PCL教程-点云配准之成对逐步配准（两两配准）

一时失言乱红尘 2022-09-12 04:58 582阅读 0赞

原文链接：[How to incrementally register pairs of cloudshttps://pcl.readthedocs.io/projects/tutorials/en/latest/pairwise\_incremental\_registration.html\#pairwise-incremental-registration![icon-default.png_t_L892][]https://pcl.readthedocs.io/projects/tutorials/en/latest/pairwise\_incremental\_registration.html\#pairwise-incremental-registration][How to incrementally register pairs of cloudshttps_pcl.readthedocs.io_projects_tutorials_en_latest_pairwise_incremental_registration.html_pairwise-incremental-registration_icon-default.png_t_L892_https_pcl.readthedocs.io_projects_tutorials_en_latest_pairwise_incremental_registration.html_pairwise-incremental-registration]

PCD文件：[github.com/PointCloudLibrary/data/tree/master/tutorials/pairwise/![icon-default.png_t_L892][]https://github.com/PointCloudLibrary/data/tree/master/tutorials/pairwise][github.com_PointCloudLibrary_data_tree_master_tutorials_pairwise_icon-default.png_t_L892_https_github.com_PointCloudLibrary_data_tree_master_tutorials_pairwise]

![20210922105727588.png][]

**目录**

程序代码

代码解析

头文件包含

全局变量

自定义数据解结构

自定义点云表示

加载多个PCD文件

整个程序结构

配准函数

输入参数

非线性ICP对象

手动迭代

实验结果

--------------------

本教程演示了迭代最近点（ICP）算法的使用，以便逐步地对一系列点云进行**两两匹配**。它的思想是对所有的点云进行变换，使得都与第一个点云在统一的坐标系中。在每个连贯的有重叠的点云之间找到最佳的变换，并累积这些变换到全部的点云。能够进行ICP算法的点云需要粗略的预匹配，并且并且一个点云与另一个点云有重叠部分。

# 程序代码 #

/* \author Radu Bogdan Rusu
     * adaptation Raphael Favier*/
    #include <boost/make_shared.hpp>//boost指针
    #include <pcl/point_types.h>//点类型定义
    #include <pcl/point_cloud.h>//点云类
    #include <pcl/point_representation.h>//点表示
    #include <pcl/io/pcd_io.h>//pcd输入输出操作
    #include <pcl/filters/voxel_grid.h>//体素网格化滤波
    #include <pcl/filters/filter.h>//滤波
    #include <pcl/features/normal_3d.h>//法线特征
    #include <pcl/registration/icp.h>//icp类
    #include <pcl/registration/icp_nl.h> //非线性icp类
    #include <pcl/registration/transforms.h>//变换矩阵类
    #include <pcl/visualization/pcl_visualizer.h>//可视化类
    
    //颜色处理器
    using pcl::visualization::PointCloudColorHandlerGenericField;
    using pcl::visualization::PointCloudColorHandlerCustom;
    //简单类型定义
    typedef pcl::PointXYZ PointT;
    typedef pcl::PointCloud<PointT> PointCloud;
    typedef pcl::PointNormal PointNormalT; //法向量
    typedef pcl::PointCloud<PointNormalT> PointCloudWithNormals;//带有法向量的点云
    
    //创建可视化工具
    pcl::visualization::PCLVisualizer *p;
    //定义左右视点
    int vp_1, vp_2;
    //处理点云的方便的结构定义
    struct PCD
    {
    	PointCloud::Ptr cloud;//点云指针
    	std::string f_name;//文件名
    	PCD() : cloud(new PointCloud) {};
    };
    struct PCDComparator
    {
    	bool operator () (const PCD& p1, const PCD& p2)
    	{
    		return (p1.f_name < p2.f_name);//文件名是否相同
    	}
    };
    //以< x, y, z, curvature >形式定义一个新的点，表示x,y,z+曲率
    class MyPointRepresentation : public pcl::PointRepresentation <PointNormalT>
    {
    	using pcl::PointRepresentation<PointNormalT>::nr_dimensions_;//维度
    public:
    	MyPointRepresentation()
    	{
    		//定义尺寸值
    		nr_dimensions_ = 4;
    	}
    	//覆盖copyToFloatArray方法来定义我们的特征矢量
    	virtual void copyToFloatArray(const PointNormalT &p, float * out) const
    	{
    		// < x, y, z, curvature >
    		out[0] = p.x;
    		out[1] = p.y;
    		out[2] = p.z;
    		out[3] = p.curvature;//曲率
    	}
    };
    
    /** 在可视化窗口的第一视点显示源点云和目标点云
     *  左视图用来显示未匹配的源点云和目标点云
     *	红色代表源点云,绿色代表目标点云
     */
    void showCloudsLeft(const PointCloud::Ptr cloud_target, const PointCloud::Ptr cloud_source)
    {
    	p->removePointCloud("vp1_target");
    	p->removePointCloud("vp1_source");
    	PointCloudColorHandlerCustom<PointT> tgt_h(cloud_target, 0, 255, 0);//green
    	PointCloudColorHandlerCustom<PointT> src_h(cloud_source, 255, 0, 0);//red
    	p->addPointCloud(cloud_target, tgt_h, "vp1_target", vp_1);
    	p->addPointCloud(cloud_source, src_h, "vp1_source", vp_1);
    	PCL_INFO("Press q to begin the registration.\n");
    	p->spin();
    }
    
