技術標籤：3D開發PCLc++演算法計算機視覺影象處理

目錄

ICP流程分為4個主要步驟

使用一點感受

實現程式碼

ICP流程分為4個主要步驟

1、對原始點雲資料進行取樣，得到初始的點雲集合；

2、確定初始對應點集，模板點集在待匹配點集的位置，對結果有至關重要的影響；

3、去除錯誤對應點對，通過最小二乘法迭代獲取正確的匹配點；

4、座標變換求解，得到旋轉矩陣R和平移向量t；

完成高精度的變換矩陣估計；

使用一點感受

初始點集合，非常非常非常之重要，對最後結果有至關重要的作用；

迭代次數多了之後，或者點雲大了之後，運算速度確實慢；

是一種精度比較高的變換矩陣估計，但是精度多高還得結合實際情況，如果需要精度特別高的話還得測試；

實現程式碼

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/registration/icp.h>

int main(int argc, char** argv)
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>(5, 1));
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_out(new pcl::PointCloud<pcl::PointXYZ>);

    // Fill in the CloudIn data
    for (auto& point : *cloud_in)
    {
        point.x = 1024 * rand() / (RAND_MAX + 1.0f);
        point.y = 1024 * rand() / (RAND_MAX + 1.0f);
        point.z = 1024 * rand() / (RAND_MAX + 1.0f);
    }

    std::cout << "Saved " << cloud_in->size() << " data points to input:" << std::endl;

    for (auto& point : *cloud_in)
        std::cout << point << std::endl;

    *cloud_out = *cloud_in;

    std::cout << "size:" << cloud_out->size() << std::endl;
    for (auto& point : *cloud_out)
        point.x += 0.7f;

    std::cout << "Transformed " << cloud_in->size() << " data points:" << std::endl;

    for (auto& point : *cloud_out)
        std::cout << point << std::endl;

    pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
    icp.setInputSource(cloud_in);
    icp.setInputTarget(cloud_out);

    pcl::PointCloud<pcl::PointXYZ> Final;
    icp.align(Final);

    std::cout << "has converged:" << icp.hasConverged() << " score: " <<
        icp.getFitnessScore() << std::endl;
    std::cout << icp.getFinalTransformation() << std::endl;

    return (0);
}
 

參考：https://pcl.readthedocs.io/projects/tutorials/en/latest/iterative_closest_point.html#iterative-closest-point

《點雲庫PCL從入門到精通》