![](https://csdnimg.cn/release/download_crawler_static/87485823/bg4.jpg)
文中基于自适应局部特征提取特征点,利用 FPFH
[16]
对特征点进行描述,并结合随机
抽样一致性方法进行初始配准,得到一个较好的位姿变换矩阵。
假设基于自适应局部特征所提取目标点云和源点云的特征点集合为 PfPf、QfQf,点云
初始配准的具体步骤如下:
(1)设置阈值 dmindmin,在 PfPf 中选取 nn 个特征点,同时确定这些点的空间距离大
于 dmindmin。
(2)对于每个特征点,在 QfQf 中找到具有相似 FPFH 特征的一个或者多个点,从这些
相似点中随机选取至少三个点作为点云 PfPf 在目标点云 QfQf 中的一一对应点。
(3)计算对应点之间刚体变换矩阵,然后通过求解对应点变换后的距离误差函数来判断
当前配准变换的性能,即
H(li)=⎧⎩⎨⎪⎪⎪⎪12li2,|li|<mi12mi(2|li|−mi),|li|>miH(li)={12li2,|li|<mi12mi(2|li|−mi),|li|>mi
式中:mimi 为预先设定的值;|li||li|为第 ii 组对应点变换之后的距离差。
(4)重复上述的步骤,直至距离误差函数达到最小时,得到的对应旋转平移矩阵为粗配
准的变换矩阵[R0,T0][R0,T0]。
2.2 精配准
为了提高不同视角点云数据的配准精度,需要用 ICP 算法对粗配准后的点云进行精配
准。ICP 算法的基本原理是:在整个粗配准点云 P′P′和 Q′Q′中,按照一定的约束条件,在
Q′Q′找中到 P′P′中任意一点 pi′pi′的最邻近点 qi′qi′,计算出最优匹配参数 RR 和 TT 使得距
离之和最小,即误差函数最小。误差函数 E(R,T)E(R,T)为:
E(R,t)=1n∑i=1n∥qi′−Rpi′−T∥2E(R,t)=1n∑i=1n‖qi′−Rpi′−T‖2
根据上面原理可知,ICP 算法是对整个点云寻找一一对应的关系,使得一些冗余点参
与整个运算,从而降低了整体的配准速度。为了提升 ICP 算法的时间效率,文中采用特征
点代替含有大量冗余点的点云数据进行配准,具体步骤如下:
(1)特征点集合 PfPf 经过粗配准后为集合 Pf′Pf′,对特征点集 QfQf 建立 k-d 树,设置最
大迭代次数为 iter_maxiter_max,相邻两次配准误差比值的阈值为 εerrorεerror。
(2)对 Pf′Pf′中每一个特征点,在 QfQf 中查找对应欧式距离最近的点,得到 N 组特征点
对。
(3)求出 N 组点对的变换关系,利用变换关系更新特征点集合 P′P′,得到配准误差
eiei。
(4)重复步骤(2)、(3),直至相邻两次的配准误差比值 eiei−1>εerroreiei−1>εerror 或者迭
代次数大于 iter_maxiter_max,得到最终的最优变换矩阵[R,T][R,T]。
3. 实验结果分析