    /**在可视化窗口的第二视点显示源点云和目标点云
     *	右边显示配准后的源点云和目标点云
     */
    void showCloudsRight(const PointCloudWithNormals::Ptr cloud_target, const PointCloudWithNormals::Ptr cloud_source)
    {
    	p->removePointCloud("source");
    	p->removePointCloud("target");
    	// 以曲率字段来控制点云颜色的显示
    	PointCloudColorHandlerGenericField<PointNormalT> tgt_color_handler(cloud_target, "curvature");
    	if (!tgt_color_handler.isCapable())
    		PCL_WARN("Cannot create curvature color handler!");
    	PointCloudColorHandlerGenericField<PointNormalT> src_color_handler(cloud_source, "curvature");
    	if (!src_color_handler.isCapable())
    		PCL_WARN("Cannot create curvature color handler!");
    	p->addPointCloud(cloud_target, tgt_color_handler, "target", vp_2);
    	p->addPointCloud(cloud_source, src_color_handler, "source", vp_2);
    	p->spinOnce();
    }
    
    /**加载一组我们想要匹配在一起的PCD文件
      * 参数argc是参数的数量 (pass from main ())
      *参数 argv 实际的命令行参数 (pass from main ())
      *参数models点云数据集的合成矢量
      */
    void loadData(int argc, char **argv, std::vector<PCD, Eigen::aligned_allocator<PCD> > &models)
    {
    	std::string extension(".pcd");
    	//假定第一个参数是实际测试模型
    	for (int i = 1; i < argc; i++)
    	{
    		std::string fname = std::string(argv[i]);
    		// 至少需要5个字符长（因为.pcd就有4个字符）
    		if (fname.size() <= extension.size())
    			continue;
    		std::transform(fname.begin(), fname.end(), fname.begin(), (int(*)(int))tolower);
    		//检查参数是一个pcd文件
    		if (fname.compare(fname.size() - extension.size(), extension.size(), extension) == 0)
    		{
    			//加载点云并保存在总体的模型列表中
    			PCD m;
    			m.f_name = argv[i];
    			pcl::io::loadPCDFile(argv[i], *m.cloud);
    			//从点云中移除NAN点
    			std::vector<int> indices;
    			pcl::removeNaNFromPointCloud(*m.cloud, *m.cloud, indices);
    			models.push_back(m);
    		}
    	}
    }
    
    /**匹配一对点云数据集并且返还结果
      *参数 cloud_src 是源点云
      *参数 cloud_tgt 是目标点云
      *参数 output 输出的配准结果的源点云
      *参数 final_transform 是在来源和目标之间的转换
      *参数 downsample 是否需要进行下采样
      */
    void pairAlign(const PointCloud::Ptr cloud_src, const PointCloud::Ptr cloud_tgt, PointCloud::Ptr output, Eigen::Matrix4f &final_transform, bool downsample = false)
    {
    	//为了一致性和高速的下采样
    	//注意：为了大数据集需要允许这项
    	PointCloud::Ptr src(new PointCloud);
    	PointCloud::Ptr tgt(new PointCloud);
    	pcl::VoxelGrid<PointT> grid;//体素滤波
    	// 是否先对点云进行下采样
    	if (downsample)
    	{
    		grid.setLeafSize(0.05, 0.05, 0.05);
    		grid.setInputCloud(cloud_src);
    		grid.filter(*src);
    		grid.setInputCloud(cloud_tgt);
    		grid.filter(*tgt);
    	}
    	else
    	{
    		src = cloud_src;
    		tgt = cloud_tgt;
    	}
    	//计算曲面法线和曲率
    	PointCloudWithNormals::Ptr points_with_normals_src(new PointCloudWithNormals);
    	PointCloudWithNormals::Ptr points_with_normals_tgt(new PointCloudWithNormals);
    	pcl::NormalEstimation<PointT, PointNormalT> norm_est;//点云法线估计对象
    	// 使用KD树进行搜索
    	//添加搜索算法　kdtree search 最近的几个点　估计平面　协方差矩阵PCA分解　求解法线
    	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    	norm_est.setSearchMethod(tree);
    	norm_est.setKSearch(30); //设置最近邻居的数量k，k最近邻搜索
    	norm_est.setInputCloud(src);
    	norm_est.compute(*points_with_normals_src);//计算表面法线特征并保存结果
    	pcl::copyPointCloud(*src, *points_with_normals_src);//不同类型的点云之间的转换
    	norm_est.setInputCloud(tgt);
    	norm_est.compute(*points_with_normals_tgt);
    	pcl::copyPointCloud(*tgt, *points_with_normals_tgt);
    	
