【三维点云数据处理】PCL三维点云配准 SACIA

原创

已于 2022-03-14 10:56:53 修改 · 4.1k 阅读

标签

#算法 #计算机视觉 #机器学习

于 2022-02-23 10:11:27 首次发布

本文详细介绍了基于PCL库的SACIA算法在三维点云配准中的应用。首先阐述了算法的原理，包括采样点的选择、特征匹配和刚性变换矩阵计算。接着，展示了C++代码实现，包括点云预处理、FPFH特征计算和SAC-IA配准过程。最后，提及了实验结果，强调了计算时间和配准质量。

【三维点云数据处理】PCL三维点云配准 SACIA

算法原理
代码实现
实验结果

算法原理

该算法的总体思路如下：
将需要配准的目标点云P中选择n个采样点。为了保证所选取的采样点尽可能有不同的FPFH特征，采样点的距离一般要选择的恰当，尽可能分散，一般要大于预定的最小距离d；
在模板点云Q中查找与目标点云P中具有相似FPFH特征的对应点，这些点可能是一个或多个，但是从这些点中选取一个作为最终的对应点。
根据以上步骤得到对应点集，计算目标点云和模板点云之间的刚性变换矩阵，同时计算出配准后的误差，以及点云配准后的质量。
重复以上三个步骤，找到误差和最小的变换，然后用于点云的粗配准。
文献通过查找大量不同的对应点集，快速找到良好的转换关系。采用Huber惩罚函数来确定最小误差和。
在这里插入图片描述

其中l_e为设定的阈值，e_i为两组点云对应点之间的距离差。

代码实现

//PCL SAC-IA 初始配准算法-->求变换矩阵
#include <pcl/registration/ia_ransac.h>//sac_ia算法
#include <pcl/filters/voxel_grid.h>//体素下采样滤波
Eigen::Matrix4f SAC_IA(pcl::PointCloud<pcl::PointXYZ>::Ptr& target_cloud,
    pcl::PointCloud<pcl::PointXYZ>::Ptr& source_cloud)
{
    clock_t start, end, time;
    start = clock();
    //---------------------------去除源点云的NAN点------------------------
    vector<int> indic