coder

从github中找到了一个例子,特分享如下:#define _CRT_SECURE_NO_WARNINGS#include #include static const struct { unsigned int   width; unsigned int   height; unsigned int   bytes_per_pixel; /* 2:RGB16, 3:

一开始,打算用正态波松,发现不行,原因是点的个数太多. 1,将两个点云分别采样100万个点,法线估计,SIFT关键点，PFH特征描述子提取2，点云粗配准两个PFH特征描述子，得到双向一致性的匹配点对3,sac确定内部点，并得到变换矩阵4，根据变换矩阵，得到输入下一步精配准的输入点云5,ICP精配准

pcl::PointCloud::Ptr cloud_pfhOutput(new pcl::PointCloud); cloud_pfhOutput->is_dense = true; pcl::search::KdTree::Ptr pfhKDTree(new pcl::search::KdTree); pcl::PFHEstimation pfh; pfh.setSea

试了很多次,最后的转换矩阵为单位矩阵可以用pcl::registration::TransformationEstimationSVD,这样是 ok的,转换后接近于目标矩阵 pcl::registration::TransformationEstimationSVD trans_east; Eigen::Matrix4f transformation_matrix; tra

1,法向量是局部坐标系的概念,因此要将点云中心移到原点，再计算法向量。类似于先平移再旋转，而不是先旋转再平移。2，计算siftkey时可能会出现重复点，一定要把重复点去掉，否则会影响下一步特征描述子的计算3，变换矩阵的对角线是目标与源点云的相似度 ，位移为0。x+detaX/x; y+deltaY/y,z+deltaZ/z如下图所示，可见相似度在98.6%以上。

比如，可以把点云转换为.tif，通过一部分截取8位图像，进行sift，将得到的内点序号序列，转换为三维坐标序列，然后将三维坐标转换为点云sift_cloud1和sift_cloud2，这时候，由于是一一对应的，即在pcl中，query_index和目标index同时为(1,1),(2,2)...,权重可以使用opencv中的matcher.distance，这时候就粗配准ok...

经过一段时间的调试,发现转换矩阵不唯一,因此要将两个点云的数值减去一个值,使之最小,受到矩阵相乘相加受到的影响最小

第一幅图上，如果经纬度100，100上是只狗，那么另外一个图上同经纬度不一定有狗了，是有偏差的