    	//举例说明我们自定义点的表示（以上定义）
    	MyPointRepresentation point_representation;
    	//调整'curvature'尺寸权重以便使它和x, y, z平衡
    	float alpha[4] = { 1.0, 1.0, 1.0, 1.0 };
    	point_representation.setRescaleValues(alpha);
    	
    	// 配准
    	//IterativeClosestPointNonLinear是一个ICP变体，使用Levenberg-Marquardt优化后端。合成的转换矩阵被优化为四元数。
    	pcl::IterativeClosestPointNonLinear<PointNormalT, PointNormalT> reg;
    
    	reg.setTransformationEpsilon(1e-6);//设置收敛判断条件，数值越小则精度越大，收敛也越慢
    	//将两个对应关系之间的(src<->tgt)最大距离设置为10厘米
    	//注意：根据你的数据集大小来调整
    	reg.setMaxCorrespondenceDistance(0.1);//大于10cm的点不考虑
    	//设置点表示
    	reg.setPointRepresentation(boost::make_shared<const MyPointRepresentation>(point_representation));
    	reg.setInputCloud(points_with_normals_src);//原点云
    	reg.setInputTarget(points_with_normals_tgt);//目标点云
    	//
    	//在一个循环中运行相同的最优化并且使结果可视化
    	Eigen::Matrix4f Ti = Eigen::Matrix4f::Identity(), prev, targetToSource;
    	PointCloudWithNormals::Ptr reg_result = points_with_normals_src;
    	reg.setMaximumIterations(2);//最大迭代次数，每次迭代两次就认为收敛
    	//手动迭代，每手动迭代一次，在窗口对最新的迭代结果进行刷新显示
    	for (int i = 0; i < 30; ++i)
    	{
    		PCL_INFO("Iteration Nr. %d.\n", i);
    		//为了可视化的目的保存点云
    		points_with_normals_src = reg_result;
    		//估计
    		reg.setInputCloud(points_with_normals_src);
    
    		// 开始配准，并将结果保存在reg_result
    		reg.align(*reg_result);
    		//在每一个迭代之间累积转换
    		Ti = reg.getFinalTransformation() * Ti;
    		//如果这次转换和之前转换之间的差异小于阈值
    		//则通过减小最大对应距离来改善程序
    		if (fabs((reg.getLastIncrementalTransformation() - prev).sum()) < reg.getTransformationEpsilon())
    			reg.setMaxCorrespondenceDistance(reg.getMaxCorrespondenceDistance() - 0.001);
    		prev = reg.getLastIncrementalTransformation();
    		//可视化当前状态
    		showCloudsRight(points_with_normals_tgt, points_with_normals_src);
    	}
    	//
      // 得到目标点云到源点云的变换
    	targetToSource = Ti.inverse();
    	//
    	//把目标点云转换回源框架
    	pcl::transformPointCloud(*cloud_tgt, *output, targetToSource);
    	p->removePointCloud("source");
    	p->removePointCloud("target");
    	PointCloudColorHandlerCustom<PointT> cloud_tgt_h(output, 0, 255, 0);//配准后的点云为红色
    	PointCloudColorHandlerCustom<PointT> cloud_src_h(cloud_src, 255, 0, 0);//原始点云为绿色
    	p->addPointCloud(output, cloud_tgt_h, "target", vp_2);
    	p->addPointCloud(cloud_src, cloud_src_h, "source", vp_2);
    	PCL_INFO("Press q to continue the registration.\n");
    	p->spin();
    	p->removePointCloud("source");
    	p->removePointCloud("target");
    	//添加源点云到转换目标
    	*output += *cloud_src;
    	final_transform = targetToSource;
    }
    /* ---[ */
    int main(int argc, char** argv)
    {
    	// 加载数据
    	std::vector<PCD, Eigen::aligned_allocator<PCD> > data;
    	loadData(argc, argv, data);
    	//检查用户输入
    	if (data.empty())
    	{
    		PCL_ERROR("Syntax is: %s <source.pcd> <target.pcd> [*]\n", argv[0]);
    		PCL_ERROR("[*] - multiple files can be added. The registration results of (i, i+1) will be registered against (i+2), etc\n");
    		PCL_INFO("Example: %s `rospack find pcl`/test/bun0.pcd `rospack find pcl`/test/bun4.pcd\n", argv[0]);
    		return (-1);
    	}
    	PCL_INFO("Loaded %d datasets.", (int)data.size());
    	//创建一个PCL可视化对象
    	p = new pcl::visualization::PCLVisualizer(argc, argv, "Pairwise Incremental Registration example");
    	p->createViewPort(0.0, 0, 0.5, 1.0, vp_1);
    	p->createViewPort(0.5, 0, 1.0, 1.0, vp_2);
    	PointCloud::Ptr result(new PointCloud), source, target;
    	Eigen::Matrix4f GlobalTransform = Eigen::Matrix4f::Identity(), pairTransform;
    	//循环处理所有点云
    	for (size_t i = 1; i < data.size(); ++i)
    	{
    		source = data[i - 1].cloud;//连续配准
    		target = data[i].cloud;//相邻两组点云
    		//添加可视化数据
    		showCloudsLeft(source, target);
    		PointCloud::Ptr temp(new PointCloud);
    		PCL_INFO("Aligning %s (%d) with %s (%d).\n", data[i - 1].f_name.c_str(), source->points.size(), data[i].f_name.c_str(), target->points.size());
    		
