首页 > 编程语言 >Open3D Ransac点云配准算法（粗配准）

Open3D Ransac点云配准算法（粗配准）

时间：2024-07-01 19:59:34浏览次数：25  
标签：Ransac 配准 target FPFH fpfh source registration 点云

目录

一、概述

1.1简介

1.2RANSAC在点云粗配准中的应用步骤

二、代码实现

2.1关键函数

2.2完整代码

2.3代码解析

2.3.1计算FPFH

1. 法线估计

2. 计算FPFH特征

2.3.2 全局配准

1.函数：execute_global_registration

2.距离阈值

3.registration_ransac_based_on_feature_matching函数

三、实现效果

3.1原始点云

3.2配准后点云

一、概述

1.1简介

        RANSAC（Random Sample Consensus）是一种迭代方法，用于从一组包含离群点的数据中估计模型参数。它特别适合处理包含大量噪声或离群点的数据。RANSAC在点云配准、图像拼接、3D重建等领域中广泛应用。

        RANSAC（Random Sample Consensus）在点云粗配准中的应用主要包括以下步骤：特征提取、特征匹配、模型拟合、内点验证和迭代优化。

1.2RANSAC在点云粗配准中的应用步骤

  1. 特征提取：从点云中提取特征点及其特征描述符。常用的特征描述符有FPFH（Fast Point Feature Histograms）等。
  2. 特征匹配：将源点云和目标点云的特征描述符进行匹配，得到初始对应关系。这些匹配关系可能包含很多误匹配。
  3. 随机采样：从匹配的特征对中随机选择一定数量的样本，用于模型拟合。样本的数量应足以确定一个唯一的变换模型。
  4. 模型拟合：使用选定的样本对估计一个变换模型（通常是一个刚体变换，包括旋转和平移）。
  5. 内点验证：使用拟合的模型对所有匹配对进行验证，计算匹配点对之间的距离，判断是否符合模型。符合模型的点对被称为内点。
  6. 评估模型：计算当前模型的内点数量，并与之前的最佳模型进行比较。如果当前模型的内点数量更多，则更新最佳模型。
  7. 迭代优化：重复上述步骤一定次数（迭代次数根据数据中的离群点比例和期望成功概率来确定），最终选择内点数量最多的模型作为最佳模型。

二、代码实现

2.1关键函数

def registration_ransac_based_on_feature_matching(source, target, 
          source_feature, target_feature, 
          max_correspondence_distance,
          estimation_method=None, *args, **kwargs):
  • source：源点云
  • target：目标点云
  • source_feature：源点云的特征描述，目前版本的open3d主要是FPFH特征描述
  • target_feature：目标点云的特征描述，目前版本的open3d主要是FPFH特征描述
  • max_correspondence_distance：对应点之间的最大距离
  • estimation_method：默认采用的是点到点的方法。有如下三种方式：(TransformationEstimationPointToPoint, TransformationEstimationPointToPlane, TransformationEstimationForColoredICP)
  • ransac_n：随机选取匹配点对的个数，也即RANSAC算法随机选取点的个数。默认值是4。
  • checkers：使用快速修剪算法来提早拒绝错误匹配。，有如下3种修剪算法：(CorrespondenceCheckerBasedOnEdgeLength, CorrespondenceCheckerBasedOnDistance, CorrespondenceCheckerBasedOnNormal)
  • criteria：定义RANSAC迭代的最大次数和验证的最大次数。这两个值越大,结果越准确,但要花费更多的时间。默认值是：max_iteration=100000, and max_validation=100。

