NDT算法的匹配流程

在进行点云匹配时，常用的方法有ICP配准算法以及NDT匹配算法，下面总结一下NDT的一些基本知识。

NDT算法原理：

　　　　NDT算法的基本思想是先根据参考数据（reference scan）来构建多维变量的正态分布，如果变换参数能使得两幅激光数据匹配的很好，那么变换点在参考系中的概率密度将会很大。

因此，可以考虑用优化的方法求出使得概率密度之和最大的变换参数，此时两幅激光点云数据将匹配的最好。

NDT算法关键点：

1、将二维空间划分为固定大小网格，每个网格至少包括3个点（一般5个）

2、计算网格中点集的均值μ

3、计算网格中点集的协方差矩阵Σ

4、网格中的观测到点x的概率p(x)服从正态分布N( μ,Σ)。

NDT代码实现的基本思路总结~

1、加载目标点云，这里以PCD文件的形式进行加载

2、加载需要配准的点云，这里以PCD文件的形式进行加载

3、去除二者周边的点云，这里用最近距离以及最低距离两个阈值进行挑选，类似于点云的裁剪

4、将输入的扫描过滤到原始点云的10%，这里主要使用体素滤波器，主要进行点云的下采样工作

5、初始化正态分布NDT对象

6、设置NDT的依赖参数以及迭代终止条件

7、设置NDT的初始化矩阵参数

8、将降采样后的点云与初始化矩阵进行相乘

9、得到NDT的标准正态分布与分数

10、使用创建的变换对未过滤的点云进行变换

11、保存转换后的输入点云

12、初始化点云可视化界面

13、加载点云

实现代码如下：

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/registration/ndt.h>
#include <pcl/filters/approximate_voxel_grid.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>void range_filter(pcl::PointCloud<pcl::PointXYZ> & input_cloud, pcl::PointCloud<pcl::PointXYZ> & output_cloud,const float & min_scan_range_, const float min_z){double r;pcl::PointXYZ p ;for (pcl::PointCloud<pcl::PointXYZ>::const_iterator item = input_cloud.begin();item != input_cloud.end(); item++){p.x = (double) item->x;p.y = (double) item->y;p.z = (double) item->z;r = p.x * p.x + p.y * p.y;if (r > min_scan_range_&&p.z >min_z) //filter the point distance lager than min_scan_range and height lower than min_z{output_cloud.push_back(p);}}}
int
main (int argc, char** argv)
{//加载目标点云pcdpcl::PointCloud<pcl::PointXYZ>::Ptr target_cloud (new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("test1.pcd", *target_cloud) == -1){PCL_ERROR ("Couldn't read file test1.pcd \n");return (-1);}std::cout << "Loaded " << target_cloud->size () << " data points from room_scan1.pcd" << std::endl;//加载需要配准点云pcdpcl::PointCloud<pcl::PointXYZ>::Ptr input_cloud (new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("test2.pcd", *input_cloud) == -1){PCL_ERROR ("Couldn't read file test2.pcd\n");return (-1);}std::cout << "Loaded " << input_cloud->size () << " data points from room_scan2.pcd" << std::endl;
//range filter,去除周围点云pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud1 (new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud2 (new pcl::PointCloud<pcl::PointXYZ>);
range_filter(*input_cloud,*output_cloud1,4,0.1);
range_filter(*target_cloud,*output_cloud2,4,0.1);//将输入的扫描过滤到原始尺寸的大概10%以提高匹配的速度。pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::ApproximateVoxelGrid<pcl::PointXYZ> approximate_voxel_filter;approximate_voxel_filter.setLeafSize (0.09, 0.09, 0.09);approximate_voxel_filter.setInputCloud (output_cloud1);approximate_voxel_filter.filter (*filtered_cloud);std::cout << "Filtered cloud contains " << filtered_cloud->size ()<< " data points from test2.pcd" << std::endl;//初始化正态分布变换（NDT）pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt;//设置依赖尺度NDT参数//为终止条件设置最小转换差异ndt.setTransformationEpsilon (0.001);//定义了[x,y,z,roll,pitch,yaw]在配准中的最小递增量，一旦递增量小于此限制，配准终止//为More-Thuente线搜索设置最大步长，步长越大迭代越快，但也容易导致错误ndt.setStepSize (0.1);//设置NDT网格结构的分辨率（VoxelGridCovariance）ndt.setResolution (0.8);//ND体素的大小，单位为m,越小越准确，但占用内存越多//设置匹配迭代的最大次数ndt.setMaximumIterations (1000);// 设置要配准的点云ndt.setInputCloud (filtered_cloud);//设置点云配准目标ndt.setInputTarget (output_cloud2);//设置使用机器人测距法得到的初始对准估计结果Eigen::AngleAxisf init_rotation (0.6931, Eigen::Vector3f::UnitZ ());Eigen::Translation3f init_translation (1.79387, 0.720047, 0);Eigen::Matrix4f init_guess = (init_translation * init_rotation).matrix ();//计算需要的刚体变换以便将输入的点云匹配到目标点云pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud (new pcl::PointCloud<pcl::PointXYZ>);ndt.align (*output_cloud, init_guess);//这一步是将降采样之后的点云经过变换后的到output_cloudstd::cout << "Normal Distributions Transform has converged:" << ndt.hasConverged ()<< " score: " << ndt.getFitnessScore () << std::endl;//欧式适合度评分//使用创建的变换对未过滤的输入点云进行变换//ndt.getFinalTransformation (）即最终变换pcl::transformPointCloud (*output_cloud1, *output_cloud, ndt.getFinalTransformation ());//保存转换的输入点云pcl::io::savePCDFileASCII ("test_transformed.pcd", *output_cloud);// 初始化点云可视化界面boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer_final (new pcl::visualization::PCLVisualizer ("3D Viewer"));viewer_final->setBackgroundColor (0, 0, 0);//对目标点云着色（红色）并可视化pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color (output_cloud2, 255, 0, 0);viewer_final->addPointCloud<pcl::PointXYZ> (output_cloud2, target_color, "target cloud");viewer_final->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE,1, "target cloud");//对转换后的目标点云着色（绿色）并可视化pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>output_color (output_cloud, 0, 255, 0);viewer_final->addPointCloud<pcl::PointXYZ> (output_cloud, output_color, "output cloud");viewer_final->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE,1, "output cloud");// 启动可视化viewer_final->addCoordinateSystem (1.0);viewer_final->initCameraParameters ();//等待直到可视化窗口关闭。while (!viewer_final->wasStopped ()){viewer_final->spinOnce (100);boost::this_thread::sleep (boost::posix_time::microseconds (100000));}return (0);
}

