三维点云拼接标记点拼接 SVD分解法

在三维重建的过程中每次只能测量有限的区域，那么拼接的操作就再所难免了，最终拼接的效果往往觉得了你做的产品是否真的有价值。很多市面上的产品在比较的时候首先看的是整体的重建效果，而整体的效果就是拼接决定的。拼接的效果由精度和效率决定的，首先是精度主要看最终拼接的点云之间融合的好坏，其次的效率，效率主要考察的是在拼接的过程是否流畅，是否需要很多标记点，好的拼接效率就是在使用少量的标记点也能拼接出高精度的效果。

拼接的精度是由你使用的算法决定的，拼接的终极思想就是计算出两幅点云的[R,T],其中最方法很多，我介绍的是基于SVD分解的方式，敲公式太麻烦了，还是手写的吧！！

CalcRalteR_T(_vPoint3 &vPtsA,_vPoint3 &vPtsB,CvMat *&matR,CvMat *&matT)
{CExternalLibrary Clapack;int i,j;VECTOR3 meanA;meanA.x=0;meanA.y=0;meanA.z=0;for (i=0;i<vPtsA.size();i++){meanA+=vPtsA[i];}meanA=meanA/vPtsA.size()VECTOR3 meanB;meanB.x=0;meanB.y=0;meanB.z=0;for (j=0;j<vPtsB.size();j++){meanB+=vPtsB[j];}meanB=meanB/vPtsB.size();_vVector3 substractmeanA;_vVector3 substractmeanB;for (int m=0;m<vPtsA.size();m++){VECTOR3 result=vPtsA[m]-meanA;substractmeanA.push_back(result);}for (int n=0;n<vPtsB.size();n++){VECTOR3 result=vPtsB[n]-meanB;substractmeanB.push_back(result);}float matData[9];for (int ii=0;ii<9;ii++){matData[ii]=0.0f;}float matData1[3];for (int jj=0;jj<3;jj++){matData1[jj]=0.0f;}CvMat matTet=cvMat(3,3,CV_32FC1,matData);//matR=cvCreateMat(3,3,CV_32FC1);CvMat *matTet1=cvCreateMat(3,3,CV_32FC1);for (i=0;i<3;i++){for (j=0;j<3;j++){cvSetReal2D(matTet1,i,j,0);}}CvMat matA1,matB1,*matB1Transpose;matB1Transpose=cvCreateMat(3,1,CV_32FC1);for (i=0;i<vPtsA.size();i++){float b1[3]={substractmeanB[i].x,substractmeanB[i].y,substractmeanB[i].z};float a1[3]={substractmeanA[i].x,substractmeanA[i].y,substractmeanA[i].z};matB1=cvMat(1,3,CV_32FC1,b1);matA1=cvMat(1,3,CV_32FC1,a1);}cvReleaseMat(&matB1Transpose);CvMat *matW,*matU,*matV;matW=cvCreateMat(3,1,CV_32FC1);matU=cvCreateMat(3,3,CV_32FC1);matV=cvCreateMat(3,3,CV_32FC1)CvMat *matX;CvMat *matUTranspose;matX=cvCreateMat(3,3,CV_32FC1);matUTranspose=cvCreateMat(3,3,CV_32FC1);//matT=cvCreateMat(1,3,CV_32FC1);cvSub(&matMeanA,matBMeanMulMatR,matT);cvReleaseMat(&matW);cvReleaseMat(&matU);cvReleaseMat(&matV);cvReleaseMat(&matBMeanMulMatR);cvReleaseMat(&matUTranspose);cvReleaseMat(&matTet1);cvReleaseMat(&matX);}

交流 QQ:1264768501

三维点云拼接标记点拼接 SVD分解法相关推荐

SLAM--三角测量SVD分解法、最小二乘法及R t矩阵的判断
目录一.三角测量方法一:SVD分解法的推导方法二:最小二乘法求解二.ORB_SLAM2 三角测量源码: 三.利用Eigen源码实现三角测量: 方法一:SVD分解法方法二:最小二乘法求解(速度 ...
深度相机Kinect2.0三维点云拼接实验（三）
文章目录概要刚体空间旋转的描述旋转矩阵欧拉角四元数刚体空间平移的描述总结概要 Kinect2.0是微软推出的一款RGB-D相机,它即支持普通相机的拍摄,也支持脉冲测量深度信息.本系 ...
深度相机Kinect2.0三维点云拼接实验（二）
文章目录摘要 Linux系统下的环境搭建 Ubuntu系统安装 ROS-Melodic安装 Kinect2.0驱动安装 PCL库安装 Open-CV库安装注意事项 Windows10系统下的环境搭 ...
PCL三维点云拼接融合技术
转自:https://blog.csdn.net/dcba2014/article/details/71859375?locationNum=2&fps=1 本例使用pcd格式点云文件进行配准 ...
三维点云语义分割总览
点云PCL免费知识星球,点云论文速读. 标题:三维点云语义分割总览作者:吉祥街欢迎各位加入免费知识星球,获取PDF文档,欢迎转发朋友圈,分享快乐. 希望有更多的小伙伴能够加入我们,一起开启论文阅读 ...
三维点云的深度学习研究综述
作者丨aaa 来源丨https://zhuanlan.zhihu.com/p/455210291 编辑丨3D视觉工坊摘要点云学习由于在计算机视觉.自动驾驶.机器人等领域的广泛应用,近年来受到越来越 ...
TPAMI三维点云深度学习技术综述
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨单博来源丨笑傲算法江湖点击进入->3D视觉工坊学习交流群国防科大 IEEE TPA ...
二十八. 智能驾驶笔记之基于PointNet++的三维点云分类和语义分割
第一部分基于三维点云的分类和语义分割介绍第二部分 PointNet和PointNet++ 第三部分 PointNet++关键代码分析第一部分基于三维点云的分类和语义分割介绍基于二维图像的神经 ...
三维点云学习（9）5-实现RANSAC Registration配准
三维点云学习(9)5-实现RANSAC Registration配准参考博客: 机器视觉之 ICP算法和RANSAC算法三维点云配准 ICP点云配准原理及优化本章因个人能力有限,大部分代码摘自g ...

三维点云拼接标记点拼接 SVD分解法

三维点云拼接标记点拼接 SVD分解法相关推荐

最新文章

热门文章

三维点云拼接 标记点拼接 SVD分解法

三维点云拼接 标记点拼接 SVD分解法相关推荐

最新文章

热门文章

三维点云拼接标记点拼接 SVD分解法

三维点云拼接标记点拼接 SVD分解法相关推荐