点云的粗配准和精配准

最新推荐文章于 2025-11-12 15:35:43 发布

原创最新推荐文章于 2025-11-12 15:35:43 发布 · 2.3w 阅读

175 ·

CC 4.0 BY-SA版权

文章标签：

#迭代

点云处理专栏收录该内容

8 篇文章

订阅专栏

1.前言
点云配准是点云处理的重要技术之一，可以用来估计物体位姿，拼接多个视角下的点云.
分别用基于采样一致性的粗配准，以及粗配准与ICP精配准结合的方法进行配准实验。

粗配准流程图如下，主要为精配准提供一个比较好的初始位置。

精配准采用ICP配准，PCL库实现思路：

2.思考
以上可以看出无论是粗配准还是精配准，核心在于：

点对关系如何确定？

x,y,z距离还是特征距离，特征选择或设计哪一个，目标函数距离度量选择或设计哪一个，包括这里没考虑的错误点对排除问题

求解变换矩阵的方法？

svd分解法，对偶四元数法

3.结果
粗配准+精配准

4.代码
代码放在了github，比较简单。
https://github.com/Coldplayplay/SAC-IA

5.参考
stackoverflow robust registration of two point clouds
p-chao

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

coldplayplay

关注关注

19
点赞
踩
175

收藏

觉得还不错? 一键收藏
12
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

SAC-IA粗配准+ICP精配准

03-25

SAC-IA粗配准+ICP精配准采样一致性初始配准算法（Sample Consensus Initial Aligment , SAC-IA) 此算法依赖于点特征直方图，所以在执行此算法之前，应该先计算点云的FPFH ICP算法基于SVD

C++实现ICP与GICP点云配准算法项目实战

weixin_30336531的博客

11-03

1053

点云配准是将来自不同视角或时间的点云数据通过刚体变换对齐至统一坐标系的关键步骤，广泛应用于三维重建、自动驾驶与机器人导航等领域。其中，迭代最近点（ICP）算法以最小化对应点间欧氏距离为核心思想，流程清晰且易于实现，成为经典基准方法。然而，其依赖精确初始位姿、易受噪声和外点干扰的问题限制了鲁棒性。为此，广义ICP（GICP）引入局部几何结构的协方差描述，采用马氏距离度量并构建概率匹配模型，在保留ICP框架的同时显著提升了抗噪能力与收敛范围。

12 条评论您还未登录，请先登录后发表或查看评论

PCL 粗配准算法全面列举及运行速度详解

最新发布

weixin_45590420的博客

11-12

857

PCL粗配准算法速度及特性对比摘要 PCL提供多种粗配准算法，速度差异显著：TurboReg最快（<10ms小规模），GPU-NDT和GPU-FGR次之（<100ms大规模）。经典方法中，Super4PCS（1-5秒大规模）和FGR（3-10秒）表现均衡，而RANSAC系列通用性强（2-8秒）。算法分四类：极速型（TurboReg/GPU方案）适合实时场景平衡型（FGR/Super4PCS）适合通用需求高精度型（SAC-IA/FastGICP）需3-10秒小众型（3DMatch/LCP）

点云配准、拼接概念综述

xsh_roy的博客

12-24

1万+

点云扫描设备在对环境进行扫描时，往往不能在同一坐标系下将环境的点云数据一次性测量。其原因是环境大小超过了扫描设备的测量范围，并且环境里的物体之间相互遮挡，点云扫描设备在一个角度不太可能扫描到物体的完整点云。得到多片点云数据后，我们需要一种技术将多片点云数据旋转平移到统一的坐标系下，使它们能够组成完整的环境点云数据，这种技术叫点云拼接。点云拼接是任意位置的点云的重叠部分相互配准的过程，点云配准分为刚体和非刚体（只存在空间旋转平移变换的配准问题称为刚体配准，存在缩放、变形、仿...

