点云配准介绍

点云配准介绍1.点云配准——————————————————————————————————————点云配准过程,就是求一个两个点云之间的旋转平移矩阵(刚性变换或欧式变换),将源点云(sourcecloud)变换到目标点云(targetcloud)相同的坐标系下。可以表示为以下的方程:其中,Pt,Ps就是目标点云和源点云中的一对对应点。而我们要求的就是其中的R与T的旋转平移矩阵。这里,我们并不知道两个点集中点的对应关系,这也是配准的核心问题。————————————————————————————

大家好,欢迎来到IT知识分享网。

1.点云配准
——————————————————————————————————————
点云配准过程,就是求一个两个点云之间的旋转平移矩阵(刚性变换或欧式变换),将源点云(source cloud)变换到目标点云(target cloud)相同的坐标系下。
可以表示为以下的方程:
*Pt* = *R* * *Ps* + *T*
其中,PtPs 就是目标点云和源点云中的一对对应点。而我们要求的就是其中的RT的旋转平移矩阵。
这里,我们并不知道两个点集中点的对应关系,这也是配准的核心问题。
——————————————————————————————————————
2.配准分为粗配准与精配准两步
——————————————————————————————————————
粗配准就是在完全不清楚两个点云的相对位置关系的情况下,找到一个这两个点云近似的旋转平移矩阵。
精配准就是在已知一个旋转平移的初值的情况下(初值大概已经是正确的了),进一步计算得到更加精确的旋转平移矩阵。

从精配准讲起
精配准的模式基本上已经固定为使用ICP算法及各种变种,ICP算法由 Besl and McKay 1992,《Method for registration of 3-D shapes文章提出。文中提到的算法不仅仅考虑了点集与点集之间的配准,还有点集到模型、模型到模型的配准等。

简要介绍以下点集到点集ICP配准的算法:

(1) ICP算法核心是最小化一个目标函数
在这里插入图片描述
(这里的表述与原文略微有些不同,原文是用四元数加上一个偏移向量来表达旋转平移变换)
PtPs就是一对对应点,总共有Np对对应点。这个目标函数实际上就是所有对应点之间的欧氏距离的平方和。

(2)寻找对应点
可是,我们现在并不知道有哪些对应点。因此,我们在有初值的情况下,假设用初始的旋转平移矩阵对源点云进行变换,得到的一个变换后的点云。然后将这个变换后的点云与目标点云进行比较,只要两个点云中存在距离小于一定阈值(ICP中的一个参数),我们就认为这两个点就是对应点。这也是“最邻近点”的来源。

(3)R、T优化
有了对应点后,我们就可以用对应点对旋转R与平移T进行估计。这里R和T只有6个自由度,而我们对应点数量是庞大的(存在多余观测值)。因此,我们可以采用最小二乘等方法求解最优的旋转平移矩阵。数值优化问题。

(4)迭代
我们优化得到一个新的R与T,导致了一些点转换后的位置发生变化,一些最邻近点对也相应发生了变化。因此,我们又回到了步骤2中的寻找最邻近点方法。2.3步骤不停迭代进行,知道满足一些迭代终止条件,如R、T的变化量小于一定值,或者上述目标函数的变化小于一定值,或者邻近点对不再变化等。(ICP中的一个参数)

优化过程是一个贪心的策略。首先固定R和T利用最邻近算法找到最优的点对,然后固定最优的点对来优化R和T,依次反复迭代进行。这两个步骤都使得目标函数值下降,所以ICP算法总是收敛的,这也就是原文中收敛性的证明过程。这种优化思想与K均值聚类的优化思想非常相似,固定类中心优化每个点的类别,固定每个点的类别优化类中心。

关于参数的选择
ICP算法的参数主要有两个。一个是ICP的邻近距离,另外一个是迭代的终止条件。这些参数的选择,与实际的工程应用相关。比如说你的仪器精度是5mm,那么小于5mm是可以认为是对应点,而最终的迭代终止条件也就是匹配点之间平均距离小于5mm。而且这些参数可以由算法逐步迭代减小,最初使用较大的对应点距离参数,然后逐步减小到一个较小的值。需要手动调整一些参数。

3、粗配准
前面介绍到了,ICP算法的基本原理。它需要一个旋转平移矩阵的初值。这个初值如果不太正确,那么由于它的贪心优化的策略,会使其目标函数下降到某一个局部最优点(当然也是一个错误的旋转平移矩阵)。因此,我们需要找到一个比较准确的初值,这就是粗配准需要做的。

粗配准目前来说还是一个难点。针对不同数据,有许多不同的方法被提出。
我们先介绍配准的评价标准,再在这个标准下提出一些搜索策略

**评价标准:**比较通用的一个是LCP(Largetst Common PointSet)。给定两个点集P,Q,找到一个变换T,使得变换后的P与Q的重叠度最大。在变换后的P内任意一点,如果在容差范围内有另外一个Q的点,则认为该点是重合点。重合点占所有点数量的比例就是重叠度。

解决上述LCP问题,最简单粗暴的方法就是遍历。假设点集P,Q的大小分别为m,n。而找到一个刚体变换需要3对对应点。那么蛮力搜索的需要O(m3n3)的复杂度。对于动辄几百万个点的点云,这种时间复杂度是不可接受的。因此,许多搜索策略被提出。比较容易想到的是RANSAC之类的搜索方法。而对于不同的场景特点,可以利用需配准点云的特定信息加快搜索。

先介绍一个适用于各种点云,不需要先验信息的搜索策略,称为4PC(4 Point Congruent)。

搜索策略:4PC搜索策略是在P,Q种找到四个共面的对应点。
在这里插入图片描述
如上图所示(来自4PC原文),这四个共面的点相交于e。这里有两个比例在刚体变化下是不变的
在这里插入图片描述
而4PC将对于三个点的搜索转换为对e,e’的搜索,从而将复杂度降低到了。这四个点的距离越远,计算得到的转换越稳健。但是这里的四个点的搜索依赖于两个点云的重叠度。具体的算法可以参考4-Points Congruent Sets for Robust Pairwise Surface Registration的原文。

4PC算法通用性较好,但是对于重叠度较小、或是噪声较大的数据也会出现配准错误或是运行时间过长的问题。针对于不同的场景很多其他的搜索策略也被提出。

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/22684.html

(0)

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

关注微信