Open3d之点云全局配准

ICP配准和彩色点云配准都被称为局部配准方法，因为它们依赖于粗对准作为初始化。本教程展示了另一类配准方法，称为全局配准。这一系列算法在初始化时不需要对齐。它们通常产生不太紧密的对齐结果，并用作局部方法的初始化。

可视化

def draw_registration_result(source, target, transformation):source_temp = copy.deepcopy(source)target_temp = copy.deepcopy(target)source_temp.paint_uniform_color([1, 0.706, 0])target_temp.paint_uniform_color([0, 0.651, 0.929])source_temp.transform(transformation)o3d.visualization.draw_geometries([source_temp, target_temp])

提取几何特征

对点云进行下采样,估计法线,最后计算每个点的FPFH特征。FPFH特征是一个33维向量，描述了一个点的局部几何特性。在33维空间中的最近邻查询可以返回具有相似局部几何结构的点。详细细节请查看 [Rasu2009].

def preprocess_point_cloud(pcd, voxel_size):print(":: 使用大小为为{}的体素下采样点云.".format(voxel_size))pcd_down = pcd.voxel_down_sample(voxel_size)radius_normal = voxel_size * 2print(":: 使用搜索半径为{}估计法线".format(radius_normal))pcd_down.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))radius_feature = voxel_size * 5print(":: 使用搜索半径为{}计算FPFH特征".format(radius_feature))pcd_fpfh = o3d.pipelines.registration.compute_fpfh_feature(pcd_down, o3d.geometry.KDTreeSearchParamHybrid(radius=radius_feature, max_nn=100))return pcd_down, pcd_fpfh

输入

下面的代码从两个文件中读取源点云和目标点云。这一对点云使用单位矩阵作为初始矩阵之后是不对齐的.

def prepare_dataset(voxel_size):print(":: 加载点云并转换点云的位姿.")source = o3d.io.read_point_cloud("../../test_data/ICP/cloud_bin_0.pcd")target = o3d.io.read_point_cloud("../../test_data/ICP/cloud_bin_1.pcd")trans_init = np.asarray([[0.0, 0.0, 1.0, 0.0], [1.0, 0.0, 0.0, 0.0],[0.0, 1.0, 0.0, 0.0], [0.0, 0.0, 0.0, 1.0]])source.transform(trans_init)draw_registration_result(source, target, np.identity(4))source_down, source_fpfh = preprocess_point_cloud(source, voxel_size)target_down, target_fpfh = preprocess_point_cloud(target, voxel_size)return source, target, source_down, target_down, source_fpfh, target_fpfh# 相当于使用5cm的体素对点云进行均值操作
voxel_size = 0.05  # means 5cm for this dataset
source, target, source_down, target_down, source_fpfh, target_fpfh = prepare_dataset(voxel_size)

RANSAC

使用RANSAC进行全局配准。在RANSAC迭代中，每次从源点云中选取ransac_n 个随机点.通过在33维FPFH特征空间中查询最近邻，可以检测到它们在目标点云中的对应点。剪枝步骤需要使用快速修剪算法来提早拒绝错误匹配.
Open3D提供以下剪枝算法:

CorrespondenceCheckerBasedOnDistance检查对应的点云是否接近(也就是距离是否小于指定阈值)
CorrespondenceCheckerBasedOnEdgeLength检查从源和目标对应中分别绘制的任意两条边（由两个顶点形成的线）的长度是否相似。本教程检验 $\left \| edge_{source} \right \| >0.9\cdot \left \| edge_{target} \right \| and\left \| edge_{target} \right \| >0.9\cdot \left \| edge_{source} \right \|$ 的结果是否为True.
CorrespondenceCheckerBasedOnNormal考虑任何对应的顶点法线亲和力。它计算两个法向量的点积。它采用弧度值作为阈值。

只有通过修剪步骤的匹配才会用于计算变换，并在整个点云上进行验证。核心函数是 registration_ransac_based_on_feature_matching。该函数最重要的超参数是ransaconvergence。它定义了RANSAC迭代的最大次数和验证的最大次数。这两个值越大,那么结果越准确,但同时也要花费更多的时间.
基于[Choi2015]提供的的经验来设置RANSAC的超参数.

def execute_global_registration(source_down, target_down, source_fpfh, target_fpfh, voxel_size):distance_threshold = voxel_size * 1.5print(":: 对下采样的点云进行RANSAC配准.")print("   下采样体素的大小为： %.3f," % voxel_size)print("   使用宽松的距离阈值： %.3f." % distance_threshold)result = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(source_down, target_down, source_fpfh, target_fpfh, True, distance_threshold,o3d.pipelines.registration.TransformationEstimationPointToPoint(False), 3,[o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(0.9),o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(distance_threshold)], o3d.pipelines.registration.RANSACConvergenceCriteria(100000, 0.999))return resultresult_ransac = execute_global_registration(source_down, target_down, source_fpfh, target_fpfh, voxel_size)
print(result_ransac)
draw_registration_result(source_down, target_down, result_ransac.transformation)

