目录
一、点云基础
三维点云的实质是场景表面在给定坐标系下的离散采样,其数据形式为一系列三维点的集合。点云中的每个点都包含丰富的信息,包括三维坐标、颜色、分类值、强度值(1.可以去除一些噪点、2.提取车道线)和时间(可以去畸变)等属性信息。点云分为有序点云和无序点云。有序点云由深度图还原,从左到右按顺序排列。无序点云的点排列没有任何顺序。
在自动驾驶或者机器人领域,常见的点云获取硬件是激光雷达和相机。激光雷达可以直接得到三维坐标,并且也包括点的强度信息和时间等有价值信息,可分为固态激光雷达和机械式激光雷达。相机能得到三维信息,想要得到深度信息需要通过三角化,但是最近也发明了一种深度相机。
二、点云配准
2.1点云配准基础
三维点云配准的实质是计算同一物体或场景不同视点下采集到的点云之间的变换关系,从而将其统一到同一坐标系下得到完整的点云。点云配准的核心在于求解点云之间的变换关系。求解变换关系的前提是确定点云之间的匹配对应关系,确定好点对之间的对应关系后利用几何变换方程即可求解参数矩阵。变化关系可表示为:1. 旋转矩阵、平移向量=>变换矩阵 2.四元数 3.欧拉角
目前所接触的用的最多的变换关系是变换矩阵,它是由旋转矩阵和平移向量组合而来。变换矩阵T是4X4的矩阵,旋转矩阵R是3X3的矩阵,平移向量t是3X1的。如图,其中代表A旋转矩阵,T代表平移向量,V代表透视变换向量,S代表整体的比例因子。因为在刚性变换中只存在旋转和平移变换,不存在形变,所以将V设为零向量,比例因子S=1。
2.2 点云配准分类
点云配准包含粗配准(Coarse Registration)和精配准(Fine Registration)两步。粗配准指的是在两帧点云位置相差较大(如两帧位于相机坐标系的点云),相对位姿完全未知的情况下进行较为粗糙的配准,目的是为后续精配准提供较好的变换初值。常见的粗配准方法有ISS、FGR、FPFH、super4PCS、PointNet。精配准在给定初始变换矩阵的条件下,进一步优化得到更精确的变换。常见的精配准方法有ICP、NDT。按照点云之间的几何变换关系将配准算法分为基于刚性变换的配准算法(简称刚性配准)和基于非刚性变换的配准算法(简称非刚性配准)。
2.2.1 刚性配准
刚性配准是指两个点云的形状大小和物理特性是不发生任何改变的,只有空间位置与姿态发生了改变。刚性配准的价值在于:单帧点云只能表示物体表面单一视角的几何信息,因此,要获得物体表面的完整几何信息,需要通过刚性变换将不同视角下的单帧点云配准为一个整体。
2.2.2 非刚性配准
在一些三维重建应用中,需要重建的对象有时是非刚性的,例如人体或动物,因而采集到的不同时刻或视角的三维数据可能会发生非刚性形变。另外,带有标定误差的点云获取设备也可能把非刚性形变引入到输出的点云数据中。直接将刚性配准算法应用到带有非刚性形变的数据,通常不会得到理想的配准效果。要解决这一问题,需通过非刚性变换对数 据进行配准,即非刚性配准。由于非刚性变换缺乏统一的参数化描述,导致求解的参数很多,因此非刚性配准问题比刚性配准问题更难。
2.2.3 总结
刚性配准可以认为只发生了平移和旋转,非刚性配准除了平移和旋转发生变化,还会存在缩放变化。
三、点云配准应用
3.1 机器人及无人驾驶领域
点云配准是智能系统位姿估计和环境构建的关键步骤。三维点云配准根据不同时刻下传感器获取的两点云之间的重叠约束,计算点云之间的配准矩阵,包括平移和旋转,其准确度和效率直接决定着智能系统三维位姿估计、场景构建、导航和定位等任务的性能,具有广泛的应用价值。随着激光雷达在机器人、无人驾驶汽车等领域的推广应用,点云配准技术作为高精地图、高精定位等方向的核心模块越来越受到重视。
3.2 测绘遥感领域
测绘科技的飞速发展,使得三维激光扫描技术在测绘领域的应用日益广泛。由于测量设备 本身和环境的限制,物体表面完整测量数据的获得往往需要通过多次测量完成,因此,为了获取完整的三维对象点云数据,需要通过点云配准将不同视角扫描的点云整合到一个坐标系中。三维激光扫描技术在地形测量、地质灾害监测、逆向工程、质量控制以及历史遗迹保护等方面均具有广阔的应用前景。
标签:配准,变换,刚性,矩阵,三维,学习,点云 From: https://blog.csdn.net/qq_74117006/article/details/140416126