26、点集配准：从刚性到非刚性的引力方法探索

点集配准：从刚性到非刚性的引力方法探索

在点集配准领域，不同的方法适用于不同的场景。本文将介绍两种重要的点集配准方法：BH - RGA 和 NRGA，探讨它们的原理、应用及实验结果。

BH - RGA 对真实世界数据的配准

BH - RGA 非常适合处理真实世界数据的配准问题，包括大型部分重叠的点集和激光雷达数据。下面我们通过具体的数据集来了解其应用。
- Apollo 和 Vestalin 数据集 ：这两个数据集是通过结构光技术获取的雕像的部分 3D 重建数据。由于扫描过程的原因，它们处于不同的参考框架中。Apollo 数据集的部分扫描包含约 30% 的聚类离群点，且点密度变化较大，因此使用了体积质量归一化（VMN）方法。VMN 虽不是 BH - RGA 算法本身的一部分，但在实践中很有用，它可以按体积单位均匀初始化质量。Vestalin 数据集使用三个锚点进行处理，并根据点的强度改变质量。
- Pedestal 数据集 ：使用两个锚点，分别位于板块的左下角和右下角。
- Universe 数据集 ：代表雕塑的两个 3D 重建，形状在下部有所不同。
- KITTI 激光雷达数据集 ：选取 2011 09 26 驱动 0001 序列的第一帧和第三帧，位移适中，离群点比例约为 20%。同样由于扫描中点密度高度变化，应用了 VMN。在没有使用锚点或其他先验知识的情况下，该算法能准确配准扫描数据，两个扫描各包含约 120k 个点，在 CPU 上不进行子采样或并行化的情况下，配准时间约为 90 秒。