（1）正態分布變換進行配准（normal Distributions Transform）
介紹關於如何使用正態分布算法來確定兩個大型點雲之間的剛體變換，正態分布變換算法是一個配准算法，它應用於三維點的統計模型，使用標准最優化技術來確定兩個點雲間的最優匹配，因為其在配准的過程中不利用對應點的特征計算和匹配，所以時間比其他方法比較快，
對於代碼的解析
/* 使用正態分布變換進行配准的實驗 。其中room_scan1.pcd room_scan2.pcd這些點雲包含同一房間360不同視角的掃描數據 */ #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/registration/ndt.h> //NDT(正態分布)配准類頭文件 #include <pcl/filters/approximate_voxel_grid.h> //濾波類頭文件 （使用體素網格過濾器處理的效果比較好） #include <pcl/visualization/pcl_visualizer.h> #include <boost/thread/thread.hpp> int main (int argc, char** argv) { // 加載房間的第一次掃描點雲數據作為目標 pcl::PointCloud<pcl::PointXYZ>::Ptr target_cloud (new pcl::PointCloud<pcl::PointXYZ>); if (pcl::io::loadPCDFile<pcl::PointXYZ> ("room_scan1.pcd", *target_cloud) == -1) { PCL_ERROR ("Couldn't read file room_scan1.pcd \n"); return (-1); } std::cout << "Loaded " << target_cloud->size () << " data points from room_scan1.pcd" << std::endl; // 加載從新視角得到的第二次掃描點雲數據作為源點雲 pcl::PointCloud<pcl::PointXYZ>::Ptr input_cloud (new pcl::PointCloud<pcl::PointXYZ>); if (pcl::io::loadPCDFile<pcl::PointXYZ> ("room_scan2.pcd", *input_cloud) == -1) { PCL_ERROR ("Couldn't read file room_scan2.pcd \n"); return (-1); } std::cout << "Loaded " << input_cloud->size () << " data points from room_scan2.pcd" << std::endl; //以上的代碼加載了兩個PCD文件得到共享指針，后續配准是完成對源點雲到目標點雲的參考坐標系的變換矩陣的估計，得到第二組點雲變換到第一組點雲坐標系下的變換矩陣 // 將輸入的掃描點雲數據過濾到原始尺寸的10%以提高匹配的速度，只對源點雲進行濾波，減少其數據量，而目標點雲不需要濾波處理 //因為在NDT算法中在目標點雲對應的體素網格數據結構的統計計算不使用單個點，而是使用包含在每個體素單元格中的點的統計數據 pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud (new pcl::PointCloud<pcl::PointXYZ>); pcl::ApproximateVoxelGrid<pcl::PointXYZ> approximate_voxel_filter; approximate_voxel_filter.setLeafSize (0.2, 0.2, 0.2); approximate_voxel_filter.setInputCloud (input_cloud); approximate_voxel_filter.filter (*filtered_cloud); std::cout << "Filtered cloud contains " << filtered_cloud->size () << " data points from room_scan2.pcd" << std::endl; // 初始化正態分布(NDT)對象 pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt; // 根據輸入數據的尺度設置NDT相關參數 ndt.setTransformationEpsilon (0.01); //為終止條件設置最小轉換差異 ndt.setStepSize (0.1); //為more-thuente線搜索設置最大步長 ndt.setResolution (1.0); //設置NDT網格網格結構的分辨率（voxelgridcovariance） //以上參數在使用房間尺寸比例下運算比較好，但是如果需要處理例如一個咖啡杯子的掃描之類更小的物體，需要對參數進行很大程度的縮小 //設置匹配迭代的最大次數，這個參數控制程序運行的最大迭代次數，一般來說這個限制值之前優化程序會在epsilon變換閥值下終止 //添加最大迭代次數限制能夠增加程序的魯棒性阻止了它在錯誤的方向上運行時間過長 ndt.setMaximumIterations (35); ndt.setInputSource (filtered_cloud); //源點雲 // Setting point cloud to be aligned to. ndt.setInputTarget (target_cloud); //目標點雲 // 設置使用機器人測距法得到的粗略初始變換矩陣結果 Eigen::AngleAxisf init_rotation (0.6931, Eigen::Vector3f::UnitZ ()); Eigen::Translation3f init_translation (1.79387, 0.720047, 0); Eigen::Matrix4f init_guess = (init_translation * init_rotation).matrix (); // 計算需要的剛體變換以便將輸入的源點雲匹配到目標點雲 pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud (new pcl::PointCloud<pcl::PointXYZ>); ndt.align (*output_cloud, init_guess); //這個地方的output_cloud不能作為最終的源點雲變換，因為上面對點雲進行了濾波處理 std::cout << "Normal Distributions Transform has converged:" << ndt.hasConverged () << " score: " << ndt.getFitnessScore () << std::endl; // 使用創建的變換對為過濾的輸入點雲進行變換 pcl::transformPointCloud (*input_cloud, *output_cloud, ndt.getFinalTransformation ()); // 保存轉換后的源點雲作為最終的變換輸出 pcl::io::savePCDFileASCII ("room_scan2_transformed.pcd", *output_cloud); // 初始化點雲可視化對象 boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer_final (new pcl::visualization::PCLVisualizer ("3D Viewer")); viewer_final->setBackgroundColor (0, 0, 0); //設置背景顏色為黑色 // 對目標點雲着色可視化 (red). pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> target_color (target_cloud, 255, 0, 0); viewer_final->addPointCloud<pcl::PointXYZ> (target_cloud, target_color, "target cloud"); viewer_final->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "target cloud"); // 對轉換后的源點雲着色 (green)可視化. pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> output_color (output_cloud, 0, 255, 0); viewer_final->addPointCloud<pcl::PointXYZ> (output_cloud, output_color, "output cloud"); viewer_final->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "output cloud"); // 啟動可視化 viewer_final->addCoordinateSystem (1.0); //顯示XYZ指示軸 viewer_final->initCameraParameters (); //初始化攝像頭參數 // 等待直到可視化窗口關閉 while (!viewer_final->wasStopped ()) { viewer_final->spinOnce (100); boost::this_thread::sleep (boost::posix_time::microseconds (100000)); } return (0); }
編譯完成運行的結果：
（2）本實驗將學習如何編寫一個交互式ICP可視化的程序。該程序將加載點雲並對其進行剛性變換。之后，使用ICP算法將變換后的點雲與原來的點雲對齊。每次用戶按下“空格”，進行ICP迭代，刷新可視化界面。
在這里原始例程使用的是PLY格式的文件，可以找一個PLY格式的文件進行實驗，也可以使用格式轉換文件 把PCD 文件轉為PLY文件
#include <iostream> #include <string> #include <pcl/io/ply_io.h> //PLY相關頭文件 #include <pcl/point_types.h> // #include <pcl/registration/icp.h> #include <pcl/visualization/pcl_visualizer.h> #include <pcl/console/time.h> typedef pcl::PointXYZ PointT; typedef pcl::PointCloud<PointT> PointCloudT; //定義點雲的格式 bool next_iteration = false; void print4x4Matrix (const Eigen::Matrix4d & matrix) //打印旋轉矩陣和平移矩陣 { printf ("Rotation matrix :\n"); printf (" | %6.3f %6.3f %6.3f | \n", matrix (0, 0), matrix (0, 1), matrix (0, 2)); printf ("R = | %6.3f %6.3f %6.3f | \n", matrix (1, 0), matrix (1, 1), matrix (1, 2)); printf (" | %6.3f %6.3f %6.3f | \n", matrix (2, 0), matrix (2, 1), matrix (2, 2)); printf ("Translation vector :\n"); printf ("t = < %6.3f, %6.3f, %6.3f >\n\n", matrix (0, 3), matrix (1, 3), matrix (2, 3)); } void keyboardEventOccurred (const pcl::visualization::KeyboardEvent& event, void* nothing) { //使用空格鍵來增加迭代次數，並更新顯示 if (event.getKeySym () == "space" && event.keyDown ()) next_iteration = true; } int main (int argc, char* argv[]) { // 申明點雲將要使用的 PointCloudT::Ptr cloud_in (new PointCloudT); // 原始點雲 PointCloudT::Ptr cloud_tr (new PointCloudT); // 轉換后的點雲 PointCloudT::Ptr cloud_icp (new PointCloudT); // ICP 輸出點雲 // 檢查程序輸入命令的合法性 if (argc < 2) //如果只有一個命令說明沒有指定目標點雲，所以會提示用法 { printf ("Usage :\n"); printf ("\t\t%s file.ply number_of_ICP_iterations\n", argv[0]); PCL_ERROR ("Provide one ply file.