ICP算法MATLAB仿真

2022.4.15再次附上数据satellite.txt新链接：
链接：https://pan.baidu.com/s/1mEN-FQbTlHOWfxCHyu0Dxg
提取码：02i4
（永久有效）

---

---

2021.12.28修改：附上数据satellite.txt新链接：
链接：https://pan.baidu.com/s/1pZjAT3yXC0QQvLCsskOUhg
提取码：4zqn

各位有需要的请自取。

---

---

首先感谢真诚地（sincerely）原作者：JusticeZQ。分享了源代码，并给出了原始点云数据。帮我解决了一大难题，大赞呀。博文是直接转发的，目的是让更多的人看到。
ICP算法MATLAB仿真

写在最前面：satellite.txt原始数据的位置：
https://pan.baidu.com/s/1WFF9V69mosPqjaS82Id-JQ

ICP算法主要用于点云精配准，精度很高，但是相应的缺点就是迭代过程中容易陷入局部极值。具体的ICP算法推导过程很多书上都有，就不再详述了，此次仿真用的是SVD分解的方法。

直接贴代码：

%%% icp.m

clear;
close all;
clc;
 
data_source=load('satellite.txt');
data_source=data_source';
theta=4;  %旋转角度（此处只有绕z轴旋转）
t=[2,1.6,7];   %平移向量
[data_target,T0]=rotate(data_source,theta,t);  
 
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%绘制两幅原始图像
x1=data_source(1,:);
y1=data_source(2,:);
z1=data_source(3,:);
x2=data_target(1,:);
y2=data_target(2,:);
z2=data_target(3,:);
figure;
scatter3(x1,y1,z1,'b');
hold on;
scatter3(x2,y2,z2,'r');
hold off;
 
T_final=eye(4,4);   %旋转矩阵初始值
iteration=0;
Rf=T_final(1:3,1:3);
Tf=T_final(1:3,4);
data_target=Rf*data_target+Tf*ones(1,size(data_target,2));    %初次更新点集（代表粗配准结果）
err=1;
while(err>0.001)
    iteration=iteration+1;    %迭代次数
    disp(['迭代次数ieration=',num2str(iteration)]);
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %利用欧式距离找出对应点集
    k=size(data_target,2);
    for i = 1:k
        data_q1(1,:) = data_source(1,:) - data_target(1,i);    % 两个点集中的点x坐标之差
        data_q1(2,:) = data_source(2,:) - data_target(2,i);    % 两个点集中的点y坐标之差
        data_q1(3,:) = data_source(3,:) - data_target(3,i);    % 两个点集中的点z坐标之差
        distance = data_q1(1,:).^2 + data_q1(2,:).^2 + data_q1(3,:).^2;  % 欧氏距离
        [min_dis, min_index] = min(distance);   % 找到距离最小的那个点
        data_mid(:,i) = data_source(:,min_index);   % 将那个点保存为对应点
        error(i) = min_dis;     % 保存距离差值
    end
     
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %去中心化
    data_target_mean=mean(data_target,2);
    data_mid_mean=mean(data_mid,2);
    data_target_c=data_target-data_target_mean*ones(1,size(data_target,2));
    data_mid_c=data_mid-data_mid_mean*ones(1,size(data_mid,2));
     
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %SVD分解
    W=zeros(3,3);
    for j=1:size(data_target_c,2)
        W=W+data_mid_c(:,j)*data_target_c(:,j)';
    end
    [U,S,V]=svd(W);
    Rf=U*V';
    Tf=data_mid_mean-Rf*data_target_mean;
    err=mean(error);
    T_t=[Rf,Tf];
    T_t=[T_t;0,0,0,1];
    T_final=T_t*T_final;   %更新旋转矩阵
    disp(['误差err=',num2str(err)]);
    disp('旋转矩阵T=');
    disp(T_final);
     
    data_target=Rf*data_target+Tf*ones(1,size(data_target,2));    %更新点集
    if iteration>=200
        break
    end
end
 
disp(inv(T0));  %旋转矩阵真值
 
x1=data_source(1,:);
y1=data_source(2,:);
z1=data_source(3,:);
x2=data_target(1,:);
y2=data_target(2,:);
z2=data_target(3,:);
figure;
scatter3(x1,y1,z1,'b');
hold on;
scatter3(x2,y2,z2,'r');
hold off;

%% rotate.m

function [data_q,T] = rotate(data,theta,t)
 
theta=-theta/180*pi;  
T=[cos(theta),sin(theta),0,t(1);
    -sin(theta),cos(theta),0,t(2);
    0,0,1,t(3);
    0,0,0,1];            %旋转矩阵
 
rows=size(data,2);
rows_one=ones(1,rows);
data=[data;rows_one];    %化为齐次坐标
 
data_q=T*data;
data_q=data_q(1:3,:);    %返回三维坐标

仿真结果（配准前和配准后）：

旋转矩阵（真值和配准结果）


误差：err=0.00019434

注：关于误差的定义每个人可以不同，此处不用太过于计较

上面是比较好的配准结果，下面来一组局部极值的情况。

仿真结果（配准前和配准后）：

旋转矩阵（真值和配准结果）


结论： 从上面两组仿真结果可以明显看到，ICP算法在一定情况下精度很高，很适合用来精配准，但是缺点在于需要很好的迭代初值，这个直接关系到配准结果的准确性，因此ICP最好不要单独使用，应该在该算法之前进行粗配准（该方法很多，比如利用特征点等）。另外，由于不知道两堆点云的点对对应关系，在此使用的是寻找最近点的方法，该方法最大的不足时运算量很大，因此如果在C++中使用，可以考虑采用KD-tree的存储方法提高搜索效率或者想办法进行高效率点云配对。