点云粗配准

点云精细配准受到初始值的影响，会收敛到局部最小值，因此点云的粗配准就变得相当重要。对于刚体来说，假设目前有原始点云 $\boldsymbol p_i^s(i = 1,\cdots,n)$ 和目标点云 $\boldsymbol p_i^t(i = 1,\cdots,m)$ ，点云粗配准完成的工作主要就是求解两团刚体之间的 $\boldsymbol R$ 和 $\boldsymbol t$ ，使得原始点云 $\boldsymbol p_i^s$ 通过变换得到新的点云 $\boldsymbol p_i^{s_{new}} = \boldsymbol R \boldsymbol p_i^s + \boldsymbol t$ 和目标点云 $\boldsymbol p_i^t$ 之间最接近，即两者之间最近邻距离小于 $\varepsilon$ 的点云数目最大化，该准则被称为LCP（Largest Common Points）

假设现在找到了 $k$ 个点云对 $\boldsymbol p_i^t$ 和 $\boldsymbol p_i^s,i = 1,\cdots,n$ ，那么点云配准就是在求解最优的 $\boldsymbol R^*,\boldsymbol t^*$ 使得满足如下的式子
$\boldsymbol R^*,\boldsymbol t^* = \arg\min_{\boldsymbol R,\boldsymbol t}\frac{1}{k} \sum_{i =1}^{k}w_i||\boldsymbol R \boldsymbol p_i^s + \boldsymbol t - \boldsymbol p_i^t||^2$

求解上述问题的常用步骤如下

从目标点云和源点云中找到点对 $\boldsymbol p_i^t,\boldsymbol p_i^s$
根据权重，计算等效中心 $\overline{\boldsymbol p^t} = \frac{\sum_{i = 1}^k w_i \boldsymbol p_i^t}{\sum_{i = 1}^k w_i}, \overline{\boldsymbol p^s} = \frac{\sum_{i = 1}^k w_i \boldsymbol p_i^s}{\sum_{i = 1}^kw_i}$
将每个点去中心化 $\hat{\boldsymbol p_i^s} = \boldsymbol p_i^s - \overline{\boldsymbol p^s},\hat{\boldsymbol p_i^t} = \boldsymbol p_i^t - \overline{\boldsymbol p^t}$
对协方差矩阵进行SVD分解 $\Sigma = \boldsymbol U \boldsymbol \Lambda \boldsymbol V^T$ ，其中协方差矩阵 $\Sigma$ 为
$\Sigma = \begin{bmatrix} \hat{\boldsymbol p_1^s} & \hat{\boldsymbol p_2^s} & \cdots & \hat{\boldsymbol p_k^s} \end{bmatrix} \begin{bmatrix} w_1 & 0 & \cdots & 0 \\ 0 & w_2 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & w_k \end{bmatrix} \begin{bmatrix} \hat{\boldsymbol p_1^t}^T \\ \vdots \\ \hat{\boldsymbol p_k^t}^T \end{bmatrix}$
求解得到旋转矩阵 $\boldsymbol R^* = \boldsymbol V \begin{bmatrix} 1 & 0 & \cdots & 0 \\ 0 & 1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & |\boldsymbol V \boldsymbol U^T| \end{bmatrix}\boldsymbol U^T$
求解得到平移向量 $\boldsymbol t^* = \overline{\boldsymbol p^t} - \boldsymbol R^* \overline{\boldsymbol p^s}$

注意到在每个点集中选取3组点就可以进行上述的计算，然后根据LCP准则得到最优的 $\boldsymbol R^*$ 和 $\boldsymbol t^*$ ，因此使用穷举法的复杂度是 $O(n^3m^3k)$ ，如果点云数量在 $10^4$ 量级，该复杂度在工程上是不可接受的。为了降低复杂度，后面涌现了一大批算法，其本质思想就是在选择点对的时候根据某些条件去掉明显不可理的点对，这些算法的区别就在于如何设计这些条件。

因此有人提出了RANSAC算法，从源点云中随机提取3个点，然后穷举目标点云中所有3点对计算旋转矩阵，然后根据旋转矩阵计算距离小于 $\varepsilon$ ，重复此步骤 $L$ 次，根据LCP准则从这 $L$ 次中选取最优的 $\boldsymbol R^*$ 和 $\boldsymbol t^*$ ，该方法的复杂度是 $O(Lm^3k)$ ，通过调节 $L$ 在精度和速度之间取得平衡。

4PCS算法在源点云中选取四个点，如果是刚体变换的话，目标点云中对应的四个点同样需要满足一定的条件，这四个点需要满足一定的条件，通过该条件来筛选原始点对，减少计算量。

最后编辑于：2023.01.27 10:12:53

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 205,132评论 6赞 478
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 87,802评论 2赞 381
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 151,566评论 0赞 338
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,858评论 1赞 277
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,867评论 5赞 368
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,695评论 1赞 282
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 38,064评论 3赞 399
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,705评论 0赞 258
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 42,915评论 1赞 300
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,677评论 2赞 323
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,796评论 1赞 333
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,432评论 4赞 322
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 39,041评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,992评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,223评论 1赞 260
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 45,185评论 2赞 352
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,535评论 2赞 343

点云粗配准

推荐阅读更多精彩内容