cv::ppf_match_3d::ICP 類參考

此類實現了一種非常高效且魯棒的迭代最近點（ICP）演算法。 任務是將 3D 模型（或點雲）與一組噪聲目標資料進行配準。 這些變體是我在經過某些測試後組合在一起的。 任務是能夠快速匹配雜亂場景中的部分噪聲點雲。 您會發現我強調的是效能，同時保持準確性。 此實現基於 Tolga Birdal 在此處的 MATLAB 實現：http://www.mathworks.com/matlabcentral/fileexchange/47152-icp-registration-using-efficient-variants-and-multi-resolution-scheme 主要貢獻來自：更多...

#include <opencv2/surface_matching/icp.hpp>

cv::ppf_match_3d::ICP 的協作圖

公共型別
列舉	{   ICP_SAMPLING_TYPE_UNIFORM = 0 ,   ICP_SAMPLING_TYPE_GELFAND = 1 }

公共成員函式
	ICP ()
	ICP (const int iterations, const float tolerence=0.05f, const float rejectionScale=2.5f, const int numLevels=6, const int sampleType=ICP::ICP_SAMPLING_TYPE_UNIFORM, const int numMaxCorr=1)
	ICP 建構函式，帶有預設引數。
virtual	~ICP ()
int	registerModelToScene (const Mat &srcPC, const Mat &dstPC, double &residual, Matx44d &pose)
	執行配準。
int	registerModelToScene (const Mat &srcPC, const Mat &dstPC, std::vector< Pose3DPtr > &poses)
	執行具有多個初始姿勢的配準。

詳細描述

此類實現了一種非常高效且魯棒的迭代最近點（ICP）演算法。 任務是將 3D 模型（或點雲）與一組噪聲目標資料進行配準。 這些變體是我在經過某些測試後組合在一起的。 任務是能夠快速匹配雜亂場景中的部分噪聲點雲。 您會發現我強調的是效能，同時保持準確性。 此實現基於 Tolga Birdal 在此處的 MATLAB 實現：http://www.mathworks.com/matlabcentral/fileexchange/47152-icp-registration-using-efficient-variants-and-multi-resolution-scheme 主要貢獻來自

1. Picky ICP: http://www5.informatik.uni-erlangen.de/Forschung/Publikationen/2003/Zinsser03-ARI.pdf
2. ICP 演算法的高效變體：http://docs.happycoders.org/orgadoc/graphics/imaging/fasticp_paper.pdf
3. ICP 演算法的幾何穩定取樣：https://graphics.stanford.edu/papers/stabicp/stabicp.pdf
4. 多解析度配準：http://www.cvl.iis.u-tokyo.ac.jp/~oishi/Papers/Alignment/Jost_MultiResolutionICP_3DIM03.pdf
5. Kok Lim Low 的點到平面度量線性化：https://www.comp.nus.edu.sg/~lowkl/publications/lowk_point-to-plane_icp_techrep.pdf

成員列舉文件

匿名列舉

匿名列舉

列舉器
ICP_SAMPLING_TYPE_UNIFORM
ICP_SAMPLING_TYPE_GELFAND

建構函式 & 解構函式文件

ICP() [1/2]

cv::ppf_match_3d::ICP::ICP ( )

inline

Python
	cv.ppf_match_3d.ICP(		) ->	<ppf_match_3d_ICP 物件>
	cv.ppf_match_3d.ICP(	iterations[, tolerence[, rejectionScale[, numLevels[, sampleType[, numMaxCorr]]]]]	) ->	<ppf_match_3d_ICP 物件>

~ICP()

virtual cv::ppf_match_3d::ICP::~ICP ( )

內聯虛擬

ICP() [2/2]

cv::ppf_match_3d::ICP::ICP ( const int iterations, const float tolerence = 0.05f, const float rejectionScale = 2.5f, const int numLevels = 6, const int sampleType = ICP::ICP_SAMPLING_TYPE_UNIFORM, const int numMaxCorr = 1 )

inline

Python
	cv.ppf_match_3d.ICP(		) ->	<ppf_match_3d_ICP 物件>
	cv.ppf_match_3d.ICP(	iterations[, tolerence[, rejectionScale[, numLevels[, sampleType[, numMaxCorr]]]]]	) ->	<ppf_match_3d_ICP 物件>

ICP 建構函式，帶有預設引數。

引數

[輸入]	iterations
[輸入]	tolerence	控制 ICP 每次迭代的配準精度。
[輸入]	rejectionScale	應用魯棒的異常值剔除以實現魯棒性。 此值實際上對應於標準偏差係數。 在配準期間，將忽略具有 rejectionScale * &sigma 的點。
[輸入]	numLevels	要進行的金字塔層數。 深金字塔提高了速度，但降低了精度。 太粗糙的金字塔可能會在不準確的配準之上產生計算開銷。 應選擇此引數以最佳化平衡。 典型值範圍為 4 到 10。
[輸入]	sampleType	當前忽略此引數，僅應用均勻取樣。 將其保留為 0。
[輸入]	numMaxCorr	當前忽略此引數，僅應用 PickyICP。 將其保留為 1。

成員函式文件

registerModelToScene() [1/2]

int cv::ppf_match_3d::ICP::registerModelToScene	(	const Mat &	srcPC,
		const Mat &	dstPC,
		double &	residual,
		Matx44d &	pose )

Python
	cv.ppf_match_3d.ICP.registerModelToScene(	srcPC, dstPC	) ->	retval, residual, pose
	cv.ppf_match_3d.ICP.registerModelToScene(	srcPC, dstPC, poses	) ->	retval, poses

執行配準。

引數

[輸入]	srcPC	模型的輸入點雲。 預期具有法線 (Nx6)。 目前，CV_32F 是唯一支援的資料型別。
[輸入]	dstPC	場景的輸入點雲。 假設模型已在場景中註冊。 場景保持靜態。 預期具有法線 (Nx6)。 目前，CV_32F 是唯一支援的資料型別。
[輸出]	residual	輸出配準誤差。
[輸出]	pose	srcPC 和 dstPC 之間的變換。

返回

成功終止時，函式返回 0。

假設模型已在場景中註冊。 場景保持靜態，而模型進行變換。 輸出姿勢將模型變換到場景上。 由於點到平面的最小化，因此場景應具有可用的法線。 預期具有法線 (Nx6)。

registerModelToScene() [2/2]

int cv::ppf_match_3d::ICP::registerModelToScene	(	const Mat &	srcPC,
		const Mat &	dstPC,
		std::vector< Pose3DPtr > &	poses )

Python
	cv.ppf_match_3d.ICP.registerModelToScene(	srcPC, dstPC	) ->	retval, residual, pose
	cv.ppf_match_3d.ICP.registerModelToScene(	srcPC, dstPC, poses	) ->	retval, poses

執行具有多個初始姿勢的配準。

引數

[輸入]	srcPC	模型的輸入點雲。 預期具有法線 (Nx6)。 目前，CV_32F 是唯一支援的資料型別。
[輸入]	dstPC	場景的輸入點雲。 目前，CV_32F 是唯一支援的資料型別。
[in,out]	poses	從輸入姿勢開始，但也列出姿勢的輸出。

返回

成功終止時，函式返回 0。

假設模型已在場景中註冊。 場景保持靜態，而模型進行變換。 輸出姿勢將模型變換到場景上。 由於點到平面的最小化，因此場景應具有可用的法線。 預期具有法線 (Nx6)。

---

此類文件由以下檔案生成

• opencv2/surface_matching/icp.hpp