配准结果

红色是目标点云（target），绿色是源点云（source），蓝色是配准后的源点云。
对Bunny成功实现配准

点云配准系列

点云配准1：配准基础及icp算法
点云配准2：icp算法在PCL1.10.0上的实现+源码解析
点云配准3：3d-ndt算法在pcl上的实现以及参数设置
点云配准4：cloudcompare的使用以及点云配准功能
点云配准5：4pcs算法在pcl上的实现
点云配准6：tricp算法在pcl上的实现
点云配准论文阅读笔记–Efficient Variants of the ICP Algorithm
点云配准论文阅读笔记–Comparing ICP variants on real-world data sets
点云配准论文阅读笔记–(4PCS)4-Points Congruent Sets for Robust Pairwise Surface Registration
点云配准论文阅读笔记–3d-dnt博士论文

准备

本实例是在visual studio2019+pcl1.10.0上进行，环境配置方法在之前的博客已进行详细说明：
vs2019配置pcl1.10.0+点云可视化示例

完整项目文件

免费下载地址：share_noel/PCL/tricp/tricp_registration_carlos20201226.zip
https://blog.csdn.net/qq_41102371/article/details/125646840
愿意用c币支持的朋友也可在此下载：
tricp_registration_carlos20201226.zip
（上述下载链接中csdn与网盘的文件完全相同，只不过网盘免费下载）

参数设定及说明

数据

配准点云来自斯坦福的兔子点云，本文使用其中0度及45度扫描点云，但经过放大处理，xyz都放大了100倍。
本文将45度点云配准至0度点云。
Bunny所有扫描角度点云下载地址：
Stanford官方：http://graphics.stanford.edu/data/3Dscanrep/
或：share_noel/PCL/dataset/stanford_bunny https://blog.csdn.net/qq_41102371/article/details/125646840，pcd格式与原ply格式都有。

参数

tricp的参数设置较3d-ndt与4pcs来说要容易得多，设置重叠度就能实现了
这里的0.7就是重叠度（靠视觉大致推断）,配准的结果也就是变换矩阵放在transformation_matrix里面。

tricp.align(*filtered_cloud, (int)filtered_cloud->size() * 0.7f, transformation_matrix);

代码

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <iostream>
#include <pcl/recognition/trimmed_icp.h>//tricp头文件
#include <time.h>
#include <boost/thread/thread.hpp>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/filter.h>


using namespace std;
typedef pcl::PointXYZ PointT;
typedef pcl::PointCloud<PointT> PointCloud;


void visualize_pcd(PointCloud::Ptr pcd_src, PointCloud::Ptr pcd_tgt, PointCloud::Ptr pcd_final)
{ 
   
	pcl::visualization::PCLVisualizer viewer("registration Viewer");
	//原始点云绿色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> src_h(pcd_src, 0, 255, 0);
	//目标点云红色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> tgt_h(pcd_tgt, 255, 0, 0);
	//匹配好的点云蓝色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> final_h(pcd_final, 0, 0, 255);

	viewer.setBackgroundColor(255, 255, 255);
	viewer.addPointCloud(pcd_src, src_h, "source cloud");
	viewer.addPointCloud(pcd_tgt, tgt_h, "target cloud");
	viewer.addPointCloud(pcd_final, final_h, "result cloud");
	while (!viewer.wasStopped())
	{ 
   
		viewer.spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

}

int main(int argc, char** argv)
{ 
   
	//加载点云文件
	PointCloud::Ptr cloud_source(new PointCloud);
	PointCloud::Ptr cloud_target(new PointCloud);

	//std::string filename = "point_source/hippo1-1224_s100.pcd";//
	std::string filename = "point_source/bun000_s100.pcd";//

	if (pcl::io::loadPCDFile<pcl::PointXYZ>(filename, *cloud_target) == -1)//*打开点云文件

	{ 
   
		PCL_ERROR("Couldn't read file test_pcd.pcd\n");
		return(-1);
	}

	//filename = "point_source/hippo2-1224_s100.pcd";//
	filename = "point_source/bun045_s100.pcd";//

	if (pcl::io::loadPCDFile<pcl::PointXYZ>(filename, *cloud_source) == -1)//*打开点云文件

	{ 
   
		PCL_ERROR("Couldn't read file test_pcd.pcd\n");
		return(-1);
	}
	pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);//定义降采样后点云
	*filtered_cloud = *cloud_source;

	//体素降采样
	pcl::VoxelGrid<pcl::PointXYZ> voxel_grid;
	voxel_grid.setLeafSize(0.5, 0.5, 0.5);//bunny
	//voxel_grid.setLeafSize(2.0, 2.0, 2.0);//hippo
	voxel_grid.setInputCloud(filtered_cloud);
	voxel_grid.filter(*filtered_cloud);
	std::cout << "down size input_cloud to" << filtered_cloud->size() << endl;//显示降采样后的点云数量

	pcl::recognition::TrimmedICP<PointT, double> tricp;
	tricp.init(cloud_target);//target

	Eigen::Matrix4d transformation_matrix = Eigen::Matrix4d::Identity();
	clock_t start = clock(); 
	/*align(source, num_source_points_to_use, guess_and_result) * source是输入待配准点云（源点云） * num_source_points_to_use就是点云乘以重叠度，不同点云模型重叠度 * guess_and_result是输出算法得到的变换矩阵 */
	tricp.align(*filtered_cloud, (int)filtered_cloud->size() * 0.7f, transformation_matrix);
	clock_t end = clock();

	cout << "time:" << (double)(end - start) / (double)CLOCKS_PER_SEC << " s" << endl;
	cout << "matrix:" << endl << transformation_matrix << endl << endl << endl;

	PointCloud::Ptr cloud_end(new PointCloud);
	pcl::transformPointCloud(*cloud_source, *cloud_end, transformation_matrix);

	visualize_pcd(cloud_source, cloud_target, cloud_end);
	return (0);
}

结果

Bunny

配准成功，且效果较好

hippo

配准失败，陷入局部最优

算法小结

1、初始位置不好的时候，tricp容易陷入局部最优，比如hippo；
2、但是在初始位置良好的情况下，比如0°和45°的Bunny，tricp使用起来比3d-ndt与4pcs都要方便，设置个重叠度就好，而3d-ndt与4pcs要手动调节参数才能配准。
3、有的点云对初始位置差距太大（比如90°的Bunny配准到0°或者45°的Bunny，3个算法都没法实现），导致这3d-ndt与4pcs也无法得到正确的结果，这时往往不知道是因为点云的问题还是参数设置的问题，就会浪费更多调节参数的时间。

参考及感谢

paper:
Paul J. Besl, Neil D. McKay. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992. 14(2): 239-256.
Chetverikov D, Stepanov D, Krsek P. Robust Euclidean alignment of 3D point sets: the trimmed iterative closest point algorithm[J]. Image and Vision Computing, 2005, 23(3):299-309.
blog:
PCD格式、Trimmed ICP实现、旋转矩阵四元数欧拉角

完

边学边用，如有错漏，敬请指正
——————————————————————————————–诺有缸的高飞鸟20201226

今天的文章点云配准6：tricp算法在pcl上的实现分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。