绝对不可错过的图形学算法！迭代最近点算法——ICP算法

图像配准是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像，例如图像会来自不同的采集设备，取自不同的时间，不同的拍摄视角等等，有时也需要用到针对不同对象的图像配准问题。具体地说，对于一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两图中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。一个经典的应用是场景的重建，比如说一张茶几上摆了很多杯具，用深度摄像机进行场景的扫描，通常不可能通过一次采集就将场景中的物体全部扫描完成，只能是获取场景不同角度的点云，然后将这些点云融合在一起，获得一个完整的场景。

ICP（Iterative Closest Point迭代最近点）算法是一种点集对点集配准方法。如下图所示，PR（红色点云）和RB（蓝色点云）是两个点集，该算法就是计算怎么把PB平移旋转，使PB和PR尽量重叠。

用数学语言描述如下，即ICP算法的实质是基于最小二乘法的最优匹配，它重复进行“确定对应关系的点集→计算最优刚体变换”的过程，直到某个表示正确匹配的收敛准则得到满足。

ICP算法基本思想：

如果知道正确的点对应，那么两个点集之间的相对变换（旋转、平移）就可以求得封闭解。

首先计算两个点集X和P的质心，分别为μx和μp

然后在两个点集中分别减去对应的质心（Subtract the corresponding center of massfrom every point in the two point setsbefore calculating the transformation）

目标函数E(R,t)的优化是ICP算法的最后一个阶段。在求得目标函数后，采用什么样的方法来使其收敛到最小，也是一个比较重要的问题。求解方法有基于奇异值分解的方法、四元数方法等。

如果初始点“足够近”，可以保证收敛性

ICP算法优点：

可以获得非常精确的配准效果不必对处理的点集进行分割和特征提取在较好的初值情况下，可以得到很好的算法收敛性

ICP算法的不足之处：

在搜索对应点的过程中，计算量非常大，这是传统ICP算法的瓶颈标准ICP算法中寻找对应点时，认为欧氏距离最近的点就是对应点。这种假设有不合理之处，会产生一定数量的错误对应点

针对标准ICP算法的不足之处，许多研究者提出ICP算法的各种改进版本，主要涉及如下所示的6个方面。

标准ICP算法中，选用点集中所有的点来计算对应点，通常用于配准的点集元素数量都是非常巨大的，通过这些点集来计算，所消耗的时间很长。在后来的研究中，提出了各种方法来选择配准元素，这些方法的主要目的都是为了减小点集元素的数目，即如何选用最少的点来表征原始点集的全部特征信息。在点集选取时可以：1.选取所有点；2.均匀采样（Uniform sub-sampling）；3.随机采样（Random sampling）；4.按特征采样（Feature based Sampling ）；5.法向空间均匀采样（Normal-space sampling），如下图所示，法向采样保证了法向上的连续性（Ensure that samples have normals distributed asuniformly as possible）

基于特征的采样使用一些具有明显特征的点集来进行配准，大量减少了对应点的数目。

如果觉得《绝对不可错过的图形学算法！迭代最近点算法——ICP算法》对你有帮助，请点赞、收藏，并留下你的观点哦！