2.2完整代码

import time
import open3d as o3d
import copy


# -------------传入点云数据，计算FPFH------------
def FPFH_Compute(pcd):
    radius_normal = 0.01  # kdtree参数，用于估计法线的半径，
    print(":: Estimate normal with search radius %.3f." % radius_normal)
    pcd.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))
# 估计法线的1个参数，使用混合型的kdtree，半径内取最多30个邻居
    radius_feature = 0.02  # kdtree参数，用于估计FPFH特征的半径
    print(":: Compute FPFH feature with search radius %.3f." % radius_feature)
    pcd_fpfh = o3d.pipelines.registration.compute_fpfh_feature(pcd,
    o3d.geometry.KDTreeSearchParamHybrid(radius=radius_feature, max_nn=100))  # 计算FPFH特征,搜索方法kdtree
    return pcd_fpfh  # 返回FPFH特征


# ----------------RANSAC配准--------------------
def execute_global_registration(source, target, source_fpfh,
                                target_fpfh):  # 传入两个点云和点云的特征
    distance_threshold = 10  # 设定距离阈值
    print("we use a liberal distance threshold %.3f." % distance_threshold)
# 2个点云，两个点云的特征，距离阈值，一个函数，4，
# 一个list[0.9的两个对应点的线段长度阈值，两个点的距离阈值]，
# 一个函数设定最大迭代次数和最大验证次数
    result = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(
        source, target, source_fpfh, target_fpfh, True, distance_threshold,
        o3d.pipelines.registration.TransformationEstimationPointToPoint(False),
        4, [
            o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(
                0.9),
            o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(
                distance_threshold)
        ], o3d.pipelines.registration.RANSACConvergenceCriteria(4000000, 500))
    return result


# ---------------可视化配准结果----------------
def draw_registration_result(source, target, transformation):
    source_temp = copy.deepcopy(source)         # 由于函数transformand paint_uniform_color会更改点云，
    target_temp = copy.deepcopy(target)         # 因此调用copy.deepcoy进行复制并保护原始点云。
    source_temp.paint_uniform_color([1, 0, 0])  # 点云着色
    target_temp.paint_uniform_color([0, 1, 0])
    source_temp.transform(transformation)
    # o3d.io.write_point_cloud("trans_of_source.pcd", source_temp)#保存点云
    o3d.visualization.draw_geometries([source_temp, target_temp],width=1200, height=900)


# ----------------读取点云数据--------------
source = o3d.io.read_point_cloud("..//..//standford_cloud_data//hand_trans.pcd")
target = o3d.io.read_point_cloud("..//..//standford_cloud_data//hand.pcd")

source=source.uniform_down_sample(every_k_points=10)
target=target.uniform_down_sample(every_k_points=10)
# -----------------计算的FPFH---------------
source_fpfh=FPFH_Compute(source)
target_fpfh=FPFH_Compute(target)
# ---------------调用RANSAC执行配准------------
start = time.time()
result_ransac = execute_global_registration(source, target,
                                            source_fpfh, target_fpfh)
print("Global registration took %.3f sec.\n" % (time.time() - start))
print(result_ransac)  # 输出RANSAC配准信息
Tr = result_ransac.transformation
draw_registration_result(source, target, Tr)

2.3代码解析

2.3.1计算FPFH

        这段代码的主要作用是为输入的点云（pcd对象）进行法线估计和FPFH特征计算。法线估计通过指定半径和最大最近邻点数来计算每个点的法向量，而FPFH特征计算则基于这些法向量和局部邻域信息，生成描述点云局部几何特征的特征向量。这些特征在点云处理中常用于配准、识别和分割等任务，有助于捕捉点云的几何结构和局部特征信息

# -------------传入点云数据，计算FPFH------------
def FPFH_Compute(pcd):
    radius_normal = 0.01  # kdtree参数，用于估计法线的半径，
    print(":: Estimate normal with search radius %.3f." % radius_normal)
    pcd.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))
# 估计法线的1个参数，使用混合型的kdtree，半径内取最多30个邻居
    radius_feature = 0.02  # kdtree参数，用于估计FPFH特征的半径
    print(":: Compute FPFH feature with search radius %.3f." % radius_feature)
    pcd_fpfh = o3d.pipelines.registration.compute_fpfh_feature(pcd,
    o3d.geometry.KDTreeSearchParamHybrid(radius=radius_feature, max_nn=100))  # 计算FPFH特征,搜索方法kdtree
    return pcd_fpfh  # 返回FPFH特征
1. 法线估计
radius_normal = 0.01
pcd.estimate_normals(
    o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))

