三维点云课程（八）——特征点匹配

目录

1、ICP

2、ICP改进 

2.1 减少点

2.2 数据关联

2.3 Outlier Rejection

2.4 Loss function

2、Normal Distribution Transform（NDT） 

2.1 NDT划分方格

2.2 MLE（Maximum Likehood Estimation）

3、 RANSAC

1、ICP

 首先找到两组点云之间的对应问题，在ICP里面找最邻近的点，强行得到R，t，点一开始显然是不对的，但这是一个迭代的过程，直到R，t变化很小。可以用IMU来得到初始化的R，t。

求出R，t使得到最小值 

2、ICP改进 

2.1 减少点

• 不用所有的点做ICP
• 对点云下采样
• Normal Space Sampling（NSS）

• 取特征点

2.2 数据关联

• 最邻近搜寻
• Normal shooting：适用与平滑的点云

• Projection
• Feature descriptor matching

2.3 Outlier Rejection

去除远距离

去除不匹配的点

2.4 Loss function

• Point-to-point
• point-to-plane

点到最邻近点平面的距离，point-to-point可能会强行对应点，point-to-plane收敛更快。LOAM

2、Normal Distribution Transform（NDT） 

2.1 NDT划分方格

可以用到每个点周围的信息，不需要做最邻近搜索

以一个格子一个格子为单位，找点落在哪个格子，格子里面的信息是一个高斯模型来描述点云的分布。

格子中大于5个点才会高斯建模 

三个维度的高斯分布 

2.2 MLE（Maximum Likehood Estimation）

给定初始的R，t，确定点落到哪个方格内，确定高斯模型。

点云的配准问题变成了最大似然估计

outlier点会让求解崩掉，让点概率至少等于某个数

 

3、 RANSAC

在很多情况下是没有初始解的，这时需要Feature detection + description + RANSAC

特征点提取、描述匹配、迭代

通用刚性点云配准