三维激光雷达点云拼接

写在前面

这是一篇于2017.4.19完成的实验报告，现整理成博客，当时处于摸索阶段，水平有限，后来也未对点云处理进行深入的研究，在此只是记录一下。
主要参考资料为CloudCompare wiki document。
对三维点云的处理，可以使用PCL（Point Cloud Library），功能十分强大。
在激光SLAM和RGB-D SLAM领域，通常使用ICP（Iterative Closest Point）算法对两个点集进行配准，从而求得位姿变换。
这里不会涉及PCL和ICP，后续用到这些知识再补充。

实验目的

（1）了解点云的拼接。
（2）学会使用软件CloudCompare，用手选同名点的方法实现点云的拼接。

原理与步骤

激光雷达获得大量一帧帧的点云数据后，需要经过对点云数据的配准，才能拼接成一幅三维雷达点云地图。
在本实验中，输入数据为在一特定区域内由激光雷达采集的多帧点云数据（在本实验中称为配准数据）和由高精度测绘设备采集的完整数据（在本实验中称为参考数据），将一帧帧的配准数据匹配到参考数据上，最终可拼接成一幅完整的三维雷达点云地图。
由于待配准的一帧雷达点云数据与参考数据差异过大，不能采用传统的ICP算法进行配准。
CloudCompare是一款3D点云处理软件，它提供了多种对点云进行粗略或精细匹配的方法。这里采用选取同名点配准的方法，可以通过Tools > Registration > Align (point pairs picking)使用。该工具允许用户通过在两个实体中挑选至少三个等效点对（即同名点）来配准两个实体。

1 首先选择两个实体，然后调用Align (point pairs picking)工具。

2 角色分配

指定哪个点云将是参考（不会移动），哪一个将是配准的点云（最终实际移动的云）。

3 选取同名点

（1）在参考点云上选取3个点。

（2）在配准点云上选取与参考点云中一一对应的同名点。优先选取离中心区域较近的点，而且容易分辨。

4 配准

选取至少三对同名点后，单击align按钮后，配准点云被匹配到参考点云上，此时为预览效果。同名点的选取直接影响配准效果，效果较差时需要删除误差较大的配准点，重新选择。

5 验证或取消

使用绿色的“√”和红色“×”图标来验证或取消当前的拼接过程。选择验证后，会生成一份报告，其中包括4×4转换矩阵，其形式如下

⎡⎣⎢⎢⎢a1b1c10a2b2c20a3b3c30ΔXΔYΔZ1⎤⎦⎥⎥⎥ [ a 1 a 2 a 3 Δ X b 1 b 2 b 3 Δ Y c 1 c 2 c 3 Δ Z 0 0 0 1 ]

其中 ΔX，ΔY，ΔZ Δ X ， Δ Y ， Δ Z 为平移参数， R=[a1b1c1a2b2c2a3b3c3] R = [ a 1 a 2 a 3 b 1 b 2 b 3 c 1 c 2 c 3 ] 为旋转矩阵。
坐标转换的数学模型为：

⎡⎣⎢XYZ⎤⎦⎥=⎡⎣⎢ΔXΔYΔZ⎤⎦⎥+R⎡⎣⎢xyz⎤⎦⎥(1) (1) [ X Y Z ] = [ Δ X Δ Y Δ Z ] + R [ x y z ]

实验结果与分析

1 实验结果

拼接三帧点云后的地图。

2 实验分析

通过手选同名点配准的方法，拼接一幅完整的三维雷达点云地图，在本实验输入数据的规模下是一种有效的方法。然而操作过程繁琐，在配准数据较多时，是一项繁重的任务，而且手动选择同名点，难免会产生误差，同时随着误差的积累，会影响最终拼接的效果。

3 实验中遇到的问题

在拼接一定数量的点云图后，因为疏忽，颠倒了配准图和参考图，配准后参考图和配准图均无法与之前拼接的点云图进行拼接。
因此在做实验之前一定要理解原理，严格遵守规则，否则会浪费大量宝贵的时间。