\n"); return (-1); } int iterations = 1; // 默認的ICP迭代次數 if (argc > 2) { //如果命令的有兩個以上。說明用戶是將迭代次數作為傳遞參數 iterations = atoi (argv[2]); //傳遞參數的格式轉化為int型 if (iterations < 1) //同時不能設置迭代次數為1 { PCL_ERROR ("Number of initial iterations must be >= 1\n"); return (-1); } } pcl::console::TicToc time; //申明時間記錄 time.tic (); //time.tic開始 time.toc結束時間 if (pcl::io::loadPLYFile (argv[1], *cloud_in) < 0) { PCL_ERROR ("Error loading cloud %s.\n", argv[1]); return (-1); } std::cout << "\nLoaded file " << argv[1] << " (" << cloud_in->size () << " points) in " << time.toc () << " ms\n" << std::endl; //定義旋轉矩陣和平移向量Matrix4d是為4*4的矩陣 Eigen::Matrix4d transformation_matrix = Eigen::Matrix4d::Identity (); //初始化 // 旋轉矩陣的定義可以參考 ( https://en.wikipedia.org/wiki/Rotation_matrix) double theta = M_PI / 8; // 旋轉的角度用弧度的表示方法 transformation_matrix (0, 0) = cos (theta); transformation_matrix (0, 1) = -sin (theta); transformation_matrix (1, 0) = sin (theta); transformation_matrix (1, 1) = cos (theta); // Z軸的平移向量 (0.4 meters) transformation_matrix (2, 3) = 0.4; //打印轉換矩陣 std::cout << "Applying this rigid transformation to: cloud_in -> cloud_icp" << std::endl; print4x4Matrix (transformation_matrix); // 執行點雲轉換 pcl::transformPointCloud (*cloud_in, *cloud_icp, transformation_matrix); *cloud_tr = *cloud_icp; // 備份cloud_icp賦值給cloud_tr為后期使用 // 迭代最近點算法 time.tic (); //時間 pcl::IterativeClosestPoint<PointT, PointT> icp; icp.setMaximumIterations (iterations); //設置最大迭代次數iterations=true icp.setInputSource (cloud_icp); //設置輸入的點雲 icp.setInputTarget (cloud_in); //目標點雲 icp.align (*cloud_icp); //匹配后源點雲 icp.setMaximumIterations (1); // 設置為1以便下次調用 std::cout << "Applied " << iterations << " ICP iteration(s) in " << time.toc () << " ms" << std::endl; if (icp.hasConverged ())//icp.hasConverged ()=1（true）輸出變換矩陣的適合性評估 { std::cout << "\nICP has converged, score is " << icp.getFitnessScore () << std::endl; std::cout << "\nICP transformation " << iterations << " : cloud_icp -> cloud_in" << std::endl; transformation_matrix = icp.getFinalTransformation ().cast<double>(); print4x4Matrix (transformation_matrix); } else { PCL_ERROR ("\nICP has not converged.