PCL 4PCS点云粗配准（Registration_FPCS）

原创

已于 2024-09-20 09:29:40 修改 · 1.9k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #人工智能 #数据结构 #机器学习 #3d

于 2024-09-07 15:31:24 首次发布

PCL专栏目录及须知

4PCS用于点云粗配准，ICP用于粗配准之后的精配准。

本文算法原理参考于：3D点云配准算法-4PCS（4点全等集配准算法）

1.4PCS算法原理

核心思想：使用四个近似共面点来描述两个三维点云之间的刚性变换关系，因此由称”四点匹配算法“。即不停迭代计算源点云Q的四点集Qa，与目标点云P中与Qa重叠度最高的四点集Pb，二者之间的最优变换矩阵T，得到粗配准的变换矩阵。

如下图：

1.点云四点集的确定

（1）选择三个共面点

1）在源点云中随机选择三个点，要求这三点所构成的三角形面积尽量的大（三点确定一个平面，向量叉积可以计算面积），但是三点间的距离不能超过一定

最低0.47元/天解锁文章

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

者山海

关注关注

19
点赞
踩
34

收藏

觉得还不错? 一键收藏
0
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

点云配准Super-4PCS

11-15

点云配准算法super-4pcs，是4pcs算法的升级版，代码来自于官网。

pcl tricp ndt 4pcs点云配准

02-21

基于pcl 的tricp ndt 4pcs点云配准

参与评论您还未登录，请先登录后发表或查看评论

4PCS点云配准

m0_48748418的博客

09-14

1400

4PCS点云配准算法介绍

PCL使用4PCS配准

qq_58060770的博客

04-03

307

它的主要目的是通过识别在两个点集之间共享的几何特征来找到一个较好的初始变换，这样可以为后续的局部（精细）配准算法（如ICP）提供一个好的起点。设置得过大可能会引入错误的对应点，过小则可能漏掉正确的配对。较小的值意味着更高的精度要求，但算法可能需要更长的时间来找到满足条件的对应点对，或者可能根本找不到对应点。较高的采样点数量可能会提高配准的准确性，但同时也会增加计算时间。是一个指向点云的智能指针，包含了经过初始对齐后的源点云。设置目标点云，即源点云将要对齐到的参考点云。设置源点云，即需要被对准的点云。

Open3D 进阶（36）4PCS算法实现点云粗配准

最新发布

点云侠的博客

09-19

679

4PCS算法是一种基于仿射不变性的全局点云配准方法，适用于初始位姿未知、低重叠度或含噪声的点云数据。其核心思想是通过寻找共面的四点基，利用仿射不变比率建立对应关系，计算最优刚体变换。该算法对初始位姿不敏感且能处理低重叠数据，但计算复杂度较高。代码实现包括点云预处理、四点基搜索、仿射不变性计算、变换矩阵估计等步骤，适用于考古重建、大场景三维重建等需要初始对齐的场景。算法先进行粗配准，为后续精配准提供良好初始估计。

PCL 点云配准 LM-ICP算法（精配准）

纵马踏花向自由

10-19

1439

LM-ICP（Levenberg-Marquardt Iterative Closest Point）算法是一种基于 Levenberg-Marquardt 非线性优化的 ICP 点云配准算法。相较于传统的 ICP 算法，LM-ICP 在迭代优化过程中引入了更复杂的误差修正机制，能够更有效地处理带有噪声、局部不规则的点云数据，实现更加精确的点云配准。

PCL 4PCS点云粗配准算法

m0_51204289的博客

10-27

1155

PCL 4PCS点云粗配准

dayuhaitang1的博客

11-18

1146

PCL 4PCS点云粗配准

CloudCompare&PCL 4PCS点云粗配准

dayuhaitang1的博客

05-08

1540

文章目录一、原理概述二、PCL中的4PCS三、实现过程一、原理概述这里是引用二、PCL中的4PCS 类型：pcl::registration::FPCSInitialAlignment< PointSource, PointTarget, NormalT, Scalar >，相关参数： setTargetIndices (const IndicesPtr &target_indices) 提供指向目标索引向量的指针。 setSourceNormals (const Nor

4PCS算法点云粗配准

twnkie的博客

11-01

1262

4PCS算法通过寻找两个点云中四个点的集合，这些点的几何关系在两个点云中保持一致，以实现点云的刚性配准。与很多ICP（Iterative Closest Point）类方法不同，4PCS不需要初始猜测，因此对初始位置不敏感，这使得它在一些应用中表现出色。

