander SL. Scan Registration using Segmented Region Growing NDT. International Journal of Robotics Research. 2014.

Das A, Servos J, Waslander SL. 3D Scan Registration Using the Normal Distributions Transform with Ground Segmentation and Point Cloud Clustering. In 2013 IEEE International Conference on Robotics and Automation. Karlsruhe, Germany; 2013.

Das A, Waslander SL. Scan Registration with Multi-Scale K-Means Normal Distributions Transform. In Pr