1. 几何距离最近点关联
ICP
优点
- 简单，易于实现
- 高效
- 当达到全局最优解时精度较高
缺点
- 初值不好时容易陷入局部最优解
提升
- Go-ICP
- S-ICP
2. 特征点关联
流程
- 检测关键点
- 提取特征(个人理解应是计算描述子)
- 初始特征匹配
- 误匹配滤除
特征点类别
- handcraft features
- learning-based features
优点
- 不需要初值
缺点
- 粗配准
- 由于用到了关键点，需要比较稠密的原始点云
- 耗时
提升
- Deep learning
3. randomized hypothesize and verify
ransac without correspondence，4pcs， plane-based ransac
优点
- 不需要初值
缺点
- 如果存在噪声或者异常点，挑选出的三个点对质量不高
- 非常耗时
- 粗配准
提升
- 更好的采样方法
4. 基于概率的
NDT（Normal Distribution Transformation）
CPD（Coherent Point Drift）
5.数据集
- WHU-TLS(Terrestrial Laser Scanning，地面激光扫描)
点云配准总结
两步
- 确定关联点、线、面
- 根据目标方程估计变换矩阵
方法
- 基于特征点 粗配准
- RANSAC 粗配准
- ICP 精配准
- 概率
挑战
- 重叠部分少，遮挡，噪声
- 点云稠密度变化大
- 耗时
参考资料
点云配准概述及其在激光SLAM中的应用