注意:传统ICP算法是点对点、点对面的配准,GICP通过拟合局部平面,计算协方差矩阵,将其拓展为面对面的配准。
1.原理
GICP 实质上是一种面对面的ICP算法。其将概率信息(使用协方差矩阵计算)和点对点的ICP 结合在一起,生成gicp统一模型(Generalized-ICP)。
其中通过局部点集协方差矩阵起到类似于权重的作用,消除某些不好的对应点在求解过程中的作用。
(1)计算源点云P和目标点云Q中的最邻近点集对(Pi,Qi)。
(2)通过KD树,拟合生成Pi和Qi的局部平面。
(2)分别计算点集Pi和Qi所拟合平面的协方差矩阵Mp、Mq。
(3)计算两拟合平面之间的变换矩阵Mt。
(4)判断误差函数是否满足收敛条件,如果满足,则记录为结果,若不满足,则返回(2),重新进行迭代。
2.关键函数
1)为终止条件设置最小转换差异,即最优点对距离的阈值(本值一般都设很小)
registration.setTransformationEpsilon(1e-10); // 为终止条件设置最小转换差异
(2)设置对应点对之间的最大距离,即pcl::registration::CorrespondenceEstimation调用determineCorrespondences(*correspondences, dis)时的dis的值。
registration.setMaxCorrespondenceDistance(1.5); // 设置对应点对之间的最大距离
(3)设置收敛条件是均方误差和小于阈值, 停止迭代;
registration.setEuclideanFitnessEpsilon(0.01);
(4)最大迭代次数
registration.setMaximumIterations(500);
(5)设置为true,则使用点对对应关系【需设置为false】
registration.setUseReciprocalCorrespondences(false); // 设置为true,则使用点对对应关系
3.完整代码
#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/registration/gicp.h> // GICP头文件
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/console/time.h> // 利用控制台计算时间
using namespace std;
int main()
{
/****************ICP配准********************/
pcl::PointCloud<pcl::PointXYZ>::Ptr source(new pcl::PointCloud<pcl::PointXYZ>); // 源点云
pcl::PointCloud<pcl::PointXYZ>::Ptr target(new pcl::PointCloud<pcl::PointXYZ>); // 目标点云
pcl::io::loadPCDFile("D:/code/csdn/data/tree0.pcd", *source);
pcl::io::loadPCDFile("D:/code/csdn/data/tree1.pcd", *target);
pcl::PointCloud<pcl::PointXYZ>::Ptr result(new pcl::PointCloud<pcl::PointXYZ>); // 目标点云转换后的结果
// GICP配准
pcl::GeneralizedIterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> registration; // gicp对象
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree1(new pcl::search::KdTree<pcl::PointXYZ>); // 建树
tree1->setInputCloud(source);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>);
tree2->setInputCloud(target);
registration.setSearchMethodSource(tree1);
registration.setSearchMethodTarget(tree2);
registration.setInputSource(source); // 源点云
registration.setInputTarget(target); // 目标点云
registration.setMaxCorrespondenceDistance(1.5); // 设置对应点对之间的最大距离
registration.setTransformationEpsilon(1e-10); // 为终止条件设置最小转换差异
registration.setEuclideanFitnessEpsilon(0.01); // 设置收敛条件是均方误差和小于阈值, 停止迭代
registration.setMaximumIterations(500); // 最大迭代次数
registration.setUseReciprocalCorrespondences(false);
registration.align(*result);
std::cout << "点对匹配分数:" << registration.getFitnessScore() << std::endl;
std::cout << "刚体变换矩阵:" << registration.getFinalTransformation() << std::endl;
/****************展示********************/
boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("GICP"));
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color(target, 255, 0, 0); // 目标点云
viewer->addPointCloud<pcl::PointXYZ>(target, target_color, "target cloud");
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>result_color(result, 0, 255, 0); // 配准结果点云
viewer->addPointCloud<pcl::PointXYZ>(result, result_color, "result cloud");
while (!viewer->wasStopped())
{
viewer->spinOnce(100);
boost::this_thread::sleep(boost::posix_time::microseconds(100000));
}
return (0);
}