Open3d 学习计划—9(ICP配准)

Open3D是一个开源库,支持快速开发和处理3D数据。Open3D在c++和Python中公开了一组精心选择的数据结构和算法。后端是高度优化的,并且是为并行化而设置的。

本系列学习计划有Blue同学作为发起人,主要以Open3D官方网站的教程为主进行翻译与实践的学习计划。点云PCL公众号作为免费的3D视觉,点云交流社区,期待有使用Open3D或者感兴趣的小伙伴能够加入我们的翻译计划,贡献免费交流社区,为使用Open3D提供中文的使用教程。

ICP 配准

本教程演示了ICP(迭代最近点)配准算法。多年来,它一直是研究和工业中几何配准的主流。输入是两个点云和一个初始转换,该转换将源点云和目标点云大致对齐,输出是精确的变换,使两点云紧密对齐。辅助函数draw_registration_result在配准过程中进行可视化。在本教程中,我们演示了两种ICP变体,点对点(point-to-point)ICP和点对面(point-to-plane)ICP[Rusinkiewicz2001]。

可视化帮助函数

下面的函数将目标点云和源点云可视化,并通过对齐变换对其进行转换。目标点云和源点云分别用青色和黄色绘制。两点云重叠的越紧密,对齐的结果就越好。

def draw_registration_result(source, target, transformation):

source_temp = copy.deepcopy(source)

target_temp = copy.deepcopy(target)

source_temp.paint_uniform_color([1, 0.706, 0])

target_temp.paint_uniform_color([0, 0.651, 0.929])

source_temp.transform(transformation)

o3d.visualization.draw_geometries([source_temp, target_temp],

zoom=0.4459,

front=[0.9288, -0.2951, -0.2242],

lookat=[1.6784, 2.0612, 1.4451],

up=[-0.3402, -0.9189, -0.1996])

注意: 由于函数transformand paint_uniform_color会更改点云,我们调用copy.deepcoy进行复制并保护原始点云。

输入

下面的代码从两个文件中读取源点云和目标点云。给出了一个粗略的变换。 注意:初始对准通常通过全局配准算法来实现。有关示例,请参见全局配准。

source = o3d.io.read_point_cloud("../../TestData/ICP/cloud_bin_0.pcd")

target = o3d.io.read_point_cloud("../../TestData/ICP/cloud_bin_1.pcd")

threshold = 0.02

trans_init = np.asarray([[0.862, 0.011, -0.507, 0.5],

[-0.139, 0.967, -0.215, 0.7],

[0.487, 0.255, 0.835, -1.4],

[0.0, 0.0, 0.0, 1.0]])

draw_registration_result(source, target, trans_init)

该函数evaluate_registration计算两个主要指标。fitness计算重叠区域(内点对应关系/目标点数)。越高越好。inlier_rmse计算所有内在对应关系的均方根误差RMSE。越低越好。

reg_p2p = o3d.registration.registration_icp(source, target, threshold, trans_init,

o3d.registration.TransformationEstimationPointToPoint(),

o3d.registration.ICPConvergenceCriteria(max_iteration = 2000))

print(reg_p2p)

print("Transformation is:")

print(reg_p2p.transformation)

draw_registration_result(source, target, reg_p2p.transformation)

registration::RegistrationResult with fitness=6.211230e-01, inlier_rmse=6.583448e-03, and correspondence_set size of 123501

Access transformation to get result.