注意：

Open3D为全局配准提供了更快的实现。请参阅快速全局配准。

局部优化

出于性能方面的考虑，全局配准只在大量向下采样的点云上执行。配准的结果不够精细,我们使用 Point-to-plane ICP 去进一步优化配准结果。

def refine_registration(source, target, source_fpfh, target_fpfh, voxel_size):distance_threshold = voxel_size * 0.4print(":: 对原始点云进行点对面ICP配准精细对齐， 这次使用严格的距离阈值： %.3f." % distance_threshold)result = o3d.pipelines.registration.registration_icp(source, target, distance_threshold, result_ransac.transformation,o3d.pipelines.registration.TransformationEstimationPointToPlane())return resultresult_icp = refine_registration(source, target, source_fpfh, target_fpfh, voxel_size)
print(result_icp)
draw_registration_result(source, target, result_icp.transformation)

快速全局配准

输入

我们使用上面全局配准的输入例子.

voxel_size = 0.05  # 相当于使用5cm的体素对点云进行均值操作
source, target, source_down, target_down, source_fpfh, target_fpfh = prepare_dataset(voxel_size)

基准

在下面代码中,将对全局配准算法计时.

start = time.time()
result_ransac = execute_global_registration(source_down, target_down,source_fpfh, target_fpfh,voxel_size)
print("全局配准花费了： %.3f 秒.\n" % (time.time() - start))
print(result_ransac)
draw_registration_result(source_down, target_down, result_ransac.transformation)

快速全局配准

采用和基准相同的输入,下面的代码调用了论文[Zhou2016]中实现的算法.

def execute_fast_global_registration(source_down, target_down, source_fpfh,target_fpfh, voxel_size):distance_threshold = voxel_size * 0.5print(":: 基于距离阈值为 %.3f的快速全局配准" % distance_threshold)result = o3d.pipelines.registration.registration_fast_based_on_feature_matching(source_down, target_down,source_fpfh, target_fpfh,o3d.pipelines.registration.FastGlobalRegistrationOption(maximum_correspondence_distance=distance_threshold))return resultresult_fast = execute_fast_global_registration(source_down, target_down,source_fpfh, target_fpfh,voxel_size)
print("快速全局配准花费了： %.3f 秒.\n" % (time.time() - start))
print(result_fast)
draw_registration_result(source_down, target_down, result_fast.transformation)

经过适当的配置,快速全局配准的精度甚至可与ICP相媲美.更多实验结果请参阅[Zhou2016].

Open3d之点云全局配准相关推荐

点云全局配准复现——Super4pcs实现
点云全局配准复现--Super4pcs实现代码实现 demo演示项目地址复现流程 1.下载源码 2.cmake 3.运行build文件夹下sln文件,生成头文件与lib文件 4. 配置文件 5. ...
Open3d学习计划—高级篇 3（点云全局配准）
Open3D是一个开源库,支持快速开发和处理3D数据.Open3D在c++和Python中公开了一组精心选择的数据结构和算法.后端是高度优化的,并且是为并行化而设置的. 本系列学习计划有Blue同学作 ...
open3d完成点云ICP配准
环境:win10,python3.6+open3d==0.8.0 完成点云配准之后的效果图演示这里直接放上完整的代码 import open3d as o3d import numpy as np# ...
python 点云配准_点云的全局配准
点云配准就是将当前点云匹配进行变换使其和目标点云匹配上. 先推荐一个python的点云处理库: opend3d. 什么时候需要全局配准?我说我知道的场景相机的角度变化太大了. 极少角度的物体重建. 3 ...
Open3d系列 | 1. Open3d实现点云数据读写、点云配准、点云法向量计算
如有错误,恳请指出. 从这一篇博客开始,开始利用Open3d来处理点云数据.之后将围绕点云数据的多种处理方式来记录笔记.本篇博客的内容包括点云的文件格式介绍,点云数据的读取,以及点云的配准与点云的法向 ...
彻底搞懂基于Open3D的点云处理教程！
背景介绍点云数据是三维感知的重要手段,具有丰富的几何与结构信息,在自动驾驶.地形测绘.工业测量等领域具有广泛的应用.同时点云数据处理技术也是目前比较火热的研究方向,并且随着深度学习的发展,结合深度学 ...
点云粗配准算法-4pcs
4pcs粗配准算法一,简介 4PCS[1]配准算法使用的是RANSAC算法框架,通过构建与匹配全等四点对(啥意思)的方式来减少空间匹配运算,进而加速配准过程. 4PCS不同于icp和ndt,其是一种 ...
python点云快速配准_分享一个V-SLAM中点云配准算法改进的方法
近年来,随着自主导航的广泛应用,视觉同时定位与地图构建(Visual simultaneous localization and mapping, V-SLAM)通过自身携带的视觉传感器对周围环境进行 ...
ITK:两个图像的全局配准（BSpline)
ITK:两个图像的全局配准内容提要输出结果 C++实现代码内容提要两个图像的全局配准. 输出结果 Intial Parameters = [0, 0, 0, 0, 0, 0, 0, 0, 0, ...

Open3d之点云全局配准

可视化

提取几何特征

输入

RANSAC

局部优化

快速全局配准

输入

基准

快速全局配准

Open3d之点云全局配准相关推荐

最新文章

热门文章