点云配准——（1）几种点云配准算法比较

置顶 已于 2022-03-16 23:16:22 修改
阅读量7.1w 收藏 718
点赞数 89
CC 4.0 BY-SA版权
分类专栏： PCL点云学习 文章标签： pcl学习
于 2019-03-05 17:02:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43236944/article/details/88188532

几种点云配准算法比较

参考许多博客，看了点云配准的好多算法，决定对这几天搞得点云配准做一个总结，主要也防止自己忘掉。主要参考下面这个博客，链接已经附上。
https://blog.youkuaiyun.com/peach_blossom/article/details/78506184

一、算法实现软硬件环境

CPU：intel corei5-5200 @2.20Hz

显卡：Nvidia GeForce GTX 850M

内存：8GB

操作系统：Windows 10 专业版

开发环境：Vs2013 +pcl1.8.0（release）

点云配准数据集：不同角度下的bunny rabbit

二、点云配准比较

2.1 配准目标
根据原始点云和目标点云，通过配准求出变换矩阵，即旋转矩阵R和平移矩阵T，并计算误差，来比较匹配结果。主要有以下几种比较
（1）基于局部特征描述子（PFH、FPFH、3Dsc）；
（2）基于概率分布 （NDT）；
（3）icp粗配准比较 。

2.2 配准目标
（1）提取关键点
（2）特征描述
（3）一致性估计
（4）精配准
（5）误差分析：有一片点云，通过一直的旋转变换得到目标点云，让后通过下面几种配准方法，求出R、T，和实际变换矩阵比较，得到误差。

2.3 粗配准比较
粗配准的各种算法原理不加以介绍，好多博客中已经给出了详解。配准中，由于不同点云数据集的特性，需要提取不同关键点。本文统一对数据集进行滤波采样，减少点的数量，来提高算法的效率。

2.3.1 结果图分析
原始图
**a原始图**
pfh粗配准
pfh
fpfh粗配准
在这里插入图片描述
3Dsc粗配准
在这里插入图片描述
ndt粗配准
在这里插入图片描述

2.3.2 时间分析

时间分析

2.3.3变换矩阵分析
变换矩阵结构为

R3*3T1*3
01

在这里插入图片描述

2.3.4误差分析
在这里插入图片描述

2.4 粗配准中的icp用法

icp配准一般用于精配准中，我看了看网上博客，似乎可以直接进行配准，所以对两组不同角度的点云数据集进行配准。得到的结果如下：
在这里插入图片描述
t=0.063s
在这里插入图片描述
t=0.05s

在icp粗配准，当给不同的数据集时（R、T不同时的点云），icp可能陷入局部最优解，故icp一般用于精配准中，且需要提供良好的初值。

综上，粗配准方案中，算法耗时时间依次为NDT<FPFH<PFH<3Dsc；其中FPFH特征为PFH特征描述子的改进。NDT耗时少，但从上述图中观察，初值提供不够精确。其中旋转矩阵R和平移矩阵T已经列出。

2.4 完全配准比较
下面对上述几种粗配准方案中，加上精配准。然后对结果进行比较。
2.4.1 结果图分析
在这里插入图片描述
pfh+icp
在这里插入图片描述
fpfh+icp
在这里插入图片描述
3Dsc+icp
在这里插入图片描述
ndt+icp

2.4.2 时间分析
在这里插入图片描述
2.4.3变换矩阵分析
在这里插入图片描述

2.4.4误差分析
在这里插入图片描述
可以得出，配准精度最高的是3Dsc，但耗时最长。
耗时：ndt<fpfh<pfh<3dsc

代码下载链接
https://download.youkuaiyun.com/download/weixin_43236944/10997992
https://download.youkuaiyun.com/download/weixin_43236944/10998014

