Подробное описание

Обзор

Объединение нескольких наборов данных в глобальную согласованную модель обычно выполняется с помощью метода, называемого регистрацией. Основная идея заключается в определении соответствующих точек между наборами данных и поиске преобразования, минимизирующего расстояние (ошибку выравнивания) между соответствующими точками. Этот процесс повторяется, поскольку поиск соответствий зависит от относительного положения и ориентации наборов данных. Как только ошибки выравнивания становятся меньше заданного порога, регистрация считается завершённой.

Библиотека pcl_registration реализует множество алгоритмов регистрации облаков точек для структурированных и неструктурированных наборов данных (общего назначения).

Методы PCL для регистрации одного облака точек относительно другого можно разделить на две группы: первой группе требуется начальное приближение преобразования (pcl::IterativeClosestPoint, pcl::IterativeClosestPointWithNormals, pcl::IterativeClosestPointNonLinear, pcl::GeneralizedIterativeClosestPoint, pcl::GeneralizedIterativeClosestPoint6D, pcl::NormalDistributionsTransform, pcl::NormalDistributionsTransform2D), а второй группе начальное приближение не требуется, но её методы обычно медленнее и менее точны (pcl::registration::FPCSInitialAlignment, pcl::registration::KFPCSInitialAlignment, pcl::SampleConsensusInitialAlignment, pcl::SampleConsensusPrerejective, pcl::PPFRegistration). Многие этапы процесса регистрации можно настраивать и заменять, например оценивание соответствий, отбраковку соответствий или оценивание преобразования. Наконец, в PCL есть методы для выравнивания более чем двух облаков точек (pcl::registration::ELCH, pcl::registration::LUM, pcl::PairwiseGraphRegistration, pcl::registration::IncrementalRegistration, pcl::registration::MetaRegistration).

Требования

• common
• kdtree
• sample_consensus
• features