    		//pairTransform返回从目标点云target到source的变换矩阵
    		pairAlign(source, target, temp, pairTransform, true);
    
    		//把当前两两配准后的点云temp转化到全局坐标系下返回result
    		pcl::transformPointCloud(*temp, *result, GlobalTransform);
    
    		//用当前的两组点云之间的变换更新全局变换
    		std::cout << "GlobalTransform:" << std::endl;
    		std::cout << GlobalTransform << std::endl;
    		GlobalTransform = pairTransform * GlobalTransform;
    
    		//保存配准对，转换到第一个点云框架中
    		std::stringstream ss;
    		ss << i << ".pcd";
    		pcl::io::savePCDFile(ss.str(), *result, true);
    	}
    }
    /* ]--- */

# 代码解析 #

## 头文件包含 ##

#include <boost/make_shared.hpp>//boost指针
    #include <pcl/point_types.h>//点类型定义
    #include <pcl/point_cloud.h>//点云类
    #include <pcl/point_representation.h>//点表示
    #include <pcl/io/pcd_io.h>//pcd输入输出操作
    #include <pcl/filters/voxel_grid.h>//体素网格化滤波
    #include <pcl/filters/filter.h>//滤波
    #include <pcl/features/normal_3d.h>//法线特征
    #include <pcl/registration/icp.h>//icp类
    #include <pcl/registration/icp_nl.h> //非线性icp类
    #include <pcl/registration/transforms.h>//变换矩阵类
    #include <pcl/visualization/pcl_visualizer.h>//可视化类

## 全局变量 ##

为了可视化目的，方便用户直观地观察到配准前后结果以及配准过程 ，创建全局可视化对象变量，并定义左右视点分别显示配准前和配准后的结果点云。

//创建可视化工具
    pcl::visualization::PCLVisualizer *p;
    //定义左右视点
    int vp_1, vp_2;

## 自定义数据解结构 ##

声明一个结构体，方便对点云以文件名和点云对象进行成对处理管理，在配准过程中，可以接受多个点云文件输入，程序从第一个文件开始，连续的两两配准处理，然后存储配准后的点云文件。

//处理点云的方便的结构定义
    struct PCD
    {
    	PointCloud::Ptr cloud;//点云指针
    	std::string f_name;//文件名
    	PCD() : cloud(new PointCloud) {};
    };
    struct PCDComparator
    {
    	bool operator () (const PCD& p1, const PCD& p2)
    	{
    		return (p1.f_name < p2.f_name);//文件名是否相同
    	}
    };

## 自定义点云表示 ##

详细介绍参考：[Adding your own custom PointT type][]

//以< x, y, z, curvature >形式定义一个新的点，表示x,y,z+曲率
    class MyPointRepresentation : public pcl::PointRepresentation <PointNormalT>
    {
    	using pcl::PointRepresentation<PointNormalT>::nr_dimensions_;//维度
    public:
    	MyPointRepresentation()
    	{
    		//定义尺寸值
    		nr_dimensions_ = 4;
    	}
    	//覆盖copyToFloatArray方法来定义我们的特征矢量
    	virtual void copyToFloatArray(const PointNormalT &p, float * out) const
    	{
    		// < x, y, z, curvature >
    		out[0] = p.x;
    		out[1] = p.y;
    		out[2] = p.z;
    		out[3] = p.curvature;//曲率
    	}
    };

## 加载多个PCD文件 ##

/**加载一组我们想要匹配在一起的PCD文件
      * 参数argc是参数的数量 (pass from main ())
      *参数 argv 实际的命令行参数 (pass from main ())
      *参数models点云数据集的合成矢量
      */
    void loadData(int argc, char **argv, std::vector<PCD, Eigen::aligned_allocator<PCD> > &models)
    {
    	std::string extension(".pcd");
    	//假定第一个参数是实际测试模型
    	for (int i = 1; i < argc; i++)
    	{
    		std::string fname = std::string(argv[i]);
    		// 至少需要5个字符长（因为.pcd就有4个字符）
    		if (fname.size() <= extension.size())
    			continue;
    		std::transform(fname.begin(), fname.end(), fname.begin(), (int(*)(int))tolower);
    		//检查参数是一个pcd文件
    		if (fname.compare(fname.size() - extension.size(), extension.size(), extension) == 0)
    		{
    			//加载点云并保存在总体的模型列表中
    			PCD m;
    			m.f_name = argv[i];
    			pcl::io::loadPCDFile(argv[i], *m.cloud);
    			//从点云中移除NAN点
    			std::vector<int> indices;
    			pcl::removeNaNFromPointCloud(*m.cloud, *m.cloud, indices);
    			models.push_back(m);
    		}
    	}
    }

