配准带尺度点云的方法汇总

9月前作者：Darren214 分类：Toy博客阅读(48) 违法举报

这篇具有很好参考价值的文章主要介绍了配准带尺度点云的方法汇总。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

如果点集之间不存在缩放关系时(即尺度相同时), 可以用经典ICP( Iterative Closest Point )方法求解得到旋转矩阵R和平移向量t来进行点集对齐。

如果存在缩放关系时，首先估计出点集S1和S2之间的缩放倍数s, 我们就可以利用ICP算法求解。

一、尺度因子s是两个点集中线段长度的比值

配准两组三维点集合步骤[参考]：

1.1 求解尺度因子s

①找到一个相似变换矩阵：

pcl icp配准带有尺度的点云,点云配准,算法,机器学习,矩阵

②找到点集S1和S2匹配好的一对点，做变换：

pcl icp配准带有尺度的点云,点云配准,算法,机器学习,矩阵

③再找另外一对3D-3D匹配点，做变换：

pcl icp配准带有尺度的点云,点云配准,算法,机器学习,矩阵

④让以上两个公式相减：

pcl icp配准带有尺度的点云,点云配准,算法,机器学习,矩阵

⑤对上式两边取模值(因为旋转矩阵R不影响向量长度)：

pcl icp配准带有尺度的点云,点云配准,算法,机器学习,矩阵

⑥计算得到尺度因子s:

pcl icp配准带有尺度的点云,点云配准,算法,机器学习,矩阵

物理含义是: 两个点集的"形状"相同, 在两个点集中分别找到一条对应的线段, 线段长度的比值就是这两个点集的缩放倍数。（该方法对于要配准的两个点云形状要求比较严格）

1.2 ICP求解

尺度放缩后的点云进行配准，就相当于刚体变换，可以直接适用ICP算法。文章来源地址https://www.toymoban.com/news/detail-790566.html

到了这里，关于配准带尺度点云的方法汇总的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

PCL - 3D点云配准(registration)介绍

前面多篇博客都提到过，要善于从官网去熟悉一样东西。API部分详细介绍见 Point Cloud Library (PCL): Module registration 这里博主主要借鉴Tutorial里内容（博主整体都有看完） Introduction — Point Cloud Library 0.0 documentation 接下来主要跑下Registration中的sample例子一.直接运行下How to use iter

2024年02月12日
浏览(49)
open3d点云配准函数registration_icp

open3d快速上手 ICP, 即Iterative Closest Point, 迭代点算法。 ICP算法有多种形式，其中最简单的思路就是比较点与点之间的距离，对于点云 P = { p i } , Q = { q i } P={p_i}, Q={q_i} P = { p i } , Q = { q i } 而言，如果二者是同一目标，通过旋转、平移等操作可以实现重合的话，那么只需

2023年04月19日
浏览(44)
使用PCL库中PPF+ICP进行点云目标识别

在使用过程中踩到的坑：（1）：PointCloudPPFSignature::Ptr cloud_model_ppf(new PointCloudPPFSignature()); PPFEstimationPointNormal, PointNormal, PPFSignature ppf_estimator; ppf_estimator.setInputCloud(cloud_model_input); ppf_estimator.setInputNormals(cloud_model_input); ppf_estimator.compute(*cloud_model_ppf); 运行到

2024年02月15日
浏览(69)
Open3D 点云与模型ICP配准（Python，详细步骤版本）

这是一个很有趣的功能，在真正进入主题之前，让我们先回顾一下点云与点云ICP算法的过程，如下图所示：（1）挑选发生重叠的点云子集，这一步如果原始点云数据量比较巨大，一般会对原始点云进行下采样操作。（2）匹配特征点。通常是距离最近的两个点，当然这需要视

2024年02月06日
浏览(63)
Open3D 点云ICP精配准（纯Python详细步骤版本，点到点）

ICP算法总共分为6个阶段，如下图所示：（1）挑选发生重叠的点云子集，这一步如果原始点云数据量比较巨大，一般会对原始点云进行下采样操作。（2）匹配特征点。通常是距离最近的两个点，当然这需要视评判的准则而定。（3）加权。根据点的匹配程度对找到的对应点

2024年02月07日
浏览(45)
【PCL 保存点云数据为 PCD 文件的方法汇总】

PCL（Point Cloud Library）提供了多种方法来保存点云数据为 PCD 文件，具体使用

2024年02月10日
浏览(31)
点云配准--gicp原理与其在pcl中的使用

总结：gicp引入了概率信息（使用协方差阵），提出了icp的统一模型，既可以解释点到点和点到面的icp，也在新模型理论的基础上，提出了一种面到面的icp。论文原文：《Generalized-ICP》在概率模型中假设存在配准中两个点集, A ^ = { a i ^ } hat{A}=left{hat{a_{i}}right} A ^ = { a i

2024年01月19日
浏览(53)
【C++PCL】点云处理SAC-IA配准

目录 1.原理介绍 2.代码效果 3.源码展示 4.参数调试 5.注意事项

2024年01月22日
浏览(48)
PCL 快速计算点云的法向量

PCL中计算点云法向量的方法采用的是Eigen库中的矩阵分解法，在阅读Open3D源码时发现Open3D集成了一种快速计算法向量的方法，该方法采用的文献A robust algorithm for finding the eigenvalues and eigenvectors of 3 × 3 symmetric matrices中提到的数值优化算法。仔细研究该论文会发现其计

2024年02月07日
浏览(39)
PCL点云处理之Gicp配准（附代码，实验结果）（九十一）

ICP 算法最早由 Arun 等于 1987 年提出，这种点集与点集坐标系匹配的算法被证明是解决复杂配准问题的关键方法。GICP 点云融合算法与 ICP 算法目标一致，但实现有所区别。ICP 的理论推导严谨，但对点云要求比较严格，在实验中可能无法做到两个点集一一对应（实际上，很多时

2024年02月13日
浏览(51)