iss关键点检测以及ICP粗配准

本文主要是介绍iss关键点检测以及ICP粗配准，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、代码

Python

import open3d as o3d
import numpy as npdef extract_points(point_cloud, salient_radius=5, non_max_radius=5, gamma_21=0.95, gamma_32=0.95, min_neighbors=6):keypoints = o3d.geometry.keypoint.compute_iss_keypoints(point_cloud,salient_radius=salient_radius,non_max_radius=non_max_radius,gamma_21=gamma_21,gamma_32=gamma_32,min_neighbors=min_neighbors)return keypointsdef view_show(point1, point2):# 关键点绿色point1.paint_uniform_color([0, 1, 0])# 点云红色point2.paint_uniform_color([1, 0, 0])# 可视化方法1# 可视化关键点和原始点云# o3d.visualization.draw_geometries([point1, point2],#                                   window_name="ISS",#                                   point_show_normal=True,#                                   mesh_show_back_face=True)# 可视化方法2vis = o3d.visualization.Visualizer()vis.create_window(window_name="ISS", width=1200, height=1200)# 设置背景颜色vis.get_render_option().background_color = [0, 0, 0]  # 白色背景# 添加点云到Visualizervis.add_geometry(point1)vis.add_geometry(point2)# 运行可视化循环vis.run()vis.destroy_window()def keypoints_show(point):# 关键点绿色point.paint_uniform_color([0, 1, 0])# 可视化方法1# 可视化关键点和原始点云# o3d.visualization.draw_geometries([point1, point2],#                                   window_name="ISS",#                                   point_show_normal=True,#                                   mesh_show_back_face=True)# 可视化方法2vis = o3d.visualization.Visualizer()vis.create_window(window_name="ISS", width=1200, height=1200)# 设置背景颜色vis.get_render_option().background_color = [0, 0, 0]  # 白色背景# 添加点云到Visualizervis.add_geometry(point)# 运行可视化循环vis.run()vis.destroy_window()if __name__ == "__main__":# 读取点云scene = o3d.io.read_point_cloud("data/cow01.pcd")target = o3d.io.read_point_cloud("data/cow02.pcd")# 使用ISS关键点检测算法keypoints_scene = extract_points(scene)keypoints_target = extract_points(target)# 打印关键点个数print(f"scene点的个数：{len(scene.points)}")print(f"keypoints_scene点的个数：{len(keypoints_scene.points)}")print(f"target点的个数：{len(target.points)}")print(f"keypoints_target点的个数：{len(keypoints_target.points)}")# 可视化关键点keypoints_show(keypoints_scene)keypoints_show(keypoints_target)# 可视化关键点和原点云view_show(keypoints_scene, scene)view_show(keypoints_target, target)trans_init = np.eye(4)# 260这是猪的参数# reg_p = o3d.pipelines.registration.registration_icp(#     keypoints_scene, keypoints_target, 260, trans_init,#     o3d.pipelines.registration.TransformationEstimationPointToPoint(),#     o3d.pipelines.registration.ICPConvergenceCriteria(max_iteration=5000)# )# 60这是羊的参数reg_p = o3d.pipelines.registration.registration_icp(keypoints_scene, keypoints_target, 60, trans_init,o3d.pipelines.registration.TransformationEstimationPointToPoint(),o3d.pipelines.registration.ICPConvergenceCriteria(max_iteration=5000))print(reg_p.transformation)keypoints_scene.transform(reg_p.transformation)# 可视化配准结果view_show(keypoints_target, keypoints_scene)

关键代码解析：

def extract_points(point_cloud, salient_radius=5, non_max_radius=5, gamma_21=0.95, gamma_32=0.95, min_neighbors=6):keypoints = o3d.geometry.keypoint.compute_iss_keypoints(point_cloud,salient_radius=salient_radius,non_max_radius=non_max_radius,gamma_21=gamma_21,gamma_32=gamma_32,min_neighbors=min_neighbors)return keypoints