## 整个程序结构 ##

> 1.  主函数检查用户输入，在点云列表中加载了用户输入的所有点云数据
> 2.  建立两个视口的可视化对象：左边显示未配准的源点云和目标点云，右边显示配准后的源和目标点云。
> 3.  在为一对点云找到变换矩阵后，将目标点云变换到源点云坐标系下，
> 4.  将源点云和变换后的目标点云存储到同一点云文件。
> 5.  利用此次找到的变换矩阵更新全局变换，用于将后续的点云都变换到与第一个输入点云相同坐标系下。

int main(int argc, char** argv)
    {
    	// 加载数据
    	std::vector<PCD, Eigen::aligned_allocator<PCD> > data;
    	loadData(argc, argv, data);
    	//检查用户输入
    	if (data.empty())
    	{
    		PCL_ERROR("Syntax is: %s <source.pcd> <target.pcd> [*]\n", argv[0]);
    		PCL_ERROR("[*] - multiple files can be added. The registration results of (i, i+1) will be registered against (i+2), etc\n");
    		PCL_INFO("Example: %s `rospack find pcl`/test/bun0.pcd `rospack find pcl`/test/bun4.pcd\n", argv[0]);
    		return (-1);
    	}
    	PCL_INFO("Loaded %d datasets.", (int)data.size());
    	//创建一个PCL可视化对象
    	p = new pcl::visualization::PCLVisualizer(argc, argv, "Pairwise Incremental Registration example");
    	p->createViewPort(0.0, 0, 0.5, 1.0, vp_1);
    	p->createViewPort(0.5, 0, 1.0, 1.0, vp_2);
    	PointCloud::Ptr result(new PointCloud), source, target;
    	Eigen::Matrix4f GlobalTransform = Eigen::Matrix4f::Identity(), pairTransform;
    	//循环处理所有点云
    	for (size_t i = 1; i < data.size(); ++i)
    	{
    		source = data[i - 1].cloud;//连续配准
    		target = data[i].cloud;//相邻两组点云
    		//添加可视化数据
    		showCloudsLeft(source, target);
    		PointCloud::Ptr temp(new PointCloud);
    		PCL_INFO("Aligning %s (%d) with %s (%d).\n", data[i - 1].f_name.c_str(), source->points.size(), data[i].f_name.c_str(), target->points.size());
    		
    		//pairTransform返回从目标点云target到source的变换矩阵
    		pairAlign(source, target, temp, pairTransform, true);
    
    		//把当前两两配准后的点云temp转化到全局坐标系下返回result
    		pcl::transformPointCloud(*temp, *result, GlobalTransform);
    
    		//用当前的两组点云之间的变换更新全局变换
    		std::cout << "GlobalTransform:" << std::endl;
    		std::cout << GlobalTransform << std::endl;
    		GlobalTransform = pairTransform * GlobalTransform;
    
    		//保存配准对，转换到第一个点云框架中
    		std::stringstream ss;
    		ss << i << ".pcd";
    		pcl::io::savePCDFile(ss.str(), *result, true);
    	}
    }

## 配准函数 ##

/**匹配一对点云数据集并且返还结果
      *参数 cloud_src 是源点云
      *参数 cloud_tgt 是目标点云
      *参数 output 输出的配准结果的源点云
      *参数 final_transform 是在来源和目标之间的转换
      *参数 downsample 是否需要进行下采样
      */
    void pairAlign(const PointCloud::Ptr cloud_src, const PointCloud::Ptr cloud_tgt, PointCloud::Ptr output, Eigen::Matrix4f &final_transform, bool downsample = false)
    {
    	//为了一致性和高速的下采样
    	//注意：为了大数据集需要允许这项
    	PointCloud::Ptr src(new PointCloud);
    	PointCloud::Ptr tgt(new PointCloud);
    	pcl::VoxelGrid<PointT> grid;//体素滤波
    	// 是否先对点云进行下采样
    	if (downsample)
    	{
    		grid.setLeafSize(0.05, 0.05, 0.05);
    		grid.setInputCloud(cloud_src);
    		grid.filter(*src);
    		grid.setInputCloud(cloud_tgt);
    		grid.filter(*tgt);
    	}
    	else
    	{
    		src = cloud_src;
    		tgt = cloud_tgt;
    	}
    	//计算曲面法线和曲率
    	PointCloudWithNormals::Ptr points_with_normals_src(new PointCloudWithNormals);
    	PointCloudWithNormals::Ptr points_with_normals_tgt(new PointCloudWithNormals);
    	pcl::NormalEstimation<PointT, PointNormalT> norm_est;//点云法线估计对象
    	// 使用KD树进行搜索
    	//添加搜索算法　kdtree search 最近的几个点　估计平面　协方差矩阵PCA分解　求解法线
    	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    	norm_est.setSearchMethod(tree);
    	norm_est.setKSearch(30); //设置最近邻居的数量k，k最近邻搜索
    	norm_est.setInputCloud(src);
    	norm_est.compute(*points_with_normals_src);//计算表面法线特征并保存结果
    	pcl::copyPointCloud(*src, *points_with_normals_src);//不同类型的点云之间的转换
    	norm_est.setInputCloud(tgt);
    	norm_est.compute(*points_with_normals_tgt);
    	pcl::copyPointCloud(*tgt, *points_with_normals_tgt);
    	
