点云配准
点云配准分类¶
通常，点云配准分为两步，先做粗配准，再做精配准
- 粗配准（Coarse registration）：基于局部几何特征
- 精配准（Fine registration）：需要初始位姿（initial alignment）
| 方法 | 原理简介 | 优点 | 缺点 |
|---|---|---|---|
| Iterative Closest Point(ICP) | 迭代最近点依次匹配点对 | 1.要剔除不合适的点对（距离过大、在边界上的点对） 2. 基于点对的配准，不包含局部形状信息 3. 每次迭代都要搜索最近点，耗时计算量大 |
|
| IDC | ICP的一种改进，采用极坐标代替笛卡尔坐标进行最近点搜索 | ||
| PIC | 考虑了点云的噪音和初始位置的不确定性 | ||
| Point-based probabilistic registration | 需要首先建立深度图的三角面片 | ||
| NDT 正态分布变换 |
不需要反复去找最近点，只需要一次计算。概率密度函数在两幅图像采集之间的时间可以离线计算出来 | ||
| Gaussian fields | 和NDT类似，利用高斯混合模型考察点与点的距离和点周围表面的相似性 | ||
| Quadratic patches | |||
| Likelihood-field matching 随机场匹配 |
|||
| CRF匹配 | 运行速度慢，在3d中实时性能不好，误差大 | ||
| Branch-and-bound registration | |||
| Registration using local geometric features |