两个点云的稳健配准

我需要找到两个 3D 点云之间的变换和旋转差异。为此，我正在寻找点云库，因为它看起来很理想。

在干净的测试数据上，我有迭代最近点（ICP）工作，但得到奇怪的结果（尽管我可能错误地实现了它）。 我有pcl::estimateRigidTransformation工作，而且看起来更好，尽管我认为处理噪声数据会更糟。

我的问题是：

两朵云会有噪音，虽然它们应该包含相同的点，但也会有一些差异。处理这个问题的最佳方法是什么？

我应该首先在两个云中找到相应的功能然后使用estimateTransform？或者我应该看看RANSAC去除异常值的函数？是ICP比这更好的方法estimateRigidTransform?

设置强大的点云配准算法可能是一项具有挑战性的任务，需要正确设置各种不同的选项、超参数和技术才能获得强大的结果。

但是，那点云库 https://pointclouds.org/documentation/group__registration.html附带了一整套预实现的函数来解决此类任务。剩下要做的唯一一件事就是了解每个块正在做什么，然后建立一个由这些块相互堆叠组成的所谓 ICP 管道。

ICP 管道可以遵循两种不同的路径：

1. 迭代配准算法

更简单的路径立即开始，在输入云 (IC) 上应用迭代最近点算法，通过始终使用最近点方法，使用固定参考云 (RC) 对其进行数学计算。 ICP 乐观地假设两个点云足够接近（旋转 R 和平移 T 的先验良好）并且配准将收敛，无需进一步初始对齐。

当然，这条路径可能会陷入局部最小值，因此性能非常差，因为它很容易被给定输入数据中的任何类型的不准确所愚弄。

2. 基于特征的配准算法

为了克服这个问题，人们致力于开发各种方法和想法来克服表现不佳的注册。与单纯的迭代配准算法相比，基于特征的配准首先致力于寻找两个点云之间更高级别的对应关系，以加快处理速度并提高准确性。这些方法被封装起来，然后嵌入到配准管道中，形成完整的配准模型。

下面的图片来自于PCL文档 https://pcl.readthedocs.io/projects/tutorials/en/latest/registration_api.html显示了这样的注册管道：

正如您所看到的，成对配准应该通过不同的计算步骤来运行才能获得最佳性能。单个步骤是：

1. 数据采集​​：输入云和参考云被输入到算法中。

2. 估计关键点：一个关键点（兴趣点 https://en.wikipedia.org/wiki/Interest_point_detection) 是点云中的一个点，具有以下特征：

   1. 它有一个清晰的、最好是数学上有充分根据的定义，
   2. 它在图像空间中有明确的位置，
   3. 兴趣点周围的局部图像结构局部信息内容丰富

   点云中的这些显着点非常有用，因为它们的总和表征了点云，并有助于区分点云的不同部分。

   pcl::NarfKeypoint
   pcl::ISSKeypoint3D< PointInT, PointOutT, NormalT >
   pcl::HarrisKeypoint3D< PointInT, PointOutT, NormalT >
   pcl::HarrisKeypoint6D< PointInT, PointOutT, NormalT >
   pcl::SIFTKeypoint< PointInT, PointOutT >
   pcl::SUSANKeypoint< PointInT, PointOutT, NormalT, IntensityT >
   

   详细资料：PCL 关键点 - 文档 https://pointclouds.org/documentation/group__keypoints.html

3. 描述关键点 - 特征描述符：检测到关键点后，我们继续为每个关键点计算一个描述符。 “局部描述符是点的局部邻域的紧凑表示。与描述完整对象或点云的全局描述符相反，局部描述符尝试仅在点周围的局部邻域中相似形状和外观，因此非常适合表示它从匹配上来说。”（德克·霍尔兹等人） https://www.ais.uni-bonn.de/papers/RAM_2015_Holz_PCL_Registration_Tutorial.pdf

   pcl::FPFHEstimation< PointInT, PointNT, PointOutT >
   pcl::NormalEstimation< PointInT, PointOutT >
   pcl::NormalEstimationOMP< PointInT, PointOutT >
   pcl::OURCVFHEstimation< PointInT, PointNT, PointOutT >
   pcl::PrincipalCurvaturesEstimation< PointInT, PointNT, PointOutT >
   pcl::IntensitySpinEstimation< PointInT, PointOutT >
   

   详细资料：PCL 功能 - 文档 https://pointclouds.org/documentation/group__features.html

4. 对应估计：下一个任务是找到点云中找到的关键点之间的对应关系。通常，人们会利用计算出的局部特征描述符，并将它们中的每一个与另一点云中相应的对应部分进行匹配。然而，由于来自相似场景的两次扫描不一定具有相同数量的特征描述符，因为一个云可以比另一个云拥有更多的数据，因此我们需要运行单独的对应拒绝过程。

   pcl::registration::CorrespondenceEstimation< PointSource, PointTarget, Scalar >
   pcl::registration::CorrespondenceEstimationBackProjection< PointSource, PointTarget, NormalT, Scalar >
   pcl::registration::CorrespondenceEstimationNormalShooting< PointSource, PointTarget, NormalT, Scalar >
   

5. 信件拒绝：执行信件拒绝的最常见方法之一是使用RANSAC https://en.wikipedia.org/wiki/RANSAC（随机样本共识）。但 PCL 附带了更多拒绝算法，值得仔细研究一下：

   pcl::registration::CorrespondenceRejectorSampleConsensus< PointT >
   pcl::registration::CorrespondenceRejectorDistance
   pcl::registration::CorrespondenceRejectorFeatures::FeatureContainer< FeatureT >
   pcl::registration::CorrespondenceRejectorPoly< SourceT, TargetT >
   

   详细资料：PCL 模块注册 - 文档 https://pointclouds.org/documentation/group__registration.html

6. 变换估计：计算两个点云之间的鲁棒对应关系后，使用绝对方向算法来计算 6DOF（6 个自由度）变换，该变换应用于输入云以匹配参考点云。有许多不同的算法方法可以做到这一点，但是 PCL 包括基于奇异值分解 https://en.wikipedia.org/wiki/Singular_value_decomposition（奇异值分解）。计算 4x4 矩阵来描述匹配点云所需的旋转和平移。

   pcl::registration::TransformationEstimationSVD< PointSource, PointTarget, Scalar >
   

   详细资料：PCL 模块注册 - 文档 https://pointclouds.org/documentation/group__registration.html

进一步阅读：

• PCL点云注册 https://pcl.readthedocs.io/projects/tutorials/en/latest/registration_api.html
• 点云库注册 https://www.ais.uni-bonn.de/papers/RAM_2015_Holz_PCL_Registration_Tutorial.pdf
• PCL - 功能如何工作 https://pcl.readthedocs.io/projects/tutorials/en/latest/how_features_work.html