作用：

  • 法线估计是指在点云中为每个点计算法向量，法向量在计算机视觉和几何处理中很重要，用于描述点云表面的方向和曲率。
  • KD树是一种数据结构，用于快速查询最近邻的点。KDTreeSearchParamHybrid参数指定了法线估计算法中的搜索半径和最大最近邻点数。
2. 计算FPFH特征
radius_feature = 0.02
pcd_fpfh = o3d.pipelines.registration.compute_fpfh_feature(
    pcd, o3d.geometry.KDTreeSearchParamHybrid(radius=radius_feature, max_nn=100))

作用：

  • FPFH特征（Fast Point Feature Histograms）是一种用于描述点云局部几何结构的特征描述符。它对点云中每个点的邻域进行建模，捕捉了点云的表面形状和曲率信息。
  • compute_fpfh_feature函数计算点云的FPFH特征，需要指定点云对象和用于搜索的KD树参数（搜索半径和最大最近邻点数）。

2.3.2 全局配准

        这段代码实现了全局点云配准的过程，使用了RANSAC（Random Sample Consensus）算法基于特征匹配来寻找最优的刚体变换（旋转和平移），使得源点云与目标点云尽可能对齐。

# ----------------RANSAC配准--------------------
def execute_global_registration(source, target, source_fpfh,
                                target_fpfh):  # 传入两个点云和点云的特征
    distance_threshold = 10  # 设定距离阈值
    print("we use a liberal distance threshold %.3f." % distance_threshold)
# 2个点云，两个点云的特征，距离阈值，一个函数，4，
# 一个list[0.9的两个对应点的线段长度阈值，两个点的距离阈值]，
# 一个函数设定最大迭代次数和最大验证次数
    result = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(
        source, target, source_fpfh, target_fpfh, True, distance_threshold,
        o3d.pipelines.registration.TransformationEstimationPointToPoint(False),
        4, [
            o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(
                0.9),
            o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(
                distance_threshold)
        ], o3d.pipelines.registration.RANSACConvergenceCriteria(4000000, 500))
    return result
1.函数：execute_global_registration
def execute_global_registration(source, target, source_fpfh, target_fpfh):

参数：

  • source：源点云对象。
  • target：目标点云对象。
  • source_fpfh：源点云的FPFH特征。
  • target_fpfh：目标点云的FPFH特征。
2.距离阈值
distance_threshold = 10
print("we use a liberal distance threshold %.3f." % distance_threshold)

距离阈值：

  • distance_threshold：设定的距离阈值，用于判断匹配点对的有效性。
3.registration_ransac_based_on_feature_matching函数
result = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(
    source, target, source_fpfh, target_fpfh, True, distance_threshold,
    o3d.pipelines.registration.TransformationEstimationPointToPoint(False),
    4, [
        o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(0.9),
        o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(
            distance_threshold)
    ], o3d.pipelines.registration.RANSACConvergenceCriteria(4000000, 500))

参数解释：

  • source 和 target：待配准的源点云和目标点云。
  • source_fpfh 和 target_fpfh：源点云和目标点云的FPFH特征。
  • True：表示进行全局配准。
  • distance_threshold：距离阈值，用于判断匹配点对的有效性。
  • TransformationEstimationPointToPoint(False)：使用点到点的变换估计方法。
  • 4：RANSAC算法的迭代次数。
  • [...]：用于检查对应关系的有效性的列表，包括基于边长和距离的检查器。
  • RANSACConvergenceCriteria(4000000, 500)：设定RANSAC的最大迭代次数和最大验证次数。

三、实现效果

3.1原始点云

3.2配准后点云

标签：Ransac,配准,target,FPFH,fpfh,source,registration,点云
From： https://blog.csdn.net/qq_47947920/article/details/140096174