NDT算法的匹配流程相关推荐

一文详解NDT算法实现
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨paopaoslam 来源丨泡泡机器人SLAM .PCL源码编辑丨玉玺.lionheart ...
点云配准之NDT算法
1.算法原理已知有两幅点云,分别为源点云P和目标云Q. 1)将源点云P所在空间划分为一个一个的单元网格,(即三维空间在二维空间上的投影). 2)根据所划分单元网格内点的分布情况,计算单元网格的正态分 ...
激光SLAM之NDT算法（1）算法原理
/在激光SLAM之NDT算法(2)-建图中我会给出实测可用的建图代码,并予以解释代码结构,这里就先讲讲原理吧!!!/ 无人车激光SLAM系统简单可以分为建图和定位两部分,无人车的定位问题,实际上就是要 ...
操作系统之银行家算法—详解流程及案例数据
操作系统之进程调度--优先权法和轮转法(附上样例讲解) 操作系统之银行家算法-详解流程及案例数据操作系统之多线程编程-读者优先/写者优先详解操作系统之存储管理--FIFO算法和LRU算法操作系统 ...
若S作主串，P作模式串，试分别写出利用BF算法和KMP算法的匹配过程。
目录题目: 百度文库-答案: (1) (2) MOOC标准答案: (1) (2) mooc答案-截图: 数据结构(C语言版)-严蔚敏2007 题目: 设字符串S='aabaabaabaac', ...
【HDU - 5943】Kingdom of Obsession（数论，素数间隔结论，构造，思维，匈牙利算法，匹配问题）
题干: There is a kindom of obsession, so people in this kingdom do things very strictly. They name the ...
字符串算法——KMP匹配及Next数组
KMP是单模匹配算法,即在一段长度为n的文本串中搜索一个长度为m的模式串,算法复杂度为O(n+m),差不多是这类算法能达到的最优复杂度. 朴素的模式匹配算法在处理这类问题时,最简单的方法便是暴力匹配 ...
linux设备驱动——bus、device、driver加载顺序与匹配流程
文章目录 1. 前言 2. 概念 2.1. 数据结构 2.2. probe函数 3. bus.device.driver加载顺序 3.1. 加载方式 3.2. 加载顺序 4. device.drive ...
关于国密算法SM4的流程
关于国密算法SM4的流程原来用于无线局域网的国密算法SMS4被定义为SM4作为密码行业标准发布.SM4是一个分组对称密钥算法,明文.密钥.密文都是16字节,加密和解密密钥相同.通过32次循环的非线性 ...
open-match匹配流程
open-match匹配流程 (金庆的专栏 2019.1) https://github.com/GoogleCloudPlatform/open-match open-match 是一个通用的游戏匹 ...

NDT算法的匹配流程

NDT算法的匹配流程相关推荐

最新文章

热门文章