PCL K4PCS算法实现点云配准

算法简介

K-4PCS方法主要分为两个步骤：
（1）利用VoxelGrid滤波器对点云进行下采样，然后使用标准方法（3D harris或者3D DoG.）进行3D关键点检测。
（ 2）通过4PCS算法使用关键点集合而非原始点云进行数据的匹配，降低了搜索点集的规模，提高了运算效率。

代码实现

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/registration/icp.h>  
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/console/time.h>   // pcl中计算程序运行时间有很多函数，其中利用控制台的时间计算
#include <pcl/features/normal_3d.h>//法线
#include <pcl/surface/gp3.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/math/special_functions/round.hpp>
#include <pcl/registration/ia_kfpcs.h>

using namespace std;
int
main(int argc, char** argv)
{
	pcl::console::TicToc time;
	// 加载第一次扫描点云数据作为目标云
	pcl::PointCloud<pcl::PointXYZ>::Ptr target_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("R1.pcd", *target_cloud) == -1)
	{
		PCL_ERROR("读取目标点云失败 \n");
		return (-1);
	}
	cout << "从目标点云中读取 " << target_cloud->size() << " 个点" << endl;

	// 加载从新视角得到的第二次扫描点云数据作为源点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr input_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("R11.pcd", *input_cloud) == -1)
	{
		PCL_ERROR("读取源标点云失败 \n");
		return (-1);
	}
	cout << "从源点云中读取 " << input_cloud->size() << " 个点" << endl;
	time.tic();
	//初始化对象
	pcl::registration::KFPCSInitialAlignment<pcl::PointXYZ, pcl::PointXYZ> kfpcs;
	kfpcs.setInputCloud(input_cloud);  //源点云
	kfpcs.setInputTarget(target_cloud);  //目标点云
	kfpcs.setApproxOverlap(0.5);//设置源和目标之间的近似重叠。
	kfpcs.setLambda(0.5);
	kfpcs.setDelta(0.2);//对内部计算参数进行加权的常数因子增量。
	//kfpcs.setMaxComputationTime(1000);//设置最大计算时间(以秒为单位)。
	kfpcs.setNumberOfSamples(1000); //设置配准期间要使用的源点云采样的数量
	pcl::PointCloud<pcl::PointXYZ>::Ptr kpcs(new pcl::PointCloud<pcl::PointXYZ>);
	kfpcs.align(*kpcs);
	cout << "KFPCS配准用时： " << time.toc() << " ms" << endl;
	cout << "变换矩阵：\n" << kfpcs.getFinalTransformation() << endl;
	// 使用创建的变换对为输入点云进行变换
	pcl::transformPointCloud(*input_cloud, *kpcs, kfpcs.getFinalTransformation());
	// 保存转换后的源点云作为最终的变换输出
	//  pcl::io::savePCDFileASCII ("room_scan2_transformed.pcd", *output_cloud);

	// 初始化点云可视化对象
	boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer(new pcl::visualization::PCLVisualizer("显示点云"));
	viewer->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色

	// 对目标点云着色可视化 (red).
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color(target_cloud, 255, 0, 0);
	viewer->addPointCloud<pcl::PointXYZ>(target_cloud, target_color, "target cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "target cloud");
	// 对源点云着色可视化 (blue).
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color(input_cloud, 0, 0, 255);
	viewer->addPointCloud<pcl::PointXYZ>(input_cloud, input_color, "input cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "input cloud");
	// 对转换后的源点云着色 (green)可视化.
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>
		output_color(kpcs, 0, 255, 0);
	viewer->addPointCloud<pcl::PointXYZ>(kpcs, output_color, "output cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "output cloud");
	
	// 启动可视化
	//viewer->addCoordinateSystem(0.1);  //显示XYZ指示轴
	//viewer->initCameraParameters();   //初始化摄像头参数

	// 等待直到可视化窗口关闭
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(1000));
	}

	return (0);
}

实验结果

实验数据：K4PCS实验数据

左边为点云初始位置，右边为配准后点云的位置

官网链接pcl::registration::KFPCSInitialAlignment