点云配准-粗配准+精配准(C++实现)

Renascence_6的博客

11-27

3559

点云配准是点云处理中的一项重要的技术，在slam中的三维地图重建、高精地图定位、位姿预测等方面有着广泛的应用。点云配准通常会采用粗配准后再进行精配准的方式，常见的粗配准方法有PPF、NDT、4PCS等，精配准方法则主要是ICP及其变种。分享一份C++实现的点云配准代码以供交流。

点云处理【七】(点云配准)

略知12的博客

10-26

9570

点云配准一般分为粗配准和精配准，粗配准指的是在两幅点云之间的变换完全未知的情况下进行较为粗糙的配准，目的主要是为精配准提供较好的变换初值；（1）Point-to-Plane ICP：将icp中点到点的距离改为点到目标面的距离，这样就不容易陷入局部最优，但也增加了计算量。4PCS:四点配准算法(4PCS)基于寻找四个点的一致集合，并尝试找到最佳的变换，使得这些点在源和目标点云中都是一致的。基于优化的配准方法大致可分为4种方法：基于ICP的变种方法、基于图优化的、基于GMM的和半定的配准方法。

点云粗配准算法

03-05

写了几个点云配准的算法，主要包括PFH、FPFH、icp、NDT、3Dsc几种粗配准算法，并计算出误差。

精选资源

ICP_MATLAB_Implementation-master_点云_粗配准_icp_点云配准_粗配准matlab_源码

10-03

首先，点云配准是通过寻找一个几何变换，使两个点集尽可能接近，这个过程通常分为粗配准和精配准两步。粗配准的目标是找到一个初步的变换，使得两个点集之间的全局偏差最小化；精配准则是在粗配准的基础上，进一步...

精选资源

Super4PCS-master.zip_super 4pcs_super4pcs_点云粗配准_粗配准_粗配准的算法

07-14

强大的点云粗配准算法，现流行的快速点云迭代粗配准算法，

matlab 三维点云的配准和融合

05-29

通常包括粗配准（全局配准）和精配准（局部配准）两步。全局配准用于大致对齐点云，而局部配准则用于细化匹配结果，提高精度。 MATLAB中的`pointCloud`类可以方便地管理和操作点云数据。你可以使用`readPointCloud`...

点云配准-pfh粗配.cpp

12-25

点云配准算法

FPFH点云配准

11-05

用FPFH方法进行点云配准，包含一个两个源文件和一个头文件，头文件包括RANSAC和FPFH特征的定义，源文件其中一个是FPFH特征的提取，还有一个是主函数，主要是各种接口。通过该方法可以比较好的进行点云配准

fast descriptors点云粗配准配准论文，有完整实现代码

11-06

完整点云代码，以及论文，适合学习啊，走过路过不要错过

ICP MATLAB 实现点云粗配准 ICP 点云配准源码

08-01

算法主要分为粗配准和精配准两个阶段，粗配准用于找到一个大致的对齐方向，而精配准则用于在粗配准的基础上进行精细化调整，使得点云间误差最小化。本次提供的资源包含源码，可以帮助研究人员和工程师在MATLAB环境...

粗配准（FPFH）+精配准（ICP）

weixin_50976580的博客

08-17

2507

粗配准+精配准 #include <pcl/registration/ia_ransac.h> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/features/normal_3d.h> #include <pcl/features/fpfh.h> #include <pcl/search/kdtree.h> #include <pcl

3D点云处理：点云粗配准（Fast PPF）

lddx_123456的博客

11-30

2187

Point Pair Feature | Fast and Robust Pose Estimation

CloudCompare——实现点云由粗到精的配准【2025最新版】

热门推荐

点云侠的博客

08-28

4万+

CloudCompare——实现点云由粗到精的配准。本文由优快云点云侠原创，首发于：2021年8月28日。博客长期更新，本文最新更新时间为：2025年6月28日。

