点云配准

点云配准

点云配准（Point Cloud Registration）指的是输入两幅点云  (source) 和 (target) ，输出一个变换 使得 和 的重合程度尽可能高。
  点云配准的主要任务是计算出旋转矩阵R和平移矩阵T。

ICP算法

迭代最近点算法（Iterative Closest Point, ICP）
 ICP算法循环迭代两个步骤：
 1、查找来自目标点云P和源点云Q使用当前变换矩阵T后的对应集K={(p, q)}。
 2、通过最小化在对应集K上定义的目标函数E(T)来更新变换T。

• ICP方法分类
  ICP方法可分为点到点（PointToPoint）和点到平面（PointToPlane）两类。
    1）PointToPoint：计算P(t)和目标点云T的距离采用点到点之间的距离形式。
    2）PointToPlane：计算P(t)中点到目标点云T的点所在平面的距离，这里通常需要用到目标点云的法向

配准函数

open3d.pipelines.registration.registration_icp
    输入是两个点云和一个初始转换，该转换将源点云和目标点云大致对齐，输出是精确的变换，使两点云紧密对齐
   Returns： open3d.pipelines.registration.RegistrationResult
 
##对应用场景引入一些合理假设，比如限制旋转、平移的范围，变换自由度数量等 
 点云配准通常会需要用到两个点云数据。
  第一类点云数据称为原始点云，用S（source）来表示。第二类点云数据称为目标点云，用T（Target）来表示。
  配准就是希望这里的原始数据S可以对其目标数据T的坐标系，让原始点云S在目标点云T的坐标上进行显示

对应代码

icp = open3d.pipelines.registration.registration_icp(
    source=source,
    target=target,
    max_correspondence_distance=0.2,    # 距离阈值
    estimation_method=open3d.pipelines.registration.TransformationEstimationPointToPoint()
)

source.transform(icp.transformation)
points = np.array(source.points)

open3d.io.read_point_cloud(  open3d.geometry.PointCloud
open3d.t.io.read_point_cloud open3d.t.geometry.PointCloud
 
 
 pcd=o3d.geometry.PointCloud()#实例化一个pointcloud类
 pcd.points=o3d.utility.Vector3dVector(B)#给该类传入坐标数据，此时pcd.points已经是一个点云了 

参考

 Function for ICP registration  http://www.open3d.org/docs/release/python_api/open3d.pipelines.registration.registration_icp.html	 
 三维点云配准 -- ICP 算法原理及推导 https://zhuanlan.zhihu.com/p/104735380
 常见点云存储方式有pcd、ply、txt、bin文件，下面分别对其进行介绍。 https://developer.aliyun.com/article/1078498