写在前面

这是一篇于2017.4.19完成的实验报告，现整理成博客，当时处于摸索阶段，水平有限，后来也未对点云处理进行深入的研究，在此只是记录一下。
主要参考资料为CloudCompare wiki document。
对三维点云的处理，可以使用PCL（Point Cloud Library），功能十分强大。
在激光SLAM和RGB-D SLAM领域，通常使用ICP（Iterative Closest Point）算法对两个点集进行配准，从而求得位姿变换。
这里不会涉及PCL和ICP，后续用到这些知识再补充。

实验目的

（1）了解点云的拼接。
（2）学会使用软件CloudCompare，用手选同名点的方法实现点云的拼接。

原理与步骤

激光雷达获得大量一帧帧的点云数据后，需要经过对点云数据的配准，才能拼接成一幅三维雷达点云地图。
在本实验中，输入数据为在一特定区域内由激光雷达采集的多帧点云数据（在本实验中称为配准数据）和由高精度测绘设备采集的完整数据（在本实验中称为参考数据），将一帧帧的配准数据匹配到参考数据上，最终可拼接成一幅完整的三维雷达点云地图。
由于待配准的一帧雷达点云数据与参考数据差异过大，不能采用传统的ICP算法进行配准。
CloudCompare是一款3D点云处理软件，它提供了多种对点云进行粗略或精细匹配的方法。这里采用选取同名点配准的方法，可以通过Tools > Registration > Align (point pairs picking)使用。该工具允许用户通过在两个实体中挑选至少三个等效点对（即同名点）来配准两个实体。

1 首先选择两个实体，然后调用`Align (point pairs picking)`工具。

2 角色分配

指定哪个点云将是参考（不会移动），哪一个将是配准的点云（最终实际移动的云）。

3 选取同名点

（1）在参考点云上选取3个点。

（2）在配准点云上选取与参考点云中一一对应的同名点。优先选取离中心区域较近的点，而且容易分辨。

4 配准

选取至少三对同名点后，单击align按钮后，配准点云被匹配到参考点云上，此时为预览效果。同名点的选取直接影响配准效果，效果较差时需要删除误差较大的配准点，重新选择。

5 验证或取消

使用绿色的“√”和红色“×”图标来验证或取消当前的拼接过程。选择验证后，会生成一份报告，其中包括4×4转换矩阵，其形式如下

⎡⎣⎢⎢⎢a1b1c10a2b2c20a3b3c30ΔXΔYΔZ1⎤⎦⎥⎥⎥[a1a2a3ΔXb1b2b3ΔYc1c2c3ΔZ0001]

\begin{bmatrix} a_1 & a_2 & a_3 & \Delta X\\ b_1 & b_2 & b_3 & \Delta Y\\ c_1 & c_2 & c_3 & \Delta Z\\ 0 & 0 & 0 & 1 \end{bmatrix}
其中 ΔX，ΔY，ΔZΔX，ΔY，ΔZ\Delta X，\Delta Y，\Delta Z为平移参数， R=[a1b1c1a2b2c2a3b3c3]R=[a1a2a3b1b2b3c1c2c3]R=\bigl[\begin{smallmatrix} a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \\ c_1 & c_2 & c_3 \end{smallmatrix} \bigr]为旋转矩阵。
坐标转换的数学模型为：

⎡⎣⎢XYZ⎤⎦⎥=⎡⎣⎢ΔXΔYΔZ⎤⎦⎥+R⎡⎣⎢xyz⎤⎦⎥(1)(1)[XYZ]=[ΔXΔYΔZ]+R[xyz]

\begin{equation} {\left[ \begin{array}{ccc} X\\ Y\\ Z \end{array} \right ]}= {\left[ \begin{array}{ccc} \Delta X\\ \Delta Y\\ \Delta Z \end{array} \right ]}+R{\left[ \begin{array}{ccc} x\\ y\\ z \end{array} \right ]} \end{equation}

实验结果与分析

1 实验结果

拼接三帧点云后的地图。

2 实验分析

通过手选同名点配准的方法，拼接一幅完整的三维雷达点云地图，在本实验输入数据的规模下是一种有效的方法。然而操作过程繁琐，在配准数据较多时，是一项繁重的任务，而且手动选择同名点，难免会产生误差，同时随着误差的积累，会影响最终拼接的效果。

3 实验中遇到的问题

在拼接一定数量的点云图后，因为疏忽，颠倒了配准图和参考图，配准后参考图和配准图均无法与之前拼接的点云图进行拼接。
因此在做实验之前一定要理解原理，严格遵守规则，否则会浪费大量宝贵的时间。

三维激光雷达点云拼接相关推荐

北斗导航 | SLAM之三维激光雷达点云（附Matlab源代码）
============================================================ 博主github:https://github.com/MichaelBeec ...
基于曲率的体素聚类的三维激光雷达点云实时鲁棒分割方法
点云PCL免费知识星球,点云论文速读. 文章:Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds wi ...
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 ...
目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究
目录基于激光雷达点云的三维目标检测算法研究基于投影图的方法基于点云的多模态融合方法
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 ...
三维激光点云到二维图像的投影
Camera系列文章传感器融合是将多个传感器采集的数据进行融合处理,以更好感知周围环境:这里首先介绍Camera的相关内容,包括摄像头及图像知识基本介绍,OpenCV图像识别(特征提取,目标分类等) ...
汽车的另一双眼睛 | 一文读懂车载激光雷达点云及发展情况！
编辑 | 制造漫谈点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取点击进入→自动驾驶之心[3D目标检测]技术交流群后台回复[3D检测综述]获取最新基于点云 ...
实时的激光雷达点云压缩
点云PCL免费知识星球,点云论文速读. 标题:Real-Time Spatio-Temporal LiDAR Point Cloud Compression 作者:Yu Feng , Shaoshan ...
无人驾驶汽车系统入门：基于深度学习的实时激光雷达点云目标检测及ROS实现...
参加 2018 AI开发者大会,请点击 ↑↑↑ 作者:申泽邦(Adam Shan),兰州大学在读硕士研究生,主要研究方向无人驾驶,深度学习:兰大未来计算研究院无人车团队负责人,自动驾驶全栈工程师. 近 ...
基于激光雷达点云的3D检测方法汇总(LiDAR only)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨柒柒@知乎来源丨https://zhuanlan.zhihu.com/p/436452723 ...

三维激光雷达点云拼接

写在前面

实验目的

原理与步骤

1 首先选择两个实体，然后调用`Align (point pairs picking)`工具。

2 角色分配

3 选取同名点

4 配准

5 验证或取消

实验结果与分析

1 实验结果

2 实验分析

3 实验中遇到的问题

三维激光雷达点云拼接相关推荐

最新文章

热门文章

三维激光雷达点云拼接

写在前面

实验目的

原理与步骤

1 首先选择两个实体，然后调用Align (point pairs picking)工具。

2 角色分配

3 选取同名点

4 配准

5 验证或取消

实验结果与分析

1 实验结果

2 实验分析

3 实验中遇到的问题

三维激光雷达点云拼接相关推荐

最新文章

热门文章

1 首先选择两个实体，然后调用`Align (point pairs picking)`工具。