icp演算法簡介
根據點雲資料所包含的空間資訊，可以直接利用點雲資料進行配準。主流演算法為最近迭代演算法（icp，iterative closest point）,該演算法是根據點雲資料首先構造區域性幾何特徵，然後再根據區域性幾何特徵進行點雲資料重定位。
假設兩個點雲資料集合p和g，要通過p轉換到g（假設兩組點雲存在區域性幾何特徵相似的部分），可以通過p叉乘四元矩陣進行旋轉平移變換到g，或者svd法將p轉換到g位置，總體思想都是需要乙個4x4的旋轉平移矩陣。對於每次旋轉平移變換後計算p的所有（取樣）點到g對應（最近）點的距離，用最小二乘法（求方差）求出最小二乘誤差，看是否在要求的範圍內，如果最小二乘誤差小於設定的值，（或迭代次數達到上限，或每次重新迭代後最小二乘誤差總在乙個很小的範圍內不再發生變化），則計算結束，否則繼續進行迭代。
粗配準優化方法：主成分分析法
精配準優化方法：基於正交投影的icp演算法改進
pca是一種有效的檢測資料集簡化分析方法，用於減少資料集的維數，同時保持資料集對方差貢獻最大特徵，對於點集p(x1,x2,…,xn)，其中，xi是n維資料，均值和協方差矩陣分別為：
$\bar x = \frac^n }}$
$} = \frac^n \left( - \bar x} \right) - \bar x} \right)}^t}}}$
協方差矩陣cov的特徵向量，即為點集p的主軸。對於三維點雲資料，以均值為座標系的原點，pca求得的三個特徵向量對應xyz軸，建立點雲的參考座標系。
由於pca反應了資料集對方差貢獻的最大特徵，相似度大的兩片點雲，只要把其參考座標系調整到一致，即可達到初始配準的目的。由於可能出現座標軸的兩個方向相差180o的情況，需要建立最小包圍盒來測試兩片點雲是否調整重合，通過座標變換可以將資料點雲包圍盒變換到模型點雲參考座標系中，使兩包圍盒的空間位置大體一致。計算包圍盒的重合體積，如果大於某一設定的容差，則兩片點雲大致重合，如果小於設定容差，則反轉資料點雲參考座標系座標軸再次嘗試。通過座標系調整後，即可達到點雲的初始配準目的，為下一步的精確配準提供較好的初值。
通過初始配準，兩片點雲大致重合但是誤差精度還遠遠達不到實際應用中的精度要求。為了使用點雲間的誤差達到最小，還需要對其進行精確配準。icp演算法是最常用的資料精確配準方法，演算法在每次迭代的過程中，對資料點雲的每一點，在模型點雲中尋找歐氏距離最近點作為對應點，通過這組對應點使目標函式s2最小化：
$}^2} = }\mathop \sum \limits_^n - \left( + t} \right)} \right\|^2}$
來得到最優的四維轉換矩陣（包含平移和旋轉），將四維變換矩陣作用到點雲資料上，得到新的資料點雲帶入下次迭代過程。但是icp演算法具有比較明顯的缺陷，要求資料點雲上的每一點在模型點雲上都要找到對應點，為了尋找對應點，演算法需要遍歷模型點雲上的每一點，配準速度很慢，且容易陷入區域性最優解。
由於icp演算法的時間消耗主要花費在計算對應點集上，如果能降低此步驟的時間消耗，即可以提高icp演算法效率，具體計算請參考部落格點雲對齊。
點雲（剛性）配準 icp
二 解讀 提到配準演算法，icp認第二，沒哪種演算法敢認第一，可見，icp這道坎是繞不過去的，在本文中，會重點介紹icp的原理與實現方案，同時，也會結合pcl中的 進行詳細介紹。從本質上講，icp類演算法的基本原理是 對於兩組點雲p和q，計算旋轉矩陣r與旋轉矩陣t，使目標函式e最小 e 1 2 fr...
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...
基於ICP演算法點雲部分與整體的配準
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...