3D Registration 三维点云配准 —— 基本概念和ICP算法的C++实现

最新推荐文章于 2025-06-21 08:40:05 发布

转载最新推荐文章于 2025-06-21 08:40:05 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/sialianzi/p/9916715.html

文章标签：

#c/c++ #python

本文深入探讨了点云配准中的关键算法，包括RANSAC（随机抽样一致性）和ICP（迭代最近点）算法。RANSAC用于估计两组密集点集之间的变换，而ICP则通过迭代方式精炼配准效果。文章还提到了预处理中去除噪点的重要性，并附带了多个参考链接及论文，为读者提供了丰富的学习资源。

未完

待读参考：

https://blog.youkuaiyun.com/kaspar1992/article/details/54836222

https://www.cnblogs.com/yin52133/archive/2012/07/21/2602562.html

https://blog.youkuaiyun.com/u011600592/article/details/70258097

https://blog.youkuaiyun.com/Ha_ku/article/details/79755623

https://www.cnblogs.com/21207-iHome/p/6038853.html

https://www.cnblogs.com/sddai/p/6129437.html

论文：方法比较 [Rusinkiewicz et Levoy, 2001], [GRUEN et AKCA, 2005] et [AKCA, 2007]

课堂笔记：

RANSAC算法（RANdom SAmple Consensus随机抽样一致）

ICP算法（Iterative Closest Point迭代最近点）

目的: estimate transform between two dense sets of points

步骤：

1. Assign each point in {Set 1} to its nearest neighbor in {Set 2}
2. Estimate transformation parameters – e.g., least squares or robust least squares
3. Transform the points in {Set 1} using estimated parameters
4. Repeat steps 1-3 until change is very small

可行的预处理：去除离散的噪点。

扩展：PCL云点集

转载于:https://www.cnblogs.com/sialianzi/p/9916715.html