點雲庫從入門到精通ch11——點雲配準

點雲庫PCL入門到精通ch11——點雲配準

1.為了得到被測物體的完整資料模型，需要确定一個合适的坐标轉換，将從各個視角得到的點集合并到一個統一的坐标系下，形成一個完整的資料點雲，然後就可以友善地進行可視化操作，這就是點雲資料的配準。通常用到的點雲配準技術即是自動配準技術：通過一定的算法或統計學規律，利用計算機計算兩塊點雲之間的錯位，進而達到把兩片點雲自動配準的效果。其實質是把在不同坐标系下測量得到的資料點雲進行坐标變換，以得到整體的資料模型。問題的關鍵是如何求得坐标變換參數R（旋轉矩陣）和T（平移向量），使得兩個視角下測得三維資料經坐标變換後的距離最小。目前配準算法按照實作過程可以分為整體配準和局部配準。配準用到的關鍵技術有關鍵點選取，特征描述與提取。

1.1 一對點雲配準

一對點雲資料集的配準問題為兩兩配準（pairwise registeration）,通常通過應用一個估計得到的表示平移和旋轉的4X4剛體變換矩陣來使一個點雲資料集精确的與另一個點雲資料集進行完美配準。具體實作步驟如下：

1.首先從兩個資料集中按照同樣的關鍵點選取标準，提取關鍵點。

2.對選擇的所有關鍵點分别進行計算其特征描述子。

3.結合特征描述子在兩個資料集中的坐标位置，以兩者之間特征和位置的相似度為基礎，來估算他們的對于應關系，初步估計對應點對。

4.假定資料有噪聲，出去對配準有影響的錯誤對應點對。

5.利用剩餘的正确對應關系來估算剛體變換，完成配準。

從上述整個流程可以看出，在整個配準過程中，關鍵點的提取與關鍵點的特征描述，影響着整個配準的準确性與效率。

1.2 對應估計

假設我們已經得到由來給你此掃描的點雲資料獲得的兩組特征向量，在此基礎基礎上，我們必須找到，相似特征再确定資料的重疊部分，然後才能進行配準，根據特征的類型PCL使用不同的方法來搜尋特征之間的對應關系。

使用點比對時（使用點的XYZ的坐标作為特征值），針對有序點雲和無序點雲資料的不同的處理政策：

1.窮舉配準（brute force matching）

2.kd—樹最近鄰查詢（FLANN）

3.在有序點雲資料的圖像空間中查找

4.在無序點雲資料的索引空間中查找

進行特征比對時（不使用點的坐标，而是某些由查詢點鄰域确定的特征，如法向量、局部或全局形狀直方圖等），有以下幾種方法：

1.窮舉配準

2.kd—樹最近鄰查詢（FLANN）

除了查詢之外，對應估計也區分了兩種類型：

1.直接對應估計（預設）：為點雲A中的每一個點搜尋點雲B中的對應點，确認最終對應點對。

2.互相對應估計：首先為點雲A中的點到點雲B搜尋對應點，最後隻取交集作為對應點對。

所有這些在PCL類設計和實作中都以函數的形式讓使用者自由設定和使用。

1.3 對應關系去除

由于噪聲的影響，通常并不是所有估計的對應關系都是正确的，由于錯誤的對應關系對于最終的剛體變換矩陣的估算會産生負面的影響，是以必須去除它們，可以采用随機采樣一緻性估計，或者其他方法剔除錯誤的對應關系，最終使用對應關系數量隻使用一定比例的對應關系，這樣既能提高變換矩陣的估計精度也可以提高配準點的速度。

遇到有一對多對應關系的特例情況，即目标模型中的一個點對應源中的若幹個點與之對應。可以通過隻取與其距離最近的對應點，或者檢查附近的其他比對的濾波方法過濾掉其他僞對應關系。同樣的針對對應關系的去除，PCL有單獨設計類與之對應。

1.4 變換矩陣估算

估算變換矩陣步驟如下：

1.在對應關系的基礎上評估一些錯誤的度量标準。

2.在錄影機位姿和最小化錯誤度量标準下估算變換

3.優化點的結構

4.使用剛體變換把源旋轉/平移到目标所在的同一坐标系下，用所有點、點的一個子集或者關鍵點運作一個内部ICP循環。

5.進行疊代，直到符合收斂性判斷标準為止。

1.5 疊代最近點算法（Iterative CLosest Point簡稱ICP算法）

ICP算法對待拼接的2片點雲，首先根據一定的準則确立對應點集P與Q，其中對應點對的個數為n。然後通過最小二乘法疊代計算最優的坐标變換，即旋轉矩陣R和平移矢量t，使得誤差函數最小，ICP處理流程分為四個主要的步驟：

1.對原始點雲資料進行采樣

2.确定初始對應點集

3.去除錯誤對應點對

4.坐标變換的求解

1.6 采樣一緻性初始對齊算法

配準算法從精度上分為兩類，一種是初始的變換矩陣的粗略估計，另一種是像ICP一樣的精度的變換矩陣估計。對于初始的變換矩陣粗略估計貪婪的初始配準方法工作量很大，它使用了點雲資料旋轉不變的特性。但計算複雜度高，因為在合并的步驟需要檢視所有可能的對應關系。此外，因為這是一個貪婪算法，是以有可能隻能得到局部最優解。是以我們采用采樣一緻性方法，試圖保持相同的對應關系的幾何關系而不必嘗試了解有限個對應關系的所有組合。相反，我們從候選對應關系進行大量的采樣并通過以下的步驟對他們中的每一個進行排名：

1.從p中選擇s個樣本點，同時确定他們的配對距離大于使用者設定的最小值d(min)

2.對于每個樣本點，在Q找到滿足直方圖和樣本點直方圖相似的點存入一個清單中。從這些點中随機選擇一些代表采樣點的對應關系

3.計算通過采樣點定義的剛體變換和其對應變換，計算點雲的度量錯誤來評價轉換的品質。

我們計劃通過檢視非常大量的對應關系，快速找到一個好的變換。重複這三個步驟，直到取得存儲了最佳度量錯誤，并使用暴力配準部分資料。最後使用一個Levenberg——Marquardt算法進行非線性局部優化。