后续两个月更新完
基于PCL的QT开发

Matlab 点云配准——四元数法求变换矩阵
GfEmacs_Lisp的博客
09-22 386
在将特征点对齐时，我们需要计算每个特征点的描述子。为了进行点云配准，我们需要从点云数据中提取特征点。点云配准的目标是找到一个刚体变换矩阵，将一个点云的坐标系与另一个点云的坐标系对齐。在点云配准中，我们可以使用四元数来表示点云之间的相对旋转。根据特征描述子的相似性，我们可以将两个点云的特征点进行匹配。通过以上步骤，我们成功使用四元数法求解变换矩阵，实现了点云配准。最后，我们可以将变换矩阵应用到点云数据上，对其进行变换和对齐。有了匹配的特征点对，我们可以使用四元数法求解变换矩阵。函数计算法线向量，并使用。
点云配准笔记 2025
jacke121的专栏
07-07 2240
https://github.com/MIT-SPARK/TEASER-plusplus https://github.com/RWTH-EBC/TEASER
点云完全配准算法比较
03-05
根据上次的点云粗配准，对点云进行完全配准，并且计算分析误差。主要包括NDT、3Dsc、FPFH、PFH几种算法比较。
点云配准——经典配准算法及配准效果对比
博客内容均来自于团队成员长期以来在科研道路中的心得体会与经验总结，难免存在疏漏或偏差，欢迎大家分享，交流，探讨与指正
11-29 2222
点云配准技术即是通过寻找不同视角下不同点云之间的映射关系，利用一定的算法将同一目标场景的不同点云转换到同一个坐标系下，形成更完整的点云的过程。3D点云配准是是点云处理技术的一个重要组成部分。如何使点云配准方法更加快速准确 已成为一个点云研究的热点和难点。点云配准要应对点云数据的无序性、非结构化、不均匀和噪声等干扰。如何有效地利用已有的信息实现精确、鲁棒的点云配准算法具有重要的研究意义和价值。
C++保姆级教程(六):数组与字符串
最新发布
分享知识，拥抱变化
08-05 767
本文系统介绍了C++中数组与字符串的核心知识。主要内容包括：一维/二维数组的基本概念、定义初始化、访问遍历方法；字符数组(C风格字符串)和string类的使用对比；数组排序、求最值等常用操作以及字符串比较、查找、替换等实用功能。通过统计单词数、矩阵转置等实战案例，帮助读者掌握批量数据处理的核心技能。特别强调数组下标从0开始和string类更安全易用的特点，为后续数据结构学习奠定基础。
点云配准算法
人无远虑，必有近忧
12-08 1万+
点云配准（Point Cloud Registration）算法指的是输入两幅点云 Ps (source) 和 Pt (target)，输出一个变换T（即旋转R和平移t）使得 T(Ps)和Pt的重合程度尽可能高。常用的有NDT、ICP。本文主要介绍ICP（Iterative Closest Point）算法及其各种变体。 点云配准首先要知道两组点云的匹配关系，对于视觉三维点来说，可以通过视觉特征匹配来获取，对于雷达点云，可以通过最近邻匹配来获取，关于匹配本文不深入介绍。 知道点云的匹配关系后，通过粗配准
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。
点云配准(CloudCompare软件)
热门推荐
dayuhaitang1的博客
03-05 2万+
话不多说，直奔正题。 文章目录一、Align配准算法二、ICP配准算法 一、Align配准算法 1.打开软件，加载数据。 2、为了便于我们分辨，修改数据的颜色。 同上过程，将配准2数据修改为绿色。 3、同时选择配准1和配准2数据，然后再选择配准Align配准方法进行配准。 4、选择自己要配准的数据，另一个数据则会成为参考数据。 5、选择对应的特征点，这个按自己的需求，不过至少需要3对特征点...
点云配准代码.rar
02-26
ICP是一种广泛应用的点云配准算法，它在每次迭代中都会更新配准变换，直到达到预设的收敛条件。 5. **稳定性检查**：为了确保配准的稳定性，通常会进行多次配准并选择最佳结果，或者通过计算配准后的点云重叠率和...
点云库从入门到精通ch11——点云配准
weixin_48240054的博客
11-06 848
点云库PCL入门到精通ch11——点云配准概述
ICP算法介绍，机器人姿态估计，三维点云配准
u013531166的博客
09-18 2276
ICP算法，即Iterative Closest Point（迭代最近点）算法，是一种广泛应用于计算机视觉和图像处理领域的几何配准算法。它的主要目的是通过最小化两组点集之间的距离来找出一组变换，使得两组点集尽可能地对齐。ICP算法最常用于三维点云的配准问题，但它的思想也可以应用于二维空间中的问题。ICP算法的成功关键在于找到两组点之间的最佳刚体变换（即旋转和平移），使得两组点尽可能地重合。
ICP点云配准算法
12-22
ICP点云配准算法，基于Python实现 ICP点云配准算法，基于Python实现
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
点云配准
o180o的博客
05-10 2万+
目录 一、点云配准概念 二、点云配准分类 1. 无辅助的自动拼接 2.人工辅助标志点 三、配准常见流程 1. 粗配准 2. 精配准 （1）奇异值分解求解 （2）四元素求解旋转矩阵 参考文献 一、点云配准概念 由于三维扫描测量设备受测量方式的限制和被测物体集合形状的限制，一次只能扫描被测物体有限范围的点云数据，这需要在多个视角下进行多次扫描，然而每个视角...
点云配准方法的比较：ICP与NDT
UePostscript的博客
09-25 364
最常见的点云配准方法包括迭代最近点（Iterative Closest Point，ICP）和法线分布变换（Normal Distribution Transform，NDT）。ICP和NDT是两种常见的点云配准方法，它们在配准问题中发挥着重要的作用。ICP通过迭代最近点匹配和刚体变换来对齐点云，而NDT则利用概率密度函数建模来计算两个点云之间的相似性，并进行优化变换。根据具体的应用需求和数据特点，选择合适的方法进行点云配准可以提高算法的效果和精度。ICP是点云配准中最经典和广泛使用的方法之一。
