pcl點雲庫提供了完整的icp演算法，能完成點雲的配準，但是能找到的例子都是書上的demo：乙個完整點雲，使用旋轉矩陣旋轉了乙個角度，然後利用icp迭代了幾次可以實現完美的配準，這是因為本來就是乙個點雲，選點集座標都一樣， 這樣的例子沒有代表性，也解決不了實際的例子
我遇到的問題是這樣的：乙個物體由掃瞄器掃瞄後重取樣，重取樣的間距一定，造成前端和後端兩個部位的點雲密度與其他部位不同，點雲缺失，點雲後端只有一圈兩圈這樣的資料點，在應用分割演算法的時候，這裡會出現分割不出來的情況，需要將後端這部分補全；思路就是將物體的後端重新掃瞄提取一部分，然後將這部分點雲配準回原點雲上去，實現整體與部分點雲的配準，然後再做重影消除，下取樣等演算法處理，然後完成分割演算法。
這裡分享乙個在源**上稍作修改的方法，當然不能算是改進icp了
首先熟悉一下icp的原理
乙個是source點雲乙個是target點雲，實際就是求兩片點雲的旋轉矩陣、平移向量，構成乙個目標函式，把source點雲能經過旋轉平移重合到target點雲上去；
知道原理之後，先來看圖一是target
下圖為source點雲
source點雲是重新掃瞄得到的，和target在乙個座標系下如下圖左，俯檢視兩個點雲的關係是如圖左的。經過處理是粗配準了一下，如下圖右，明顯能看見不重合，造成了點雲的重影。
給target點雲乙個特寫，能看到為什麼要做配準，由於端部是缺少點的。
經過我演算法的精配準如下圖，已經不存在重影的問題了
再給target點雲乙個特寫，可以看到缺少的部位已經補全了
下面有個嚴重的問題就是這個點雲配准後還是有一定的重影問題，原因是掃瞄器的誤差，配準演算法的誤差等，畢竟這兩個點雲是分別掃瞄的，相當於兩個點雲點雲的數量級也不相同，所以多少還是有一些的誤差，下面就是要把這些誤差消除，又用到我另乙個演算法也是基於開源庫，在開源庫上稍作修改的演算法。。。下次有時間再來更新吧。
點雲匹配介紹與ICP演算法
點雲匹配 影象配準目的在於比較或融合。針對同一物件在不同條件下獲取的影象，因為雷射掃瞄光束受物體遮擋的原因，不可能通過一次掃瞄完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃瞄。三維匹配的目的就是把相鄰掃瞄的點雲資料拼接在一起。三維匹配重點關注匹配演算法，常用的演算法有最近點迭...
icp點雲匹配迭代最近鄰演算法
一 含義 1.icp演算法能夠使兩個不同座標系下的點集匹配到乙個座標系中，這個過程就是配準，配準的操作就是找到從座標系1變換到座標系2的剛性變換。2.icp的本質就是配準，但有不同的配準方案，icp演算法本質是基於最小二乘的最優配準方法。該方法重複進行選擇對應關係對，計算最優剛體變換，直到滿足正確配...
點集配準與ICP演算法 一
一圖勝千言，古人喜歡從畫中尋覓詩意，妙不可言 現代科學則希望從理解世界的視角來分析影象，於是計算機影象學 計算機視覺風生水起。我有幸在一所西部高校裡做機械人方便的研究，得以接觸大量的影象資料，這些影象中既有普通的二維影象 由工業相機採集 也有三維影象 由雷射感測器採集 最近做了的專案裡，我要計算出每...