Transformation is:

[[ 0.84024592 0.00687676 -0.54241281 0.6463702 ]

[-0.14819104 0.96517833 -0.21706206 0.81180074]

[ 0.52111439 0.26195134 0.81189372 -1.48346821]

[ 0. 0. 0. 1. ]]

点对点 ICP

一般来说,ICP算法迭代了两个步骤: 1.使用当前变换矩阵 T进行变换从源点云 P和目标点云 Q找到对应关系集k={(p,q)}通过最小化在对应集 P上定义的目标函数 E(T)来更新变换 T。不同的ICP变体使用不同的目标函数 E(T) [BeslAndMcKay1992][ChenAndMedioni1992][Park2017]。我们首先演示点对点ICP算法[BeslAndMcKay1992],使用目标函数:

该类TransformationEstimationPointToPoint提供用于计算点对点ICP目标函数的残差和雅可比矩阵的函数。函数registration_icp将其作为参数并运行点对点ICP以获得结果。

print("Apply point-to-point ICP")

reg_p2p = o3d.registration.registration_icp(

source, target, threshold, trans_init,

o3d.registration.TransformationEstimationPointToPoint())

print(reg_p2p)

print("Transformation is:")

print(reg_p2p.transformation)

draw_registration_result(source, target, reg_p2p.transformation)

Apply point-to-point ICP registration::RegistrationResult with fitness=3.724495e-01, inlier_rmse=7.760179e-03, and correspondence_set size of 74056

Access transformation to get result. Transformation is:

[[ 0.83924644 0.01006041 -0.54390867 0.64639961]

[-0.15102344 0.96521988 -0.21491604 0.75166079]

[ 0.52191123 0.2616952 0.81146378 -1.50303533]

[ 0. 0. 0. 1. ]]

fitness得分从0.174723增加到0.372450。inlier_rmse从0.011771减少到0.007760。默认情况下,registration_icp运行直到收敛或达到最大迭代次数(默认为30)。可以更改它以允许更多的计算时间并进一步改善结果。

reg_p2p = o3d.registration.registration_icp(source, target, threshold, trans_init,

o3d.registration.TransformationEstimationPointToPoint(),

o3d.registration.ICPConvergenceCriteria(max_iteration = 2000))

print(reg_p2p)

print("Transformation is:")

print(reg_p2p.transformation)

draw_registration_result(source, target, reg_p2p.transformation)

registration::RegistrationResult with fitness=6.211230e-01, inlier_rmse=6.583448e-03, and correspondence_set size of 123501

Access transformation to get result.

Transformation is:

[[ 0.84024592 0.00687676 -0.54241281 0.6463702 ]

[-0.14819104 0.96517833 -0.21706206 0.81180074]

[ 0.52111439 0.26195134 0.81189372 -1.48346821]

[ 0. 0. 0. 1. ]]

最终的对齐是紧密的。fitness分数提高到0.621123。inlier_rmse降低到0.006583。

点对面ICP

点对面 ICP算法[ChenAndMedioni1992]使用了不同的目标函数

这里np是点云p的法向量。[Rusinkiewicz2001] 已经表明,点对面 ICP算法比点对点ICP算法具有更快的收敛速度。 registration_icp用不同的参数调用TransformationEstimationPointToPlane。在内部,该类实现函数以计算点对面ICP目标函数的残差和雅可比矩阵。

print("Apply point-to-plane ICP")

reg_p2l = o3d.registration.registration_icp(

source, target, threshold, trans_init,

o3d.registration.TransformationEstimationPointToPlane())

print(reg_p2l)

print("Transformation is:")

print(reg_p2l.transformation)

draw_registration_result(source, target, reg_p2l.transformation)

Apply point-to-plane ICP

registration::RegistrationResult with fitness=6.209722e-01, inlier_rmse=6.581453e-03, and correspondence_set size of 123471

Access transformation to get result.

Transformation is:

[[ 0.84023324 0.00618369 -0.54244126 0.64720943]

[-0.14752342 0.96523919 -0.21724508 0.81018928]

[ 0.52132423 0.26174429 0.81182576 -1.48366001]

[ 0. 0. 0. 1. ]]

点到面ICP在30次迭代(fitness0.620972和inlier_rmse0.006581)中达到紧密对齐。

点对面ICP算法使用点法线。在本教程中,我们从文件加载法线。如果未给出法线,则可以使用顶点法线估计来计算它们。