最佳 PCL 模板对齐设置

Optimal PCL Template Alignment setup

本文关键字：对齐 设置 PCL 最佳      更新时间：2023-10-16

我有 2 个点云(以毫米为单位)，一个是从 stl 对象采样的"网格"(99999 点)，第二个是从 3D cam 拍摄的这个对象的点云(约 30841 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。但我仍然从模板对齐中得到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)

对此：

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！

与分辨率相关的参数也应根据点云的分辨率进行设置。 与对象大小相关的参数也应根据对象的大小进行设置。

一些例子：

  • normal_radius: 4-8 * <resolution>
    要计算良好的法线，下垫表面必须有足够的点来表示稳定的表面。如果你的单位是mm，那么你选择的半径是2mm，这太小了。

  • feature_radius: 1-2 * <normal_radius>计算特征与法线相同。
  • max_correspondence_distance:将此值设置为1mm*1mm，这意味着对应关系只能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。您应该问自己，"我的对象和参照之间的最大允许距离是多少，以便我的对象仍然是匹配的？如果你正在比较面孔，你应该使用一些centimeter，例如1cm-5cm，因为脸相当小。但是，假设您想比较建筑物等大型物体。 在那里，您可以使用最多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有多远？值越小，获得的样本就越多。同样，选择一个是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。

normal_radius_：

  • 根据云的密度进行选择(您希望它足够大以捕获环境中的足够点 - 如果它太小，法线将是嘈杂的，直到完全垃圾或无法计算)
  • 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，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，它的工作速度就越快。
  • 如果它太大，则会失去对齐的准确性。

feature_radius_：

  • 您需要考虑在多大程度上具有判别结构/形状
  • 以人脸为例，我成功地将特征半径定为模型大小的 1/10。

max_correspondence_distance_：

  • 取决于您的起始条件 - 2 个相应的点可以有多远。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

在你的例子中(同一对象的两个云)，如果你的云有法线，就可以在不使用SampleConsensusInitialAlign的情况下实现一个很好的初步猜测。只需对齐两个云的平均法线即可。您可以将以下方法应用于两个云，以将它们置于"规范化"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);
}
相关文章：