骨科手术机器人点云配准原理

05-22

### 骨科手术机器人中点云配准的原理点云配准是骨科手术机器人中的核心技术之一，其目的是将术前采集的三维医学图像（如CT或MRI）与术中实际解剖结构对齐。这一过程通常涉及几何匹配算法，用于找到两组点云之间的最佳刚体变换矩阵[^1]。 #### 点云配准的核心概念点云配准可以分为两类：全局配准和局部精配准。 - **全局配准**旨在粗略估计初始姿态，减少后续优化计算量。常用方法包括随机采样一致性（RANSAC）算法以及基于特征描述子的方法，例如FPFH (Fast Point Feature Histograms)[^4]。 - **局部精配准**则进一步细化配准结果，常采用迭代最近点（ICP, Iterative Closest Point）算法及其变种。ICP通过反复寻找对应关系并最小化误差函数完成精确对齐[^3]。以下是具体实现过程中的一些关键步骤： --- ### 基于ICP算法的点云配准实现 ICP是一种经典的点云配准算法，在骨科手术领域被广泛使用。其实现逻辑如下所示： ```python import numpy as np from scipy.spatial.transform import Rotation as R def icp(source_points, target_points, max_iterations=50, tolerance=1e-5): """ 实现简单的 ICP 算法进行点云配准参数: source_points: ndarray(Nx3), 待配准的源点云 target_points: ndarray(Mx3), 目标点云 max_iterations: int, 最大迭代次数 tolerance: float, 收敛阈值返回: transformation_matrix: ndarray(4x4), 刚体变换矩阵 aligned_source: ndarray(Nx3), 对齐后的源点云 """ assert source_points.shape[1] == 3 and target_points.shape[1] == 3 prev_error = 0 T = np.eye(4) # 初始化单位变换矩阵 for i in range(max_iterations): # 寻找最近邻点 closest_indices = find_closest_point(source_points @ T[:3, :3].T + T[:3, 3], target_points) # 计算最优旋转和平移 rotation, translation = compute_optimal_rigid_transform( source_points, target_points[closest_indices] ) # 更新变换矩阵 current_T = np.eye(4) current_T[:3, :3] = rotation.as_matrix() current_T[:3, 3] = translation.flatten() T = current_T @ T # 应用当前变换更新源点云 transformed_points = source_points @ T[:3, :3].T + T[:3, 3] # 计算均方根误差 error = np.mean(np.linalg.norm(transformed_points - target_points[closest_indices], axis=1)) if abs(error - prev_error) < tolerance: break prev_error = error return T, transformed_points def find_closest_point(points_a, points_b): """ 找到 points_a 中每个点在 points_b 的最近邻居索引 """ from sklearn.neighbors import NearestNeighbors nbrs = NearestNeighbors(n_neighbors=1).fit(points_b) distances, indices = nbrs.kneighbors(points_a) return indices.ravel() def compute_optimal_rigid_transform(p_src, p_tgt): """ 使用 SVD 方法求解两点集间的最优刚体变换 """ centroid_A = np.mean(p_src, axis=0) centroid_B = np.mean(p_tgt, axis=0) H = (p_src - centroid_A).T.dot(p_tgt - centroid_B) U, _, Vt = np.linalg.svd(H) R = Vt.T.dot(U.T) t = centroid_B - R.dot(centroid_A) return R.from_matrix(R), t.reshape(-1, 1) ``` 上述代码实现了基本的ICP算法框架，其中`find_closest_point`负责查找最近邻点，而`compute_optimal_rigid_transform`利用奇异值分解(SVD)求解最优刚体变换参数[^2]。 --- ### 提高点云配准性能的技术改进为了应对复杂场景下的挑战，现代点云配准技术引入了许多增强手段： - **鲁棒初始化**: 结合表面特征提取（如曲率、法向量），提升初始姿态估计准确性[^1]。 - **非线性优化**: 将传统ICP扩展至加权形式，考虑不同区域的重要性权重分布[^4]。 - **深度学习辅助**: 近年来，神经网络逐渐渗透入该领域，能够自动生成高质量特征表示从而简化后期处理流程[^3]。 --- ### 总结综上所述，点云配准作为连接虚拟规划与真实操作桥梁的关键环节，在骨科手术机器人的研发进程中占据重要地位。无论是经典数值方法还是新兴AI工具都为其提供了坚实理论基础和技术支撑。