点云算法对比ICP、NDT，LM，Ceres-Solver，KDTree，SVM和ComplexYOLO、CenterPoint、PNP
人生得意须尽欢
01-29 9725
YOLOV3 YOLOV4 CenterNet 笔记本 thikpad 960max() X1 1650ti 台式机 1050ti 1：YOLOV3和YOLOV4对比: onnx的输入size trt的输入size必须一样 thindpad GTX 940max int8 yolov4 31ms yolov3 20ms fp16 yolov4 52ms yolov3 47ms fp32 yolov4 53ms yolov3 20ms 1650ti (fp32)
点云配准的传统算法ICP与NDT概述
点云PCL
03-10 8876
公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起交流一起进步,有兴趣的可联系微信：920177957。本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。什么是点云配准点云配准是指将多个点云数据集在相同坐标系下进行对齐的过程，使得它们在空间中具有一致的位置和姿态。在点云配准中，需要估计点云之间的转换关系，包括平移、旋转和尺度...
点云的配准算法‌
weixin_41150257的博客
11-23 794
点云的配准算法是将多个点云数据集对齐以便进行后续分析和处理的关键技术。
点云配准模型
03-20
### 点云配准模型及相关实现方法 #### 一、点云配准概述 点云配准的核心目标是将来自不同视角或传感器的多组三维点云数据对齐到同一坐标系下，从而构建完整的三维几何模型。这一技术广泛应用于机器人导航、自动驾驶、医疗影像等领域[^1]。 #### 二、经典点云配准算法——ICP ICP（Iterative Closest Point）是最经典的点云配准算法之一。它通过反复执行以下几个步骤完成点云对齐： - **初始对齐**：设定初步猜测的姿态作为起始条件。 - **最近点查找**：为源点云中的每个点找到目标点云中最接近的对应点。 - **变换矩阵计算**：基于对应的点对，求解最优刚体变换矩阵。 - **应用变换**：更新源点云的位置。 - **误差评估**：判断当前对齐状态是否满足收敛条件。如果未达到，则重复上述流程直至收敛。 尽管 ICP 方法简单高效，但它对初值敏感，在存在较大噪声或离群点的情况下表现较差。 #### 三、改进的 RANSAC 配准方法 为了克服传统 ICP 对初值依赖性强的问题，可以采用基于特征描述符的方法进行粗配准，随后再利用 ICP 进行精调。其中一种常用的技术是结合 FPFH 特征与改进版 RANSAC 的策略： - **FPFH 特征提取**：快速点特征直方图能够有效捕捉局部几何结构信息，适用于大规模点云数据集。 - **RANSAC 参数估计**：随机采样一致性算法通过对候选匹配集合多次抽样验证的方式筛选出最可能的真实对应关系，并据此推导全局变换矩阵[^2]。 这种方法显著提高了鲁棒性和效率，尤其适合于具有复杂形状或者部分重叠区域较少的情况。 #### 四、实际开发工具推荐 对于希望深入研究并实践点云配准的研究者来说，以下开源库值得考虑： - PCL (Point Cloud Library): 提供全面支持各种类型操作的功能模块，包括但不限于滤波、分割以及配准等功能； - Open3D: 新兴跨平台可视化框架，易于集成现代 C++ 和 Python 生态系统； 以下是使用 PCL 库实现基本 ICP 配准的一个示例代码片段: ```cpp #include <pcl/point_cloud.h> #include <pcl/io/pcd_io.h> #include <pcl/features/fpfh.h> #include <pcl/sample_consensus/ransac.h> #include <pcl/registration/icp.h> int main() { pcl::PointCloud<pcl::PointXYZ>::Ptr source(new pcl::PointCloud<pcl::PointXYZ>()); pcl::PointCloud<pcl::PointXYZ>::Ptr target(new pcl::PointCloud<pcl::PointXYZ>()); // 加载输入文件 pcl::io::loadPCDFile("source.pcd", *source); pcl::io::loadPCDFile("target.pcd", *target); // 创建 ICP 实例对象 pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp; icp.setInputSource(source); icp.setInputTarget(target); pcl::PointCloud<pcl::PointXYZ> final; icp.align(final); std::cout << "Has converged:" << icp.hasConverged() << " score: " << icp.getFitnessScore() << std::endl; return 0; } ``` 此程序展示了如何加载两份独立扫描件并通过标准迭代方式调整它们之间的相对位置直到完全吻合为止的过程。 ---
评论 68
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小修勾

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值