快速组织点云配准

Posted 2023-03-23

【中文标题】快速组织点云配准

【英文标题】：Fast organised point cloud registration

【发布时间】：2016-02-14 09:43:46

【问题描述】：

我一直在寻找用正常信息注册（对齐）有组织的点云的方法。 我只能找到通用的点云注册方法（例如在PCL）。 我正在使用 Microsoft Kinect 来获取我的点云，但问题是它们非常大。 我想知道的：

是否有快速注册

有组织的点云

的方法？ 是否有非常快速的下采样方法（也可能 使用点云是有组织的事实）？ 我也在考虑使用 OpenCV 过滤器，因为有组织 点云可以看作是具有灰度值的图像（具有深度值的二维矩阵）。例如在矩阵上使用 openCV 调整大小方法，以及一些衍生类型的过滤器（因为在场景中边缘对我来说很重要）。这是个好主意吗？ 此外，下采样看起来像一个数据并行问题，它可能是 GPU 实施的理想选择。你知道任何这样的实现吗？

到目前为止我所做的如下。 - 几种下采样方法（随机、基于体素、均匀），但所有这些方法的问题是它们都花费了大量时间（在 PCL 中）。最好的是基于体素的。 - 然后是 ICP，它在下采样点云上运行得非常快且足够准确。

所以对我来说，目前，一个好的解决方案是对我的点云进行下采样的快速方法。例如基于 GPU 的实现。

【参考方案1】：

将有组织的点云视为具有灰度值的图像（简单的二维矩阵）是个好主意。 在 GPU 上实现的 2D 矩阵的下采样方法可用于 OpenCV cuda 等。 此外，您可以轻松地在二维矩阵上实现自己的快速下采样方法，具体取决于准确性的重要性。例如，只需简单地获取每 k 个元素。如果需要，您可以对这些元素进行平均以进行模糊，或对衍生类型的过滤器进行锐化（边缘增强）。您可以根据有关框架的信息提出特殊的拾取方法（例如，如果您知道您的对象往往位于中心，那么您可以在该区域周围拾取更多点）。

以上所有这三个都会给出更快的结果，并且可能会“更好地调整”您的问题（尤其是＃3）。 “更多调整”意味着不太稳健。