point_cloud：输入的点云数据，即待提取关键点的点云。
salient_radius：ISS 关键点提取中用于确定关键点区域大小的参数。它定义了在计算局部表面特征时所考虑的邻域半径大小。增加此值将导致更大的关键点区域，可能会检测到更多的关键点，但也可能导致关键点之间的冗余。
non_max_radius：ISS 关键点提取中的非极大值抑制半径。在关键点检测后，该参数用于消除局部极大值，以便保留局部最显著的关键点。增加此值可能会导致更多的关键点被保留，但也可能导致关键点密度较低的区域保留过多的关键点。
gamma_21：它用于确定 ISS 曲率比率特征中的曲率阈值。曲率比率是通过对局部特征的 Hessian 矩阵进行特征值分解来计算的，而gamma_21是曲率比率的最小允许值。增加此值将导致更多的点被认为是关键点，但也可能会引入更多的噪声或冗余关键点。
gamma_32：它用于确定 ISS 曲率比率特征中的曲率阈值。与gamma_21类似，gamma_32 是曲率比率的最大允许值。增加此值将导致更多的点被认为是关键点，但也可能会引入更多的噪声或冗余关键点。
min_neighbors：ISS 关键点提取中用于过滤关键点的最小邻居数。它指定了一个关键点周围必须存在的最小邻居数。增加此值将导致更严格的过滤，仅保留周围邻居较多的关键点，而减少此值可能会导致保留更多的关键点，即使它们的邻居较少。

def keypoints_show(point):# 关键点绿色point.paint_uniform_color([0, 1, 0])# 可视化方法1# 可视化关键点和原始点云# o3d.visualization.draw_geometries([point1, point2],#                                   window_name="ISS",#                                   point_show_normal=True,#                                   mesh_show_back_face=True)# 可视化方法2vis = o3d.visualization.Visualizer()vis.create_window(window_name="ISS", width=1200, height=1200)# 设置背景颜色vis.get_render_option().background_color = [0, 0, 0]  # 白色背景# 添加点云到Visualizervis.add_geometry(point)# 运行可视化循环vis.run()vis.destroy_window()

def keypoints_show(point):：这是一个函数定义，它接受一个参数 point，表示待可视化的点云数据。
point.paint_uniform_color([0, 1, 0])：将点云中的所有点都涂成绿色。这是为了使关键点在可视化中以绿色显示。
vis = o3d.visualization.Visualizer()：创建一个 Open3D 的可视化对象。
vis.create_window(window_name="ISS", width=1200, height=1200)：创建一个窗口用于显示可视化结果，并设置窗口的名称和大小。
vis.get_render_option().background_color = [0, 0, 0]：设置可视化背景颜色为黑色。这影响了可视化结果的外观。
vis.add_geometry(point)：将点云数据添加到可视化对象中，以便显示。
vis.run()：运行可视化循环，显示点云和关键点。
vis.destroy_window()：在可视化结束后销毁窗口，释放资源。

这段代码的主要作用是将点云数据和其关键点可视化出来，以便用户观察和分析。通过设置背景颜色、点云颜色等参数，可以调整可视化结果的外观，以适应不同的需求

reg_p = o3d.pipelines.registration.registration_icp(keypoints_scene, keypoints_target, 60, trans_init,o3d.pipelines.registration.TransformationEstimationPointToPoint(),o3d.pipelines.registration.ICPConvergenceCriteria(max_iteration=5000))print(reg_p.transformation)keypoints_scene.transform(reg_p.transformation)

keypoints_scene：待配准的源点云的关键点。
keypoints_target：目标点云的关键点，即需要将源点云配准到的点云。
60：ICP算法的最大配准距离，即允许的最大匹配距离。超过这个距离的点将被忽略。这个值的设置会影响配准的结果，过大可能导致匹配不准确，过小可能导致匹配失败。
trans_init：初始的变换矩阵，用于初始化配准过程。通常是根据某些先验信息估计出来的初始变换矩阵。
o3d.pipelines.registration.TransformationEstimationPointToPoint()：指定了配准时所采用的变换估计方法。在这里使用的是点对点的变换估计方法。
o3d.pipelines.registration.ICPConvergenceCriteria(max_iteration=5000)：设置了ICP算法的收敛准则，即迭代的最大次数。在这里设置为5000次迭代。这个值的设置会影响算法的运行时间和最终的配准结果。
reg_p：返回的配准结果对象，包括了最终的变换矩阵等信息。
print(reg_p.transformation)：打印出配准后得到的最优变换矩阵，即将源点云配准到目标点云时所需的变换。
keypoints_scene.transform(reg_p.transformation)：将源点云按照得到的最优变换矩阵进行变换，以实现将其配准到目标点云的效果。