PointCloudLib 4PCS算法实现点云粗配准 C++版本

linux_huangyu的博客

07-01

468

4PCS（Four-Points Congruent Sets）算法是一种用于实现点云粗配准的有效方法，特别适用于重叠区域较小或重叠区域发生较大变化的场景。以下是关于4PCS算法实现点云粗配准过程的详细解释：1. 算法原理4PCS算法基于RANSAC（Random Sample Consensus）算法框架，通过构建与匹配全等四点对的方式来减少空间匹配运算，进而加速配准过程。

3D点云配准算法-4PCS（4点全等集配准算法）

成长之路，不畏荆棘

09-01

5550

3D点云配准算法-4PCS算法，言简意赅全干货

点云配准4pcs算法

11-15

4PCS算法就是用P上的四个共面点集合作为基础集合B,然后在Q上迅速找到所有与B近似全等(两个四点集合可以被匹配)的包含四个点的子集。可以和之前上传的super作对比。。代码来自于官网

4pcs点云配准

weixin_56004792的博客

02-01

1793

1.点云数据配准点云来自斯坦福的兔子点云，本文使用其中0度及45度扫描点云，但经过放大处理，xyz都放大了100倍。原因是原点云太小，导致阈值不好控制。比如对于原点云来说，点间距离本来就特别小，即使是非正确对应点。本文将45度点云配准至0度点云。 2.参数调整 delta的可通过以下方式调节： delta太小，结果是输出的是单位矩阵，应该增大delta； delta太大，结果是运行很久，内存一直增加，可能还会占满电脑所有内存然后程序崩掉，应该减小delta 3.代码 #include <

CloudCompare——4PCS点云粗配准【2025最新版】

点云侠的博客

10-24

2006

CloudCompare软件中4PCS点云粗配准方法的操作流程及算法原理详细介绍。

PCL法向量约束的四点配准算法（4PCS）- 点云配准算法详解

GfEmacs_Lisp的博客

09-16

637

近年来，由于三维扫描技术和传感器设备的发展，点云配准在三维重建、目标识别、SLAM等应用中得到了广泛的应用。本文详细介绍了PCL法向量约束的四点配准算法（4PCS），包括算法原理和步骤，并给出了相应的源代码。该算法在点云配准问题中具有较好的效果，并且可以应用于多个领域，如三维重建、目标识别等。它的核心思想是寻找共面的四点子集，并利用法向量约束来进行初始对齐，然后通过迭代优化得到最终的配准结果。2.1 数据预处理：对输入的点云数据进行预处理，包括滤波、去噪和下采样等操作，以提高配准的效果和速度。

点云配准--4PCS原理与应用

xinxiangwangzhi_的博客

06-19

6112

点云配准

PCL点云配准

thequitesunshine007的博客

05-31

709

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

生成4PCS点云粗配准代码

09-25

在使用PCL（Point Cloud Library）进行4PCS（Four Point Congruent Sets）点云粗配准时，一般会涉及到以下几个步骤。请注意，这里给出的是一个简化的示例，实际应用中可能需要更复杂的错误检测和优化循环： ```cpp #include <pcl/point_cloud.h> #include <pcl/features/normal_3d.h> #include <pcl/features/eigenfeatures.h> #include <pcl/features/feature_cloud.h> #include <pcl/registration/transformation_estimation.h> #include <pcl/registration/icp.h> // 假设我们有两组点 cloud_a 和 cloud_b pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_a(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_b(new pcl::PointCloud<pcl::PointXYZ>); // 步骤1：选取特征点 pcl::NormalEstimation<pcl::PointXYZ, pcl:: Normal> ne; ne.setInputCloud(cloud_a); ne.setSearchMethod(pcl::search::KdTree<pcl::PointXYZ>::Ptr(new pcl::search::KdTree<pcl::PointXYZ>)); ne.compute(*cloud_a); pcl::FeatureCloud<pcl::PointXYZ, Eigen::MatrixXf> feature_cloud_a; pcl::copyPointCloud(*cloud_a, feature_cloud_a); // 对于另一组点云同样操作，得到 feature_cloud_b // 步骤2：寻找对应点 pcl::Correspondences corres; find对应点(feature_cloud_a, feature_cloud_b, corres); // 步骤3：粗配准 Eigen::Affine3f initial_guess; initial_guess.translation().setZero(); // 初始猜测为无位移 TransformationEstimation<pcl::PointXYZ, pcl::PointXYZ> te; te.estimateTransformation(corres, *cloud_a, *cloud_b, initial_guess); // 精细化配准，这里省略 ``` 上述代码仅提供了一个基本框架，实际应用中可能需要处理异常情况，例如检查特征点的数量是否足够，或者使用RANSAC来增强鲁棒性。同时，最后可能还需要结合ICP（Iterative Closest Point）算法进行精细配准。