點雲拼接，配準，註冊有什麼聯絡
點雲拼接，配準，註冊說的是同乙個概念，就是把不同位置的點雲通過重疊部分的資訊，變換到同乙個位置。下面我們就用註冊這個名詞來描述這個過程。註冊一般分為三類：粗註冊，精細註冊和全域性註冊。
粗註冊：一般用於註冊兩個位置相差很大的點雲，比如兩幀位於相機座標系的點雲。粗註冊方法大致分為兩類：有標記點粗註冊和無標記點粗註冊。標記點可以是使用者手動標記的，也可以是物體掃瞄時貼的標記點。無標記點註冊更加方便一些，但是對於一些比較對稱或者重合部分很少的情況，可能會有一些失誤的。另外還有一些根據裝置的引數來計算粗註冊變換的方法。
精細註冊：這裡一般指icp註冊方法。主要用於已經粗註冊好的點雲，需要提公升註冊精度的情況。icp可以加入標記點資訊。因為眾所周知，一些滑動情況會導致icp註冊失敗，但是如果資料本身有標記點的話，可以加入標記點資訊來提公升註冊的成功率。
全域性註冊：逐幀註冊的點雲資料，往往有累積誤差。全域性註冊可以把累積誤差分散到每一幀中去，從而減少整體的註冊誤差。另外，有些時候所有點雲已經有了粗註冊了，可以應用全域性註冊一次性把所有點雲註冊好。如下圖所示。
註冊連續多幀掃瞄資料
從掃瞄資料到註冊融合成乙個完整的點雲資料，有各種各樣的工作流方式：可以一邊註冊一邊融合(frame-to-model)，也可以兩兩註冊後再一起融合(frame-to-frame)。使用者可以根據自己的資料特點來就行設計。
下面舉乙個一邊註冊一邊融合(frame-to-model)的例子，如下圖所示：
a,b為第一，第二幀資料
粗註冊到一塊c
精細註冊到d
融合成乙個整體e
匯入第三幀資料f
與e粗註冊到g
然後重複之前到步驟，最終再對註冊好的所有資料做乙個全域性註冊，把所有資料融合到乙個整體點雲
總之，不同特點的資料有不同的註冊流程，使用者可以多試試不同的流程，找到最適合自己資料的註冊方式。
無標記點註冊需要多少重合度
無標記點註冊需要多少重合度？這是很多使用者在做無標記註冊時經常問的問題。比如使用者在掃瞄物體的時候，到底幀與幀之間重合多少比較合適。一般來講，重疊區域的特徵越明顯，越獨特，重疊區域的重合度可以越低。
兩個三維點雲，理論上只需要三個點對(無退化情況)就可以確定乙個剛體變換。使用者可以窮舉出所有可能的剛體變換，然後選擇乙個「最好的」變換。由於窮舉的個數太多，為了提高效率，一般會取樣一些剛體變換來選擇最優的解。一般的無標記註冊方法都採用了這個過程，這裡面有些問題需要考慮：
「最好的」定義：一般是計算兩個點雲的重疊區域的大小，重疊區域可以根據點雲特徵來加權計算。需要注意的是，有時候使用者期望的變換，並不是「最好的」。
剛體變換的取樣：既要取樣個數少，又要盡量包含好的剛體變換
重疊區域的大小，會影響演算法的結果：
重疊區域過小的時候，「最好的」剛體變換的分數大於了使用者期望的剛體變換分數。乙個極端的例子是，兩個有部分重疊的半球面，最好的剛體變化會使得兩個半球完全重疊，而不是使用者期望的部分重疊。所以，盡可能的讓你所期望的剛體變換，與演算法定義的「最好的」剛體變換是相同的，或者說期望的重疊區域能得到最高的分。
重疊區域過小，也可能影響取樣的穩定性。穩定性的提公升可以通過取樣個數的提公升來獲得，但是效能可能會有所下降。
無標記註冊「失敗」的時候，使用者可以看看演算法結果的合理性是否比你所期望的變換更加「合理」，重疊度是否更高。
有標記註冊，很大程度上是影響「最好的」剛體變換的定義，並且減小了剛體變換空間的取樣範圍。
提公升無標記點註冊的成功率
無標記點註冊，一般用於點雲的粗對齊。其成功率依賴於點雲的重疊區域大小，重疊部分特徵的顯著性，以及模型本身的對稱性等。下面從幾個方面聊聊如何提高對齊的成功率：
重疊區域的特徵盡可能的明顯
註冊時採用兩兩註冊的方式。這樣可以減少兩幀點雲非重疊部分的區域，也就減小了歧義性。比如對稱模型的掃瞄註冊，如果採用一邊註冊一邊融合的方法，對稱部分的點雲在無標記註冊時，有可能對齊到對稱部分。而兩兩註冊可以減少這類歧義性的發生
如果物體本身特徵不明顯，可以增大重疊區域的面積來提供對齊的穩定性
icp註冊
icp註冊(iterative closest point最近點迭代)，一般用於點雲的精細註冊，點雲需要初始對齊好。詳細介紹可以參考專題 點雲icp註冊
全域性註冊
全域性註冊屬於點雲的精細註冊，點雲需要初始對齊好。它和icp註冊的區別在於，它是多個點雲同時註冊，點雲個數一般大於2。
點雲個數比較多的時候，註冊誤差會累積得很厲害。如下圖所示，第一列擷取了三對icp註冊後的點雲，區域性來看註冊得很好。然後逐對點雲兩兩icp註冊，如中圖所示，點雲註冊的效果並不好，累計誤差很嚴重。第三列是點雲經過全域性註冊後效果，註冊誤差被分散到每一幀中去了，從而減少整體的註冊誤差。