    	//举例说明我们自定义点的表示（以上定义）
    	MyPointRepresentation point_representation;
    	//调整'curvature'尺寸权重以便使它和x, y, z平衡
    	float alpha[4] = { 1.0, 1.0, 1.0, 1.0 };
    	point_representation.setRescaleValues(alpha);
    	
    	// 配准
    	//IterativeClosestPointNonLinear是一个ICP变体，使用Levenberg-Marquardt优化后端。合成的转换矩阵被优化为四元数。
    	pcl::IterativeClosestPointNonLinear<PointNormalT, PointNormalT> reg;
    	reg.setTransformationEpsilon(1e-6);//设置收敛判断条件，数值越小则精度越大，收敛也越慢
    	//将两个对应关系之间的(src<->tgt)最大距离设置为10厘米
    	//注意：根据你的数据集大小来调整
    	reg.setMaxCorrespondenceDistance(0.1);//大于10cm的点不考虑
    	//设置点表示
    	reg.setPointRepresentation(boost::make_shared<const MyPointRepresentation>(point_representation));
    	reg.setInputCloud(points_with_normals_src);//原点云
    	reg.setInputTarget(points_with_normals_tgt);//目标点云
    	//
    	//在一个循环中运行相同的最优化并且使结果可视化
    	Eigen::Matrix4f Ti = Eigen::Matrix4f::Identity(), prev, targetToSource;
    	PointCloudWithNormals::Ptr reg_result = points_with_normals_src;
    	reg.setMaximumIterations(2);//最大迭代次数，每次迭代两次就认为收敛
    	//手动迭代，每手动迭代一次，在窗口对最新的迭代结果进行刷新显示
    	for (int i = 0; i < 30; ++i)
    	{
    		PCL_INFO("Iteration Nr. %d.\n", i);
    		//为了可视化的目的保存点云
    		points_with_normals_src = reg_result;
    		//估计
    		reg.setInputCloud(points_with_normals_src);
    		reg.align(*reg_result);
    		//在每一个迭代之间累积转换
    		Ti = reg.getFinalTransformation() * Ti;
    		//如果这次转换和之前转换之间的差异小于阈值
    		//则通过减小最大对应距离来改善程序
    		if (fabs((reg.getLastIncrementalTransformation() - prev).sum()) < reg.getTransformationEpsilon())
    			reg.setMaxCorrespondenceDistance(reg.getMaxCorrespondenceDistance() - 0.001);
    		prev = reg.getLastIncrementalTransformation();
    		//可视化当前状态
    		showCloudsRight(points_with_normals_tgt, points_with_normals_src);
    	}
    	//
      // 得到目标点云到源点云的变换
    	targetToSource = Ti.inverse();
    	//
    	//把目标点云转换回源框架
    	pcl::transformPointCloud(*cloud_tgt, *output, targetToSource);
    	p->removePointCloud("source");
    	p->removePointCloud("target");
    	PointCloudColorHandlerCustom<PointT> cloud_tgt_h(output, 0, 255, 0);//配准后的点云为红色
    	PointCloudColorHandlerCustom<PointT> cloud_src_h(cloud_src, 255, 0, 0);//原始点云为绿色
    	p->addPointCloud(output, cloud_tgt_h, "target", vp_2);
    	p->addPointCloud(cloud_src, cloud_src_h, "source", vp_2);
    	PCL_INFO("Press q to continue the registration.\n");
    	p->spin();
    	p->removePointCloud("source");
    	p->removePointCloud("target");
    	//添加源点云到转换目标
    	*output += *cloud_src;
    	final_transform = targetToSource;
    }

### 输入参数 ###

>  *  \*参数 cloud\_src 是源点云
>  *  \*参数 cloud\_tgt 是目标点云
>  *  \*参数 output 输出的配准结果的源点云
>  *  \*参数 final\_transform 是在来源和目标之间的转换
>  *  \*参数 downsample 是否需要进行下采样

下采样的选项是针对大规模点云而准备的，通过下采样可以提高点云配准的计算速度。

### 非线性ICP对象 ###

IterativeClosestPointNonLinear是一个ICP变体，使用Levenberg-Marquardt优化后端。合成的转换矩阵被优化为四元数。

//IterativeClosestPointNonLinear是一个ICP变体，使用Levenberg-Marquardt优化后端。合成的转换矩阵被优化为四元数。
    	pcl::IterativeClosestPointNonLinear<PointNormalT, PointNormalT> reg;
    
    	reg.setTransformationEpsilon(1e-6);//设置收敛判断条件，数值越小则精度越大，收敛也越慢
    	//将两个对应关系之间的(src<->tgt)最大距离设置为10厘米
    	//注意：根据你的数据集大小来调整
    	reg.setMaxCorrespondenceDistance(0.1);//大于10cm的点不考虑
    	//设置点表示
    	reg.setPointRepresentation(boost::make_shared<const MyPointRepresentation>(point_representation));
    	reg.setInputCloud(points_with_normals_src);//原点云
    	reg.setInputTarget(points_with_normals_tgt);//目标点云

