有兩組對應的點集(corresponding point sets):
求歐式變換 使得:
ICP 算法基於最小二乘法進行迭代計算,使得誤差平方和達到極小值:
可通過以下三個步驟進行求解:
(1)定義兩組點的質心,簡化目標函數
交叉項部分 在求和之後零,因此目標函數簡化爲:
第一項只與旋轉矩陣R 有關,只要獲得 R ,令第二項爲零就能求得 t 。
(2)計算每個點的去質心座標,計算旋轉矩陣R
其中,第二項 與R 無關,只有第三項與 R有關。因而,目標函數變爲:
通過 Singular Value Decomposition (SVD) 來進行求解,先定義矩陣:
W是一個 矩陣,對W 進行 SVD 分解,得:
其中, 爲奇異值組成的對角矩陣,當 W滿秩時,R 爲:
(3)計算平移矩陣t
(4)slam視覺十四講ICP代碼:
void pose_estimation_3d3d(const vector<Point3f>& pts1,
const vector<Point3f>& pts2,
Mat& R, Mat& t)
{
// center of mass
Point3f p1, p2;
int N = pts1.size();
for (int i=0; i<N; i++)
{
p1 += pts1[i];
p2 += pts2[i];
}
p1 /= N;
p2 /= N;
// subtract COM
vector<Point3f> q1(N), q2(N);
for (int i=0; i<N; i++)
{
q1[i] = pts1[i] - p1;
q2[i] = pts2[i] - p2;
}
// compute q1*q2^T
Eigen::Matrix3d W = Eigen::Matrix3d::Zero();
for (int i=0; i<N; i++)
{
W += Eigen::Vector3d(q1[i].x, q1[i].y, q1[i].z) * Eigen::Vector3d(q2[i].x,
q2[i].y, q2[i].z).transpose();
}
cout << "W=" << W << endl;
// SVD on W
Eigen::JacobiSVD<Eigen::Matrix3d> svd(W, Eigen::ComputeFullU | Eigen::ComputeFullV);
Eigen::Matrix3d U = svd.matrixU();
Eigen::Matrix3d V = svd.matrixV();
cout << "U=" << U << endl;
cout << "V=" << V << endl;
Eigen::Matrix3d R_ = U * (V.transpose());
Eigen::Vector3d t_ = Eigen::Vector3d(p1.x, p1.y, p1.z) - R_ * Eigen::Vector3d(p2.x, p2.y, p2.z);
// convert to cv::Mat
R = (Mat_<double>(3, 3) <<
R_(0, 0), R_(0, 1), R_(0,2),
R_(1, 0), R_(1, 1), R_(1,2),
R_(2, 0), R_(2, 1), R_(2,2));
t = (Mat_<double>(3, 1) << t_(0, 0), t_(1, 0), t_(2, 0));
}