网站备案需要多长时间,如何创建一个自己的公众号,河南郑州最新消息今天,长春疾控最新消息1.首先需要安装相应的cloudcompare软件#xff0c;以下有两种方式#xff1a;第一种直接在ubuntu的软件商店里搜索CloudCompare软件进行install#xff0c;我这里已经安装完毕。
方式二#xff1a;可以直接原码安装#xff1a; github地址#xff1a; https://github.co…1.首先需要安装相应的cloudcompare软件以下有两种方式第一种直接在ubuntu的软件商店里搜索CloudCompare软件进行install我这里已经安装完毕。
方式二可以直接原码安装 github地址 https://github.com/CloudCompare/CloudCompare.git git clone https://github.com/CloudCompare/CloudCompare.git cd CloudCompare cmake .. -DCMAKE_BUILD_TYPERlease -DPLUGIN_STANDARD_QPCLON #这里确保能打开pcd make -j 8 sudo make install sudo apt install cloudcompare 2.打开之后软件的界面如下所示 3.关于软件的基本操作比如打开保存以及点云的颜色大小这里我们只了解关于点云配准和拼接的基本功能详细的功能大家可以自己去摸索摸索。由于我是第一种安装打开pcd只能靠拖动pcd文件到这个界面比如 4.之后可以在点云属性下调整点云的大小以及在edit -colors-set unique中设置相应的颜色,然后在如下左下角的点云属性中选择pointsize,根据需要选择大小,点云属性框里设置点云的大小: 5.设置完之后调整一下相应的视角: 6.然后选中两个点云,点击如下工具,之后点击yes,一个基准点云,开始手动选择特征点 7.选完之后点击alian会自动根据当前选择的特征点进行匹配 点击reset可以取消当前配准之后点对号可以生成相应的旋转平移矩阵大家可以alian一下后看实际的配准效果不行的话可以删除偏离较大的点就是点对应点A0R0后面的叉号 8. 之后点击ok会在console也就是最下面生成更为准确的结果 9.后续可以利用之前的多尺度icp程序在此旋转矩阵上进行更为精准的旋转平移矩阵的生成。
import open3d as o3d
import numpy as npdef load_point_cloud(file_path):加载 .pcd 格式的点云文件point_cloud o3d.io.read_point_cloud(file_path)if point_cloud.is_empty():raise ValueError(f点云文件 {file_path} 为空或加载失败。)return point_clouddef preprocess_point_cloud(pcd, voxel_size):预处理点云以加速配准。参数:- pcd: 输入的点云- voxel_size: 体素化大小用于法向量估计返回:- 体素化并估计法向量后的点云pcd pcd.voxel_down_sample(voxel_size)pcd.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radiusvoxel_size * 2, max_nn30))return pcddef apply_icp(source, target, threshold0.02, init_transformationNone, use_point_to_planeFalse):使用 ICP 进行点云配准。参数:- source: 源点云 (o3d.geometry.PointCloud)- target: 目标点云 (o3d.geometry.PointCloud)- threshold: 配准的距离阈值- init_transformation: 初始对齐矩阵 (4x4)- use_point_to_plane: 是否使用点到平面 ICP 方法 (默认 False)返回:- 精确配准后的变换矩阵 (4x4)print(运行 ICP 配准...)# 选择 ICP 估计方法点到点或点到平面estimation_method o3d.pipelines.registration.TransformationEstimationPointToPoint()if use_point_to_plane:estimation_method o3d.pipelines.registration.TransformationEstimationPointToPlane()# 多尺度 ICP 配准max_iterations [60, 30, 10] # 多尺度迭代次数thresholds [threshold * 5, threshold * 2, threshold] # 多尺度阈值transformation init_transformationfor scale, max_iter, th in zip([5, 2, 1], max_iterations, thresholds):print(fScale {scale}: 距离阈值 {th}, 最大迭代次数 {max_iter})reg_p2p o3d.pipelines.registration.registration_icp(source, target, th, transformation, estimation_method,o3d.pipelines.registration.ICPConvergenceCriteria(max_iterationmax_iter))transformation reg_p2p.transformationprint(fScale {scale} 结果变换矩阵:\n, transformation)return transformationdef main():# 加载点云文件 (替换为实际路径)source_pcd_file /home/xsl/Music/truck_ws/src/Truck_perception/tool/1.pcd # 源点云文件路径target_pcd_file /home/xsl/Music/truck_ws/src/Truck_perception/tool/2.pcd # 目标点云文件路径source_cloud load_point_cloud(source_pcd_file)target_cloud load_point_cloud(target_pcd_file)# 预处理点云以估计法向量voxel_size 0.2 # 根据点云密度调整体素大小source_cloud preprocess_point_cloud(source_cloud, voxel_size)target_cloud preprocess_point_cloud(target_cloud, voxel_size)# 可视化初始状态print(初始点云对齐可视化)o3d.visualization.draw_geometries([source_cloud.paint_uniform_color([1, 0, 0]), target_cloud.paint_uniform_color([0, 1, 0])])# 初始变换矩阵initial_transformation np.array([[0.319, 0.947, 0.016, 5.343],[-0.948, 0.319, 0.004, 9.281],[-0.001, -0.017, 1, -0.296],[0, 0, 0, 1]])# ICP 配准transformation_matrix apply_icp(source_cloud, target_cloud, threshold0.5, init_transformationinitial_transformation, use_point_to_planeTrue)# 将源点云变换到目标点云坐标系source_cloud.transform(transformation_matrix)# 可视化配准结果print(配准结果可视化)o3d.visualization.draw_geometries([source_cloud.paint_uniform_color([1, 0, 0]), target_cloud.paint_uniform_color([0, 1, 0])])# 保存结果np.savetxt(Rotation translation matrix.txt, transformation_matrix, fmt%.6f)print(外参矩阵已保存到 Rotation translation matrix.txt) if __name__ __main__:main()10.别忘了更改实际的pcd文件地址相应的初始变换矩阵就是8生成最终的旋转平移矩阵以及最终的对其效果 11.点云配准结束关于点云配准的其它更多详细操作建议参考一下博客CloudCompare——实现点云由粗到精的配准【2024最新版】_点云粗配准-CSDN博客