该算法具有多个终止条件：

*  迭代次数已达到用户设定的最大迭代次数（通过setMaximumIterations()函数）
 *  先前的转换和当前估计的转换之间的差\*小于用户施加的值（通过setTransformationEpsilon()函数）
 *  欧几里得平方误差的总和小于用户定义的阈值

### 手动迭代 ###

*  为了显示匹配过程中的迭代过程，ICP在内部进行计算时，限制其最大的迭代次数为2，即每迭代两次就认为收敛，停止内部迭代。
 *  然后进行手动迭代，每首动迭代一次，在配准结果视口显示最新的配准结果。
 *  在每次迭代过程中，记录并累积由ICP返回的转换矩阵。
 *  如果迭代N次和迭代N-1次中找到的转换矩阵之间的差异小于传给ICP的变换收敛阈值，我们选择源和目标之间更靠近的对应点距离阈值来改善配准过程。

//在一个循环中运行相同的最优化并且使结果可视化
    	Eigen::Matrix4f Ti = Eigen::Matrix4f::Identity(), prev, targetToSource;
    	PointCloudWithNormals::Ptr reg_result = points_with_normals_src;
    	reg.setMaximumIterations(2);//最大迭代次数，每次迭代两次就认为收敛
    	//手动迭代，每手动迭代一次，在窗口对最新的迭代结果进行刷新显示
    	for (int i = 0; i < 30; ++i)
    	{
    		PCL_INFO("Iteration Nr. %d.\n", i);
    		//为了可视化的目的保存点云
    		points_with_normals_src = reg_result;
    		//估计
    		reg.setInputCloud(points_with_normals_src);
    		reg.align(*reg_result);
    		//在每一个迭代之间累积转换
    		Ti = reg.getFinalTransformation() * Ti;
    		//如果这次转换和之前转换之间的差异小于阈值
    		//则通过减小最大对应距离来改善程序
    		if (fabs((reg.getLastIncrementalTransformation() - prev).sum()) < reg.getTransformationEpsilon())
    			reg.setMaxCorrespondenceDistance(reg.getMaxCorrespondenceDistance() - 0.001);
    		prev = reg.getLastIncrementalTransformation();
    		//可视化当前状态
    		showCloudsRight(points_with_normals_tgt, points_with_normals_src);
    	}

# 实验结果 #

点云1和点云2：

![20210922141015961.png][]

点云2和点云3：

![20210922141135439.png][] 点云3和点云4：

![20210922141149141.png][]

