1、點云配準過程

就是求一個兩個點云之間的旋轉平移矩陣（rigid transform or euclidean transform 剛性變換或歐式變換），將源點云（source cloud）變換到目標點云（target cloud）相同的坐標系下。

可以表示為以下的方程：

其中就是target cloud與source cloud中的一對對應點。

而我們要求的就是其中的R與T旋轉平移矩陣。

這里，我們并不知道兩個點集中點的對應關系。這也就是配準的核心問題。

2、配準分為粗配準與精配準兩步

粗配準就是再兩個點云還差得十萬八千里、完全不清楚兩個點云的相對位置關系的情況下，找到一個這兩個點云近似的旋轉平移矩陣（不一定很精確，但是已經大概是對的了）。

精配準就是在已知一個旋轉平移的初值的情況下（這個初值大概已經是正確的了），進一步計算得到更加精確的旋轉平移矩陣。

這里從精配準開始講起。

精配準的模式基本上已經固定為使用ICP算法及其各種變種。ICP算法由Besl and McKay 1992， Method for registration of 3-D shapes文章提出。

文中提到的算法不僅僅考慮了點集與點集之間的配準，還有點集到模型、模型到模型的配準等。

簡要介紹一下點集到點集ICP配準的算法：

1） ICP算法核心是最小化一個目標函數：

（這里的表述與原文略微有些不同，原文是用四元數加上一個偏移向量來表達旋轉平移變換。）就是一對對應點，總共有對對應點。這個目標函數實際上就是所有對應點之間的歐式距離的平方和。

2） 尋找對應點

可是，我們現在并不知道有哪些對應點。因此，我們在有初值的情況下，假設用初始的旋轉平移矩陣對source cloud進行變換，得到的一個變換后的點云。

然后將這個變換后的點云與target cloud進行比較，只要兩個點云中存在距離小于一定閾值（這就是題主所說的ICP中的一個參數），我們就認為這兩個點就是對應點。這也是“最鄰近點”這個說法的來源。

3） R、T優化

有了對應點之后，我們就可以用對應點對旋轉R與平移T進行估計。這里R和T中只有6個自由度，而我們的對應點數量是龐大的（存在多余觀測值）。因此，我們可以采用最小二乘等方法求解最優的旋轉平移矩陣。一個數值優化問題，這里就不詳細講了。

4） 迭代

我們優化得到了一個新的R與T，導致了一些點轉換后的位置發生變化，一些最鄰近點對也相應的發生了變化。

因此，我們又回到了步驟2）中的尋找最鄰近點方法。2）3）步驟不停迭代進行，直到滿足一些迭代終止條件，如R、T的變化量小于一定值，或者上述目標函數的變化小于一定值，或者鄰近點對不再變化等。（這里也是題主所說的ICP算法中的一個參數）

算法大致流程就是上面這樣。這里的優化過程是一個貪心的策略。首先固定R跟T利用最鄰近算法找到最優的點對，然后固定最優的點對來優化R和T，依次反復迭代進行。

這兩個步驟都使得目標函數值下降，所以ICP算法總是收斂的，這也就是原文中收斂性的證明過程。這種優化思想與K均值聚類的優化思想非常相似，固定類中心優化每個點的類別，固定每個點的類別優化類中心。

關于參數的選擇：

ICP算法的參數主要有兩個。一個是ICP的鄰近距離，另外一個是迭代的終止條件。這些參數的選擇，與實際的工程應用相關。比如說你的儀器精度是5mm，那么小于5mm是可以認為是對應點，而最終的迭代終止條件也就是匹配點之間平均距離小于5mm。

而且這些參數可以由算法逐步迭代減小，最初使用較大的對應點距離參數，然后逐步減小到一個較小的值。（問過師兄才知道實際過程這樣操作會比較合適。）需要手動調整一些參數。（這跟機器學習調參比起來，簡直不是事~）

3、粗配準

前面介紹到了，ICP算法的基本原理。它需要一個旋轉平移矩陣的初值。這個初值如果不太正確，那么由于它的greedy優化的策略，會使其目標函數下降到某一個局部最優點（當然也是一個錯誤的旋轉平移矩陣）。因此，我們需要找到一個比較準確的初值，這也就是粗配準需要做的。

粗配準目前來說還是一個難點。針對于不同的數據，有許多不同的方法被提出。

我們先介紹配準的評價標準，再在這個標準下提出一些搜索策略。

評價標準：比較通用的一個是LCP（Largetst Common Pointset）。給定兩個點集P，Q，找到一個變換T（P），使得變換后的P與Q的重疊度最大。在變換后的P內任意一點，如果在容差范圍內有另外一個Q的點，則認為該點是重合點。重合點占所有點數量的比例就是重疊度。

解決上述LCP問題，最簡單粗暴的方法就是遍歷。假設點集P，Q的大小分別為m，n。而找到一個剛體變換需要3對對應點。

那么brute force 搜索的需要的復雜度。對于動輒幾百萬個點的點云，這種時間復雜度是不可接受的。

因此，許多搜索策略被提出。比較容易想到的是RANSAC之類的搜索方法。而對于不同的場景特點，可以利用需配準點云的特定信息加快搜索。（例如知道點云是由特定形狀的面構成的）這里先介紹一個適用于各種點云，不需要先驗信息的搜索策略，稱為4PC（4 Point Congruent）。

搜索策略：4PC搜索策略是在P，Q中找到四個共面的對應點。

如上圖所示（來自4PC原文），這四個共面的點相交于e。這里有兩個比例在剛體變化下是不變的。（實際上在仿射變換下也是不變的）

而4PC將對于三個點的搜索轉換為對e，e‘的搜索，從而將復雜度降低到了。

這四個點的距離越遠，計算得到的轉換越穩健。但是這里的四個點的搜索依賴于兩個點云的重疊度。

具體的算法可以參考4-Points Congruent Sets for Robust Pairwise Surface Registration的原文。

4PC算法通用性較好，但是對于重疊度較小、或是噪聲較大的數據也會出現配準錯誤或是運行時間過長的問題。針對于不同的場景很多其他的搜索策略也被提出。

這里安利一下我師兄的論文吧~Automatic registration of large-scale urban scene point clouds based on semantic feature points

我們課題組主要是研究室外地面站LiDAR獲取的點云配準問題。這種情形下，由于掃描儀內有自動安平裝置，Z軸都是豎直方向（重力方向），剛體變換只存在三維平移與平面（XoY面上的）旋轉。我們就在場景中搜索豎直的特征線并且得到它們與地面的交點。

再將這些交點構建出三角形，以三角形的全等關系來得到匹配。

找出其中一致性最好的三角形集合，作為匹配的集合，進行粗配準。

這種方法適用于豎直線較多的場景，比如城區的建筑物的邊線、林區樹木的樹干等。設計的方法還是很巧妙的。當然如果場景內這種特征較少，就比較難以配準。

審核編輯：郭婷