SUPER 4PCS配准

一、下载编译

1、下载

链接：STORM-IRIT/OpenGR: OpenGR: A C++ library for 3D Global Registration (github.com)

不过有部分代码不能成功下载，要到该文件夹再次下载，就是下面标黄的两个文件，下载之后首先解压OpenGR-master.zip，再解压happly.zip和stb.zip放到OpenGR-master相对应的位置

把stb、happly和Eigen删除，再把解压出来的stb-e6afb9cbae4064da8c3e69af3ff5c4629579c1d2和happly-cfa2611550bc7da65855a78af0574b65deb81766文件名改成 stb和happly

建立build和Lib两个文件夹

我这里有下载好的 OpenGR、包括stb和happly资源-CSDN文库

2、编译

首先是你已经安装了PCL和opencv，PCL自带Eigen

打开cmake，把标黄的选项勾上

点击configure，写上x64，点击Finish

配置前

修改这两处就行

点击Generate，然后点击Open_Project ，打开visual studio2022，点击生成，找到批生成

把ALL_BUILD的Release|x64以及INSTALL的Release|x64给点上，最后点击生成，生成结束之后Lib文件夹会有这些文件

生成结束之后把这几个文件夹放到合适的地方，我放到了C:\Compiler\PCL\PCL 1.14.0\3rdParty\OpenGR文件夹下，其他的源码、build都可以删掉了

新建visual studio2022项目，新建这两个配置，一个是PCL的配置，第二个是SUPER 4PCS和opencv的配置，顺序不能乱，不然会报错

PCL的配置就不说了，展示一下 SUPER 4PCS和opencv的配置

二、代码

C++

#include <gr/algorithms/match4pcsBase.h>
#include <gr/algorithms/FunctorSuper4pcs.h>
#include <pcl/registration/super4pcs.h>
#include <pcl/point_types.h>
#include <pcl/io/ply_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/registration/ia_fpcs.h>
#include <pcl/registration/ia_kfpcs.h>
#include <time.h>
#include <boost/thread/thread.hpp>

typedef pcl::PointXYZ PointT;
typedef pcl::PointCloud<PointT> PointCloud;

void visualize_pcd(PointCloud::Ptr icp_result, PointCloud::Ptr cloud_target)
{
	//创建初始化目标
	pcl::visualization::PCLVisualizer viewer("registration Viewer");
	pcl::visualization::PointCloudColorHandlerCustom<PointT> final_h(icp_result, 0, 255, 0);
	pcl::visualization::PointCloudColorHandlerCustom<PointT> tgt_h(cloud_target, 255, 0, 0);
	viewer.setBackgroundColor(0, 0, 0);
	viewer.addPointCloud(cloud_target, tgt_h, "tgt cloud");
	viewer.addPointCloud(icp_result, final_h, "final cloud");

	while (!viewer.wasStopped())
	{
		viewer.spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}
}

int main(int argc, char** argv)
{
	//加载点云文件
	PointCloud::Ptr cloud_source(new PointCloud);
	PointCloud::Ptr cloud_target(new PointCloud);

	if (pcl::io::loadPLYFile<pcl::PointXYZ>("pcd/bun_zipper.ply", *cloud_source) == -1)//*打开点云文件

	{
		PCL_ERROR("Couldn't read file source\n");
		return(-1);
	}

	if (pcl::io::loadPLYFile<pcl::PointXYZ>("pcd/bun_zipper2.ply", *cloud_target) == -1)//*打开点云文件

	{
		PCL_ERROR("Couldn't read file source\n");
		return(-1);
	}
	visualize_pcd(cloud_source, cloud_target);
	
	//四点法配准
	pcl::Super4PCS<pcl::PointXYZ, pcl::PointXYZ>sfpcs;
	sfpcs.setInputSource(cloud_source);
	sfpcs.setInputTarget(cloud_target);
	sfpcs.setOverlap(0.99);
	sfpcs.setDelta(0.005);//增量
	sfpcs.setMaxTimeSeconds(10000);//最大计算时间
	sfpcs.setMaxCorrespondenceDistance(0.5);
	sfpcs.align(*cloud_source);
	


	visualize_pcd(cloud_source, cloud_target);
	return (0);

}

关键代码解析：

	pcl::Super4PCS<pcl::PointXYZ, pcl::PointXYZ>sfpcs;
	sfpcs.setInputSource(cloud_source);
	sfpcs.setInputTarget(cloud_target);
	sfpcs.setOverlap(0.99);
	sfpcs.setDelta(0.005);//增量
	sfpcs.setMaxTimeSeconds(10000);//最大计算时间
	sfpcs.setMaxCorrespondenceDistance(0.5);
	sfpcs.align(*cloud_source);

pcl::Super4PCS<pcl::PointXYZ, pcl::PointXYZ> sfpcs;：创建了一个 Super4PCS 对象，用于点云的配准。
sfpcs.setInputSource(cloud_source);：设置输入源点云，cloud_source 可能是一个 pcl::PointCloud<pcl::PointXYZ> 类型的点云数据。
sfpcs.setInputTarget(cloud_target);：设置目标点云，cloud_target 也是一个 pcl::PointCloud<pcl::PointXYZ> 类型的点云数据。
sfpcs.setOverlap(0.99);：设置匹配的重叠率。这个值介于 0 到 1 之间，表示匹配过程中两个点云之间的重叠程度。设置为 0.99 表示非常高的重叠率，这可能会导致更准确的匹配结果，但也可能增加计算时间。
sfpcs.setDelta(0.005);：设置增量。增量控制算法在搜索空间中的步长或精度。较小的增量可能导致更精确的结果，但也可能导致更长的计算时间。
sfpcs.setMaxTimeSeconds(10000);：设置最大计算时间，单位是秒。这个参数控制了算法的最大运行时间，避免了算法长时间运行而无法终止。
sfpcs.setMaxCorrespondenceDistance(0.5);：设置最大对应距离。这个值表示两个点云中的点之间允许的最大距离，超过这个距离的点将不会被考虑在内。较大的值可能允许更大的误差，但也可能导致错误的匹配。
sfpcs.align(*cloud_source);：调用 Super4PCS 算法的 align() 函数，将输入源点云与目标点云进行配准。配准的结果将会存储在输入源点云 cloud_source 中。