点云4和点云5：

![20210922141244494.png][] 结果打印：

> Loaded 5 datasets.Press q to begin the registration.  
> Aligning capture0001.pcd (249647) with capture0002.pcd (249931).  
> Iteration Nr. 0.  
> Iteration Nr. 1.  
> Iteration Nr. 2.  
> Iteration Nr. 3.  
> Iteration Nr. 4.  
> Iteration Nr. 5.  
> Iteration Nr. 6.  
> Iteration Nr. 7.  
> Iteration Nr. 8.  
> Iteration Nr. 9.  
> Iteration Nr. 10.  
> Iteration Nr. 11.  
> Iteration Nr. 12.  
> Iteration Nr. 13.  
> Iteration Nr. 14.  
> Iteration Nr. 15.  
> Iteration Nr. 16.  
> Iteration Nr. 17.  
> Iteration Nr. 18.  
> Iteration Nr. 19.  
> Iteration Nr. 20.  
> Iteration Nr. 21.  
> Iteration Nr. 22.  
> Iteration Nr. 23.  
> Iteration Nr. 24.  
> Iteration Nr. 25.  
> Iteration Nr. 26.  
> Iteration Nr. 27.  
> Iteration Nr. 28.  
> Iteration Nr. 29.  
> Press q to continue the registration.  
> GlobalTransform:  
> 1 0 0 0  
> 0 1 0 0  
> 0 0 1 0  
> 0 0 0 1  
> Press q to begin the registration.  
> Aligning capture0002.pcd (249931) with capture0003.pcd (248494).  
> Iteration Nr. 0.  
> Iteration Nr. 1.  
> Iteration Nr. 2.  
> Iteration Nr. 3.  
> Iteration Nr. 4.  
> Iteration Nr. 5.  
> Iteration Nr. 6.  
> Iteration Nr. 7.  
> Iteration Nr. 8.  
> Iteration Nr. 9.  
> Iteration Nr. 10.  
> Iteration Nr. 11.  
> Iteration Nr. 12.  
> Iteration Nr. 13.  
> Iteration Nr. 14.  
> Iteration Nr. 15.  
> Iteration Nr. 16.  
> Iteration Nr. 17.  
> Iteration Nr. 18.  
> Iteration Nr. 19.  
> Iteration Nr. 20.  
> Iteration Nr. 21.  
> Iteration Nr. 22.  
> Iteration Nr. 23.  
> Iteration Nr. 24.  
> Iteration Nr. 25.  
> Iteration Nr. 26.  
> Iteration Nr. 27.  
> Iteration Nr. 28.  
> Iteration Nr. 29.  
> Press q to continue the registration.  
> GlobalTransform:  
> 0.955226 0.0826862 0.284086 -1.06331  
> \-0.0184208 0.974913 -0.22182 0.535996  
> \-0.295301 0.206655 0.932787 0.196817  
> 0 0 0 1  
> Press q to begin the registration.  
> Aligning capture0003.pcd (248494) with capture0004.pcd (244573).  
> Iteration Nr. 0.  
> Iteration Nr. 1.  
> Iteration Nr. 2.  
> Iteration Nr. 3.  
> Iteration Nr. 4.  
> Iteration Nr. 5.  
> Iteration Nr. 6.  
> Iteration Nr. 7.  
> Iteration Nr. 8.  
> Iteration Nr. 9.  
> Iteration Nr. 10.  
> Iteration Nr. 11.  
> Iteration Nr. 12.  
> Iteration Nr. 13.  
> Iteration Nr. 14.  
> Iteration Nr. 15.  
> Iteration Nr. 16.  
> Iteration Nr. 17.  
> Iteration Nr. 18.  
> Iteration Nr. 19.  
> Iteration Nr. 20.  
> Iteration Nr. 21.  
> Iteration Nr. 22.  
> Iteration Nr. 23.  
> Iteration Nr. 24.  
> Iteration Nr. 25.  
> Iteration Nr. 26.  
> Iteration Nr. 27.  
> Iteration Nr. 28.  
> Iteration Nr. 29.  
> Press q to continue the registration.  
> GlobalTransform:  
> 0.949526 0.173744 0.261175 -1.1172  
> \-0.062844 0.921082 -0.384264 1.12617  
> \-0.307327 0.348455 0.885511 0.140448  
> 0 0 0 1  
> Press q to begin the registration.  
> Aligning capture0004.pcd (244573) with capture0005.pcd (244977).  
> Iteration Nr. 0.  
> Iteration Nr. 1.  
> Iteration Nr. 2.  
> Iteration Nr. 3.  
> Iteration Nr. 4.  
> Iteration Nr. 5.  
> Iteration Nr. 6.  
> Iteration Nr. 7.  
> Iteration Nr. 8.  
> Iteration Nr. 9.  
> Iteration Nr. 10.  
> Iteration Nr. 11.  
> Iteration Nr. 12.  
> Iteration Nr. 13.  
> Iteration Nr. 14.  
> Iteration Nr. 15.  
> Iteration Nr. 16.  
> Iteration Nr. 17.  
> Iteration Nr. 18.  
> Iteration Nr. 19.  
> Iteration Nr. 20.  
> Iteration Nr. 21.  
> Iteration Nr. 22.  
> Iteration Nr. 23.  
> Iteration Nr. 24.  
> Iteration Nr. 25.  
> Iteration Nr. 26.  
> Iteration Nr. 27.  
> Iteration Nr. 28.  
> Iteration Nr. 29.  
> Press q to continue the registration.  
> GlobalTransform:  
> 0.850072 0.467777 0.241993 -1.41569  
> \-0.0251348 0.494991 -0.868535 2.55173  
> \-0.526065 0.732235 0.432536 1.18894  
> 0 0 0 1

[icon-default.png_t_L892]: /images/20220828/5fb0fb55f0df4291a79eb1ecb442e6c1.png
[How to incrementally register pairs of cloudshttps_pcl.readthedocs.io_projects_tutorials_en_latest_pairwise_incremental_registration.html_pairwise-incremental-registration_icon-default.png_t_L892_https_pcl.readthedocs.io_projects_tutorials_en_latest_pairwise_incremental_registration.html_pairwise-incremental-registration]: https://pcl.readthedocs.io/projects/tutorials/en/latest/pairwise_incremental_registration.html#pairwise-incremental-registration
[github.com_PointCloudLibrary_data_tree_master_tutorials_pairwise_icon-default.png_t_L892_https_github.com_PointCloudLibrary_data_tree_master_tutorials_pairwise]: https://github.com/PointCloudLibrary/data/tree/master/tutorials/pairwise
[20210922105727588.png]: /images/20220828/c9133eda0b6048429a7698472c28828b.png
[Adding your own custom PointT type]: https://pcl.readthedocs.io/projects/tutorials/en/latest/adding_custom_ptype.html#adding-custom-ptype
[20210922141015961.png]: /images/20220828/2bed9720494c417dad9e5c6f53801427.png
[20210922141135439.png]: /images/20220828/b8fc6bcb4a174afebb88293cd9bc9ce5.png
[20210922141149141.png]: /images/20220828/3b1cdeb4dc9745549d4da11ba306bf30.png
[20210922141244494.png]: /images/20220828/8eaa2b8b86bf445fa4d286f20acd0cb1.png