logo标签列表

两个点云的稳健配准

c++point-cloud-librarypoint-clouds
22
我需要找到两个三维点云之间的变换和旋转差异。为此，我正在寻找 Point Cloud Library，因为它看起来很理想。
在干净的测试数据上，我已经使用了迭代最近点（ICP），但是得到了奇怪的结果（尽管我可能实现不正确）。 我已经使用了 pcl::estimateRigidTransformation，并且它似乎更好，尽管我认为将处理嘈杂的数据更糟。
我的问题是： 这两个点云将是嘈杂的，虽然它们应该包含相同的点，但会存在一些差异。如何处理最好？ 首先，我应该找到两个点云中的对应特征，然后使用estimateTransform吗？还是应该查看RANSAC函数以去除异常值？ICP比estimateRigidTransform更好吗？
我对PCL还很陌生，如果这不是有用的，请见谅。这里有PCL Registration library，我认为它会对你有所帮助。 - dhanushka
只需先跟随ICP的一些教程。根据应用程序不同，你可以选择使用哪种滤波器，我真的很喜欢快速体素网格滤波器。但ICP并不是最好的方法。首先学习示例，然后从主干构建自己的pcl ICP。示例中的ICP仅是一个工作函数，而你需要真正的执行者（即专门为你的应用程序构建的ICP），因此请建立自己的ICP！ - Martijn van Wezel
3个回答
40

搭建一个强大的点云配准算法可能是一项具有挑战性的任务，涉及到多种不同的选项、超参数和技术，需要正确设置才能获得强大的结果。

然而，点云库提供了一整套预实现的函数来解决这种任务。唯一需要做的就是理解每个模块的作用，然后设置一个所谓的ICP Pipeline，由这些模块堆叠在一起组成。

ICP管道可以遵循两条不同的路径：

1. 迭代配准算法

更简单的路径是立即将迭代最近点算法应用于输入点云（IC），通过始终使用最近点方法与固定参考点云（RC）匹配。ICP做出了一个乐观的假设，即两个点云足够接近（旋转R和平移T的良好先验），并且注册将收敛而无需进一步的初始对齐。

当然，这条路径可能会陷入局部最小值，因此表现非常差，容易被给定输入数据中的任何不准确性所欺骗。

2. 基于特征的配准算法

为了克服这个问题，人们一直在努力开发各种方法和思路来解决性能差的注册。与仅迭代式注册算法不同，基于特征的注册首先尝试找到两个点云之间的更高级别的对应关系，以加快过程并提高准确性。这些方法被封装，然后嵌入到注册管道中，形成完整的注册模型。
下图来自PCL documentation，显示了这样一个注册管道：

PCL pairwise registration

正如您所看到的，成对注册应该通过不同的计算步骤来执行最佳效果。这些单个步骤包括：

  1. 数据采集：将输入云和参考云输入算法。

  2. 关键点估计：关键点（兴趣点）是点云中具有以下特征的点：

    1. 它具有清晰、最好是数学上有良好基础的定义；
    2. 它在图像空间中有明确定义的位置；
    3. 兴趣点周围的局部图像结构在本地信息内容方面丰富。

    点云中这些显著点非常有用，因为它们的总和表征了点云，并帮助区分其不同部分。

    pcl::NarfKeypoint
pcl::ISSKeypoint3D< PointInT, PointOutT, NormalT >
pcl::HarrisKeypoint3D< PointInT, PointOutT, NormalT >
pcl::HarrisKeypoint6D< PointInT, PointOutT, NormalT >
pcl::SIFTKeypoint< PointInT, PointOutT >
pcl::SUSANKeypoint< PointInT, PointOutT, NormalT, IntensityT >

    详细信息：PCL Keypoint - Documentation

  3. 描述关键点-特征描述符：在检测到关键点之后，我们继续为每个关键点计算描述符。"局部描述符是一个点的局部邻域的紧凑表示。与描述完整对象或点云的全局描述符不同，局部描述符仅尝试在点周围的局部邻域中类似于形状和外观，并因此非常适合用于匹配来表示它。"(Dirk Holz et al.)

    pcl::FPFHEstimation< PointInT, PointNT, PointOutT >
pcl::NormalEstimation< PointInT, PointOutT >
pcl::NormalEstimationOMP< PointInT, PointOutT >
pcl::OURCVFHEstimation< PointInT, PointNT, PointOutT >
pcl::PrincipalCurvaturesEstimation< PointInT, PointNT, PointOutT >
pcl::IntensitySpinEstimation< PointInT, PointOutT >

    详细信息：PCL Features - Documentation

  4. 对应估计：下一步是找到点云中发现的关键点之间的对应关系。通常利用计算出的局部特征描述符，将每个描述符与另一个点云中的相应描述符进行匹配。然而，由于来自类似场景的两个扫描不一定具有相同数量的特征描述符，因为一个云可能比另一个云具有更多的数据，所以我们需要运行一个分离的对应关系拒绝过程。

    pcl::registration::CorrespondenceEstimation< PointSource, PointTarget, Scalar >
pcl::registration::CorrespondenceEstimationBackProjection< PointSource, PointTarget, NormalT, Scalar >
pcl::registration::CorrespondenceEstimationNormalShooting< PointSource, PointTarget, NormalT, Scalar >

  5. 对应关系拒绝：执行对应关系拒绝的最常见方法之一是使用RANSAC（随机抽样一致性）。但是PCL提供了更多的拒绝算法，值得仔细研究：

    p


    进一步阅读：
谢谢，这是一个很棒的答案！ - freakinpenguin
截至2020年11月，PCL文档的所有链接均无法使用。您能否修复它们并提供相关/当前的链接？ - Mason
@Mason 谢谢你提醒我。我已经修复了所有链接。 - Kevin Katzke
7
如果您的云数据嘈杂且初始对齐不够好，请忘记从一开始就应用ICP。尝试在云数据中获取关键点，然后估算这些关键点的特征。您可以测试不同的关键点/特征算法，并选择适合您情况的表现更好的算法。
然后，您可以匹配这些特征并获得对应关系。通过一个RANSAC循环过滤这些对应关系以获得内点，您将使用这些内点来获取初始变换。在这个步骤中，CorrespondenceRejectorSampleConsensus会对您有所帮助。
一旦应用了这种转换，您就可以使用ICP进行最终的精细调整。
管道如下：
1. 在两个点云中检测关键点 2. 估算这些关键点的特征 3. 匹配特征并获得对应关系 4. 删除重复项并应用类似于RANSAC的循环以获得内点 5. 获得初始变换并应用于一个点云 6. 一旦两个点云初始对齐，应用ICP注册以进行精细调整
注意：此流程仅适用于两个点云处于相同的比例上。否则，您需要计算两个点云之间的比例因子。
你说的“同一尺度”是什么意思？你是指点云必须具有相同的大小吗？ - Aram Gevorgyan
1
@AramGevorgyan 有时候同一场景的两个点云可能具有不同的比例尺。如果您使用RGB-D相机获取它们，它们将大多具有相同的绝对比例尺（米、英尺...）。然而，在某些情况下，您可以检索到具有不同或任意比例尺的点云（例如结构从动），首先您需要将所有云转换为相同的比例尺以应用上述流程。 - Finfa811
0
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接