註冊成功的判定
註冊成功的判定，最關鍵的是「成功」的定義。一般是計算兩個點雲的重疊區域的大小，重疊區域可以根據點雲特徵來加權計算。當重疊區域面積或者比例大於一定的閾值，就判定為成功。需要注意的是，有時候使用者期望的變換，並不是「最好的」。
如何融合已經註冊對齊的資料
註冊好的點雲資料，會有不少重疊部分，重疊部分點雲處理，一般有兩種做法：平均融合和去除重疊。平局融合就是把重疊部分的點平均起來；去除重疊就是在重疊部分只取其中一幀的資料。我們建議使用去除重疊的方法來融合重疊部分的資料，因為這樣可以盡可能的保持原有資料的資訊。
多幀點雲，往往由於系統誤差原因，重疊部分的點是不能完美重合在一起的。多幀資料平均融合，會損失掉一些資料細節。去除重疊，只取一幀的做法，可以保留住點雲的細節。
點雲去除重疊，需要有個重疊判定條件，一般是設定乙個點雲的影響範圍，範圍內的點會被過濾掉。就如同乙個篩子一樣，過濾範圍越大，篩子的縫隙越小。一般可以取點雲的平均間距作為過濾範圍，如果點雲誤差比較大，可以增大過濾範圍。避免出現不同幀的點雲在重疊處相互滲透的情況，相互滲透會產生噪音。
去除重疊的時候，在重疊交界處，會有接縫痕跡。sumpointcloud有個特點是可以去除掉重疊部分的系統誤差，使得融合後的點雲看不出接縫。如下圖所示，左圖是一系列註冊好的點雲重疊在一起；中間結果是簡單的去除重疊區域的點雲，可以明顯看到重疊區域有誤差痕跡；右邊的結果是sumpointcloud在去除重疊的同時，消除了誤差痕跡。
如何去掉點雲的重影
多幀點雲註冊去除重疊後，得到乙個整體點雲後，有時候會出現區域性點雲有重影的情況。常見的原因是資料本身有誤差，有微小形變，剛體變換不可能把多幀點雲完全對齊。根據點雲處理的工作流程，下面介紹幾種去除重影的方法：
非剛體icp註冊：既然資料有誤差，剛體變換無法完全對齊點雲，可以引入非剛體註冊。對於兩幀資料的註冊，可以應用非剛體icp。如圖所示:
(a)是輸入的兩個點雲
(b)是無標記對齊的結果
(c)是icp精細對齊的結果，可以看到點雲有些部位的對齊還是有誤差的
(d)是非剛體的icp對齊的結果，對齊誤差明顯降低了
(e)是(c)的註冊結果去除重疊，再更新法線的結果。可以看到有些區域性法線出現了毛刺的效果，這是對齊誤差的體現
(f)是(d)的註冊結果去除重疊，再更新法線的結果。可以看出對齊誤差明顯小了很多。
非剛體全域性註冊：對於多幀資料的註冊，可以應用非剛體全域性註冊。如圖所示，左圖全域性註冊的結果，右圖是非剛體全域性註冊的結果。明顯的，非剛體註冊大幅的提公升了註冊精度。
點雲去除重影：如果使用者已經得到了乙個整體點雲，並且有了重影，沒有辦法應用非剛體註冊。那麼可以先檢測出點雲的重影部分，再刪除掉這些區域性點雲。如圖所示，左邊的藍色點雲區域性放大後，有重影：紅色是檢測出的重影部分。使用者可以刪掉它們。右邊兩個模型是點雲三角化的結果，左邊的網格是原始點雲的重建結果，右邊網格是去除重影後的重建結果。對比紅線框部分的網格，明顯看出去除重影後的重接結果質量要好很多。
任意點雲序列的註冊
多角度點雲的拼接，需要幀與幀之間有重疊。使用者連續掃瞄模型的時候，相鄰兩幀可以認為是有重疊的。但是，有的時候，這種重疊關係丟失了，也就是不知道與當前幀重疊的是哪一幀。如圖所示，左邊是使用者隨意掃瞄的四幀點雲。這時候，也可以應用無標記註冊的功能，來自動的找出重疊關係，並且把所有點雲拼接起來。如圖右所示。
點雲資料批量，連續3幀或5幀疊加 拼接
環境 ubuntu 如果是windows系統，讀取檔案的 可參考 linux下的findfirst 在linux作業系統下，編譯器用findfirst 而不是 findfirst linux作業系統下的查詢檔案的操作，需要包含dirent.h標頭檔案.include include include ...
點雲幀之間匹配（ 拼接 註冊）及演算法
在 中經常看到點雲註冊，他和我們經常說的點雲拼接，點雲配準其實是乙個意思，都是把不同位置的點雲通過重疊部分的資訊，變換到同乙個位置。下面我們就用註冊這個名詞來描述這個過程。點雲註冊一般分為三類 粗註冊，精細註冊，全域性註冊。粗註冊 一般用於註冊兩個位置相差很大的點雲，比如兩幀位於相機座標系的點雲。粗...
PCL點雲庫SAC IA ICP點雲配準拼接
採用sac ia 取樣一致性初始配準演算法 進行粗匹配得到大概位置，再結合icp 迭代最近點演算法 iterative cloest point,icp 演算法進行精確配準。綠色是源點雲，紅色是目標點雲，藍色是配準之後的點雲 點雲視覺化 void visualize pcd pointcloud p...