\n"); return (-1); } // 可視化ICP的過程與結果 pcl::visualization::PCLVisualizer viewer ("ICP demo"); // 創建兩個觀察視點 int v1 (0); int v2 (1); viewer.createViewPort (0.0, 0.0, 0.5, 1.0, v1); viewer.createViewPort (0.5, 0.0, 1.0, 1.0, v2); // 定義顯示的顏色信息 float bckgr_gray_level = 0.0; // Black float txt_gray_lvl = 1.0 - bckgr_gray_level; // 原始的點雲設置為白色的 pcl::visualization::PointCloudColorHandlerCustom<PointT> cloud_in_color_h (cloud_in, (int) 255 * txt_gray_lvl, (int) 255 * txt_gray_lvl, (int) 255 * txt_gray_lvl); viewer.addPointCloud (cloud_in, cloud_in_color_h, "cloud_in_v1", v1);//設置原始的點雲都是顯示為白色 viewer.addPointCloud (cloud_in, cloud_in_color_h, "cloud_in_v2", v2); // 轉換后的點雲顯示為綠色 pcl::visualization::PointCloudColorHandlerCustom<PointT> cloud_tr_color_h (cloud_tr, 20, 180, 20); viewer.addPointCloud (cloud_tr, cloud_tr_color_h, "cloud_tr_v1", v1); // ICP配准后的點雲為紅色 pcl::visualization::PointCloudColorHandlerCustom<PointT> cloud_icp_color_h (cloud_icp, 180, 20, 20); viewer.addPointCloud (cloud_icp, cloud_icp_color_h, "cloud_icp_v2", v2); // 加入文本的描述在各自的視口界面 //在指定視口viewport=v1添加字符串“white 。。。”其中"icp_info_1"是添加字符串的ID標志，（10，15）為坐標16為字符大小 后面分別是RGB值 viewer.addText ("White: Original point cloud\nGreen: Matrix transformed point cloud", 10, 15, 16, txt_gray_lvl, txt_gray_lvl, txt_gray_lvl, "icp_info_1", v1); viewer.addText ("White: Original point cloud\nRed: ICP aligned point cloud", 10, 15, 16, txt_gray_lvl, txt_gray_lvl, txt_gray_lvl, "icp_info_2", v2); std::stringstream ss; ss << iterations; //輸入的迭代的次數 std::string iterations_cnt = "ICP iterations = " + ss.str (); viewer.addText (iterations_cnt, 10, 60, 16, txt_gray_lvl, txt_gray_lvl, txt_gray_lvl, "iterations_cnt", v2); // 設置背景顏色 viewer.setBackgroundColor (bckgr_gray_level, bckgr_gray_level, bckgr_gray_level, v1); viewer.setBackgroundColor (bckgr_gray_level, bckgr_gray_level, bckgr_gray_level, v2); // 設置相機的坐標和方向 viewer.setCameraPosition (-3.68332, 2.94092, 5.71266, 0.289847, 0.921947, -0.256907, 0); viewer.setSize (1280, 1024); // 可視化窗口的大小 // 注冊按鍵回調函數 viewer.registerKeyboardCallback (&keyboardEventOccurred, (void*) NULL); // 顯示 while (!viewer.wasStopped ()) { viewer.spinOnce (); //按下空格鍵的函數 if (next_iteration) { // 最近點迭代算法 time.tic (); icp.align (*cloud_icp); std::cout << "Applied 1 ICP iteration in " << time.toc () << " ms" << std::endl; if (icp.hasConverged ()) { printf ("\033[11A"); // Go up 11 lines in terminal output. printf ("\nICP has converged, score is %+.0e\n", icp.getFitnessScore ()); std::cout << "\nICP transformation " << ++iterations << " : cloud_icp -> cloud_in" << std::endl; transformation_matrix *= icp.getFinalTransformation ().cast<double>(); // WARNING /!\ This is not accurate! print4x4Matrix (transformation_matrix); // 打印矩陣變換 ss.str (""); ss << iterations; std::string iterations_cnt = "ICP iterations = " + ss.str (); viewer.updateText (iterations_cnt, 10, 60, 16, txt_gray_lvl, txt_gray_lvl, txt_gray_lvl, "iterations_cnt"); viewer.updatePointCloud (cloud_icp, cloud_icp_color_h, "cloud_icp_v2"); } else { PCL_ERROR ("\nICP has not converged.\n"); return (-1); } } next_iteration = false; } return (0); }
生成可執行文件后結果
窗口輸出的基本信息
剛開始迭代第一次的結果
按空格鍵不斷迭代的結果
完畢，如有錯誤請與我聯系交流，謝謝，大牛請忽略
微信公眾號號可掃描二維碼一起共同學習交流
