最佳 PCL 模板对齐设置

Question

我有2个点云（以mm为单位），一个是"mesh"从stl对象采样的（99999点），第二个是3D cam拍摄的这个对象的点云（大约30841点）。我正在使用此 PCL 教程的模板匹配代码：http://pointclouds.org/documentation/tutorials/template_alignment.php。之后，我使用 PCL ICP 代码进行最终对齐。但我仍然从模板对齐中得到非常糟糕的初始猜测。（例如，不轮换、半场比赛……）

我尝试更改以下设置：

normal_radius_(0.02f)
feature_radius_(0.02f)
min_sample_distance_(0.05f)
max_correspondence_distance_(0.01f * 0.01f)
nr_iterations_(50)

给这个：

normal_radius_(2.0f)
feature_radius_(2.0f)
min_sample_distance_(0.5f)
max_correspondence_distance_(1.0f * 1.0f)
nr_iterations_(1000)

有人可以给我一些如何改进这段代码的提示吗？谢谢！

Answer 1

分辨率相关的参数也应根据点云的分辨率设置。 object-size-dependent 的参数也应该根据对象的大小进行设置。

一些示例：

normal_radius: 4-8 * <resolution>
要计算 good 法线，底层表面必须有足够的点来表示稳定的表面。如果您的单位是 mm，那么您选择的半径 2mm 太小了。
feature_radius: 1-2 * <normal_radius>
计算 features 与 normals.
max_correspondence_distance: 你把这个值设置为1mm*1mm，也就是说，信件只能相隔1mm才能归类为信件。在这里使用与对象大小相关的值很重要。你应该问问自己，"What's the maximum allowed distance between my object and reference such that my object is still a match?" 如果你在比较人脸，你应该使用一些 centimeter，例如1cm-5cm，因为脸比较小。但是假设你想比较像建筑物这样的大物体。在那里您可以使用最大 1m.
min_sample_distance: 这里几乎与 max_correspondence_distance 相同。你应该问问自己，"How much should a sample be distant from another sample?"。值越小，您获得的样本越多。同样，选择一个对象大小的一小部分的值，但也要考虑到它不应小于云的分辨率。您将其设置为 0.5mm，这太小了。
nr_iterations: 通常不是那么重要，但 100-500 之间的值是合理的。

Answer 2

normal_radius_:

根据你的云密度选择（你希望它足够大以捕获环境中的足够点 - 如果它太小，法线会很嘈杂，向上完成垃圾或计算失败）
考虑云的平滑度（您希望它足够小，以便将局部环境近似为平面是正确的 - 如果它太大，法线会太平滑而忽略小细节）

min_sample_distance_:

主要是计算方面。采样距离越大，速度越快
如果它太大，就会降低对齐的准确性。

feature_radius_:

你需要考虑你在多大尺度上有辨别力structures/shapes
以人脸为例，我成功地使用了大约模型大小 1/10 的特征半径。

max_correspondence_distance_:

取决于你的起始条件——2个对应点能走多远。使用一些启发式方法提供初始猜测可以帮助您减少此参数，并提高性能和结果。
注意这是平方距离

在您的情况下（同一对象的两个云），如果您的云具有法线，则可以在根本不使用 SampleConsensusInitialAlignment 的情况下实现良好的初始猜测。简单地对齐两个云的平均法线。您可以对两朵云应用以下方法，将它们置于 "normalized" 位置和方向：

void ToOrigin(pcl::PointCloud<pcl::PointXYZINormal>::Ptr cloud, Eigen::Affine3f & transformation, Eigen::Vector3f up, float resolution)
{
    // Calc Origin

    pcl::PointXYZINormal origin;
    auto size = cloud->points.size();
    for (auto pointItr = cloud->begin(); pointItr != cloud->end(); pointItr++)
    {
        origin.getArray3fMap() += pointItr->getArray3fMap() / size;
        origin.getNormalVector3fMap() += pointItr->getNormalVector3fMap();
    }
    origin.getNormalVector3fMap().normalize();

    // Calc Transformation  

    auto proj = origin.getNormalVector3fMap().dot(up) * origin.getNormalVector3fMap();

    // the direction that will be rotated to y_axis
    // (the part of "up" that is perpendicular to the cloud normal)
    auto y_direction = (up - proj).normalized();

    // the direction that will be rotated to z_axis
    auto z_direction = origin.getNormalVector3fMap();   

    // the point that will be shifted to origin (0,0,0)
    auto center = origin.getArray3fMap();               

    pcl::getTransformationFromTwoUnitVectorsAndOrigin(y_direction, z_direction, center, transformation);

    // Transform

    pcl::PointCloud<pcl::PointXYZINormal> cloud_tmp;
    pcl::transformPointCloudWithNormals(*cloud, cloud_tmp, transformation);
    pcl::copyPointCloud(cloud_tmp, *cloud);
}

最佳 PCL 模板对齐设置

Optimal PCL Template Alignment setup

c++

template-matching

point-cloud-library