当前位置：首页 > news >正文

Python实现点云随机一致性(RANSAC)配准——粗配准

news 2025/8/8 8:34:40

今天我们来介绍精配准前的重要步骤——粗配准。大家使用前面ICP和各种变式时，有一个使用单位矩阵代替的部分。对于姿态一致，距离较近的两点云，使用单位矩阵一点问题都没有，可是姿态不对应，哪怕离的很近也会出现配准问题。那么今天我们就来解决这个问题。

RANSAC（Random Sample Consensus）是一种迭代式鲁棒估计算法，专门用于在强噪声或高离群点比例的数据中估计模型参数。它在点云粗配准、图像拼接、3D 重建等任务中扮演着关键角色。RANSAC算法共可以分为七步(难道是七步诗？)，表示如下：

1. 特征提取
分别在源点云和目标点云中检测关键点，并计算每个点的局部特征描述符（常用 FPFH、SHOT 等）。

2. 初始匹配
基于特征距离（如欧氏距离或余弦距离）建立两组特征之间的初始对应关系，结果往往包含大量误匹配。

3. 随机采样
在全部匹配对中随机抽取最小子集，该子集的大小需恰好能唯一确定一个刚体变换（通常 3 对匹配点即可求解 3D 刚体变换）。

4. 模型估计
利用当前子集计算刚体变换矩阵（旋转 R 与平移 t）。

5. 内点检验
将剩余所有匹配对按此变换投影，计算投影误差。误差小于给定阈值的匹配被视为内点。

6. 模型评估
统计当前模型的内点数目，并与历史最优模型比较。若内点更多，则更新最优模型及其参数。

7. 迭代收敛
重复步骤 3–6，直至达到预设迭代次数或找到满足置信度的模型。迭代次数可根据离群点比例与期望成功率自适应确定。最终输出内点最多的刚体变换，即为源点云到目标点云的配准结果。

本次实验为了和前面的ICP对应上，依旧使用的是我们的老朋友——兔砸，显示如下：

一、RANSAC算法程序

import copy
import open3d as o3d
import numpy as np# -------------传入点云数据，计算FPFH------------
def FPFH_Compute(pcd):radius_normal = 0.01  # kdtree参数，用于估计法线的半径，pcd.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))# 估计法线的1个参数，使用混合型的kdtree，半径内取最多30个邻居radius_feature = 0.02  # kdtree参数，用于估计FPFH特征的半径pcd_fpfh = o3d.pipelines.registration.compute_fpfh_feature(pcd,o3d.geometry.KDTreeSearchParamHybrid(radius=radius_feature,max_nn=100))  # 计算FPFH特征,搜索方法kdtreereturn pcd_fpfh  # 返回FPFH特征# ----------------RANSAC配准--------------------
def execute_global_registration(source, target, source_fpfh,target_fpfh):  # 传入两个点云和点云的特征distance_threshold = 10  # 设定距离阈值# 2个点云，两个点云的特征，距离阈值，一个函数，4，# 一个list[0.9的两个对应点的线段长度阈值，两个点的距离阈值]，# 一个函数设定最大迭代次数和最大验证次数result = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(source, target, source_fpfh, target_fpfh, True, distance_threshold,o3d.pipelines.registration.TransformationEstimationPointToPoint(False),4, [o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(0.9),o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(distance_threshold)], o3d.pipelines.registration.RANSACConvergenceCriteria(4000000, 500))return resultif __name__ == "__main__":# -------------------读取点云数据--------------------source = o3d.io.read_point_cloud("E:/CSDN/规则点云/bunny.pcd")# 原始点云x轴平移0.1，y轴平移0.15，z轴平移0.2，然后加上噪声，最后新的点云作为目标点云# 平移target = copy.deepcopy(source)points = np.asarray(target.points)t = np.array([0.1, 0.15, 0.2])target = target.translate(t, relative=True)  # relative=True 表示“增量”平移# 加噪声mu, sigma = 0, 0.001  # 均值和标准差根据密度调节random_numbers = np.random.normal(mu, sigma, size=(points.shape[0], 3))points += random_numberstarget.points = o3d.utility.Vector3dVector(points)target.paint_uniform_color([0, 1, 0])  # 给目标点云赋予单色# --------------------计算法向量---------------------source.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.01, max_nn=30))target.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.01, max_nn=30))# 复制点云，防止更改source1 = copy.deepcopy(source)target1 = copy.deepcopy(target)# -----------------计算的FPFH---------------source_fpfh = FPFH_Compute(source1)target_fpfh = FPFH_Compute(target1)# ---------------调用RANSAC执行配准------------result_ransac = execute_global_registration(source1, target1,source_fpfh, target_fpfh)print("配准后信息：", result_ransac)  # 输出RANSAC配准信息print("两块点云之间的配准矩阵:", result_ransac.transformation)source2 = copy.deepcopy(source1)source2.transform(result_ransac.transformation)o3d.visualization.draw_geometries([source1, target1],window_name="两点云初始位置",width=1200, height=800,left=50, top=50)o3d.visualization.draw_geometries([source2, target1],window_name="配准后两点云初始位置",width=1200, height=800,left=50, top=50)

二、RANSAC算法结果