最佳 PCL 模板对齐设置答案

【问题标题】：Optimal PCL Template Alignment setup最佳 PCL 模板对齐设置
【发布时间】：2019-04-25 14:29:50
【问题描述】：

我有 2 个点云（以毫米为单位），一个是从 stl 对象（99999 个点）采样的“网格”，第二个是 3D cam 拍摄的该对象的点云（大约 30841 个点）。我正在使用此 PCL 教程的代码进行模板匹配：http://pointclouds.org/documentation/tutorials/template_alignment.php。之后，我使用 PCL ICP 代码进行最终对齐。但是我仍然从模板对齐中得到了相当糟糕的初步猜测。（例如，没有轮换，半场比赛，...）

我尝试从以下位置更改设置：

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

到这个：

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

有人可以给我一些提示如何改进此代码吗？谢谢！

【问题讨论】：

标签： c++ point-cloud-library template-matching

【解决方案1】：

与分辨率相关的参数也应该相对于点云的分辨率进行设置。 依赖于对象大小的参数也应该根据对象的大小进行设置。

一些例子：

normal_radius: 4-8 * <resolution>
要计算良好法线，底层表面必须有足够的点来表示稳定的表面。如果您的单位在mm，那么您选择的半径为2mm，这太小了。
feature_radius: 1-2 * <normal_radius>
计算特征和法线一样。
max_correspondence_distance: 您将此值设置为1mm*1mm，这意味着，对应关系只能与1mm 分开才能归类为对应关系。在这里使用与对象大小相关的值很重要。你应该问自己，“我的对象和参考之间允许的最大距离是多少，这样我的对象仍然是匹配的？”如果你在比较人脸，你应该使用一些centimeters，例如1cm-5cm，因为脸比较小。但是，假设您想比较像建筑物这样的大物体。在那里，您可以使用高达 1m 的值。
min_sample_distance: 这里几乎与max_correspondence_distance 相同。您应该问自己，“一个样本与另一个样本的距离应该是多少？”。值越小，您获得的样本就越多。同样，选择一个值是对象大小的一小部分，但还要考虑它不应小于云的分辨率。你把它设置为0.5mm，太小了。
nr_iterations: 通常不那么重要，但100-500 之间的值是合理的。

【讨论】：

【解决方案2】：

normal_radius_：

根据您的云的密度进行选择（您希望它足够大以捕获环境中的足够个点 - 如果太小，法线会很嘈杂，直至完全垃圾或失败计算）
考虑云的平滑度（您希望它足够小，以便将本地环境近似为平面是正确的 - 如果它太大，则法线将过于平滑并忽略小细节）

min_sample_distance_：

主要是计算方面。采样距离越大，工作速度越快。
如果它太大，则会降低对齐的准确性。

feature_radius_：

您需要考虑您的判别结构/形状的规模
以人脸为例，我已经成功地将特征半径约为模型大小的 1/10。

max_correspondence_distance_：

取决于您的起始条件 - 2 个对应点可以有多远。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。
请注意，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，则可以在完全不使用 SampleConsensusInitialAlignment 的情况下实现良好的初始猜测。只需对齐两朵云的平均法线。您可以将以下方法应用于您的两个云，以将它们置于“标准化”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);
}

【讨论】：