相关文章

  • Open3D 点云快速全局配准FGR算法（粗配准）
    目录一、概述1.1原理和步骤1.2关键技术和优势1.3应用场景二、代码实现2.1关键代码2.1.1.函数：execute_fast_global_registration2.1.2调用registration_fgr_based_on_feature_matching函数2.2完整代码三、实现效果3.1原始点云3.2粗配准后点云一、概述    ......
  • Open3D 点云的旋转与平移
    目录一、概述1.1旋转1.2平移二、代码实现2.1实现旋转2.2实现平移2.3组合变换三、实现效果3.1原始点云3.2变换后点云一、概述        在Open3D中，点云的旋转和平移是通过几何变换来实现的。几何变换可以应用于点云对象，使其在空间中移动或旋转到新的位置和......
  • lidar3607.2 雷达点云数据处理软件功能介绍
    V7.2.220240511获取软件安装包联系邮箱:2895356150@qq.com，资源源于网络，本介绍用于学习使用，如有侵权请您联系删除！1.平台修复对不包含枝下高特征的单木进行枝下高提取时，生成的treedb枝下高字段产生异常记录，查看属性表时软件崩溃的问题；2.林业修复使用treedb作为种子点进行......
  • 点云处理中阶 RangeImages
    目录一、什么是深度图1、深度图的特点与生成二、深度图的应用1、深度图的应用三、深度图前沿应用四、PCL中定义的RangeImage1、从点云创建深度图从深度图中提取边界四、资料补充1、什么是莫尔条纹法莫尔条纹法的原理莫尔条纹法的应用莫尔条纹法的优势和局限优势......
  • Transaction事务
    SpringTransaction示例1Transactionsample1.1配置文件<?xmlversion="1.0"encoding="UTF-8"?><beansxmlns="http://www.springframework.org/schema/beans"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance......
  • 点云分割网络PointConv
    PDF：《PointConv:DeepConvolutionalNetworkson3DPointClouds》CODE:https://github.com/DylanWusee/pointconv一、大体内容PointConv是一种在非均匀采样下对3D点云进行卷积的运算，可以用来构建深度卷积网络，其将卷积核视为由权重函数和密度函数组成的三维点的局部坐标的非......
  • 【Spring注解】事务注解@Transactional
    @Transactional作用：就是在当前这个方法执行开始之前来开启事务，方法执行完毕之后提交事务。如果在这个方法执行的过程当中出现了异常，就会进行事务的回滚操作@Transactional注解书写位置：方法当前方法交给spring进行事务管理类当前类中所有的方法都交由spring进行事务管......
  • 六、在Qt下通过PCL在VTK9.3.0下显示自己的pcd点云文件
    前几天刚整理好VTK8.2.0，发现我们的项目使用的PCL自带的VTK是9.3.0的，脸黑了快VTK8.2.0可参考该篇博文：五、在Qt下加载QVTKWidget控件（VTK8.2.0），生成VisualStudio项目，显示点云（C++）没办法，重新搞下VTK9.3.0区别：VTK8.2.0采用的是拖拽QVTKWidget控件进行相应的操作；VTK9.3.0把这个......
  • （slam工具）4 3D点集配准相似变换sRt计算
      https://github.com/Dongvdong/v1_1_slam_tool  importrandomimportmathimportnumpyasnpimportosdefAPI_pose_estimation_3dTo3d_ransac(points_src,points_dst):#NED->slamp=np.array(points_src,dtype=float)q=np.array(......
  • IEEE/ASME Transaction on Mechatronics与IEEE Transactions on Instrumentation and
    一、背景最近阅读了上海交通大学王伟明老师2024年发表于IEEETransactionsonInstrumentationandMeasurement的视触传感器文章，题目为《Real-TimeReconstructionof3-DTactileMotionFieldviaMultitaskLearning》，随后查了一下王伟明老师的履历，简直太强了，1978年生，4......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99