thequitesunshine007的博客

4、根据配准结果，得到在场景点云Scen中，与自定义位姿Pose对应的位姿Pose’。2、通过某种编辑手段，在点云A（模板）上编辑了一个自定义位姿Pose.3、在场景点云Scen中，使用点云模板进行配准。1、以某点云A作为点云模板。

区别主要是在于源点云src经过一个初始变换后，与target点云（或者说是模板）之间的差异定义上。

SAC-IA(Sample Consensus Initial Aligment,SAC-IA)粗配准算法是一种基于局部特征描述子的点云粗配准算法，其需要计算点云的快速点特征直方图（FPFH）来保持对应点对之间的相似关系，根据相似关系来搜索点云中的对应点。其基本原理是采用采样一致性的思想，通过查看大量的点对对应关系来计算点云之间的刚体变换矩阵，并将最小配准误差对应的变换矩阵记为最佳变换矩阵。

看似一个很简单的需求，就是们在界面显示点云后，人为操作鼠标（旋转，平移，缩放）后使得点云显示的视角与比例刚好符合实际需求。那么，不由得就会想把这个调节好后的视角保存下来，当下次程序启动或者使用过程中，直接让点云显示到达这个视角。本文对应的PCL版本1.11.1.

本人环境为：vs2022社区版；qt 5.15.15(记不清了，但肯定是5.15.x)；PCL为1.13.1版本的all_in_one安装包，直接运行可执行文件就直接在本PC上安装的那种；

特别的是，由于这种增强的位姿检索，新的pipeline不需要ICP优化，从而在速度和精度之间取得更好的折衷。具体来说，学习到的是哈希表bin的权重值，以及模型点的权重值。2013年，Choi等人继续对PPF做出改进，提出用不同种类的点对几何关系，如利用“boundary-to- boundary”的边缘点点对构建特征。Drost的方法很快得到了广泛的关注，Choi等人在2012年对PPF进行了改进，将传统的四维几何点对特征扩充了颜色信息，得到CPPF这么一个十维特征描述子（两点各增加了RGB信息）。

【代码】三维空间内的直线最小二乘拟合。

前提：固定系欧拉角,旋转顺序XYZ。

利用凸凹最直接的性质去判断，即：两个相近的凸点组成的直线，将会把他们的近邻点完全隔离在直线的同一侧。如此一来，先选取一个明显的凸点，如y坐标最小的点，以它为出发点，贪婪式搜寻即可。如下图所示：假设0点为y坐标最小的点，图中带编号的点为其近邻点（kd-tree加速查找），遍历编号1~13的点，当遍历到点1时，点0点1组成的直线将点2~点13完全隔离在直线同一侧（条件），满足这个条件后，将点1作为下一轮的出发点，重复上述过程即可。

利用到了QR分解求解方程组的方法。

我们知道主成分分析会得到特征值、特征向量，最大的特征值及其对应的特征向量则为主成分，表示数据分布的主方向。最小特征值对应的特征向量则可以认为是空间点云的法向量。

绕固定系旋转，旋转的先后顺序为X、Y、Z。当然也支持XYZ的任意顺序旋转。

【代码】求两个(法)向量之间的rpy夹角。

原理就是根据数据构建求解方程组，分析其系数矩阵的性质进行求解。

是关于列旋转（pivoting）的QR分解。它对所有矩阵都适用，而且速度也很快。

如果随机变量X满足正态分布（即 X∼N(μ,σ) ）,则其概率密度函数为：其中的 μ 为正态分布的均值， σ2 为方差，这是对于维度 D=1 的情况而言的。对于多元正态分布而言，其概率密度函数可以表示为：其中u 表示均值向量，而∑表示协方差矩阵。协方差矩阵对角元素表示的是对应的元素的方差，非对角元素则表示对应的两个元素（行与列）的相关性。协方差矩阵对角元素表示的是对应的元素的方差，非对角元素则表示对应的两个元素（行与列）的相关性。

【代码】高斯牛顿（非线性最小二乘优化方法）

噪声：也称为孤立点/离群点/异常点，是指点云数据中的不相关或不希望存在的干扰信号或误差。噪声来源：环境光线的明亮程度、测量设备精度及系统误差、物体材料及表面的纹理和人为抖动等因素影响。

sudo apt install snapsudo snap install cloudcompare

转载自：3d视觉资源_诺有缸的高飞鸟的博客-优快云博客

RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。RANSAC的基本假设是：（1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释；（2）“局外点”是不能适应该模型的数据；（3）除此之外的数据属于噪声。局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。R...

点云配准使用了SAC-IA粗配准+ICP精配准的递进策略。转载自博客：https://blog.youkuaiyun.com/peach_blossom/article/details/78506184另外单独推荐一本PCL入门的书籍《点云库PCL从入门到精通》，机械工业出版社。本书循循渐进、深入浅出，书中带有示例代码并详细说明。既说明了一些算法的道理，又不至于过于深入晦涩。对于基础入门研究和工程应用开发人员来说，无疑是一本不可多得的参考书。SAC-IA粗配准+ICP精配准 的递进策略实际上也是出自于这本书